Transcript power point

Introducción a la Sociomática
El Estudio de los Sistemas Adaptables
Complejos en el Entorno
Socioeconómico.
por
Gonzalo Castañeda, 2011
México, DF
1.- Introducción
• Incredulidad de los estudiantes ante supuestos de la
•
•
•
•
•
economía
¿ inmadurez intelectual?..pero posición compartida por
otros científicos (sociales y naturales)
Instrumentalismo científico: “como si” (Friedman),
“simplificaciones” neutrales a las inferencias del
modelo (Lucas y Sargent)
Buen modelo: pocos supuestos y muchas hipótesis.
Supuestos pueden ser incompletos pero no ficticios
Realismo científico: Con supuestos erróneos una teoría
es falsa aunque sus predicciones no lo sean.
Teoría de la complejidad: alternativa que parte de la
premisa de que los fenómenos emergen de manera
descentralizada (Smith, Veblen, Marshal, Hayek,
Schumpeter, Santa Fe, Prigogine, Haken)
*
Fenómenos socio-económicos a través de
una física social
• Uso de la física estadística de Boltzmann y
Maxwell para el estudio de gases
• Relaciones estadísticas ante la imposibilidad de
entender el comportamiento de multiplicidad de
objetos
• Leyes físicas que son válidas “prácticamente
todo el tiempo”
• Probabilidad de que moléculas de aire se
ubiquen en una esquina de la recámara
*La sociedad y la economía como sistemas
descentralizados
• Tendencia descentralizadora (caída del muro de
•
•
•
Berlín, procesos democráticos, flexibilidad en la
producción, células terroristas)
Actitud centralista de la mente humana (papel
protagónico de presidentes y CEOs, teorías del
complot)
En economía: visión descentralizada de Smith y
Malthus versus visión centralizada de Walras
Elementos centralistas neoclásicos: subastador
walrasiano, teoremas de existencia, homogeneidad de
actores optimizadores
La formulación de una teoría depende del color del cristal
con el que se observa el mundo: ¿conejos, antílopes pájaros
o una línea curva con un punto?
• La ciencia económica = problemas de
escasez con objetivos múltiples (agentes
optimizadores monolíticos, fundamentos
microeconómicos)
• Alternativa: procesos descentralizados en los
que actores se adaptan al entorno (e.g.
evolución biológica)
• Un mundo natural con información muy ágil
versus un mundo social con problemas de
coordinación (organizaciones sociales
jerárquicas a través de la historia)
1.1.- Premisas de un paradigma alternativo:
Sistemas Adaptables Complejos (CAS)
• (i) Interacción social (evitar posiciones reduccionistas y
•
•
•
•
enfatizar procesos de inserción social)
(ii) Heterogeneidad: rechazo a los agentes representativos;
“falacia de la composición”: propiedades observadas en un
nivel son atribuidas a otro.
(iii) Incertidumbre ante la actitud de otros agentes y ante
contingencias del entorno (diferencia entre riesgo e
incertidumbre; procesos dinámicos sujetos a innovaciones)
(iv) Capacidad de adaptación de los individuos al entorno
(racionalidad limitada: satisfacción de niveles mínimos,
actitudes conformistas, reforzamiento)
CAS se observan en química, física y biología, de ahí la
necesidad de elaborar una meta-teoría para explicar CAS en
las ciencias sociales.
* El peligro de los promedios
(actores representativos)
1.2.- Reglas sencillas y auto-organización
• Fenómenos naturales y sociales regidos por principios
•
•
•
universales (vuelo de una parvada, tráfico vehicular, formación
de un organismo, interacción de moléculas, organización de
una ciudad, procesos de votación, propagación de incendios)
Proceso de auto-organización: patrón emergente que resulta de
la interacción de distintos actores y cuyas características no se
pueden inferir al analizar las reglas de comportamiento de
dichos actores.
Interacción local → retroalimentación positiva (acciones
individuales se magnifican con el tiempo) versus economía
neoclásica caracterizada por el equilibrio
Ejemplos de procesos descentralizados en el mundo natural:
(a) el vuelo sincronizado de las golondrinas que no siguen a un
líder; (b) colonias de hormigas especializadas que crean y
protegen sus nidos sin un planificador central y una reina que
los dirija.
