La auto-organización empresarial como alternativa para...

La auto-organización empresarial como

alternativa para incrementar la agilidad

organizacional: Una comparación de

escenarios de simulación multi-agente

Autor

Jorge Eliécer Posada Pinzón

Ingeniero Electrónico

Cód. 20131196014

Tutor

Luz Esperanza Bohórquez Arévalo

Ingeniera Industrial, Magister en Administración de Empresas,

Doctor en Ciencias de la Dirección

Universidad Distrital Francisco José De Caldas

Maestría en Ingeniería Industrial

Énfasis en Inteligencia Computacional para los Negocios

Bogotá, Colombia

Abril de 2018

La auto-organización empresarial como alternativa para incrementar la agilidad organizacional:

Una comparación de escenarios de simulación multi-agente

Página | 2

AGRADECIMIENTOS

Agradezco a mi esposa Diana Valero y a mi amigo David Suárez por su apoyo y compresión

durante estos años, sin los cuales no hubiera sido posible la finalización de este trabajo.

Agradezco a mi padre Jorge Posada Cano por la educación que me brindó desde mis

primeros años, que me permitió apreciar el valor de la honestidad, la disciplina y el orden.

Agradezco a mi directora Luz Esperanza Bohórquez, por su paciencia, disposición y

enseñanzas, para mí es un ejemplo a seguir como persona y como profesional.

Agradezco a la Universidad Distrital FJC, especialmente a los profesores y compañeros de

la Maestría, que me guiaron y acompañaron en este proceso de aprendizaje.



Página | 3

CONTENIDO

Agradecimientos ................................................................................................................ 2

Contenido .......................................................................................................................... 3

Indice de figuras ................................................................................................................ 6

Indice de tablas .................................................................................................................. 7

Resumen ........................................................................................................................... 8

Palabras Clave .................................................................................................................. 8

Introducción ....................................................................................................................... 9

1. Problema de Investigación ........................................................................................ 11

1.1 Planteamiento del Problema ....................................................................... 11

1.2 Formulación del Problema .......................................................................... 13

1.3 Sistematización del Problema ..................................................................... 13

2. Objetivos................................................................................................................... 14

2.1 Objetivo General ......................................................................................... 14

2.2 Objetivos Específicos ................................................................................. 14

3. Hipótesis ................................................................................................................... 15

4. Justificacion .............................................................................................................. 15

5. Marco de Referencia ................................................................................................ 18

5.1 Marco Conceptual ...................................................................................... 18

5.2 Marco Teórico ............................................................................................. 22

6. Metodología .............................................................................................................. 30



Página | 4

6.1 Conceptualización ...................................................................................... 32

6.2 Definición de Requerimientos ..................................................................... 33

6.3 Análisis y Diseño ........................................................................................ 34

6.4 Codificación ................................................................................................ 41

6.5 Pruebas y Evaluación ................................................................................. 43

7. La Auto-organización Empresarial ............................................................................ 50

7.1 La auto-organización .................................................................................. 50

7.2 Características de los sistemas auto-organizados ...................................... 51

7.3 Precondiciones y poscondiciones de la auto-organización ......................... 64

8. Simulación de Sistemas Complejos .......................................................................... 66

8.1 La simulación como una herramienta para estudiar la complejidad ............ 66

8.2 La complejidad en las Organizaciones Empresariales ................................ 66

8.3 Técnicas para modelar la Complejidad en las Organizaciones ................... 67

8.4 Dinámica de Sistemas Vs. Simulación Basada en Agentes ........................ 69

8.5 Trabajos recientes relacionados ................................................................. 72

9. El Modelo de Simulación Multi-agente ...................................................................... 78

9.1 Descripción del modelo ANTS .................................................................... 78

9.2 Análisis del modelo ANTS .......................................................................... 82

9.3 Clasificación de las Acciones Simultáneas ................................................. 84

9.4 Descripcion del modelo Packet World......................................................... 85

9.5 Descripción del Modelo Ants Packet ........................................................... 88

9.6 Descripción del modelo Wolf Sheep Predation ........................................... 92

9.7 Descripción del Modelo Ants Packet Predation ........................................... 94

9.8 Descripción del Modelo Ants Packet Predation 2NET ................................. 98

9.9 Variables para estimar la aceptación de propuestas de acción ................. 103

9.10 Descripción del Modelo Ants Packet Predation 2NET Human .................. 104



Página | 5

9.11 Descripción de la METÁFORA ................................................................. 118

10. Verificación del Modelo de Simulación ................................................................ 121

10.1 Análisis de las corridas ............................................................................. 124

11. Evaluación y Análisis de los Resultados .............................................................. 128

11.1 Nivel de Rechazo Extremadamente Alto ................................................... 130

11.2 Nivel de Rechazo Alto: Organización Jerárquica ...................................... 131

11.3 Nivel Medio de Rechazo o Aceptación...................................................... 140

11.4 Nivel Ligeramente Alto de Aceptación: Auto-organización ........................ 140

11.5 Nivel de Aceptación Extremadamente Alto ............................................... 146

11.6 Comparación de los escenarios con alto nivel de aceptación ................... 146

12. Conclusiones y Trabajo Futuro ............................................................................ 148

12.1 Conclusiones ............................................................................................ 148

12.2 Trabajo Futuro .......................................................................................... 151

13. Referencias ......................................................................................................... 153

14. Anexos ................................................................................................................ 164

Anexo 1. Corridas de Verificación y Sintonización ...................................................... 164

Anexo 2. Corridas de Evaluación y Análisis ............................................................... 179



Página | 6

INDICE DE FIGURAS

Figura 1. Grupos vulnerables a la percolación ................................................................ 25

Figura 2. Redes aleatorias (A y C) y redes de libre escala (B y D) .................................. 26

Figura 3. Pilas de Arena .................................................................................................. 27

Figura 4. Diagrama de la Metodología ............................................................................ 31

Figura 5. Ejemplo de Diagrama de Clases ...................................................................... 38

Figura 6. Ejemplo de Diagrama de Actividad .................................................................. 39

Figura 7. Esquema de un procedimiento general para la verificación de un ABMS ......... 46

Figura 8. Modelo “Ants” en ejecución .............................................................................. 79

Figura 9. Clasificación de las Acciones Simultáneas ....................................................... 84

Figura 10. Modelo “Packet World” ................................................................................... 86

Figura 11. Modelo “Ants Packet” en ejecución ................................................................ 92

Figura 12. Modelo “Wolf Sheep Predation” en ejecución ................................................. 93

Figura 13. Modelo “Ants Packet Predation” en ejecución ................................................ 98

Figura 14. Modelo “Ants Packet Predation 2nest” al inicio de la ejecución ...................... 99

Figura 15. Modelo “Ants Packet Predation 2nest” en ejecución .................................... 102

Figura 16. Modelo “Ants Packet Predation 2nest Human” en ejecución ........................ 117

Figura 17. Organización jerárquica supervivencia de las dos organizaciones ............... 132

Figura 18. