REVISTA DE MÉTODOS CUANTITATIVOS PARA LA
ECONOMÍA Y LA EMPRESA (22).
Páginas 36–54.
Diciembre de 2016.
ISSN: 1886-516X. D.L: SE-2927-06.
www.upo.es/revistas/index.php/RevMetCuant/article/view/2338
Economı́a artificial: una valoración crı́tica
Izquierdo, Segismundo S.
Departamento de Organización Industrial
Universidad de Valladolid (España)
Correo electrónico: segis@eii.uva.es
Izquierdo, Luis R.
Departamento de Ingenierı́a Civil
Universidad de Burgos (España)
Correo electrónico: lrizquierdo@ubu.es
Galán, José M.
Departamento de Ingenierı́a Civil
Universidad de Burgos (España)
Correo-e: jmgalan@ubu.es
Santos, José I.
Departamento de Ingenierı́a Civil
Universidad de Burgos (España)
Correo-e: jisantos@ubu.es
RESUMEN
La economı́a artificial es uno de los métodos o enfoques de investigación para
el estudio de sistemas socioeconómicos complejos con mayor crecimiento durante los últimos años. Este artı́culo presenta una visión crı́tica sobre sus
caracterı́sticas, su potencial y los riesgos relativos al uso de esta metodologı́a.
Para ello, encontramos útil relacionar y comparar a la economı́a artificial
con la economı́a teórica más tradicional. Desde nuestro análisis, la economı́a
teórica y la economı́a artificial comparten los mismos objetivos, presentan
menos diferencias metodológicas de las que a primera vista pudiera parecer,
y sus aproximaciones son sin duda complementarias.
Palabras claves: economı́a artificial; economı́a computacional; economı́a
computacional basada en agentes.
Clasificación JEL: B41; C15; C63.
MSC2010: 91B02; 91B69; 91B70.
Artı́culo recibido el 28 de abril de 2016 y aceptado el 20 de julio de 2016.
36
Artificial Economics: A Critical Review
ABSTRACT
Artificial Economics is one of the fastest growing approaches to analyse
complex socio-economic systems. In this paper we present our views on
the distinguishing features of Artificial Economics and on its relation with
Theoretical Economics – the field that in our opinion lies closest to Artificial Economics. In this context, we discuss various reasons why conducting
research on Artificial Economics may be worthwhile, and provide general
guidelines on how to go about it. Our view is that Artificial Economics and
Theoretical Economics share the same goals, do not differ conceptually as
much as it is sometimes perceived, and their approaches are certainly complementary.
Keywords: artificial economics; computational economics; agent-based
computational economics.
JEL classification: B41; C15; C63.
MSC2010: 91B02; 91B69; 91B70.
37
Introducción
Habitualmente el proceso de modelado formal de sistemas complejos requiere un difícil
compromiso entre (a) la creación de modelos que puedan analizarse deductivamente usando
las matemáticas y (b) la creación de modelos más realistas (en el sentido de que las hipótesis
resulten más fieles a las características observadas del sistema), pero que no pueden
resolverse matemáticamente: realismo frente a manejabilidad analítica.
En el campo del análisis de procesos socioeconómicos, la economía teórica (ET) se ha
centrado en la aproximación matemático-deductiva –hasta el punto de que podríamos definir
la ET precisamente como el método de investigación económica que sigue esta aproximación1.
Este enfoque matemático-deductivo tiene numerosas ventajas, pero no está libre de
inconvenientes. A menudo, los límites de validez y utilidad de los resultados obtenidos en ET
se deben precisamente a la imposición de condiciones que carecen de un referente claro en el
sistema real, pero que se aplican igualmente para conseguir que el modelo pueda resolverse
analíticamente. Así pues, podría decirse que, en el dilema entre realismo y manejabilidad
analítica, la economía teórica opta por garantizar la manejabilidad analítica antes que nada,
incluso aunque esto pueda comportar una importante pérdida de realismo.
La economía artificial2 (EA) supone un método alternativo (y a menudo complementario)
al análisis matemático-deductivo de modelos formales simplificados que caracteriza a la ET. Al
igual que la ET, la EA trata de mejorar nuestra comprensión de procesos socioeconómicos
reales a través de la construcción y el análisis de modelos formales (Amblard, 2010). Sin
embargo, frente a la ET, la EA está dispuesta a renunciar a la manejabilidad analítica –al menos
parcialmente– para conseguir un mayor realismo y utilidad. Así pues, la economía artificial
adopta principalmente el enfoque de establecer vínculos lo más directos posible entre las
hipótesis del modelo formal y las relaciones observadas en el sistema real; y si esta
correspondencia conduce a un modelo difícil de abordar matemáticamente –pero más realista
y potencialmente más útil–, la EA recurre a la simulación computacional para analizarlo
rigurosamente.
Al plantearse la utilización de metodologías como la EA, frente a la corriente imperante
y más aceptada de la ET, surgen diversas cuestiones: ¿en qué difieren realmente ambas
aproximaciones? ¿Es la EA una metodología sólida? ¿Cómo interpretar los resultados de la EA?
¿Cuáles son sus ventajas e inconvenientes respecto a la ET? Estas son algunas de las cuestiones
sobre las que trataremos de arrojar luz en este artículo.
El artículo está estructurado en tres secciones3, que buscan responder a las siguientes
tres preguntas:
1
En este artículo utilizamos los términos “economía teórica” y “economía matemática” como sinónimos.
2
El término de “economía artificial” corresponde con la traducción del término en inglés “artificial economics” y no con
“artificial economy”.
3
Una aproximación a los contenidos aquí desarrollados se expuso en sesión plenaria en la conferencia Artificial Economics
2015.
38
¿Qué es la economía artificial?
Al abordar esta pregunta, nuestro objetivo será proporcionar una visión general de la EA que
nos permita compararla con la ET, la disciplina que consideramos más cercana a la EA. Dentro
de este marco, incidiremos tanto en las facetas en las que estas dos disciplinas son similares
como aquéllas en las que son claramente diferentes.
¿Por qué utilizar la economía artificial?
