Introducción

Método

Teoría

Resultados y discusión

Generación de basura en México

Datos desde 1992 hasta 2012 (SEMARNAT 2017):

library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")
## Installing package into 'C:/Users/adolf/OneDrive/Documentos/R/win-library/3.6'
## (as 'lib' is unspecified)
## Warning: package 'ftdh' is not available (for R version 3.6.3)
## Warning: unable to access index for repository http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/3.6:
##   no fue posible abrir la URL 'http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/3.6/PACKAGES'
## Warning: 'BiocManager' not available.  Could not check Bioconductor.
## 
## Please use `install.packages('BiocManager')` and then retry.
## Warning in p_install(package, character.only = TRUE, ...):
## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'ftdh'
## Warning in p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", : Failed to install/load:
## ftdh
residuos <- read_csv("residuos.csv")
## Warning in gzfile(file, mode): cannot open compressed file 'C:/Users/adolf/
## AppData/Local/Temp/RtmpINZwDb\file1564712c3a58', probable reason 'No such file
## or directory'
## 
## -- Column specification --------------------------------------------------------
## cols(
##   ANIO = col_double(),
##   `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
##   `GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)` = col_double()
## )

Tabla 1

datatable(residuos)

Transformar datos

cantidad_residuos <- residuos$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_residuos_percapita <- residuos$`GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)`
fecha <- residuos$ANIO
dataresiduos <- data.frame(fecha, cantidad_residuos)
dataresiduospc <- data.frame(fecha, cantidad_residuos_percapita)

Visualización de datos

Gráfica 1

ggplot(data = dataresiduos)+
  geom_line(mapping = aes(x = fecha, y = cantidad_residuos), colour="red") +
  xlab("Fecha (año)") +
  ylab("Cantidad de residuos (milones de toneladas)") +
  ggtitle("Cantidad de residuos generados desde 1995 hasta 2012")

Gráfica 2

ggplot(data = dataresiduospc)+
  geom_line(mapping = aes(x = fecha, y = cantidad_residuos_percapita), colour="blue") +
  xlab("Fecha (año)") +
  ylab("Cantidad de residuos per capita (Kg/habitante/día)") +
  ggtitle("Cantidad de residuos generados per capita desde 1995 hasta 2012")

Las tablas muestran que cada año que pasa los residuos generados en México son muchos más, y lo mismo con la cantidad per cápita

Generación de basura en México y su población

Datos desde 1995 hasta 2010 (INEGI 2015):

Tabla 2

poblacion <- read_csv("poblacion.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   ANIO = col_double(),
##   `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
##   POBLACION = col_double()
## )
datatable(poblacion)

Transformar datos

pcantidad_residuos <- poblacion$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_habitantes <- poblacion$POBLACION
pfecha <- poblacion$ANIO
datapoblacion <- data.frame(pfecha, cantidad_habitantes)
datapoblacionresiduos <- data.frame(pfecha, pcantidad_residuos, cantidad_habitantes)

Visualización de datos

Gráfica 3

ggplot(data = datapoblacion)+
  geom_line(mapping = aes(x = pfecha, y = cantidad_habitantes), colour="blue") +
  xlab("Fecha (año)") +
  ylab("Cantidad de habitantes") +
  ggtitle("Población en México desde 1995 hasta 2010")

Correlación

cor(datapoblacionresiduos)
##                        pfecha pcantidad_residuos cantidad_habitantes
## pfecha              1.0000000          0.9507191           0.9945817
## pcantidad_residuos  0.9507191          1.0000000           0.9634711
## cantidad_habitantes 0.9945817          0.9634711           1.0000000

Con esto se confirma que entre más habitantes hay más residuos hay generados (Correlación de 0.95), lo cual hace sentido, pero es alarmante.

Diagrama de Dispersión

pairs(datapoblacionresiduos)

Regresión Lineal

regresion <- lm(pcantidad_residuos ~ cantidad_habitantes, data=datapoblacionresiduos)
summary(regresion)
## 
## Call:
## lm(formula = pcantidad_residuos ~ cantidad_habitantes, data = datapoblacionresiduos)
## 
## Residuals:
##       1       2       3       4 
##  1130.5 -1710.3   161.0   418.8 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)  
## (Intercept)         -1.479e+04  9.653e+03  -1.532   0.2652  
## cantidad_habitantes  4.845e-04  9.523e-05   5.088   0.0365 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1484 on 2 degrees of freedom
## Multiple R-squared:  0.9283, Adjusted R-squared:  0.8924 
## F-statistic: 25.88 on 1 and 2 DF,  p-value: 0.03653
  • Entonces, la recta de mínimos cuadrados, sería la siguiente:

\[ y = -14790 + 0.0004845 x\]