Netlogo: la simulación de los CAS
creado por Wilensky, U. Center for Connected Learning and
Computer-Based Modeling, Northwestern University.
• Software disponible sin costo en la dirección:
http://ccl.northwestern.edu/netlogo/
• Bajar ultima versión (4.1.2)
• Laboratorio de programación con modelos
basados en agentes
(a) Vuelo sincronizado de una parvada
Model Library → Sample Models → Biology → Flocking.
• Modelo creado en 1986 por Craig W. Reynolds
•
ganador de un Oscar en 1998 por animación de
películas
Reglas de interacción en una vecindad: (i) alineación,
(ii) separación y (iii) cohesión.
Algunos ejercicios con “flocking”
• ¿Qué sucedería si la visión (o radio de acción) de
•
•
•
•
cada pájaro es relativamente pequeña?
¿Con qué nivel de visión la parvada se mueve
en un solo grupo?
¿Cuál es el impacto visual que tiene la
separación mínima entre pájaros?
Ver el demo de Reynolds (boids) en la dirección:
http://www.red3d.com/cwr/boids/
Ver la animación de boids en el clip de un video,
“Breaking the Ice”:
http://odyssey3d.stores.yahoo.net/comanclascli2
.html
(b) Auto-organización de una colonia de hormigas.
Model Library → Sample Models → Biology → Ants.
• Hormigas recolectan alimentos desde distintas
fuentes y segregan feromonas para
comunicarse.
• Patrón emergente: explotación secuencial de las
fuentes (de la más cercana a las más lejana)
Algunos ejercicios con “Ants”
• ¿Qué factores explican el orden emergente?
• ¿Qué sucedería cuando el número de hormigas
en la colonia es relativamente reducido?
• Cuando dos fuentes de alimentos son
equidistantes ¿cuál de ellas va a ser explotada
en primer término?
• Modelo afín: formación de una pila de astillas
por parte de termitas. Disponible en Netlogo:
Model Library → Sample Models → Evolution→
Termites
Ejemplos de procesos descentralizados en el
mundo social.
• Actores humanos responden de manera consciente
•
•
•
ante condiciones del entorno. Incertidumbre e
interacción → comportamientos complejos
(c) Modelo de tráfico vehicular: congestionamiento sin
una causa aparente; efecto ‘serpiente’
(d) Modelo de segregación de Schelling: individuos
muy tolerantes pero comunidades segregadas
(e) Modelos de desplazamientos en un espacio: flujos
peatonales y pánicos en estadios
(d) El tráfico vehicular en una carretera
Model Library → Sample Models → Social Sciences → Traffic Basic
• Observador determina: número de vehículos,
•
velocidad de arranque y freno. Interfaz describe
velocidades máximas, mínimas y promedio.
Posicionamiento de los carros aleatorio →patrón
emergente con oleadas de congestionamiento que van
de derecha a izquierda
• En la realidad los atascos se producen por la presencia
de algún factor exógeno: cuellos de botella,
accidentes, maniobras descabelladas.
• En un sistema complejo no es posible
pronosticar comportamientos con precisión.
• En el sistema de tráfico existe una
transición de fase en donde la variación en
los tiempos de recorrido se incrementa
súbitamente.
Algunos ejercicios con “Traffic Basic”
• ¿Qué crees que sucedería cuando el número de
•
•
•
vehículos se modifica a 10 ó a 35?
¿Qué sucedería si los vehículos estuvieran igualmente
espaciados en la carretera, en vez de estar
posicionados aleatoriamente?
Una segunda versión (Traffic Grid**) ejemplifica como
este tipo de simulaciones ayudan a diseñar
estrategias.
En Traffic Grid se simulan calles de una ciudad en el
que c/vehículo elige su forma de manejar (forma de
acelerar y frenar) ateniéndose a ciertas reglas de
tránsito: detenerse con luz roja y no exceder el límite
de velocidad.
