PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ FACULTAD DE CIENCIAS E INGENIERÍA PROPUESTA DE PLAN DE RUTEO PARA LA RÁPIDA DISTRIBUCIÓN DE SUMINISTROS DE AYUDA HUMANITARIA ALIMENTARIA MEDIANTE MODELO VRP EN LIMA Y SUS DISTRITOS Tesis para obtener el título profesional de Ingeniero Industrial AUTOR: Jeancarlo Irwin Ramos Cáceres ASESOR: Christian Santos Cornejo Sánchez Lima, junio, 2025 Informe de similitud Yo, Christian Santos Cornejo Sánchez, docente de la Facultad de Ciencias e Ingeniería de la Pontificia Universidad Católica del Perú, asesor de la tesis titulada Propuesta de plan de ruteo para la rápida distribución de suministros de ayuda humanitaria alimentaria mediante modelo VRP en Lima y sus distritos del autor Jeancarlo Irwin Ramos Cáceres, dejo constancia de lo siguiente: - El mencionado documento tiene un índice de puntuación de similitud de 21 %. Así lo consigna el reporte de similitud emitido por el software Turnitin el 06/06/2025. - He revisado con detalle dicho reporte y la tesis, y no se advierte indicios de plagio. - Las citas a otros autores y sus respectivas referencias cumplen con las pautas académicas. Lima, 6 de junio de 2025 Apellidos y nombres del asesor: Cornejo Sánchez, Christian Santos DNI: 09868135 Firma ORCID: 0000-0003-1297-5510 i RESUMEN Los Lineamientos para la Adquisición, Almacenamiento y Distribución de Alimentos para la Atención de Emergencias o Desastres (INDECI, 2017) prevén la asignación de recursos para cubrir necesidades básicas primordiales de alimentación. En relación con lo anterior, esta tesis se centra en la distribución de la ayuda humanitaria alimentaria con un enfoque científico y cuantitativo que brinde soporte a los procedimientos y medidas de respuesta ante desastres naturales, específicamente en el escenario de un terremoto de magnitud 8 Mw. En esta investigación se presenta un modelo matemático VRP (Vehicle Routng Problem) con escenarios para 15; 16; 17; 18; y 19 centros para la obtención de la ruta de distribución de bienes de ayuda humanitaria alimentaria óptima con capacidades volumétricas a transportar definidas en cada escenario después de un terremoto hipotético acontecido en Lima y con magnitud de 8 Mw y con el número de damnificados estimado en 493 520 ciudadanos (PREDES, 2009). Se concluye que el escenario con 18 centros de atención es el que presenta el menor recorrido, con 257 km a recorrer. Además, el modelo VRP propuesto muestra una mayor complejidad computacional a partir de los 20 centros de atención. Los escenarios analizados indican que la menor distancia recorrida se obtiene tanto para 18 como para 19 centros de atención, aunque el tiempo de corrida para el escenario de 19 centros de atención aumenta en un 95 % en comparación con el de 18. Debido a este incremento en el tiempo de corrida para el escenario con 19 centros de atención, se recomienda optar por el de 18 centros de atención, ya que ambos escenarios tienen la misma distancia a recorrer según los resultados. Por último, se cumple con las condiciones que establece el INDECI de atender a los damnificados durante las primeras 72 horas de ocurrido un evento natural a pesar de que no se demuestra que 14.38 horas son suficientes para atender a todos los damnificados, se puede completar un ciclo de 14.38 horas cada 24 horas durante las 72 primeras horas de emergencia, cumpliendo así con los requerimientos de INDECI. ii ÍNDICE GENERAL CAPÍTULO 1. MARCO TEÓRICO ........................................................................................... 3 Marco conceptual ........................................................................................................ 3 1.1.1. Logística humanitaria .......................................................................................... 3 1.1.2. Peligro natural ..................................................................................................... 3 1.1.3. Exposición ........................................................................................................... 4 1.1.4. Vulnerabilidad ..................................................................................................... 5 1.1.5. Desastre ............................................................................................................... 6 1.1.6. Riesgo de desastre ............................................................................................... 6 1.1.7. Desastres naturales históricos en el Perú ............................................................. 8 Revisión de la literatura ............................................................................................... 8 CAPÍTULO 2. PROBLEMÁTICA Y DIAGNÓSTICO DE LA SITUACIÓN ACTUAL ........ 11 El Cinturón de Fuego del Pacífico ............................................................................. 11 Ubicación del Perú respecto al Cinturón de Fuego .................................................... 12 2.2.1. Características tectónicas del Perú ..................................................................... 12 Ausencia sísmica en el Perú ...................................................................................... 13 2.3.1. Lagunas sísmicas ............................................................................................... 13 Exposición de la población costera del borde oeste del Perú ..................................... 16 Vulnerabilidad de la población costera del borde oeste del Perú ............................... 16 2.5.1. Vulnerabilidad geofísica .................................................................................... 16 2.5.2. Vulnerabilidad física ......................................................................................... 22 2.5.3. Vulnerabilidad socioeconómica ......................................................................... 22 Asistencia alimentaria en emergencias en el Perú ..................................................... 22 Programación de la atención alimentaria ................................................................... 23 Adquisición de los alimentos ..................................................................................... 23 Aporte nutricional de la ración distribuida ................................................................ 24 Cálculo y costeo de la cantidad total de alimentos................................................. 25 CAPÍTULO 3. ALGUNOS ANTECEDENTES ....................................................................... 27 CAPÍTULO 4. DESARROLLO DEL MODELO ..................................................................... 28 Descripción del problema .......................................................................................... 28 Desarrollo de variables necesarias para el modelo..................................................... 28 4.2.1. Almacenes de Defensa Civil a nivel nacional .................................................... 28 4.2.2. Escenario sísmico .............................................................................................. 33 4.2.3. Alcance geográfico del estudio .......................................................................... 34 4.2.4. Indicadores de estimación de la vulnerabilidad ................................................. 36 4.2.5. Metodología para determinar el número de damnificados ................................. 38 iii 4.2.6. Determinación del número de afectados ............................................................ 41 4.2.7. Cantidad y ubicación de almacenes necesarios para el modelo ......................... 42 4.2.8. Kit de ayuda humanitaria alimentaria ................................................................ 44 4.2.9. Capacidad de los vehículos de transporte y cantidad necesaria ......................... 44 4.2.10. El modelo matemático ....................................................................................... 45 Modelo matemático en lenguaje de programación Python ........................................ 48 4.3.1. Con 15 centros de distribución (almacenes o clientes) ...................................... 49 4.3.2. Con 16 centros de distribución (almacenes o clientes) ...................................... 53 4.3.3. Con 17 centros de distribución (almacenes o clientes) ...................................... 56 4.3.4. Con 18 centros de distribución (almacenes o clientes) ...................................... 59 4.3.5. Con 19 centros de distribución (almacenes o clientes) ...................................... 61 4.3.6. Con 29 centros de distribución (almacenes o clientes) ...................................... 64 CAPÍTULO 5. Análisis de resultados ....................................................................................... 69 Corridas realizadas .................................................................................................... 69 5.1.1. Con 15 centros de atención ................................................................................ 69 5.1.2. Con 16 centros de atención ................................................................................ 71 5.1.3. Con 17 centros de atención ................................................................................ 73 5.1.4. Con 18 centros de atención ................................................................................ 75 5.1.5. Con 19 centros de atención ................................................................................ 77 5.1.6. Con 29 centros de atención ................................................................................ 79 De los resultados ....................................................................................................... 82 Beneficio de la propuesta (escenario con 18 centros de atención) ............................. 87 CAPÍTULO 6. Conclusiones y recomendaciones ..................................................................... 88 Conclusiones ............................................................................................................. 88 Recomendaciones ...................................................................................................... 89 Referencias................................................................................................................................ 90 Anexos ...................................................................................................................................... 96 iv ÍNDICE DE TABLAS Tabla 1.1 Conceptos y métricas de la vulnerabilidad social .................................................... 7 Tabla 2.1 Perú: PT y TCA, 1940 - 2017 ................................................................................ 17 Tabla 2.2 Parámetros de suelo según la Norma E-030 .......................................................... 19 Tabla 2.3 Perú: Población censada y tasa de crecimiento promedio de los 20 distritos más poblados de Lima en los años 1993, 2007 y 2017 ................................................................. 21 Tabla 2.4 Valor nutricional diario de la ración alimentaria per cápita ................................... 24 Tabla 2.5 Ración logística diaria de alimentos per cápita ...................................................... 25 Tabla 4.1 Almacenes nacionales ........................................................................................... 29 Tabla 4.2 Almacenes regionales ............................................................................................ 29 Tabla 4.3 Cantidad de almacenes según el tipo ..................................................................... 30 Tabla 4.4 Ubicación de almacenes en LM y Callao .............................................................. 32 Tabla 4.5 Distritos de Lima en el alcance del estudio............................................................ 35 Tabla 4.6 Distritos no sectorizados........................................................................................ 36 Tabla 4.7 Densidad poblacional ............................................................................................ 37 Tabla 4.8 Parámetros e indicadores de estimación de vulnerabilidad en el sector urbano ..... 37 Tabla 4.9 Ponderación para la estimación de vulnerabilidad según escenario ....................... 38 Tabla 4.10 Ejemplo de niveles de vulnerabilidad potencial estimados por sectores (ver anexo 7) ........................................................................................................................................... 38 Tabla 4.11 Rangos para la elección del nivel de riesgo en el escenario propuesto ................ 39 Tabla 4.12 Ejemplo de selección de rango de población afectada ......................................... 39 Tabla 4.13 Selección de rango para estimación de daños en la población por distrito y porcentaje de damnificados, en el alcance de la tesis ............................................................ 40 Tabla 4.14 Población afectada de acuerdo con los niveles de riesgo ..................................... 41 Tabla 4.15 Conteo total de población afectada en el escenario propuesto para los sectores del alcance del estudio ................................................................................................................ 42 Tabla 4.16 Conteo total de población damnificada a considerar para el modelo propuesto ... 42 Tabla 4.17 Cantidad y ubicación de almacenes – cantidad de damnificados (15 almacenes) 43 Tabla 4.18 Cantidad necesaria de vehículos (15 almacenes) ................................................. 45 Tabla 4.19 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 15 almacenes ....................................................................................................................... 50 Tabla 4.20 Coordenadas cartesianas de 15 centros de distribución propuestos ..................... 51 Tabla 4.21 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 16 almacenes ....................................................................................................................... 53 Tabla 4.22 Coordenadas cartesianas de 16 centros de distribución propuestos ..................... 54 Tabla 4.23 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 17 almacenes ....................................................................................................................... 56 Tabla 4.24 Coordenadas cartesianas de centros de distribución propuestos .......................... 57 v Tabla 4.25 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 18 almacenes ....................................................................................................................... 59 Tabla 4.26 Coordenadas cartesianas de los 18 centros de distribución propuestos ................ 60 Tabla 4.27 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 19 almacenes ....................................................................................................................... 62 Tabla 4.28 Coordenadas cartesianas de los 19 centros de distribución propuestos ................ 63 Tabla 4.29 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 29 almacenes ....................................................................................................................... 65 Tabla 4.30 Coordenadas cartesianas de centros de distribución propuestos .......................... 66 Tabla 5.1 Capacidad de cobertura ......................................................................................... 84 Tabla 0.1 Distritos sectorizados del proyecto de PREDES 2009 ......................................... 100 Tabla 0.2 Cantidad y ubicación de almacenes – total de damnificados (16 almacenes) ..... 101 Tabla 0.3 Cantidad y ubicación de almacenes – total de damnificados (17 almacenes) ..... 102 Tabla 0.4 Cantidad y ubicación de almacenes – total de damnificados (18 almacenes) ..... 103 Tabla 0.5 Cantidad y ubicación de almacenes – total de damnificados (19 almacenes) ..... 104 Tabla 0.6 Cantidad necesaria de vehículos (16 almacenes) ................................................. 105 Tabla 0.7 Cantidad necesaria de vehículos (17 almacenes) ................................................. 106 Tabla 0.8 Cantidad necesaria de vehículos (18 almacenes) ................................................. 107 Tabla 0.9 Cantidad necesaria de vehículos (19 almacenes) ................................................. 108 Tabla 0.10 Niveles de vulnerabilidad potencial estimados por sector ................................. 109 Figura 0.1 Vehículo de comando para atención de desastres de INDECI ............................ 110 vi ÍNDICE DE GRÁFICOS Figura 1.1 Mecanismo detrás de la emergencia de desastres naturales .................................... 6 Figura 1.2 Terremotos en Perú desde 1687 ............................................................................. 9 Figura 2.1 Arcos volcánicos y fosas oceánicas en la cuenca del Pacífico forman el CFP ..... 11 Figura 2.2 Unidades estructurales (UE) de Perú .................................................................... 12 Figura 2.3 Borde occidental de Perú y Chile, y distribución de áreas de ruptura y lagunas sísmicas durante los siglos XIX, XX y XXI .......................................................................... 14 Figura 2.4 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1500 al 1700 15 Figura 2.5 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1701 al 1850 15 Figura 2.6 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1851 al 2000 16 Figura 2.7 Cuencas hidrográficas en Lima ............................................................................ 18 Figura 2.8 Mapa de zonificación de tipos de suelos para LM ............................................... 20 Figura 2.9 Pasos a seguir para la adquisición de alimentos ................................................... 23 Figura 2.10 Cálculo de la cantidad total de alimentos ........................................................... 26 Figura 4.1 Almacenes de INDECI ......................................................................................... 31 Figura 4.2 Densidad espacial de sismos históricos, referencia eje AB– Litoral central ......... 33 Figura 4.3 Corte AB transversal (izquierda) y número de sismos en el corte AB (derecha). . 34 Figura 4.4 Dimensiones del kit de ayuda alimentaria ............................................................ 44 Figura 4.5 Ubicación de los centros de distribución en coordenadas cartesianas – 15 clientes .............................................................................................................................................. 51 Figura 4.6 Ubicación de los centros de distribución en coordenadas cartesianas – 16 clientes .............................................................................................................................................. 55 Figura 4.7 Ubicación de los centros de distribución en coordenadas cartesianas – 17 clientes .............................................................................................................................................. 58 Figura 4.8 Ubicación de los CD en coordenadas cartesianas – 18 clientes ............................ 61 Figura 4.9 Ubicación de los CD en coordenadas cartesianas – 19 clientes ............................ 64 Figura 4.10 Ubicación de los CD en coordenadas cartesianas – 29 clientes .......................... 67 Figura 5.1 Solución óptima - 15 centros de distribución ....................................................... 70 Figura 5.2 Solución óptima - 16 centros de distribución ....................................................... 72 Figura 5.3 Solución óptima - 17 centros de distribución ....................................................... 74 Figura 5.4 Solución óptima - 18 centros de distribución ....................................................... 76 Figura 5.5 Solución óptima - 19 centros de distribución ....................................................... 78 Figura 5.6 Tiempo de corrida máximo - 29 CD, sin encontrar óptimo .................................. 79 Figura 5.7 Solución factible - 29 centros de distribución ...................................................... 81 Figura 5.8. El código corre por 9 horas, sin encontrar solución óptima (20 centros de distribución) .......................................................................................................................... 82 vii Figura 5.9. El código corre por 11.5 horas, sin encontrar solución óptima (20 centros de distribución) .......................................................................................................................... 82 Figura 5.10. El código corre por 20 horas, sin encontrar solución óptima (20 centros de distribución) .......................................................................................................................... 83 Figura 5.11. El código corre por 19 horas, sin encontrar solución óptima (29 centros de distribución) .......................................................................................................................... 83 Figura 5.12 Tiempo de corrida por escenario de centros de distribución (s) ......................... 85 Figura 5.13 Nivel de utilización de vehículos por escenario de centros de distribución ........ 85 Figura 5.14 Distancia recorrida (km) por escenario de centros de distribución ..................... 86 Figura 5.15 Tiempo de atención (h) por escenario de centros de distribución a 20 km/h ...... 86 viii LISTA DE ACRÓNIMOS AAD – Adquisición, Almacenamiento y Distribución AN – Almacenes Nacionales CALA – Centros de Apoyo Logístico Adelantado CD – Centros de Distribución CDSRNC – Código de Diseño Sismorresistente del Reglamento Nacional de Construcciones CFP – Cinturón de Fuego del Pacífico CH – Carta Humanitaria CISMID – Centro Peruano Japonés de Investigaciones Sísmicas y Mitigación de Desastres DD – Direcciones Desconcentradas GL – Gobiernos Locales GOAASE – Guía de Orientación de la Asistencia Alimentaria en Situaciones de Emergencia GR – Gobiernos Regionales IGP – Instituto Geofísico del Perú INEI – Instituto Nacional de Estadística e Informática LAADAAED – Los Lineamientos para la Adquisición, Almacenamiento y Distribución de Alimentos para la Atención de Emergencias o Desastres LM – Lima Metropolitana MML – Municipalidad Metropolitana de Lima NGDC/WDS – National Geophysical Data Center / World Data Service NV – Niveles de Vulnerabilidad PLABAH – Plan Logístico Anual de Bienes de Ayuda Humanitaria Anual PPRRD – Plan de Prevención y Reducción de Riesgos de Desastres de Lima Metropolitana PT – Población Total RVAED – Reducción de Vulnerabilidad y Atención de Emergencias por Desastres SGCA – Secretaría General de la Comunidad Andina SJL – San Juan de Lurigancho SMP – San Martín de Porres SNGRD – Sistema Nacional de Gestión del Riesgo de Desastres TCA – Tasa de Crecimiento Anual UE – Unidades estructurales 1 INTRODUCCIÓN Debido a su ubicación dentro del Cinturón de Fuego del Pacífico (CFP), el Perú es un país relevante como objeto de estudio sísmico. Este se encuentra expuesto a un constante riesgo de desastre reflejado en su historia sísmica, como el caso del "Gran Terremoto" en Áncash ocurrido el 31 de mayo de 1970, recordado por los daños y muerte provocados. Este estudio aborda el riesgo de silencio sísmico en el litoral del centro país y estima la cantidad de afectados que podría causar un terremoto de magnitud 8 Mw, después evaluar el nivel de exposición y vulnerabilidad de Lima y su población. Esta tesis propone un modelo matemático basado en Vehicle Routing Problem (VRP) con el objetivo de obtener la ruta óptima de distribución de bienes de ayuda humanitaria alimentaria para satisfacer la demanda de los clientes (centros de distribución) en caso de terremoto hipotéticamente acontecido en la costa de la capital del Perú. En el primer capítulo, se define el marco teórico y se presentan conceptos como el peligro natural, la exposición, y la vulnerabilidad que brindan la perspectiva requerida al enfrentar un riesgo de desastre. El riesgo de desastre por movimientos telúricos en el Perú es entendido a partir de su historia y la proclividad del país de que ocurra un evento natural de este tipo. En el segundo capítulo se diagnostica la situación actual a partir de las condiciones geográficas del Perú dentro del CFP, también se analiza la relevancia del Perú como objeto de estudio sísmico para posteriormente tratar el silencio sísmico en la Región Lima. Se presenta la importancia de las lagunas sísmicas (Tavera y Bernal, 2005) como motivador de la prevención. A continuación se presenta la vulnerabilidad física, geofísica y socioeconómica de Lima y su población para entender la importancia de la planificación en la respuesta ante emergencias. Finalmente, se analiza la documentación y procedimientos estatales (e.g., normas legales, directivas, resoluciones jefaturales y leyes) establecidos por INDECI concernientes a la programación, adquisición y distribución humanitaria alimentaria que serían ejecutados en caso de un terremoto. En el tercer capítulo se describe el problema, se plantea la intensidad de un escenario de terremoto en el litoral limeño e identifican las variables pertinentes tales como el número de damnificados, la cantidad y ubicación de almacenes, las dimensiones del kit de ayuda humanitaria alimentaria y la capacidad volumétrica de los vehículos que los transportará. Estas variables son necesarias para formular el modelo matemático que permite optimizar la ruta hacia los centros de distribución según la estimación de damnificados. Después se presentan los antecedentes sobre ruteo y rápida distribución de bienes que enmarcan al modelo matemático propuesto y resuelto para diferentes escenarios en código Python. 