Variables Soft Dinamica de Sistemas

7/24/2019 Variables Soft Dinamica de Sistemas

1/35

Modelizacin de Variables Soft

Adriana Ortiz, Jose Maria Sarriegi y Javier Santos *

* Tecnun - Universidad de NavarraEmails: [email protected], [email protected], [email protected]

Revista de Dinmica de Sistemas Vol. 2 Nm. 1 (Marzo 2006), p. 67-101

Recibido Diciembre 2005

Aceptado Febrero 2006

67

Resumen

En este trabajo se analizan las caractersticas de las variables soft y lasparticularidades que, para su estudio, presentan los paradigmas de modelizacinEconometra, Dinmica de Sistemas y Modelizacin Basada en Agentes. Con elobjeto de analizar las ventajas y desventajas de cada paradigma de modelizacinfrente al tratamiento de variables soft se presenta la exploracin de un casomodelizado en dichos paradigmas. Se concluye que si bien la Econometrapresenta caractersticas interesantes para complementar la Dinmica de Sistemas,esta ltima y la Modelacin Basada en Agentes son ms adecuadas para

incorporar variables soft.Abstract

This paper analyzes the modeling of soft variables and compares the way howthe economctric, the system dynamics and the agent based modeling paradigmsapproach them. An exemplary case is used to compare the three approaches. Itis found that System Dynamics and Agent Based Modeling are more suitable forrepresenting soft variables than Economectric modeling.

Palabras Claves:Variables Soft, Modelizacin, Paradigmas, Econometra, DS,MBA.

Introduccin

Actualmente, recursos intangibles como el know-how de los empleados,el capital intelectual y el conocimiento son reconocidos como partefundamental para la creacin de valor de las organizaciones.

Autores reconocidos en la literatura de gestin empresarial como Tidd(2000), Hall y Andriani (1998), Sveiby (1997), Kaplan y Norton (1997),Nonaka y Takeuchi (1995), Prahalad y Hamel (1990), y coinciden enafirmar que los factores que generan ventaja competitiva sostenible a las

organizaciones son de naturaleza intangible.


2/35

Ortiz, Sarriegi y Santos: Modelizacin de Variables Soft

_________________________________________________________________

68

La intangibilidad que caracteriza estas nuevas fuentes de ventajacompetitiva, hace especialmente difcil su medicin y gestin. Estosfactores son ampliamente conocidos en la literatura de gestin comorecursos intangibles y a pesar de los esfuerzos que se han hecho pormedir este tipo de variables soft, la informacin sobre ellos sigue siendoescasa (Andriessen, 2004).

Da a da los gestores toman decisiones estratgicas relacionadas confactores intangibles de los que poca informacin cuantitativa se posee.

Razn por la cual la mayor parte de estas decisiones se basan slo en laexperiencia, la informacin y el modelo mental de los gestores (Doyle yFord, 1999).

En este contexto, la modelizacin de sistemas se presenta como unaherramienta de ayuda (Bradl, 2003), ya que la construccin de modelosproporcionara un mayor entendimiento y ms informacin sobre lagestin de intangibles.

De esta forma la toma de decisiones estratgicas podra apoyarse no sloen la experiencia y formacin de los gestores, sino tambin en elaprendizaje que les pueda aportar la modelizacin.

En lo que a modelizacin se refiere, los recursos intangibles sonconocidos como variables soft y se caracterizan por que sucuantificacin es compleja. Estos recursos se crean y desarrollan en elentorno empresarial, que es dinmico por naturaleza.

Esta caracterstica dinmica del sistema empresa, es la que lleva a lautilizacin de modelos dinmicos para el estudio de las variables soft.

En la ltima dcada se han publicado una gran variedad de modelosdinmicos que incluyen variables soft (Repenning y Sterman, 1994;Zahn, Dillerup y Schmid, 1998; Oliva y Sterman, 2001; Warren, 2002).La mayor parte de stos han sido construidos bajo el paradigma deDinmica de Sistemas (DS).

La ausencia de modelos que incluyen variables soften otros paradigmasde modelizacin se debe quizs a que algunos de stos construyen losmodelos a partir de datos histricos, como por ejemplo, la Econometra, oporque son paradigmas relativamente nuevos de los que se conocen pocaspublicaciones, como es el caso de la Modelizacin Basada en Agentes(MBA).

Ante esta situacin, se concluye que a pesar de las dificultades queimplica el manejo de variables soft, la construccin de modelos queincluyan este tipo de variables, puede ser de gran ayuda para los gestores.Por tanto, el objeto de esta investigacin es buscar formas de mejorar elproceso de modelizacin de las variables soft.


3/35


_________________________________________________________________

69

Objetivos

El objetivo de este trabajo se sita en el camino hacia la mejora de laconstruccin de modelos que incluyen variables soft y tiene dospropsitos fundamentales:

Definir las caractersticas de las variables soft e identificar losproblemas que afronta su modelizacin.

Identificar las aportaciones y las dificultades de cada paradigma parala modelizacin de variables soft.

Para este ltimo propsito, se utiliza la exploracin de un casomodelizado en los paradigmas de Econometra, Dinmica de Sistemas yModelizacin Basada en Agentes.

Variables Soft

Definicin

Se define variable softcomo aquella variable de la que no se tienen datos

numricos disponibles, e incluyen factores como caractersticascualitativas, percepciones y expectativas concernientes a una persona ocosa.

Las caractersticas fundamentales de una variable softse pueden resumiren:

1. Carecen de sustancia fsica.

2. No pueden ser medidas de forma directa.

3. Las leyes que determinan su dinmica de cambio tienen que vercon relaciones complejas causa-efecto de carcter no lineal y conexistencia de retrasos.

Entre las variables soft se incluyen la motivacin, la percepcin decalidad, la habilidad para gestionar o la reputacin de la organizacin,que son ampliamente conocidos en la teora organizacional comointangibles.

Adems de algunos proyectos europeos, como el proyecto Meritum(1998-2001), existen trabajos como la Norma Internacional Contable(IAS), presentada en 1998 por la IASCa, en donde se aborda lacontabilidad y divulgacin de activos intangibles, que demuestran lacreciente importancia de este tipo de variables soft.

a

IASC, la International Accounting Standard Commite, fue creada en 1973 conel objetivo de mejorar la presentacin de informes financieros utilizados por lasempresas y otras organizaciones de todo el mundo.


4/35


_________________________________________________________________

70

Segn la IAS, los intangibles pueden ser clasificados en los siguientestres grandes grupos:

a. Los adquiridos por terceros de forma individualizada.

b. Los adquiridos como parte de un negocio.

c. Los activos intangibles generados internamente.

Hall y Andriani (1998) presentan otra clasificacin de intangibles que seilustra en la tabla 1:

Proteccin legalPosicin de la

empresaCapacidadesfuncionales

Por culturaorganizacional

PatentesReputacin de laempresa.

Habilidadesindividuales.

Habilidad paraadministrar elcambio.

Derechos de autorReputacin de losproductos.

Conocimientos delpersonal.

Habilidad parainnovar.

SecretosIndustriales

Redes dedistribucin.

Experiencia.Habilidad de trabajoen equipo.

Tabla 1: Clasificacin de Intangibles por Hall y Andriani, 1998

Utilizando el trmino Capital Intelectual, Sveiby (1997) clasifica losintangibles en tres grupos: Los de estructura interna, estructura externa ylos que tienen que ver con las capacidades individuales. Cada grupo, a suvez, se divide de acuerdo con su funcin en: indicadores de Crecimientoy Renovacin, indicadores de Eficiencia e indicadores de Estabilidadcomo se resume en la tabla 2.

IndicadoresEstructura Interna

(EI)Estructura Externa (EE)

CapacidadesIndividuales (CI)

Indicadores decrecimiento yrenovacin

-Inversin en EI.-Inversin en sistemasde procesamiento deinformacin.-Clientes quecontribuyen a la EI.

-Rentabilidad por cliente.-Crecimiento orgnico.

-Antigedad en laprofesin.-Educacin.-Costes de formacin.-Influencia de las rotacionesde personal.

Indicadores deeficiencia

-Proporcin deempleados de soporte-Ventas por empleado.-Actitud de losempleados

-Tasa de clientes satisfechos.-Tasa de ofertas aceptadas.-Ventas por cliente.

-Proporcin deprofesionales.-Valor aadido porempleado.-Valor aadido porprofesional.

Indicadores deestabilidad

-Antigedad de laorganizacin.-Tasa de renovacindel personal.-Fraccin denovatos.

-Proporcin de clientesgrandes.-Antigedad de los clientes.-Fraccin de clientes fieles.-Frecuencia de repeticin depedidos.

-Edad media.-Antigedad.-Sueldo relativo.-Tasa de renovacinprofesional.

Tabla 2: Clasificacin de intangibles por Sveiby, 1997


5/35


_________________________________________________________________

71

Warren (2002) comenta el impacto de los intangibles y aade que stospueden ser de dos tipos:

a. Caractersticas o atributos asociados con recursos tangibles.

b. Recursos indirectos que reflejan sentimientos y expectativas depersonas, sobre asuntos que les conciernen.

La intangibilidad que caracteriza las variables soft o intangiblesanteriormente mencionados, hace especialmente difcil su estimacin. Porlo que generalmente son cuantificados a travs del anlisis de contenidos,entrevistas, encuestas y/o otras herramientas de anlisis grupal.

Modelizacin de Variables Soft

A pesar los intentos por clasificar y medir los intangibles, la informacinque se posee sobre este tipo de variables soft an sigue siendo escasa(Andriessen, 2004).

Mientras tanto, la toma de decisiones estratgicas sigue apoyndose sloen el conocimiento y la experiencia, que constituyen los modelosmentalesbde los gestores.

Aunque no cabe duda de que la experiencia y la formacin de los gestoressea un recurso muy valioso, se considera que las decisiones que tomanpueden estar influenciadas por mltiples factores, como relaciones deautoridad, contexto organizacional y presin (Sterman, 2000).

Con relacin a este hecho Sterman (2000) aade que aunque los modelosmentales son ms flexibles y pueden ser adaptados a nuevas situaciones,son extremadamente simples y defectuosos. En este contexto, losmodelos por ordenador ofrecen ventajas, en cuanto a que son explcitos,permiten tener en cuenta ms informacin e interrelacionar muchosfactores simultneamente. Las simulaciones son efectivas para lossistemas de pensamiento (Sterman, 2002), ya que ayudan a construir

nuestra intuicin y a mejorar nuestra capacidad mental.De acuerdo con las ventajas que ofrecen los modelos por ordenador, seconsidera que la modelizacin podra aportar ms informacin til a lagestin de intangibles y al proceso de toma de decisiones. De sta formalos gestores podran apoyarse no slo en la informacin que les puedeproporcionar su experiencia y su formacin, sino tambin en lainformacin que les pueda aportar el modelo construido.

b Doyle y Ford (1999), definen modelo mental como una durable y accesible,

pero limitada, representacin conceptual interna de un sistema (histrico,existente o proyectado), cuya estructura es parecida a la estructura percibida delsistema.


6/35


_________________________________________________________________

72

Sin embargo, la imposibilidad de medir de forma directa, entre otrascaractersticas de las variables soft, hace especialmente difcil sumodelizacin. Por lo que algunos autores han indicado la dificultad paraevaluar la fiabilidad, el realismo y la objetividad de los modelos queincluyen variables soft(Coyle, 1998; Jacobsen y Bronson, 1987; Reyes yAndersen, 2003).

En respuesta a estas crticas, Forrestercy Richardson (2001) han insistidoen la necesidad de incluir este tipo de variables en los modelos.Consideran que omitir una variable soft, porque sta no puede ser medidacon precisin, es un error mucho mayor que el derivado de no incluirlasegn la limitada informacin que se pueda tener de expertos sobre eltema.

En adicin, Sterman (2002) resalta los siguientes puntos en relacin a lasvariables soften los modelos dinmicos:

Las variables softdeben ser incluidas si stas son importantes para lafinalidad del modelo.

Se debe realizar un anlisis de sensibilidad para considerar cmopodran haber cambiado las conclusiones obtenidas con el modelo si sehubieran utilizado otros posibles supuestos.

Es importante usar mtodos estadsticos apropiados para estimarparmetros o medir la habilidad del modelo para replicar datos histricos,si los hubiera.

Problemas de Modelizacin de Variables Soft

En los paradigmas de Econometra y Modelizacin Basada en Agentes sedesconoce la existencia de modelos que incluyan variables soft.Probablemente esto se deba a la restriccin presente en Econometra demodelizar en base a datos histricos y a que el paradigma de

Modelizacin Basada en Agentes es relativamente nuevo y hasta hacepoco no se empezaron a conocer trabajos que resalten sus ventajas.

En la comunidad de Dinmica de Sistemas, la incertidumbre asociada a lamedicin de variables soft ha provocado que expertos considerenerrneos o poco probables los resultados obtenidos (Coyle, 2000). ste hasido un punto de partida de algunos cuestionamientos sobre la fiabilidadde los modelos que incluyen este tipo de variables en la lista de discusin(Coyle, Somenson, Nuthmann, Campbell, Richardson)

Coyle (1998) hace especial mencin a los problemas que implica lamedicin de variables soften Dinmica de Sistemas, y basa su argumentoen la siguiente afirmacin: Por persistir en medir lo que no puede ser

c Lista de discusin de la Comunidad de Dinmica de Sistemas.http://www.vensim.com/DSmail/DSinfo.html


7/35


_________________________________________________________________

73

medido nos arriesgamos a construir modelos inexactos y quizs confundamentos errneos.

Sterman (2002), Richardson y Forrester (en la lista de discusin), objetanresaltando la importancia que tienen las variables soft en la gestin yconsideran que es mejor explotar las aproximaciones que resulten en basea la experiencia, frente a no hacer un intento por medir las variables softydejar las decisiones estratgicas slo a cargo de la intuicin y laexperiencia de los gestores. Estos autores tambin resaltan que omitir porfalta de informacin estructuras o variables que se sabe son importantespara el sistema modelizado, es menos cientfico y menos preciso queutilizar la experiencia para estimar sus valores. La cuestin no es si esposible incluir las variables soften los modelos sino cundo es necesarioincluirlas y cmo deben ser medidas.

De acuerdo con Randers (1980), el proceso de modelizacin puede serdividido en cuatro fases: conceptualizacin, formulacin, evaluacin eimplementacin.

En cada fase del proceso de modelizacin los problemas para incluirvariables soft se hacen visibles de forma diferente. Sin embargo, laambigedad ocasionada por la inclusin de estas variables depende, en

esencia, de su naturaleza intangible.En la fase de conceptualizacin, es importante escoger y definir lasvariables ms importantes para el sistema a modelizar. Se presentandificultades para reconocer la necesidad de incluir las variables soft, yaque al ser variables que tienen efectos a largo plazo puede ser difcilreconocer su influencia a primera vista.

En esta fase se pueden utilizar herramientas de SoftModelling, como lasdefinidas por Coyle (2000) y los diagramas causales utilizados enDinmica de Sistemas para representar los conceptos y las relacionesentre las variables clave del sistema modelizado.

Independientemente del paradigma de modelizacin utilizado, laformulacin es quizs la fase ms complicada para el manejo devariables soft. En ste se define la estructura del modelo y los problemasse derivan especialmente de no poder medir las variables softde formadirecta. Este hecho obliga a tener que definir las variables en funcin deindicadores de los cuales puede ser muy difcil conseguir datos reales, porlo que, en ocasiones, se establece una medida categrica dada, segn laexperiencia y la intuicin.

Jacobsen y Bronson (1987) consideran que la operacionalizacin, nombrecon el cual se refieren al proceso de convertir conceptos en datosobservables, es un punto clave para la modelizacin. Adems, los erroresque se aaden en la operacionalizacin se multiplican cuando en un

modelo aparece ms de una variable soft.


8/35


_________________________________________________________________

74

Generalmente, una variable soft se mide mediante un indicador enfuncin del cual puede variar dentro de un rango de valores. Enocasiones, el valor que se le asigna dentro del rango permitido no estclaramente definido y justificado. Por tanto, el clculo de una variablesoftinvolucra una alta subjetividad y error que se multiplica al considerarque esta variable puede tener influencia sobre una segunda (Coyle, 2000).