Diseño de estrategias mediante “Traffic Grid”
• ¿Qué crees que pasaría cuando el ciclo de cambio de
•
•
luces se hace muy largo o muy corto?
¿Un incremento en el límite de velocidad podría
reducir la velocidad promedio del flujo vehicular?
¿Puede existir un cierto nivel de carga vehicular sin
que ocurra un embotellamiento a pesar de darse un
apagón?.
(d) Segregación de las comunidades
Model Library → Sample Models → Social Sciences → Segregation
• Observador especifica nivel de tolerancia de los
•
•
•
individuos (verdes y rojos) indicando % mínimo de
gente del mismo color en la vecindad para estar
contentos.
Pasando umbral la persona se mueve aleatoriamente
a un espacio vacío (área negra) en otro barrio que
inicialmente cumple con sus preferencias.
Un barrio que parecería adecuado puede terminar no
siéndolo
Simulación se detiene cuando todas las personas
están contentas con la composición de su barrio.
• Patrón emergente 1: interacciones con
individuos aparentemente tolerantes (sólo 30%
afines) → equilibrio de segregación.
• Patrón emergente 2: continuo desequilibrio
cuando existe un alto nivel de intolerancia (e.g.
90% de personas afines).
* Segregación en Chicago
Transición de fase
• El nivel de segregación se incrementa
repentinamente cuando el nivel de tolerancia
pasa de cierto umbral
Algunos ejercicios con “segregation”.
• ¿Qué efecto tiene el hecho de que haya pocos espacios vacíos
•
•
•
•
•
•
en donde ubicarse cuando hay insatisfacción?
¿Qué sucedería cuando la comunidad esta conformada por tan
solo 500 individuos en vez de los 2000 iniciales que se toman
por default?
¿Con que nivel de tolerancia se da una transición de fase en la
que el desequilibrio aparece?
Otros demos del Schelling con tres actores:
Chris Cook’s
http://www.econ.iastate.edu/tesfatsi/demos/schelling/schellhp
.htm
Marco Sordo’s
http://web.econ.unito.it/terna/tesine/a_new_interpretation_of
_the_segregation_model.htm
¿De qué manera se puede construir un índice de segregación?
(e) Movimiento de masas en los espacios
• Ríos de personas que se mueven en sentidos opuestos
sin presencia de normas internalizadas
• Combinación de intereses personales con percepción
•
del entorno (‘espacio personal’)
Grupos que se intercalan para pasar por una puerta:
el beneficio de los obstáculos.
* Desplazamientos en contextos de pánico
• Se eliminan restricciones que impiden tocarse, las
fatalidades crean obstáculos
• En contexto de pánico el tiempo de evacuación se
incrementa con la velocidad de desplazamiento
1.3.- La importancia de la historia
• La influencia de las condiciones iniciales es un principio
•
•
•
•
universal aplicable en lo social y en lo natural (ciencias
históricas)
Mas que describir contingencias específicas el quehacer
científico requiere detectar patrones subyacentes recurrentes,
tanto en historia como en hidrología
Proceso de auto-similitud o naturaleza fractal en ramales de
ríos (ley de Zipf, de Pareto o de la Potencia)
Pocos movimientos sociales que dan lugar a una revolución y
muchos que terminan sin afectar el status quo
Ciencia social histórica si ésta no se circunscribe a la narración
de historias de individuos y una secuencia de episodios
Estructura simulada de un río
• Ejemplos de la ley de la Potencia: ligas en las páginas de
•
internet, distribución del ingreso, referencias citadas en
artículos científicos, vínculos empresariales, tamaño de las
ciudades
Desafío al análisis científico tradicional: grandes eventos no
son causados necesariamente por grandes factores exógenos
(precios accionarios, ciclos económicos, cataclismos
ecológicos)
1.4.- No-linealidad de los CAS
• La heterogeneidad de actores que interactúan entre si
•
•
•
•
propicia la no-linealidad (cambios marginales intercalados con
cambios súbitos, efectos diferenciados ante pequeñas
perturbaciones)
Dificultad matemática para resolver sistemas no-lineales
(limitaciones de los diagramas de fase)
Modelos matemáticos eliminan por definición aspectos muy
interesantes: interacción local, agentes diferenciados,
incertidumbre
Una nueva alternativa de análisis: Modelos computacionales
basados en agentes (ABM); análisis deductivo se sustituye
por un planteamiento algorítmico que busca identificar
patrones.