Representación gráfica de la recta

Gráfica 4

plot(datapoblacionresiduos$cantidad_habitantes, datapoblacionresiduos$pcantidad_residuos, xlab = "Población", ylab = "Residuos")
abline(regresion)

La población en México está creciendo de manera constante con cada año que pasa, por lo que la premisa es que con cada año que pase igualmente la basura debería crecer en esta proporción, sin embargo esto no es regular como si lo es el crecimiento de la población, y de igual manera la contaminación y las consecuencias de la basura serán mayores.

entidades <- read.csv("entidades - entidades.csv")
datatable(entidades)
residuosDia <- (entidades$promedio)
pobreza <- entidades$Porcentaje_Pobreza

relacionBP <- data.frame(pobreza, residuosDia)

La forma en que se podría suponer que afecta las diferentes características de la población al flujo de basura que tienen, es que una comunidad con mayor nivel socioeconómico, posee mayor poder adquisitivo a alimentos y productos procesados, por lo cual generaría una mayor cantidad de basura que una que donde el porcentaje de población que vive en pobreza es mayor y tienen que verse obligados a consumir solo lo necesario. Dicho esto, la hipótesis nula en este caso es, que si una población tiene mayor porcentaje de pobreza, menor será el número de kg de basura generados diarios.

cor(relacionBP)
##                pobreza residuosDia
## pobreza      1.0000000  -0.1061961
## residuosDia -0.1061961   1.0000000

Como se observa, aunque efectivamente, la relación que se encuentra es negativa, (a menor pobreza mayores cantidades de basura generadas), el grado de esta misma, es demasiado bajo, por lo cual no se considera significativo y se rechaza la hipótesis nula. Como nota extra, una posible razón por la cual esto podría ser así, es que hoy en día los alimentos procesados e importados predominan en la mayoría de mercados comunes y que poseen un precio accesible para la gran mayoría de la población, provocando que esta relación, no sea significativa.

Rellenos sanitarios de México

Datos desde 1995 hasta 2012 (SEMARNAT 2017):

Tabla 3

rellenos <- read_csv("rellenos.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   AÑO = col_double(),
##   CONCEPTO = col_character(),
##   `RELLENOS_SANITARIOS_(NUMERO)` = col_double()
## )
datatable(rellenos)

Generación de basura y rellenos sanitarios en México

Datos desde 1995 hasta 2012 obtenidos de: INEGI. (2017). Indicadores Básicos del Desempeño Ambiental - Residuos sólidos. 8 de Diciembre de 2020, de SEMARNAT Sitio web: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos

generacion <- read_csv("generacion.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   ANIO = col_double(),
##   `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
##   `RELLENOS_SANITARIOS_(NUMERO)` = col_double()
## )
datatable(generacion)

Transformar datos

rcantidad_basura <- generacion$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_rellenos <- generacion$`RELLENOS_SANITARIOS_(NUMERO)`
rfecha <- generacion$ANIO
datarellenos <- data.frame(rfecha, cantidad_rellenos)
datarellenosbasura <- data.frame(rfecha, rcantidad_basura, cantidad_rellenos)

Visualización de datos

Gráfica 5

ggplot(data = datarellenos) +
  geom_line(mapping = aes(x=rfecha, y=cantidad_rellenos), colour="blue" )+
              xlab("Fecha (año)")+
              ylab("Cantidad de rellenos")+
              ggtitle("Rellenos sanitarios en México desde 1995 hasta 2010")

Correlación

cor(datarellenosbasura)
##                      rfecha rcantidad_basura cantidad_rellenos
## rfecha            1.0000000        0.9561011         0.9168572
## rcantidad_basura  0.9561011        1.0000000         0.9350937
## cantidad_rellenos 0.9168572        0.9350937         1.0000000

Aquí se aprecia la correlación que existe entre la cantidad de basura, la fecha y la cantidad de rellenos, tieniendo por más correlacionados a que entre cada año que pasa aumenta más la basura (Correlación de 0.95) y aunque también la fecha respecto a la cantidad de rellenos están correlacionadas (Correlación de 0.93), no son tantos los rellenos nuevos con año que sucede.