Los sistemas socioeconómicos, por su naturaleza de sistemas complejos, son a menudo
difíciles de abordar desde la perspectiva matemático-deductiva. En general, el enfoque teórico
requiere realizar simplificaciones que frecuentemente conllevan un notable riesgo de
desvirtuar la correspondencia entre el mundo real y el modelo estudiado. El motivo principal
de utilizar la EA es que puede ayudarnos a comprender mejor el comportamiento de un
sistema socioeconómico real, y a ser conscientes del efecto que las simplificaciones requeridas
por el enfoque teórico pueden suponer. Al desarrollar este apartado seremos más específicos
sobre las razones por las que, con frecuencia, el enfoque computacional es definitivamente
una herramienta útil.
¿Cómo hacer economía artificial?
En este apartado discutiremos algunos de los enfoques, herramientas y métodos que a nuestro
entender presentan mayor rigor y mayor potencial para que la disciplina pueda avanzar en sus
objetivos y, consecuentemente, en su reconocimiento como metodología útil y globalmente
aceptada.
¿Qué es la economía artificial?
De forma simplificada, entendemos por economía artificial un método de investigación que
trata de mejorar nuestra comprensión de un sistema o proceso socioeconómico mediante
simulaciones computacionales. Esta definición, al considerar tanto un medio (la simulación)
como un objetivo (la comprensión), deja fuera algunos otros potenciales usos de la simulación
en economía, como puede ser la predicción pura tipo “caja negra”. Sin menospreciar la utilidad
potencial de la predicción pura sin comprensión –o de otros objetivos alternativos–, nuestra
definición nos permitirá mantener la discusión en un ámbito específico y claramente
delimitado. En la práctica, esta definición supone que exigimos a la metodología ir más allá de
la mera generación de datos mediante simulación computacional; requerimos además un
análisis de los datos generados que nos proporcione explicaciones, es decir, que nos permita
encontrar relaciones causales entre variables del sistema. Aunque una buena predicción puede
no ir acompañada de una explicación, una buena explicación sí debería poderse traducir en
predicciones falsables ante nuevas situaciones (Hassan et al., 2013; Troitzsch, 2009).
39
Metodológicamente, la economía artificial se puede situar dentro de la economía
computacional (computational economics). Esta subdisciplina de la economía es, conforme a la
Computational Economics Society, el campo encargado de “explorar la intersección entre la
economía y la computación”. Hoy en día la utilización de la computación en ciencia en general,
y en economía en particular, es tan ubicua que dentro de esta definición se enmarcan
cuestiones tan diversas como la utilización de herramientas computacionales para la
enseñanza de conceptos económicos, el diseño de herramientas computacionales para
mercados automáticos online o la estadística y la econometría computacional. En
consecuencia, resulta difícil describir la economía computacional como un campo unificado y
homogéneo – a pesar de que existan cursos y libros específicos (Kendrick et al., 2006;
Kendrick, 2007) – debido a la heterogeneidad de problemas económicos y métodos
computacionales que abarca. En nuestra opinión, resulta más útil desagregar esta disciplina en
subdisciplinas estructuralmente más próximas. Aparte de las áreas ya mencionadas, desde el
punto de vista metodológico se consideran dentro de la economía computacional la economía
computacional basada en agentes o ACE (Tesfatsion y Judd, 2006; Tesfatsion, 2003), el
desarrollo de herramientas de programación específicas para la economía (Kendrick y Amman,
1999) o las aplicaciones de la inteligencia artificial en economía y gestión, entre otras muchas
(Chen et al., 2006); desde el punto de vista de la aplicación a áreas económicas concretas, se
incluyen, por ejemplo, las finanzas computacionales y el modelado computacional de sistemas
macroeconómicos dinámicos (Amman et al., 1996; Schmedders y Judd, 2014).
Consideramos especialmente relevante matizar las relaciones entre ACE y EA, ya que
son conceptos cercanos y con frecuente solapamiento. Una de las definiciones más extendidas
y aceptadas de ACE es la proporcionada por Leigh Tesfatsion: el estudio computacional de
procesos económicos modelados como sistemas dinámicos de agentes que interactúan
(Tesfatsion, 2006). Si bien esta definición encaja en general con la economía artificial,
consideramos que los aspectos más característicos de la economía artificial están tanto en el
enfoque de definición de modelos (basado en establecer vínculos directos con el sistema real
de estudio, ya sea a través de agentes o no) como en el objetivo del modelo centrado en
mejorar la comprensión del sistema bajo estudio y el método de obtención de conclusiones o
hipótesis finales relativas al sistema real, que detallaremos posteriormente. Así, atendiendo al
objetivo y la metodología de modelado, es posible encontrar modelos basados en agentes
utilizados para entender procesos socioeconómicos – y que por tanto encajarían bajo ambas
definiciones –, modelos con el mismo objetivo pero que no utilizan agentes – que estarían
solamente bajo la clasificación de la EA –, o modelos basados en agentes utilizados
exclusivamente como herramientas de predicción, los cuales sí pertenecerían al dominio de
ACE pero no encajarían en el ámbito del presente trabajo (véase Figura 1).
40
Figura 1. Diagrama de Euler de algunas subdisciplinas de la economía computacional.
Comprensión
Nuestra definición de economía artificial contiene dos elementos que requieren un mayor
desarrollo: el objetivo de mejorar nuestra comprensión y el método basado en la simulación
computacional. Entendemos que “mejorar nuestra comprensión” es descubrir relaciones
causales entre variables observables del sistema real objetivo. El camino para conseguir este
propósito en EA, al igual que en ET, es la construcción de modelos, puesto que los modelos
son: i) la herramienta con que contamos para expresar relaciones entre variables, y ii) un
instrumento para descubrir o guiarnos en el descubrimiento de nuevas relaciones.
Un modelo es una abstracción de un sistema real que se centra en algunas de las
características o variables del mismo, generalmente eliminando de forma intencionada otras
características para reducir la complejidad, esperando que las características eliminadas no
sean relevantes para el proceso estudiado. Los modelos desarrollados en EA (al igual que en
ET) son modelos formales, es decir, modelos expresados en un marco o sistema formal que
permite extraer nuevas relaciones entre variables a partir de unas relaciones de partida o
hipótesis4. En el caso de la EA, estos modelos son implementados en un ordenador para
estudiar su comportamiento5.
