7.

SYSTEM DYNAMICS DINMICA DE SISTEMAS

sysware

143

144

sysware

7. SYSTEM DYNAMICS - DINMICA DE SISTEMAS Las personas son muy competentes en percibir la realidad y muchos de los matices que en ella se contienen. De hecho llevan millones de aos basando su propia supervivencia en ello. En cambio a los ordenadores necesitan hacer un extraordinario esfuerzo para percibir mnimamente la realidad y los resultados son realmente pobres. Pero los ordenadores tienen una capacidad muy importante de la que las personas no estn dotadas, y es la de poder determinar la evolucin temporal de un sistema que incluye cientos o miles de relaciones. Para que las personas podamos utilizar esta capacidad que tienen los ordenadores hemos de introducir en ellos de alguna forma nuestra percepcin de la realidad que hemos resumido y plasmado en el diagrama causal. Como veremos en este captulo slo necesitamos hacer slo una transformacin del diagrama causal, de forma que le demos la estructura de un diagrama de flujos. Esta transformacin es puramente mecnica y no presenta grandes dificultades. En el siglo XXI ya todos somos muy conscientes de que vivimos en una realidad muy compleja y rpidamente cambiante, y que este fenmeno se acenta ao tras ao. Para tomar las decisiones que continuamente se nos requieren acudimos a nuestros conocimientos tcnicos, a nuestra experiencia y a la intuicin. Esta ltima se basa en los modelos mentales que tenemos previamente elaborados. No obstante estos modelos mentales no siempre nos acercan a la solucin del problema ya que an en los casos ms sencillos la solucin puede ser lo que Jay Forrester llama contraintuitiva es decir opuesta a nuestra intuicin. Como indica al respecto Ludwig von Bertalanffy , para quien desea hacer ciencia y slo ciencia, cualquier otra pregunta posterior carece de sentido. "Quod non est in formula non est in mundo". Tal es la nica posicin legtima para la ciencia. No obstante, si queremos ir ms all en nuestra comprensin nos queda solamente una
sysware

145

analoga que nos permite concebir ese algo que es irrelevante para el fsico; nos queda la analoga con la nica realidad que conocemos directamente, la realidad de nuestra experiencia inmediata. Toda interpretacin de la realidad es, empleando la expresin kantiana, una aventura de la razn. Por ello hay slo una alternativa posible: o bien renunciamos a cualquier interpretacin en torno a la esencia de las cosas, o si intentamos una interpretacin, debemos ser conscientes de su carcter analgico, ya que no tenemos la menor prueba de que el mundo real sea de la misma naturaleza que el que nos ofrece la experiencia interior. En las frecuentes ocasiones en las que nos enfrentamos a una realidad con un nmero de parmetros limitados y sobretodo cuantificables, acudimos a los modelos formales, los cuales nos permiten actuar con razonables probabilidades de xito. Ahora bien, ante situaciones complejas, con un incierto nmero de parmetros difcilmente cuantificables, podemos acudir a un tipo de modelos menos formales pero que nos permitan obtener una visin ms estructurada del problema, sus aspectos ms crticos, y posibles vas de solucin. Al respecto dice Lynda M.Applegate, que los actuales ordenadores estn diseados para tratar informacin de un modo secuencial, instruccin por instruccin. Esta aptitud funciona bien, si el problema o la tarea se estructura y puede subdividirse en una serie de etapas. No funciona bien para tareas complejas, no estructuradas, que implican intuicin, creatividad y discernimiento. La Dinmica de Sistemas encuentra sus principales aplicaciones en estos entornos complejos y poco definidos, donde intervienen las decisiones del ser humano que suelen estar guiadas por la lgica. Recordemos que la ciencia actual se basa sobre fenmenos que han de ser medibles y reproducibles. Pues bien, como conocen los especialistas en mrketing, las personas se comportan tambin segn unas determinadas leyes, bastante bien medibles y reproducibles, que son las leyes del mercado (ms demanda origina precios ms altos, etc.). 146
sysware

A propsito de estos aspectos indica Javier Aracil en su libro "Introduccin a la dinmica de sistemas", que los modelos para ordenador pueden hacer algo que les est negado a los modelos mentales: pueden mostrar las consecuencias dinmicas de las interacciones entre componentes del sistema. Cuando se trata de extraer las consecuencias de ciertas acciones, empleando modelos mentales, se corre el peligro de extraer unas conclusiones errneas. La intuicin no es fiable cuando se abordan problemas complejos. Una posible razn de ello es que se tiende a pensar en trminos de relaciones causa a efecto unidireccionales, olvidando la estructura de retroalimentacin que ciertamente existe. Al preparar un modelo para un ordenador hay que considerar cada paso separadamente. La imagen mental que se posee del sistema debe desarrollarse y expresarse en un lenguaje que pueda ser empleado para programar la mquina. Normalmente cualquier imagen mental que sea consistente y explcita, referida a cualquier sistema, puede expresarse as. Las imgenes mentales que se tienen de los sistemas reales son el resultado de experiencias y observaciones; la formulacin explcita de estas experiencias en un programa para ordenador obliga a examinar, formalizar y precisar las imgenes mentales y as contribuir a una mayor comprensin a travs de diferentes perspectivas. Los modelos matemticos, programables en un ordenador, estn enunciados de una manera explcita; el lenguaje matemtico que se emplea para la descripcin del modelo no deja lugar a la ambigedad. Un modelo de dinmica de sistemas es ms explcito que un modelo mental y, por lo tanto, puede ser comunicado sin ambigedad. Las hiptesis sobre las que se ha montado el modelo, as como las interrelaciones entre los elementos que lo forman, aparecen con toda claridad en el mismo, y son susceptibles de discusin y revisin. Por ello la proyeccin futura del modelo puede hacerse de forma completamente precisa. Es importante sealar la diferencia existente entre dos clases de modelos, los modelos de prediccin pretenden suministrar datos precisos acerca de la situacin futura del sistema modelado. Por otra parte, los
sysware

147

modelos de gestin pretenden bsicamente establecer que "la alternativa x es mejor que la alternativa y"; en estos modelos no existe necesidad de tanta precisin ya que las comparaciones son igualmente tiles. Es en este ltimo tipo de modelos en los que vamos a centrarnos aqu. Como vimos anteriormente, entendemos por "Sistema" un conjunto de elementos independientes con interacciones estables entre si. El primer paso para comprender el comportamiento de un sistema ser lgicamente definir los elementos que intervienen en el mismo y las posibles interrelaciones que existen entre ellos. El dicho aristotlico de que el todo es ms que sus partes cobra aqu un especial significado. El punto de vista de la Dinmica de Sistemas es radicalmente diferente al de otras tcnicas aplicadas a la construccin de modelos de sistemas socioeconmicos, como la econometra. Las tcnicas economtricas, basadas en un enfoque conductista, emplean los datos empricos como base de los clculos estadsticos para determinar el sentido y la correlacin existente entre los diferentes factores. La evolucin del modelo se realiza sobre la base de la evolucin pasada de las variables denominadas independientes, y se aplica la estadstica para determinar los parmetros del sistema de ecuaciones que las relacionan con las otras denominadas dependientes. Estas tcnicas pretenden determinar el comportamiento del sistema sin entrar en el conocimiento de sus mecanismos internos. As existen asesores para invertir en Bolsa denominados chartistas que utilizan modelos que analizan las montaas y valles que describen las cotizaciones de una accin, los ciclos alcistas y bajistas, y disean estrategias para minimizar el riesgo de prdidas. No pretenden "conocer" porqu la cotizacin de una empresa sube o baja en funcin de sus nuevos productos o nuevos competidores, sino pronosticar la evolucin de una cotizacin para recomendar comprar, mantener o vender una determinada accin. En cambio, el objetivo bsico de la Dinmica de Sistemas es llegar a comprender las causas estructurales que provocan el comportamiento del sistema. Esto implica aumentar el conocimiento sobre el papel de cada elemento del sistema, y ver como diferentes acciones, 148
sysware