Diagrama de dispersión

regresionrellenos <- lm(rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
summary(regresionrellenos)
## 
## Call:
## lm(formula = rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2242.9 -1433.8   348.8  1384.6  1791.0 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       28249.163    693.541   40.73  < 2e-16 ***
## cantidad_rellenos    61.910      5.866   10.55 1.29e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1467 on 16 degrees of freedom
## Multiple R-squared:  0.8744, Adjusted R-squared:  0.8666 
## F-statistic: 111.4 on 1 and 16 DF,  p-value: 1.29e-08
  • Entonces, la recta de mínimos cuadrados, sería la siguiente:

\[ y = 28249.163 + 61.910 x\]

Representación gráfica de la recta

Gráfica 6

plot (datarellenosbasura$cantidad_rellenos, datarellenosbasura$rcantidad_basura, xlab = "Cantidad de rellenos", ylab = "Residuos")
abline(regresionrellenos)

Estas gráficas nos dicen que entre más población existe más generación de residuos existirá en el país, sin embargo los rellenos sanitarios que se tienen no son ni suficientes en cantidad, ni una solución efectiva ni permanente, además que la administración que se tiene de estos residuos que se recaban es muy mala.

¿En dónde terminan los residuos generados?

Datos preliminares de INEGI, 2017

Si ya hablamos que la recolección, gestión y administración de los residuos no es buena en México, ¿dónde es que terminan estos?

Según datos de SEMARNAT 2017: La disposición final de los residuos aún hoy que hay “muchos más” rellenos sanitarios sigue siendo en un gran porcentaje en tiraderos no controlados y al aire libre.

Tabla 4

disposicion <- read_csv("disposicion.csv", 
    col_types = cols(ANIO = col_number(), 
        TONELADAS = col_number()))
datatable(disposicion)

Cantidad de basura en rellenos sanitarios

Gráfica 7

ton_rellenos <- (disposicion[disposicion$UBICACION == "Rellenos sanitarios",])
ggplot(data = ton_rellenos) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="green" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en rellenos")+
              ggtitle("Residuos en rellenos sanitarios en México desde 1995 hasta 2012")

Cantidad de basura en rellenos de tierra controlados

Gráfica 8

ton_tierra <- (disposicion[disposicion$UBICACION == "Rellenos de tierra controlados",])
ggplot(data = ton_tierra) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="black" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en rellenos de tierra controlados")+
              ggtitle("Residuos en rellenos de tierra controlados en México desde 1995 hasta 2012")

Cantidad de basura en sitios no controlados

Gráfica 9

ton_sincontrol <- (disposicion[disposicion$UBICACION == "Sitios no controlados (tiraderos a cielo abierto)",])
ggplot(data = ton_sincontrol) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="red" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en sitios no controlados")+
              ggtitle("Residuos en sitios no controlados en México desde 1995 hasta 2012")

Estos datos nos dicen que cada día que pasa existe más recolección de basura desde todos los sectores de la población hacia sectores ya sean rellenos sanitarios o rellenos de tierra controlados, y que cada vez hay menos basura en tiraderos urbanos

Pero la contaminación está en aumento, y cada vez se supone que corre más peligro la población por esta misma, ¿Porqué es esto así?, para responder a esto es necesario detectar los materiales desechados, al igual que analizar si cada sector de la población influye en esto y exactamente el tipo control que existe en estos basurones y rellenos…

Tiraderos a lo largo de México

#Basureros <- shapefile("Locaciones3.shp")
#mapview::mapview(Basureros, labels=T, map.types="OpenTopoMap")

Mapa que muestra los basureros registrados en el país por nombre y municipio/localidad

Materiales que son desechados en México

Según datos SEMARNAT 2017: Estos son los porcentajes que se generaron de basura en 2011 en México.

Tabla 5

materiales <- read_csv("materiales.csv", 
    col_types = cols(KILOSDIA = col_number(), 
        PORCENTAJE = col_number()))
datatable(materiales)

La tabla anterior nos muestran algunas cosas preocupantes, lo primero es que existe un gran porcentaje de papel, cartón y vidrio siendo desechado como residuo, siendo estos materiales que tienen muchas maneras de reutilizarse sin pasar por procesos industriales y en caso de que sea esto necesario hay lugares y campañas que se dedican a esto y no se están llevando a esos lugares, al igual que con el PET y plásticos pero estos son mucho más peligrosos que los anteriores, por lo cuál nos lleva a la cuestión de que riesgos existen que en los rellenos y en los basureros intraurbanos existan estos tipos de residuos sin gestionar.