Así pues, en EA se construyen modelos formales de determinados aspectos de un
proceso socioeconómico real con el objetivo de comprender mejor el proceso.
El salto de un sistema real a un modelo formal suscita la siguiente pregunta: ¿en qué
sentido una mejor comprensión del modelo formal puede conducir a una mejor comprensión
del modelo real? Esta no es una cuestión particular de la EA, sino compartida con la ET, y –de
hecho– una cuestión clave en filosofía de la ciencia (Rosen, 2012).
En algunos campos de la ciencia, como en la física, el paralelismo existente entre las
conclusiones obtenidas mediante un análisis formal de un modelo y, una vez interpretadas
estas conclusiones, el comportamiento del sistema real que sirvió de base al modelo, es a
4
Asumiendo que se dota a los símbolos del lenguaje formal de una interpretación como variables, los sistemas formales de
interés son herramientas específicamente diseñadas para obtener de forma válida unas relaciones a partir de otras
(Mendelson, 1997).
5
Un modelo computacional es un caso particular de sistema formal.
41
menudo tan preciso que puede resultar ciertamente sorprendente, e incluso conducir a la idea
de que “las matemáticas son el lenguaje con el que Dios ha escrito el universo” (atribuida a
Galileo). En muchos aspectos del mundo físico, este método ha demostrado empíricamente su
validez por encima de cualquier alternativa. Sin embargo, en el caso de los procesos
socioeconómicos, el paralelismo entre los modelos formales y el mundo real no resulta en
general tan preciso. Así por ejemplo, a finales del siglo XX no resultaba extraño encontrar entre
matemáticos de prestigio la opinión abierta de que “la mayoría de la economía matemática es
irrelevante matemáticamente e inútil económicamente” (Putnam, 1975, sección de debate).
Entrando en más detalle, el objetivo que perseguimos con un modelo formal es llegar a
una inferencia del tipo:
“Las hipótesis del modelo tienen como consecuencia lógica: [proposiciones derivadas
del modelo]”.
En un modelo formal, o sistema formal interpretado, las hipótesis del modelo son
axiomas y reglas de inferencia. Los axiomas son proposiciones –sentencias con una propiedad
asociada: la de ser ciertas o falsas en el sistema– que se postulan como ciertas. Las reglas de
inferencia permiten generar nuevas proposiciones a partir de otras, de forma que si las
proposiciones de partida son ciertas, las proposiciones obtenidas se consideran ciertas.
Un ejemplo particularmente relevante de regla de inferencia es la conocida como modus
ponens. Modus ponens parte de una proposición p, llamada antecedente, y de otra
proposición llamada implicación material p→q (en palabras, “Si p es cierto, entonces q es
cierto” o “p implica q”). A partir de ambas proposiciones p y p→q, modus ponens genera la
proposición q, llamada consecuente.
A partir de los axiomas, podemos derivar secuencialmente nuevas proposiciones ciertas
(teoremas) aplicando las reglas de inferencia sobre los axiomas y sobre teoremas ya derivados.
Este procedimiento deductivo nos permite encontrar consecuencias lógicas de las hipótesis del
modelo. El procedimiento de aplicación sucesiva de las reglas de inferencia a los axiomas y a
los teoremas previamente derivados se lleva a cabo normalmente (aunque no
necesariamente) por una persona en el caso de la ET, y por un ordenador en el caso de la EA.
En cualquier caso, el resultado es conceptualmente el mismo: una proposición que constituye
una consecuencia lógica del modelo, y que podemos considerar como una relación de
implicación inferida en el modelo.
Podemos utilizar un ejemplo práctico para centrar estas ideas. Consideremos la
siguiente versión del modelo de segregación espacial de Schelling-Sakoda (Sakoda, 1971;
Schelling, 1971)6, al que nos referiremos por M (de modelo). De forma simplificada, las
hipótesis de M son (véase Figura 2):
•
6
Se parte de una cuadrícula de 20x20 celdas y de 266 agentes: 133 rojos y 133 verdes.
Este modelo puede verse y descargarse de Izquierdo et al. (2009, appendix B).
42
•
Inicialmente los agentes
gentes se distribuyen aleatoriamente por celdass distint
distintas de la
cuadrícula.
•
Cada uno de los agentes
gentes pueden
p
estar en uno de dos estados posibles:: sat
satisfecho o
insatisfecho.
Un agente está satisfecho
tisfecho si al menos el 40% de sus vecinos (los agentes
ntes que habitan
en una de las 8 celdas
eldas adyacentes
ady
a la suya propia) son de su mismo
o color. En caso
contrario, el agente
e está in
insatisfecho.
En cada iteración del modelo,
mo
un agente insatisfecho elegido al azar se traslada
aleatoriamente a alguna de las celdas libres de la cuadrícula. Si no hay agentes
insatisfechos, el proceso
oceso se da por finalizado.
•
•
Figura 2. Ilustració
lustración de la cuadrícula del modelo de Schelling-Sakoda.
Aplicando el análisiss de cadenas
cade
de Markov, se puede probar que cualquier
lquier re
realización
del proceso estocástico definido
finido po
por M finaliza necesariamente en uno de los posibles estados
absorbentes en los que todos
dos los agentes
a
se encuentran satisfechos (Izquierdo et al.
al., 2009). La
disposición espacial resultante
ante en estos
e
estados finales presenta típicamente un alto grado de
agrupamiento entre agentes
es del mismo
m
color y de segregación entre agentes de disti
distinto color
(véase Figura 3).
Figura 3. Ilustración de
e dos estados
es
finales representativos del modelo de Schelling-Sakoda.
Sakoda.
43
rado de segregación podemos definir el índice de segregaci
egregación como
Para cuantificar el grado
el porcentaje medio de vecinos
cinos del
de mismo color que el propio. El índice de segregac
segregación final
del modelo estocástico de Schelling-Sakoda
Schellin
(el obtenido cuando el proceso alcanza
lcanza u
un estado
absorbente) presenta una determinada
determ
distribución de probabilidad, que denomiinaremos X.
Esta distribución X podría –al
al menos
m
en teoría– ser calculada analíticamente,
mente, y puede
aproximarse tanto como se
e desee utilizando
u
la simulación computacional (véase Figura 4).