Por ejemplo, si se considera que la fatiga es una variable softque dependede las horas extras que realiza una persona y que a su vez la fatiga es unode los factores que afecta al clima laboral, el error de medicin aumenta.

En la tercera fase del proceso de modelizacin se encuentra laevaluacin. Consiste en dar un paso hacia atrs para validar si lashiptesis dinmicas cumplen con los modos de referencia y los supuestosdefinidos en la primera etapa. En esta etapa, los problemas de lamodelizacin de variables soft estn relacionados con la dificultad deestablecer las relaciones de las variables soft y la imposibilidad paracontrastar los resultados con datos reales.

Finalmente, en la etapa de implementacin, se prueba con diferentespolticas y escenarios para estudiar los comportamientos que se generan.Los dos puntos que ocasionan problemas son: la mala interpretacin de

los resultados y la falta de credibilidad en los resultados. Al igual que enlos anteriores fases, la mala interpretacin de los datos es causada por ladificultad para establecer la relacin que tienen las variables softcon lasdems variables del modelo. En adicin a este hecho, la ausencia de datosreales imposibilita la evaluacin de los resultados.

En resumen los problemas de la modelizacin de variables softrepresentados en las cuatro fases del proceso de modelizacin sepresentan en la figura 1:

Fases del proceso demodelizacin

Conceptualizacin

Formulacin

Evaluacin

Implementacin

Dificultad para representar las relaciones causa-

efecto de las variables soft y definir cules son lasvariables ms importantes.

Dificultad para medir de forma directa y recoger

datos reales de las variables so ft.

Dificultad de ver a simple vista las relaciones de las

variables soft.

Imposibilidad de contrastar los resultados con datos

reales.

Problemas de la modelizacin de variables soft

Figura 1: Problemas de la modelizacin de Variables Soft

Paradigmas de Modelizacin

Dependiendo del propsito para el cual se construye un modelo y de lascaractersticas del fenmeno a estudiar, puede tener ms aplicabilidad


9/35


_________________________________________________________________

75

uno u otro paradigma de modelizacin. Incluso, en algunos temas, elhecho de trabajar con dos enfoques diferentes puede ser de gran utilidad(Lorenz y Bassi, 2004).

Los distintos paradigmas de modelizacin utilizan algunos conceptos encomn, como el significado de sistemas, teoras matemticas y el rol delos modelos en la toma de decisiones.

No obstante, cada uno emplea sus propias teoras, tcnicas matemticas,lenguajes y procedimientos para construir y validar los modelos que

desarrollan. Estas particularidades son las que de una u otra formadeterminan la potencialidad de cada paradigma para el estudio de temasespecficos.

En recientes trabajos de investigacin se han planteado criterios decomparacin de paradigmas de modelizacin, como Econometra(Econometric models), Dinmica de Sistemas (System Dynamics, DS),Simulacin Basada en Eventos, (Discrete Event, SBE) y ModelizacinBasada en Agentes (Agent Based Modeling, MBA).

En cuanto a las comparaciones entre los modelos Economtricos y los deDS, los econometristas critican la falta de rigurosidad de DS para laoperacionalizacind de conceptos y la incertidumbre estadstica. No

obstante, los modelizadores de DS, inciden sobre la prdida de realidadde los modelos economtricos en el intento por representar sistemas quese ajusten al uso de mtodos estadsticos.

Por otra parte, Borshchev y Filippov (2004) y Morecroft (2005) incluyenen sus trabajos comparaciones entre DS y SBE. Afirman que la principaldiferencia entre DS y SBE se basa en que en DS los modelos sondeterminsticos, es decir, en DS es la estructura de los modelos la quegenera el comportamiento. En cambio en SBE, es la aleatoriedad de lasvariables la que determina la complejidad del comportamiento. Elparadigma de modelizacin SBE no es analizado en detalle en estetrabajo y se considera incluido dentro del estudio de MBA, ya que ste es

un mtodo de simulacin hbrida, visto como una evolucin de SBE.Por otra parte, Scholl (2001) da pie al comienzo de discusiones y trabajosde investigacin sobre diferencias entre DS y MBA, promoviendo laparticipacin en estudios sobre el tema.

Schieritz y Grber (2002) defienden el MBA como el mejor paradigmapara el manejo de los conceptos de emergencia y complejidad. Enconsecuencia Lorenz y Bassi (2004) aceptan como vlido que MBApuede trabajar mejor en lo que se refiere a los procesos de adaptacin,pero a su vez resaltan a favor de DS la simplicidad de su lenguaje,caracterstica a la que denominan comprensibilidad por parte del cliente

d

Concepto utilizado por Jacobsen and Bronson (1987) para referirse al procesode convertir conceptos en comportamientos o datos observables que uninvestigador pueda medir.


10/35


_________________________________________________________________

76

del modelo (en ingls, comprehensibility). En este sentido, resulta msdifcil el entendimiento de las relaciones entre variables y elfuncionamiento general en el paradigma de MBA.

Rahmandad (2004), por su parte aade a la comparacin entre DS y MBAel concepto de heterogeneidad y estructura de red. Este autor apunta quelos modelos en MBA incorporan heterogeneidad en los atributos de losagentes y en la estructura de las interacciones. El bajo nivel de agregacinque utiliza MBA, permite que los modelos sean capaces de capturar elaprendizaje, el comportamiento y la dinmica de sistemas complejos. Noobstante, esta misma caracterstica puede disminuir la comprensibilidadde los resultados que se obtienen.

Econometra

La econometra parte de la teora econmica y utiliza tcnicascuantitativas y conceptos de la economa y la estadstica para analizarsucesos econmicos. Sus modelos pueden ser usados para anlisisestructural, para predecir o para experimentar los efectos de polticasalternativas.

Una de las principales caractersticas de este paradigma, es la verificacinestadstica de la estructura y los parmetros del modelo. Esto implica quecada variable analizada en el modelo debe tener las suficientesmediciones histricas, de tal forma que permita realizar la estimacincuantitativa de las relaciones con otras variables.

Debido a este requerimiento se tiende a eliminar informacin de losmodelos, especialmente la que tiene que ver con el comportamientohumano que motiva las decisiones.

La formulacin de un modelo economtrico puede dividirse en dos fasessecuenciales. En la primera fase se identifica el problema y se define sutrayectoria. En esta fase la precisin cuantitativa es innecesaria y

probablemente inalcanzable puesto que la informacin disponible an noes suficiente para decidir qu elementos del sistema sonsignificativamente importantes y cmo estn relacionados (Pulido, 1989).

En la segunda fase, se define la formulacin de las variables, lasrelaciones entre stas y la estructura del modelo. Al contrario que laprimera, en sta fase la precisin cuantitativa tiene mayor importancia, yaque en esta se estiman los valores de los parmetros de las ecuaciones. Laprincipal tcnica usada para obtener los parmetros de los modeloseconomtricos es la estimacin de mnimos cuadrados (MC). MC es unmtodo que genera un grupo de parmetros que mejor se adaptan a unpostulado general de relaciones para datos histricos y que, adems,

proporciona una medida cuantitativa del ajuste a dicho postulado.


11/35


_________________________________________________________________

77

Los requerimientos tericos y matemticos de este mtodo hacen que losmodelos economtricos deban recurrir a ecuaciones lineales y algunasotras restricciones estructurales.

En lo que se refiere al tipo de modelos economtricos que se puedenconstruir, se podran clasificar en dos grandes grupos segn el nmero deecuaciones que utilizan: uniecuacionales y de ecuaciones mltiples. Losmodelos uniecuacionales son modelos de una nica ecuacin e incluyenel modelo lineal general y modelos de series temporales como: modelosautoregresivos (AR), de medias mviles (MA), modelos ARMAe ymodelos ARIMAf. Los modelos de ecuaciones mltiples, son los quecontienen ms de una ecuacin y pueden ser de bloques recursivos o deecuaciones simultneas. En la tabla 3 se resume la clasificacin de losmodelos economtricos segn el nmero de ecuaciones que manejan:

eLos modelos ARMA , integran los modelos AR y MA en una nica expresin.Por tanto, la variable queda expresada en funcin de los sus valores pasados y delos errores cometidos en la estimacin.f Los modelos ARIMA equivalen a un modelo ARMA que se le aplica a una

serie a la que es necesario integrar d (orden) veces para eliminar la tendencia.Posibilita el tratamiento de series temporales que correspondan a realizacionesde procesos estacionarios.