efectuadas sobre partes del sistema, acentan o atenan las tendencias de comportamiento implcitas en el mismo. Como caractersticas diferenciales de otras metodologas puede decirse que no se pretende predecir detalladamente el comportamiento futuro. El estudio del sistema y el ensayo de diferentes polticas sobre el modelo realizado enriquecern el conocimiento del mundo real, comprobndose la consistencia de nuestras hiptesis y la efectividad de las distintas polticas. Otra caracterstica importante es su enfoque a largo plazo, entendiendo por tal un perodo de tiempo lo suficientemente amplio como para poder observar todos los aspectos significativos de la evolucin del sistema. Slo en una escala de tiempos suficientemente amplia podrn verse las tendencias de comportamiento fundamentales. No hay que olvidar que, a veces, los resultados de determinadas polticas no son ptimos porque el horizonte temporal de la toma de decisiones fue demasiado corto o porque falt una perspectiva de sistema en el planteamiento del problema. En estos casos es til conocer las consecuencias globales que a largo plazo, tendran las decisiones tomadas en el momento actual, lo cual puede conseguirse de manera ms tangible a travs de un modelo adecuado. La evolucin a largo plazo podr ser comprendida nicamente si se identifican las principales causas de los posibles cambios, lo cual es facilitado por una correcta seleccin de las variables. Idealmente, los lmites del sistema debern incluir todo el conjunto de mecanismos capaces de explicar las alteraciones importantes de las principales variables del sistema a travs del amplio horizonte temporal utilizado. As pues, la Dinmica de Sistemas permite la construccin de modelos tras un anlisis cuidadoso de los elementos del sistema. Este anlisis permite extraer la lgica interna del modelo, y con ello intentar un conocimiento de la evolucin a largo plazo del sistema. Debe notarse que en este caso el ajuste del modelo a los datos histricos ocupa un lugar secundario, siendo el anlisis de la lgica interna y de las relaciones estructurales en el modelo los puntos fundamentales de la construccin del mismo.
sysware

149

7.1. Identificar el problema Vamos a aprender una metodologa que es til para construir modelos de simulacin que han de permitir decidir cual de varias propuestas es ms eficaz para solucionar el problema planteado, as pues stos son modelos de gestin, no predictivos. En primer lugar hay que identificar el problema con claridad, y describir los objetivos del estudio con precisin. Aunque sea obvio, es muy importante una definicin correcta del problema real ya que todas las etapas siguientes gravitaran sobre ello. Tambin es de gran utilidad para ajustar la inversin de tiempo y dinero aplicados a la creacin del modelo. Una vez definido el ncleo del problema, se ha de completar su descripcin en base a la aportacin de conocimientos del tema por parte de los expertos, documentacin bsica sobre el tema, etc. El resultado de esta fase ha de ser una primera percepcin de los "elementos" que tienen relacin con el problema planteado, las h-i-p-o-t--t-i-c-a-s relaciones existentes entre ellos, y su comportamiento histrico. La Referencia Histrica recoge el comportamiento histrico de los principales elementos que creemos que intervienen en el problema, cuantificados cuando ello sea posible. Es la plasmacin grfica y numrica de la descripcin verbal del problema. Es conveniente preguntarse hace falta construir un modelo de simulacin para encontrar una accin eficientes a mi problema?. Esta pregunta es importante. Construir un modelo es un proceso largo y costoso, que no se justifica si hay otros caminos ms sencillos de obtener el mismo resultado. Estos otros caminos son bsicamente dos: la estadstica y la intuicin. - La estadstica o los mtodos de clculo numrico, son muy tiles para solucionar muchos problemas en los que hay abundantes datos histricos, y adems podemos suponer que la realidad permanecer estable. Por ejemplo, si quieres saber cuantos coches pasarn hoy por la puerta de tu casa, slo has de disponer de los suficientes datos histricos y, si la calle no ha cambiado, podrs hacer una buena aproximacin. 150
sysware

- Tu intuicin te ha llevado hasta donde ests, y por lo tanto no la menosprecies. En muchos problemas ya intuimos acertadamente la solucin como resultado de nuestra experiencia o conocimientos. La intuicin es barata y rpida, sigue usndola siempre que puedas. Slo cuando no podamos aplicar con garanta ninguna de estas dos opciones anteriores, nos plantearemos construir un modelo de simulacin. Una vez definido el problema veremos que hay muchos aspectos, o elementos, relacionados con el mismo, directa o indirectamente, y a la vez relacionados entre s, de forma no necesariamente clara y transparente. Estos elementos forman el Sistema. Vamos a estudiar la realidad como un Sistema. En nuestra usual forma de anlisis nos solemos centrar en las caractersticas de los elementos que componen el sistema, no obstante, para comprender el funcionamiento de sistemas complejos es necesario prestar atencin a las relaciones entre los elementos que forman el sistema. Es imposible entender la esencia de una orquesta sinfnica nicamente prestando atencin a los msicos y a sus instrumentos, es la coordinacin que tienen entre s la que produce la msica hermosa. El cuerpo humano, un bosque, una nacin, el ecosistema de una barrera de coral son mucho ms que la suma de sus partes. Como dice un antiguo proverbio Suf: Tu puedes pensar porque entiendes el concepto de "uno", y de ah entiendes "dos", que es "uno" y "uno", pero para ello adems has de entender el concepto "y". Y as, por ejemplo, en el problema del trfico confluyen muchos elementos relacionados entre s: nmero de habitantes, nmero de coches, precio de la gasolina, aparcamientos, transportes alternativos, ... es con frecuencia ms fcil y efectivo para solucionar un problema actuar sobre las relaciones entre los elementos (las "y"), que modificar los elementos. Un buen mtodo para empezar a definir un sistema es escribir el problema en el centro de una hoja en blanco, aadir a su alrededor los aspectos relacionados directamente con el problema, y alrededor de stos ltimos los otros aspectos relacionados con ellos, y por lo
sysware

151

tanto que se relacionan indirectamente con el problema. Ese ser el sistema que vamos a estudiar para plantear soluciones al problema. 7.2. Dibujar el diagrama de flujos El diagrama de flujos recibe tambin el nombre de Diagrama de Forrester en algunos textos en atencin a su creador Jay Forrester. El nombre de diagrama de flujos recoge la idea de Forrester de que si somos capaces de controlar los flujos de un sistema, de hecho estamos controlando todo el comportamiento del sistema. La razn es que los elementos de acumulacin, o niveles, nicamente varan en funcin de los flujos. As pues es conveniente prestar especial atencin a la evolucin de los flujos y los mecanismos por los que varan para controlar un sistema. Para elaborar un diagrama de flujos se ha de tomar el diagrama causal y se han de transformar los elementos en tres tipos bsicos: Niveles, Flujos y Variables auxiliares. Una forma sencilla de empezar a construir el diagrama de flujos en base al diagrama causal consiste en hacer una fotografa mental del sistema que tenemos representado en el diagrama causal. Los elementos que salen en la imagen, como personas, km2, litros, coches, ... son Niveles. Las variaciones de estos elementos, como personas/dia, km2/ao, litros/minuto, coches/hora,... son Flujos, y los restantes elementos del diagrama causal son Variables Auxiliares.