Figura 4. Estimación
n de la distribución
d
de probabilidad del índice de segregación
n final,
calculada corriendo el mode
modelo 106 veces. Todos los errores estándar son inferiores a 10-33.
En consecuencia, como
mo se in
indicó anteriormente, se puede establecer una
na implic
implicación de
la forma Antecedente → Consecuen
onsecuente, donde el Antecedente son las hipótesis de M y donde el
Consecuente es “la distribución
ción de probabilidad del índice de segregación final es X”.
”.
Frente a la implicación
ción obte
obtenida en el modelo formal, nuestro objetivo
tivo es encontrar
e
relaciones de causalidad (Causa
Causa ⇒ Efecto) en el mundo real dentro de un contexto
ntexto eespecífico
(Edmonds, 2011). Una de las rela
relaciones de causalidad que el modelo de Schellin
Schelling-Sakoda
sugiere podría ser formulada
ulada co
como “Preferencias segregacionistas individuales
iduales leves ⇒
Patrones agregados de segregación
ación fuertes”.
¿Cómo podemos extraer
traer causalidad
cau
a partir de una implicación derivada (obten
(obtenida) en el
modelo? La clave para establecer
ablecer una
u correspondencia entre una relación de causalid
causalidad en un
sistema real y una proposición
sición de implicación derivada en un sistema formal
rmal es forjar un
vínculo entre las siguientess entidades:
entidad
• Los antecedentes del sistema
sist
formal con las causas en el sistema real.. Es decir, se
busca establecer una correspondencia
co
entre a) las proposicioness o axi
axiomas de
partida utilizadas en el m
modelo formal y b) determinadas variables o relacion
relaciones entre
variables observables
bles en el
e sistema real.
• Los consecuentes en el modelo
m
formal con los efectos en el sistemaa real.
real Se busca
establecer una correspon
orrespondencia entre a) las proposiciones o teoremas
mas deri
derivados en
el sistema formall y b) el comportamiento de determinadas variabless observables
observ
en
el sistema real.
• El proceso de inferencia
ferencia u obtención de implicaciones en el modelo
elo form
formal con la
causalidad en el sistema rreal.
44
La interpretación de los símbolos y las proposiciones del sistema formal constituye
entonces un elemento clave para la correspondencia entre éste y el sistema real. Esta
correspondencia a menudo se hace explícita (o se impone) dando a los símbolos del sistema
formal el mismo nombre que el de las variables del sistema real con las que se busca
establecer una correspondencia. Un ejemplo sería un modelo formal que se presenta diciendo
que contiene agentes que van al trabajo, obtienen dinero y pagan impuestos.
Cuanto más sólida sea la relación entre las entidades de los sistemas formal y real, más
confianza podremos depositar en las conclusiones obtenidas en todo este proceso de
modelado. Desafortunadamente, no parece haber un procedimiento claramente especificado
para derivar implicaciones formales que capturen o se traduzcan en relaciones de causalidad
de interés en un sistema real. A menudo esta habilidad, que tiene un cierto componente de
arte y creatividad, se adquiere de forma implícita durante la formación científica, en vez de
constituir una rama explícita de estudio (Edmonds, 2007). No obstante, sí que es posible
considerar una serie de criterios que nos pueden ayudar a valorar la utilidad de implicaciones
formales (Antecedente → Consecuente) y de relaciones de causalidad (Causa ⇒ Efecto).
•
Los Antecedentes deben ser generales. Cuanto menos restrictivos sean los axiomas
de partida, mayor será su potencial de aplicación.
•
La Implicación Formal (→) debe ser válida, es decir, debería ser imposible encontrar
un caso en que se cumple el antecedente y no se cumple el consecuente.
•
Los Consecuentes deben ser específicos; es decir, deben corresponder a condiciones
lo más restrictivas posibles dentro del sistema formal.
•
Las Causas identificadas deben tener un alcance amplio, en el sentido de que existan
muchas situaciones en el mundo real en las que uno pueda establecer la presencia de
las causas con confianza.
•
Los Efectos deben ser concretos y precisos.
•
La relación causal debe ser falsable experimentalmente, y no haber sido falsada en
observaciones previas.
•
La relación causal debe ser esclarecedora o significativa, en el sentido de ser
relevante y no ser obvia, o –mejor aún– resultar contraintuitiva.
Hay dos cuestiones importantes que conviene resaltar en este punto. La primera es que
los criterios de utilidad hacen referencia a la implicación formal y a la relación de causalidad
inferida sobre el sistema real, pero no al propio modelo. Los modelos son medios, no fines en
sí mismos; son herramientas que nos permiten derivar implicaciones que esperamos que se
correspondan con relaciones de causalidad en el mundo real. La segunda cuestión a resaltar es
que el único punto de todo el proceso de modelado en el que la ET y la EA difieren es en el
procedimiento utilizado para inferir las implicaciones lógicas de los antecedentes. La
generación de implicaciones es deductiva en el primer caso, y deductiva-inductiva en el
segundo. Desarrollaremos con más detalle esta diferencia en la siguiente sección.
45
Inferencia basada en la simu
ulación computacional
Llegados a este punto, podemos
demos establecer
es
con mayor claridad lo que a nuestro
stro ente
entender son
las dos características que diferencian
diferenc la economía artificial de la economía teórica:: el enfoque
de modelado y el método de inferencia.
infere
La Figura 5 trata dee representar
represe
visualmente estas diferencias. Consideramos
ideramos que un
modelo directo de un proceso
ceso real es un modelo formal que se genera tratando
do de eestablecer
un vínculo o paralelismo lo
o más directo
di
posible entre las entidades observadas
das en eel proceso
real y las variables e hipótesis
tesis del sistema formal. Este concepto no deja dee tener un cierto
carácter subjetivo y gradual,
al, pero nos
n resultará útil para la discusión posterior.
Figura 5. Diferencias
ias metodológicas
metod
entre la economía teórica y la economía artificial.