12/35


_________________________________________________________________

78

Modelo lineal generalModelosuniecuacionales Modelos de series temporales

En cadena causal

Bloque recursivosModelos ecuaciones

multiples

Ecuaciones simultaneas

Tabla 3: Modelos economtricos

Los modelos economtricos tambin pueden manejar relaciones derealimentacin a travs de las variables retrasadas y las frmulas que seutilizan no son esencialmente diferentes de las manejadas por losmodelos de DS.

La funcin conocida en DS como smoothg, es un ejemplo de similitud dela formulacin matemtica en DS y Econometra.

Algunas ventajas que se pueden resaltar de los modelos economtricosson:

Clasificacin de variables: En los modelos economtricos, se puedendistinguir explcitamente las variables que se estudian en el modelo(endgenas) de las que no (exgenas).

Utilizacin de mtodos estadsticos para la validacin: Por el hechode utilizar datos histricos de las variables es posible realizar clculosestadsticos para validar el modelo.

A continuacin, se resumen tambin las principales desventajas quepresenta el paradigma:

Limitaciones para construir modelos sin datos reales:La mayora desistemas empresariales estn influenciados por factores que, en larealidad, no son medidos ni controlados. Por esta limitacin, en laconstruccin de los modelos, se omiten con frecuencia variables que sonimportantes para el estudio del sistema y cuya ausencia puede conducir asoluciones parciales.

Limitaciones para la formulacin de relaciones complejas: Lossupuestos de homocedasticidadhy correlaciones, entre otros, dificultan eltratamiento de las relaciones complejas. Como consecuencia, los modeloseconomtricos tienden a representar modelos con alta linealidad ycerrados.

g

Smooth, es una funcin utilizada en Dinmica de Sistemas para calcularpercepciones promedios o representar expectativas.hTermino con el que se explica la varianza constante en las perturbaciones.


13/35


_________________________________________________________________

79

Prdida de visin sistmica y realidad: El intento por representarsistemas que se ajusten a los mtodos matemticos como los utilizadospara el clculo de los parmetros y la validacin de los modelos, puedellevar a la perdida de visin sistmica.

Complejidad y difcil entendimiento de los modelos dinmicos: Laconstruccin de un modelo dinmico en econometra implica el manejode un mayor nmero de ecuaciones que incluyen un mayor nmero devariables correlacionadas. sta condicin eleva la complejidad y dificultael entendimiento de los modelos. Adems, los modelos economtricosslo se apoyan en la representacin mediante ecuaciones que resulta msdifcil de comprender y ms lejana al funcionamiento natural de lossistemas.

Dinmica de Sistemas

DS es un paradigma de modelizacin de carcter estructuralista quepermite reproducir patrones de comportamiento de sistemas complejos(Meadows, 1980).

La estructura global de los modelos en DS se establece mediante bucles

de retroalimentacin, que son circuitos cerrados de relaciones causalesque pueden ser negativos o positivos. stos a su vez se componen devariables de nivel, de flujo y auxiliares. Las variables de nivel,representan el estado del sistema en un momento dado. Las variables deflujo, son las que determinan las acciones que cambian el estado delsistema y finalmente, las variables auxiliares, se utilizan para facilitar lospasos intermedios en la formulacin de los flujos.

Matemticamente un modelo en DS es un sistema de ecuacionesdiferenciales de tipo:

( ))()( tFStFE

dt

tdNii

i= i=1..n

( ) ( ) [ ]dttFStFENtN iit

ii )()(0 0 +=

Donde N, representa el valor de una variable en un momento dado, quese modificada en el tiempo por el flujo de entrada (FE) y el flujo de salida(FS).

Posteriormente algunos programas resuelven las ecuaciones por mtodosnumricos, como el mtodo de Euler.

Grficamente, un modelo en DS se representa en forma de proceso, comose muestra en la figura 2.


14/35


_________________________________________________________________

80

Nivel 1

Nivel 2

flujo 1 flujo 2

flujo 3 flujo 4

aux 2 aux 1

Constante 1

Const2 aux 3

Figura 2: Representacin grfica de los modelos en DS

Debido al carcter estructuralista de DS, se entiende que la evolucintemporal de las variables del sistema modelizado deriva del nmero debucles, sus tipos y la forma en que se combinen en el sistema.

Las principales ventajas de DS son:

Simplicidad para construir un modelo: Para una persona conexperiencia, construir un modelo en DS, es un proceso relativamentesencillo. Esta caracterstica facilita la replicabilidad de los modelos ypermite evaluar polticas fcilmente.

Visin global del sistema y relaciones entre variables: DS utiliza unarepresentacin grfica de los elementos y de las relaciones entre variablesque facilita la visin holsticaidel modelo.

Flexibilidad: DS permite construir un modelo sin datos histricos desus variables y genera los datos a partir de simulaciones repetidas(calibracin).

Utilizacin de herramientas: DS utiliza herramientas para estudiarlos sistemas a modelizar con la participacin de profesionales del tema.

Entre las desventajas de DS se encuentran: Dificultad para representar heterogeneidad: Aunque es posibleconstruir modelos con heterogeneidad en DS, resultan ser modelos dedifcil manejo e interpretacin por la cantidad de variables de nivel yflujo que incluyen.

Dificultad para representar el concepto de emergenciaj: Los modelosen DS manejan niveles medio-altos de agregacin que inhabilitan elconcepto de emergencia.

i Relativo a la visin integral del conjunto de partes de un sistema.j Concepto que aparece en la teora de la complejidad y es utilizado por Epstein yAxtell(1996) para denotar patrones de comportamientos de los que se puede ver


15/35


_________________________________________________________________

81

Facilidad de manejo del software: El software utilizado para laconstruccin de los modelos es muy fcil de manejar. De esta formacualquier persona sin una base slida de los principios del paradigma,podra construir modelos que lleven a conclusiones errneas y al malconocimiento del paradigma.

Modelizacin Basada en Agentes

En MBA, un sistema es modelado como una coleccin de entidadesautnomas, llamadas agentes, que evalan su situacin y tomandecisiones en base a los atributos y reglas que se les asigna.

MBA es un paradigma de modelizacin que ha sido recientemente usadopara describir fenmenos sociales (Borshchev y Filippov, 2004).

Los modelos de MBA estn compuestos por tres elementos principales:los agentes, el entorno y las reglas. Los agentes son las personas oentidades de las sociedades artificialesk. El entorno es el medio o espacioabstracto sobre el cual los agentes interactan, y las reglas son pautas decomportamiento para los agentes y para el entorno, que pueden ser detipo: agente-entorno, entorno-entorno y/o agente-agente (Epstein y

Axtell, 1996).El supuesto clave que maneja este paradigma es que el comportamientoglobal del sistema resulta de las interacciones locales de los agentes y,por tanto, no existe un control global del sistema.

Segn Bonabeau (2002) y las conclusiones del Workshop de AgentsBased Modeling: Why bother? de la International Conference of theSystem Dynamics Society, Boston 2005 las ventajas y desventajas deMBA se pueden resumir en:

Ventajas:

Proporciona una descripcin natural del sistema: MBA representalos sistemas como un conjunto de entidades que realizan actividades enfuncin de sus caractersticas. Describir y simular un sistema por eventos,resulta ms natural y cercano a la realidad, que describir un sistema porprocesos.

Incorpora heterogeneidad y discontinuidad en los agentes:Permitedefinir agentes con diferentes caractersticas que, adems, podran sermodificadas en el tiempo por la ocurrencia de un evento.

a simple vista que son generados por las interacciones locales de los individuosautnomos que conforman el sistema.kTrmino utilizado para referirse a los modelos de procesos sociales MBA.