152

sysware

Tomando como base este primer borrador de diagrama de flujos podemos ir introduciendo algunos aspectos adicionales segn la terminologa establecida. As a las Variables Auxiliares que no van a variar durante el horizonte de simulacin establecido les asignamos el nombre de Constantes: 365 das/ao, etc. Como regla general esto sirve para empezar. Despus ya se pueden ir haciendo retoques, y as los Niveles que vayan a permanecer constantes (m2 de la habitacin) en vez de definirlos como Niveles se pueden definir como variables auxiliares tipo constante. Este es todo el procedimiento. Ahora veremos con ms detalle como se representan estos elementos. Los niveles son aquellos elementos que nos muestran en cada instante la situacin del modelo, presentan una acumulacin y varan solo en funcin de otros elementos denominados flujos. Las nubes dentro del diagrama de flujos son niveles de contenido inagotable. Los niveles se representan por un rectngulo. ejemplos: personas, km2, litros,... Los flujos son elementos que pueden definirse como funciones temporales. Puede decirse que recogen las acciones resultantes de las decisiones tomadas en el sistema, determinando las variaciones de los niveles. ejemplos: km2/ao, personas/da, . Las variables auxiliares y las constantes, son parmetros que permiten una visualizacin mejor de los aspectos que condicionan el comportamiento de los flujos. ej.: densidad, vida media,

sysware

153

Las magnitudes fsicas entre flujos y niveles se transmiten a travs de los denominados canales materiales. Por otra parte existen los llamados canales de informacin, que transmiten, como su nombre indica, informaciones que por su naturaleza no se conservan.

MATERIALES INFORMACIONES

Por ltimo quedan por definir los retardos, que simulan los retrasos en la transmisin de los materiales o las informaciones. En los sistemas socioeconmicos es frecuente la existencia de retardos en la transmisin de la informacin y de los materiales y tienen gran importancia en el comportamiento del sistema. Para los retardos de material existen las funciones DELAY1 y SMOOTH. Para los de informacin se utilizan DELAY3 y SMOOTH3. Los de primer orden frente a una entrada brusca o en escaln, respondern con una curva exponencialmente asinttica, mientras que un retardo de tercer orden conduce a una curva sigmoidal. En cierta forma los retardos de informacin actan como filtros alisadores de la variable de entrada. RETARDO

Podemos dibujar el diagrama de flujos sobre la pantalla del ordenador. Existen muchas marcas de software que nos permiten realizar este tipo de modelos de simulacin. Los ms comunes son Vensim, Stella, ithink y Powersim aunque hay innumerables marcas en el mercado. Las prestaciones de todas las primeras marcas son muy simulares entre si.

154

sysware

El lenguaje que se utiliza con la ayuda de iconos permite que el usuario no tenga ningn conocimiento de informtica ni programacin, ya que es un lenguaje absolutamente natural y a las variables se les pueden asignar nombres sin restricciones de caracteres.

7.3. Definir las ecuaciones Una vez que ya tenemos dibujado el diagrama de flujos en la pantalla del ordenador hemos de definir las relaciones entre los elementos. Podemos clasificar las ecuaciones en varios grupos. 1.- Ecuaciones aritmticas Son ecuaciones que utilizan expresiones aritmticas para mostrar la relacin entre dos elementos. As tenemos por ejemplo: densidad = peso/volumen 2.- Ecuaciones con funciones La relacin entre algunas variables exige el uso de algunas funciones un poco ms complejas, del tipo: entradas = MIN(emigracin, nacimientos)
sysware

155

Podemos incluir en las ecuaciones algunas funciones que permiten simular formas de comportamiento sencillo en las variables de entrada, tales como STEP y RAMP. El catlogo de funciones disponibles y sus caractersticas de uso se encuentran descrito con detalle en los Anexos. 3.- Ecuaciones con tablas En ocasiones la relacin entre dos variables es clara pero no existe una ecuacin aritmtica que la pueda definir, ni siquiera con la ayuda de las funciones. En estos casos definimos la relacin en base a pares de puntos que consideramos son ciertos. Cada punto representa una situacin donde conocemos el valor que toma la variable independiente (causa) y la variable dependiente (efecto). Se suele representar en una forma grfica para mayor claridad. Veamos un ejemplo. Sabemos que la proporcin de personas con el paraguas abierto est relacionado con la cantidad de lluvia que cae. En este caso la causa es la cantidad de lluvia (variable independiente) y el efecto es la proporcin de personas con paraguas (variable dependiente).

156

sysware

En este caso no sabemos como relacionar ambas variables, pero podemos dibujar en unos ejes de coordenadas algunos puntos que consideramos ciertos, como por ejemplo el punto (0,0) donde la primera cifra antes de la coma indica el valor de la variable independiente y la segunda cifra indica el valor de la variable dependiente. Este punto indica que cuando la cantidad de lluvia es cero, el porcentaje de personas con paraguas abierto es del 0%. En base a nuestra observacin podemos ir dibujando diferentes puntos, como el (10,5) que indica que cuando llueven 10 litros/m2 y hora hay solo un 5% de personas con el paraguas abierto, y otros puntos como el (20,20) , el (30,50), el (40,80) y el (50,99) que indica que el 99% de las personas llevan el paraguas abierto cuando caen 50 litros/m2 y hora. Los softwares permiten introducir estas relaciones en forma de tabla en el ordenador y despus se utilizan en las simulaciones igual que si fuese una ecuacin. 4.- Ecuaciones con retrasos Los sistemas complejos presentan diferentes formas de reaccin frente a las acciones o propuestas de cambio. Es poco probable que una decisin tomada en una reunin de personal ejecutivo se transforme instantneamente en una accin. Tanto la informacin como los materiales que involucra la puesta en marcha de un proyecto nuevo o el funcionamiento rutinario de una empresa suelen sufrir retrasos por una larga lista de razones (trmites burocrticos, huelgas, accidentes, malos entendidos....). En el rea de las ciencias qumicas o del meiod ambiente los retrasos tienen que ver con la imposibilidad de que el sistema sea perfecto (un reactor no responde inmediatamente a un cambio en la concentracin de reactivo a la entrada porque no mezcla perfectamente, un organismo impactado por un txico requiere un tiempo para desintoxicarse...). Estos retrasos pueden simularse mediante funciones especiales, DELAY1 y SMOOTH, DELAY3 y SMOOTH3, que ya fueron comentadas en el punto anterior.