Además de la retroalimentación positiva entre agentes, la
simulación permite incorporar incertidumbre (contingencias se
presentan al “hacer crecer” un patrón emergente).
* El problema de la aclamación
• ¿Cómo se explican las aclamaciones en un auditorio?
•
•
•
•
•
= contagio y cascadas sociales
(i) Esquema neoclásico con agentes representativos:
N individuos, c/u recibe la señal si(q) = q + ei,
ovacionan cuando : si(q)>T
Pobreza de predicción: existe un % que se ponen de
pie en un solo periodo
(ii) Información imperfecta que se complementa con
las acciones de a individuos
Etapa 1: se observa señal propia y se elige si
ovacionar o no. Etapa 2: si mas de a se levantan se
hace lo mismo
Predicción: (a) equilibrio en menos de dos periodos
(b) menos de a se levantan o todo el auditorio lo hace
• (iii) Alternativa: planteamiento con CAS
• (a) Heterogeneidad de individuos: diferentes
temperamentos y preferencias musicales,
ubicación en el auditorio
• (b) Conexiones: influencia local (butacas
cercanas), respuestas diferenciadas según sea
la cercanía social
• ABM se puede “hacer crecer” oleadas de
ovaciones que surgen aleatoriamente en
distintos lugares del auditorio y se propagan
lentamente
• Dos equilibrios: se generaliza o se extingue
* El problema de la aclamación en NetLogo
• Elaborado por L. Izquierdo, S. Izquierdo, J.
Galán y J. Santos
• Disponible en:
http://luis.izqui.org/models/standingovation/
• 1ª etapa: Si qi > T aplauden, qi e [0, 1]
• 2ª etapa: influencia local a partir de
vecindades: (1) “de cinco”: dos al lado y tres
adelante, (3) “cónicas”: además 5 en la
segunda y así sucesivamente
• 3, 4,…etapas: se repite el proceso de revisión
• Ruido: con cierta probabilidad persona cambia su
•
•
posición de manera independiente
Sin ruido: dos equilibrios: extingue o generaliza sin
importar activación y vecindad
Con ruido: no estado absorbente, incrementos y
decrementos en la ovación
• La no-linealidad → reducida capacidad de
•
•
•
•
•
predicción en los CAS (¿políticas públicas?)
No se pueden definir comportamientos
puntuales, solamente establecer distribuciones
de probabilidad
Diferencia entre recomendar una acción
estratégica y diseñar una organización o toma
de decisiones
En la colonia de hormigas con dos fuentes de
alimentos equidistantes no se observa
participación 50-50
Las configuraciones extremas son más
comunes: ‘tipping-points’ son frecuentes
¿Qué se podría pronosticar cuando existe una
relación 55-45?
Distribución de la población de hormigas en las fuentes de alimentos
Frecuencia relativa del porcentaje de hormigas en la fuente A
1.5.- El razonamiento inductivo del ser humano
• Razonamiento deductivo sólo es posible cuando el problema a
•
•
•
•
•
resolver parte de premisas completas y consistentes
El juego del “gato” se puede resolver deductivamente, no así
las “damas” y mucho menos el “ajedrez”
El razonamiento humano tiene un componente deductivo y otro
inductivo. Una vez reconocido un patrón se formulan modelos
mentales (o hipótesis) cuya validez se rectifica con los
resultados observados
El aprendizaje es co-evolutivo: expectativas sobre expectativas,
y retroalimentación entre resultados económicos y
expectativas.
Bajo expectativas racionales, la complejidad se elimina por
default al suponer que las expectativas coinciden con el
comportamiento de equilibrio.
El viajar en el Metro se puede hacer mediante análisis
deductivos o inductivos, el primer mecanismo no es factible
cuando se desconoce información importante: e.g. tiempo de
espera en las conexiones
* ¿Los seres humanos somos
realmente deductivos?