pxc <- read.csv("Peligro contaminación por residuos solidos urbanos.csv")

cuentaMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="Si",])
noCuentaMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="No",])
sDatoMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="SIN DATO",])

cuentaProceso <- t(pxc[pxc$Ningun_proceso=="Si",])
noCuentaProceso <- t(pxc[pxc$Ningun_proceso=="No",])
sDatoProceso <- t(pxc[pxc$Ningun_proceso=="SIN DATO",])

cuentaTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="Si",])
noCuentaTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="No",])
sDatoTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="SIN DATO",])

nivelRMuyAlto <- t(pxc[pxc$Riesgo=="MUY ALTO",])
nivelRAlto  <- t(pxc[pxc$Riesgo=="ALTO",])
nivelRMedio <- t(pxc[pxc$Riesgo=="MEDIANO",])
nivelRBajo <- t(pxc[pxc$Riesgo=="BAJO",])

Gráfica 10

porcentajesMonitoreo <- as.numeric(round(((prop.table(table(pxc$Monitoreo_de_higiene_y_seguridad)))*100),2))
porcentajesMonitoreo
## [1] 76.62 14.31  9.06
etiquetasMonitoreo <- c("No", "Si", "SIN DATO")

etiquetasMonitoreo <- paste(etiquetasMonitoreo, porcentajesMonitoreo)
etiquetasMonitoreo
## [1] "No 76.62"      "Si 14.31"      "SIN DATO 9.06"
etiquetasMonitoreo <- paste(etiquetasMonitoreo, "%", sep = "")
etiquetasMonitoreo
## [1] "No 76.62%"      "Si 14.31%"      "SIN DATO 9.06%"
colores <- c("olivedrab", "darkolivegreen", "khaki", "darkgoldenrod")

pie3D(porcentajesMonitoreo, labels = etiquetasMonitoreo,explode= 0.10, radius = 0.6, theta = pi/3, start = 2, main = "Basureros que cuentan con Monitoreo de Higiene y Seguridad",
                       sub =  "Cuentan con Monitoreo de Higiene y Seguridad", col = colores)

Lo que esta gráfica representa es que la gran mayoría de los rellenos NO CUENTAN CON UN MONITOREO, lo que nos lleva a decir que no existe una administración adecuada dependiendo del material que es desechado y va a dar a los rellenos.

Solamente el 9.06% de los basureros cuentan con el monitoreo de higiene, lo cuál hace complicado el trabajo de analizar con exactitud que tipo de problemas puede causar esto, pues no hay datos de que tan higiénico o no están estos o que protocolos de salud se llevan a cabo para no afectar a la población.

Gráfica 11

porcentajesProceso <- as.numeric(round(((prop.table(table(pxc$Ningun_proceso)))*100),2))
porcentajesProceso
## [1] 53.17 34.96 11.87
etiquetasProceso <- c("No", "Si", "SIN DATO")

etiquetasProceso <- paste(etiquetasProceso, porcentajesProceso)
etiquetasProceso
## [1] "No 53.17"       "Si 34.96"       "SIN DATO 11.87"
etiquetasProceso <- paste(etiquetasProceso, "%", sep = "")
etiquetasProceso
## [1] "No 53.17%"       "Si 34.96%"       "SIN DATO 11.87%"
colores <- c("olivedrab", "darkolivegreen", "khaki", "darkgoldenrod")

pie3D(porcentajesProceso, labels = etiquetasProceso,explode= 0.10, radius = 0.6, theta = pi/3, start = 2, main = "Basureros sin ningun proceso",
  sub =  "Sin ningun proceso", col = colores)

De igual manera tampoco existe un número grande de basureros con un proceso en el que los residuos puedan ser gestionados, es decir, es simplemente un lugar en el que va a parar TODO lo desechado, sin más.

Riesgos

Gráfica 12

porcentajesTratamiento <- as.numeric(round(((prop.table(table(pxc$Tratamiento.de.lixiviados)))*100),2))
porcentajesTratamiento
## [1] 95.03  3.61  1.36
etiquetasTratamiento <- c("No", "Si", "SIN DATO")

etiquetasTratamiento <- paste(etiquetasTratamiento, porcentajesTratamiento)
etiquetasTratamiento
## [1] "No 95.03"      "Si 3.61"       "SIN DATO 1.36"
etiquetasTratamiento <- paste(etiquetasTratamiento, "%", sep = "")
etiquetasTratamiento
## [1] "No 95.03%"      "Si 3.61%"       "SIN DATO 1.36%"
colores <- c("darkolivegreen", "yellowgreen", "darkgoldenrod")

pie3D(porcentajesTratamiento,labels = etiquetasTratamiento, explode= 0.10, radius = 0.8, theta = pi/3, start = 6, 
  main = "Basureros con Tratamiento de Lixiviado",
   sub =  "Cuenta con Tratamiento de Lixiviado", col = colores)

En las zonas aledañas a los basurones y rellenos sanitarios hay alta exposición de contaminantes de suelo y de aire, son los primeros en recibir el impacto de los lixiviados, además que cuando existen precipitaciones los primeros en este impacto aumenta casi en un 50% según Revista internacional de contaminación ambiental .