sysware

157

5.- Ecuaciones condicionales Este tipo de ecuacin, cuya base es la utilizacin del "si condicional", permiten que durante el desarrollo de la simulacin se elija entre dos alternativas de acuerdo a condiciones preestablecidas. La sintaxis es: IF THEN ELSE (condicin, X, Y) de forma que el modelo al llegar a esta funcin, comprueba si se verifica la condicin. Si resulta verdadera, el resultado es X, de lo contrario es Y. Se puede complementar con el uso de los operadores .AND., .OR. y .NOT., que permiten aumentar el grado de complejidad de la expresin, y tambin se pueden construir "nidos de IF", es decir, IF THEN... dentro de otros IF THEN... Pero se debe ser cuidadoso, y evaluar muy bien las tablas de verdad de expresiones complejas, ya que de lo contrario los resultados pueden resultarnos sorprendentes e inclusive difciles de interpretar. Se encuentran detalladas en los Anexos. 7.4. Validacin del modelo Una vez que se ha desarrollado el modelo es necesario corroborar su validez. Para ello, y ante todo, no debe perderse de vista que un modelo es simplemente un conjunto ordenado de suposiciones acerca de un sistema complejo. Es un intento de entender algunos aspectos de un mundo infinitamente variado, seleccionando de nuestras percepciones y experiencias pasadas un conjunto de observaciones aplicable al problema que tenemos a mano. El modelo que construimos ser, como todos los dems, imperfecto, simplificado en exceso, e incompleto(Meadows). Diversos autores se han planteado el problema de la validacin, y entre ellos Sterman (2000) establece que, en rigor, la validacin y verificacin son imposibles. Vlido significa fundamentado por la verdad objetiva, y si se relee la definicin anterior se ver que, de hecho, todos los modelos son ms o menos errneos. Esta salvedad es necesaria ya que nuestra humana condicin puede llevarnos a construir pruebas de validacin orientadas a probar que el modelo es correcto, impidindonos ver sus errores o desvos, y erosionando su credibilidad. Lo aconsejable entonces es no aplicar slo 158
sysware

una prueba de validez, sino buscar mltiples puntos de contacto entre el modelo y la realidad, apelando a fuentes de datos variadas y a diversas pruebas. Un modelo de simulacin nos permite abordar una cuestin puramente terica, en cuyo caso su finalidad ser probablemente acadmica, o una situacin real, como parte de un trabajo de consultora orientado a dar una respuesta concreta. En ambos casos, el primer paso debiera ser plantearnos nuevamente que problema quisimos resolver o entender mediante su aplicacin, ya que puede ocurrir que a lo largo del esfuerzo de elaboracin, se pierda de vista el objetivo inicial. Supongamos que se ha desarrollado un modelo para simular la respuesta de un organismo a la ingestin de un txico, ser fundamental entonces preguntarse si alguno de sus elementos permiten observar el patrn de comportamiento del organismo frente al txico, que es precisamente lo que quiero conocer. Si la respuesta a esa primera pregunta es afirmativa, estamos razonablemente seguros de que se cumple el propsito del modelo. Podemos ahora preguntarnos acerca de sus lmites. Los lmites determinan que variables son tratadas como internas y cuales como externas. Si los lmites resultan demasiado estrechos, el modelo no capta las respuestas del sistema a la aplicacin de diferentes acciones o polticas, con lo cual sus resultados pueden no ser satisfactorios. Finalmente, en esta etapa debemos analizar tambin si, dado el horizonte temporal elegido, el modelo incluye como internos a aquellos factores que varan significativamente a travs del tiempo de simulacin. Llegados a este punto cabe considerar la diferencia entre validacin interna y externa (Judd). La validacin interna, aplicada fundamentalmente a modelos tericos como los usuales en economa, apunta a comprobar si la estructura del modelo refleja en forma correcta el desarrollo conceptual que le dio origen. Se verificar si los resultados no resultan absurdos desde el punto de vista de las leyes bsicas de la economa, la fsica o la qumica, o en ltima instancia, del sentido comn. En trminos generales, lo que hacemos es controlar el funcionamiento de las estructuras fsicas y de decisin del modelo.
sysware

159

El software Vensim provee una herramienta til para verificar el funcionamiento del modelo, el Reality Check. Un Reality Check no es exactamente una verificacin de ajuste a la realidad, sino ms bien del comportamiento lgico del modelo. Permite agregar al mismo estructuras que den respuestas a las expectativas previas que podemos efectuar mentalmente, sin cambiar la estructura causal ni modificar los valores o ecuaciones de clculo predeterminados. Las ecuaciones vinculadas a un Reality Chek estn implementadas como una extensin del Vensim, pero los conocimientos y experiencia necesarios para escribirlas son diferentes de las que se requieren para construir el modelo. El desarrollo de la estructura de Reality Checks requiere plantearse previamente los lmites que consideramos razonables o fsicamente posibles de las variables del modelo, tales como sin mano de obra no hay produccin o temperaturas debajo de 5 C detienen la reaccin biolgica bajo estudio Esto es estrictamente . necesario, puesto que luego la sintaxis de las ecuaciones del Reality Check, as como los resultados que se obtienen al ejecutar el programa no suelen ser tan evidentes ni tan fciles de interpretar. En los Anexos se detalla el funcionamiento del Reality Check. Los pasos bsicos para realizar un Reality Chek como parte de la validacin de un modelo, sern: ? Plantearse mentalmente y escribir las restricciones que nuestro conocimiento del tema o nuestra lgica nos indiquen. ? Agregar al modelo en estudio estas restricciones mediante Test Inputs y Constraints. ? Ejecutar el modelo utilizando el icono apropiado. ? Interpretar el informe y los grficos resultantes. Los Reality Cheks tambin nos permiten analizar la robustez del modelo, es decir, su respuesta ante situaciones extremas, o lo que es lo mismo, ante valores lmites de sus variables. En muchos casos, de su aplicacin pueden derivarse ciertos cambios en la estructura interna del modelo o en sus ecuaciones, que eviten la reproduccin de resultados absurdos frente a condiciones lmites.

160

sysware

As por ejemplo, mediante un Reality Chek podemos detectar que en algn momento el divisor en una ecuacin se hace cero, provocando el colapso del software. En ese caso podemos apelar a las funciones XIDZ e ZIDZ que permiten salvar el problema. Por otra parte, la validacin externa trata de verificar si el modelo realiza alguna aportacin nueva a la visin general del problema. Siguiendo con el ejemplo del txico, es probable que al creador de un modelo no le interese tanto desarrollar un modelo que simule a la perfeccin los mecanismos internos de eliminacin de un txico, como obtener una visin ms amplia del comportamiento del individuo sometido a un ambiente txico, con todas las complejidades de la realidad que ello acarrea: la fuente de generacin del txico, las medidas tomadas para evitar su acumulacin en el ambiente, las horas de trabajo del individuo etc. En rigor, el enfoque sistmico, cuyo principal elemento son las retroalimentaciones del sistema, tiende a internalizar, o si se quiere, a incorporar como parte del sistema en estudio, variables que otros modelos dejan como externas. Asume que muchos cambios estructurales tienen que ver con las retroalimentaciones dominantes, y al efectuar la validacin, le interesa conocer el comportamiento futuro en distintos escenarios. En el ejemplo de los txicos, uno podra plantearse que ocurre si se efecta una paulatina mejora en los sistemas de ventilacin o si se baja la temperatura de la habitacin. La validacin externa requiere la recopilacin de datos histricos, experiencias de campo o de laboratorio o referencias bibliogrficas que pasan a integrar la documentacin del modelo. A partir de ellos se pueden aplicar diversas tcnicas, tales como la calibracin, la simulacin de alternativas o los anlisis de sensibilidad, que sern tratados con ms detalle en puntos posteriores. A modo de sntesis, se enuncian algunos cuestionamientos que cabe efectuarse durante la instancia de la validacin: Con relacin a las variables ? Se han incluido las variables pertinentes y excluido las innecesarias?

sysware

161

? ? ? ? ?