16/35


_________________________________________________________________

82

Captura el fenmeno emergente: MBA captura el fenmenoemergente porque permite definir reglas de comportamiento segn lascuales los agentes interactan para generar el comportamiento global delsistema. Esta ventaja hace que mediante MBA se puedan tratarcomportamientos individuales ms complejos como el aprendizaje o laadaptacin

Fexibilidad:La flexibilidad en MBA se denota por la posibilidad dedefinir reglas o eventos que pueden modificar los patrones decomportamiento en el tiempo.

Espacio:MBA permite crear un espacio abstracto donde los agentesinteractan en funcin de la distancia. Facilita as la formacin de clusterso grupos de agentes.

Algunas desventajas de MBA son:

Falta de representacin de los bucles realimentados:A diferencia deDS, MBA no maneja el concepto de bucle realimentado. Comoconsecuencia, es difcil ver la forma en la que responde el modelo a loseventos.

Dificultad para manejar y replicar:Dado que para la construccin delos modelos MBA utiliza la programacin orientada a objetos (POO),stos resultan ms difciles de replicar.

Perdida de control del sistema:Si bien esta caracterstica resulta seruna ventaja por la posibilidad de trabajar el concepto de emergencia,resulta ser una desventaja por la dificultad que implica para determinar lacausa de algunos comportamientos.

Presentacin del Caso

Objetivo del Caso

La construccin de este caso tiene como propsito fundamental estudiarel mtodo de modelizacin de cada paradigma, para posteriormenteanalizar las ventajas y desventajas que cada uno proporciona en el casoconcreto de la modelizacin de variables soft.

Diseo del Caso

El caso modelizado consiste en una empresa en la que se considera elefecto de las variables soft Clima Laboral y Formacin sobre lavariable Productividad.

Se fundamenta en la teora organizacional y las caractersticas definidaspara la empresa a modelizar son las siguientes:


17/35


_________________________________________________________________

83

Empresa dedicada al desarrollo de software.

Total de personas que trabajan: 10, donde 6 son Juniors, 3Consultores y 1 Socio.

Produccin actual: 5 casos/semana: 20 casos/mes

La poltica de la empresa en cuanto a horas de formacin, estableceun mnimo de 4 horas/semana-persona (16 horas/mes-persona).

El rendimiento planificado por persona es de 1 caso cada 60 horas, y

se asume que el clima laboral influye sobre la eficiencia.

El modelo tiene en cuenta que si son necesarias ms horas de trabajo paradesarrollar casos, el tiempo dedicado a la formacin de las personasdisminuye, sin que pueda salirse de los lmites definidos por la poltica dela empresa. El horizonte a simular es de cinco aos (48 semanas por ao)240 semanas en total.

En resumen, el supuesto clave es que el clima laboral y el nivel deformacin modifican el factor de productividad por persona que, endefinitiva, es el que determina el nmero de casos terminados.

Modelos

La construccin de los modelos para el caso propuesto, est limitada porla falta de datos reales. No obstante, se opta por utilizar losconocimientos de teora organizacional y consultar a un experto sobre elplanteamiento del modelo y los modos de referencia que se utilizaroncomo gua.

Inicialmente, se construy el modelo en el paradigma de DS, queposteriormente servira como gua para construir los modelos de

Econometra y MBA.Debido a que en Econometra no se puede construir un modelo sinvalores histricos (series temporales) de las variables, se utilizaron losdatos generados por el modelo de DS para su reproduccin.

A pesar de que el modelo economtrico no se considera idneo pararealizar simulaciones, su construccin resulta de aportacin para elobjetivo del caso, porque permite analizar las particularidades delparadigma de Econometra.

Para la simulacin en DS y MBA se parte del estado de equilibrio endonde los valores para las variables claves son los siguientes:


18/35


_________________________________________________________________

84

Variables Valor Unidades

Nuevos Casos 5 casos/semana

Casos Realizados 5 casos/semana

Casos en curso 15 casos

Media de Ultimos plazos 3 semanas

Horas Extras 0 horas/semana- persona

Horas Formacin 10 horas/semana- personaMedia Horas Extras 0 horas/semana- persona

Clima Laboral 1 unidades

Capacitacin 1 unidades

Tabla 4: Valores en estado de equilibrio

Se utilizaron los siguientes paquetes informticos para la construccin delmodelo en cada paradigma:

El paquete estadstico SPSS para el modelo economtrico deecuaciones mltiples.

El programa Vensim para el modelo en Dinmica de Sistemas.

El software Anylogic para la Modelizacin Basada en Agentes.

Segn las posibilidades de cada paradigma, la informacin ha sido tratadacomo se indica en la tabla 5.

Para el anlisis de sensibilidad del modelo se simularon diferentes

escenarios junto con distintos pulsos de entrada para comprobar elfuncionamiento de los modelos. Finalmente, las comparaciones entre losmodelos de los tres paradigmas se hicieron en base al escenario conentrada aleatoria de nuevos casos entre los valores de [2-8] casos porsemana, con un pulso de 20 casos en la dcima semana.


19/35


_________________________________________________________________

85

Paradigma Manejo de la informacin dada

Econometra,DS y MBA

-La funcin de las horas de formacin y horas extras estdefinida segn la poltica de la empresa. Las horas de formacindeben estar en el rango [4-10], sobre un total de 40 horas detrabajo semanales por persona.-Las horas extras no pueden superar las 4 horas/semana-persona.-Si llegan ms casos de los que se pueden realizar, se rechaza la

entrada a los nuevos.

Econometra yDS

-El clima laboral, formacin y por tanto la productividad, secalculan como un promedio.- Los casos realizados se calculan en cada instante de tiempo enfuncin del promedio de horas disponibles y del factorpromedio de productividad.- Las horas dedicadas a formacin y las horas extras se calculana partir de la relacin entre el plazo actual y el deseado.

MBA

-La carga de trabajo por trabajador es personalizada y enfuncin de su rapidez de desempeo se le asigna ms trabajo.-El clima laboral, la formacin y la productividad, se calculande forma individual.- Los casos realizados equivalen a la suma de los casos

realizados por cada agente de forma individual.-Las horas extras y las dedicadas a la formacin son calculadaspor agente en funcin de la relacin individual de plazos.

Tabla 5: Tratamiento de la informacin en los modelos

Anlisis

Comparacin de los Paradigmas de Modelizacin

Autores como Schieritz y Milling (2003) han propuesto algunos criteriosde distincin entre los paradigmas de DS y MBA. En adicin a lapropuesta de estos autores, el anlisis del caso propuesto en este trabajopermite aadir las caractersticas de los modelos economtricos ymenciona nuevos criterios de diferenciacin como: el manejo del espacio,comprensibilidad, el objetivo de construccin del modelo y el manejo deheterogeneidad y redes.

En la tabla 6, se resumen los criterios de diferenciacin entre losparadigmas de Econometra, DS y MBA, que se analizan a continuacin.


20/35


_________________________________________________________________

86

Caractersticas Econometra DS MBA

Formulacinmatemtica

Ecuaciones convariables retrasadas

EcuacionesDiferenciales

Lgica

Manejo del tiempo Continuo ContinuoHbridoEventos-Continuo

Representacin grfica EcuacionesBuclesrealimentados

Estructura deAgentes

Comprensibilidad Compleja Estructura visual Bucles implcitosUnidad deanlisis

Parmetros Estructura Reglas

Cambio decomportamiento

Cambio de parmetrosCambio deestructura

Cambio de estructura

Nivel de agregacin Alto Medio-Alto Bajo-Medio

Origen de la dinmicaRelaciones entrevariables

Niveles Eventos

Heterogeneidad ymanejo de redes

No tratado Complejo Utilizado

Objetivo de elaboracin Prediccin Aprendizaje Aprendizaje

Tabla 6: Criterios para la comparacin de paradigmas de modelizacin

Formulacin matemtica y manejo del tiempo: La descripcinmatemtica para el caso en Econometra corresponde al manejo de unsistema de ecuaciones mltiples, con interacciones que pueden utilizarvalores pasados de algunas variables. DS utiliza ecuaciones diferencialescon pequeos intervalos de tiempo para simular la continuidad. Al igualque en Econometra, DS no distingue eventos. MBA tambin utilizaecuaciones diferenciales que hacen uso de pequeos intervalos de tiempo,pero en adicin permite al modelizador definir funciones especiales parala ocurrencia de ciertos eventos que pueden cambiar de estado ymodificar el comportamiento global del sistema.

