Dinámica de Sistemas y Agentes para el modelado de la difusión de
Transcripción
Dinámica de Sistemas y Agentes para el modelado de la difusión de
X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas Dinámica de Sistemas y Agentes para el modelado de la difusión de dos innovaciones en competencia Dynamic Systems and Agents for modeling the diffusion of two competing innovations Lorena Cadavid, MSc., Carlos Jaime Franco, PhD Grupo de Investigación en Sistemas e Informática, Universidad Nacional de Colombia – sede Medellín [email protected], [email protected] --Recibido para revisión 2012, aceptado fecha, versión final 2012-- Resumen— El objetivo de este artículo es comparar la metodología de modelado basada en ecuaciones y la metodología de modelado basada en agentes en términos de ventajas, desventajas, alcances y limitaciones en el modelado y simulación de fenómenos complejos. Para ello, los autores desarrollan un modelo de simulación en dinámica de sistemas y uno basado en agentes que representan la difusión de dos innovaciones en un mercado en competencia considerando elementos de racionalidad limitada. Se concluye que el modelado basado en agentes puede capturar las dinámicas de los modelos basados en ecuaciones, pero los modelos basados en ecuaciones dejan por fuera análisis que pueden abordarse con los modelos basados en agentes. Palabras Clave— difusión de innovaciones, metodologías de simulación, modelos basados en agentes, dinámica de sistemas, racionalidad limitada. Abstract— The aim of this paper is to compare equation-based modeling and agent-based modeling methodologies in regard to advantages, disadvantages, scope and limitations for social phenomena modeling and simulation. In order to do that, the authors develop a system dynamics simulation model and a agent-based simulation model to representing the diffusion of two innovations in a competitive market considering elements of bounded rationality. It is concluded that the agent-based modeling can capture the dynamics of equations-based modeling, but equations-based modeling leave out analysis that can be addressed with agent-based models. Keywords— agent-based models, bounded rationality, diffusion of innovations, simulation methodologies, system dynamics 1. INTRODUCCIÓN Según Axelrod en [1] y Davis en [2], la simulación es ahora entendida como una tercera forma de hacer ciencia; sus relaciones son matemáticamente solubles porque se usan los métodos numéricos en el computador, de tal manera que no se necesitan supuestos por fuera de la realidad, y cuenta datos disponibles en tanto que produce los datos virtuales. En esta dirección, diversas metodologías de modelado se han implementado en la simulación de fenómenos sociales; las implicaciones de estas metodologías son importantes, pues el enfoque de simulación puede imponer su propia lógica teórica, un tipo de pregunta de investigación y unos supuestos asociados, condicionando los resultados que se obtienen [3], [4]. Por sus múltiples aplicaciones y su potencial, el objetivo de este artículo es comparar la metodología de modelado basada en ecuaciones y la metodología de modelado basada en agentes en términos de ventajas, desventajas, alcances y limitaciones en el modelado y simulación de fenómenos complejos. Inicialmente se presentan los conceptos teóricos asociados con la metodología de modelado basada en ecuaciones y la metodología de modelado basada en agentes, así como los resultados de investigaciones previas que han abordado la 1 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas comparación de ambas metodologías. A continuación se exponen los dos modelos desarrollados, para dar paso a los resultados obtenidos bajo diferentes condiciones experimentales respecto a la topología de la red de interacción. Los resultados indican que la metodología basada agentes permite realizar análisis que no son posibles con la metodología basada en ecuaciones en términos de la estructura de la red de interacción entre los individuos, ensanchando el entendimiento del fenómeno. 2. METODOLOGÍAS DE SIMULACIÓN Los modelos basados en ecuaciones (en adelante, MBE) tienen gran tradición en el modelado de fenómenos sociales, desde sus inicios formales en los 60 [5]; sin embargo, desde finales de los 90s y gracias al aumento en la capacidad de cálculo de los ordenadores, los modelos basados en agentes (en adelante, MBA) se han postulado como una metodología de gran potencial para el modelado de dichos fenómenos [6]. A continuación se amplían ambas metodologías de modelado y simulación. 