Se corresponden las variables con el mundo real? Una determinada variable deber ser un flujo o un nivel? Los parmetros elegidos como constantes, son realmente constantes? Son realmente variables las variables? Hay consistencia dimensional? Los nombres de las variables, son claros y entendibles?

Con relacin a la estructura ? Soporta el modelo condiciones extremas (por ejemplo que un denominador pueda valer cero? ? Aparecen elementos clsicos como el estado deseado, el estado real, la diferencia y la accin? ? Cuando se utilizan frmulas discretas, se corresponden adecuadamente con la realidad o pueden haber desvos difciles de detectar? ? Si se aplican funciones de tabla, su calibracin es adecuada a la realidad? ? Las estructuras fsicas del sistema se desarrollan adecuadamente? (por ejemplo los stocks no pueden tomar valores negativos) ? Hay retrasos de informacin? Las estructuras de informacin son consistentes con la realidad? ? El intervalo de tiempo utilizado en el clculo es adecuado? (Se sugiere que sea entre 0.25 y 0.1 de la constante de tiempo ms pequea. Un intervalo muy grande puede conducir a retrasos en la retroalimentacin o errores de integracin). Verificacin del comportamiento. ? Reproduce el modelo el comportamiento esperado? ? Se inicia en un estado libre de tensiones, en el que lo ingresos igualan a los egresos y el estado real iguala al deseado? ? Cules son las formas posibles de equilibrio bajo tensin?

162

sysware

? ? ? ?

Cul es el origen del comportamiento irregular? Es generado por el uso de formulaciones discretas o por errores de integracin? (step time muy grande) Anlisis dinmico: cmo responde el modelo a diferentes inputs (rampas, escalones, seales ? sinusoidales) Sensibilidad del modelo: Cmo responde en su comportamiento ante diferentes escenarios? Refleja el modelo adecuadamente la resistencia al cambio habitualmente encontrada en el mundo real? Es capaz el modelo de producir patrones de comportamiento a futuro realistas en funcin de perodos e interrelaciones seleccionadas para la simulacin? Cmo ajusta el modelo a datos reales, con referencia a la aplicacin de algn test estadstico?

Respuesta a las polticas aplicadas ? Qu estructuras deben agregarse para poder efectuar una prueba de reaccin al cambio? ? Estas estructuras representan polticas o planes de accin que pueden ser realmente implementados? ? Qu comportamiento del sistema sera deseable mejorar? Qu acciones o controles pueden mejorarlo? ? El modelo es sensible a las polticas aplicadas? 7.5. Calibracin del comportamiento del modelo Podemos considerar que la calibracin forma parte de la validacin del modelo. Para llevarla a cabo, es preciso primero haber completado la estructura del modelo y verificado que funciona adecuadamente. Sin embargo, superar con xito ese anlisis no significa que los resultados del modelo sean buenos desde el punto de vista del fenmeno real que se intenta simular. Puede ocurrir que como constantes o como valores iniciales se
sysware

163

hayan tomado valores simplemente razonables ara poder as ejecutar el modelo, y es entonces que resulta necesario buscar valores que tengan que ver con la realidad. Calibrar implica encontrar aquellas constantes que hacen que el modelo genere las curvas de comportamiento que mejor se ajustan el mundo real. Cabe aclarar que el ajuste de constantes con referencia a datos reales no es nuevo ni privativo de los modelos de simulacin dinmica. Tal como ocurre con un equipo de laboratorio para anlisis fsicos o qumicos, para calibrar las constantes de un modelo se necesitan datos de referencia. En nuestro caso esos datos sern series temporales, como podran ser por ejemplo los datos de censo de poblacin tomados cada cierta cantidad de aos, o los resultados de experiencias de laboratorio que incluyan la variable tiempo. Existen muchas maneras de ajustar una curva a una serie de datos como el mtodo de Regresin o Mnimos Cuadrados, que permite hallar la ordenada en el origen y la pendiente de la recta que mejor representa una serie de datos. Los softwares ms habituales cuentan con mecanismos que simplifican esa tarea. Si estamos trabajando con el software Vensim, los pasos a seguir son: 1. Efectuar una ejecucin preliminar 2. Elegir una variable de comparacin 3. Contar con una serie temporal de datos reales de la variable elegida forma de archivo .dat . que utilice igual nombre para la variable de comparacin 4. Seleccionar Model>Import Dataset, elegir el nombre de la base y seleccionar Open 5. Si todo est bien, se obtendr un mensaje que as lo indica. 6. Hacer doble click sobre la variable y observar el grfico de la misma. Aparecern el grfico correspondiente al modelo junto al de la base de datos. As podremos observar las diferencias entre los datos generados por el modelo y los datos de referencia. Si no se dispone de versiones avanzadas de Vensim, este 164
sysware

procedimiento permite analizar el sentido en que deberemos variar las constantes para tener un mejor ajuste. En caso de poseer una versin que contenga la opcin de optimizacin, es posible efectuar el proceso mediante el botn Optimization de la barra de tareas. Esta herramienta crea un archivo de ajuste (Payoff file), a travs del cual se define aquellas variables que se intenta ajustar, es decir, las que se compararan contra los datos reales. En definitiva, el proceso de optimizacin crea una funcin en la que se acumulan las diferencias entre valor simulado y valor real, y modifica el valor de las constantes del modelo, hasta lograr que Payoff resulte lo ms cercana a cero. El resultado de una optimizacin es un informe que contiene, bajo el ttulo Initial Point of search los valores de partida de las variables seleccionadas y el valor inicial de la funcin Payoff, y luego bajo Maximum Payoff found at los valores de dichas variables que logran el mejor Payoff. Es importante tener en cuenta que esta herramienta brinda una alternativa adicional a la simple calibracin de constantes, que se obtiene eligiendo Policy en el cuadro de Set up simulation. Es simple de entender con un ejemplo tpico: cul es el nivel del stock de productos terminados que maximiza las ganancias? Si este nivel es bajo, existe el peligro de perder ventas, si es muy alto se inmoviliza mucho capital. Es un planteamiento muy comn a todas las tcnicas utilizadas para la toma de decisiones como por ejemplo la programacin lineal y su algoritmo de aplicacin, el Mtodo Simplex. Lo que en Vensim se conoce como Payoff suele aparecer con el nombre de funcin objetivo, precisamente porque contiene como variable dependiente aquella que designa nuestro objetivo: maximizar ganancias, minimizar costos. De modo que las acciones bsicas de la opcin Policy sern designar la funcin cuyo valor queremos optimizar (el Payoff) y las variables sobre las cuales actuar el programa, siempre con referencia a una simulacin de base. Al ejecutar la Optimizacin se obtendr un informe de caractersticas similares al de

sysware

165

Calibracin: tendr los datos de partida y aquellos valores finales que hacen ptima la funcin objetivo. En resumen a travs de la opcin Optimizacin podemos: - Calibrar las constantes del modelo a efectos de obtener el mejor ajuste a datos reales - Obtener los valores de variables preseleccionadas que optimizan un objetivo tambin predefinido, como una ganancia o un costo. 7.6. Anlisis de sensibilidad de los parmetros Es muy comn en los ejercicios o problemas de aplicacin e inclusive en la vida diaria, que los clculos se efecten de una manera determinista, es decir, tratando a la totalidad de las variables como constantes conocidas. Sin embargo, la realidad es que pocas veces se conocen los valores exactos de las variables: en la mayora de las situaciones, se trabaja con estimaciones de las condiciones medias o conservadoras, e inclusive, del peor de los casos. Cuando se mide repetidamente un parmetro fsico o qumico, o cuando se efectan estudios de campo sobre fenmenos de naturaleza econmica o social, lo que en realidad se obtiene es un conjunto de valores ms o menos parecidos, con un rango de variacin que depende de muchos factores, tales como la precisin del instrumental, la pericia del analista, el tamao de la muestra etc. De este modo, el valor obtenido se convierte en un evento fortuito o aleatorio. As que en rigor, al repetir la medicin o el ensayo, ms que el valor exacto de una variable se obtiene un conjunto de valores que puede adoptar esa variable, cada uno de ellos con una probabilidad asociada, la cual indica cuan posible es que ese valor se obtenga si se repiten las mediciones. Decimos entonces que se trata de una variable aleatoria. Es posible construir tablas o grficas donde se coloquen los distintos valores de y sus probabilidades x asociadas, e inclusive construir frmulas que permitan vincular el valor y su probabilidad. Esas tablas, grficas o

166

sysware

frmulas se conocen como distribuciones de probabilidad. No por simple y conocido deja de ser til el ejemplo de la moneda: si arrojo al aire una moneda legal y descarto que caiga de canto, tendr un 50% de probabilidades de caiga cara o cruz. As que tengo dos resultados posibles para el experimento, cada uno con su probabilidad asociada. Lamentablemente, los acontecimientos reales son mucho ms complejos y difciles de representar a travs de modelos tericos con simples clculos de probabilidad. El estadstico razona desde la poblacin conocida a la muestra desconocida. En cambio, quien intenta representar el mundo real parte normalmente de muestras, e intenta sacar conclusiones acerca de la poblacin. Por ejemplo se hace una muestra de la intencin de voto con la idea de predecir los resultados de las elecciones. La extrapolacin desde una pequea realidad conocida a un mundo desconocido debe fundamentarse de alguna manera que supere a la mera intuicin, y es ah donde se hace necesaria la intervencin de la Estadstica, una ciencia que suele resultar de difcil abordaje y ms bien antiptica a menos que se realice un decidido esfuerzo por entender el significado de las herramientas de anlisis que brinda. Ante todo es importante tener en claro para que se la emplea, evitando caer en el error de aplicar mecnicamente frmulas o recetas que validen el resultado de experiencias o ensayos sin saber muy bien que se est haciendo. Si se acumula un gran nmero de datos que luego se utilizan para describir y extraer informacin, estamos frente a la estadstica descriptiva, relativamente sencilla de utilizar y comprender. Pero si se usan las herramientas que permiten formular inferencias acerca de una poblacin partiendo de una muestra estamos frente a la estadstica inferencial que es la que suele generar mayores problemas de comprensin. Sin embargo su utilidad es enorme y permite que innumerables decisiones se tomen sobre bases ms slidas que la sola experiencia prctica.
sysware

167

Una herramienta de uso casi permanente en la estadstica inferencial son las distribuciones de probabilidad tericas las cuales son en definitiva funciones matemticas presentadas en forma de grficos o tablas que establecen una relacin entre un valor x y su probabilidad f(x) de producirse. Estas distribuciones, aunque tericas, no son caprichosas. No se desarrollaron porque s, ni se las elige sin anlisis previo. Tienen que ver con el patrn de comportamiento que quieren representar. Antes que nada debemos tener claro el tipo de variable a utilizar: si el nmero de valores que puede tomar es contable, se trata de una variable discreta; en cambio, si la variable puede tomar un infinito nmero de valores dentro de un cierto rango, es una variable continua. El nmero de depsitos bancarios diarios superiores a 1000 euros o el nmero de pedidos nuevos recibidos en una planta manufacturera son ejemplo de variables discretas. Por el contrario, los tiempos de espera en la caja de un supermercado o en el peaje de una autopista, as como los resultados de anlisis qumicos o ensayos fsicos son variables continuas. En cuanto a la naturaleza del evento analizado, tambin hay diferencias. Supongamos que al realizar una encuesta de mercado, buscando determinar las preferencias de la poblacin por la bebida A en competencia con la B, obtendremos como resultado un cierto nmero de personas que optan por A, y por diferencia las que optan por B. Se parece al caso de tirar la moneda. Hay muchos sondeos a nivel social, industrial y en educacin que presentan este comportamiento. O sea: n ensayos con dos posibles resultados: xito (favorable a mis intereses), fracaso (desfavorable). En este caso la distribucin terica aplicable es la Binomial. Consideremos ahora el caso de medir la estatura de todos los empleados de una empresa. Dependiendo de la precisin con que se lo haga, la distribucin de valores obtenidas se acercar a una variable continua, que presenta una tendencia central, y cierta dispersin en los resultados obtenidos, ya que son menos frecuentes las personas muy bajas o muy altas. Lo mismo ocurre con los resultados de los anlisis de laboratorio, las mediciones de 168
sysware

rendimiento o calidad de equipos, los ingresos medios de la poblacin etc. Para estos casos, la ms conocida y utilizada es la Distribucin de Probabilidad Normal, cuyo grfico es una curva en forma de campana, simtrico a ambos lados del valor central. Muchos acontecimientos de la vida real se comportan aproximadamente en forma normal . La forma ms comn de medir la tendencia central es la media (promedio de todos los datos), y la dispersin a travs de la desviacin estndar, cuyas formas de clculo figuran en cualquier texto de estadstica. Estos datos son los necesarios para calcular los lmites de confianza del valor estimado, que sern ms distantes cunto mayor sea el grado de certidumbre que pretendo tener. Hasta aqu se han desarrollado conceptos estadsticos bsicos que luego aparecern en la aplicacin de algunas herramientas del software utilizado. Pero no nos olvidemos que todo se origin en el hecho de que en la mayora de los casos los parmetros que se utilizan en un modelo de simulacin dinmica constituyen las mejores estimaciones de sus valores reales. Por ejemplo, el margen de rentabilidad de un producto puede estar basado en las mejores estimaciones del precio de venta y del costo variable por unidad, lo cual supone ciertas tarifas salariales, tiempos esperados de procesamiento y costos de materiales. Por otra parte, la calidad de la informacin tiene un costo que, lgicamente, es mayor cuanto ms exactitud se pretenda. Y las empresas tienen lmites a veces bastante modestos en cuanto a lo que quieren invertir en estudios de mercado, sondeos o recopilacin de datos histricos. Nuestro problema es que tenemos un modelo construido, probado e incluso calibrado. Ahora bien, cmo responde ante los cambios en los parmetros utilizados durante su desarrollo? Es decir cun sensibles resultan los resultados del modelo a los cambios en esos parmetros sobre los cuales tenemos ciertos lgicos mrgenes de duda?. Este anlisis posterior a la construccin y ajuste del modelo se conoce como Anlisis de Sensibilidad.