En general, los modelos
elos de economía teórica se pueden considerar modificacion
dificaciones de un
modelo directo realizadas por conveniencia
con
o necesidad matemática (en nuestro marco el
modelo directo –normalmente
ente no explícito– se acercaría a un modelo finall de acue
acuerdo a la
metodología propuesta por Cioffi-Revilla
Cio
(2010)). Algunos ejemplos dee este tipo de
simplificaciones que se han
n venido realizando tradicionalmente en ET son: redes
es de interacción
int
global (cualquier agente puede
uede inte
interaccionar con cualquier otro agente), información
rmación perfecta,
y conocimiento común de
e racionalidad.
raciona
Las modificaciones impuestas en ET pued
pueden verse
reducidas o incluso eliminadas
adas en la medida en que las técnicas matemáticass progre
progresan, o en
la medida en que el investigador
tigador ssea capaz de llevar a cabo el análisis deductivo
ctivo de
del modelo
46
directo, o de determinados aspectos del mismo. En los últimos años se han producido
numerosos avances teóricos que permiten analizar matemáticamente modelos que no
eliminan el carácter local de las interacciones (y consideran diferentes tipos de redes de
interacción), o que no imponen la existencia de información perfecta o conocimiento común
de racionalidad. Estos avances se encuadran de forma natural en este marco de acercamiento
del modelo teórico hacia un modelo más directo, con una correspondencia más clara con el
proceso de estudio real.
Frente a este enfoque de alteración del modelo directo, la EA trata de estudiar modelos
directos sin alterarlos. Si las características de un modelo directo hacen que éste no se pueda
abordar mediante un análisis matemático-deductivo, o si las técnicas que permitirían realizar
ese análisis aún no se han desarrollado, el análisis computacional constituye una alternativa a
considerar.
El análisis computacional en economía artificial consta de dos fases: la simulación y la
inferencia estadística.
La simulación es el resultado de aplicar en el modelo directo7 las reglas de deducción,
utilizando valores particulares para las variables que se consideran entradas o antecedentes.
En este sentido, los resultados de una simulación pueden considerarse teoremas del modelo
artificial (Richiardi, 2012; Axtell, 2000; Leombruni y Richiardi, 2005; Richiardi et al., 2006;
Epstein, 2006b; Epstein, 2006a), es decir, teoremas del modelo directo cuando este incluye
además como axiomas valores particulares para algunas variables. Es un enfoque paralelo al
del análisis matemático-deductivo, pero si en ese caso se incluían en el modelo directo
hipótesis generales para facilitar el tratamiento deductivo general (y quizá también se
excluían), en este caso se incluyen hipótesis particulares (valores concretos de algunas
variables) para posibilitar la deducción computacional de casos particulares.
La segunda fase utilizada en economía artificial para la búsqueda de relaciones de
implicación es la inferencia estadística, es decir, un proceso por el cual, a partir de
determinadas propiedades de una muestra aleatoria extraída de una población, se obtienen
determinadas conclusiones sobre la población8. Esta fase corresponde a un proceso de
inducción entendido en sentido amplio (véase Czerwiński, 1958 para una discusión más
detallada), un proceso de búsqueda de relaciones generales a partir de simulaciones
particulares. Excluyendo el caso –normalmente anecdótico– en el que las simulaciones
permiten explorar toda la población de valores, el proceso de inducción no genera relaciones
necesariamente válidas, pero sí probablemente válidas, con unos niveles de confianza que
7
En ocasiones resulta imposible implementar el modelo directo en un ordenador, por lo que puede ser que la
implementación computacional constituya tan sólo una aproximación al modelo directo. Esta situación se daría, por
ejemplo, si el modelo directo hace uso de aritmética real. La aritmética real se aproxima en modelos computacionales
mediante el uso de aritmética de punto flotante, lo cual puede dar lugar a efectos indeseados (Galán et al., 2009; Polhill et
al., 2006; Izquierdo y Polhill, 2006).
8
El proceso combinado de deducción mediante simulación computacional e inducción para la generalización de patrones a
partir de los resultados de las simulaciones es a veces considerado como una tercera vía particular de hacer ciencia
(Axelrod, 1997; Squazzoni, 2010).
47
pueden calcularse (una discusión más detallada de la relación entre la simulación
computacional y el análisis matemático deductivo puede encontrarse en Izquierdo et al.
(2013)).
¿Por qué utilizar la economía artificial?
Básicamente, la simulación computacional nos permite explorar las consecuencias lógicas de
hipótesis que no se pueden abordar desde la perspectiva matemático-deductiva. El precio a
pagar es una cierta pérdida de confianza en la validez de las conclusiones obtenidas.
De forma más concreta, la Tabla 1 ilustra algunas de las diferencias habituales entre la
hipótesis utilizadas en economía teórica y en economía artificial. Estas diferencias son a veces
tan notables que podrían considerarse los rasgos que definen la economía artificial o la
economía computacional basada en agentes (Batten, 2000; Tesfatsion, 2002; Tesfatsion, 2006;
Richiardi, 2012). Aquí nos centramos sin embargo en el enfoque metodológico porque parece
evidente que la economía teórica avanza hacia el estudio del mismo tipo de hipótesis más
realistas, si bien dentro del enfoque matemático deductivo general.
Restricciones habituales en
economía teórica
Agentes homogéneos representativos
Racionalidad (a veces también
conocimiento común de racionalidad)
Información perfecta
Equilibrios estáticos
Aproximaciones deterministas y
límites
Aproximación “Top-down”
Redes de interacción completas o
formadas conforme a reglas fijas.
Eliminación del efecto del espacio
físico
Poblaciones infinitas
Continuidad. Preferencia por las
soluciones únicas
Factores que pueden explorarse mediante
simulación computacional (EA)
Representación individual y explícita de los
agentes (agent-based modelling)
Adaptación individual (aprendizaje) o
poblacional (evolución). Decisiones
satisfactorias frente a óptimas
Información local y asimétrica
Dinámica del proceso
Estocasticidad y parámetros finitos.
Construcción “Bottom-up”
Redes de interacción concretas y arbitrarias,
Representación explícita del espacio físico
Poblaciones finitas
Discontinuidades. Efectos de dependencia
histórica y condiciones iniciales.
Tabla 1. Restricciones habituales en economía teórica (ET) frente a factores que pueden
explorarse mediante simulación computacional (EA).