2.1 MODELOS BASADOS EN ECUACIONES Los MBE describen el fenómeno modelado usando un conjunto de ecuaciones que interconectan el comportamiento de los individuos o grupos de individuos al ambiente que ellos habitan [7–9]. Históricamente, una importante categoría de los MBE es la Dinámica de Sistemas, una aproximación basada en la descripción del proceso de simulación usando ecuaciones diferenciales ordinarias que contemplan el comportamiento no lineal de los sistemas modelados; de esta forma, estos modelos consideran los efectos de los retardos en las acciones emprendidas y la retroalimentación entre las variables [10–12]. Las preguntas de investigación que se abordan con los MBE están formuladas en términos de cuáles condiciones específicas afectarán la estabilidad del sistema [2]. Esta metodología reduce los comportamientos agregados emergentes de un sistema a estructuras causales con retroalimentación; como consecuencia, los modelos basados en este enfoque generalmente agregan agentes que pueden desempeñarse en un pequeño número de estados, asumiendo que ellos se mezclan de forma perfecta y son homogéneos entre sí [13], [14]. Las ecuaciones diferenciales son principalmente determinísticas (aunque pueden tener cierto componente aleatorio), lo cual puede ser inconveniente cuando la situación que se intenta modelar tiene muchas fuentes de aleatoriedad o fuentes muy complejas [2], [15]. Algunas investigaciones han identificado varias limitaciones de los MBE. Las más sobresalientes radican en que estos modelos no consideran explícitamente la heterogeneidad de los individuos ni las dinámicas complejas de interacción entre ellos que dan forma a muchos fenómenos sociales, por lo cual sólo dan respuesta a un limitado conjunto de temas teóricos [9], [16]. En efecto, Anderson [17] sostiene que este enfoque será suplantado, eventualmente, por los agentes inteligentes. 2.1 MODELOS BASADOS EN AGENTES Los MBA son una técnica promisoria para la representación y simulación de fenómenos en las ciencias sociales, con una participación cada vez mayor en este campo [8], [18]. En los MBA el elemento atómico del modelo no es el sistema social como un todo sino la unidad de análisis, que usualmente es un individuo, un hogar o una organización [19]. La heterogeneidad de los agentes, sus interacciones sociales y sus procesos de toma de decisiones pueden ser modelados explícitamente; de este modo, las dinámicas a nivel macro del sistema social emergen dinámicamente desde el comportamiento individual agregado y las interacciones entre los agentes, de manera similar a la sugerida por Schelling [20]. Si bien no existe un consenso sobre qué es un agente, Epstein [6] sugiere que un agente debe tener características que lo diferencien de los demás agentes (heterogeneidad), desarrollar relaciones con otros agentes cercanos (interacción local) y manifestar limitaciones en la racionalidad producto de sus características personales y del entorno (racionalidad limitada). Asimismo, un agente debe seguir reglas de comportamiento simples y tomar decisiones por sí solo (autonomía), y sus decisiones deben afectarse por las decisiones de los demás agentes (interdependencia); en algunos casos, los agentes pueden cambiar su comportamiento aprendiendo o imitando a los demás agentes (adaptabilidad) [7], [21]. En la actualidad, los MBA se reconocen como la herramienta idónea para modelar sistemas complejos, como los sociales [22]. Estos modelos son especialmente útiles cuando la investigación involucra conceptos sobre la racionalidad de los 2 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas agentes en lo concerniente, principalmente, a las consecuencias de la racionalidad limitada [14]. Sin embargo, aunque esta técnica de modelado permite representar con una alta complejidad el comportamiento de los individuos y la interacción entre ellos, al mismo tiempo resulta más demandante en la información requerida para una simulación que se aproxime a la realidad [8], [21], [23]. Adicionalmente, los MBA preservan la heterogeneidad y los atributos individuales renunciando, con frecuencia, a la robustez y generalización de los hallazgos [13]. Diversos trabajos se han adelantado orientados a la comparación de ambas metodologías de modelado en los sistemas sociales. Después de implementar las dos metodologías en la simulación del mismo fenómeno, Rahmandad y Sterman [9] subrayan algunas características de ambos enfoques de modelado. Según los autores, las ventajas de los MBA sobre los MBE radican en la mayor fidelidad que proporcionan los primeros en la representación del fenómeno, la posibilidad que brindan de incluir heterogeneidad entre los agentes y diversas topologías de red y la facilidad con que es posible evaluar políticas asociadas con estos dos últimos aspectos. Sin embargo, sus desventajas están asociadas a la gran cantidad de datos que requieren para su adecuada calibración y funcionamiento, los altos requerimientos cognitivos, computacionales y de tiempo para su construcción, la dificultad para explicar el comportamiento a partir de la estructura y la dificultad para llevar a cabo un análisis de sensibilidad apropiado para tantos parámetros de los que se componen. 