2 En el cuarto capítulo se analizan y comparan los resultados de cada escenario como el tiempo de corrida del código para cada escenario hasta encontrar una solución óptima y la distancia resultante en km de la ruta que se obtiene. Finalmente, en el quinto y último capítulo se presentan las conclusiones y discuten las recomendaciones de esta tesis. 3 CAPÍTULO 1. MARCO TEÓRICO Marco conceptual 1.1.1. Logística humanitaria Para que una acción sea humanitaria, tres principios ampliamente aceptados son la humanidad, neutralidad e imparcialidad (Tomasini & Van Wassenhove, 2009); esos principios implican varios aspectos: que el sufrimiento humano debe ser aliviado dondequiera que se encuentre; que la ayuda debe proporcionarse sin sesgo ni afiliación a una parte en el conflicto, y que se debe brindar asistencia sin discriminación y con prioridad según las necesidades más urgentes, respectivamente. En relación con lo anterior, Habib et al., (2016) definen la logística humanitaria como el procedimiento destinado a trasladar a las personas desde zonas afectadas por una catástrofe hacia lugares seguros mediante una planificación, ejecución y supervisión adecuadas. Esto se logra optimizando la gestión de recursos, así como el manejo y almacenamiento de suministros, con el objetivo de reducir el sufrimiento de las poblaciones vulnerables. Para comprender los aspectos involucrados en esta rama de la logística, es necesario definir algunos conceptos. 1.1.2. Peligro natural Según The World Bank (2010) un peligro natural es un proceso o fenómeno natural con efectos adversos sobre la vida, miembros o propiedades y puede ocasionar pérdida de medios de vida y servicios, transtornos sociales y económicos o daños al medio ambiente (United Nations International Strategy for Disaster Reduction, [UNISDR], 2009). Haddow et al. (2017) añaden que “son fuentes de exposición al riesgo que se derivan del entorno natural como resultado del dinamismo hidrológico, meteorológico, sísmico, geológico, volcánico, movimiento de masas u otros procesos naturales”. Debe quedar claro que el peligro se interpreta no como un evento físico como tal, sino por la magnitud del peligro que representa para los activos y la población (Lavell & Maskrey, 2014). En consecuencia, los peligros naturales pueden ser clasificados por causa y divididos en las siguientes categorías según su relevancia para este trabajo de tesis. Peligros geofísicos (interpretado de Geophysical hazard, EM-DAT) Este término se usa indistintamente con el término riesgo geológico (Traducido del Centre for Research on the Epidemiology of Disasters. Emergency Events Database [EM-DAT], 2018). Estos peligros son conducidos por procesos geológicos (i.e., la Tierra), en particular, la tectónica de placas y abarcan deslizamientos de tierra y derrumbes, erupciones volcánicas, terremotos y 4 tsunamis, entre otros. En general, los eventos geológicos extremos están más allá de la influencia humana (Geographic Perspectives on Sustainability and Human-Environment Systems-PennState College of Earth and Mineral Sciences [GEOG 30N], 2018). Peligros meteorológicos Peligro derivado de fenómenos meteorológicos intensos y de corta duración, que varían en escala desde micro hasta meso-escala y que pueden persistir desde pocos minutos hasta varios días (EM- DAT, 2018). Estos peligros son provocados por procesos meteorológicos (i.e., clima), relacionados con la temperatura y el viento. Incluye olas de calor, frío, ciclones/huracanes y lluvias heladas. Los ciclones son comúnmente llamados huracanes en el Atlántico y tifones en el Océano Pacífico. (GEOG 30N, 2018). Peligros hidrológicos Peligro originado por la presencia, desplazamiento y distribución del agua dulce y salada tanto en la superficie como en el subsuelo (EM-DAT, 2018). Esto incluye inundaciones, sequías, aludes y tsunamis. Las inundaciones y las sequías pueden causar grandes daños a la agricultura y se encuentran entre los principales contribuyentes a la hambruna (GEOG 30N, 2018). Peligros biológicos Peligro generado por el contacto con organismos vivos y sus compuestos tóxicos (e.g., veneno, moho), así como por enfermedades transmitidas por vectores que los pueden portar. Ejemplos de esto incluyen animales e insectos venenosos, plantas venenosas y mosquitos que transmiten patógenos como bacterias, parásitos o virus (e.g., la malaria) (UNISDR, 2018). Esto incluye varios tipos de enfermedades, incluidas las enfermedades infecciosas que se contagian de persona a persona y que amenazan con infectar a grandes porciones de la población humana (GEOG 30N, 2018). Como se puede apreciar, los peligros naturales son procesos inherentes al dinamismo del planeta Tierra y los elementos que lo conforman (i.e., el clima y agua). Estos peligros no representan riesgo inmediato para poblaciones humanas a menos que exista exposición y vulnerabilidad. Por ello, es necesario conocer estos conceptos para entender qué es un desastre natural. 1.1.3. Exposición Son las personas, propiedades, sistemas u otros elementos presentes en las zonas de peligro que, por lo tanto, están sujetos a posibles pérdidas (UNISDR, 2009). También entendida como una situación de vulnerabilidad derivada de la ubicación, posición o localización de una persona, 5 objeto o sistema expuesto a un peligro natural (The World Bank [2010], Centro Internacional para la Investigación del Fenómeno El Niño [CIIFEN], 2018). La exposición a los peligros y la vulnerabilidad se construyen socialmente a través de la interacción de procesos económicos, territoriales, culturales y políticos que operan a diferentes escalas espaciales y temporales (Lavell & Maskrey, 2014) (e.g., las diferencias de acceso a extracción de agua subterránea y vertederos apropiados por poblaciones con menos recursos económicos). 1.1.4. Vulnerabilidad Es la propensión humana a sufrir daños y pérdidas (Lavell & Maskrey, 2014). Por otro lado, (Maskrey, 1993) afirma que no toda situación que afronta un ser humano es vulnerable, sino que una población se considera vulnerable cuando está expuesta a sufrir daño si ocurriese un evento natural peligroso y como consecuencia que ocasione daños a la salud de la persona, las propiedades, (Anderson, 1993; Maskrey, 1993). En el Perú, el Instituto Nacional de Defensa Civil (INDECI, 2005, p. 511) se refiere a las dimensiones vulnerabilidad y exposición; en ambos casos frente a la ocurrencia de una tercera dimensión, el peligro natural. Asimismo, clasifica a la vulnerabilidad en varios tipos: física, social, económica, cultural e institucional. Con respecto a la vulnerabilidad social, Cutter et al. (2003) señalan la existencia de 17 dimensiones en la vulnerabilidad de una sociedad (e.g, riqueza personal, edad, densidad de infraestructura, dependencia de un solo factor económico, raza afro-americana o asiática, etnicidad nativo-norteamericana, ingreso per cápita y otros). En el Perú, Glave et al. (2008) menciona en su investigación centrada en un estudio de casos no exclusivamente rurales que el efecto de los desastres naturales en las tasas de pobreza oscila entre 16% y 23%. Asimismo, que un evento natural por año aumentará las tasas de pobreza a nivel provincial y que los hogares que tienen menos acceso a servicios públicos esenciales y que tienen una mayor proporción de ingresos agrícolas se ven especialmente perjudicados. Finalmente, los desastres naturales afectan negativamente la tasa de crecimiento del consumo mensual per cápita. (p. 33) Kámiche y Pacheco (2010), expande el estudio de factores de vulnerabilidad en un análisis empírico para el Perú que considera la infraestructura de las viviendas, acceso a servicios públicos esenciales y secundarios, edad de los jefes de hogar, así como su nivel académico, lengua materna y demás. Para llevar el estudio realizado por Cutter et al. (2003) al caso peruano, se filtran los factores que afectan a la vulnerabilidad social tomando en cuenta los resultados obtenidos por Glave et al. (2008) y Kámiche y Pacheco (2010). De esta manera, se obtienen los factores de vulnerabilidad social para el Perú mostrados la tabla 1.1. 6 1.1.5. Desastre Quarantelli (1985) detalla que el impacto de los desastres naturales resulta en una perturbación grave del funcionamiento de una comunidad o sociedad, provocando pérdidas e impactos humanos, materiales, económicos o ambientales de gran magnitud, que exceden la capacidad de la comunidad afectada para manejar la situación con sus propios recursos (UNISDR, 2009). Desastre es el efecto del peligro natural sobre la sociedad como resultado de la combinación de la exposición y la vulnerabilidad. Por tanto, en sentido estricto, los desastres y no los peligros naturales son los que ocasionan muertes y daños (The World Bank, 2010). 1.1.6. Riesgo de desastre Son las posibles pérdidas por desastres, vidas, estado de salud, estilos de vida, activos y servicios, que podrían ocurrir en una comunidad particular o en una sociedad durante un período de tiempo futuro específico (UNISDR, 2009). Las consecuencias y desencadenamiento del desastre natural dependen del riesgo de desastre que se calcula a menudo como una función multiplicativa del peligro natural, la exposición y la vulnerabilidad (The World Bank, 2010). Riesgo de desastre = Peligro Natural * Exposición * Vulnerabilidad La relación es directa y “multiplicativa porque para que exista riesgo de desastre es necesario que concurran los tres elementos” (The World Bank, 2010, p. 6), mostrados en la figura 1.1. Figura 1.1 Mecanismo detrás de la emergencia de desastres naturales PELIGRO NATURAL EXPOSICIÓN VULNERABILIDAD Fuente: adaptado de Asian Disaster Reduction Center (ADRC, 2005) 7 Tabla 1.1 Conceptos y métricas de la vulnerabilidad social Factor Descripción Incrementa (+) o disminuye (-) la vulnerabilidad Estatus socioeconómico (ingresos, poder político, prestigio) La habilidad de absorber pérdidas y repotenciar la resiliencia ante amenazas. La riqueza ayuda a las comunidades a absorber los impactos de la naturaleza y a recuperarse de las pérdidas de manera más rápida. Alto estatus (-) bajo estatus o ingreso (-) Edad Los extremos del espectro de las edades afectan a la capacidad de las personas para escapar del peligro. Los padres invierten tiempo y dinero cuidando a sus niños cuando los servicios de cuidado de los mismos fallan; mientras que los adultos mayores podrían tener restricciones de movimiento o problemas para movilizarse incrementando la responsabilidad de cuidado y bajando la resiliencia de la comunidad. Adulto mayor (+) niño (+) Zona rural o urbana Los residentes en las zonas rurales podrían ser más vulnerables dado que tienen ingresos menores y son dependientes de las actividades económicas que dependen de la extracción de recursos de su zona (ganadería, pesca, etc.). Mientras que las áreas urbanas, si son muy pobladas, dificultan la evacuación cuando existe peligro. Rural (+) urbano (+) Propiedad residencial El valor, calidad y densidad de las construcciones residenciales afectan el potencial de pérdida y recuperación (e.g., los hogares más caros en la costa son los más caros de recuperar). Casas movibles (+) Tabla 1.1 (Continuación) 8 Factor Descripción Incrementa (+) o disminuye (-) la vulnerabilidad Estructura familiar Las familias con grandes cantidades de dependientes u hogares mantenidos por uno solo de los padres usualmente tienen pocos recursos económicos para tercerizar el cuidado de sus dependientes. Altas tasas de natalidad (+) familias numerosas (+) Hogares de un solo padre (+) Educación La educación se relaciona con el estatus socioeconómico, con una educación más alta se logra mayores ingresos económicos en el futuro. Poca educación (+) alta educación (-) Fuente: adaptado y traducido de Cutter et al. (2003), Glave et al. (2008) y Kámiche y Pacheco (2010) 1.1.7. Desastres naturales históricos en el Perú Historia sísmica del Perú Por su localización respecto al CFP, el Perú se ha visto afectado por terremotos de gran magnitud con alto impacto económico y pérdidas humanas. Estos registros datan de la época colonial y los principales por su magnitud y pérdidas humanas son los acontecidos en 1687 (Lima, Callao e Ica, 8.2 Mw.); 1746 (El Callao, 8-8 Mw.); 1868 (Arica, Tacna y Arequipa, 8.5 Mw.); 1946 (Ancash, 7-3 Mw); 1970 (Ancash, 7.9 Mw), y 2007 (Ica, Pisco y Lima, 8.0 Mw), mostrados en la figura 1.2. donde se resaltan los más relevantes por el número de víctimas mortales. Revisión de la literatura Para atender la problemática de posicionamiento de almacenes de distribución directa, Dessouky, et al. (2006) propone un modelo de despliegue de ubicación de instalaciones cuya finalidad es primero la determinación de la ubicación de centros de distribución que reciban los suministros médicos del almacén nacional norteamericano, y segundo el cómo calcular la ruta de los vehículos 9 Figura 1.2 Terremotos en Perú desde 1687 Fuente: traducido y adaptado de NGDC/WDS (2018): Significant Earthquake Database. de distribución de esos suministros hacia las áreas de demanda. Las áreas que demandan suministros se categorizan según distintos atributos, tales como la densidad poblacional, la importancia económica, características geográficas y patrones climáticos. En consecuencia, cada centro de distribución será atendido con diferentes volúmenes de suministros y de forma simultánea. En el caso de la distribución vehicular y ruteo, Knott (1987) discute formas en las que se puede desarrollar métodos logísticos sistemáticos para la distribución de ayuda humanitaria alimentaria cuyo objetivo es enviar la combinación correcta de comida a los grupos vulnerables en el momento de necesidad. En el modelo propuesto se definen campos que reciben insumos de un centro de distribución para atender un número determinado de unidades de comida en un período de 10 días con cierta cantidad de camiones disponibles. Melkote y Daskin (2001), con la aplicación de programación entera mixta, formulan un problema de localización de infraestructura no capacitada; es decir, esta infraestructura es capaz de atender una cantidad ilimitada de demanda. Esta premisa, asumida inicialmente por Daskin et al. (1993) citado en Melkote y Daskin, se aplica en situaciones en las que la infraestructura, i.e., almacenes, operan muy por debajo de su capacidad, siendo esta última difícilmente saturada. Berger et al. (2007) añaden restricciones de distancia al modelo de localización y ruteo que proponen. Este modelo sigue la misma línea de infraestructura no capacitada proponiendo incluso 10 variables a tomar en cuenta para bienes perecibles como los alimentos. Debido a la complejidad computacional que presenta la programación, utilizan el algoritmo Branch-and-Price. que generando un subset de variables, denominadas columnas. El Column Generation (columnas) resuelve instancias o partes del modelo debido a que este es extenso y complejo. Balcik y Beamon (2008) desarrollan un modelo matemático para determinar la cantidad de centros de distribución necesarios y la cantidad de suministros que deben ser almacenados en cada uno de ellos tomando en cuenta la imprevisibilidad de la demanda en tiempo, ubicación y tamaño. En consecuencia, el modelo toma en cuenta un set de escenarios con probabilidades de ocurrencia propias que convierten al modelo en uno estocástico. Vitoriano et al. (2010) proponen un modelo de optimización multicriterio para la distribución de la ayuda humanitaria y considera las variables costo, tiempo, equidad, prioridad, confiabilidad y seguridad. El modelo propuesto consiste en el diseño de rutas para vehículos adecuados entre diferentes nodos para distribuir una cantidad específica de bienes de ayuda humanitaria y tiene como objetivo manejar todos o un subgrupo de los atributos arriba mencionados (hasta alcanzar 8 como máximo). Los autores resuelven el caso con un modelo de programación por metas con la finalidad de satisfacer la mayor cantidad de atributos relevantes aplicados al terremoto 2010 ocurrido en Haití. Asimismo, enfocan las operaciones de ayuda humanitaria en Puerto Príncipe. Martinez et al. (2012) muestran que existe una falta de evidencia robusta en la investigación de logística humanitaria y propone hacer uso de metodologías de la investigación de operaciones basadas en evidencia empírica, recopilación y análisis de datos reales. Además. los autores reflexionan sobre el impacto de las mejoras aplicadas a la gestión de flotas de vehículos de campo en el sector humanitario, siendo el ruteo vehicular unos de los desafíos operativos más sustanciales. 11 CAPÍTULO 2. PROBLEMÁTICA Y DIAGNÓSTICO DE LA SITUACIÓN ACTUAL El Cinturón de Fuego del Pacífico Es el cinturón sísmico más grande del mundo y se encuentra a lo largo del borde del Océano Pacífico, en donde se produce alrededor del 81 % de los terremotos de mayor magnitud e intensidad del mundo (United States Geological Survey Archives [USGS Archives], 2018). El cinturón se despliega desde Chile, extendiéndose hacia el norte por la costa sudamericana, atravesando América Central, México, la costa occidental de Estados Unidos y el sur de Alaska. Continúa a través de las islas Aleutianas, llega hasta Japón, las Filipinas, Nueva Guinea, los archipiélagos del Pacífico Suroeste y finalmente Nueva Zelanda (vea la figura 2.1). Este cinturón sísmico presenta un constante riesgo de desastre concretado, por ejemplo, con 65 muertes y un daño de mil millones de dólares en California en febrero de 1971 (USGS Archives, 2018) y el de 70 000 muertes en el departamento de Áncash en Perú el 31 de mayo de 1970 (USGS Archives, 2018), evento recordado como “El Gran Terremoto Peruano”. Figura 2.1 Arcos volcánicos y fosas oceánicas en la cuenca del Pacífico forman el CFP Fuente: tomado de USGS Archives (2018) 12 Ubicación del Perú respecto al Cinturón de Fuego El Perú es un país con gran relevancia como objeto de estudio sísmico debido a su alta actividad tectónica. Esta actividad deriva principalmente del proceso de subducción de la placa oceánica o Placa de Nazca bajo la placa Sudamericana o Continental (Tavera y Buforn, 1998). 2.2.1. Características tectónicas del Perú El occidente de América del Sur se destaca por ser una de las áreas con mayor actividad sísmica a nivel global. El Perú está ubicado en esta área, donde los terremotos más fuertes suelen originarse debido la dinámica de la placa oceánica bajo la placa continental, lo que genera sismos de gran intensidad con cierta frecuencia (Tavera y Bernal, 2005). Un segundo tipo de actividad sísmica se genera por las deformaciones en la corteza terrestre a lo largo de la Cordillera de los Andes, como se ilustra en la figura 2.2, con sismos de menor magnitud y frecuencia. Figura 2.2 Unidades estructurales (UE) de Perú Nota: según Audebaud et al., (1973) 1 y Dalmayrac et al. (1987) citados en Tavera y Bernal (2005, p. 189). Z.C. = Zona costera. La flecha indica la dirección de convergencia de las placas según 1 Anexo 1: Unidades estructurales del Perú. Sismicidad y Sismotectónica del Perú 13 Minster y Jordan (1978). La topografía se identifica con el color de fondo: blanco menos de 1500 m, gris claro entre 1500-4000 m. y gris oscuro mayor a 4000 m. Fuente: tomado de Tavera y Bernal (2005, p. 189) A continuación, se explica la franja costera por ser la más relevante para esta tesis ya que en esta área se ubica la zona costera de Lima. La franja costera Se trata de una franja angosta, de aproximadamente 40 km de ancho que se extiende de norte a sur. Su formación está dominada por pliegues volcánicos suaves y rocas sedimentarias de la era Mesozoica. En el sector sur, la región está constituida por cimientos de rocas cristalinas fuertemente plegadas y que han experimentado procesos de deformación desde el Precámbrico (Tavera y Buforn, 1998, p. 190). Ausencia sísmica en el Perú 2.3.1. Lagunas sísmicas Sobre el concepto de lagunas sísmicas, el IGP (2017) refiere que en el Perú hay zonas que, en décadas o siglos pasados, han sido afectadas por grandes terremotos y que hasta el momento no han vuelto a registrar eventos similares, situación temporal que incrementa la probabilidad de que ocurran nuevamente (p. 6). Al respecto, Tavera y Bernal (2005) recopilaron estudios propuestos por Kelleher (1972), Kelleher y McCann (1976), Nishenko (1985), Kagan y Jacson (1991) respecto de las áreas de fractura asociadas a la ocurrencia de grandes sismos en la región occidental del Perú y Chile, obteniendo los resultados para terremotos acontecidos entre los siglos XIX al XXI y que se muestran en la figura 2.3. Además, Tavera y Bernal (2005) afirman que la costa Sudamericana se ve afectada por terremotos con mayor frecuencia durante el siglo XX, en particular en Perú ocurrieron ocho fenómenos importantes en ese siglo. Sin embargo, la historia sísmica del Perú está registrada desde el año 1500, cuyas ocurrencias más relevantes se muestran en la figura 2.4. Así, en el periodo 1701 a 1850 (vea la figura 2.5), ocurrieron dos de los más grandes sismos conocidos en el Perú y ambos provocaron tsunamis cuyas olas llegaron a alcanzar los 17 metros de altura (Tavera y Bernal, 2005, p. 96). Con referencia a la costa peruana y las lagunas sísmicas, Tavera y Bernal (2005) afirman que durante 194 años, en la región Central no ocurrió ningún sismo importante desde el terremoto ocurrido en Lima en 1746 (vea la figura 2.6). Por ello, los estudios desarrollados en materia de prevención y ayuda humanitaria toman especial importancia. 14 Figura 2.3 Borde occidental de Perú y Chile, y distribución de áreas de ruptura y lagunas sísmicas durante los siglos XIX, XX y XXI Nota: La magnitud de los sismos está expresada en la escala de magnitud momento (Mw) Fuente: tomado de Tavera y Bernal (2005, p. 6). 15 Figura 2.4 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1500 al 1700 Fuente: tomado de Tavera y Bernal (2005, p. 96). Figura 2.5 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1701 al 1850 Fuente: tomado de Tavera y Bernal (2005, p. 96). 16 Figura 2.6 Distribución espacial de las zonas de fractura relacionadas a los sismos de mayor magnitud e intensidad ocurridos en la franja occidental de Perú entre los años 1851 al 2000 Fuente: tomado de Tavera y Bernal (2005, p. 96). Exposición de la población costera del borde oeste del Perú Para determinar el riesgo de desastre es necesario contar con una población expuesta al evento natural. A continuación, se muestra la evolución de la población nacional. En la tabla 2.1 se observa el crecimiento poblacional en Perú hasta el Censo Nacional de Población y Vivienda de 1981, punto de inflexión, ya que hacia 2017 la TCA mantiene tendencia decreciente en cuanto a incremento anual intercensal, en ese año la población fue 31 237 385 de habitantes en el territorio nacional. Vulnerabilidad de la población costera del borde oeste del Perú 2.5.1. Vulnerabilidad geofísica No es suficiente que una población se encuentre expuesta a un evento natural, hace falta analizar las condiciones de vulnerabilidad de la población en estudio. Algunas de estas condiciones son la ubicación geográfica, la densidad demográfica y la información geológica de Lima. • Ubicación y extensión de Lima La ciudad de Lima es la capital del Perú ubicada en la costa central del país frente al Océano Pacífico. LM está dividida en 43 distritos en un territorio de 2672.28 km2, sin incluir la Provincia Constitucional del Callao (MML, 2015). 17 Geográficamente, la ciudad de Lima está ubicada a una altitud que varía desde 0 a 850 m.s.n.m. (INEI, 2014) y al norte colinda con la provincia de Huaral; al sur, con la provincia de Cañete; al este, con las provincias de Canta y Huarochirí; y al oeste, con la provincia constitucional de El Callao y el Océano Pacífico. La población de Lima refleja una tendencia de crecimiento positiva desde que se inició con el registro censal en 1940. (vea la tabla 2.1). Tabla 2.1 Perú: PT y TCA, 1940 - 2017 Fuente: INEI (2018) • Caracterización física de Lima Metropolitana Según el PPRRD (MML, 2015), se diferencian las siguientes cuencas hidrográficas. ▪ Cuenca baja del río Chillón Situada en el norte de Lima, con microcuencas de relieve accidentado y empinado que actualmente están siendo urbanizadas. En las áreas bajas de planicies se desarrollan actividades urbanas, agrícolas e industriales. Existen riesgos derivados de deslizamientos, inundaciones y contaminación. (vea la figura 2.7). ▪ Cuenca baja y media del río Rímac Zona con las microcuencas principales de San Juan de Lurigancho, Huaycoloro, Huaycán y La Molina (urbanizaciones en laderas), un valle bien definido donde se asientan las principales actividades urbanas; además, muestra condiciones de peligros por inundaciones, huaycos, deslizamientos y procesos de contaminación (vea la figura 2.7). ▪ Cuenca del río Lurín Año Total Incremento intercensal Incremento anual Tasa de crecimiento anual (%) 1940 7 023 111 1961 10 420 357 3 397 246 161 774 1.9 1972 14 121 564 3 701 207 336 473 2.8 1981 17 762 231 3 640 667 404 519 2.6 1993 22 639 443 4 877 212 406 434 2.0 2007 28 220 764 5 581 321 398 666 1.6 2017 31 237 385 3 016 621 301 662 1.0 18 Con fenómenos de erosión e inundaciones, además de actividades agrícolas y urbanas. Es la cuenca con la menor población de Lima (vea la figura 2.7). ▪ Zona del litoral La región presenta una topografía diversa. En las zonas norte y sur la pendiente es suave y en estas áreas se encuentran asentamientos urbanos permanentes que podrían verse afectados por inundaciones causadas por un tsunami. En el centro, se encuentra un acantilado (Costa Verde) generando una plataforma que protege a las actividades urbanas permanentes de un posible tsunami. (vea la figura 2.7). Figura 2.7 Cuencas hidrográficas en Lima Fuente: tomado de MML. (2015) 19 Es así que el suelo de Lima posee características diferenciadas por la dinámica de las cuencas y sus accidentes geográficos respecto al mar. Por esta razón, la gestión de los riesgos de desastres en Lima debe integrar el análisis de estos factores y los impactos directos sobre las áreas costeras. Esto es fundamental para desarrollar medidas de prevención que protejan a las poblaciones vulnerables, especialmente en caso de un evento natural. • Distribución de suelos de Lima Metropolitana El IGP (2010) muestra los resultados de la información sísmica, geológica, geomorfológica, geotécnica y la densidad poblacional en cada uno de los distritos de LM recopiladas con la finalidad de analizar la distribución de suelos de Lima. Esta información fue elaborada por el CISMID. La caracterización del tipo de suelo LM se realiza según las propiedades mecánicas y dinámicas detalladas en el CDSRNC (Norma E-030, 2003) (vea el anexo 2) y las premisas de estudios realizados por el CISMID. El IGP (2010) los describe como se muestra en la tabla 2.2. y el Ministerio del Ambiente (2012) zonifica según los tipos de suelo de Lima que agrupan características geológicas similares, como se muestra en la figura 2.8. Tabla 2.2 Parámetros de suelo según la Norma E-030 Fuente: IGP (2010) Nota: los valores Tp (en segundos) y S para este caso son establecidos por el especialista.2 Con base en la investigación desarrollada por el Ministerio del Ambiente (vea la figura 2.8), encontramos que las poblaciones de los distritos catalogados dentro de las zonas III, IV y V son vulnerables debido a las condiciones físico-geológicas del suelo donde se encuentra construida la infraestructura destinada a vivienda y actividades económicas. 2 Anexo 2: C = Factor de amplificación sísmica, S = Factor de amplificación del suelo, Tp=Período que define la plataforma del factor C Tipo Descripción Tp (s) S S1 Roca o suelos muy rígidos 0.4 1.0 S2 Suelos intermedios 0.6 1.2 S3 Suelos flexibles o con estratos de gran espesor 0.9 1.4 S4 Condiciones excepcionales * * 20 Figura 2.8 Mapa de zonificación de tipos de suelos para LM Fuente: Ministerio del Ambiente (2012) Nota: en el mapa están excluidos los Distritos de Pucusana, Santa María, San Bartolo, Punta Negra, Punta Hermosa, Santa Rosa y El Agustino. A su vez, los distritos catalogados dentro de las zonas III, IV y V también se encuentran dentro de los 20 más poblados, como muestra la tabla 2.3, resaltando San Juan de Lurigancho y Comas 21 quienes concentran más de 1.5 millones de habitantes al 2017 residiendo dentro de zonas de riesgo. Tabla 2.3 Perú: Población censada y tasa de crecimiento promedio de los 20 distritos más poblados de Lima en los años 1993, 2007 y 2017 Fuente: INEI (2018) En síntesis, la ciudad de Lima presenta una vulnerabilidad geofísica significativa en caso de un evento natural, debido a su ubicación sísmica, la dinámica de las cuencas dentro de su territorio, las condiciones del suelo y su alta densidad poblacional. Distrito 1993 2007 2017 1993-2007 2007-2017 San Juan de Lurigancho 582 975 898 443 1 038 495 3.1 1.5 San Martín de Porres 380 384 579 561 654 083 3.0 1.2 Ate 266 398 478 278 599 196 4.2 2.3 Comas 404 352 486 977 520 450 1.3 0.7 Callao 369 768 415 888 451 260 0.8 0.8 Villa María del Triunfo 263 554 378 470 398 433 2.6 0.5 Villa El Salvador 254 641 381 790 393 254 2.9 0.3 San Juan de Miraflores 283 349 362 643 355 219 1.7 -0.2 Cara bayllo 106 543 213 386 333 045 5.0 4.6 Puente Piedra 102 808 233 602 329 675 5.9 3.5 Santiago de Surco 200 732 289 597 329 152 2.6 1.3 Los Olivos 228 143 318 140 325 884 2.4 0.2 Ventanilla 247 028 277 895 315 600 7.8 1.3 Chorrilos 217 000 286 977 314 241 2.0 0.9 Lima 340 422 299 493 268 352 -0.9 -1.1 Lungancho 100 240 169 359 240 814 3.7 3.6 Independencia 183 927 207 647 211 360 0.9 0.2 El Agustino 154 028 180 262 198 862 1.1 1.0 Santa Anita 118 659 184 614 196 214 3.1 0.6 Rímac 189 736 176 169 174 785 -0.5 -0.1 Tasa de crecimiento promedio anual (%) Población 22 2.5.2. Vulnerabilidad física El estudio de PREDES (2009) con un sistema de identificación de sectores homogéneos según el tipo de edificación y considerando como parámetros el material de construcción, tipología constructiva de la vivienda, el estado de conservación y la altura de la edificación; concluye que colapsarían 200 347 viviendas y otras 348 329 serían afectadas en caso de un escenario de sismo en Lima. Según la MML (2015) los distritos densamente poblados y de rápido crecimiento como San Juan de Lurigancho, Comas y Puente Piedra, no siguen normas sismorresistentes adecuadas en la construcción de infraestructura y añadiendo que presentan tipos de suelo en Zona III, IV, y V (vea la figura 2.8); se concluye que la vulnerabilidad física en cuanto a infraestructura en Lima y sus distritos es elevada. 2.5.3. Vulnerabilidad socioeconómica La vulnerabilidad socioeconómica en Lima está marcada por una combinación de desigualdad social, falta de acceso a servicios básicos y pobreza (INEI, 2017). Al respecto. Uribe (2020) concluye que a pesar de las mejoras en las condiciones económicas de los pobladores de Lima no es suficiente para justificar que la vulnerabilidad socioeconómica haya disminuido, considerando que solo en Lima el nivel de ingresos por habitante se redujo en 1 % entre los años 2022 y 2023 (INEI, 2024) y que el 14.5 % de la población de Lima y El Callao; es decir, 1 370 334 personas no llegan a cubrir los costos de la canasta básica familiar mensual. En conclusión, la vulnerabilidad de la ciudad de Lima ante eventos naturales deriva de su ubicación geofísica en una zona sísmica activa, la fragilidad física de su infraestructura urbana y la desigualdad socioeconómica de su población. Se hace evidente que es necesaria una planificación urbana que considere la dinámica de las cuencas, la mejora en la infraestructura según la zonificación por tipo de suelo y el fortalecimiento de la protección social. Es por ello que estos factores requieren de una planificación rigurosa en términos de prevención, mitigación y respuesta ante emergencias. Asistencia alimentaria en emergencias en el Perú El Decreto Supremo Nº 048-2011-PCM (2011), Reglamento de la Ley Nº 29664, que crea el SNGRD establece directrices para AAD de alimentos destinados a la atención de emergencias o desastres, cuyo ámbito de aplicación es de cumplimiento obligatorio para el INDECI, GR y GL según sus competencias respectivas. Estas instituciones son principalmente responsables de programar la atención alimentaria, adquirir los alimentos de acuerdo a los requerimientos 23 nutricionales, según los lineamientos de INDECI (2017) y finalmente distribuir a la población afectada. Programación de la atención alimentaria Prever la asignación de fondos para la AAD de alimentos, considerando que estos son bienes esenciales para cubrir necesidades básicas en situaciones de emergencia o desastre. Esto debe considerar los recursos asignados en el programa presupuestal 0068, denominado RVAED (INDECI, 2017). Programar anualmente la cantidad de alimentos necesarios, basándose en los registros y estadísticas de eventos pasados, así como en el inventario de bienes de ayuda humanitaria disponibles y el presupuesto destinado para la atención de emergencias o desastres, dentro del marco del PLABAH (INDECI, 2017). Garantizar que los bienes de ayuda alimentaria estén disponibles para proporcionar una atención rápida y adecuada a los damnificados o afectados (INDECI, 2017). Adquisición de los alimentos La adquisición de alimentos puede llevarse a cabo en dos fases del proceso de Gestión de Riesgo de Desastres: la preparación y la respuesta, siguiendo los procedimientos que se muestran en la figura 2.9. Figura 2.9 Pasos a seguir para la adquisición de alimentos Fuente: tomado de INDECI (2015) INDECI adquiere, almacena y distribuye alimentos a los gobiernos regionales para atender las emergencias que sobrepasen su capacidad de respuesta. Para tal fin, se debe tener como marco normativo la Declaratoria de Estado de Emergencia. Los alimentos se envían a los AN bajo la 24 responsabilidad de las DD de INDECI de acuerdo a los requerimientos realizadas por los GR. Además, si es el caso, se transportan alimentos a los CALA cuando los almacenes no cuentan con suficiente inventario para atender la emergencia. Dentro de su ámbito de competencia, los gobiernos regionales adquieren y almacenan los bienes de ayuda humanitaria (e.g. alimentos) proporcionados por INDECI para atender las emergencias o desastres. Los GL reciben y almacenan los alimentos necesarios para atender emergencias o desastres, dentro de su ámbito de responsabilidad y con el fin de asistir a las personas afectadas o damnificadas. Además, se encargan de verificar la documentación que respalda la calidad y cantidad de los productos entregados. Para fines de esta tesis, se omite los alimentos ingresados en condición de donación nacional o internacional por la ausencia del factor planificación que presentan. Aporte nutricional de la ración distribuida De acuerdo con la CH y normas mínimas para la respuesta humanitaria del Proyecto Esfera, cada ración alimentaria debe proporcionar al menos 2100 calorías por persona al día. Se proponen dos tipos de raciones: una lista para consumir, que consiste en productos ya elaborados y envasados (raciones frías) detallada en la tabla 2.4, y otra que requiere preparación (raciones crudas) (INDECI, 2017). Ración fría Tabla 2.4 Valor nutricional diario de la ración alimentaria per cápita Fuente: tomado de INDECI (2015) La ración logística que se muestra en la tabla 2.5 es lo que se considera como kit de entrega final al afectado. N° Grupo de alimento Peso neto (g) Energía (kcal) Proteínas (g) Grasa (g) Carbohidratos (g) 1 Cereales 300 1056 28 5 223 2 Menestras 150 515 33 3 93 3 Azúcares 40 152 0 0 39 4 Grasas 36 318 0 36 0 5 Producto de origen animal (conserva) escurrido 50 82 11 4 0 Total 576 2123 72 48 355 25 Tabla 2.5 Ración logística diaria de alimentos per cápita Fuente: tomado de INDECI (2015) Ración cruda Para la selección de productos de la ración cruda, se debe considerar que son productos no perecibles y que siguen los siguientes lineamientos de INDECI (2017). ▪ Inocuidad del producto: el alimento suministrado no debe causar daños adicionales al individuo, considerando los perjuicios ya ocasionados por la emergencia. ▪ Valor nutritivo: aunque todos los alimentos aportan nutrientes, es preferible priorizar aquellos que ofrezcan una mayor concentración de energía y proteínas. ▪ Aceptación cultural: seleccionar los alimentos que se alineen con las costumbres y preferencias locales. ▪ Disponibilidad local: los alimentos no tienen que ser producidos localmente, pero deben estar disponibles en el mercado más cercano y ser de compra inmediata. ▪ Fácil de transportar, almacenar, distribuir y consumir: debe ser un producto que simplifique la logística y el consumo, considerando que la facilidad de preparación es una variable a considerar para seleccionar el alimento. ▪ Precio-costo: seleccionar productos económicos que cumplan con los mismos requisitos y estándares mencionados previamente. Cálculo y costeo de la cantidad total de alimentos Para obtener la cantidad total necesaria de alimentos a adquirir para la ayuda alimentaria, se aplica la fórmula mostrada en la figura 2.10, teniendo en cuenta que cada una de las variables de entrada es un dato conocido y Q es la cantidad que se espera hallar. N° Decripción del producto Cantidad por ración (kg) 1 Cereales 0.300 2 Menestras 0.150 3 Azúcares 0.040 4 Grasas 0.040 5 Producto de origen animal (conserva) escurrido 0.060 Total 0.590 26 Figura 2.10 Cálculo de la cantidad total de alimentos Fuente: tomado de INDECI (2015) Tener en cuenta que en los LAADAAED se contempla un periodo de hasta tres días de provisión para las raciones frías y para las raciones crudas hasta diez días de atención en este cálculo. Estos tres días son cruciales según la Resolución Ministerial 027-2016 PCM para garantizar la supervivencia de las personas afectadas, debido a que las raciones frías proporcionan alimento accesible, seguro y nutricionalmente adecuado en un período en el que las condiciones son desafiantes tanto para los afectados como para los equipos de respuesta. Q = (D+A)*d*R Donde: Q = Cantidad mínima de alimentos a adquirir (kg). D = Número de damnificados (promedio histórico de los últimos cinco años). A = Afectados (promedio histórico de los últimos cinco años). d = Días de atención. R = Ración logística de alimentos (ración (kg)/persona) 27 CAPÍTULO 3. ALGUNOS ANTECEDENTES En este capítulo se presentan estudios previos referentes a la distribución de bienes de ayuda humanitaria, los desafíos que esta actividad representa y se recoge el aprendizaje de sus resultados para esta tesis. Dessouky et al. (2006) tratan la rápida distribución de medicamentos básicos requeridos para enfrentar un brote de ántrax en un suburbio norteamericano. Se contemplan problemas importantes en el diseño de un suministro farmacéutico eficiente. Dessouky et al. brindan propuestas de solución eficientes para dos problemas concretos. El primero, decidir dónde colocar los almacenes de distribución. El segundo, cuál es la ruta óptima para los vehículos de reparto. Los autores recomiendan que ambos problemas deben ser resueltos en coordinación para desplegar rápidamente suministros médicos en respuesta a una emergencia de gran escala. También Vargas et al. (2014) reconocen la brecha entre los modelos analíticos de manejo de desastres actuales y su aplicación real, lo que refuerza la necesidad de una solución cuantitativa. En este contexto, proponen una metodología de cinco pasos para el diseño de escenarios de terremotos. Esta metodología es aplicada para calcular la probabilidad de ocurrencia de terremotos, generando escenarios con diferentes magnitudes para las diferentes regiones del Perú, con el fin de posteriormente estudiar el impacto en la capacidad de almacenes y la logística de transporte de bienes de ayuda humanitaria. La propuesta de Vargas et al. se basa en escenarios con probabilidades de ocurrencia, por lo tanto, su naturaleza es estocástica, mientras que esta tesis adoptará un enfoque con parámetros determinísticos. Por otro lado, Serpa (2014) propone la optimización y localización de centros de distribución para hacer frente a un terremoto de gran magnitud en LM y El Callao. Serpa (2014) define la cantidad y ubicación de los almacenes con base en el escenario más crítico posible, estimando la cantidad de población afectada como producto de la cantidad de residencias afectadas y el número promedio de residentes por vivienda. Asegura la ubicación de los centros de distribución dentro de distritos con bajo riesgo sísmico y toma determinísticamente las distancias más largas interdistritos con la finalidad de reflejar circunstancias adversas en las vías de distribución, dadas las condiciones de un evento sísmico crítico. Los resultados y recomendaciones de Serpa (2014) son tomados como entrada debido a que está alineado a la solución del primer problema planteado por Dessouky et al. (2006) que es precisamente dónde colocar los almacenes de distribución que funcionarán como clientes del Almacén Nacional General de INDECI. 28 CAPÍTULO 4. DESARROLLO DEL MODELO Descripción del problema En el Perú, el INDECI, tiene como funciones generales el coordinar y liderar las acciones necesarias para garantizar la seguridad de la población en situaciones de emergencia y ofrecer atención de emergencia, brindando apoyo inmediato a las personas afectadas por desastres (INDECI, 2003). En la Resolución Ministerial 027-2016 PCM, se aprueba los LAADAAED. Sin embargo, estos lineamientos carecen de un enfoque científico para la distribución de bienes de ayuda humanitaria alimentaria y este estudio busca reforzar las labores de distribución con un enfoque científico y cuantitativo que brinde soporte a sus procedimientos de reparto de la ayuda en los casos de desastre. Esta tesis contribuye con una propuesta de distribución óptima de bienes alimentarios desde los almacenes de INDECI a los centros de distribución en caso de emergencia por causa de un terremoto de 8.0 Mw en Lima. El problema central es determinar la ruta de distribución que los vehículos deben seguir para atender las demandas de cada almacén, con sus cantidades de bienes de ayuda humanitaria y los costos que incurren. La rápida distribución de suministros comestibles debe estar alineada a La Norma de Gestión o Plan de 72 Horas que contempla la provisión de los bienes de ayuda humanitaria para ser entregados de forma gratuita durante las primeras 72 horas (tres días) de ocurrido un desastre, crucial para asegurar la supervivencia de la población damnificada. (Asociación Esfera, 2018 p. 165). Con base en las investigaciones aplicadas en Logística Humanitaria y reseñadas en la revisión de la literatura y para esta tesis, se formula un modelo de programación lineal entera programado en lenguaje Python 3.7. y se resuelve con el paquete de solvers CPLEX de IBM. Desarrollo de variables necesarias para el modelo Para el desarrollo del modelo propuesto es necesario estimar sus parámetros: coeficientes en la función objetivo, lados derechos de las restricciones y coeficientes en las restricciones. La metodología para estimar sus valores se explica en esta sección. 4.2.1. Almacenes de Defensa Civil a nivel nacional El INDECI dispone de almacenes con diferentes funciones a nivel nacional y su abastecimiento está delineado en el marco normativo de la Declaratoria de Estado de Emergencia. El proceso comienza con el suministro de alimentos a los almacenes nacionales gestionados por las Direcciones Desconcentradas de INDECI, según los requerimientos de los gobiernos regionales. 29 En caso de ser necesario, los bienes de ayuda humanitaria se trasladan a los CALA cuando los inventarios de los almacenes no son suficientes para hacer frente a la emergencia. También, los gobiernos regionales adquieren y almacenan los bienes de ayuda humanitaria provenientes de INDECI para atender a emergencias o desastres dentro marco de responsabilidad (INDECI, 2017). Los almacenes mencionados se distribuyen como se muestra en la tabla 4.1, 4.2 y 4.3. Tabla 4.1 Almacenes nacionales Fuente: tomado de INDECI (2013) Tabla 4.2 Almacenes regionales Número Región Ciudad 1 Lima Callao - Lima 2 Amazonas Bagua chica 3 Arequipa Arequipa 4 Cusco Cusco 5 Ica Ica 6 Junín Huancayo 7 La Libertad Trujillo 8 Loreto Iquitos 9 Piura Piura 10 Puno Juliaca 11 San Martín Tarapoto - Moyobamba 12 Tacna Tacna Número Región Ciudad 1 Amazonas Chachapoyas 2 Ancash Huaraz 3 Apurimac Abancay 4 Arequipa Arequipa 5 Ayacucho Ayacucho 6 Cajamarca Cajamarca 7 Callao Callao 8 Cusco Cusco 9 Huancavelica Huancavelica 10 Huánuco Huánuco 11 Junín Huancayo 12 La Libertad Trujillo 13 Lambayeque Chiclayo 14 Lima Huacho 15 Loreto Quitos 16 Madre de Dios Puerto Maldonado 17 Moquegua Moquegua 18 Pura Piura 19 Puno Puno 20 San Martín Moyobamba 21 Tacna Tacna 22 Tumbes Tumbes 23 Ucayali Pucallpa Número Región Ciudad 1 Amazonas Chachapoyas 2 Ancash Huaraz 3 Apurimac Abancay 4 Arequipa Arequipa 5 Ayacucho Ayacucho 6 Cajamarca Cajamarca 7 Callao Callao 8 Cusco Cusco 9 Huancavelica Huancavelica 10 Huánuco Huánuco 11 Junín Huancayo 12 La Libertad Trujillo 13 Lambayeque Chiclayo 14 Lima Huacho 15 Loreto Quitos 16 Madre de Dios Puerto Maldonado 17 Moquegua Moquegua 18 Pura Piura 19 Puno Puno 20 San Martín Moyobamba 21 Tacna Tacna 22 Tumbes Tumbes 23 Ucayali Pucallpa 30 Tabla 4.2 (Continuación) Fuente: tomado de INDECI (2013) Tabla 4.3 Cantidad de almacenes según el tipo Número Región Ciudad 1 Amazonas Chachapoyas 2 Ancash Huaraz 3 Apurimac Abancay 4 Arequipa Arequipa 5 Ayacucho Ayacucho 6 Cajamarca Cajamarca 7 Callao Callao 8 Cusco Cusco 9 Huancavelica Huancavelica 10 Huánuco Huánuco 11 Junín Huancayo 12 La Libertad Trujillo 13 Lambayeque Chiclayo 14 Lima Huacho 15 Loreto Quitos 16 Madre de Dios Puerto Maldonado 17 Moquegua Moquegua 18 Pura Piura 19 Puno Puno 20 San Martín Moyobamba 21 Tacna Tacna 22 Tumbes Tumbes 23 Ucayali Pucallpa Número Región Ciudad 1 Amazonas Chachapoyas 2 Ancash Huaraz 3 Apurimac Abancay 4 Arequipa Arequipa 5 Ayacucho Ayacucho 6 Cajamarca Cajamarca 7 Callao Callao 8 Cusco Cusco 9 Huancavelica Huancavelica 10 Huánuco Huánuco 11 Junín Huancayo 12 La Libertad Trujillo 13 Lambayeque Chiclayo 14 Lima Huacho 15 Loreto Quitos 16 Madre de Dios Puerto Maldonado 17 Moquegua Moquegua 18 Pura Piura 19 Puno Puno 20 San Martín Moyobamba 21 Tacna Tacna 22 Tumbes Tumbes 23 Ucayali Pucallpa Almacenes nacionales Almacenes regionales Almacenes adelantados Total 176 12 25 139 Amazonas 8 1 1 6 Áncash 5 1 4 Apurimac 6 1 5 Arequipa 9 1 1 7 Ayacucho 4 1 3 Cajamarca 10 1 9 Callao 1 1 0 Cusco 7 1 1 5 Huancavelica 5 1 4 Huánuco 9 1 8 Ica 5 1 1 3 Junín 5 1 1 3 La Libertad 8 1 1 6 Lambayeque 7 1 6 Lima 7 1 1 5 Loreto 12 1 1 10 Madre de Dios 4 1 3 Moquegua 6 1 5 Pasco 4 1 3 Piura 18 1 1 16 Puno 12 1 1 10 San Martín 4 1 1 2 Tacna 7 1 1 5 Tumbes 6 1 5 Ucayali 7 1 6 Cantidad de almacenes Región Total Almacenes nacionales Almacenes regionales Almacenes adelantados Total 176 12 25 139 Amazonas 8 1 1 6 Áncash 5 1 4 Apurimac 6 1 5 Arequipa 9 1 1 7 Ayacucho 4 1 3 Cajamarca 10 1 9 Callao 1 1 0 Cusco 7 1 1 5 Huancavelica 5 1 4 Huánuco 9 1 8 Ica 5 1 1 3 Junín 5 1 1 3 La Libertad 8 1 1 6 Lambayeque 7 1 6 Lima 7 1 1 5 Loreto 12 1 1 10 Madre de Dios 4 1 3 Moquegua 6 1 5 Pasco 4 1 3 Piura 18 1 1 16 Puno 12 1 1 10 San Martín 4 1 1 2 Tacna 7 1 1 5 Tumbes 6 1 5 Ucayali 7 1 6 Cantidad de almacenes Región Total 31 Tabla 4.3 (Continuación) Fuente: tomado de INDECI (2013) La figura 4.1 ubica geográficamente cada uno de los almacenes mostrados en la tabla 4.3. Figura 4.1 Almacenes de INDECI Fuente: INDECI (2013) Almacenes nacionales Almacenes regionales Almacenes adelantados Total 176 12 25 139 Amazonas 8 1 1 6 Áncash 5 1 4 Apurimac 6 1 5 Arequipa 9 1 1 7 Ayacucho 4 1 3 Cajamarca 10 1 9 Callao 1 1 0 Cusco 7 1 1 5 Huancavelica 5 1 4 Huánuco 9 1 8 Ica 5 1 1 3 Junín 5 1 1 3 La Libertad 8 1 1 6 Lambayeque 7 1 6 Lima 7 1 1 5 Loreto 12 1 1 10 Madre de Dios 4 1 3 Moquegua 6 1 5 Pasco 4 1 3 Piura 18 1 1 16 Puno 12 1 1 10 San Martín 4 1 1 2 Tacna 7 1 1 5 Tumbes 6 1 5 Ucayali 7 1 6 Cantidad de almacenes Región Total Almacenes nacionales Almacenes regionales Almacenes adelantados Total 176 12 25 139 Amazonas 8 1 1 6 Áncash 5 1 4 Apurimac 6 1 5 Arequipa 9 1 1 7 Ayacucho 4 1 3 Cajamarca 10 1 9 Callao 1 1 0 Cusco 7 1 1 5 Huancavelica 5 1 4 Huánuco 9 1 8 Ica 5 1 1 3 Junín 5 1 1 3 La Libertad 8 1 1 6 Lambayeque 7 1 6 Lima 7 1 1 5 Loreto 12 1 1 10 Madre de Dios 4 1 3 Moquegua 6 1 5 Pasco 4 1 3 Piura 18 1 1 16 Puno 12 1 1 10 San Martín 4 1 1 2 Tacna 7 1 1 5 Tumbes 6 1 5 Ucayali 7 1 6 Cantidad de almacenes Región Total 32 Según INDECI (2013), Lima dispone de siete almacenes, uno nacional, uno regional y cinco adelantados. Al respecto, Serpa (2014) concluye que el desarrollo de rutas para trasladar los recursos de ayuda humanitaria desde los almacenes hacia los distritos afectados sería un complemento valioso para esta propuesta de mejora y sugiere la ubicación de almacenes en LM agrupando diversos distritos abastecidos por un grupo óptimo de 22 almacenes ubicados en algunos de los distritos que formaron parte de su objeto de estudio. Sus resultados se resumen en la tabla 4.4. Tabla 4.4 Ubicación de almacenes en LM y Callao Fuente: Serpa (2014) Ubicacion Abastece a Ubicación Abastece a Ancón Ancon San Borja San Borja San Juan de Lurigancho San Luis Ate Ate San Isidro Jesús María Carabayllo Carabayllo Lince Comas Magdalena del Mar Puente Piedra Miraflores Chaclacayo Chaclacayo San Isidro Lurigancho Surquillo Cieneguilla San Juan de Lurigancho Ate Comas El Agustino Villa María del Triunfo Rímac Comas Comas San Juan de Lurigancho La Molina Chorrillos San Martín de Porres Callao La Molina Independencia La Victoria Breña Lima La Victoria San Martín de Porres Lima Carmen de la Legua San Miguel Bellavista Lima La Perla Pueblo Libre La Punta Los Olivos Los Olivos San Miguel Lurigancho Callao Santa Rosa Santa Rosa Lurigancho Ventanilla Pachacámac Pachacámac Santiago de Surco Barranco Punta Negra Chorrillos San juan de Miraflores Santiago de Surco Punta Hermosa Lurín Ventanilla Puente Piedra Pucusana Villa Maria del Triunfo Villa el Salvador Punta Hermosa Villa Maria del Triunfo San Bartolo Santa María Villa EI Salvador 33 4.2.2. Escenario sísmico A continuación se describen las variables que caracterizan el escenario sísmico en LM con base en la información sísmica histórica del Perú desde 1973 hasta 2010 (CISMID, 2010) y se fija el sismo supuesto a las 4 a.m., cuando la gran mayoría de habitantes estarían en sus viviendas (PREDES, 2009). Magnitud Se asume un escenario sísmico probable cuya magnitud es 8 Mw (CISMID, 2010; PREDES, 2009); al respecto Dorbath et al. (1990) hizo una recopilación de los terremotos históricos de magnitud relevante acontecidos en Perú y refiere que en 1746 ocurrió un terremoto de 8.6 Mw en la zona central de la costa del Perú, desde entonces, hay un silencio sísmico de 273 años. Ubicación del epicentro El epicentro del sismo para este estudio se ubica siguiendo la mayor densidad espacial de la distribución de los sismos históricos ocurridos frente a las costas de Lima (vea la figura 4.2), y la ubicación del epicentro siguiente: - Latitud 12.3ºS - Longitud 78ºW. - Ubicación: a 70 kilómetros al oeste de La Punta, en El Callao Figura 4.2 Densidad espacial de sismos históricos, referencia eje AB– Litoral central Fuente: tomado de CISMID (2010) Según PREDES (2009), la profundidad se fija siguiendo la mayor densidad espacial de las profundidades históricas de sismos ocurridos en Lima-Callao: la profundidad epicentral probable 34 de 25-33 km. Por otro lado, CISMID (2010) calcula esta profundidad también en kilómetros y toma como referencia un corte transversal del eje AB tomado en la figura 4.2, lo proyecta a profundidad de la corteza terrestre y muestra en dispersión, las profundidades históricas de terremotos en dicha sección transversal AB. A partir de esa dispersión se determina la cantidad de eventos sísmicos y la moda que ubica el evento a 25 km de profundidad (vea la zona derecha de la figura 4.3) Figura 4.3 Corte AB transversal (izquierda) y número de sismos en el corte AB (derecha). Fuente: tomado de CISMID (2010) 4.2.3. Alcance geográfico del estudio En la provincia constitucional de El Callao se ubica un puerto importante, en una zona densamente poblada del Perú y ha sido ampliamente estudiado debido a su localización costera y particular vulnerabilidad en caso de un evento natural (PREDES, 2009). El Callao fue afectado por tsunamis en los años 1586 y 1687; y en el año 1746 produjo pérdidas catastróficas como la muerte de 6000 personas que equivale el 96 % de su población. Al respecto, CISMID (2010) estudia los efectos que tendría un maremoto posterior a un terremoto con base en la historia símica de la provincia constitucional y hay también aplicaciones matemáticas enfocadas en El Callao, como la propuesta de Velásquez (2018) que la describe como una de las provincias más vulnerables ante terremotos y tsunamis, y aborda de manera integral las variables particulares de vulnerabilidad de esta provincia. P ro fu n d id ad (km ) 35 Debido a la amplitud y frecuencia de los estudios que consideran las particularidades de El Callao, esta tesis no profundiza en esta zona y su alcance abarca los distritos de Lima que se muestran en la tabla 4.5. Tabla 4.5 Distritos de Lima en el alcance del estudio Fuente: INEI (2017) Sector Distrito Población proyectada al 30/06/2017 Densidad poblacional (hab./km2) Ancón 41 474 139 Carabayllo 317 952 917 Comas 537 263 11 021 Independencia 220 372 15 135 Los Olivos 384 711 21 080 Puente Piedra 373 062 5 241 Rímac 162 897 13 723 San Martin de Porres 729 974 19 777 Chorrillos 336 054 8 630 San Juan de Miraflores 415 870 17 342 Villa El Salvador 482 027 13 594 Villa María del Triunfo 465 735 6 600 Lima 265 693 12 088 Barranco 28 970 8 700 Breña 74 711 23 202 Jesús Maria 71 680 15 685 Lince 49 064 16 193 Magdalena del Mar 54 925 15 215 Miraflores 81 619 8 484 Pueblo Libre 76 129 17 381 San Borja 112 712 11 316 San Isidro 53 460 4 816 San Luis 58 461 16 751 Santiago de Surco 329 152 10 290 Surquillo 91 474 26 438 La Victoria 166 657 19 068 Ate 661 786 8 515 Chaclacayo 44 197 1 119 Cieneguilla 49 707 207 El Agustino 195 304 15 574 La Molina 179 785 970 Lurigancho 229 307 8 674 San Juan de Lurigancho 1 138 453 22 291 Santa Anita 238 290 22 291 Lima Norte Lima Sur Lima Central Lima Este 36 En esta tesis, para evaluar la vulnerabilidad sísmica de Lima, se sigue la metodología propuesta por PREDES (2009, p. 23) que identificó que ciertos distritos son amplios y heterogéneos, y sus índices de vulnerabilidad no reflejan de manera precisa la realidad. En consecuencia, estos distritos se sectorizan en zonas homogéneas con características similares en las edificaciones tales como el material de construcción predominante, la tipología constructiva, el estado de conservación y la altura, de la vivienda. Estas características son clasificadas numéricamente del 1 al 4, con valoraciones desde bajo a muy alto, respectivamente. PREDES (2009, p. 23). Además, se toma en cuenta la población según el Censo Nacional Poblacional y de Vivienda 2017 (INEI, 2018). Los distritos no sectorizados (ver tabla 4.6) son aquellos en los que no se encuentra heterogeneidad por sectores y se toman como un todo para ser valorados según las características listadas previamente. Estos distritos fueron identificados en PREDES (2009) pero no se subdividen para estimar los niveles de vulnerabilidad potencial estimados por sectores PREDES (2009, pp. 31-35). Tabla 4.6 Distritos no sectorizados Fuente: PREDES (2009) 4.2.4. Indicadores de estimación de la vulnerabilidad El estudio de PREDES (2009), propone indicadores de estimación de la vulnerabilidad como son la densidad poblacional (vea tabla 4.7), material de construcción predominante y la tipología Distrito Población proyectada al 30/06/2017 Ancón 41 474 Breña 74 711 Carabayllo 317 952 Chaclacayo 44 197 Cieneguilla 49 707 Comas 537 263 El Agustino 195 304 Jesús Maria 71 680 Lince 49 064 Pueblo Libre 76 129 Puente Piedra 373 062 San Borja 112 712 San Isidro 53 460 San Luis 58 461 San Miguel 137 247 Santa Anita 238 290 Surquillo 91 474 37 constructiva de la vivienda (vea tabla 4.8) ponderados según la estimación de vulnerabilidad (vea tabla 4.9). Tabla 4.7 Densidad poblacional Fuente: PREDES (2009, p. 25) Tabla 4.8 Parámetros e indicadores de estimación de vulnerabilidad en el sector urbano Fuente: elaborado con datos de PREDES (2009, p. 30) Densidad poblacional Rangos (habitantes / hectárea) Densidad alta 450 - más Densidad media – alta 350 – 450 Densidad media 250 – 350 Densidad media – baja 150 – 250 Densidad baja 70 – 150 Parámetros Indicadores Descripción Nivel de vulnerabilidad Población Densidad media – alta Muy alto Densidad media Alto Densidad media – baja Medio Densidad baja Bajo Vivienda Adobe Muy alto Quincha Alto Albañilería Medio Madera Bajo Vivienda improvisada Muy alto Quinta Alto Edificio Medio Casa independiente Bajo Deteriorada Muy alto En consolidación Alto Densificada Medio Consolidada Bajo 4 pisos a más Muy alto 3 pisos Alto 2 pisos Medio 1 piso Bajo Cantidad de pobladores por distrito (sector) / Área ocupada por distrito (sector) Mayor cantidad de viviendas con el mismo material constructivo de muros en un distrito/ Densidad Material de construcción predominante Tipología constructiva de vivienda Estado de conservación de viviendas Altura de vivienda Mayor cantidad de viviendas con la misma tipología constructiva en un distrito/ sector Mayor cantidad de viviendas con el mismo estado de conservación en un distrito/ sector Cantidad de pisos predominante en el distrito / sector 38 Tabla 4.9 Ponderación para la estimación de vulnerabilidad según escenario Fuente: tomado de PREDES (2009, p. 30) 4.2.5. Metodología para determinar el número de damnificados El estudio detallado de PREDES (2009) desarrolla los niveles de vulnerabilidad potencial y los estima por sectores en tablas desagregadas y así obtiene la asignación de nivel de vulnerabilidad por sector. En el mismo trabajo antes mencionado se valora del 1 al 4 las características de vulnerabilidad mostradas en la tabla 4.10 por sector en caso de estar sectorizado o por distrito en caso de no estar sectorizado (vea tabla 4.6) y pertenecer al alcance de esta tesis. En la tabla 4.10 se observa el sistema de valoración de PREDES (2009) en un ejemplo por sector en el caso de Lima y otro por distrito en el caso de Ancón, ya que este último no fue sectorizado (volver a tabla 4.6 para distritos no sectorizados). El estudio toma el valor “Total” (ver tabla 4.10) y con base en el número, se escoge un rango para estimación de daños en la población con el criterio que se muestra en la tabla 4.11. Del último ejemplo para el distrito de Ancón (línea 8 de la tabla 4.10), se suman los niveles de vulnerabilidad, 1 para vulnerabilidad poblacional, 2 para vulnerabilidad del material, 1 para vulnerabilidad de vivienda y 1 + 2 = 3 para vulnerabilidad por conservación que toma en cuenta la altura de la edificación. El total de 7 dividido entre 4 por los tipos de vulnerabilidad resulta en 1.75 y es redondeado hacia arriba para su registro. Tabla 4.10 Ejemplo de niveles de vulnerabilidad potencial estimados por sectores (ver anexo 7) Fuente: elaborado con datos de PREDES (2009, p. 31) Muy alto 4 Alto 3 Medio 2 Bajo 1 Niveles de vulnerabilidad Distrito Código del sector Población distrital Área neta(ha) Densidad (Hab/ha) Tipo 1 LIMA 299493 2160.4 138.5 2 Lima L1 138.5 Baja 1 Adobe 4 Quinta 3 Deteriorada 4 3 4 3 Lima L2 138.5 Baja 1 Albañilería 2 Quinta 3 Deteriorada 4 3 3 4 Lima L3 138.5 Baja 1 Albañilería 2 Edificio 2 Densificada 2 3 2 5 Lima L4 138.5 Baja 1 Albañilería 2 Casa indep 1 Consolidada 1 2 2 6 Lima L5 138.5 Baja 1 Albañilería 2 Casa indep 1 Consolidada 1 1 1 7 Lima L6 138.5 Baja 1 Madera 1 Improvisada 4 Deteriorada 4 1 3 8 ANCÓN AN 33367 1130.32 29.52 Baja 1 Albañilería 2 Casa indep 1 Consolidada 1 2 2 Estado de conservación V U LN ER A B IL ID A D PO R C O N SE R V A C IÓ N A ltu ra d e ed ifi ca ci ón pr ed om in at e V U LN ER A B IL ID A D TotalN° Densidad V U LN ER A B IL ID A D PO B LA C IO N A L Material de vivienda predominante V U LN ER A B IL ID A D D EL M A TE R IA L Tipo de vivienda predominante V U LN ER EA B IL ID A D D E V IV IE N D A 39 Rangos para la elección del nivel de riesgo a partir del nivel de vulnerabilidad total El rango para la estimación de daños en la población se basa en niveles y sigue el siguiente criterio: para el “nivel 1” de vulnerabilidad se selecciona entre los rangos 10 y 20 en el cual es determinante el material de la vivienda y el tipo de suelo que se considera previamente en la metodología. Mientras más vulnerable sea el sector, se preferirá un rango mayor ya que se espera que genere mayor cantidad de afectados. Para el “nivel 2” de vulnerabilidad, entre los rangos 30 y 40 siguiendo la misma lógica que para el “nivel 1”. Para el “nivel 3” de vulnerabilidad, se debe seleccionar el rango 60. Para el “nivel 4”, entre los rangos 70 y 80 y como en esta tesis ningún sector o distrito excede el nivel 4, entonces se escogerá como máximo el rango 80 (vea la tabla 4.11, luego los ejemplos de la columna “Rango seleccionado” en la tabla 4.12). Los rangos para determinar los posibles daños máximos que podría causar el escenario de riesgo sísmico que se aplican a la población por cada sector o distrito se muestran en la tabla 4.11 y un ejemplo de la selección del rango de la población afectada en la tabla 4.12. Tabla 4.11 Rangos para la elección del nivel de riesgo en el escenario propuesto Fuente: tomado de PREDES (2009, p. 42) Tabla 4.12 Ejemplo de selección de rango de población afectada Fuente: elaborado con datos de PREDES (2009, p. 31) Rangos Fallecidos Heridos Cantidad de afectados Total 0 0.1% 0.2% 99.7% 100% 10 0.1% 1.0% 98.9% 100% 20 0.2% 1.8% 98.0% 100% 30 0.3% 3.0% 96.7% 100% 40 0.4% 4.0% 95.6% 100% 50 0.5% 6.0% 93.5% 100% 60 0.8% 8.2% 91.0% 100% 70 1.0% 12.0% 87.0% 100% 80 1.3% 19.0% 79.7% 100% 90 1.5% 24.0% 74.5% 100% 100 2.0% 30.0% 68.0% 100% Pobación afectada Sector o distrito Suma total de características de vulnerabilidad Cantidad de criterios de valoración Promedio de nivel de vulnerabilidad Nivel total de vulnerabilidad para selección de rango según PREDES Rango seleccionado (tabla 3.11) LIMA L1...L6 2.6 3 60 ANCÓN 7 4 1.75 2 20 o 30 40 En la tabla 4.12 también se observa el “promedio de nivel de vulnerabilidad” obtenido con la metodología explicada y es cercano al del nivel total de vulnerabilidad con el cual se selecciona el rango según PREDES (2009). Por ejemplo, para Ancón se tiene 7 de vulnerabilidad dividido por los 4 criterios de valoración. Se obtiene un promedio de 1.75 que es redondeado hacia arriba para seleccionar el rango de la tabla 4.12. En esta tesis, se calcula un promedio simple de los valores para los distritos sectorizados (i.e. para Lima, el nivel de vulnerabilidad será 3, ya que 2.6 es el promedio de los sectores de LIMA L1 a LIMA L6, vea la tabla 4.10). Para los distritos no sectorizados, se toma el promedio simple de los valores del distrito. La estimación final de daños en la población se muestra en la tabla 4.13. Tabla 4.13 Selección de rango para estimación de daños en la población por distrito y porcentaje de damnificados, en el alcance de la tesis Fuente: adaptado de PREDES (2009) Distrito Nivel de vulnerabilidad (NV) total Criterio a utilizar Selección de rango según criterio Fallecidos por rango Heridos por rango Porcentaje de habitantes no afectados Total Ancón 2.00 2 30 0.3% 3% 96.7% 100% Ate 1.83 2 30 0.3% 3% 96.7% 100% Barranco 2.50 3 60 0.8% 8% 91.0% 100% Breña 2.00 2 30 0.3% 3% 96.7% 100% Carabayllo 2.00 2 30 0.3% 3% 96.7% 100% Chaclacayo 2.00 2 30 0.3% 3% 96.7% 100% Chorrillos 1.80 2 30 0.3% 3% 96.7% 100% Cieneguilla 1.00 1 10 0.1% 1% 98.9% 100% Comas 2.00 2 30 0.3% 3% 96.7% 100% El Agustino 3.00 4 70 1.0% 12% 87.0% 100% Independencia 2.00 2 30 0.3% 3% 96.7% 100% Jesús María 2.00 2 30 0.3% 3% 96.7% 100% La Molina 2.00 2 30 0.3% 3% 96.7% 100% La Victoria 2.33 3 60 0.8% 8% 91.0% 100% Lima 2.50 3 60 0.8% 8% 91.0% 100% Lince 2.00 2 30 0.3% 3% 96.7% 100% Los Olivos 1.63 2 30 0.3% 3% 96.7% 100% Lurigancho 2.00 2 30 0.3% 3% 96.7% 100% Magdalena del Mar 2.50 3 60 0.8% 8% 91.0% 100% Miraflores 2.50 3 60 0.8% 8% 91.0% 100% Pueblo Libre 2.00 2 30 0.3% 3% 96.7% 100% Puente Piedra 2.00 2 30 0.3% 3% 96.7% 100% Rímac 2.25 3 60 0.8% 8% 91.0% 100% San Borja 3.00 4 70 1.0% 12% 87.0% 100% San Isidro 3.00 3 60 0.8% 8% 91.0% 100% San Juan de Lurigancho 2.38 3 60 0.8% 8% 91.0% 100% San Juan de Miraflores 2.00 2 30 0.3% 3% 96.7% 100% San Luis 2.00 2 30 0.3% 3% 96.7% 100% San Martín de Porres 2.50 3 60 0.8% 8% 91.0% 100% San Miguel 2.00 2 20 0.2% 2% 98.0% 100% Santa Anita 2.00 2 30 0.3% 3% 96.7% 100% Santiago de Surco 2.50 3 60 0.8% 8% 91.0% 100% Surquillo 2.00 2 30 0.3% 3% 96.7% 100% Villa el Salvador 2.00 2 30 0.3% 3% 96.7% 100% Villa María del Triunfo 2.00 2 30 0.3% 3% 96.7% 100% Bellavista 2.00 2 30 0.3% 3% 96.7% 100% Callao 3.00 4 70 1.0% 12% 87.0% 100% Carmen de la Legua 1.00 1 10 0.1% 1% 98.9% 100% La Perla 2.00 2 30 0.3% 3% 96.7% 100% La Punta 2.00 2 30 0.3% 3% 96.7% 100% Ventanilla 3.00 3 60 0.8% 8% 91.0% 100% Distrito Nivel de vulnerabilidad (NV) total Criterio a utilizar Selección de rango según criterio Fallecidos por rango Heridos por rango Porcentaje de habitantes no afectados Total Ancón 2.00 2 30 0.3% 3% 96.7% 100% Ate 1.83 2 30 0.3% 3% 96.7% 100% Barranco 2.50 3 60 0.8% 8% 91.0% 100% Breña 2.00 2 30 0.3% 3% 96.7% 100% Carabayllo 2.00 2 30 0.3% 3% 96.7% 100% Chaclacayo 2.00 2 30 0.3% 3% 96.7% 100% Chorrillos 1.80 2 30 0.3% 3% 96.7% 100% Cieneguilla 1.00 1 10 0.1% 1% 98.9% 100% Comas 2.00 2 30 0.3% 3% 96.7% 100% El Agustino 3.00 4 70 1.0% 12% 87.0% 100% Independencia 2.00 2 30 0.3% 3% 96.7% 100% Jesús María 2.00 2 30 0.3% 3% 96.7% 100% La Molina 2.00 2 30 0.3% 3% 96.7% 100% La Victoria 2.33 3 60 0.8% 8% 91.0% 100% Lima 2.50 3 60 0.8% 8% 91.0% 100% Lince 2.00 2 30 0.3% 3% 96.7% 100% Los Olivos 1.63 2 30 0.3% 3% 96.7% 100% Lurigancho 2.00 2 30 0.3% 3% 96.7% 100% Magdalena del Mar 2.50 3 60 0.8% 8% 91.0% 100% Miraflores 2.50 3 60 0.8% 8% 91.0% 100% Pueblo Libre 2.00 2 30 0.3% 3% 96.7% 100% Puente Piedra 2.00 2 30 0.3% 3% 96.7% 100% Rímac 2.25 3 60 0.8% 8% 91.0% 100% San Borja 3.00 4 70 1.0% 12% 87.0% 100% San Isidro 3.00 3 60 0.8% 8% 91.0% 100% San Juan de Lurigancho 2.38 3 60 0.8% 8% 91.0% 100% San Juan de Miraflores 2.00 2 30 0.3% 3% 96.7% 100% San Luis 2.00 2 30 0.3% 3% 96.7% 100% San Martín de Porres 2.50 3 60 0.8% 8% 91.0% 100% San Miguel 2.00 2 20 0.2% 2% 98.0% 100% Santa Anita 2.00 2 30 0.3% 3% 96.7% 100% Santiago de Surco 2.50 3 60 0.8% 8% 91.0% 100% Surquillo 2.00 2 30 0.3% 3% 96.7% 100% Villa el Salvador 2.00 2 30 0.3% 3% 96.7% 100% Villa María del Triunfo 2.00 2 30 0.3% 3% 96.7% 100% Bellavista 2.00 2 30 0.3% 3% 96.7% 100% Callao 3.00 4 70 1.0% 12% 87.0% 100% Carmen de la Legua 1.00 1 10 0.1% 1% 98.9% 100% La Perla 2.00 2 30 0.3% 3% 96.7% 100% La Punta 2.00 2 30 0.3% 3% 96.7% 100% Ventanilla 3.00 3 60 0.8% 8% 91.0% 100% 41 4.2.6. Determinación del número de afectados Según la selección del porcentaje de afectación (heridos y fallecidos por rango) de acuerdo con los niveles de riesgo brindados para la estimación de daños en la población por distrito para los sectores del alcance de la tesis, se obtiene un total estimado de 8 884 653 afectados (tabla 4.14). Tabla 4.14 Población afectada de acuerdo con los niveles de riesgo Fuente: adaptado de INEI (2018) Distrito Fallecidos por rango Heridos por rango Población no afectada Población total Ancón 125 1 245 40 106 41 476 Ate 1 986 19 854 639 948 661 788 Barranco 232 2 376 26 363 28 971 Breña 225 2 242 72 246 74 713 Carabayllo 954 9 539 307 460 317 953 Chaclacayo 133 1 326 42 739 44 198 Chorrillos 1 009 10 082 324 965 336 056 Cieneguilla 50 498 49 161 49 709 Comas 1 612 16 118 519 534 537 264 El agustino 1 954 23 437 169 915 195 306 Independencia 662 6 612 213 100 220 374 Jesús María 216 2 151 69 315 71 682 La Molina 540 5 394 173 853 179 787 La Victoria 1 334 13 666 151 658 166 658 Lima 2 126 21 787 241 781 265 694 Lince 148 1 472 47 445 49 065 Los Olivos 1 155 11 542 372 016 384 713 Lurigancho 688 6 880 221 740 229 308 Magdalena del Mar 440 4 504 49 982 54 926 Miraflores 653 6 693 74 274 81 620 Pueblo Libre 229 2 284 73 617 76 130 Puente Piedra 1 120 11 192 360 751 373 063 Rímac 1 304 13 358 148 237 162 899 San Borja 1 128 13 526 98 060 112 714 San Isidro 428 4 384 48 649 53 461 San Juan de Lurigancho 9 108 93 354 1 035 993 1 138 455 San Juan de Miraflores 1 248 12 477 402 147 415 872 San Luis 176 1 754 56 532 58 462 San Martín de Porres 5 840 59 858 664 277 729 975 San Miguel 275 2 471 134 503 137 249 Santa Anita 715 7 149 230 427 238 291 Santiago de Surco 2 861 29 322 325 396 357 579 Surquillo 275 2 745 88 456 91 476 Villa el Salvador 1 447 14 461 466 121 482 029 Villa María del Triunfo 1 398 13 973 450 366 465 737 43 794 449 726 8 391 133 8 884 653 42 Según la SGCA (2018) los afectados son las personas que resultan perjudicadas de forma directa o indirecta por un evento peligroso, y como consecuencia han sufrido lesiones, enfermedades u otros efectos en su salud. Estos tienden a ser evacuados, desplazados, reubicados o han padecido daños directos en sus fuentes de sustento de vida o bienes económicos, físicos, sociales, culturales y/o ambientales (p. 4). Tomando en cuenta la terminología propuesta, se consideran afectados tanto a los fallecidos y heridos como consecuencia del desastre natural en los sectores del alcance del estudio; las cantidades se muestran en las tablas 4.15 y 4.16. Tabla 4.15 Conteo total de población afectada en el escenario propuesto para los sectores del alcance del estudio Fuente: adaptado de PREDES (2009) Tabla 4.16 Conteo total de población damnificada a considerar para el modelo propuesto Fuente: adaptado de PREDES (2009) Según INDECI (2018), citado en La República (2018), con base en los datos recolectados por el Centro de Operaciones de Emergencia Nacional (COEN) del simulacro nacional llevado a cabo el 31 de mayo del 2018, se estiman 50 000 fallecidos y 500 000 afectados como resultado de la ocurrencia de un terremoto de magnitud 8.5 Mw: es decir que la población damnificada estimada por INDECI es de 550 000 ciudadanos. Considerando que el escenario de terremoto propuesto en este estudio tiene una magnitud menor al del simulacro (8 Mw) y excluye a El Callao; entonces la población damnificada estimada de 493 520 personas es razonable. 