Distintos autores han resaltado el papel de la aproximación computacional en sus
vertientes tanto de complemento como de alternativa al enfoque teórico (Axtell, 2000;
Richiardi, 2012; Gotts et al., 2003). Por un lado, puede argumentarse que la validez de unas
conclusiones debería contrastarse en el proceso real que sirvió de base al modelo. La
economía teórica cuenta con la ventaja de la necesidad lógica de sus conclusiones mientras no
se abandone el plano formal, pero normalmente de poco servirán las conclusiones formales si
48
de partida no hay una buena correspondencia con el proceso real. En palabras de Keynes
(Keynes, 1936, traducción propia) :
Una parte excesiva de la economía “matemática” reciente son
simplemente historias inventadas, tan imprecisas como las hipótesis
iniciales en las que descansan, que permiten al autor perder de vista las
complejidades e interdependencias del mundo real desde un laberinto
de símbolos pretenciosos e inútiles.
La economía artificial permite abordar modelos más realistas, pero sus conclusiones en
el plano formal son solo probables, no necesarias. En ambos casos, los resultados obtenidos
pueden considerarse conjeturas educadas sobre el proceso real que sirvió de base de
modelado. A priori, nada parece indicar que uno de los métodos deba funcionar mejor que el
otro.
Con independencia de su posible utilidad como metodología independiente para
abordar el estudio de modelos inabordables desde el análisis teórico, una de las aplicaciones
más interesantes de la economía artificial está precisamente en permitir el avance, la mejora y
un mejor entendimiento de los modelos teóricos. A menudo, el enfoque teórico solo es capaz
de caracterizar determinados aspectos muy restrictivos de un modelo (por ejemplo, los
equilibrios estáticos del mismo, frente a la dinámica evolutiva). Los modelos artificiales
permiten explorar aspectos que sólo se pueden caracterizar parcialmente desde el punto de
vista deductivo, así como realizar un análisis de robustez y generar conjeturas que constituyen
retos para el avance del tratamiento teórico.
La Figura 5 permite situar estas relaciones y utilidades, que elaboramos a continuación.
Por un lado, la comparación entre los resultados generales del modelo teórico y los
particulares del modelo artificial permite realizar un análisis de robustez. Una concordancia de
resultados indica que el modelo teórico es robusto a relajaciones en las hipótesis que se
introdujeron por conveniencia matemática. Por el contrario, si los resultados particulares no
concuerdan con los generales teóricos, alguna de las hipótesis introducidas por conveniencia
en el modelo teórico resulta tener implicaciones clave en los resultados del mismo.
Por otro lado, la obtención de resultados de apariencia general a partir del modelo
artificial permite generar conjeturas que guíen los avances en los modelos teóricos. En general,
resulta mucho más fructífero y sencillo tratar de probar una conjetura que se sospecha cierta,
que partir del desconocimiento de qué es lo que se pretende probar.
Un modelo artificial puede incluso constituir una justificación del interés y posibles
aplicaciones de un modelo teórico. Por ejemplo, las famosas simulaciones computacionales
llevadas a cabo por Robert Axelrod (Axelrod, 1984) sobre la evolución de la cooperación
generaron resultados que podrían considerarse poco sorprendentes e incluso en gran medida
previsibles por los expertos en Teoría de Juegos (véase la excelente discusión de Binmore,
49
1998 al respecto). Sin embargo, al presentar un proceso físico real9 para el que la Teoría de
Juegos evolutiva ofrece resultados altamente relevantes (pese a que esta teoría a menudo
parte de hipótesis tan alejadas del mundo físico como la existencia de poblaciones infinitas),
Robert Axelrod, intencionalmente o no, ha jugado un papel fundamental en extender la
apreciación y el interés por la Teoría de Juegos.
¿Cómo practicar la economía artificial?
En esta sección proporcionamos tres indicaciones que consideramos útiles para el objetivo de
mejorar nuestra comprensión de un sistema o proceso socioeconómico.
1. Partir de los hombros de los gigantes que nos preceden. A menudo, las hipótesis de la ET no
son tan restrictivas como quizá se presupone, y sus métodos y resultados –desarrollados y
acumulados durante muchos años por muchas mentes brillantes– pueden ser de aplicación al
problema concreto bajo estudio. Por ello, consideramos muy útil conocer las aportaciones de
la ET y, en cualquier caso, evitar realizar críticas infundadas a esta disciplina, ya que criticar a
alguien por algo que no hace es bastante inútil. En particular, a continuación indicamos
algunos ejemplos de críticas infundadas pero escuchadas con cierta frecuencia y con las que
los investigadores en EA deberíamos ser cuidadosos (Binmore, 2011):
•
La hipótesis del agente económico egoísta. La economía neoclásica no asume que los
individuos formen sus preferencias sin considerar el efecto de sus decisiones sobre
otros. Muy al contrario, las preferencias consideradas en el enfoque neoclásico
dominante pueden provenir perfectamente de motivaciones altruistas y principios
morales o sociales (Colman, 1995, p. 301; Vega-Redondo, 2003, p. 7; Gintis, 2014, p. 7;
Binmore, 2011, p. 8).
•
La maximización de utilidad como causa del comportamiento. La economía neoclásica
no asume la existencia de ninguna función de utilidad en la mente de los individuos. La
base de partida de la economía neoclásica (materializada en la teoría de la preferencia
revelada) es el comportamiento observado, las decisiones tomadas por los individuos.
Si estas decisiones son estables y coherentes, pueden resumirse en unas preferencias
completas y transitivas10, y estas preferencias se pueden representar mediante una
función de utilidad. Así pues, una función de utilidad es simplemente una forma
matemáticamente conveniente de representar elecciones estables y coherentes. Por
ello, no es cierto que un agente elige A frente a B porque la utilidad que le reporta A es
mayor de la utilidad que le reporta B. La lógica va en el sentido contrario: Decimos que
el agente prefiere A a B –y consecuentemente asignamos una utilidad mayor a A que a
B– porque el agente ha elegido A frente a B (Binmore 2011, p. 19).
9
Un proceso computacional también pertenece al mundo físico.
En realidad, asumir lo contrario respecto a las preferencias, es decir, asumir que las preferencias son intransitivas, hace
que éstas resulten difíciles de justificar, al menos desde un punto de vista de supervivencia económica o evolutiva
(Binmore 2011, 13-4).