3. DIFUSIÓN DE INNOVACIONES Basado en el trabajo de Schumpeter [24], la OECD [25] define la innovación como la implementación de una nueva o significativamente mejorada idea, bien, servicio, proceso o práctica que es útil y agrega valor a la actividad económica. La difusión de una innovación es entendida como la propagación de dicha innovación en el mercado [24], [26], y su modelado es la representación matemática o computacional de este proceso, un tópico de importancia académica y práctica desde la década del 60 [27], [28]. En efecto, en virtud del entendimiento del fenómeno subyacente del proceso de la difusión de una innovación, las simulaciones por computador se han considerado la aproximación más eficiente para la reproducción experimental del fenómeno [29]. Los estudios empíricos muestran que los procesos de difusión de innovaciones exitosos y completos, en general, siguen una forma de S [30], como sucede con muchos fenómenos naturales; por ello, los estudios teóricos intentan hallar la tasa y la cantidad de adoptadores en una población específica y durante un período de tiempo determinado, además de comprender la influencia de factores particulares detrás de los patrones de difusión observados para predecir futuras difusiones usando diversas metodologías [31]. En este sentido, la literatura reporta el uso tanto de MBE y BMA para el modelado y la simulación del proceso de difusión de las innovaciones [29], [32]. Los primeros modelos propuestos corresponden al nivel agregado en tanto que conciben el mercado como un todo [7–9], y están dentro de la categoría de los MBE [31], [33]. Se considera que modelo presentado por Bass [34] en el campo del modelado matemático de la difusión de innovaciones dio origen al desarrollo de este tipo de modelos. Sin embargo, las críticas a los MBE relativas a la no consideración explícita de la heterogeneidad de los individuos y las dinámicas complejas de los procesos sociales que dan forma al fenómeno de la difusión [28], han sugerido que este tipo de modelos no se encuentran diseñados para responder preguntas del tipo “y si” en el planteamiento de estrategias de difusión a nivel organizacional y políticas a nivel gubernamental [9], [16]. Por ello, las investigaciones de los últimos años se han orientado a un modelado del proceso de difusión que considere, tanto la heterogeneidad de los individuos (eliminando el supuesto de homogeneidad entre ellos), como la complejidad en las redes de interacción entre los individuos (eliminando el supuesto de la completa conectividad entre los mismos), introduciendo los MBA en el campo. Según Kiesling et al. [21] y Georgesku y Okuda [29], los MBA para difusión de innovaciones se componen de dos elementos principales: (1) el modelado del proceso de toma de decisiones de adopción de las unidades de análisis (individuos, hogares u organizaciones, entre otros), y (2) el modelado de estructura de la red de interacción social entre dichas unidades. La interacción social está asociada con la forma en que los individuos que componen el sistema en el cual la difusión tiene lugar se relacionan entre sí [21], y su modelado se apoya en los avances en el campo de teoría de grafos [35]. Los análisis 3 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas teóricos hechos sobre la conformación de las redes sociales han permitido los desarrollos de las redes pequeño-mundo [36–39]; estas redes son de gran uso en los modelos de difusión debido a sus similitudes topológicas con las redes sociales reales, y están basadas en la idea de que las probabilidades de que los nodos estén conectados no son independientes, exhibiendo un diámetro pequeño y una alta agrupación. Por su parte, el modelado de la toma de decisiones permite que las decisiones de adopción de los individuos o unidades de análisis sean explícitamente incorporadas en los modelos de difusión [33]; este elemento conduce al campo de la adopción de las innovaciones, el cual busca explicar el proceso a través del cual un individuo toma la decisión de adoptar o no la innovación [31], [40], [41]. Si bien una corriente importante de las investigaciones en el campo suponen un consumidor racional que maximiza la utilidad de sus decisiones [42], la tendencia actual de estos estudios considera limitaciones a la racionalidad [29], relativas tanto a la consecución de la información como al procesamiento de la misma y el mecanismo de toma de decisiones [43]. 3.1 DIFUSIÓN DE INNOVACIONES EN COMPETENCIA Aunque una innovación comience con un monopolio, rápidamente otras organizaciones entran en competencia por el mercado, y esta competencia tiene influencia en la forma como los consumidores se relacionan y transmiten información entre sí; de este modo, un mercado competitivo en crecimiento tendrá dinámicas diferentes de las que tendrá un mercado en monopolio en crecimiento. Sin embargo, a pesar de la amplia literatura que existe en el campo de la economía sobre el fenómeno de la competencia, la literatura en modelado de difusión de innovaciones se enfocó tradicionalmente en modelar el crecimiento de los monopolios, ignorando los mercados en competencia; los modelos han negado sistemáticamente la competencia que puede existir entre productos existentes o difusiones competitivas de múltiples innovaciones idénticas [28]. Algunos trabajos consideran la emergencia de productos múltiples, ya sea exógenamente o endógenamente [28]. Givon et al. [44] sugieren en su trabajo sobre software que el crecimiento de dos innovaciones en competencia debe modelarse considerando dos estados de la difusión, en los cuales los consumidores deben tomar una decisión: (1) la elección del producto (modelado difusión de innovaciones clásico), en el cual las interacciones entre los consumidores son dominantes para la decisión, y (2) la decisión de la