Gráfica 13

porcentajesRiesgo <- as.numeric(round(((prop.table(table(pxc$Riesgo)))*100),2))
porcentajesRiesgo
## [1] 40.46  4.61 49.36  5.57
etiquetasRiesgo <- c("ALTO", "BAJO", "MEDIANO", "MUY ALTO")

etiquetasRiesgo <- paste(etiquetasRiesgo, porcentajesRiesgo)
etiquetasRiesgo
## [1] "ALTO 40.46"    "BAJO 4.61"     "MEDIANO 49.36" "MUY ALTO 5.57"
etiquetasRiesgo <- paste(etiquetasRiesgo, "%", sep = "")
etiquetasRiesgo
## [1] "ALTO 40.46%"    "BAJO 4.61%"     "MEDIANO 49.36%" "MUY ALTO 5.57%"
colores <- c("darkorange", "yellowgreen", "gold", "firebrick")

pie3D(porcentajesRiesgo,labels = etiquetasRiesgo, explode= 0.10, radius = 0.6, theta = pi/3, start = 2,
  main = "Basureros según su Nivel de Riesgo",
  sub =  "Nivel de Riesgo", col = colores)

Entidades con basureros de riesgo muy alto

Tabla 6

entRMA <- read.csv("entidad.riesgos.csv")
entRMAa <- data.frame(entRMA$Nombre_de_la_entidad, entRMA$Riesgo)
datatable(entRMAa)

Como podemos ver en esta gráfica (Gráfica 13) de pastel y en la tabla de datos una gran cantidad de basureros de entidades y municipios tienen riesgo realmente grandes.

Según la gráfica 13 el 4.61% de los basureros está en un riesgo bajo y un 49.36% con un riesgo mediano, mas sin embargo la gráfica 10 y 11 nos dicen que no existen monitoreos en la gran mayoría de los basureros, por lo que estos porcentajes de riesgos son engañosos o mejor dicho no son lo suficientemente ACERTADOS.

Para aproximarnos a saber que tanto es más riesgoso para las poblaciones que existan estos basurones sin monitoreos o gestión tomaremos como referencia lo toxico que es para un trabajador mexicano promedio que haya trabajado durante un periodo de 24 meses para un basurón mexicano. Para esto usaremos la siguiente fórmula:

\[ DDE_ij = C_i * Q_j * T * (F/P) * Tm \] Donde:

DDEij = dosis diaria de exposición relacionada con una exposición al medio i por vía de exposición j (en mg/kg/día) Ci = concentración de exposición relativa al medio i Qj = tasa de contacto, cantidad del medio suministrada por la vía j al día T = duración de exposición (años) F = frecuencia de exposición (días/año) P = peso corporal del afectado (kg) Tm = periodo de tiempo en el cual se determina la cantidad media de exposición (días)

Si el Ci promedio es de 0.9, el Qj el promedio es de 8 kg por vía cutánea, en un T de 2 años, con una F de 350 días/año, un peso promedio del mexicano mayor de 18, (74.8 kg) añosy Tm de 6 días.

DDEij = 0.9 * 8 * 2 * (350 / 74.8) * 6
DDEij
## [1] 404.2781

Según la NOM-010-STPS-2014 estos números (404.2781) se encuentran como moderadamente peligroso para una persona, y que hay posibilidad de tener efectos severos reversibles, lo cual no es bueno para un trabajador que se exponga a estas circunstancias.

Si tomamos en cuenta que también existe exposición de gases y cancerígenos (no solamente exposición cutánea), además que tampoco hay control de higiene ni administración de lixiviados este moderadamente peligroso de la NOM se vuelve aún más riesgoso para los trabajadores y las poblaciones aledañas, así como para la naturaleza de los alrededores.

Podemos decir que la generación de basura en México es un problema más grande de lo que realmente el sector gobierno está midiendo, pues cada día hay más generación de residuos per cápita, además que el control que se lleva de esta es muy deficiente, generando riesgos altos en la población y el ecosistema de los sitios en donde se arroja la basura

Conclusión

Bibliografías