4.2.7. Cantidad y ubicación de almacenes necesarios para el modelo Serpa (2014) usa como parámetro la distancia entre distritos y propone la ubicación de centros de distribución basándose en la menor distancia posible y la zonificación del distrito (véase sección 2.5.3). Para cada escenario, la ubicación de almacenes sigue uno de dos criterios; el número de damnificados o por superficie territorial. Ambos criterios, con escenarios donde varía el número Población Fallecidos 43 794 Heridos 449 726 No afectados 8 391 133 Total población 8 884 653 Población calculada para el estudio Fallecidos 43 794 Heridos 449 726 Población damnificada 493 520 43 de almacenes. Serpa propone el modelo para 22; 27; 32 y 37 almacenes. En esta tesis se toman las recomendaciones de ubicación y cantidad de almacenes por “superficie territorial” como entrada del modelo. La tabla 4.17 muestra el total de damnificados en un escenario de 15 almacenes y esa cifra de almacenes se incrementa en los escenarios hasta coincidir con las corridas de Serpa o encontrar complejidad computacional; lo que suceda primero. Debido a que se inicia con un escenario de 15 almacenes que es menor al de 22 almacenes inicial de Serpa (2014, p. 70) se conserva la misma distribución de ubicaciones y a los que abastece la propuesta de 22 almacenes, en la medida de lo posible. Tabla 4.17 Cantidad y ubicación de almacenes – cantidad de damnificados (15 almacenes) Fuente: adaptado de Serpa (2014) N° Ubicación Abastece a Población Fallecidos por rango Heridos por rango Total de damnificados Ancón 41 474 125 1 245 San Juan de Lurigancho 1 138 453 9 108 93 354 2 Ate Ate 661 786 1 986 19 854 21 840 Carabayllo 317 952 954 9 539 Comas 537 263 1 612 16 118 Puente Piedra 373 062 1 120 11 192 Chaclacayo 44 197 133 1 326 Lurigancho 229 307 688 6 880 Cieneguilla 49 707 50 498 Villa María del Triunfo 465 735 1 398 13 973 Chorrillos 336 054 1 009 10 082 La Molina 179 785 540 5 394 Santa Anita 238 290 715 7 149 Breña 74 711 225 2 242 La Victoria 166 657 1 334 13 666 Lima 265 693 2 126 21 787 Pueblo Libre 76 129 229 2 284 San Miguel 137 247 275 2 471 9 Los Olivos Los Olivos 384 711 1 155 11 542 12 697 San Borja 112 712 1 128 13 526 San Luis 58 461 176 1 754 Jesús María 71 680 216 2 151 Lince 49 064 148 1 472 Magdalena del Mar 54 925 440 4 504 Miraflores 81 619 653 6 693 San Isidro 53 460 428 4 384 Surquillo 91 474 275 2 745 El Agustino 195 304 1 954 23 437 Rímac 162 897 1 304 13 358 Independencia 220 372 662 6 612 San Martín de Porres 729 974 5 840 59 858 Barranco 28 970 232 2 376 Santiago de Surco 357 577 2 861 29 322 Villa El Salvador 482 027 1 447 14 461 San Juan de Miraflores 415 870 1 248 12 477 Total 493 520 15 Villa María del Triunfo 29 633 14 Santiago de Surco 34 791 11 San Isidro 24 109 13 San Martín de Porres 72 972 8 Lima 29 172 12 San Juan de Lurigancho 40 053 10 San Borja 16 584 6 La Molina 24 889 7 La Victoria 17 467 Chaclacayo 9 027 5 Cieneguilla 15 919 4 1 Ancón 103 832 3 Carabayllo 40 535 44 En el anexo 5 se ubican las tablas para cantidad y ubicación de almacenes con la estimación total de damnificados para los escenarios de 16, 17, 18 y 19 almacenes. 4.2.8. Kit de ayuda humanitaria alimentaria Las propiedades físicas de los productos del kit de ayuda humanitaria alimentaria a repartir derivan directamente de las características calóricas que estas deben proporcionar. Como se indica en la sección 2.9, la ración alimentaria debe aportar un mínimo de 2100 kcal para un día de alimentación. Con base en el Proyecto Esfera, INDECI (2017) propone un kit de ración fría con un peso de 576 g que aporta 2122 kcal. Lo productos escogidos deben garantizar el aporte calórico y deben ser empaquetados dentro del kit en un volumen aproximado de 17 500 cm3. Figura 4.4 Dimensiones del kit de ayuda alimentaria 4.2.9. Capacidad de los vehículos de transporte y cantidad necesaria INDECI cuenta con vehículos de diferentes capacidades volumétricas y de carga seca. Para esta tesis se tomarán las unidades correspondientes a 32 m3 de capacidad volumétrica y tamaño medio, debido a su maniobrabilidad y agilidad para facilitar el acceso a zonas de emergencia (ver anexo 8). La cantidad de estos vehículos será definida por la demanda máxima (total de damnificados) sobre el número de kits que puede transportar un vehículo como máximo. La atención se enfoca en los almacenes propuestos por Serpa (2014) y adaptados para este estudio. Partiendo de la información del total de damnificados a ser atendidos por ubicación, el volumen determinado del kit de ayuda humanitaria alimentaria y la capacidad volumétrica del vehículo, obtenemos la cantidad de vehículos necesarios para atender cada ubicación. Primero se determina la cantidad máxima de kits que puede transportar cada vehículo para después dividir la cantidad total de damnificados por esta cantidad máxima de kits, obteniendo así el número de vehículos necesarios. En la tabla 4.18 se observa que SJL y SMP son los distritos que mayor cantidad de unidades requerirían para satisfacer su demanda con 57 y 40 vehículos respectivamente si se quisiera administrar ayuda en un solo viaje. 45 Tabla 4.18 Cantidad necesaria de vehículos (15 almacenes) En el anexo 6 se ubican las tablas para la cantidad necesaria de vehículos para los escenarios de 16, 17, 18 y 19 almacenes. 4.2.10. El modelo matemático INDECI (2017) refiere que según la GOAASE hace falta que las personas afectadas por el fenómeno natural rellenen una ficha técnica de asistencia alimentaria de emergencia que permitan obtener cantidad de afectados y ubicación de la emergencia. Tanto en esta primera guía de orientación, como en los LAADAAED (INDECI, 2017) no se cuenta con una propuesta matemática que permita administrar la ayuda alimentaria a las áreas de emergencia, para aliviar esta ausencia, se propone el siguiente modelo matemático que parte de la investigación de Dessouky et al. (2006), quienes usan variables estocásticas en su modelo de ruteo. No obstante, N° Ubicación Abastece a Total de damnificados Volumen del kit (m3) Capacidad volumétrica del vehículo (m3) Número de kits por vehículo (m3) Número de vehículos necesarios Ancón San Juan de Lurigancho 2 Ate Ate 21 840 0.0175 32 1828 12 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 12 697 0.0175 32 1828 7 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco Villa El Salvador San Juan de Miraflores 493 520 40 1715 Villa María del Triunfo 29 633 0.0175 32 1828 2014 Santiago de Surco 34 791 0.0175 32 1828 11 San Isidro 24 109 0.0175 32 1828 0.0175 32 1828 0.0175 32 1828 22 13 San Martín de Porres 72 972 10 14 8 Lima 29 172 0.0175 32 1828 16 12 San Juan de Lurigancho 40 053 10 San Borja 16 584 0.0175 32 1828 6 La Molina 24 889 0.0175 32 1828 14 7 La Victoria 17 467 0.0175 32 1828 10 Chaclacayo 9 027 0.0175 32 1828 5 5 Cieneguilla 15 919 0.0175 32 1828 9 4 1 Ancón 103 832 0.0175 32 1828 57 3 Carabayllo 40 535 0.0175 32 1828 23 46 para esta tesis, los parámetros definidos son determinísticos y el modelo es de programación entera mixta (PEM). Después de explicar la elección del modelo matemático, en esta sección se descomponen y explican las partes a continuación. Conjuntos e índices 𝐶 : Conjunto de clientes DC : Centro de distribución central INDECI, ubicado en El Callao N (Nodos) : Conjunto de nodos donde 0 representa el DC | 𝑁 = {0} ∪ 𝐶 A (Arcos ) : Conjunto de arcos entre cada nodo | 𝐴 { (𝑖, 𝑗) ∈ 𝑁 ∶ 𝑖 ≠ 𝑗} Parámetros determinísticos 𝑐𝑖,𝑗 : Distancia (costo) entre el nodo 𝑖 y el nodo 𝑗 𝑛 : Cantidad de vehículos disponibles 𝑞 : Capacidad volumétrica requerida para satisfacer la demanda de los clientes | 𝑐 ∈ 𝐶 𝑄 : Capacidad volumétrica total de los 𝑛 vehículos destinados a satisfacer la demanda. Variables de decisión 𝑋𝑖,𝑗 = { 1; si los vehículos 𝑛 transitan por el arco (𝑖, 𝑗) ∈ 𝐴 0; de lo contrario 𝑢𝑖 = Necesidad (𝑖) de los clientes C a ser satisfecha Función objetivo El objetivo de minimizar la sumatoria de las distancias totales no atendidas en todos los puntos de demanda. 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 ∑ ∑ 𝑥𝑖𝑗 𝑐𝑖𝑗 𝑗 ∈𝐴𝑖 ∈𝐴 Restricciones Las restricciones (1) a (4) caracterizan el flujo de vehículos en la red de distribución de bienes de ayuda humanitaria alimentaria. ∑ 𝑥𝑖,𝑗 𝑖 ∈𝐶 = 1 ∀ 𝑗 ∈ 𝑁 … (1) 47 ∑ 𝑥𝑖,𝑗 𝑗 ∈𝐶 = 1 ∀ 𝑖 ∈ 𝑁 … (2) Las restricciones (1) y (2) indican que la sumatoria de las variables binarias es igual a uno para todos los nodos, es decir, exactamente un arco ingresa y sale de cada vértice asociado a cada punto de demanda o cliente (C), respectivamente. Las restricciones (3a) y (3b) indican que la capacidad volumétrica requerida para satisfacer la demanda de los clientes (C) no debe exceder la capacidad volumétrica total de los vehículos destinados a satisfacer la demanda. ∑ 𝑥𝑖,0 𝑖 ∈ Δ+(0) = 𝑞 ∀ 𝑖 ∈ 𝑁, 𝑞 ∈ 𝑄 … (3𝑎) ∑ 𝑥0,𝑗 j∈ Δ−(0) = 𝑞 ∀ 𝑖 ∈ 𝑁, 𝑞 ∈ 𝑄 … (3𝑏) Donde, según Toth y Vigo (2002) el gráfico (de ruteo) debe estar conectado completamente o se asume que generalmente lo está. Dado un vértice i, se denota a Δ + como la llamada forward star de i, definida como el set de vértices j, de forma tal que el arco (i, j ) ∈ A, i.e., los vértices directamente alcanzables desde i. Análogamente, se denota a Δ − como backward star del vértice i, definida como el set de vértices j, así entonces el arco (j, i ) ∈ A, i.e., los vértices desde los que i, es directamente alcanzable. Análogamente, las restricciones (3a) y (3b) muestran la capacidad volumétrica requerida para satisfacer la demanda de los clientes, 𝑞, a transportar de nodo a nodo tanto si es de salida, como de entrada de almacén. La restricción (4) es la llamada restricción de corte de capacidad (CCC) que impone tanto la conectividad de la solución y los requisitos de capacidad del vehículo. De hecho, estipula que cada conjunto de clientes 𝑆 está atravesado por un número de arcos no menor que 𝑟(𝑆) (capacidad volumétrica mínima para dar servicio al conjunto de clientes 𝑆 y sirve para restringir la capacidad de carga y la eliminación de subtours. ∑ ∑ 𝑥𝑖,𝑗 ≥ 𝑟(𝑆)𝑖,𝑗 𝑗 ∈𝑆𝑖 ∈𝑆 ∀ 𝑆 ⊆ 𝐶 | {0}, 𝑆 ≠ 0 … (4) Para minimizar la complejidad de la cantidad de restricciones por número de nodos que (4) genera, para esta tesis, se recurre a una formulación alternativa transformando la restricción (4), 48 por medio de las restricciones de grado, en la conocida restricción de eliminación de subtour generalizada (Generalized Subtour Elimination Constraints, GSEC) o las llamadas restricciones Miller-Tucker-Zemlin (MTZ) que introduce una nueva variable 𝑢 = (𝑢1, … , 𝑢𝑛) de acumulación. 𝑀𝑇𝑍) 𝑆𝑖 𝑥𝑖,𝑗 = 1 → 𝑢𝑖 + 𝑞 = 𝑢𝑗 (𝑖, 𝑗) ∈ 𝐴 ∶ 𝑖 ≠ 0, 𝑗 ≠ 0 𝑢𝑖 + 𝑞 − 𝑢𝑗 = 0 𝑀𝑇𝑍2) 𝑞 ≤ 𝑢𝑖 < 𝑄 𝑖 ∈ 𝑁 Ambas restricciones MTZ toman la configuración de un M muy grande. En MTZ se debe cumplir que si 𝑥𝑖,𝑗 es igual a 1, entonces se debe sumar la necesidad a ser satisfecha (𝑢𝑖) más la capacidad volumétrica requerida para satisfacer la demanda de los clientes (𝑞). Esto está sujeto a la restricción MTZ2 donde la necesidad a ser satisfecha (𝑢𝑖) debe ser mayor a la capacidad volumétrica requerida para satisfacer la demanda de los clientes (𝑞), y no puede ser mayor a la capacidad volumétrica máxima de los vehículos (𝑄). No se define un M>>0 porque CPLEX permite el uso de indicator constraints para hacer más precisos los valores estimados y no se toma el supuesto de un M y así se supera el debate de qué tan grande tiene que ser el M a ingresar para obtener los valores más precisos posibles. Modelo matemático en lenguaje de programación Python El modelo explicado se programa en el lenguaje Python, versión 3.7 y se basa en los algoritmos que proporciona el IBM ILOG CPLEX. Para el modelo matemático propuesto, como se indicó previamente, se corren cinco escenarios, desde los 15 a los 19 centros de atención (almacenes). Cada escenario siguiente, incrementa un centro de distribución. La selección y distribución de distritos en dónde ubicar los almacenes sigue la propuesta de Serpa (2014), excluyendo a El Callao debido a su propensión a ser afectado por tsunamis y a la necesidad de estudiarlo independientemente por este factor particular de acuerdo con Velásquez (2014). Para obtener las distancias en km entre el DC (Almacén Nacional General de INDECI) y los demás nodos/clientes que operan como centros de distribución, se usa el software libre Google Earth y la herramienta de “Agregar Ruta”. La ruta ingresada luego se convierte a coordenadas UTM (Universal Transverse Mercator) con el software Garmin MapSource para obtenerlos en coordenadas cartesianas. Para obtener 𝑞 se multiplica el total de damnificados por ubicación por el volumen del kit. La tabla 4.19 muestra la capacidad volumétrica requerida para cada ubicación por escenario y el número de la ubicación en cada tabla está relacionado con la numeración de las ubicaciones cartesianas en las figuras. 49 El código programado es el usado para un modelo VRP de Toth y Vigo (2002) estándar adaptado para Python. 4.3.1. Con 15 centros de distribución (almacenes o clientes) N =15 #clientes Clientes =[x for x in range(1,n+1)] #parte de 1, hasta el 15+1 nodos =[0]+clientes Q =1824 #capacidad volumétrica de los vehículos, son 57 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes 50 Tabla 4.19 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 15 almacenes Las coordenadas X e Y para cada uno de los 15 centros de distribución propuestos se muestran en la tabla 4.20 N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 222 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco Villa El Salvador San Juan de Miraflores 15 Villa María del Triunfo 519 60914 Santiago de Surco 11 San Isidro 422 1277 701 13 San Martín de Porres 8 Lima 511 12 San Juan de Lurigancho 10 San Borja 290 6 La Molina 436 7 La Victoria 306 Chaclacayo 158 5 Cieneguilla 279 4 1 Ancón 1817 3 Carabayllo 709 51 Tabla 4.20 Coordenadas cartesianas de 15 centros de distribución propuestos Fuente: Garmin MapSource Figura 4.5 Ubicación de los centros de distribución en coordenadas cartesianas – 15 clientes N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 008 8 667 023 0.0 0.0 31 1 Ancón 265 082 8 700 387 -4.9 33.4 46 2 Ate 294 861 8 670 776 24.9 3.8 422 3 Carabayllo 277 998 8 688 713 8.0 21.7 232 4 Chaclacayo 307 305 8 675 476 37.3 8.5 661 5 Cieneguilla 306 763 8 662 306 36.8 -4.7 355 6 La Molina 288 352 8 664 714 18.3 -2.3 248 7 La Victoria 279 915 8 664 046 9.9 -3.0 142 8 Lima 277 640 8 667 499 7.6 0.5 138 9 Los Olivos 274 074 8 675 104 4.1 8.1 64 10 San Borja 283 456 8 662 177 13.4 -4.8 173 11 San Isidro 277 656 8 660 754 7.6 -6.3 87 12 San Juan de Lurigancho 282 369 8 675 743 12.4 8.7 253 13 San Martín de Porres 271 509 8 674 877 1.5 7.9 40 14 Santiago de Surco 282 270 8 658 042 12.3 -9.0 105 15 Villa María del Triunfo 288 493 8 654 719 18.5 -12.3 185 52 La función objetivo generada para el modelo es: Minimize obj: 24.780839372386 x_7_3 + 17.601136326953 x_6_9 + 30.155928107090 x_12_1 + 11.964113005150 x_7_12 + 30.516389039334 x_14_4 + 35.805027579936 x_13_4 + 10.344563789740 x_0_7 + 51.431507852677 x_15_1 + 42.576167042138 x_1_6 + 14.233762678926 x_0_10 + 24.780839372386 x_3_7 + … … + 8.041144197190 x_0_13 + 21.202122535256 x_3_8 + 25.188290930510 x_2_0 + 35.194601858808 x_1_8 + 32.227317604790 x_4_3 + 17.418381095842 x_2_15 + 35.209089735465 x_9_5 + 14.705441169853 x_5_2 + 11.423221962301 x_11_6 + 14.360013927570 x_10_2 #Se definen arcos y distancia Arcos ={(i,j) for i in nodos for j in nodos if i!=j} distancia ={(i,j):np.hypot(loc_x[i]-loc_x[j],loc_y[i]-loc_y[j]) for i in nodos for j in nodos if i!=j} #Variables de decisión x=mdl.binary_var_dict(arcos,name="x") u=mdl.continuous_var_dict(nodos,ub=Q,name="u") #Función objetivo mdl.minimize(mdl.sum(distancia[i,j]*x[i,j] for i,j in arcos)) #Restricciones 1) mdl.add_constraints(mdl.sum(x[i,j] for j in nodos if i!=j)==1 for i in clientes) 2) mdl.add_constraints(mdl.sum(x[i,j] for i in nodos if i!=j)==1 for j in clientes) MTZ)mdl.add_indicator_constraints(mdl.indicator_constraint(x[i,j],u[i] +q[j]==u[j])for i,j in arcos if i!=0 and j!=0) MTZ2) mdl.add_constraints(u[i]>=q[i] for i in clientes) Para esta primera corrida se encuentra una solución óptima a los 1019 segundos, que son aproximadamente 17 minutos. Real time = 1018.50 sec. (198287.09 ticks) Sync time (average) = 42.94 sec. Wait time (average) = 2.33 sec. ------------ 53 Total (root+branch&cut) = 1018.86 sec. (198298.46 ticks) 4.3.2. Con 16 centros de distribución (almacenes o clientes) N =16 #clientes Clientes =[x for x in range(1,n+1)] #parte del 1, hasta el 16+1 nodos =[0]+clientes Q =1824 #capacidad volumétrica de los vehículos, son 57 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes Tabla 4.21 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 16 almacenes N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco 16 Villa María del Triunfo Villa El Salvador 278 14 San Martín de Porres 1277 15 Santiago de Surco 609 12 San Isidro 422 13 San Juan de Lurigancho 701 11 San Borja 290 8 Lima 511 6 La Molina 436 7 La Victoria 306 4 Chaclacayo 158 5 Cieneguilla 279 1 Ancón 1817 3 Carabayllo 709 54 Tabla 4.21 (Continuación) Las coordenadas X e Y para cada uno de los 16 centros de distribución propuestos se muestran en la tabla 4.22. Tabla 4.22 Coordenadas cartesianas de 16 centros de distribución propuestos Fuente: Garmin MapSource N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco 16 Villa María del Triunfo Villa El Salvador 278 14 San Martín de Porres 1277 15 Santiago de Surco 609 12 San Isidro 422 13 San Juan de Lurigancho 701 11 San Borja 290 8 Lima 511 6 La Molina 436 7 La Victoria 306 4 Chaclacayo 158 5 Cieneguilla 279 1 Ancón 1817 3 Carabayllo 709 N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco 16 Villa María del Triunfo Villa El Salvador 278 14 San Martín de Porres 1277 15 Santiago de Surco 609 12 San Isidro 422 13 San Juan de Lurigancho 701 11 San Borja 290 8 Lima 511 6 La Molina 436 7 La Victoria 306 4 Chaclacayo 158 5 Cieneguilla 279 1 Ancón 1817 3 Carabayllo 709 N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 008 8 667 023 0.0 0.0 31 1 Ancón 265 082 8 700 387 -4.9 33.4 46 2 Ate 294 861 8 670 776 24.9 3.8 422 3 Carabayllo 277 998 8 688 713 8.0 21.7 232 4 Chaclacayo 307 305 8 675 476 37.3 8.5 661 5 Cieneguilla 306 763 8 662 306 36.8 -4.7 355 6 La Molina 288 352 8 664 714 18.3 -2.3 248 7 La Victoria 279 915 8 664 046 9.9 -3.0 142 8 Lima 277 640 8 667 499 7.6 0.5 138 9 Los Olivos 274 074 8 675 104 4.1 8.1 64 10 Pachacámac 293 810 8 645 142 23.8 -21.9 47 11 San Borja 283 456 8 662 177 13.4 -4.8 173 12 San Isidro 277 656 8 660 754 7.6 -6.3 87 13 San Juan de Lurigancho 282 369 8 675 743 12.4 8.7 253 14 San Martín de Porres 271 509 8 674 877 1.5 7.9 40 15 Santiago de Surco 282 270 8 658 042 12.3 -9.0 105 16 Villa María del Triunfo 288 493 8 654 719 18.5 -12.3 185 55 Figura 4.6 Ubicación de los centros de distribución en coordenadas cartesianas – 16 clientes Para esta segunda corrida se encuentra una solución óptima a los 1172 segundos, que son aproximadamente 20 minutos. Real time = 1771.19 sec. (472603.68 ticks) Sync time (average) = 69.37 sec. Wait time (average) = 3.29 sec. ------------ Total (root+branch&cut) = 1771.42 sec. (472616.67 ticks) 56 4.3.3. Con 17 centros de distribución (almacenes o clientes) Para el modelo se definen las precondiciones discutidas previamente: N =17 #clientes Clientes =[x for x in range(1,n+1)] #parte del 1, hasta el 17+1 nodos =[0]+clientes Q =1856 #capacidad volumétrica de los vehículos, son 58 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes Tabla 4.23 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 17 almacenes N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres 15 San Miguel San Miguel 48 Barranco Santiago de Surco 17 Villa María del Triunfo Villa El Salvador 278 San Isidro San Juan de Lurigancho San Martín de Porres Santiago de Surco Lima San Borja Cieneguilla La Molina La Victoria 1 3 4 5 6 11 306 462 290 16 12 13 14 7 8 422 701 1277 609 1817 709 158 279 436 Ancón Carabayllo Chaclacayo 57 Tabla 4.23 (Continuación) Las coordenadas X e Y para cada uno de los 17 centros de distribución propuestos se muestran en la tabla 4.24 Tabla 4.24 Coordenadas cartesianas de centros de distribución propuestos Fuente: Garmin MapSource N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres 15 San Miguel San Miguel 48 Barranco Santiago de Surco 17 Villa María del Triunfo Villa El Salvador 278 San Isidro San Juan de Lurigancho San Martín de Porres Santiago de Surco Lima San Borja Cieneguilla La Molina La Victoria 1 3 4 5 6 11 306 462 290 16 12 13 14 7 8 422 701 1277 609 1817 709 158 279 436 Ancón Carabayllo Chaclacayo N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre 9 Los Olivos Los Olivos 222 10 Pachacámac San Juan de Miraflores 240 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres 15 San Miguel San Miguel 48 Barranco Santiago de Surco 17 Villa María del Triunfo Villa El Salvador 278 San Isidro San Juan de Lurigancho San Martín de Porres Santiago de Surco Lima San Borja Cieneguilla La Molina La Victoria 1 3 4 5 6 11 306 462 290 16 12 13 14 7 8 422 701 1277 609 1817 709 158 279 436 Ancón Carabayllo Chaclacayo N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 008 8 667 023 0.0 0.0 31 1 Ancón 265 082 8 700 387 -4.9 33.4 46 2 Ate 294 861 8 670 776 24.9 3.8 422 3 Carabayllo 277 998 8 688 713 8.0 21.7 232 4 Chaclacayo 307 305 8 675 476 37.3 8.5 661 5 Cieneguilla 306 763 8 662 306 36.8 -4.7 355 6 La Molina 288 352 8 664 714 18.3 -2.3 248 7 La Victoria 279 915 8 664 046 9.9 -3.0 142 8 Lima 277 640 8 667 499 7.6 0.5 138 9 Los Olivos 274 074 8 675 104 4.1 8.1 64 10 Pachacámac 293 810 8 645 142 23.8 -21.9 47 11 San Borja 283 456 8 662 177 13.4 -4.8 173 12 San Isidro 277 656 8 660 754 7.6 -6.3 87 13 San Juan de Lurigancho 282 369 8 675 743 12.4 8.7 253 14 San Martín de Porres 271 509 8 674 877 1.5 7.9 40 15 San Miguel 272 865 8 664 835 2.9 -2.2 61 16 Santiago de Surco 282 270 8 658 042 12.3 -9.0 105 17 Villa María del Triunfo 288 493 8 654 719 18.5 -12.3 185 58 Figura 4.7 Ubicación de los centros de distribución en coordenadas cartesianas – 17 clientes Para la tercera corrida se encuentra una solución óptima a los 2387 segundos, que son aproximadamente 40 minutos. Real time = 2385.25 sec. (404968.27 ticks) Sync time (average) = 165.40 sec. Wait time (average) = 0.00 sec. ------------ Total (root+branch&cut) = 2386.53 sec. (404968.33 ticks) 59 4.3.4. Con 18 centros de distribución (almacenes o clientes) Para el modelo se definen las precondiciones discutidas previamente: N =18 #clientes Clientes =[x for x in range(1,n+1)] #parte del 1, hasta el 18+1 nodos =[0]+clientes Q =2272 #capacidad volumétrica de los vehículos, son 71 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes Tabla 4.25 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 18 almacenes N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 10 7 El Agustino El Agustino 444 8 Independencia Independencia 127 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 129 12 Rímac Rímac 257 13 San Borja San Borja 256 14 San Isidro San Isidro 84 15 San Martín de Porres Los Olivos 222 Lima Pueblo Libre San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 511San Miguel16 105 709 9 La Molina 241 10 La Victoria 128 4 Carabayllo 2 268 1 Ancón 1817 3 Breña 18 Villa María del Triunfo 788 5 Chaclacayo 17 Santiago de Surco 158 60 Tabla 4.25 (Continuación) Las coordenadas X e Y para cada uno de los 18 centros de distribución propuestos se muestran en la tabla 4.26 Tabla 4.26 Coordenadas cartesianas de los 18 centros de distribución propuestos Fuente: Garmin MapSource N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 10 7 El Agustino El Agustino 444 8 Independencia Independencia 127 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 129 12 Rímac Rímac 257 13 San Borja San Borja 256 14 San Isidro San Isidro 84 15 San Martín de Porres Los Olivos 222 Lima Pueblo Libre San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 511San Miguel16 105 709 9 La Molina 241 10 La Victoria 128 4 Carabayllo 2 268 1 Ancón 1817 3 Breña 18 Villa María del Triunfo 788 5 Chaclacayo 17 Santiago de Surco 158 N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 10 7 El Agustino El Agustino 444 8 Independencia Independencia 127 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 129 12 Rímac Rímac 257 13 San Borja San Borja 256 14 San Isidro San Isidro 84 15 San Martín