marca, en el cual son las ofertas especiales y las campañas publicitarias las que darán forma a la elección del consumidor. A pesar de la intuitiva racionalidad en este enfoque, muy pocos modelos de difusión han seguido la metodología de los dos estados, pues su aplicabilidad requiere una gran cantidad de datos de alta calidad que suele encontrarse no disponible; por tanto, Peres et al. [28] señalan que es necesario un mayor desarrollo teórico en este aspecto y una infraestructura de modelos basados en decisiones fundamentales, a fin de responder las preguntas asociadas al crecimiento de las marcas. Como consecuencia del poco avance en materia de difusión de dos innovaciones en competencia, hasta el momento se desconoce si la competencia tiene el efecto de acelerar o desacelerar el crecimiento de un producto en un mercado, y las investigaciones presentan resultados contradictorios; ningún estudio, además, proporciona explicaciones sobre los mecanismos que explican sus resultados [28]. 4. METODOLOGÍA Con el fin de comparar las metodologías de modelado basado en ecuaciones y en agentes en una aplicación puntual, se desarrolló un modelo de simulación basado en ecuaciones y un modelo de basado en agentes para representar la difusión de dos innovaciones idénticas que entran en el mercado de manera simultánea. El proceso de difusión está basado en los lineamientos de la racionalidad limitada expuestos por Simon [43], y se compone de 3 módulos: (1) búsqueda de información, (2) evaluación de alternativas y (3) criterio de elección. La adopción se supone irreversible, es decir, una vez ocurre una adopción los individuos no pueden cambiar de decisión al respecto. Tanto las innovaciones consideradas en el modelo como la red social en la cual las difusiones tienen lugar corresponden a ejercicios teóricos, que fueron simulados para una población de 100 individuos en un horizonte de 20 años. 3.1. IMPLEMENTACIÓN EN DINÁMICA DE SISTEMAS 4 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas cual el diagrama causal es simétrico respecto al eje vertical; de este modo, en el lado izquierdo se encuentran las dinámicas de la innovación 1 y en el lado derecho se encuentran las dinámicas de la innovación 2. La Figura 1 presenta la hipótesis dinámica del fenómeno abordado, el cual fue implementado haciendo uso del software Vensim®. Las dinámicas de difusión operan para cada una de las innovaciones de manera idéntica, por lo adoptadores potenciales AP - desinformados - B1 + AP conocen Inn1 + pub Inn1 B5 B2 B3 adoptadores 1 + + + AP conocen Inn2 + pub Inn2 + 5 + R1 + valor adopción VA1 VA1 sobre NS AP1 + B6 - + + + AP conocen Inn1 Inn2 VA1 sobre NS AP12 nivel sastifaccion NS AP1 boca a boca 1 + ++ + + B4 adoptadores 2 + nivel satisfacción NS AP2 VA2 sobre NS AP12 + - VA2 sobre NS AP2 + B7 nivel satisfacción + + NS AP12 + boca a boca 2 R2 + valor adopción VA2 B1, B2, B3, B4, B5: balance de información R1, R2: refuerzo de boca a boca B6, B7: balance de nivel de satisfacción Figura 1. Hipótesis dinámica Elaboración propia Los adoptadores potenciales, inicialmente desinformados de ambas innovaciones, pueden convertirse en conocedores de la innovación 1, conocedores de la innovación 2 o conocedores de ambas innovaciones en función de la publicidad que se hace a cada una de las innovaciones; asimismo, un adoptador potencial conocedor de solamente una innovación puede convertirse en conocedor de ambas innovaciones cuando es afectado por la publicidad de ellas de manera no simultánea. Ello introduce introduciendo los primeros ciclos de balance de la población relacionados con la información (B1, B2, B3, B4 y B5). Los adoptadores de la innovación 1 pueden solamente provenir de adoptadores potenciales informados de la innovación 1 o de ambas innovaciones (misma lógica aplica para los adoptadores de la innovación 2). Como sugiere la teoría de Bass [34], la presencia de adoptadores de cada una de las innovaciones genera el efecto boca a boca de la innovación; este efecto aumenta el valor que los individuos otorgan a cada innovación. Cuando mayor sea la valoración de la innovación, mayor será la relación entre este valor y el nivel de satisfacción para los conocedores de solamente dicha innovación, lo cual repercute en una mayor cantidad adoptadores de la misma (R1 y R2). Sin embargo, al tratarse de los conocedores de ambas innovaciones, las lógicas se modifican; el criterio considerado para la elección de adopción corresponde al nivel de satisfacción introducido por Simon [43], el cual puede entenderse como un valor mínimo exigido a la innovación para ser adoptada. Para los conocedores de ambas innovaciones, el nivel de satisfacción no permanece fijo sino que responde de forma directa a la valoración de las innovaciones, indicando una mayor exigencia o menor exigencia que debe hacer esta población ante las condiciones del mercado antes de tomar una decisión; de este modo, los conocedores de ambas innovaciones deben incrementar su nivel de satisfacción cuando aumenta la valoración que hacen sobre las mismas. Así, los ciclos B6 y B7 representan la aceleración en la velocidad de adopción que viene X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas como resultado de la fracción de población que tiene información perfecta sobre las innovaciones. 3.2 IMPLEMENTACIÓN EN AGENTES El modelo en agentes fue desarrollado haciendo uso de software Netlogo®. Los agentes corresponden a individuos que se conectan entre sí siguiendo una estructura de red determinada. Cada agente toma su elección de adopción haciendo uso de una heurística que tiene en cuenta el conocimiento de la innovación, la valoración de la misma y el criterio de satisfacción. Esta heurística se presenta en la Figura 2. La evaluación que realiza cada individuo sobre las innovaciones que conoce depende directamente del boca a boca, expresado a través de dos efectos: la imitación, que está asociada a difusión de la innovación en toda la red, y la externalidad, que implica la difusión de la innovación en el vecindario próximo del individuo [45–47]. El conocimiento del individuo sobre las innovaciones se encuentra determinado por la exposición que tiene el individuo a cada una de las dos innovaciones, la cual depende de la publicidad que se hace sobre la innovación. De este modo, en cada uno de los períodos de simulación cada individuo monitorea la información que le proporciona el entorno y puede encontrarse en una de cuatro situaciones posibles: (1) no se informa sobre innovación alguna, (2) se informa sólo sobre la innovación 1, (3) se informa sólo la innovación 2 o (4) se informa sobre ambas innovaciones. Figura 2. Regla de decisión Elaboración propia Cada una de estas situaciones implica un procedimiento diferente en la heurística respecto al criterio de selección de las alternativas, así: (1) Si el individuo no conoce innovación alguna, no hay decisión a considerar. (2) Si el individuo conoce solamente una innovación, se verifica que el valor de esta innovación supere su nivel de satisfacción, en cuyo caso la innovación es adoptada. Si este valor se encuentra por debajo de su umbral de satisfacción el individuo no adopta la innovación. (3) Si el individuo conoce ambas innovaciones puede suceder que: a) Ninguna de las innovaciones supera su nivel de satisfacción, en cuyo caso el individuo no adopta y disminuye dicho nivel actual para el próximo paso. b) Sólo una de las innovaciones supera el nivel de satisfacción, en cuyo caso el individuo adopta esta alternativa. c) Ambas innovaciones superan el nivel de satisfacción, en cuyo caso el individuo no adopta y aumenta su nivel de satisfacción para el próximo paso. 6 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas 4. RESULTADOS Y DISCUSIÓN Los resultados estuvieron orientados al análisis de la cantidad de adoptadores en función de tiempo (curva de difusión) para cada una de las innovaciones (cuya intensidad de publicidad es idéntica), así como en la evolución de los valores de adopción y los niveles de satisfacción. Los resultados del modelo de simulación en dinámica de sistemas se compararon contra los resultados del modelo de simulación en agentes, el cual se calibró para una red completamente conectada con homogeneidad perfecta respecto al nivel de satisfacción de los individuos; estos resultados se presentan en la Figura 3. Los resultados en el modelo de agentes corresponden a valores promedio entre individuos después de 1000 simulaciones. Figura 3. Resultados modelos de simulación Elaboración propia según resultados de modelos De acuerdo con los resultados, el modelo en dinámica de sistemas presenta un punto de despegue en el paso 4, así como una tasa de adopción cercana al 100% a partir del período 12. Su símil en agentes se comporta de manera muy similar, si bien desplaza la curva a la derecha un par de períodos Los valores de adopción y los niveles de satisfacción presentan un comportamiento similar entre ambos modelos, logrando el equilibrio alrededor de 0.5. En el modelo basado en agentes, el rápido despegue de la curva origina una falta de convergencia perfecta entre los niveles de satisfacción y los valores de adopción promedios, pues una gran cantidad de individuos que solamente conoce una de las innovaciones adopta de manera temprana, mucho antes de que los individuos informados de ambas innovaciones hayan ajustado el umbral a los niveles de la valoración, distorsionando este indicador (recuérdese que son valores promedio). La información de los no adoptadores se distribuye a lo largo de la población de una manera similar entre ambos modelos; en este sentido, rápidamente decrece el número de individuos no informados sobre innovación alguna, y comienza a crecer la cantidad de individuos informados de solamente una de ambas innovaciones; estas cantidades decrecen antes de que decrezca la cantidad de individuos informados de ambas innovaciones, pues estos últimos están ajustando su umbral de satisfacción antes de tomar su decisión de adopción, de manera que demoran un tiempo más en convertirse en adoptadores. Estos hechos contribuyen en la verificación de la equivalencia entre los modelos desarrollados. 