Representacin: En Econometra, tanto el elemento central como larepresentacin lo constituyen las ecuaciones. DS y MBA en adicin,utilizan representacin grfica de los modelos, que facilita elentendimiento de las relaciones. La representacin por estructura deagentes de MBA es ms natural que la de DS, pero es ms difcilestablecer las relaciones entre las variables.

DS utiliza bucles realimentados que, aunque permiten conocer encualquier instante las relaciones causa-efecto, resultan ms difciles decaptar a simple vista.

La figura 3 muestra los modelos construidos en Econometra, DS y ABM

para el caso propuesto. La parte correspondiente al modeloeconomtrico, detalla las 13 ecuaciones que lo constituyen y que


21/35


_________________________________________________________________

87

representan las variables exgenas, endgenas e identidades del casomodelado. El diagrama del modelo en DS se conoce como diagrama deflujos y niveles, que se utiliza para establecer las relaciones y definir lasecuaciones con las que se calcula el valor en el tiempo de las variables denivel, de flujo y auxiliares.

Finalmente, en la figura 3 tambin se muestra la representacin delmodelo en ABM para el caso propuesto. Se compone de dos partes: a)Nivel agregado que contiene las variables que se calculan para la empresacomo conjunto y b) Nivel desagregado, donde se calculan las variablessegn caractersticas y reglas individuales.

ModeloEconomtrico

Variables Exgenas

1. Nuevos Casos = NC

2. 1 =40 horas/persona

3. 2 =10 personas

Variables Endgenas

4. Capacitacin( )

tttttCapHFCapCap 1111 006.0845.0100.0 +++=

5. Casos Realizados

( ) ttttt PHFHECR 221349.0619.12 +++= 6. Productividad

tttt

tttt

CapCLCap

CapCLCLP

32

2

842603295.0867509113.0

884556984.0266346770.0234702212.0191993127.0

++

+=

7. Clima Laboral

ttt MHECL 496.0998.0 +=

Identidades8. Horas Formacin

( )tt RPHF += 1075,025,0 9. Relacin de Plazos

3t

t

MUPRP =

10. Casos en Curso

111 += tttt CRNCCCCC 11. Media de ltimos plazos

3

11

1

1

+=

tt

t

tt

MUPCR

CC

MUPMUP

12. Horas Extras( )142857,1 = tt RPHE

13. Media de Horas Extras( )

411

1

+=

tttt

MHEHEMHEMHE


22/35


_________________________________________________________________

88

Modelo DS

Casos en

cursoNuevoscasos CasosRealizados

ClimaLaboralefect.sobre

Clima lab.

Capacitacionefecto encapacit

relacionplazos

tabla horasformacion

Horas formacion

MediaUltimosPlazos

plazosanteriores

Horasextras

Media horasextras horas extras

actuales

tabla pedidosrechazados

tablaextras

tabla clima

laboral

tablacompetencias

productividad

RetrasoCap


23/35


_________________________________________________________________

89

Modelo MBA

a) Nivel agregado: Conjunto empresa

Promedios

pulseTrain

trabajador*

casos_en_cursonuev os_casoscasos_realizados

realizado

pulso

reparto_inicial

unif_valor

debug

relacion_plazos_medio

clima_laboral_empresatimer

b) Nivel desagregado: Variables, reglas y caractersticas por individuo

agente

entradas_clima

relacion_plazos

factor_productiv idad

clima_laboral

media_horas_extras

capacitacion

horas_extras

horas_formacion

efecto_sobre_clima_lab

efecto_en_capacit

horas_extras_actuales

retraso_cap

trabajo_realizadonuevo_trabajo trabajo_pendiente

trabajo_inicial

media_ultimos_plazos

plazos_anteriores

Figura 3: Representacin grfica del modelo en los tres paradigmas

Comprensibilidad: La representacin por ecuaciones resulta msdifcil para el aprendizaje. La descripcin por bucles realimentados


24/35


_________________________________________________________________

90

utilizada por DS resulta muy til porque stos permiten conectar siemprela causa-efecto y facilitan la comprensin de los resultados.

DS es un paradigma consolidado, en el que se han ido desarrollandodistintas herramientas a fin de mejorar los problemas que resultan de lamodelizacin de sistemas. Los diagramas causales son un buen ejemplode las herramientas que ofrece DS y que facilitan la comprensin de lasrelaciones entre las variables claves de los sistemas estudiados. En lafigura 4 se presenta el diagrama causal de las variables para el sistemamodelizado, donde se puede notar cmo el clima laboral estcondicionado por la presin, el agotamiento causado por el nmero dehoras trabajadas y el nivel de formacin.

MBA, por su parte, esta ms enfocada al concepto de emergencia. En DSy Econometra, se define la estructura, mientras que en MBA lo que sedefinen son las reglas que rigen el comportamiento de los agentes en unentorno y el comportamiento general del modelo emerge de lasinteracciones entre agentes segn sus reglas. Esta condicin hace que losmodelos de MBA sean ms naturales, pero a su vez se presenta como unadesventaja porque es ms difcil determinar las causas y sus efectos.

Clima Laboral

Rendimiento

Ingresos

Capacitacin

Formacin

Casos Realizados

Presin

Carga Trabajo

Nuevos Casos

-

+

-

+

+

+-

+

+

+

Horastrabajadas+

+

+

Figura 4: Diagrama causal de DS para el caso modelizado

Unidad de Anlisis:La Econometra se centra en la prediccin de losparmetros para las ecuaciones de las variables endgenas del modelo:Capacitacin, Casos Realizados, Productividad y Clima Laboral.

Los parmetros de los modelos economtricos, generalmente se calculanpor el mtodo de mnimos cuadrados (MC). Sin embargo, estos noresultan adecuados cuando se trata de modelos en los que existeninterrelaciones, como ocurre en el modelo del caso. Por esta razn, sedecidi utilizar el procedimiento de mnimos cuadrados en tres fases(3SSL) para el clculo de los parmetros del caso.


25/35


_________________________________________________________________

91

DS se caracteriza por dar ms importancia a la definicin de la estructuray establecer cules son las relaciones entre las variables de nivel, de flujoy auxiliares. Por su parte, MBA tambin da importancia a la estructura,pero est ms enfocado a la definicin de reglas, eventos o funciones quepueden modificar el estado de los agentes y, por tanto, el comportamientode los agentes en el entorno.

La funcin definida en el modelo de MBA para hacer la distribucin deltrabajo, es un ejemplo de esta caracterstica. El cdigo POOlde la funcines:

int elegido=uniform_discr(9);

for (int i=0;i


26/35


_________________________________________________________________

92

Por ejemplo, la llegada de nuevos casos en los tres paradigmas se calculagenerando una entrada aleatoria entre [2-8] nuevos casos por semana, as

NC= (RANDOM UNIFORM(2, 8,5 ))*(tabla pedidos

rechazados(relacion plazos))

Este criterio probablemente comprende la caracterstica ms importantede MBA, ya que combina la simulacin continua con la simulacin poreventos, conocida como hbrida.

La posibilidad que ofrece de combinar los dos tipos de simulacin,permite que el comportamiento continuo del sistema pueda serredireccionado o modificado por la ocurrencia de un evento. Aunque enel modelo construido no se llegaron a utilizar los diagramas de estado, esconocido que ofrece la posibilidad de definir diferentes estados para losagentes, segn los cuales, las reglas de comportamiento agente-agente oagente-entorno podran ser modificadas.

Comportamiento de los Modelos

En el siguiente apartado se muestran algunos de los resultados de la

simulacin de los modelos. Dado que el objetivo de la construccin decaso era el anlisis de las ventajas de los distintos paradigmas, nocorresponde la exploracin de los resultados si no la comparacin entrelas formas de modelizar y la conducta que estos generan.