10
50
•
La creencia de que ser racional implica ser capaz de optimizar complejas funciones de
utilidad. En condiciones de certeza, un agente es considerado racional en economía
neoclásica si sus decisiones son estables y coherentes (es decir, si se comporta como si
tuviera un conjunto de preferencias completo y transitivo). Sus decisiones coincidirían
entonces con las de “otro” agente hipotético que maximizara una cierta función de
utilidad, sin que esto suponga asumir ninguna capacidad de cálculo de funciones de
utilidad ni de optimización en el agente original.
•
La creencia de que ningún concepto proveniente de la ET puede ser útil en EA. Muchos
de los conceptos desarrollados dentro de la ET (como el equilibrio de Nash) tienen
utilidad en modelos evolutivos o de aprendizaje que no utilizan las hipótesis
simplificadoras que se utilizaron originalmente para desarrollar esos conceptos.
2. Buscar un equilibrio entre realismo y trazabilidad desde las hipótesis a los efectos.
Recordemos que entendemos los modelos formales como herramientas para derivar
implicaciones que puedan corresponder a mecanismos causales en el mundo real. El enfoque
computacional permite explorar hipótesis más allá de los límites impuestos por las
herramientas teóricas, pero un modelo que no permita trazar o aislar qué hipótesis son
responsables de los efectos encontrados y cómo afectan los cambios en dichas hipótesis,
difícilmente podrá traducirse en relaciones de causalidad interesantes y contrastables en el
mundo real.
Por ello, consideramos que es improbable que modelos excesivamente complejos sean
útiles para inferir implicaciones formales que capten de manera adecuada relaciones causales
en el mundo real. En una sección anterior hemos resumido varios criterios que nos permiten
valorar la utilidad de implicaciones formales y relaciones causales, y que, por tanto, pueden ser
útiles a la hora de barajar si incluir mayor o menor complejidad en un modelo.
3. Combinar la simulación computacional con el análisis matemático. Las dos técnicas
constituyen herramientas muy útiles para explorar modelos formales. A menudo, pueden
proporcionar información complementaria sobre distintos aspectos de un mismo modelo, y
existen claras sinergias en su utilización combinada (Izquierdo et al., 2013). A continuación
indicamos algunas de las teorías matemáticas que a menudo resultan útiles para el análisis de
modelos computacionales (Izquierdo et al., 2009; Izquierdo e Izquierdo, 2013):
•
Cadenas de Markov, para el análisis de procesos estocásticos en tiempo discreto
(Kulkarni, 2009).
•
Teoría de redes, para el análisis de interacciones con carácter local o basadas en las
conexiones de los individuos (Jackson, 2010; Newman, 2010).
•
Teoría de juegos evolutiva y aprendizaje, para investigar procesos que incluyen
adaptación a nivel individual (aprendizaje) o poblacional (evolución), y su relación
con la optimización y la racionalidad (Sandholm, 2010; Vega-Redondo, 2003;
Weibull, 1995).
51
•
Aproximación estocástica, para analizar e interpretar regularidades en procesos
estocásticos dinámicos (Kushner y Yin, 1997; Sandholm, 2010).
Conclusiones
En este artículo hemos presentado una valoración crítica de las características, el potencial y
los riesgos relativos al uso de la metodología de estudio de procesos socioeconómicos
conocida como economía artificial. Desde nuestro análisis, la economía teórica y la economía
artificial comparten los mismos objetivos, presentan menos diferencias metodológicas de las
que puede parecer a primera vista, y sus aproximaciones son sin duda complementarias.
Agradecimientos
Los autores queremos agradecer a Nick Gotts, Bruce Edmonds, Francisco Fatás-Villafranca,
Fernando Vega-Redondo, Koen Frenken, Isabel Almudí, Gary Polhill, Frederic Amblard y
Cesáreo Hernández por sus valiosos comentarios y discusiones. También queremos agradecer
el apoyo recibido del Ministerio de Ciencia e Innovación del Reino de España a través del
proyecto CSD2010-00034 (SIMULPAST).
Bibliografía
Amblard, F. (2010) "Construire des sociétés artificielles pour comprendre les phénomènes sociaux réels," Nouvelles
perspectives en sciences sociales: Revue internationale de systémique complexe et d’études relationnelles,
5(2), 69–77.
Amman, H. M., Kendrick, D. A. and Rust, J. (1996) Handbook of Computational Economics, Vol. 1. Amsterdam:
Elsevier.
Axelrod, R. (1984) The Evolution of Cooperation, New York: Basic Books.
Axelrod, R. (1997) "Advancing the Art of Simulation in the Social Sciences," in R. Conte, R. Hegselmann and P. Terna
(eds.), Simulating Social Phenomena. Springer, pp. 21–40.
Axtell, R. (2000) "Why agents?: On the varied motivations for agent computing in the social sciences," Proceedings
of the Workshop on Agent Simulation: Applications, Models and Tools: 3-24. Argonne National Laboratory, IL.
Batten, D. F. (2000) Discovering Artificial Economics: How Agents Learn and Economies Evolve. Boulder, Colorado:
Westview Press.
Binmore, K. (1998) "Robert Axelrod - The Complexity of Cooperation (Book review)", Journal of Artificial Societies
and Social Simulation, 1(1). Retrieved from http://jasss.soc.surrey.ac.uk/1/1/review1.html
Binmore, K. (2011) Rational Decisions. Princeton University Press.
Chen, S.-H., Jain, L. and Tai, C.-C. (2006) Computational Economics: A Perspective from Computational Intelligence.
Idea Group Publishing.
52
Cioffi-Revilla, C. (2010) "A methodology for complex social simulations", Journal of Artificial Societies and Social
Simulation, 13(1), 7. Retrieved from http://jasss.soc.surrey.ac.uk/13/1/7.html
Colman, A. M. (1995) Game Theory and its Applications: In the Social and Biological Sciences, 2nd edition.
Routledge.
Czerwiński, Z. (1958) "On the relation of statistical inference to traditional induction and deduction", Studia Logica,
7(1), 243–264.
Edmonds, B. (2007) "The practical modelling of context-dependent causal processes – A recasting of Robert Rosen’s
thought", Chemistry & Biodiversity, 4(10), 2386–2395.
Edmonds, B. (2011) "Context in social simulation: why it can’t be wished away", Computational and Mathematical
Organization Theory, 18(1), 5–21.