7 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas 4.1 EXPERIMENTACIÓN de difusión para la innovación 2 son similares a las de la innovación 1). Una vez obtenidos dos modelos de igual desempeño siguiendo las dos metodologías en discusión para el caso de la difusión de dos innovaciones en competencia, se procedió con el diseño de un experimento a fin de evaluar la importancia de los dos supuestos fuertes de la metodología basada en ecuaciones para el fenómeno en cuestión. Por ello, teniendo presente los lineamientos de la literatura, se diseñaron 4 escenarios para el modelo basado en agentes, en los cuales se variaron tanto el grado de heterogeneidad de la población como la conectividad de la red. La heterogeneidad se varió a través de la desviación estándar de la distribución normal con la que se modelaron los niveles de satisfacción entre la población, y la estructura de la red varió desde una completamente conectada hasta una red tipo mundo pequeño [37], [39], la cual fue implementada a través del algoritmo generativo desarrollado por Watts y Strogatz [38]. La Figura 4 presenta el esquema de experimentación seguido para el desarrollo de esta investigación. Figura 4. Diseño de experimentos Fuente: elaboración propia De esta manera, el escenario 1, con una población homogénea y una red completamente conectada en el modelo basado en agentes, sigue los mismos supuestos que subyacen en el modelo basado en ecuaciones y, por tanto, corresponde al escenario base. Para facilitar el análisis comparativo, la Figura 5 presenta los resultados de las curvas de adoptadores de la innovación 1 para cada uno de los escenarios considerados (téngase en cuenta que, al modelar innovaciones idénticas, las curvas Figura 6. Adoptadores en los escenarios Fuente: elaboración propia Como hallazgo más notorio, la forma de las curvas de adopción es similar entre E1 y E3, y entre E2 y E4, los cuales están diferenciados explícitamente por el tipo de red social en la cual la difusión tiene lugar. En este sentido, puede afirmarse que la consideración de la topología de la red en la difusión de dos innovaciones tiene implicaciones sobre la velocidad a la cual ocurren dichas difusiones; es decir, que la consideración de una estructura de red tipo mundo-pequeño (E3 y E4) origina que la difusión ocurra a una velocidad menor, tardando más en alcanzar su punto de despegue y en saturar el mercado. La explicación de este fenómeno radica en que en una red conectada de manera perfecta, toda adopción aumenta el valor de adopción de dicha innovación para todos y cada uno de los individuos de la red, facilitando su decisión; mientras que en una red tipo mundo-pequeño, las adopciones aumentan el valor de adopción de la innovación solamente para aquellos individuos conectados con el individuo adoptador (es decir, tiene una incidencia local), de manera que esta información no se difunde de manera eficiente a lo largo de la red sino que presenta pérdidas que minan el proceso de difusión. Dentro de cada uno de estos dos grupos identificados también se observan diferencias que radican en la consideración de la homogeneidad entre los individuos. A este respecto, la inclusión de la heterogeneidad acelera el proceso de difusión, pues permite que el punto de despegue surja en un momento más temprano, por lo cual los primeros períodos presentan adopciones a tasas mayores que las observadas en los mismos 8 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas períodos para redes homogéneas; este concepto va en línea como lo presentado por Rogers [42] acerca de los individuos innovadores, cuya principal función en la difusión de una innovación es acelerar su punto de despegue. Sin embargo, nótese que la incidencia de la heterogeneidad en la velocidad de difusión es mucho menor a la incidencia que tiene la topología de la red. Con el fin de acercar los resultados de ambas metodologías de modelado, se modificó el modelo en dinámica de sistemas para considerar dos poblaciones diferentes de individuos informados de las dos innovaciones, cuyos niveles de satisfacción se ajustan bajo la misma lógica pero de manera independiente. El nivel de satisfacción inicial entre ambos grupos de individuos es diferente, aunque en promedio corresponden al nivel de satisfacción inicial en el modelo de homogeneidad perfecta; así, este nuevo modelo abandona el supuesto de homogeneidad perfecta para incluir una heterogeneidad moderada entre su población de adoptadores. Los resultados de la adopción en este nuevo modelo se presentan en la Figura 4, en la que además se presentan los resultados del modelo de homogeneidad perfecta. 5. CONCLUSIONES Los resultados indican que la metodología de modelado basada en ecuaciones y la metodología de modelado basada representan de manera similar el comportamiento de difusión de dos innovaciones en competencia bajo el supuesto de homogeneidad de la población y completa conectividad entre los individuos. Para el fenómeno analizado, la topología de la red de interacción y la inclusión de heterogeneidad entre los individuos tienen incidencia en las curvas de difusión. Las redes de alto grado de conectividad aceleran de manera considerable el fenómeno de difusión, mientras que en las redes con un grado de conectividad menor la difusión ocurre de manera más lenta. Asimismo, la heterogeneidad acelera el proceso de difusión, si bien su impacto en este fenómeno es considerablemente menor