Clustering sustractivo para problemas de asignación espacial de recursos en la gestión de residuos

Por qué importa colocar mejor los contenedores

En ciudades y pueblos, el reciclaje suele fracasar no porque a la gente no le importe, sino porque el punto de recogida más cercano está demasiado lejos o está siempre lleno. Este artículo explora una nueva forma de decidir dónde colocar un número limitado de contenedores para que sean accesibles, se compartan de forma justa y se ajusten a cómo la gente se mueve realmente por su entorno.

De las personas y los contenedores a un mapa de necesidades

Los autores analizan problemas de asignación espacial de recursos, en los que un número limitado de instalaciones debe atender a muchos usuarios dispersos. En gestión de residuos, estas instalaciones son contenedores, estaciones de transferencia o plantas de tratamiento, y los usuarios son los residentes que generan basura. Una buena planificación intenta cubrir al mayor número de personas posible manteniendo el esfuerzo y los costes de desplazamiento bajos. La vida real complica esta tarea porque la gente se desplaza, las carreteras condicionan cómo viajan y cada instalación tiene una capacidad limitada. Los métodos tradicionales se enfocan o bien en la optimización matemática, que puede volverse muy lenta para regiones extensas, o bien en métodos de clustering que agrupan demandas cercanas pero tienen dificultades para incluir límites de capacidad y rutas de viaje realistas.

Una idea de clustering adaptada al mundo real

El estudio adapta una técnica llamada clustering sustractivo para captar cómo interactúan la demanda y el servicio en el espacio. A cada asentamiento, o ubicación potencial para un contenedor, se le asigna un valor de “potencial” que refleja cuántas personas puede servir de forma conveniente, incluyendo las de los asentamientos vecinos. Esto se calcula con curvas sencillas basadas en la distancia que describen dos ideas fáciles de entender: cuánta disposición tienen las personas a desplazarse hasta un contenedor y cuán atractiva es la ubicación de un contenedor. El algoritmo sitúa luego los contenedores uno por uno en las ubicaciones más prometedoras, reduciendo el potencial restante en sus alrededores según la capacidad de cada contenedor. Si las necesidades siguen siendo altas en el mismo punto, pueden colocarse más contenedores allí, lo que permite al método manejar capacidades desiguales y zonas muy concurridas.

Seguir las carreteras en lugar de la línea recta

Una mejora clave es que el método no mide la distancia “en línea recta”. En su lugar utiliza distancias en la red viaria o tiempos de viaje, que reflejan mejor cómo la gente alcanza los contenedores. Esto es especialmente importante en regiones extensas, donde ríos, montañas o carreteras escasas pueden hacer que un contenedor cercano en el mapa sea en la práctica de difícil acceso. Los autores también diseñan medidas sencillas para evaluar qué tan bien funciona un plan de contenedores. Estas incluyen la proporción de demanda que queda descubierta, cuánto difiere el nuevo plan del actual y qué tan bien se corresponde el patrón espacial de contenedores con el patrón espacial de la población.

Poner el método a prueba en Hungría

Para mostrar el enfoque en acción, los investigadores estudian los contenedores de residuos textiles en Hungría. En el momento del estudio, 2.453 contenedores estaban repartidos solo por 503 de los más de 3.000 municipios del país, dejando grandes zonas sin servicio. Asumiendo que los residuos textiles son proporcionales a la población, usan su método para redistribuir el mismo número de contenedores manteniendo capacidades realistas. La distribución resultante extiende los contenedores a casi el doble de municipios y hace que su patrón en el mapa se asemeje mucho al patrón de población. Métricas sencillas basadas en la distancia muestran que el nuevo plan atiende a la población de forma mucho más equitativa que el sistema existente. Los autores también comparan su enfoque con alternativas comunes basadas en programación lineal y clustering k-medoides, encontrando soluciones similares o mejores con mucho menos esfuerzo computacional en problemas de gran tamaño.

Qué significa esto para la planificación urbana y regional futura

Para un lector no especializado, el mensaje principal es que una colocación más inteligente de un número fijo de puntos de recogida puede mejorar enormemente quién queda atendido, sin añadir más contenedores. Al combinar una idea sencilla de clustering con distancias reales por carretera, comportamiento de viaje y límites de capacidad, el método ofrece a los planificadores una herramienta flexible para diseñar sistemas de contenedores a escala tanto urbana como nacional. Aunque el artículo se centra en residuos textiles en Hungría, las mismas ideas podrían orientar dónde ubicar otras instalaciones compartidas, como puntos de reciclaje, estaciones de carga o servicios de salud, ayudando a ajustar los recursos limitados a los desplazamientos cotidianos de las personas de forma más justa y eficiente.

Cita: Kenyeres, É., Kummer, A. & Abonyi, J. Subtractive clustering for spatial resource allocation problems in waste management. Sci Rep 16, 14986 (2026). https://doi.org/10.1038/s41598-026-45718-4

Palabras clave: gestión de residuos, planificación espacial, clustering, contenedores de reciclaje, redes viarias