sysware

169

Si tenemos un modelo con parmetros que son variables contnuas distribudas en forma aproximadamente normal, podemos preguntarnos si ser necesario ejecutar el programa un nmero infinito de veces, cambiando cada vez los valores. Esto, obviamente, adems de insoportablemente tedioso es imposible de llevar a la prctica. Por suerte la respuesta a esa pregunta es negativa. Lo que si se puede hacer, con menos costo y en tiempos razonables es simular el proceso un gran nmero de veces (aunque finito) adoptando cada vez valores diferentes en los parmetros. A la tcnica de simular un proceso que contiene elementos aleatorios repitiendo el proceso una y otra vez para ver como se comporta se le llama Mtodo de Montecarlo y es de aplicacin usual en el mundo de los negocios y la ciencia. En el caso concreto de los modelos de simulacin dinmica, el anlisis de sensibilidad por el Mtodo de Montecarlo est incorporado como una herramienta del software, de modo que lo importante es saber que datos alimentar a la simulacin y como interpretar los resultados. Consideremos la siguiente situacin: un fabricante de cervezas se encuentra frecuentemente con problemas para programar su produccin. No conoce su participacin exacta en el mercado, lo afecta la estacionalidad del consumo, desconoce la capacidad mxima de consumo del mercado al cual dirige su producto. Encarga un estudio, y le informan que el mximo consumo ronda el 1.000.000 de litros diarios, y que un estudio sobre quinientas personas que probaron la bebida comparando con su principal competidor, 350 han elegido su producto. Sus asesores le dicen que sera adecuado formular un modelo de simulacin sobre el cual se haga un anlisis de sensibilidad considerando que la variable consumo se comporta segn una Distribucin Binomial. Partiendo del ensayo de campo, los parmetros resultan P= 0.7, media = 350 y desviacin estndar= 10.25. As que un muy sencillo modelo de simulacin dinmica, que considere una produccin, un nivel de stock y un consumo le darn una primera aproximacin rpida de cmo programar su produccin. Este mismo modelo 170
sysware

podr luego ir completndose a efectos de considerar otras variables que afecten el consumo (estacionalidad, poder adquisitivo, aparicin de nuevos productos, bsqueda de nuevos mercados...). Una vez que se ha construido y probado el modelo, la eleccin de la herramienta de Anlisis de Sensibilidad abre un cuadro que requiere el ingreso de algunos datos, dependiendo de la distribucin que se elija. Las opciones son varias, si bien las ms comunes son la distribucin uniforme, que asigna a todos los valores igual probabilidad, y la normal. Pero en este ejemplo hemos elegido la binomial. Los mecanismos de seleccin de variables aleatorias son simples. Donde debemos poner mayor cuidado es cuando elegimos la distribucin, puesto que aparecen varios casilleros a completar. En el caso de la binomial son cinco. Se nos pide un valor mnimo, uno mximo, una probabilidad (draw probability), el Nmero (number of draws), el Shift y el Stretch. Los dos primeros tienen que ver con la situacin real, y pueden elegirse aprovechando los datos del ensayo. Los cuatro ltimos tienen que ver con la distribucin y para nuestro ejemplo seran 0.7, 500, 350 y 10.25. As que completados los datos y ejecutado el anlisis, veremos un grfico que cubre una superficie y adems presenta en su parte superior una referencia que dice 50%, 75%, 95% y 100%.

sysware

171

Estos son los lmites de confianza (confidence bounds). Sin entrar en detalles estadsticos, estos lmites nos dan idea de la probabilidad de acertar en el anlisis, razn por la cual el grfico correspondiente a un 50% es ms estrecho que el de 75%, y ste que el de 95%. Es decir, con un menor nivel obtenemos una prediccin menos expandida y por ende ms precisa pero tenemos , mayor riesgo de equivocarnos. Ms all de la exactitud de las estimaciones, un anlisis de sensibilidad, que podra tambin efectuarse simplemente cambiando varias veces el valor de un parmetro y registrando que pasa, nos muestra aquellas variables cuyos cambios afectan ms el comportamiento del sistema, razn por la cual sern las que reciban mayor atencin. 7.7. Propuestas de actuacin Veremos ms adelante en el apartado de Dynamic Management como podemos acotar bastante el tipo de acciones que podemos realizar, no solamente porque algunas sean fsicamente imposibles o simplemente ilegales, sino porque en base al conocimiento de la estructura del sistema y de la visin que nos aporta la Teora General de Sistemas podemos seguir unas pautas claras en la seleccin de las alternativas que vamos a considerar. En este punto y con esta tcnica hemos de partir de las alternativas que nosotros consideramos viables y simular con ayuda del modelo su impacto en el conjunto del sistema, y en base a los resultados hacer una ordenacin de dichas alternativas. Frente al hecho de disponer de la Teora General de Sistemas como una manera integral de abordar los problemas que se nos presentan, y a la Dinmica de Sistemas como una herramienta que nos permite pasar de la teora a las cuestiones concretas, se plantea el desafo mutuo de convencer y ser convencido. Es decir, que el conocedor de la teora y la herramienta debe ser muy claro para explicar las virtudes del enfoque sistmico, y el potencial usuario que sabe poco o nada del tema debe 172
sysware

tener suficiente apertura mental para aceptar una manera de ver las cosas que no suele ser la ms habitual en la mayora de las profesiones. Muchas veces cuando encaramos un problema nos olvidamos que la vida no es una fotografa, sino una pelcula. Las personas, las situaciones, los escenarios cambian da a da. Es habitual encontrar en los textos de Economa relaciones funcionales entre variables que se simplifican a efectos del clculo bajo la condicin Ceteris Paribus, es decir, suponiendo que nada cambie excepto la variable estudiada. Es posible hoy da imaginar un mundo en el que nada cambie excepto nuestro objeto de anlisis? La respuesta obvia es no. Bajo condiciones estticas lo que se obtiene es un anlisis histrico de un suceso que permite, por extrapolacin, estimar los valores ms probables a tomar por el suceso en el futuro. Pero poco o nada logramos en el campo de comprender la respuesta del sistema a condiciones futuras, que es en realidad lo que perseguimos con los modelos de la Dinmica de Sistemas, y si es as, difcilmente hallaremos una solucin de los problemas existentes o potenciales. Es necesario que al iniciar el proceso de creacin de un modelo para el anlisis de una determinada situacin las personas del equipo de trabajo entiendan que los modelos que se emplean en Dinmica de Sistemas no son, en general, fruto de la creacin de un especialista solitario, sino ms bien el resultado de un trabajo multidisciplinario que puede estar integrado por personas que desconozcan esta metodologa, donde en todo caso lo que hace el especialista es orientar al grupo. Y esto es debido a que los modelos se construyen con tcnicas sencillas de entender, que privilegian los aspectos grficos, tales como los diagramas causales y su transformacin en diagramas de flujo. De esta manera, si se trata de un trabajo en grupo, el proceso de creacin tendr un componente fuertemente interactivo con aspectos muy interesantes de explotar. En primer trmino, la construccin del diagrama causal lleva a a descubrir y analizar relaciones causa-efecto, desequilibrios, fallas en la comunicacin o retrasos que antes no se haban detectado. Tambin se abandona,
sysware