En la figura 5 se muestra el comportamiento de las variables: casos encurso, casos realizados y nuevos casos en DS.

Figura 5: Grfico de DS para las variables casos en curso, casos realizados ynuevos casos.

Se escogieron estas tres variables por ser las variables generales delmodelo que permiten conocer la evolucin general del sistema. En las

60

45

30

15

0

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200

Time (Week)

Casos en curso : Aleatoria con pulso casos

Casos Realizados : Aleatoria con pulso casos

Nuevos casos : Aleatoria con pulso casos


27/35


_________________________________________________________________

93

figuras 6 y 7 se muestran los comportamientos de las mismas variables dela figura 5 para los modelos de MBA y Econometra.

root.casos_realizadosroot.casos_en_curso root.trabajador-8.nuevos_casosroot.casos_realizadosroot.casos_en_curso root.trabajador-8.nuevos_casosroot.casos_realizadosroot.casos_en_curso root.trabajador-8.nuevos_casos

Figura 6: Grfico de MBA para las variables casos en curso, casos realizados y

nuevos casos.

0

5

10

15

20

25

30

Nuevos casos Casos en curso Casos Realizados

Figura 7: Grfico del modelo economtrico para las variables casos en curso,casos realizados y nuevos casos.

En las anteriores grficas se observa cmo los modelos responden deforma similar a la variable de entrada, Nuevos casos. Esto se debe a que apesar de la posibilidad de MBA de aadir ms heterogeneidad en losagentes como, por ejemplo su capacidad de automotivacin, se decidilimitar la heterogeneidad y trabajar con modelos en donde slo sediferenciara la asignacin de trabajo. Es decir, como se indica en la tabla4, la carga de trabajo por trabajador es personalizada y en funcin de surapidez de desempeo se le asigna ms trabajo.

La principal diferencia con el modelo de MBA, reside en la posibilidadde definir agentes y caractersticas individuales para cada uno. De

acuerdo con esto es posible obtener valores individuales para variablescomo el clima laboral y la capacitacin de cada individuo.


28/35


_________________________________________________________________

94

En las figuras 8 y 9 se muestran los resultados de los modelos de DS yEconometra para las variables de clima laboral y capacitacin. TantoEconometra como SD son paradigmas determinsticos, en donde loscomportamientos se generan segn la estructura que se define para elmodelo. Por tanto, la similitud del comportamiento que siguen las dosgrficas (grficas 8 y 9) se confiere al hecho de que la estructura definidapara los dos modelos esta basada en los mismos supuestos.

Figura 8: Grfica de DS para las variables clima laboral y capacitacin.

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199

Clima laboral Capacitacin

Figura 9: Grfica del modelo economtrico para las variables clima laboral ycapacitacin.

1

0.95

0.9

0.85

0.8

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200Time (Week)

Capacitacion : Aleatoria con pulso unidadesClima Laboral : Aleatoria con pulso unidades


29/35


_________________________________________________________________

95

En el modelo de MBA, las variables clima laboral y capacitacin sedefinen de forma individual dando como resultado comportamientosdiferentes para cada agente. En la figura 10 se muestra a modo deejemplo los comportamientos de dichas variables para dos agentes opersonas concretas de la organizacin. Se puede observar cmo en losmomentos en donde las personas tienen mayor carga de trabajopendiente, su percepcin de clima laboral disminuye, a causa de lapresin para trabajar ms y adems su nivel de capacitacin disminuyetambin con un cierto retraso por la imposibilidad de dedicar horas a

formacin.

root.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboral

root.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboral

root.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboralroot.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboral

root.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboralroot.trabajador-8.clima laboral root.trabajador-8.capacitacin root.trabajador-8.clima laboral

Figura 10: Comportamiento del clima laboral y la capacitacin para dos agentes

o personas concretas de la organizacin.

En adicin, en la figura 11 se muestra la grfica donde se renen loscomportamientos de las diez personas que participan en el modelo. Sondiez agentes y cada uno presenta un comportamiento distinto para lasvariables de nuevo trabajo, clima laboral y trabajo pendiente.


30/35


_________________________________________________________________

96

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

NuevoClimaPendiente

Figura 11: Grfica de nuevo trabajo, clima laboral y trabajo pendiente de cada

agente.


31/35


_________________________________________________________________

97

Paradigmas y el tratamiento de Variables Soft

De acuerdo con el anlisis de criterios diferenciadores entre losparadigmas, conviene aclarar cmo stos estn relacionados con eltratamiento de variables soft.

Como se mencionaba en los primeros apartados, las variables softpresentan tres caractersticas fundamentales que deberan tenerse encuenta antes de construir un modelo que las contenga. Las dos primerascaractersticas de estas variables hacen referencia a su falta de sustancia

fsica y a la imposibilidad de ser medidas de forma directa. Ests doscaractersticas constituyen la razn por la que generalmente no se recogendatos acerca de variables soft.

Por otra parte, a partir del caso presentado se concluye que no es posibleconstruir modelos economtricos sin datos. Para construir el modeloeconomtrico que se presenta en este trabajo, fue necesario utilizar losdatos generados por el modelo de DS. Este hecho constituye unaimportante diferencia entre el paradigma de Econometra y losparadigmas de DS y ABM, que unido a la dificultad de conseguir datosde variables soft, permite concluir que Econometra no es el paradigmams apropiado para modelizar sistemas en donde la representacin de

variables softes determinante.En adicin, se considera que una continuacin a la investigacin de estetrabajo consiste en el estudio de herramientas para recopilar y cuantificarinformacin cualitativa que faciliten la modelizacin de variables softenlos paradigmas de DS y ABM. Algunos ejemplos de stos, son lasherramientas de pensamiento presentadas por Kim (1995), la formulacinde relaciones no lineales como las propuestas por Sterman (2002) y lasformas de incorporar las variables softque menciona McLucas (2004).

La tercera caracterstica y quizs ms importante para el manejo devariables soft, son las relaciones complejas de causa-efecto (no lineales ycon retrasos). Con relacin a esta caracterstica, los modelos

economtricos no se consideran convenientes, ya que se valen desimplificaciones a relaciones lineales para determinar el valor de losparmetros. DS y MBA adems de tener en cuenta los retrasos, puedenvalerse de herramientas como tablas o descripcin de eventos queoriginan la dinmica no lineal que caracteriza a las variables soft.

En adicin, MBA maneja los conceptos de heterogeneidad y simulacinhbrida que facilitan la simulacin de relaciones causa-efecto complejas.

Como se puede notar en la figura 9, MBA permite definir un sistemaconformado por un grupo de agentes o elementos (como los quecomponen un sistema empresarial). Estos agentes tienen caractersticassimilares pero, a la vez, tienen algunos atributos diferenciadores que

pueden dar resultado a comportamientos diferentes. Por tanto, el


32/35


_________________________________________________________________

98

comportamiento general emerge de las interacciones de los agentes y surelacin con el entorno.

Esta particularidad de MBA, adems de hacer que un modelo parezcams natural, aporta a la modelizacin de variables soft, en el sentido deque en vez de medir de forma generalizada el comportamiento devariables soft como el clima laboral, se podra definir eventos eindicadores individuales que den como resultado el comportamientoindividual de variables soft.

No obstante, la posibilidad de aadir heterogeneidad a los modelos enMBA, llevan a construir modelos complejos y difciles de interpretar.

Otro aspecto importante tanto para el manejo de variables softcomo parael estudio de cualquier otro tipo de sistemas, es el criterio deComprensibilidad de los modelos. En este aspecto tanto DS como MBAtienen puntos a favor. La naturalidad para representar sistemas en MBAfacilita la comprensin, la caracterstica de emergencia dificulta lavinculacin de las relaciones causa-efecto. DS, adems de que ofreceherramientas como los diagramas causales, la estructura visual permitevincular siempre las relaciones causa-efecto, facilitando el entendimientode los comportamientos que genera la estructura del modelo.

Conclusiones y futuras lneas de investigacin

El objetivo principal de este trabajo consista en analizar lascaractersticas de las variables soft y las particularidades que para suestudio presentan los paradigmas dinmicos de Econometra, DS y MBA.