• Ejemplo 1: Si un bat y una pelota de beisbol cuestan en
•
•
•
•
•
•
conjunto $1.10 y el bat tiene un costo de $1 por encima del
costo de la pelota ¿cuál es el costo de la pelota?
Respuesta frecuente: $0.10 (¡efecto visual!)
Respuesta correcta $0.05
Ejemplo 2: Elegir un número entre 0 y 100, el ganador es el
que selecciona número = 2/3 partes del promedio
Si los demás eligen aleatoriamente con una Uniforme:
promedio es 50 y propuesta 33; pero si los demás piensan lo
mismo promedio es 33 y propuesta es 22, y así
sucesivamente.
Propuesta racional: 0 = 2/3 (0)
Resultados observados: para la mayoría el proceso recursivo
se detiene en 33 o en 22. En promedio se elige 18.9 por lo
que el ganador es el que seleccionó el 13. Paradójico: los
actores racionales siempre pierden.
1.6.- Co-evolucionismo metodológico
• Individualismo metodológico (economia neoclásica):
•
•
•
•
estructura es vista de manera residual
Colectivismo metodológico (sociología, antropología,
ciencias políticas): agencia es totalmente determinada
por la estructura (normas sociales, hábitos, ideologías)
Co-evolucionismo metodológico (CAS): la estructura
condiciona la agencia y el patrón emergente perturba
la estructura (co-evolucionismo diacrónico: agencia →
estructura → agencia)
Co-evolucionismo sincrónico. En biología éste explica
como la adaptación de ciertos genes (especies) se ven
influenciados por otros genes ( o especies).
En ciencias sociales: complementariedad de las
instituciones y mercados: flexibilidad laboral y sistema
financiero
1.7 El estudio de la economía y la teoría de la complejidad
• (a) Economía neoclásica post-walrasiana (mecánica
•
•
•
•
•
newtoniana: homogeneidad, racionalidad, preferencias
exógenas y equilibrio), (b) economía evolutiva (teoría
darwiniana, rechazo de la ortodoxia)
Economía neoclásica presenta un cuerpo de supuestos
generalmente aceptados (Varian MasCollel, Kreps); no así la
economía evolutiva que es más bien una tribu (e.g. postschumpeterianos, institucionalistas a la Veblen)
Falta de un aparato analítico común (simulaciones numéricas,
teoría de juegos); a diferencia del enfoque neoclásico (cálculo,
optimización dinámica, teoría de juegos)
Futuro promisorio al insertar el enfoque evolutivo en la teoría
de la complejidad: aparato analítico común a través de los ABM
Necesidad de textos: Handbook of Computational Economics.
Volume 2: Agent-based Computational Economics (ACE).
Aportaciones de la Economía Experimental y del Conocimiento.
* Las crisis económicas y los cambios de
paradigma
• Crisis financiera → recesión y crisis del paradigma
• Inercia de los paradigmas: (i) conocimiento científico
•
•
•
•
como dogma, (ii) ideologías que buscan
fundamentación académica
Kuhn: tenacidades científicas y revoluciones
Gran Depresión → keynesiamismo
Estanflación de los 70’s → expectativas racionales
Crisis internacional del 2008 → ?, complejidad
* La macroeconomía como un CAS
• Keynesianismo de los 30’s como reacción a los marginalistas
•
•
•
•
•
•
(futuro desconocido, preferencias inconsistentes, expectativas
que se auto-refuerzan)
Agregación inapropiada, sistema se entiende a partir de
relaciones entre variables agregadas: función consumo,
demandas de inversión y de dinero, curva de Phillips
Smith y keynesianos entendieron a mercados como sistemas
descentralizados: ‘mano invisible’ vs inestabilidad endémica
Dinámicas desestabilizadoras y falacia de la composición
Problema metodológico: falta de fundamentos micro, pero no a
partir del reduccionismo los neoclásicos
En los tiempos de Keynes no había ABM
Sintesis neoclásica-keynesiana: modelo de equilibrio
preocupado por imperfecciones más que por inestabilidad