de Porres Los Olivos 222 Lima Pueblo Libre San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 511San Miguel16 105 709 9 La Molina 241 10 La Victoria 128 4 Carabayllo 2 268 1 Ancón 1817 3 Breña 18 Villa María del Triunfo 788 5 Chaclacayo 17 Santiago de Surco 158 N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 019 8 667 111 0.0 0.0 34 1 Ancón 265 174 8 700 401 -4.8 33.3 50 2 Ate 294 973 8 670 825 25.0 3.7 426 3 Breña 276 421 8 665 716 6.4 -1.4 115 4 Carabayllo 277 941 8 688 700 7.9 21.6 232 5 Chaclacayo 307 350 8 675 468 37.3 8.4 661 6 Cieneguilla 306 877 8 662 185 36.9 -4.9 359 7 El Agustino 282 386 8 667 053 12.4 -0.1 200 8 Independencia 277 205 8 673 618 7.2 6.5 157 9 La Molina 288 329 8 664 714 18.3 -2.4 248 10 La Victoria 279 903 8 664 025 9.9 -3.1 142 11 Miraflores 279 176 8 660 791 9.2 -6.3 107 12 Rímac 278 891 8 669 177 8.9 2.1 144 13 San Borja 283 453 8 662 147 13.4 -5.0 172 14 San Isidro 277 653 8 660 727 7.6 -6.4 87 15 San Martín de Porres 271 578 8 674 893 1.6 7.8 41 16 San Miguel 272 806 8 664 790 2.8 -2.3 60 17 Santiago de Surco 282 263 8 658 075 12.2 -9.0 105 18 Villa Maria del Triunfo 288 474 8 654 673 18.5 -12.4 184 61 Figura 4.8 Ubicación de los CD en coordenadas cartesianas – 18 clientes Para la cuarta corrida se encuentra una solución óptima a los 2727 segundos, que son aproximadamente 46 minutos. Real time = 2725.88 sec. (663023.27 ticks) Sync time (average) = 92.43 sec. Wait time (average) = 4.19 sec. ------------ Total (root+branch&cut) = 2726.16 sec. (663041.70 ticks) 4.3.5. Con 19 centros de distribución (almacenes o clientes) Para el modelo se definen las precondiciones discutidas previamente: 62 N =19 #clientes Clientes =[x for x in range(1,n+1)] #parte del 1, hasta el 19+1 nodos =[0]+clientes Q =2272 #capacidad volumétrica de los vehículos, son 71 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes Tabla 4.27 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 19 almacenes N° Ubicación Abastece a q (m3) Ancón San Juan de Lurigancho 2 Ate Ate 382 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 10 7 El Agustino El Agustino 444 8 Independencia Independencia 127 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 129 12 Pueblo Libre Pueblo Libre 44 13 Rímac Rímac 257 14 San Borja San Borja 256 15 San Isidro San Isidro 84 16 San Martín de Porres Los Olivos 222 Lima San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 158 San Miguel 467 Villa María del Triunfo 788 5 Chaclacayo 105 Santiago de Surco 2268 241 La Victoria 9 La Molina 1 3 17 19 4 18 10 Breña 128 Ancón 1817 Carabayllo 709 63 Las coordenadas X e Y para cada uno de los 19 centros de distribución propuestos se muestran en la tabla 4.28 Tabla 4.28 Coordenadas cartesianas de los 19 centros de distribución propuestos Fuente: Garmin MapSource Para la quinta corrida se encuentra una solución óptima a los 5318 segundos, que son aproximadamente 89 minutos. Real time = 5317.72 sec. (1089259.73 ticks) Sync time (average) = 150.00 sec. Wait time (average) = 6.18 sec. ------------ Total (root+branch&cut) = 5318.50 sec. (1089278.05 ticks) N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 019 8 667 111 0.0 0.0 34 1 Ancón 265 174 8 700 401 -4.8 33.3 50 2 Ate 294 973 8 670 825 25.0 3.7 426 3 Breña 276 421 8 665 716 6.4 -1.4 115 4 Carabayllo 277 941 8 688 700 7.9 21.6 232 5 Chaclacayo 307 350 8 675 468 37.3 8.4 661 6 Cieneguilla 306 877 8 662 185 36.9 -4.9 359 7 El Agustino 282 386 8 667 053 12.4 -0.1 200 8 Independencia 277 205 8 673 618 7.2 6.5 157 9 La Molina 288 329 8 664 714 18.3 -2.4 248 10 La Victoria 279 903 8 664 025 9.9 -3.1 142 11 Miraflores 279 176 8 660 791 9.2 -6.3 107 12 Pueblo Libre 275 607 8 662 688 5.6 -4.4 80 13 Rímac 278 891 8 669 177 8.9 2.1 144 14 San Borja 283 453 8 662 147 13.4 -5.0 172 15 San Isidro 277 653 8 660 727 7.6 -6.4 87 16 San Martín de Porres 271 578 8 674 893 1.6 7.8 41 17 San Miguel 272 806 8 664 790 2.8 -2.3 60 18 Santiago de Surco 282 263 8 658 075 12.2 -9.0 105 19 Villa Maria del Triunfo 288 474 8 654 673 18.5 -12.4 184 64 Figura 4.9 Ubicación de los CD en coordenadas cartesianas – 19 clientes 4.3.6. Con 29 centros de distribución (almacenes o clientes) N =29 #clientes Clientes =[x for x in range(1,n+1)] #parte dek 1, hasta el 11+1 Nodos =[0]+clientes Q =1824 #capacidad volumétrica de los vehículos, son 57 vehículos de 32 m3 cada uno q = #Capacidad volumétrica requerida para satisfacer la demanda de los clientes 65 Tabla 4.29 Capacidad volumétrica requerida para satisfacer la demanda de los clientes - 29 almacenes Las coordenadas X e Y para cada uno de los 29 centros de distribución propuestos se muestran en la tabla 4.30 N° Ubicación Abastece a q (m3) 1 Ancón Ancón 24 2 Ate Ate 383 3 Barranco Barranco 46 4 San Miguel San Miguel 49 Breña La Victoria 6 Carabayllo Carabayllo 184 7 Chaclacayo Chaclacayo 26 8 Cieneguilla Cieneguilla 10 9 Comas Comas 311 El Agustino Santa Anita 11 Independencia Independencia 128 Jesús María Magdalena del Mar Chorrillos La Molina 14 La Victoria San Luis 34 15 Lima Lima 419 16 Lince Lince 29 17 Los Olivos Los Olivos 223 18 Lurigancho Lurigancho 133 19 Miraflores Miraflores 129 20 Pueblo Libre Pueblo Libre 44 21 Rímac Rímac 257 22 San Borja San Borja 257 23 San Isidro San Isidro 85 24 San Juan de Lurigancho San Juan de Lurigancho 1794 25 San Martín de Porres San Martín de Porres 1150 26 Santiago de Surco Santiago de Surco 564 27 Surquillo Surquillo 53 28 Ventanilla/Puente Piedra Puente Piedra 216 San Juan de Miraflores Villa El Salvador Villa María del Triunfo 10 5 Breña El Agustino 306 582 128 298 788 12 13 29 Jesús María La Molina Villa Maria del Triunfo 66 Tabla 4.30 Coordenadas cartesianas de centros de distribución propuestos Fuente: Garmin MapSource N° Ubicación del centro de distribución Este Norte X Y Elevación (m) 0 DC 270 019 8 667 111 0.0 0.0 34 1 Ancón 265 174 8 700 401 -4.8 33.3 50 2 Ate 294 973 8 670 825 25.0 3.7 426 3 Barranco 279 799 8 657 375 9.8 -9.7 76 4 San Miguel 272 806 8 664 790 2.8 -2.3 60 5 Breña 276 421 8 665 716 6.4 -1.4 115 6 Carabayllo 277 941 8 688 700 7.9 21.6 232 7 Chaclacayo 307 350 8 675 468 37.3 8.4 661 8 Cieneguilla 306 877 8 662 185 36.9 -4.9 359 9 Comas 276 494 8 681 061 6.5 14.0 134 10 El Agustino 282 386 8 667 053 12.4 -0.1 200 11 Independencia 277 205 8 673 618 7.2 6.5 157 12 Jesús María 277 653 8 663 537 7.6 -3.6 110 13 La Molina 288 329 8 664 714 18.3 -2.4 248 14 La Victoria 279 903 8 664 025 9.9 -3.1 142 15 Lima 277 652 8 667 502 7.6 0.4 138 16 Lince 279 133 8 662 245 9.1 -4.9 119 17 Los Olivos 274 096 8 675 082 4.1 8.0 65 18 Lurigancho 291 044 8 669 801 21.0 2.7 359 19 Miraflores 279 176 8 660 791 9.2 -6.3 107 20 Pueblo Libre 275 607 8 662 688 5.6 -4.4 80 21 Rímac 278 891 8 669 177 8.9 2.1 144 22 San Borja 283 453 8 662 147 13.4 -5.0 172 23 San Isidro 277 653 8 660 727 7.6 -6.4 87 24 San Juan de Lurigancho 282 355 8 675 735 12.3 8.6 253 25 San Martín de Porres 271 578 8 674 893 1.6 7.8 41 26 Santiago de Surco 282 263 8 658 075 12.2 -9.0 105 27 Surquillo 280 611 8 659 191 10.6 -7.9 105 28 Ventanilla/Puente Piedra 273 382 8 687 739 3.4 20.6 190 29 Villa Maria del Triunfo 288 474 8 654 673 18.5 -12.4 184 67 Figura 4.10 Ubicación de los CD en coordenadas cartesianas – 29 clientes La función objetivo generada para el modelo es: Minimize obj: 32.922029099070 x_7_3 + 12.839003076563 x_20_25 + 9.077997798511 x_16_9 + 4.609772228646 x_6_28 + 19.300259065619 x_21_28 + 7.547184905645 x_19_4 + 12.490396310766 x_17_20 + 35.705041660808 x_7_25 + 4.396589587396 x_22_19 + 34.186693317722 x_20_7 + … … + 7.093659140387 x_12_26 + 14.849915824677 x_27_18 + 43.984088031924 x_1_27 + 15.170036255725 x_25_6 + 9.462557793747 x_13_27 + 68 19.300259065619 x_28_21 + 25.272316870441 x_2_0 + 9.560334722174 x_26_5 + 21.896118377466 x_29_24 + 9.109335870413 x_3_29 + 26.470549673175 x_27_8 #Se definen arcos y distancia Arcos ={(i,j) for i in nodos for j in nodos if i!=j} distancia ={(i,j):np.hypot(loc_x[i]-loc_x[j],loc_y[i]-loc_y[j]) for i in nodos for j in nodos if i!=j} #Variables de decisión x=mdl.binary_var_dict(arcos,name="x") u=mdl.continuous_var_dict(nodos,ub=Q,name="u") #Función objetivo mdl.minimize(mdl.sum(distancia[i,j]*x[i,j] for i,j in arcos)) #Restricciones 1) mdl.add_constraints(mdl.sum(x[i,j] for j in nodos if i!=j)==1 for i in clientes) 2) mdl.add_constraints(mdl.sum(x[i,j] for i in nodos if i!=j)==1 for j in clientes) MTZ)mdl.add_indicator_constraints(mdl.indicator_constraint(x[i,j],u[i] +q[j]==u[j])for i,j in arcos if i!=0 and j!=0) MTZ2) mdl.add_constraints(u[i]>=q[i] for i in clientes) Para esta corrida no se encuentra una solución óptima después de 19 horas de procesamiento, por lo que se decidió interrumpirla. 69 CAPÍTULO 5. Análisis de resultados Corridas realizadas 5.1.1. Con 15 centros de atención Se obtiene una solución óptima, verificada en , después de 1019 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 274.896 x_9_0 = 1 x_10_7 = 1 x_4_5 = 1 x_0_1 = 1 x_15_0 = 1 x_0_11 = 1 x_1_0 = 1 x_8_0 = 1 x_6_2 = 1 x_11_14 = 1 x_12_3 = 1 x_14_10 = 1 x_0_12 = 1 x_3_9 = 1 x_7_0 = 1 x_0_6 = 1 x_2_4 = 1 x_13_8 = 1 x_5_15 = 1 x_0_13 = 1 u_1 = 1817.000 u_2 = 868.000 u_3 = 1602.000 u_4 = 1026.000 u_5 = 1305.000 u_6 = 486.000 u_7 = 1627.000 u_8 = 1824.000 u_9 = 1824.000 u_10 = 1321.000 u_11 = 422.000 u_12 = 893.000 70 u_13 = 1313.000 u_14 = 1031.000 u_15 = 1824.000 Con los siguientes arcos activos [(9, 0), (10, 7), (4, 5), (0, 1), (15, 0), (0, 11), (1, 0), (8, 0), (6, 2), (11, 14), (12, 3), (14, 10), (0, 12), (3, 9), (7, 0), (0, 6), (2, 4), (13, 8), (5, 15), (0, 13)] que gráficamente se muestran en la figura 5.1. Figura 5.1 Solución óptima - 15 centros de distribución {1: Ancón ; 2 : Ate ; 3 : Carabayllo ; 4 : Chaclacayo ; 5 : Cieneguilla ; 6 : La Molina ; 7 : La Victoria ; 8 : Lima ; 9 : Los Olivos ; 10 : San Borja ; 11 : San Isidro ; 12 : San Juan de Lurigancho ; 13 : San Martín de Porres ; 14 : Santiago de Surco ; 15 : Villa María del Triunfo} 71 En el escenario en que se distribuyen bienes de ayuda humanitaria alimentaria a 15 almacenes, se obtiene la solución recorriendo 275 km, satisfaciendo la demanda de todos los nodos. 5.1.2. Con 16 centros de atención Se obtiene una solución óptima, verificada en , después de 1172 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 287.449 x_9_0 = 1 x_15_11 = 1 x_4_5 = 1 x_16_0 = 1 x_0_1 = 1 x_14_8 = 1 x_0_14 = 1 x_13_3 = 1 x_1_0 = 1 x_5_10 = 1 x_8_0 = 1 x_6_2 = 1 x_0_12 = 1 x_3_9 = 1 x_11_7 = 1 x_7_0 = 1 x_10_16 = 1 x_0_6 = 1 x_2_4 = 1 x_12_15 = 1 x_0_13 = 1 u_1 = 1817.000 u_2 = 818.000 u_3 = 1410.000 u_4 = 976.000 u_5 = 1255.000 u_6 = 436.000 u_7 = 1627.000 u_8 = 1824.000 u_9 = 1632.000 u_10 = 1495.000 u_11 = 1321.000 72 u_12 = 422.000 u_13 = 701.000 u_14 = 1313.000 u_15 = 1031.000 u_16 = 1773.000 Con los siguientes arcos activos [(9, 0), (15, 11), (4, 5), (16, 0), (0, 1), (14, 8), (0, 14), (13, 3), (1,0), (5, 10), (8, 0), (6, 2), (0, 12), (3, 9), (11, 7), (7, 0), (10, 16), (0, 6), (2, 4), (12, 15), (0, 13)] que gráficamente se muestran en la figura 5.2. Figura 5.2 Solución óptima - 16 centros de distribución {1 : Ancón ; 2 : Ate ; 3 : Carabayllo ; 4 : Chaclacayo ; 5 : Cieneguilla ; 6 : La Molina ; 7 : La Victoria ; 8 : Lima ; 9 : Los Olivos ; 10 : Pachacámac ; 11 : San Borja ; 12 : San Isidro ; 13 : San Juan de Lurigancho ; 14 : San Martín de Porres ; 15 : Santiago de Surco ; 16 : Villa María del Triunfo} 73 En el escenario en que se distribuyen bienes de ayuda humanitaria alimentaria a 16 almacenes, se obtiene la solución recorriendo 287.4 km, satisfaciendo la demanda de todos los nodos. 5.1.3. Con 17 centros de atención Se obtiene una solución óptima, verificada en , después de 2837 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 287.424 x_10_17 = 1 x_4_5 = 1 x_9_3 = 1 x_0_1 = 1 x_13_0 = 1 x_1_0 = 1 x_0_8 = 1 x_5_10 = 1 x_6_2 = 1 x_15_12 = 1 x_0_15 = 1 x_16_11 = 1 x_11_7 = 1 x_7_0 = 1 x_17_0 = 1 x_0_6 = 1 x_0_9 = 1 x_2_4 = 1 x_14_0 = 1 x_12_16 = 1 x_8_14 = 1 x_3_13 = 1 u_1 = 1827.000 u_2 = 818.000 u_3 = 1155.000 u_4 = 976.000 u_5 = 1255.000 u_6 = 436.000 u_7 = 1675.000 u_8 = 462.000 u_9 = 446.000 u_10 = 1495.000 74 u_11 = 1369.000 u_12 = 470.000 u_13 = 1856.000 u_14 = 1739.000 u_15 = 48.000 u_16 = 1079.000 u_17 = 1773.000 Con los siguientes arcos activos [(10, 17), (4, 5), (9, 3), (0, 1), (13, 0), (1, 0), (0, 8), (5, 10), (6, 2), (15, 12), (0, 15), (16, 11), (11, 7), (7, 0), (17, 0), (0, 6), (0, 9), (2, 4), (14, 0), (12, 16), (8, 14), (3, 13)] que gráficamente se muestran en la figura 5.3. Figura 5.3 Solución óptima - 17 centros de distribución {1: Ancón ; 2 : Ate ; 3 : Carabayllo ; 4 : Chaclacayo ; 5 : Cieneguilla ; 6 : La Molina ; 7 : La Victoria ; 8 : Lima ; 9 : Los Olivos ; 10 : Pachacámac ; 11 : San Borja ; 12 : San Isidro ; 13 : San Juan de Lurigancho ; 14 : San Martín de Porres ; 15 : San Miguel ; 16 : Santiago de Surco ; 17 : Villa María del Triunfo} 75 En el escenario en que se distribuyen bienes de ayuda humanitaria alimentaria a 17 almacenes, se obtiene la solución recorriendo 287 km, satisfaciendo la demanda de todos los nodos. 5.1.4. Con 18 centros de atención Se obtiene una solución óptima, verificada en , después de 2837 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 256.627 x_7_3 = 1 x_0_17 = 1 x_16_0 = 1 x_8_12 = 1 x_0_14 = 1 x_12_7 = 1 x_1_0 = 1 x_18_6 = 1 x_9_13 = 1 x_4_8 = 1 x_6_5 = 1 x_14_11 = 1 x_5_2 = 1 x_0_4 = 1 x_0_15 = 1 x_3_16 = 1 x_11_18 = 1 x_15_1 = 1 x_13_10 = 1 x_10_0 = 1 x_17_0 = 1 x_2_9 = 1 u_1 = 2039.000 u_2 = 1551.000 u_3 = 1761.000 u_4 = 805.000 u_5 = 1169.000 u_6 = 1011.000 u_7 = 1633.000 u_8 = 932.000 u_9 = 1792.000 u_10 = 2153.000 76 u_11 = 213.000 u_12 = 1189.000 u_13 = 2048.000 u_14 = 84.000 u_15 = 222.000 u_16 = 2272.000 u_17 = 2268.000 u_18 = 1001.000 Con los siguientes arcos activos [(7, 3), (0, 17), (16, 0), (8, 12),(0, 14), (12, 7), (1, 0), (18, 6), (9,13), (4, 8), (6, 5), (14, 11), (5, 2), (0, 4), (0, 15), (3, 16), (11, 18), (15, 1), (13, 10), (10, 0), (17, 0), (2, 9)] que gráficamente se muestran en la figura 5.4. Figura 5.4 Solución óptima - 18 centros de distribución {1: Ancón ; 2 : Ate ; 3 : Breña ; 4 : Carabayllo ; 5 : Chaclacayo ; 6 : Cieneguilla ; 7 : El Agustino ; 8 : Independencia ; 9 : La Molina ; 10 : La Victoria ; 11 : Miraflores ; 12 : Rímac ; 13 : San Borja ; 14 : San Isidro ; 15 : San Martín de Porres ; 16 : San Miguel ; 17 : ; 17 : Santiago de Surco ; 18 : Villa María del Triunfo} 77 En el escenario en que se distribuyen bienes de ayuda humanitaria alimentaria a 18 almacenes, se obtiene la solución recorriendo 257 km, satisfaciendo la demanda de todos los nodos. 5.1.5. Con 19 centros de atención Se obtiene una solución óptima, verificada en , después de 5319 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 256.642 x_7_3 = 1 x_16_0 = 1 x_10_14 = 1 x_11_15 = 1 x_3_17 = 1 x_5_6 = 1 x_2_5 = 1 x_1_16 = 1 x_4_8 = 1 x_13_7 = 1 x_0_4 = 1 x_0_18 = 1 x_8_13 = 1 x_14_9 = 1 x_15_12 = 1 x_12_0 = 1 x_6_19 = 1 x_0_10 = 1 x_0_1 = 1 x_18_0 = 1 x_9_2 = 1 x_19_11 = 1 x_17_0 = 1 u_1 = 2050.000 u_2 = 984.000 u_3 = 1805.000 u_4 = 849.000 u_5 = 1142.000 u_6 = 1152.000 u_7 = 1677.000 u_8 = 976.000 u_9 = 602.000 78 u_10 = 105.000 u_11 = 2069.000 u_12 = 2197.000 u_13 = 1233.000 u_14 = 361.000 u_15 = 2153.000 u_16 = 2272.000 u_17 = 2272.000 u_18 = 2268.000 u_19 = 1940.000 Con los siguientes arcos activos [(7, 3), (16, 0), (10, 14), (11, 15), (3, 17), (5, 6), (2, 5), (1, 16), (4, 8), (13, 7), (0, 4), (0, 18), (8, 13), (14, 9), (15, 12), (12, 0), (6, 19), (0, 10), (0, 1), (18, 0), (9, 2), (19, 11), (17, 0)] que gráficamente se muestran en la figura 5.5. Figura 5.5 Solución óptima - 19 centros de distribución 79 {1 : Ancón ; 2 : Ate ; 3 : Breña ; 4 : Carabayllo ; 5 : Chaclacayo ; 6 : Cieneguilla ; 7 : El Agustino ; 8 : Independencia ; 9 : La Molina ; 10 : La Victoria ; 11 : Miraflores ; 12 : Pueblo Libre ; 13 : Rímac ; 14 : San Borja ; 15 : San Isidro ; 16 : San Martín de Porres ; 17 : San Miguel ; 18 : Santiago de Surco ; 19 : Villa María del Triunfo} En el escenario en que se distribuyen bienes de ayuda humanitaria alimentaria a 19 almacenes, se obtiene la solución recorriendo 256.6 km, satisfaciendo la demanda de todos los nodos. 5.1.6. Con 29 centros de atención No se obtiene una solución óptima. El modelo corrió por 67 300 segundos, aproximadamente 19 horas sin encontrar una solución óptima. No obstante, se encuentran soluciones factibles dentro de los 10 000 segundos. Figura 5.6 Tiempo de corrida máximo - 29 CD, sin encontrar óptimo Fuente: captura de pantalla Se obtiene una solución factible, verificada en después de 2100 segundos de procesamiento con la siguiente solución en km: solution for: Ruteo Bienes de Ayuda Humanitaria Alimentaria objective: 275.804 x_21_15 = 1 x_0_14 = 1 x_28_1 = 1 x_2_7 = 1 x_19_27 = 1 x_0_28 = 1 x_23_20 = 1 x_13_18 = 1 80 x_27_3 = 1 x_1_6 = 1 x_5_4 = 1 x_8_29 = 1 x_0_25 = 1 x_3_26 = 1 x_12_16 = 1 x_15_5 = 1 x_25_17 = 1 x_26_22 = 1 x_6_9 = 1 x_9_21 = 1 x_16_19 = 1 x_29_23 = 1 x_17_11 = 1 x_20_0 = 1 x_22_10 = 1 x_18_2 = 1 x_4_0 = 1 x_11_0 = 1 x_7_8 = 1 x_0_24 = 1 x_10_0 = 1 x_0_12 = 1 x_14_13 = 1 x_24_0 = 1 u_1 = 240.000 u_2 = 871.000 u_3 = 421.000 u_4 = 1766.000 u_5 = 1717.000 u_6 = 424.000 u_7 = 897.000 u_8 = 907.000 u_9 = 735.000 u_10 = 1824.000 u_11 = 1824.000 u_12 = 164.000 u_13 = 355.000 u_14 = 57.000 u_15 = 1411.000 81 u_16 = 193.000 u_17 = 1696.000 u_18 = 488.000 u_19 = 322.000 u_20 = 1824.000 u_21 = 992.000 u_22 = 1242.000 u_23 = 1780.000 u_24 = 1824.000 u_25 = 1473.000 u_26 = 985.000 u_27 = 375.000 u_28 = 216.000 u_29 = 1695.000 Con los siguientes arcos activos [(21, 15), (0, 14), (28, 1), (2, 7), (19, 27), (0, 28), (23, 20), (13, 18), (27, 3), (1, 6), (5, 4), (8, 29), (0, 25), (3, 26), (12, 16), (15, 5), (25, 17), (26, 22), (6, 9), (9, 21), (16, 19), (29, 23), (17, 11), (20, 0), (22, 10), (18, 2), (4, 0), (11, 0), (7, 8), (0, 24), (10, 0), (0, 12), (14, 13), (24, 0)] que gráficamente se muestran en la figura 5.7 Figura 5.7 Solución factible - 29 centros de distribución . 82 {1 : Ancón ; 2 : Ate ; 3 : Barranco ; 4 : San Miguel ; 5 : Breña ; 6 : Carabayllo ; 7 : Chaclacayo ; 8 : Cieneguilla ; 9 : Comas ; 10 : El Agustino ; 11 : Independencia ; 12 : Jesús María ; 13 : La Molina ; 14 : La Victoria ; 15 : Lima ; 16 : Lince ; 17 : Los Olivos ; 18 : Lurigancho ; 19 : Miraflores ; 20 : Pueblo Libre ; 21 : Rímac ; 22 : San Borja ; 23 : San Isidro ; 24 : San Juan de Lurigancho ; 25 : San Martín de Porres ; 26 : Santiago de Surco ; 27 : Surquillo ; 28 : Ventanilla/Puente Piedra ; 29 : Villa María del Triunfo} De los resultados De los resultados de los cinco escenarios presentados, se obtiene que, a partir de los 20 centros de distribución en el modelo, se encuentra complejidad computacional. Esto se comprueba con las corridas de 20, 23 y 29 centros de distribución modelos, donde se dejó corriendo el modelo entre 9 y 20 horas, sin obtener una solución óptima. Figura 5.8. El código corre por 9 horas, sin encontrar solución óptima (20 centros de distribución) Figura 5.9. El código corre por 11.5 horas, sin encontrar solución óptima (20 centros de distribución) 83 Figura 5.10. El código corre por 20 horas, sin encontrar solución óptima (20 centros de distribución) Figura 5.11. El código corre por 19 horas, sin encontrar solución óptima (29 centros de distribución) El modelo propuesto, por la naturaleza de su estructura con el uso de las llamadas restricciones Miller-Tucker-Zemlin (MTZ) y la introducción de la variable de acumulación de la necesidad a ser satisfecha 𝑢 (vea la sección 4.2.10, p. 48), se obtienen los resultados donde se asegura cubrir la demanda mínima de cada uno de los centros de distribución debido a que se asignan los vehículos suficientes para satisfacer la máxima demanda. Es decir, la cantidad de vehículos suele ser excesiva para varios de los distritos que demandan, por lo que se puede trasladar muchos más bienes de ayuda humanitaria alimentaria. Estas coberturas se muestran en la tabla 5.1. 84 Tabla 5.1 Capacidad de cobertura Para el análisis de datos, se toman los cinco primeros escenarios con los que se alcanzó una solución óptima. De ellos se encuentra que, como se espera, a mayor cantidad de centros de distribución, el tiempo de corrida se incrementa hasta encontrar una solución óptima (vea figura 5.12). De 15 a 16 centros de distribución (DC) el tiempo se incrementa en un 74 %. De 16 a 17, se incrementa en 35 %. De 17 a 18 aumenta en 14 %. Observando de 18 a 19 DC se incrementa 15 16 17 18 19 Ancón 1.0 1.0 1.0 1.1 1.1 Ate 2.3 2.1 2.1 4.1 2.6 Barranco San Miguel Breña 13.8 14.1 Carabayllo 2.3 2.0 1.6 1.1 1.2 Chaclacayo 6.5 6.2 6.2 7.4 7.2 Cieneguilla 4.7 4.5 4.5 101.1 115.2 Comas El Agustino 3.7 3.8 Independencia 7.3 7.7 Jesús María La Molina 1.1 1.0 1.0 7.4 2.5 La Victoria 5.3 5.3 5.5 20.5 1.0 Lima 3.6 3.6 1.0 Lince Los Olivos 8.2 7.4 2.0 Lurigancho Miraflores 1.7 16.0 Pachacamac 6.2 6.2 Pueblo Libre 49.9 Rímac 4.6 4.8 San Borja 4.6 4.6 4.7 8.0 1.4 San Isidro 1.0 1.0 1.1 1.0 25.6 San Juan de Lurigancho 1.3 1.0 2.6 San Martín de Porres 1.0 1.0 1.4 1.0 10.2 San Miguel 1.0 4.4 4.9 Santiago de Surco 1.7 1.7 1.8 1.0 1.0 Surquillo Ventanilla/Puente Piedra Villa Maria del Triunfo 3.5 6.4 6.4 1.3 2.5 Promedio 3.2 3.4 2.9 10.6 14.4 Capacidad de cobertura de demanda por centro de distribución Distritos\ Número de centros de distribución 85 en aproximadamente el 95 % y es en este punto que la complejidad computacional reflejada en los cuadros previos no permite más comparaciones. Figura 5.12 Tiempo de corrida por escenario de centros de distribución (s) El modelo propuesto toma el cálculo de la demanda de cada centro de distribución y al compararla con la capacidad máxima de los vehículos, promediados por el número de distritos por escenario, se obtiene que mientras mayor es el número de centros de distribución a atender desde el almacén central de INDECI, mayor es la subutilización de los vehículos (vea figura 5.13). Es decir, el uso de la capacidad volumétrica no es utilizado eficientemente. Figura 5.13 Nivel de utilización de vehículos por escenario de centros de distribución Respecto a la distancia recorrida, la menor distancia obtenida de forma óptima es de 257 km en total. Esa distancia es obtenida tanto para 18, como para 19 centros de distribución. En consecuencia, estas propuestas, con 18 y 19 DC a pesar del tiempo de corrida son las que mejor optimizan la ruta (vea figura 5.14). 86 Figura 5.14 Distancia recorrida (km) por escenario de centros de distribución Si bien las propuestas de 18 y 19 DC obtienen la ruta más corta, esto se logra en detrimento de la utilización de los vehículos, donde hay una subutilización del 75 % de la capacidad. Si se presume que los vehículos de desplazarán a 20 km/h en promedio, una vez cargados podrán atender a los 493 520 damnificados en los diferentes escenarios por número de centros de atención en un mínimo de 12.83 horas y en un máximo de hasta 14.38 horas sin detenerse. Este es un estimado grueso debido a que no se consideran tiempos de descarga en cada punto de atención, cliente (C) y los vehículos se transportarían con diferentes niveles de utilización. Figura 5.15 Tiempo de atención (h) por escenario de centros de distribución a 20 km/h Nota: No se considera el tiempo de carga ni descarga de los vehículos El desplazamiento de ayuda humanitaria alimentaria se encontraría dentro de las 72 horas recomendadas para la atención de desastres naturales con la magnitud del escenario presentado en esta tesis. 87 Beneficio de la propuesta (escenario con 18 centros de atención) De los escenarios presentados, el menor recorrido lo presenta el escenario con 18 centros de atención, con 257 km a recorrer. Considerando que el precio de diésel al 11 de abril de 2022 es de 15.346 soles/galón y presumiendo un rendimiento de 30 km/galón, entonces, esta ruta resulta ser la más económica requiriendo 131.27 PEN de combustible para un ciclo de recorrido por vehículo. Considerando que se cuenta con 57 vehículos, entonces se el gasto en combustible asciende a 6826 PEN, comparables con los 7646 PEN que corresponden al escenario con 16 centros de atención. Se presenta esta información con la intención de contar con un referente si este fuera a ser una variable a considerar durante la toma de decisiones de distribución. 