al impacto que tiene la estructura de la red. Es así como puede afirmarse que la difusión en competencia que ocurre en una población altamente conectada o altamente heterogénea tendrá una velocidad mayor a la que tendrá la difusión de la misma innovación, bajo condiciones publicitarias idénticas, en una población conectada entre sí en menor medida o con características homogéneas entre sí. La desagregación de la población en el modelo de dinámica de sistemas para incluir el concepto de heterogeneidad genera resultados idénticos a los que genera la inclusión de heterogeneidad en el modelo basado en agentes, permitiendo subsanar esta debilidad de la metodología basada en ecuaciones. Figura 4. Heterogeneidad en dinámica de sistemas La inclusión de heterogeneidad de manera moderada en el modelo de dinámica de sistemas desplaza el punto de despegue hacia la izquierda, de manera idéntica a como ocurre con el modelo en agentes. Este tipo de análisis no es posible de realizarse para las consideraciones sobre la topología de red dada la estructura de los modelos basados en ecuaciones, que no permiten la inclusión de estas características. Sin embargo, si bien la metodología basada en ecuaciones puede modificarse para incluir heterogeneidad en la población a través de la desagregación del nivel “adoptadores potenciales” en varios subniveles de adoptadores potenciales, la inclusión de esta característica en la metodología basada en agentes surge de manera más natural. De igual modo, la metodología basada en ecuaciones no permite el modelado directo de la estructura de la red y, por tanto, el análisis de esta característica en los procesos de difusión se imposibilita desde esa perspectiva. De esta manera, la metodología basada en agentes amplía el horizonte de análisis para el fenómeno abordado. A pesar de ello, debe tenerse presente que la metodología basada en agentes requiere para la inclusión de la heterogeneidad y la interacción 9 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas social parámetros cuya consecución puede no ser inmediata en el corto plazo (como la forma y parámetros de la distribución de los niveles de satisfacción entre los individuos de la población, o la estructura de la red de difusión); por ello, la metodología de agentes, aunque al parecer más potente que la de dinámica de sistemas para el análisis de la difusión de dos innovaciones en competencia, puede minar el proceso de modelado dada la dificultad en la consecución de la información necesaria para su calibración. [13] [14] [15] [16] 5. REFERENCIAS [17] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] R. Axelrod, «Advancing the art of simulation in the social sciences», Complexity, vol. 3, no. 2, pp. 16– 22, 1997. J. P. Davis, K. M. Eisenhardt, y C. B. Bingham, «Developing theory through simulation methods», Academy of Management Review, vol. 32, no. 2, p. 480, 2007. O. Balci, «Guidelines for successful simulation studies», in Proceedings of the 21st conference on Winter simulation, 1990, pp. 62–71. L. Cadavid y G. Awad, «Propuesta para la medición del ajuste entre las metáforas organizacionales y las herramientas de modelado», Tesis de maestría, Universidad Nacional de Colombia, Medellín, Colombia, 2010. M. Radzicki y R. Taylor, «Origin of System Dynamics: Jay W. Forrester and the History of System Dynamics. U.S. Department of Energy’s Introduction to System Dynamics», 2008. [Online]. Available: http://www.systemdynamics.org/DLIntroSysDyn/start.htm. [Accessed: 23-jun-2012]. J. M. Epstein, «Agent-based computational models and generative social science», Generative Social Science: Studies in Agent-Based Computational Modeling, pp. 4–46, 1999. M. W. Macy y R. Willer, «From factors to actors: Computational Sociology and Agent-Based Modeling», Annual Review of Sociology, vol. 28, no. 1, pp. 143–166, ago. 2002. N. Gilbert y K. G. Troitzsch, «Simulation for the Social Scientis», McGraw-Hill Education. Second Edition, p. 295, 2005. H. Rahmandad y J. Sterman, «Heterogeneity and network structure in the dynamics of diffusion: Comparing agent-based and differential equation models», Management Science, vol. 54, no. 5, pp. 998–1014, 2008. J. W. Forrester, «Lessons from system dynamics modeling», presented at the International Conference of the System Dynamics Society, Sevilla, 1986. J. D. Sterman, «Business Dynamics : Systems Thinking and Modeling for a Complex World», Irwin/McGraw-Hill. Boston, Mass, p. 928, 2000. P. Cooley y E. Solano, «Agent-Based Model (ABM) Validation Considerations», in SIMUL 2011, The Third International Conference on Advances in System Simulation, 2011, pp. 134– 139. [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] E. Mollona, «Computer simulation in social sciences», J Manage Gov, vol. 12, no. 2, pp. 205– 211, may 2008. N. Gilbert y K. G. Troitzsch, «Simulation for the Social Scientis», McGraw-Hill Education. Second Edition, p. 295, 2005. J. R. Harrison, Z. Lin, G. R. Carroll, y K. M. Carley, «Simulation modeling in organizational and management research», Academy of Management Review, vol. 32, no. 4, p. 1229, 2007. T. Berger, «Agent-based spatial models applied to agriculture: a simulation tool for technology