En cumplimiento de la primera parte de este objetivo se hizo una revisinsobre las variables softy su modelizacin, que concluy en la definicinde las caractersticas fundamentales de las variables softy los problemasque presenta su modelizacin.

La segunda parte, consista entonces en seleccionar en funcin de lascaractersticas de las variables softlos paradigmas ms adecuados para sutratamiento. Con ste propsito, se diseo y modeliz un caso en los tresparadigmas, que sirvi de ayuda para estudiar la forma de modelizar decada paradigma, analizar a profundidad sus ventajas y desventajas yrealizar algunas comparaciones.

Como conclusin del segundo objetivo, se considera que del paradigmade Econometra, se podran estudiar las herramientas estadsticas que seutilizan para la comprobacin de las relaciones entre variables y algunasotras para evaluar la fiabilidad de los modelos.

Sin embargo, la Econometra no se considera un paradigma adecuadopara el tratamiento de variables soft, ya que adems de las limitaciones

para construir modelos sin datos y la necesidad de utilizarsimplificaciones lineales, el objetivo que motiva la construccin de losmodelos economtricos es la prediccin.


33/35


_________________________________________________________________

99

En adicin a las anteriores limitaciones de Econometra, se aade queconstruir un modelo economtrico con muchas variables y retrasos daracomo resultado un modelo muy complejo y dado que slo utilizaecuaciones para su representacin la comprensibilidad es otro punto encontra para construir modelos con variables soft.

En lo que refiere a los paradigmas DS y MBA, segn sea el nivel deagregacin que requiera el modelo, ambos podran ser tiles para lamodelizacin de variables soft. Se inclina ms por utilizar MBA, ya quesu representacin resulta ms natural para motivar la participacin deexpertos en la construccin de modelos. No obstante, la MBA paraentornos sociales necesitara apoyarse en herramientas y metodologas demodelizacin que en DS, como paradigma consolidado, se handesarrollado ya.

En adicin, la posibilidad de aadir heterogeneidad de agentes, es unpunto a favor de MBA, especialmente para construir modelos deorganizaciones donde el nivel de agregacin es ms bajo.

Como posibilidad de ampliar la investigacin con respecto a este tema sesugiere estudiar la posibilidad de construir modelos que trabajen con losdos paradigmas de modelizacin DS y MBA.

Algunas otras consideraciones importantes que se concluyen del presentetrabajo son:

La metodologa que se utiliza para construir un modelo es tanimportante como su uso. Por tanto, la definicin y uso de unametodologa para la modelizacin de variables softaportara precisin yfiabilidad a los modelos.

Es necesario estudiar un caso real y crear el correspondiente modeloen los paradigmas. Slo de esta forma se podra evaluar cul de ellospresenta resultados ms fiables y aporta ms como herramienta deaprendizaje.

Referencias

Andriessen, D. 2004. Making Sense of Intellectual Capital: ElsevierButterworth-Heinemann.

Bonabeau, E. 2002. Agent-based Modeling: Methods and techniques forsimulating human systems, Vol. 99. www.pnas.org.

Borshchev, A. and A. Filippov (2004). From System Dynamics and DiscreteEvent to Practical Agent Based Modeling: Reasons, Techniques, Tools.The 22nd International System Dynamics Conference, Oxford.

Bradl, P. 2003. The Use of System Dynamics in Management Reasons and

Applications. The 21st

International System Dynamics Conference, NewYork, 2003.


34/35


_________________________________________________________________

100

Coyle, G. (1998). "The practice of System Dynamics: Milestones, lessons andideas from 30 years experience." System Dynamics Review 14(4): 343-365.

Coyle, G. (2000). "Qualitative and quantitative modelling in system dynamics:some research questions." System Dynamics Review 16(3): 225244.

Doyle, J. K. & Ford, D. N. 1999. Mental models concepts for system dynamicsresearch. System Dynamics Review, 14(1): 3-29.

Epstein, J. M. & Axtell, R. 1996. Growing Artificial Societies: Social Sciencefrom the Bottom up. Washington, D.C.: Brookings Institution Press TheMIT Press.

Forrester, J. W. 1961. Industrial Dynamics: Productivity Press.

Hall, R. & Andriani, P. 1998. Management Focus Analysing Intagible Resourcesand Managing Knowledge in a Supply Chain Context. EuropeanManagement Journal, 16(6): 685-697.

Jacobsen, C. & Bronson, R. 1987. Defining sociological concepts as variablesfor system dynamics modelling. System Dynamics Review, 3(1): 1-7.

Kaplan, R. S. & Norton, D. S. 1997. El Cuadro de Mando Integral: Gestin2000. Barcelona.

Kim, D. 1995. Systems Thinking Tools: Pegasus Communications, Inc.

Lorenz, T. M. and A. M. Bassi (2004). Comprehensibility as a discriminationcriterion for Agend-Based Modellling and System Dynamics. The 22ndInternational System Dynamics Conference, Oxford.

McLucas, A. C. (2004). Incorporing Soft Variables into System DynamicsModels: A Suggested Method and Basis for Ongoing Research. The 22ndInternational System Dynamics Conference, Oxford.

Meadows, D. H. 1980. The Unavoidable a priori. Norway: Jorgen Randers.

Morecroft, J. 2005. Explaining Puzzling Dynamics: Comparing the Use ofSystem Dynamics and Discrete-Event Simulation. Paper presented at the23th ICSDS, Boston.

Nonaka, I. & Takeuchi, H. 1995. The Knowledge-Creating Company. New YorkOxford: Oxford University Press.

Oliva, R. & Sterman, J. D. 2001. Cutting Corners and Working Overtime:Quality Erosion in the Service Industry. Management Science,Vol.47(No.7): 894-914.

Prahalad, C. K. & Hamel, G. 1990. The core competence of the corporation.Harvard Business Review, 68(3): 79-91.


35/35


_________________________________________________________________

101

Pulido, A. 1989. Modelos Economtricos (Tercera Edicin ed.). Madrid:Ediciones Piramide S.A.

Rahmandad, H. (2004). Heterogeneity and Network Structure in the Dynamics ofContagion: Comparing Agent-Based and Differential Equation Models.The 22nd International System Dynamics Conference, Oxford.

Randers, J. 1980. Elements of the System Dynamics Method: ProductivityPress.Cambridge, Massachusetts and Norwalk, Connecticut.

Repenning, N. P. & Sterman, J. D. 1994. Unanticipated Side Effects ofSuccessful Quality Programs:Technical Documentation: 207.

Reyes, L. F. L. & Andersen, D. L. 2003. Colleting and analyzing qualitative datafor system dynamics: methods and models. System Dynamics Review,19(4): 271-296.

Schieritz, N. & Grbler, A. 2002. Modeling the Forest or Modeling the Trees: AComparison of System Dynamics and Agent-Based Simulation. IEEEComputer Science.

Schieritz, N. & Milling, P. M. 2003. Modeling the Forest or Modeling the Trees:A Comparison of System Dynamics and Agent-Based Simulation. System

Dynamics Society.

Scholl, H. J. (2001). Agent-Based and System Dynamics Modeling: A Call fromCross Study and Joint Research. The 34th international Conference onSystem Sciences (HICSS-34), Maui, Hawaii.

Sterman, J. D. 2000. Bussiness Dynamics: Systems Thinking and Modeling for aComplex World. Boston: Jeffrey J. Shelstad.

Sterman, J. D. 2002. All models are wrong: reflections on becoming scientist.System Dynamics Review, 18(4): 501-531.

Sveiby, K. E. 1997. The New Organizational Wealth: Editorial Berrett-KoehlerPublishers.

Tidd, J. 2000. From Knowledge Management to Strategic Competence: ImperialCollege Press.

Warren, K. 2002. Competitive Strategy Dynamics. London: John Wiley &Sons,ltd.

Zahn, E., Dillerup, r., & Schmid, U. 1998. Strategic evaluation of flexibleassembly systems on the basis of hard and softdecision criteria. SystemDynamics Review, 14(4 (Winter 1998)): 263-284.

Variables Soft Dinamica de Sistemas

Documents

Transcript of Variables Soft Dinamica de Sistemas