173

progresivamente, el pensamiento lineal y se empiezan , a detectar retroalimentaciones o interrelaciones cruzadas difciles de visualizar en un proceso solo mental. Y si se llega a construir y hacer funcionar el modelo, es inevitable preguntarse qu pasa si? . De donde surge, casi naturalmente, el planteamiento de alternativas. Y es ah donde el grupo podr decir: No tenemos un modelo perfecto, que nos permita hacer predicciones exactas, pero si una herramienta con la cual avanzamos en el conocimiento del sistema y podemos plantearnos distintos escenarios o acciones y comparar que podra pasar en el futuro . 7.8. Crticas a los modelos Ya en 1971 Van der Gritten expuso algunas crticas a los modelos creados segn esta metodologa. Estas bsicamente son: - Falta de contenido emprico de los modelos. Es decir, el resultado del modelo debera ser comparable con datos reales. - Las relaciones funcionales recogen ideas y criterios que no cuentan siempre con el apoyo de la teora, de la evidencia o de la experiencia. - Los resultados son sensibles a variaciones de algunas entradas y parmetros. - El carcter determinista de muchos de los modelos, en el sentido de no incluir la posible reaccin ante la previsin de cambios futuros. Aunque seguramente podra aadirse alguna otra, bsicamente estos son los puntos usuales de crtica a esta clase de modelos. Est claro que la naturaleza de los problemas que se abordan con est metodologa siempre permitir estas crticas si no se explica previamente que los modelos de Dinmica de Sistemas no son modelos predictivos, no pretenden hallar valores exactos, sino comparativos, es decir han de permitir comparar diferentes polticas alternativas en base al escenario al que conducen. Es importante no olvidar que todas las metodologas utilizadas para desarrollar modelos 174
sysware

matemticos emplean un determinado conjunto de teoras, tcnicas, lenguajes y procedimientos para construir un modelo que les son propios. Todas se apoyan en suposiciones a veces no explcitas, y en todas subyace un modelo de cmo debieran ser hechos los modelos . La mente del investigador contiene una visin del mundo y un modelo mental no expresado formalmente, y habr que discernir en que medida esta visin propia puede influenciar en el proceso de creacin del modelo. Indudablemente, los expertos en sistemas y los expertos en econometra tienen puntos de vista muy diferentes. La concepcin sistmica de un mundo no lineal, de mltiples variables, desagregado y con retrasos temporales es diferente de la concepcin economtrica, en su bsqueda de relaciones significativas apoyadas en sofisticadas herramientas estadsticas. Y cada uno recibe sus crticas. A los expertos en sistemas se les acusa de enamorarse de sus modelos, y caer en el error de no validarlos adecuadamente contra datos reales. Y los economistas no es necesario criticarlos ya que de ese trabajo se encargan ellos mismos porque con unos mismos datos dos economistas obtienen conclusiones opuestas, y an en el caso de que haya coincidencia no transcurren muchos aos hasta que un tercero demuestra la falsedad de las iniciales conclusiones. No obstante, todos aplicamos modelos a la hora de tomar decisiones, ya sean modelos mentales o bien se hallen expresados en algn lenguaje, matemtico o no. En cualquier caso la construccin de modelos expresados a travs de smbolos y ecuaciones, cualquiera sea la metodologa a la que responda, y aun con sus errores, es un valioso aporte para superar las decisiones intuitivas o impulsivas. Quizs, como dice Beer ( The world we manage , 1973) baste tener presente el carcter siempre parcial y muchas veces deformado del modelo, para evitar confundirlo con el sistema real y pretender corregir el funcionamiento de este ltimo en funcin de una percepcin errnea.

sysware

175

7.9. Software de simulacin El software apropiado para realizar modelos de simulacin aplicando como metodologa la Dinmica de Sistemas ha evolucionado en los ltimos aos en dos aspectos, uno es hacerlo amigable para el usuario, en lo que fue esencial la aparicin de Windows, y otro es el aumento continuo de prestaciones. Sin duda quedan ya lejanos los aos en los que un modelo requera una noche de clculos del ordenador de la facultad y complejas ecuaciones donde el nombre de las variables se hallaba limitado a 8 letras y cuya formulacin era realmente crptica para el profano. Hoy en da existe en el mercado unas pocas grandes marcas de gran difusin y algunas otras menores que permiten crear este tipo de modelos. Es necesario entrar en matices muy sutiles para llegar a una valoracin objetiva de las bondades y limitaciones de unas marcas en relacin a otras, y al final son aspectos totalmente subjetivos los que pueden hacernos preferir una marca en relacin a otras. No pretendo en este libro ofrecer una valoracin comparativa de las diferentes marcas, aunque tampoco puedo dejar al lector sin una respuesta sobre el software a utilizar. Si el lector no dispone de ningn software de simulacin para este tipo de modelos mi consejo es que acuda obtenga en Internet el software Vensim PLE que es gratuito para usos educativos y personales, y tiene una importante prestacin que otras marcas de software no ofrecen en sus versiones gratuitas: puede guardar el modelo que haya creado. Como referencia adicional sobre la calidad del mismo se puede indicar que se es el software que se utiliza para fines docentes y de investigacin en la Sloan School of Management del MIT (Massachusetts Institute of Technology).

176

sysware

Para obtener este software simplemente acuda a la web http://www.vensim.com y siga las instrucciones. Tambin hallar este mismo software en el CD adjunto. Usualmente esta empresa lanza nuevas versiones de software cada ao con mejoras y alguna nueva prestacin adicional, por lo tanto es muy posible que el CD contenga una versin anterior a la ltima que existe disponible. El nivel de las prestaciones del software para uso educativo y docente permite sin duda alguna hacer modelos que en los aos 80 requeran los equipos ms potentes de aquella poca y por lo tanto ser difcil que una persona que hace sus primeros modelos halle limitaciones en este aspecto.

Otras marcas de software ampliamente utilizadas son Stella y ithink de la empresa HPS, de las que puede obtener informacin en: http://www.hps-inc.com , y adems Powersim http://www.powersim.no. El software ithink tiene funcionalidades especficas para aplicaciones en economa y gestin de empresas. Tiene unas prestaciones grficas muy potentes, que le hacen muy amigable para el usuario poco experto.
sysware

177

Stella apareci en 1985 para equipos Mac y constituy una verdadera revolucin, que permita dejar de lado el antiguo formato de programacin Dynamo, ya que ofreca una visualizacin de las relaciones entre elementos y de las funciones no lineales. Su destino principal en la actualidad es para aplicaciones cientficas, investigacin, y en la enseanza. Los mbitos de aplicacin de Powersim se hallan en el rea empresarial. Son principalmente modelos financieros, gestin de clientes, anlisis de produccin, recursos humanos y desarrollo de nuevos productos.

178

sysware