diffusion, resource use changes and policy analysis», Agricultural Economics, vol. 25, no. 2–3, pp. 245–260, 2001. P. Anderson, «Complexity theory and organization science», Organization Science, pp. 216–232, 1999. N. Gilbert, «A simulation of the structure of academic science», Sociological Research Online, vol. 2, no. 2, pp. 1–17, 1997. S. M. Manson, «Bounded rationality in agentbased models: experiments with evolutionary programs», International Journal of Geographical Information Science, vol. 20, no. 9, pp. 991–1012, 2006. T. C. Schelling, Micromotives and Macrobehavior. United States of America: W. W. Norton & Company, Inc, 1978. E. Kiesling, M. Günther, C. Stummer, y L. M. Wakolbinger, «Agent-based simulation of innovation diffusion: a review», Cent Eur J Oper Res, may 2011. M. P. Vogel, «Understanding Emergent Social Phenomena Comparatively: The Need for Computational Simulation», European Journal of Social Sciences, vol. 7, no. 4, 2009. N. Gilbert y P. Terna, «How to build and use agent-based models in social science», Mind & Society, vol. 1, no. 1, pp. 57–72, 2000. J. A. Schumpeter, The Theory of Economic Development, vol. 1. Springer US, 1936. OECD, Oslo manual: Guidelines for collecting and interpreting innovation data. Publications de l’OCDE, 2005. K. U. Rao y V. V. N. Kishore, «A review of technology diffusion models with special reference to renewable energy technologies», Renewable and Sustainable Energy Reviews, 2010. V. Mahajan, E. Muller, y F. Bass, «New Product Diffusion Models in Marketing: A Review and Directions for Research», The Journal of Marketing, vol. 54, no. 1, pp. 1–26, 1990. R. Peres, E. Muller, y V. Mahajan, «Innovation diffusion and new product growth models: A critical review and research directions», International Journal of Research in Marketing, mar. 2010. S. Georgescu y H. Okuda, «A Distributed MultiAgent Framework for Simulating the Diffusion of Innovations», Journal of Power and Energy Systems, vol. 2, no. 6, pp. 1320–1332, 2008. G. M. Walton y H. Rockoff, History of the American economy, Eleventh. Canadá: SouthWestern Pub, 2010. 1 0 X Congreso Latinoamericano de Dinámica de Sistemas III Congreso Brasileño de Dinámica de Sistemas I Congreso Argentino de Dinámica de Sistemas [31] [32] [33] [34] [35] [36] [37] [38] [39] C. Montalvo y R. Kemp, «Cleaner technology diffusion: case studies, modeling and policy», Journal of Cleaner Production, vol. 16, no. 1, pp. S1–S6, 2008. J. Goldenberg y S. Efroni, «Using cellular automata modeling of the emergence of innovations», Technological Forecasting and Social Change, vol. 68, no. 3, pp. 293–308, 2001. R. Kemp y M. Volpi, «The diffusion of clean technologies: a review with suggestions for future diffusion analysis», Journal of Cleaner Production, vol. 16, no. 1, pp. S14–S21, 2008. Bass, «A new product gowth for model consumer durables», Management Science, vol. 15, no. 5, pp. 215–227, 1969. F. Harary y R. Norman, «Graph theory as a mathematical model in social science», Tesis doctoral, University Of Michigan, Estados Unidos, 1953. A.-L. Barabási, «Mean-field theory for scale-free random netowork», Physica A: Statistical Mechanics and its Applications, vol. 272, pp. 173– 187, 1999. A.-L. Barabási, «Emergence of Scaling in Random Networks», Science, vol. 286, no. 5439, pp. 509– 512, 1999. D. J. Watts y S. H. Strogatz, «Models of the Small World», Nature, vol. 393, pp. 440–442, 1998. D. J. Watts, «Small Worlds: The Dynamics of Networks between Order and Randomn», Mathematical Association of America, vol. 107, no. 7, pp. 664–668, 2000. [40] [41] [42] [43] [44] [45] [46] [47] V. Venkatesh y H. Bala, «Technology acceptance model 3 and a research agenda on interventions», Decision Sciences, vol. 39, no. 2, pp. 273–315, 2008. M. Chuttur, «Overview of the Technology Acceptance Model: Origins, Developments and Future Directions», Sprouts: Working Papers on Information Systems, vol. 9, no. 37, pp. 1–23, 2009. E. M. Rogers, Diffusion of Innovations, Third Edition., vol. 11. London: Collier Macmillan Publishers, 1983. H. A. Simon, «A behavioral model of rational choice», The quarterly journal of economics, vol. 69, no. 1, p. 99, 1955. M. Givon, V. Mahajan, y E. Muller, «Assessing the relationship between the user-based market share and unit sales-based market share for pirated software brands in competitive markets», Technological Forecasting and Social Change, vol. 55, no. 2, pp. 131–144, 1997. M. L. Katz y C. Shapiro, «Technology adoption in the presence of network externalities», The journal of political economy, pp. 822–841, 1986. J. Rohlfs, Bandwagon Effects in High-Technology Industries, vol. 27. JSTOR, 2001. J. MacVaugh y F. Schiavone, «Limits to the diffusion of innovation: A literature review and integrative model», European Journal of Innovation Management, vol. 13, no. 2, pp. 197– 221, 2010. 1 1 www.dinamica-de-sistemas.com Libros Cursos Online Curso Básico Intensivo en Dinámica de Sistemas Ejercicios Curso Superior en creación de modelos de simulación Avanzado Modelos de simulación en ecología y medioambiente Conceptos Planificación de empresas con modelos de simulación English System Thinking aplicado al Project Management Português