88 CAPÍTULO 6. Conclusiones y recomendaciones Conclusiones ▪ Por la historia de movimientos telúricos del Perú es posible la ocurrencia de un terremoto con las características definidas en esta tesis. Tanto las condiciones geográficas, el nivel de exposición y vulnerabilidad (Cutter et al., 2003; Kámiche & Pacheco, 2010 y Glave et al., 2008) de la ciudad de Lima configura que un terremoto devenga en desastre. ▪ Por las características tectónicas en el Perú se habría esperado ya una fuerte liberación de energía (Tavera & Bernal, 2005). Sin embargo, desde el último gran terremoto que ocurrió en Lima en 1746, no ha sucedido un fenómeno de similar magnitud en la costa central del Perú, es decir, al 2025, hay una laguna sísmica de 279 años. ▪ El cálculo del número de damnificados a atender se desarrolla con base en la propuesta de PREDES (2009), de donde se estima 493 520 ciudadanos damnificados. Este cálculo, comparado con los resultados del simulacro nacional de sismo y tsunami llevado a cabo por el INDECI, citado en La República (2018), estiman 50 mil fallecidos y 500 mil afectados como resultado de la ocurrencia de un terremoto de magnitud 8.5 Mw, seguido de un tsunami, con olas de 10 metros de altura. Si bien, la cantidad de damnificados y fallecidos es mayor al cálculo propuesto en esta tesis, eso se debe a que INDECI hace sus estimaciones con base en los datos recolectados por COEN tomando en cuenta los distritos de El Callao que no son parte de este estudio. En síntesis, la estimación de damnificados usada en esta tesis es razonable. ▪ El modelo VRP propuesto presenta escenarios para 15; 16; 17; 18; 19; 20; 23 y 29 centros de distribución y se obtiene que a partir de 20 se encuentra complejidad computacional. Los escenarios para los que se hicieron corridas muestran que la menor distancia recorrida se obtiene tanto para 18 y 19 DC a pesar de que entre el primero y el segundo el tiempo de corrida se incrementa en un 95 %. ▪ Debido a la naturaleza matemática del acumulador u (vea la sección 4.2.10, p. 48) empleado, se garantiza la satisfacción de cada cliente (DC) y brinda al sistema diseñado holguras para generar coberturas: es decir, tener capacidad subutilizada para satisfacer la necesidad de algunos DC más de una vez. Esta subutilización del recurso “vehículo” puede evitarse con información actualizada de los activos con los que cuenta el INDECI y que destina para el transporte. Se llegan a atender los 493 520 damnificados (vea tabla 4.16, p. 42). ▪ El desplazamiento de ayuda humanitaria alimentaria se encontraría dentro de las 72 horas recomendadas para la atención de desastres naturales de la magnitud de este estudio. Para esta 89 conclusión no se considera el tiempo de carga ni descarga de los bienes a los vehículos, solo se está considerando el recorrido o desplazamiento. ▪ Este estudio no demuestra que 14.38 horas (máximo tiempo de atención obtenido del escenario para 16 centro de distribución) son exactas para la repartición de ayuda alimentaria humanitaria a todos los damnificados. Este tiempo se verá afectado por condiciones no consideradas como carga, descarga, disponibilidad de personal, disponibilidad de infraestructura vial y las condiciones posdesastre configuradas por el terremoto. Recomendaciones ▪ Debido a que esta tesis no contempla que la ruta sea por las calles de Lima, se recomienda perfeccionar la propuesta siguiendo el catastro más actualizado de los distritos involucrados para este estudio. Esto requeriría una investigación a futuro de los daños a las vías rápidas principales de Lima después de un escenario de terremoto. ▪ Por la naturaleza de la labor que conlleva actividades de carga, descarga, reposición de combustible y fuerza laboral, solo se recomienda hacer un recorrido diario. Este estudio no demuestra que 14.38 horas son suficientes para atender a todos los damnificados. Por lo que, si se requiriera hacer más de un recorrido dentro de las 72 primeras horas de emergencia, se limite a un ciclo completo cada 24 horas. ▪ Es importante resaltar que los centros de distribución localizados para Cieneguilla y Chaclacayo no pueden ser alcanzados en línea directa debido a la cadena montañosa costeña que pasa en medio. Esta restricción no fue considerada para el estudio, por lo que los resultados pueden ser afinados con un modelo aún más complejo. ▪ Se recomienda un estudio que catalogue los activos INDECI destinados al transporte logístico para así mapear la cantidad de vehículos a disposición y así generar restricciones que hagan el modelo propuesto más eficiente. De la misma manera, un estudio futuro puede aprovechar información actual de organizaciones o autoridades locales como las municipalidades, para conocer las rutas actualmente delimitadas para su uso en situaciones de emergencia, como un terremoto. ▪ Se recomienda generar una base de datos con información relevante sobre potenciales ubicaciones para centros de distribución de emergencia. Esta información debe considerar las distancias desde el almacén central y su idoneidad para abastecer a la mayor cantidad posible de damnificados aledaños, optimizando su tiempo de viaje para la recolección de ayuda humanitaria desde los centros propuestos. 90 Referencias Anderson, M. B. (1993). Disaster vulnerability and sustainable development: a general framework for assessing vulnerability. The Collaborative for Development Action, Inc., 1, 334-363. Asian Disaster Reduction Center. (2005). Total Disaster Risk Management – Good Practices. 5. Recuperado de. https://www.hhs.gov/ohrp/sites/default/files/ohrp/education/ brochures/3panelfinal.pdf Asociación Esfera. (2018). Manual Esfera: Carta Humanitaria y normas mínimas para la respuesta humanitaria (4.ª edición). Asociación Esfera. Recuperado de http://www.spherestandards.org/handbook/editions/ Balcik, B. y Beamon, B. M. (2008). Facility location in humanitarian relief, International Journal of Logistics Research and Applications: A Leading Journal of Supply Chain Management, 11(2), 101-121. doi.org/10.1080/13675560701561789 Berger, R. T., Coullard, C. R., y Daskin, M. S. (2007). Location-Routing Problems with Distance Constraints. Transportation Science, 41(1), 29–43. doi:10.1287/trsc.1060.0156 Caruso, G. D. (1993). The legacy of natural disasters: The intergenerational impact of 100 years of disasters in Latin America. Journal of Development Economics, 127, 209- 233. doi.org/10.1016/j.jdeveco.2017.03.007 Centre for Research on the Epidemiology of Disasters. Emergency Events Database. (2018). General classification of disasters. Recuperado de https://doc.emdat.be/docs/data-structure-and-content/disaster-classification-system/ Centro de Estudios y Prevención de Desastres. (2009). Diseño de Escenario sobre el impacto de un sismo de gran magnitud en Lima Metropolitana y Callao, Perú (Reporte S/N a solicitud del Instituto Nacional de Defensa Civil). Lima: PREDES. Recuperado de https://www.humanitarianresponse.info/sites/www.humanitarianresponse.info/files/doc uments/files/redhum-pe- diseno_de_escenario_del_impacto_de_un_sismo_en_lima_y_callao-_indeci-predes- 200904.pdf Centro Internacional para la Investigación del Fenómeno del Niño. (2018). Aproximación para el Cálculo de Riesgo. Recuperado de http://www.ciifen.org/index.php?option=com_content&view=category&layout=blog&i d=8 4&Itemid=336&lang= Centro Peruano Japonés De Investigaciones Sísmicas y Mitigación de Desastres. (2010). Perú: Crecimiento y distribución de la población, 2017. En Evaluación de la Amenaza Frente a Tsunami para Lima Y Callao, Estudio de microzonificación sísmica y vulnerabilidad en la ciudad de lima. Ubicación: Lima. Coburn, A.W. Spence, R.J.S. y Pomonis, A. (1991). Vulnerabilidad y evaluación de riesgo. Maling Lane, Cambridge, Inglaterra: Departamento de Ayuda Humanitaria (DHA). Cutter, S.L., Boruff, B.J. y Shirley, W.L. (2003). Social vulnerability to environmental hazards. Social Science Quarterly, 84, 242-261. https://doi.org/10.1111/1540-6237.8402002 Daskin, M. S., Dean, L. L., & Goldstein, M. (1993). Location of distribution facilities: A branch and bound approach. Transportation Science, 27(1), 43–57. http://www.spherestandards.org/handbook/editions/ https://doc.emdat.be/docs/data-structure-and-content/disaster-classification-system/ https://www.humanitarianresponse.info/sites/www.humanitarianresponse.info/files/documents/files/redhum-pe-diseno_de_escenario_del_impacto_de_un_sismo_en_lima_y_callao-_indeci-predes-200904.pdf https://www.humanitarianresponse.info/sites/www.humanitarianresponse.info/files/documents/files/redhum-pe-diseno_de_escenario_del_impacto_de_un_sismo_en_lima_y_callao-_indeci-predes-200904.pdf https://www.humanitarianresponse.info/sites/www.humanitarianresponse.info/files/documents/files/redhum-pe-diseno_de_escenario_del_impacto_de_un_sismo_en_lima_y_callao-_indeci-predes-200904.pdf https://www.humanitarianresponse.info/sites/www.humanitarianresponse.info/files/documents/files/redhum-pe-diseno_de_escenario_del_impacto_de_un_sismo_en_lima_y_callao-_indeci-predes-200904.pdf http://www.ciifen.org/index.php?option=com_content&view=category&layout=blog&id=8%094&Itemid=336&lang http://www.ciifen.org/index.php?option=com_content&view=category&layout=blog&id=8%094&Itemid=336&lang https://doi.org/10.1111/1540-6237.8402002 91 Dessouky, M., Ordóñez, F., Jia, H. y Shen, Z. (2006). Rapid Distribution of Medical Supplies. Springer Science+Business Media, 91. doi.org/10.1007/978-0-387-33636- 7_11 Dorbath, L., Cisternas, A. y Dorbath, C. (1990). Assessment of the size of large and great historical earthquakes in Perú. Bulletin of the Seismological Society of America, 80(3), 551-576. El Decreto Supremo Nº 048-2011-PCM (2011). Decreto Supremo que modifica el Reglamento de la Ley Nº 29664, que crea el Sistema Nacional de Gestión del Riesgo de Desastres (SINAGERD). Presidencia de la República del Perú. Recuperado de https://www.fao.org/faolex/results/details/es/c/LEX-FAOC103182 Geographic Perspectives on Sustainability and Human-Environment Systems-PennState College of Earth and Mineral Sciences. (2018). What is a Natural Hazard? Recuperado de https://www.e-education.psu.edu/geog30/node/378 Glave, M., Fort, R. y Rosemberg, C. (2008). Disaster Risk and Poverty in Latin America: The Peruvian Case Study. United Nations Development Programme Regional Bureau for Latin America and the Caribbean - MDGs and Poverty, s/n. Habib, M.S., Lee, Y.H. y Memon, M.S. (2016). Mathematical models in humanitarian supply chain management: a systematic literature review. Hindawi Publishing Corporation Mathematical Problems in Engineering, 20. doi.org/10.1155/2016/3212095 Haddow, G. D., Bullock, J. A. y Coppola, D. P. (2017). Natural and technological hazards and risk assessment. Introduction to Emergency Management. 33–77. doi:10.1016/b978-0- 12-803064-6.00002-0 Haghani, A. y Oh, S. (1996). Formulation and Solution of a Multi-Commodity Multi-Modal Network Flow for Disaster Relief Operations. Transportation Research Part A: Policy and Practice, 30, 231-250. doi.org/10.1016/0965-8564(95)00020-8 Instituto Geofísico del Perú. (2010). Zonificación sísmico-geotécnica para siete distritos de Lima Metropolitana (Comportamiento dinámico del suelo). Recuperado de https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUK Ew io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.i ndeci. gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO- GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520- %2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM Instituto Geofísico del Perú. (2014). Evaluación del Peligro Asociado a los Sismos y Efectos Secundarios en Perú (Reporte S/N). Lima: Tavera, H. Instituto Geofísico del Perú. (2017). Actualización del Escenario por Sismo, Tsunami y Exposición en la Región Central del Perú (Reporte S/N). Lima: Tavera, H. Recuperado de http://repositorio.igp.gob.pe/bitstream/handle/IGP/781/Actualizaci%C3%B3n_Escenari o Sismo.pdf?sequence=1&isAllowed=y Instituto Nacional de Defensa Civil. (2003). Manual de organización y funciones (MOF). (Reporte S/N). Lima: INDECI. Recuperado de https://portal.indeci.gob.pe/wp- content/uploads/2019/01/fil20170516152106.pdf Instituto Nacional de Defensa Civil. (2005). Compendio estadístico de atención y prevención de desastres 2005 VIII Glosario de términos. (Reporte S/N). Lima: INDECI. https://www.fao.org/faolex/results/details/es/c/LEX-FAOC103182 https://www.e-education.psu.edu/geog30/node/378 https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEw%09io_4O94qLeAhUI7FMKHQ7MD4IQFjAAegQIBxAC&url=https%3A%2F%2Fwww.indeci.%09gob.pe%2Fuserfiles%2FZONIFICACION%2520SISMICO-%09GEOTECNICA%2520DISTRITO%2520SANTA%2520MARIA%2520LIMA%2520-%09%2520IGP.pdf&usg=AOvVaw0zkmuxHwBn2QvcC38gsuQM http://repositorio.igp.gob.pe/bitstream/handle/IGP/781/Actualizaci%C3%B3n_Escenario%09Sismo.pdf?sequence=1&isAllowed=y http://repositorio.igp.gob.pe/bitstream/handle/IGP/781/Actualizaci%C3%B3n_Escenario%09Sismo.pdf?sequence=1&isAllowed=y https://portal.indeci.gob.pe/wp-content/uploads/2019/01/fil20170516152106.pdf https://portal.indeci.gob.pe/wp-content/uploads/2019/01/fil20170516152106.pdf 92 Instituto Nacional de Defensa Civil. (2013). Compendio Estadístico del INDECI 2013 en la Preparación, Respuesta y Rehabilitación ante Emergencias y Desastres. (Reporte S/N). Lima: INDECI Instituto Nacional de Defensa Civil. (2015). Manual para la asistencia alimentaria en emergencias en el Perú (1° Edición.), World Food Program. Ubicación: Lima. Instituto Nacional de Defensa Civil. (2017). Plan Logístico de Bienes de Ayuda Humanitaria Anual (Programa Presupuestal 0068: Reducción de Vulnerabilidad y Atención de Emergencias por Desastres). INDECI. Recuperado de https://cdn.www.gob.pe/uploads/document/file/1580630/DISE%C3%91O%202022_PP %200068_FINAL.pdf.pdf Instituto Nacional de Estadística e Informática. (2014). Territorio. En Enciclopedia del Estudiante Santillana 2011 (1° edición) (Reporte S/N). Lima: INDECI Instituto Nacional de Estadística e Informática. (2018). Perú: Crecimiento y distribución de la población, 2017. En Censos Nacionales (1° edición.), Censos Nacionales 2017: XII de Población y VII de Vivienda. Ubicación: Lima. Instituto Nacional de Estadística e Informática (2024). Pobreza monetaria afectó al 29.0% de la población en el año 2023. Gobierno del Perú. Recuperado de https://www.gob.pe/institucion/inei/noticias/951234-pobreza-monetaria-afecto-al-29-0- de-la-poblacion-el-ano-2023 Kámiche, J. y Pacheco, A. (2010). ¿Cuánto es afectado el consumo de los hogares cuando ocurre un desastre de origen natural? Un análisis empírico para el Perú, 2004-2006. Centro de Investigación de la Universidad del Pacífico, s/n, 67-107. ISSN 0252-1865 Knott, R. (1987). The logistics of bulk relief supplies. Disasters, 11(1), 63–75. doi.org/10.1111/j.1467- 7717.1987.tb00624.x La República. (2018, 13 de mayo). Simulacro de sismo: 50 mil personas fallecerán en terremoto de magnitud 8.5. La República. Recuperado de: https://larepublica.pe/sociedad/1252853- simulacro-sismo-50-mil-personas-falleceran-terremoto-magnitud-85-fotos Langer, C.J., Spence W. (1995). The 1974 Peru Earthquake Series. Bulletin of the Seismological Society of America, 85(3), 665-687. Lavell, A. & Maskrey, A. (2014). The future of disaster risk management. Environmental Hazards. doi.org/10.1080/17477891.2014.935282 Martinez, A.J., Stapleton, O. y Van Wassenhove, L.N., (2012). On the use of evidence in humanitarian logistics research. Disasters, 37(S1), S51−S67. doi:10.1111/disa.12012 Maskrey, A. (1993). Los Desastres No Son Naturales. Red de Estudios Sociales en Prevención de Desastres en América Latina. Recuperado de http://www.desenredando.org/public/libros/1993/ldnsn/LosDesastresNoSonNaturale s-1.0.0.pdf Melkote, S., y Daskin, M. S. (2001). An integrated model of facility location and transportation network design. Transportation Research Part A: Policy and Practice, 35(6), 515–538. doi:10.1016/s0965-8564(00)00005-7 Ministerio Del Ambiente del Perú. (2012). Mapa de suelos en los distritos de Lima. Sistema Nacional de Información Ambiental (SINIA). Recuperado de https://sinia.minam.gob.pe/mapas/mapa-suelos-distritos-lima https://cdn.www.gob.pe/uploads/document/file/1580630/DISE%C3%91O%202022_PP%200068_FINAL.pdf.pdf https://cdn.www.gob.pe/uploads/document/file/1580630/DISE%C3%91O%202022_PP%200068_FINAL.pdf.pdf https://www.gob.pe/institucion/inei/noticias/951234-pobreza-monetaria-afecto-al-29-0-de-la-poblacion-el-ano-2023 https://www.gob.pe/institucion/inei/noticias/951234-pobreza-monetaria-afecto-al-29-0-de-la-poblacion-el-ano-2023 https://larepublica.pe/sociedad/1252853-simulacro-sismo-50-mil-personas-falleceran-terremoto-magnitud-85-fotos https://larepublica.pe/sociedad/1252853-simulacro-sismo-50-mil-personas-falleceran-terremoto-magnitud-85-fotos http://www.desenredando.org/public/libros/1993/ldnsn/LosDesastresNoSonNaturale%09s-1.0.0.pdf http://www.desenredando.org/public/libros/1993/ldnsn/LosDesastresNoSonNaturale%09s-1.0.0.pdf https://sinia.minam.gob.pe/mapas/mapa-suelos-distritos-lima 93 Municipalidad Metropolitana de Lima. (2015). Plan de Prevención y Reducción de Riesgos de Desastres de Lima Metropolitana (2015-2018). Municipalidad Metropolitana de Lima. Recuperado de https://www.munlima.gob.pe/images/planes- contingencia/Plan%20%20de%20Prevencion%20y%20Reduccion%20de%20Riesgos% 20de%20Desastres%20de%20Lima%20Metropolitana%202015-2018.pdf National Centers for Environmental Information (2020). NCEI/WDS Global Significant Earthquake Database, 2150 BC to Present. https://data.nodc.noaa.gov/cgi-bin/iso?id=gov.noaa.ngdc.mgg.hazards:G012153 National Geophysical Data Center/World Data Service. (NGDC/WDS, 2018): NCEI/WDS Global Significant Earthquake Database, 2150 BC to Present. doi:10.7289/V5TD9V7K Office of the United Nations Disaster Relief Co-ordinator. (UNDRO, 1979). Natural Disasters and Vulnerability Analysis, Report of Expert Group Meeting. Recuperado de https://archive.org/details/naturaldisasters00offi Plafker, G., Ericksen G.E., Fernández Concha, J. (1971). Geological Aspects of the May 31st, 1970, Perú Earthquake. Bulletin of the Seismological Society of America, 61(3), 543- 578. Recuperado de https://pubs.geoscienceworld.org/ssa/bssa/article- abstract/61/3/543/326780/geological-aspects-of-the-may-31-1970- peru?redirectedFrom=fulltext Quarantelli, E.L. (1985). What is a disaster? The need for clarification in definition and conceptualization in research. University of Delaware Disaster Research Center, s/n, 41-73. Recuperado de http://udspace.udel.edu/handle/19716/1119 Resolución Ministerial N° 027-2016-PCM. Diario Oficial El Peruano, Lima. 11 de febrero de 2016. Secretaría General de la Comunidad Andina. (2018). Glosario de Términos y Conceptos de la Gestión del Riesgo de Desastres para los Países Miembros de la Comunidad Andina (1° Edición.), Comunidad Andina Secretaría General. Ubicación: San Isidro, Lima. Recuperado de https://www.comunidadandina.org/StaticFiles/2018619133838GlosarioGestionDeRiesgoSG CA.pdf Serpa, V. (2014). Optimización y localización de almacenes de abastecimiento para la atención de un terremoto de gran magnitud en Lima Metropolitana y Callao [Tesis de pregrado, Pontificia Universidad Católica del Perú]. Repositorio institucional de la Pontificia Universidad Católica del Perú https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/5352 Tavera, H. y Buforn, E. (1998). Sismicidad y sismotectónica de Perú. Física de la Tierra, 10, 187-219. Recuperado de http://revistas.ucm.es/index.php/FITE/article/view/FITE9898110187A/12151 Tavera, H. y Bernal I. (2005). Distribución espacial de áreas de ruptura y lagunas sísmicas en el Borde Oeste del Perú. Volumen Especial Alberto Giesecke Matto, 6, 89-102. Recuperado de https://scts.igp.gob.pe/sites/scts.igp.gob.pe/files/Unidad- Sismologia/PUBLICACIONES/01-articulos/castellano/33tavera_lagunas.pdf https://www.munlima.gob.pe/images/planes-contingencia/Plan%20%20de%20Prevencion%20y%20Reduccion%20de%20Riesgos%20de%20Desastres%20de%20Lima%20Metropolitana%202015-2018.pdf https://www.munlima.gob.pe/images/planes-contingencia/Plan%20%20de%20Prevencion%20y%20Reduccion%20de%20Riesgos%20de%20Desastres%20de%20Lima%20Metropolitana%202015-2018.pdf https://www.munlima.gob.pe/images/planes-contingencia/Plan%20%20de%20Prevencion%20y%20Reduccion%20de%20Riesgos%20de%20Desastres%20de%20Lima%20Metropolitana%202015-2018.pdf https://data.nodc.noaa.gov/cgi-bin/iso?id=gov.noaa.ngdc.mgg.hazards:G012153 http://dx.doi.org/10.7289/V5TD9V7K https://archive.org/details/naturaldisasters00offi https://pubs.geoscienceworld.org/ssa/bssa/article-%09abstract/61/3/543/326780/geological-aspects-of-the-may-31-1970-%09peru?redirectedFrom=fulltext https://pubs.geoscienceworld.org/ssa/bssa/article-%09abstract/61/3/543/326780/geological-aspects-of-the-may-31-1970-%09peru?redirectedFrom=fulltext https://pubs.geoscienceworld.org/ssa/bssa/article-%09abstract/61/3/543/326780/geological-aspects-of-the-may-31-1970-%09peru?redirectedFrom=fulltext http://udspace.udel.edu/handle/19716/1119 https://www.comunidadandina.org/StaticFiles/2018619133838GlosarioGestionDeRiesgoSGCA.pdf https://www.comunidadandina.org/StaticFiles/2018619133838GlosarioGestionDeRiesgoSGCA.pdf https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/5352 http://revistas.ucm.es/index.php/FITE/article/view/FITE9898110187A/12151 https://scts.igp.gob.pe/sites/scts.igp.gob.pe/files/Unidad-%09Sismologia/PUBLICACIONES/01-articulos/castellano/33tavera_lagunas.pdf https://scts.igp.gob.pe/sites/scts.igp.gob.pe/files/Unidad-%09Sismologia/PUBLICACIONES/01-articulos/castellano/33tavera_lagunas.pdf 94 The World Bank (2010). Peligros naturales, desastres evitables. Recuperado de http://documents1.worldbank.org/curated/en/927421468337249991/pdf/578600SPANI SH00turalHazards0Spanish.pdf Tomasini, R. & Van Wassenhove, L. (2009). Humanitarian Logistics and Supply Chain Management. Londres, Inglaterra: Palgrave MacMillan. Toth, P. y Vigo, D. (2002). The vehicle routing problem. Filadelfia, Estados Unidos de América: SIAM monographs on discrete mathematics and applications. United Nations Development Programme Regional Bureau for Latin America and the Caribbean. (2008). Disaster Risk and Poverty in Latin America: The Peruvian Case Study. (Reporte S/N). Lima: Glave, M., Fort, R. y Rosemberg, C. Recuperado de https://www.preventionweb.net/english/hyogo/gar/background- papers/documents/Chap3/LAC-overview/Peru.pdf United Nations International Strategy for Disaster Reduction. (2018). Definition of disaster types. Recuperado de https://www.desinventar.net/definitions.html United Nations International Strategy for Disaster Reduction. (2009). Terminology on Disaster Risk Reduction. Recuperado de https://www.unisdr.org/we/inform/publications/7817 United Nations (UN). (2020). Disasters and inequality in a protracted crisis: Towards universal, comprehensive, resilient, and sustainable social protection systems in Latin America and the Caribbean. Economic Commission for Latin America and the Caribbean (ECLAC). Recuperado de https://repositorio.cepal.org/server/api/core/bitstreams/dd010520-af35- 4c2d-b8c7-5c4fb869ca6b/content United States Geological Survey Archives. (2018). Where do earthquakes occur?.Recuperado de https://web.archive.org/web/20140805134145/http://www.usgs.gov/faq/categories/98 31/3342 United States Geological Survey. (2018). Ring of Fire. Recuperado de https://pubs.usgs.gov/gip/dynamic/fire.html Uribe, G. (2022). Localización de almacenes de ayuda humanitaria en caso de terremotos en Cercado de Lima utilizando programación entera [Tesis de pregrado, Pontificia Universidad Católica del Perú]. Repositorio institucional de la Pontificia Universidad Católica del Perú https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/26137 Van Wassenhove, L. (2006) Humanitarian aid logistics: supply chain management in high gear. Journal of the Operational Research Society, 57(5), 475-489. doi.org/10.1080/17477891.2014.935282 Vargas Florez, J., Charles, A., Lauras, M., & Dupont, L. (2014). Designing realistic scenarios for disaster management quantitative