Epstein, J.M. (2006) "Remarks on the Foundations of Agent-Based Generative Social Science," in L. Tesfatsion and
K.L. Judd (eds.), Handbook of Computational Economics, Vol. 2, pp. 1585–1604.
Epstein, J.M. (2006) Generative Social Science: Studies in Agent-Based Computational Modeling, STU - Stud.
Princeton University Press.
Galán, J.M., Izquierdo, L.R., Izquierdo, S.S., Santos, J.I., Olmo, R. del, López-Paredes, A. and Edmonds, B. (2009)
"Errors and Artefacts in Agent-Based Modelling", Journal of Artificial Societies and Social Simulation, 12(1), 1.
Retrieved from http://jasss.soc.surrey.ac.uk/12/1/1.html
Gintis, H. (2014) The Bounds of Reason: Game Theory and the Unification of the Behavioral Sciences Revised
edition. Princeton University Press.
Gotts, N.M., Polhill, J.G. and Law, A.N. R. (2003). "Agent-Based Simulation in the Study of Social Dilemmas", Artificial
Intelligence Review, 19(1), 3–92.
Hassan, S., Arroyo, J., Galán, J.M., Antunes, L. and Pavón, J. (2013) "Asking the Oracle: Introducing Forecasting
Principles into Agent-Based Modelling", Journal of Artificial Societies and Social Simulation, 16(3), 13.
Retrieved from http://jasss.soc.surrey.ac.uk/16/3/13.html
Izquierdo, L.R., Izquierdo, S.S., Galán, J.M. and Santos, J.I. (2009) "Techniques to Understand Computer Simulations:
Markov Chain Analysis", Journal of Artificial Societies and Social Simulation, 12(1), 6. Retrieved from
http://jasss.soc.surrey.ac.uk/12/1/6.html
Izquierdo, L.R., Izquierdo, S.S., Galán, J.M. and Santos, J.I. (2013) "Combining Mathematical and Simulation
Approaches to Understand the Dynamics of Computer Models," in B. Edmonds and R. Meyer (eds.),
Simulating Social Complexity. Berlin, Heidelberg: Springer, pp. 235–271.
Izquierdo, S.S. and Izquierdo, L.R. (2013) "Stochastic Approximation to Understand Simple Simulation Models",
Journal of Statistical Physics, 151(1-2), 254–276.
Izquierdo, L.R. and Polhill, J.G. (2006) "Is Your Model Susceptible to Floating-Point Errors?", Journal of Artificial
Societies and Social Simulation, 9(4), 4. Retrieved from http://jasss.soc.surrey.ac.uk/9/4/4.html
Jackson, M.O. (2010) Social and Economic Networks. Princeton University Press.
Kendrick, D.A. and Amman, H.M. (1999) "Programming Languages in Economics", Computational Economics,
14(1/2), 151–181.
Keynes, J.M. (1936) The General Theory of Employment, Interest and Money. London: Macmillan.
Kulkarni, V.G. (2009) Modeling and Analysis of Stochastic Systems, 2nd edition. Chapman & Hall/CRC Texts in
Statistical Science.
53
Kushner, H.J. and Yin, G.G. (1997) Stochastic Approximation Algorithms and Applications. New York, NY: Springer.
Leombruni, R. and Richiardi, M. (2005) "Why are economists sceptical about agent-based simulations?", Physica A:
Statistical Mechanics and its Applications, 355(1), 103–109.
Mendelson, E. (1997) Introduction to Mathematical Logic, 4th edition. CRC Press.
Newman, M. (2010) Networks. An Introduction. Oxford University Press.
Polhill, J.G., Izquierdo, L.R. and Gotts, N.M. (2006) "What every agent-based modeller should know about floating
point arithmetic", Environmental Modelling & Software, 21(3), 283–309.
Putnam, H. (1975) "What is mathematical truth?", Historia Mathematica, 2(4), 529–533.
Richiardi, M. G. (2012) "Agent-based computational economics: a short introduction", The Knowledge Engineering
Review, 27(02), 137–149.
Richiardi, M., Leombruni, R., Saam, N. and Sonnessa, M. (2006) "A Common Protocol for Agent-Based Social
Simulation", Journal of Artificial Societies and Social Simulation, 9(1), 15. Retrieved from
http://jasss.soc.surrey.ac.uk/9/1/15.html
Rosen, R. (2012) Anticipatory Systems: Philosophical, Mathematical, and Methodological Foundations, 2nd edition.
New York, NY: Springer.
Sakoda, J.M. (1971) "The checkerboard model of social interaction," The Journal of Mathematical Sociology, 1(1),
119–132.
Sandholm, W.H. (2010) Population Games and Evolutionary Dynamics. The MIT Press.
Schelling, T.C. (1971) "Dynamic models of segregation", The Journal of Mathematical Sociology, 1(2), 143–186.
Schmedders, K. and Judd, K.L. (2014) Handbook of Computational Economics, Vol. 3. Amsterdam: North Holland.
Squazzoni, F. (2010) "The impact of agent-based models in the social sciences after 15 years of incursions", History
of Economic Ideas, 18(2), 197–233.
Tesfatsion, L. (2002) "Agent-based computational economics: growing economies from the bottom up", Artificial
Life, 8(1), 55–82.
Tesfatsion, L. (2003) "Agent-based computational economics: modeling economies as complex adaptive systems",
Information Sciences, 149(4), 262–268.
Tesfatsion, L. (2006) "Agent-Based Computational Economics: A Constructive Approach to Economic Theory", in L.
Tesfatsion and K.L. Judd (eds.), Handbook of Computational Economics, Vol. 2, pp. 831–880.
Tesfatsion, L. and Judd, K.L. (2006) Handbook of Computational Economics, Vol. 2: Agent-Based Computational
Economics. Amsterdam: Elsevier.
Troitzsch, K.G. (2009) "Not All Explanations Predict Satisfactorily, and Not All Good Predictions Explain", Journal of
Artificial Societies and Social Simulation, 12(1), 10. Retrieved from http://jasss.soc.surrey.ac.uk/12/1/10.html
Vega-Redondo, F. (2003) Economics and the Theory of Games. Cambridge University Press.
Weibull, J.W. (1995) Evolutionary Game Theory. The MIT Press.
54