Introducción a la Sociomática

1. Introducción a la Sociomática El Estudio de los Sistemas Adaptables Complejos en el Entorno Socioeconómico. por Gonzalo Castañeda, 2011 México, DF

2. 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)

3. * Fenómenos socio-económicos a través de unafísica social • Uso de la físicaestadística de Boltzmann y Maxwell para el estudio de gases • Relacionesestadísticas ante la imposibilidad de entender el comportamiento de multiplicidad de objetos • Leyesfísicasque son válidas “prácticamentetodo el tiempo” • Probabilidad de quemoléculas de aire se ubiquen en unaesquina de la recámara

4. *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

5. 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?

6. 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)

7. 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.

8. * El peligro de los promedios (actores representativos)

9. 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.

10. Netlogo: la simulación de los CAScreado 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

11. Vuelo sincronizado de una parvadaModel Library → SampleModels → 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.

12. 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

13. (b) Auto-organización de una colonia de hormigas.Model Library → SampleModels → 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)

14. 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 → SampleModels → Evolution→ Termites

15. 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

16. (d) El tráfico vehicular en una carreteraModel 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.

17. 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.

18. 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 (TrafficGrid**) ejemplifica como este tipo de simulaciones ayudan a diseñar estrategias. • En TrafficGrid 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.

19. 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?.

20. (d) Segregación de las comunidadesModel Library → SampleModels → 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.

21. 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).

22. * Segregación en Chicago

23. Transición de fase • El nivel de segregación se incrementa repentinamente cuando el nivel de tolerancia pasa de cierto umbral

24. 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’shttp://www.econ.iastate.edu/tesfatsi/demos/schelling/schellhp.htm • Marco Sordo’shttp://web.econ.unito.it/terna/tesine/a_new_interpretation_of_the_segregation_model.htm • ¿De qué manera se puede construir un índice de segregación?

25. (e) Movimiento de masas en los espacios • Ríos de personas que se mueven en sentidosopuestos sin presencia de normasinternalizadas • Combinación de interesespersonales con percepción del entorno (‘espacio personal’) • Gruposque se intercalanparapasarporunapuerta: el beneficio de los obstáculos.

26. * Desplazamientos en contextos de pánico • Se eliminanrestriccionesqueimpidentocarse, lasfatalidadescreanobstáculos • En contexto de pánico el tiempo de evacuación se incrementa con la velocidad de desplazamiento

27. 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

28. 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)

29. 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).

30. * 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

31. (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

32. * El problema de la aclamación en NetLogo • Elaboradopor L. Izquierdo, S. Izquierdo, J. Galány J. Santos • Disponible en: http://luis.izqui.org/models/standingovation/ • 1ª etapa: Si qi > T aplauden, qie [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

33. Ruido: con ciertaprobabilidad persona cambia suposición de maneraindependiente • Sin ruido: dos equilibrios: extingue o generaliza sin importaractivación y vecindad • Con ruido: no estadoabsorbente, incrementos y decrementos en la ovación

34. 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?

35. Distribución de la población de hormigas en las fuentes de alimentos

36. Frecuencia relativa del porcentaje de hormigas en la fuente A

37. 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

38. * ¿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.

39. 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

40. 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 (VarianMasCollel, Kreps); no así la economía evolutiva que es más bien una tribu (e.g. post-schumpeterianos, 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 ComputationalEconomics. Volume 2: Agent-basedComputationalEconomics (ACE). • Aportaciones de la Economía Experimental y del Conocimiento.

41. * Las crisis económicas y los cambios de paradigma • Crisis financiera→recesión y crisis del paradigma • Inercia de los paradigmas: (i) conocimientocientíficocomo dogma, (ii) ideologíasquebuscanfundamentaciónacadémica • Kuhn: tenacidadescientíficas y revoluciones • Gran Depresión→keynesiamismo • Estanflación de los 70’s →expectativasracionales • Crisis internacional del 2008 → ?, complejidad

42. * La macroeconomíacomo un CAS • Keynesianismo de los 30’s comoreacción a los marginalistas (futurodesconocido, preferenciasinconsistentes, expectativasque se auto-refuerzan) • Agregacióninapropiada, sistema se entiende a partir de relaciones entre variables agregadas: funciónconsumo, demandas de inversión y de dinero, curva de Phillips • Smith y keynesianosentendieron a mercadoscomosistemasdescentralizados: ‘mano invisible’ vsinestabilidadendémica • Dinámicasdesestabilizadoras y falacia de la composición • Problemametodológico: falta de fundamentos micro, pero no a partir del reduccionismo los neoclásicos • En los tiemposde Keynes no había ABM • Sintesisneoclásica-keynesiana: modelo de equilibriopreocupadoporimperfeccionesmásqueporinestabilidadendémica