models. En ISCRAM 2014 Conference Proceedings – 11th International Conference on Information Systems for Crisis Response and Management (pp. 180–189). The Pennsylvania State University. https://cris.pucp.edu.pe/en/publications/designing-realistic-scenarios-for-disaster- management-quantitativ Velásquez, K. (2018). Localización de albergues y evacuación de personas para casos de inundación en la costa peruana utilizando métodos de optimización multicriterio. [Tesis de pregrado, Pontificia Universidad Católica del Perú]. Repositorio institucional de la Pontificia Universidad Católica del Perú https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/12423 http://documents1.worldbank.org/curated/en/927421468337249991/pdf/578600SPANISH00turalHazards0Spanish.pdf http://documents1.worldbank.org/curated/en/927421468337249991/pdf/578600SPANISH00turalHazards0Spanish.pdf https://www.preventionweb.net/english/hyogo/gar/background-%09papers/documents/Chap3/LAC-overview/Peru.pdf https://www.preventionweb.net/english/hyogo/gar/background-%09papers/documents/Chap3/LAC-overview/Peru.pdf https://www.desinventar.net/definitions.html https://www.unisdr.org/we/inform/publications/7817 https://repositorio.cepal.org/server/api/core/bitstreams/dd010520-af35-4c2d-b8c7-5c4fb869ca6b/content https://repositorio.cepal.org/server/api/core/bitstreams/dd010520-af35-4c2d-b8c7-5c4fb869ca6b/content https://web.archive.org/web/20140805134145/http:/www.usgs.gov/faq/categories/98%0931/3342 https://web.archive.org/web/20140805134145/http:/www.usgs.gov/faq/categories/98%0931/3342 https://pubs.usgs.gov/gip/dynamic/fire.html https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/26137 https://cris.pucp.edu.pe/en/publications/designing-realistic-scenarios-for-disaster-management-quantitativ https://cris.pucp.edu.pe/en/publications/designing-realistic-scenarios-for-disaster-management-quantitativ https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/12423 95 Vitoriano, B., Ortuño, M. T., Tirado, G., y Montero, J. (2010). A multi-criteria optimization model for humanitarian aid distribution. Journal of Global Optimization, 51(2), 189– 208. doi:10.1007/s10898-010-9603-z WorldData.info (2020). Earthquakes in Peru. Recuperado de https://www.worlddata.info/america/peru/earthquakes.php https://www.worlddata.info/america/peru/earthquakes.php 96 Anexos ANEXO 1: Unidades estructurales de Perú. Sismicidad y Sismotectónica del Perú La Franja Costera (Z.C.) Es una zona estrecha de aproximadamente 40 km de ancho que se extiende de Norte a Sur y está constituida en su mayoría por suaves plegamientos volcánicos y rocas sedimentarias del Mesozoico. En la zona Sur, está formada por basamentos de rocas cristalinas fuertemente plegadas y sujetas a deformación desde el Precámbrico. La Cordillera Occidental Constituye el batolito plutónico andino de mayor volumen y continuo desde Venezuela hasta Tierra del Fuego en Chile. En Perú se distribuye de Norte a Sur paralelo a la línea de costa. La parte más elevada de esta cordillera (4 200-4 500 m) está formada por series del Mesozoico, más o menos plegadas y recubiertas de manera heterogénea por una capa volcánica del Cenozoico. Esta cordillera aumenta notablemente su anchura en la región Sur del Perú. El Altiplano Se encuentra situada entre las cordilleras Occidental y Oriental. En la región Sur tiene un ancho de 200 km, extendiéndose hacia el Norte hasta 905 aproximadamente, en donde alcanza un ancho de 50 krn y después desaparece. Esta unidad está formada por una serie de cuencas intra- montañosas del Cenozoico que se prolongan hacia el altiplano boliviano. La zona Sur de esta unidad, está invadida por estructuras volcánicas activas del Terciario Superior. La Cordillera Oriental. En promedio menos elevada que la Cordillera Occidental (3700-4000 m), corresponde principalmente a un extenso anticlinal, formado esencialmente por depósitos intrusivos del Precámbrico. En la región Sur, esta cordillera se curva en dirección E-W para luego continuar paralela a las unidades mencionadas anteriormente. La Zona Sub-andina Esta es una zona de anchura variable, en donde se amortiguan las estructuras andinas. La zona Sub-andina se localiza entre la Cordillera Andina y la Llanura Amazónica y está formada por una cobertura de sedimentos del Mesozoico y Cenozoico, fuertemente afectadas por pliegues de gran longitud de onda. Fuente: tomado de Tavera y Buforn (1998) 97 ANEXO 2: Zonas en el Código de Diseño Sismorresistente del Reglamento Nacional de Construcciones (Norma E-030, 2003) ZONA I Esta zona está conformada por los afloramientos rocosos, los estratos de grava coluvial-aluvial de los pies de las laderas que se encuentran a nivel superficial o cubiertos por un estrato de material fino de poco espesor. Este suelo tiene un comportamiento rígido, con periodos de vibración natural determinados por las mediciones de microtrepidaciones (registros de vibración ambiental) que varían entre 0.1 y 0.3 s. Para la evaluación del peligro sísmico a nivel de superficie del terreno se considera que el factor de amplificación sísmica por efecto local del suelo es de S = 1.0 y un periodo natural de Ts = 0.4 s, correspondiéndole a un suelo Tipo. 1 de la norma sismo resistente peruana. ZONA II En esta se incluyen las áreas de terreno conformado por un estrato superficial de suelos granulares finos y suelos arcillosos, cuyas potencias varían entre 3.0 y 10.0 m. Subyaciendo a estos estratos se encuentra la grava aluvial o grava coluvial. Los periodos predominantes del terreno determinados por las mediciones de micro trepidaciones, en esta zona varían entre 0.3 y 0.5 s. Para la evaluación del período sísmico, a nivel de superficie del terreno, se considera que el factor de amplificación sísmica por efecto local del suelo, es S = 1.2 y el periodo natural del suelo es Ts = 0.6, correspondiendo a un suelo Tipo-2 de la norma sismo resistente peruana. ZONA III Esta zona está conformada, en su mayor pate, por los depósitos de suelos finos y arenas de gran espesor, que se encuentran en estado suelto. Los periodos predominantes encontrados en estos suelos varían entre 0.5 y 0.7 s, por lo que su comportamiento dinámico ha sido tipificado como un suelo Tipo-3 de la norma sismo resistente peruana, con un factor de amplificación sísmica S = 1.4 y un periodo natural de Ts = 0.9 s. ZONA IV Esta zona está conformada por los depósitos de arena eólicas de gran espesor y sueltas, depósitos fluviales, depósitos marinos y suelos pantanosos. Los períodos predominantes encontrados en estos suelos son mayores que 0.7 s, por lo que su comportamiento dinámico ha sido tipificado como un suelo Tipo-4 de la norma sismo resistente peruana, asignándoles un factor de amplificación sísmica S = 1.6 y un periodo natural de Ts = 1.2 s (caso especial según la Norma). 98 ZONA V Están constituidos por áreas puntuales conformadas por depósitos de rellenos sueltos de desmontes heterogéneos que han sido colocados en depresiones naturales o excavaciones realizadas en el pasado, con potencias entre 5.0 y 15.0 m. En esta zona se incluyen también a los rellenos sanitarios que en el pasado se encontraban fuera del área urbana y en la actualidad han sido urbanizados. El comportamiento dinámico de estos rellenos es incierto por lo que requiere un estudio específico. Fuente: tomado de Ministerio del Ambiente (2012) 99 ANEXO 3: Base legal ▪ Ley N° 29664. Ley que crea el Sistema Nacional de Gestión del Riesgo de Desastres (SINAGERD) y modificatorias. Reglamento aprobado por D.S. N° 048-2011-PCM. ▪ Ley N° 27444. Ley del Procedimiento Administrativo General. ▪ Ley N° 27867. Ley Orgánica de los Gobiernos Regionales. ▪ Ley N° 27972. Ley Orgánica de Municipalidades y sus modificatorias. ▪ Decreto Legislativo N° 1062. Ley de Inocuidad de los Alimentos y su Reglamento aprobado por Decreto Supremo N° 034-2008-AG. ▪ Decreto Supremo N° 007-98-SA. Reglamento sobre Vigilancia y Control Sanitario de Alimentos y Bebidas, sus modificatorias y ampliatorias. ▪ Decreto Supremo N° 043-2013-PCM. Aprueba el ROF (Reglamento de Organización y Funciones) del INDECL ▪ Resolución Ministerial N° 449-2006-MINSA. Norma Sanitaria para la aplicación del Sistema HACCP en la Fabricación de Alimentos y Bebidas. ▪ Resolución Ministerial N° 591-2008/MlNSA. Criterios Microbiológicos de Calidad Sanitaria e Inocuidad para los Alimentos y Bebidas de Consumo Humano. ▪ Resolución Ministerial N° 222-2009/MlNSA. Aprueba la Norma Sanitaria para el Procedimiento de Atención de Alertas Sanitarias de Alimentos y Bebidas de Consumo Humano. ▪ Resolución Ministerial N° 046-2013-PCM. Lineamiento que define el Marco de Responsabilidad en Gestión del Riesgo de Desastres, de las entidades del Estado en los tres niveles de Gobierno. ▪ Resolución Ministerial N° 0292-2013-PCM. Aprueba la Directiva NO 001-2013- PCWSINAGERD, para la Asistencia Humanitaria Internacional ante desastres de gran magnitud. ▪ Resolución Ministerial N° 066-2015-SA. Norma Sanitaria para el Almacenamiento de Alimentos Terminados destinados al Consumo Humano. ▪ Resolución Jefatural N° 335-90-INAP/DNA. Manual de Administración de Almacenes para el Sector Público Nacional. 100 ANEXO 4: Distritos sectorizados del proyecto de PREDES (2009) Tabla 0.1 Distritos sectorizados del proyecto de PREDES 2009 Fuente: adaptado de PREDES (2009, p.24) Distrito Población proyectada al 30/06/2017 Sectores Lima 265 693 6 sectores, por tener zonas con diversa antigüedad, lo que se refleja en el material de construcción y el estado de conservación. Ate 661 786 6 sectores, distrito con diversos tipos de ocupación residencial, lo que se refleja eh el material de construcción y el estado de consolidación. Barranco 28 970 2 sectores, cuenta con una zona muy antigua y deteriorada, donde predomina el adobe como material de construcción. Chorrillos 336 054 5 sectores. Distrito complejo con una zona muy antigua y diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de consolidación. Independencia 220 372 2 sectores, uno modemo con grandes centros comerciales y el otro residencial en proceso de consolidacióm. Tomada de su La Molina 179 785 5 sectores. Sectorización tomada de su página web. La Victoria 166 657 3 sectores. Distrito complejo con una zona muy antigua y diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de consolidación. Los Olivos 384 711 8 sectores con características diversas en sus construcciones de carácter residenciaL Lurigancho 229 307 2 sectores, separando la zona de Jicamarca y Cajamarquilla, de su zona que se desarrolla a lo largo de la Carretera Central. Magdalena del Mar 54 925 2 sectores. Se está diferenciando el sector residencial en proceso de densificación. Miraflores 81 619 2 sectores. Se está diferenciando el sector residencial en proceso de densificación. Rímac 162 897 4 sectores, Distrito complejo con una zona muy antigua y diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de consolidación. San Juan de Lurigancho 1 138453 8 sectores, distrito con diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de consolidación. San Juan de Miraflores 415 870 7 sectores. Distrito con diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de San Martin de Portes 729 974 2 sectores, divididos de acuerdo a estado de conservación y grado de consolidación de las viviendas. Santiago de Surco 357 577 4 sectores. Distrito con diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de Villa El Salvador 482 027 5 sectores. Divididos de acuerdo a estado de conservación y grado de consolidación de las viviendas. Sectorización realizada a partir de información de su Plan de desarrollo concertado. Villa Maria del Triunfo 465 735 7 sectores. Distrito con diversos tipos de ocupación residencial, lo que se refleja en el material de construcción y el estado de 101 ANEXO 5: Cantidad y ubicación de almacenes Tabla 0.2 Cantidad y ubicación de almacenes – total de damnificados (16 almacenes) Fuente: adaptado de Serpa (2014) N° Ubicación Abastece a Población Fallecidos por rango Heridos por rango Total de damnificados Ancón 41 474 125 1 245 San Juan de Lurigancho 1 138 453 9 108 93 354 2 Ate Ate 661 786 1 986 19 854 21 840 Carabayllo 317 952 954 9 539 Comas 537 263 1 612 16 118 Puente Piedra 373 062 1 120 11 192 Chaclacayo 44 197 133 1 326 Lurigancho 229 307 688 6 880 Cieneguilla 49 707 50 498 Villa María del Triunfo 465 735 1 398 13 973 Chorrillos 336 054 1 009 10 082 La Molina 179 785 540 5 394 Santa Anita 238 290 715 7 149 Breña 74 711 225 2 242 La Victoria 166 657 1 334 13 666 Lima 265 693 2 126 21 787 Pueblo Libre 76 129 229 2 284 San Miguel 137 247 275 2 471 9 Los Olivos Los Olivos 384 711 1 155 11 542 12 697 10 Pachacámac San Juan de Miraflores 415 870 1 248 12 477 13 725 San Borja 112 712 1 128 13 526 San Luis 58 461 176 1 754 Jesús María 71 680 216 2 151 Lince 49 064 148 1 472 Magdalena del Mar 54 925 440 4 504 Miraflores 81 619 653 6 693 San Isidro 53 460 428 4 384 Surquillo 91 474 275 2 745 El Agustino 195 304 1 954 23 437 Rímac 162 897 1 304 13 358 Independencia 220 372 662 6 612 San Martín de Porres 729 974 5 840 59 858 Barranco 28 970 232 2 376 Santiago de Surco 357 577 2 861 29 322 16 Villa María del Triunfo Villa El Salvador 482 027 1 447 14 461 15 908 Total 493 520 14 San Martín de Porres 72 972 15 Santiago de Surco 34 791 12 San Isidro 24 109 13 San Juan de Lurigancho 40 053 11 San Borja 16 584 8 Lima 29 172 6 La Molina 24 889 7 La Victoria 17 467 4 Chaclacayo 9 027 5 Cieneguilla 15 919 1 Ancón 103 832 3 Carabayllo 40 535 102 Tabla 0.3 Cantidad y ubicación de almacenes – total de damnificados (17 almacenes) Fuente: adaptado de Serpa (2014) N° Ubicación Abastece a Población Fallecidos por rango Heridos por rango Total de damnificados Ancón 41 474 125 1 245 San Juan de Lurigancho 1 138 453 9 108 93 354 2 Ate Ate 661 786 1 986 19 854 21 840 Carabayllo 317 952 954 9 539 Comas 537 263 1 612 16 118 Puente Piedra 373 062 1 120 11 192 Chaclacayo 44 197 133 1 326 Lurigancho 229 307 688 6 880 Cieneguilla 49 707 50 498 Villa María del Triunfo 465 735 1 398 13 973 Chorrillos 336 054 1 009 10 082 La Molina 179 785 540 5 394 Santa Anita 238 290 715 7 149 Breña 74 711 225 2 242 La Victoria 166 657 1 334 13 666 Lima 265 693 2 126 21 787 Pueblo Libre 76 129 229 2 284 9 Los Olivos Los Olivos 384 711 1 155 11 542 12 697 10 Pachacámac San Juan de Miraflores 415 870 1 248 12 477 13 725 San Borja 112 712 1 128 13 526 San Luis 58 461 176 1 754 Jesús María 71 680 216 2 151 Lince 49 064 148 1 472 Magdalena del Mar 54 925 440 4 504 Miraflores 81 619 653 6 693 San Isidro 53 460 428 4 384 Surquillo 91 474 275 2 745 El Agustino 195 304 1 954 23 437 Rímac 162 897 1 304 13 358 Independencia 220 372 662 6 612 San Martín de Porres 729 974 5 840 59 858 15 San Miguel San Miguel 137 247 275 2 471 2 746 Barranco 28 970 232 2 376 Santiago de Surco 357 577 2 861 29 322 17 Villa María del Triunfo Villa El Salvador 482 027 1 447 14 461 15 908 Total 493 520 San Isidro San Juan de Lurigancho San Martín de Porres 72 972 24 109 40 053 34 791Santiago de Surco 103 832 9 027 15 919 17 467 26 426 40 535 24 889 16 584 Lima San Borja Cieneguilla La Molina La Victoria 1 3 4 5 6 11 16 12 13 14 7 8 Ancón Carabayllo Chaclacayo 103 Tabla 0.4 Cantidad y ubicación de almacenes – total de damnificados (18 almacenes) Fuente: adaptado de Serpa (2014) N° Ubicación Abastece a Población Fallecidos por rango Heridos por rango Total de damnificados Ancón 41 474 125 1 245 San Juan de Lurigancho 1 138 453 9 108 93 354 2 Ate Ate 661 786 1 986 19 854 21 840 Jesús María 71 680 216 2 151 Magdalena del Mar 54 925 440 4 504 Carabayllo 317 952 954 9 539 Comas 537 263 1 612 16 118 Puente Piedra 373 062 1 120 11 192 Chaclacayo 44 197 133 1 326 Lurigancho 229 307 688 6 880 6 Cieneguilla Cieneguilla 49 707 50 498 548 7 El Agustino El Agustino 195 304 1 954 23 437 25 391 8 Independencia Independencia 220 372 662 6 612 7 274 La Molina 179 785 540 5 394 Santa Anita 238 290 715 7 149 Breña 74 711 225 2 242 Lince 49 064 148 1 472 San Luis 58 461 176 1 754 11 Miraflores Miraflores 81 619 653 6 693 7 346 12 Rímac Rímac 162 897 1 304 13 358 14 662 13 San Borja San Borja 112 712 1 128 13 526 14 654 14 San Isidro San Isidro 53 460 428 4 384 4 812 15 San Martín de Porres Los Olivos 384 711 1 155 11 542 12 697 Lima 265 693 2 126 21 787 Pueblo Libre 76 129 229 2 284 San Miguel 137 247 275 2 471 San Martín de Porres 729 974 5 840 59 858 Barranco 28 970 232 2 376 Chorrillos 336 054 1 009 10 082 La Victoria 166 657 1 334 13 666 Santiago de Surco 357 577 2 861 29 322 Surquillo 91 474 275 2 745 San Juan de Miraflores 415 870 1 248 12 477 Villa El Salvador 482 027 1 447 14 461 Villa María del Triunfo 465 735 1 398 13 973 Total 493 520 29 172San Miguel16 9 La Molina 13 798 10 La Victoria 6 017 4 Carabayllo 40 535 129 600 1 Ancón 103 832 3 Breña 7 311 18 Villa María del Triunfo 45 004 5 Chaclacayo 17 Santiago de Surco 9 027 104 Tabla 0.5 Cantidad y ubicación de almacenes – total de damnificados (19 almacenes) Fuente: adaptado de Serpa (2014) N° Ubicación Abastece a Población Fallecidos por rango Heridos por rango Total de damnificados Ancón 41 474 125 1 245 San Juan de Lurigancho 1 138 453 9 108 93 354 2 Ate Ate 661 786 1 986 19 854 21 840 Jesús María 71 680 216 2 151 Magdalena del Mar 54 925 440 4 504 Carabayllo 317 952 954 9 539 Comas 537 263 1 612 16 118 Puente Piedra 373 062 1 120 11 192 Chaclacayo 44 197 133 1 326 Lurigancho 229 307 688 6 880 6 Cieneguilla Cieneguilla 49 707 50 498 548 7 El Agustino El Agustino 195 304 1 954 23 437 25 391 8 Independencia Independencia 220 372 662 6 612 7 274 La Molina 179 785 540 5 394 Santa Anita 238 290 715 7 149 Breña 74 711 225 2 242 Lince 49 064 148 1 472 San Luis 58 461 176 1 754 11 Miraflores Miraflores 81 619 653 6 693 7 346 12 Pueblo Libre Pueblo Libre 76 129 229 2 284 2 513 13 Rímac Rímac 162 897 1 304 13 358 14 662 14 San Borja San Borja 112 712 1 128 13 526 14 654 15 San Isidro San Isidro 53 460 428 4 384 4 812 16 San Martín de Porres Los Olivos 384 711 1 155 11 542 12 697 Lima 265 693 2 126 21 787 San Miguel 137 247 275 2 471 San Martín de Porres 729 974 5 840 59 858 Barranco 28 970 232 2 376 Chorrillos 336 054 1 009 10 082 La Victoria 166 657 1 334 13 666 Santiago de Surco 357 577 2 861 29 322 Surquillo 91 474 275 2 745 San Juan de Miraflores 415 870 1 248 12 477 Villa El Salvador 482 027 1 447 14 461 Villa María del Triunfo 465 735 1 398 13 973 Total 493 520 Carabayllo 40 535 Ancón 103 832 Breña 7 311 1 3 17 19 4 18 10 5 Chaclacayo 9 027 Santiago de Surco 129 600 La Victoria 6 017 9 La Molina 13 798 San Miguel 26 659 Villa María del Triunfo 45 004 105 ANEXO 6: Cantidad necesaria de vehículos Tabla 0.6 Cantidad necesaria de vehículos (16 almacenes) Para la tabla 0.6, una vez más Ancón (que abastece a SJL) y San Martín de Porres representan la mayor cantidad de vehículos necesarios, de 57 y 40 respectivamente. N° Ubicación Abastece a Total de damnificados Volumen del kit (m3) Capacidad volumétrica del vehículo (m3) Número de kits por vehículo (m3) Número de vehículos necesarios Ancón San Juan de Lurigancho 2 Ate Ate 21 840 0.0175 32 1828 12 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre San Miguel 9 Los Olivos Los Olivos 12 697 0.0175 32 1828 7 10 Pachacámac San Juan de Miraflores 13 725 0.0175 32 1828 8 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres Barranco Santiago de Surco 16 Villa María del Triunfo Villa El Salvador 15 908 0.0175 32 1828 9 493 520 14 San Martín de Porres 72 972 0.0175 32 1828 40 15 Santiago de Surco 34 791 0.0175 32 1828 20 12 San Isidro 24 109 0.0175 32 1828 14 13 San Juan de Lurigancho 40 053 0.0175 32 1828 22 11 San Borja 16 584 0.0175 32 1828 10 8 Lima 29 172 0.0175 32 1828 16 6 La Molina 24 889 0.0175 32 1828 14 7 La Victoria 17 467 0.0175 32 1828 10 4 Chaclacayo 9 027 0.0175 32 1828 5 5 Cieneguilla 15 919 0.0175 32 1828 9 1 Ancón 103 832 0.0175 32 1828 57 3 Carabayllo 40 535 0.0175 32 1828 23 106 Tabla 0.7 Cantidad necesaria de vehículos (17 almacenes) N° Ubicación Abastece a Total de damnificados Volumen del kit (m3) Capacidad volumétrica del vehículo (m3) Número de kits por vehículo (m3) Número de vehículos necesarios Ancón San Juan de Lurigancho 2 Ate Ate 21 840 0.0175 32 1828 12 Carabayllo Comas Puente Piedra Chaclacayo Lurigancho Cieneguilla Villa María del Triunfo Chorrillos La Molina Santa Anita Breña La Victoria Lima Pueblo Libre 9 Los Olivos Los Olivos 12 697 0.0175 32 1828 7 10 Pachacámac San Juan de Miraflores 13 725 0.0175 32 1828 8 San Borja San Luis Jesús María Lince Magdalena del Mar Miraflores San Isidro Surquillo El Agustino Rímac Independencia San Martín de Porres 15 San Miguel San Miguel 2 746 0.0175 32 1828 2 Barranco Santiago de Surco 17 Villa María del Triunfo Villa El Salvador 15 908 0.0175 32 1828 9 493 520 20 San Isidro San Juan de Lurigancho San Martín de Porres 22 72 972 0.0175 32 1828 40 24 109 0.0175 32 1828 14 40 053 0.0175 32 34 791Santiago de Surco 1828 32 1828 23 32 1828 5 182832 10 32 1828 9 32 1828 32 1828 103 832 9 027 15 919 17 467 26 426 40 535 24 889 16 584 0.0175 0.0175 0.0175 0.0175 0.0175 0.0175 0.0175 0.0175 32 1828 0.0175 32 1828 32 1828 Lima San Borja Cieneguilla La Molina La Victoria 1 3 4 5 6 11 16 12 13 14 7 8 14 10 15 57Ancón Carabayllo Chaclacayo 107 Tabla 0.8 Cantidad necesaria de vehículos (18 almacenes) N° Ubicación Abastece a Total de damnificados Volumen del kit (m3) Capacidad volumétrica del vehículo (m3) Número de kits por vehículo (m3) Número de vehículos necesarios Ancón San Juan de Lurigancho 2 Ate Ate 21 840 0.0175 32 1 828 12 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 548 0.0175 32 1 828 1 7 El Agustino El Agustino 25 391 0.0175 32 1 828 14 8 Independencia Independencia 7 274 0.0175 32 1 828 4 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 7 346 0.0175 32 1 828 5 12 Rímac Rímac 14 662 0.0175 32 1 828 9 13 San Borja San Borja 14 654 0.0175 32 1 828 9 14 San Isidro San Isidro 4 812 0.0175 32 1 828 3 15 San Martín de Porres Los Olivos 12 697 0.0175 32 1 828 7 Lima Pueblo Libre San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 493 520 29 172 0.0175 32 1 828 16San Miguel16 0.0175 32 1 828 4 32 1828 23 9 La Molina 13 798 0.0175 32 1 828 8 10 La Victoria 6 017 4 4 Carabayllo 40 535 0.0175 5 129 600 0.0175 32 1 828 71 1 Ancón 103 832 0.0175 32 1828 57 3 Breña 7 311 0.0175 32 1 828 18 Villa María del Triunfo 45 004 0.0175 32 1 828 25 5 Chaclacayo 17 Santiago de Surco 9 027 0.0175 32 1 828 108 Tabla 0.9 Cantidad necesaria de vehículos (19 almacenes) N° Ubicación Abastece a Total de damnificados Volumen del kit (m3) Capacidad volumétrica del vehículo (m3) Número de kits por vehículo (m3) Número de vehículos necesarios Ancón San Juan de Lurigancho 2 Ate Ate 21 840 0.0175 32 1 828 12 Jesús María Magdalena del Mar Carabayllo Comas Puente Piedra Chaclacayo Lurigancho 6 Cieneguilla Cieneguilla 548 0.0175 32 1 828 1 7 El Agustino El Agustino 25 391 0.0175 32 1 828 14 8 Independencia Independencia 7 274 0.0175 32 1 828 4 La Molina Santa Anita Breña Lince San Luis 11 Miraflores Miraflores 7 346 0.0175 32 1 828 5 12 Pueblo Libre Pueblo Libre 2 513 0.0175 32 1 828 2 13 Rímac Rímac 14 662 0.0175 32 1 828 9 14 San Borja San Borja 14 654 0.0175 32 1 828 9 15 San Isidro San Isidro 4 812 0.0175 32 1 828 3 16 San Martín de Porres Los Olivos 12 697 0.0175 32 1 828 7 Lima San Miguel San Martín de Porres Barranco Chorrillos La Victoria Santiago de Surco Surquillo San Juan de Miraflores Villa El Salvador Villa María del Triunfo 493 520 32 1828 57 4 Carabayllo 40 535 0.0175 32 1828 23 0.0175 32 1 828 Ancón 103 832 0.0175 Breña 7 311 0.0175 32 1 828 1 3 17 19 4 18 10 5 Chaclacayo 9 027 32 1 828 4 Santiago de Surco 129 600 0.0175 32 1 828 71 0.0175 32 1 828 8 La Victoria 6 017 0.0175 9 La Molina 25 5 15 13 798 San Miguel 26 659 0.0175 32 1 828 Villa María del Triunfo 45 004 0.0175 32 1 828 109 ANEXO 7 Tabla 0.10 Niveles de vulnerabilidad potencial estimados por sector Fuente: tomado de PREDES (2009), Anexo G 110 ANEXO 8 Figura 0.1 Vehículo de comando para atención de desastres de INDECI Fuente: tomado de gob.pe (2025) https://www.gob.pe/institucion/indeci/noticias/1108329-indeci-entrega-puestos-de-comando- avanzado-a-las-ddi-de-piura-cusco-y-san-martin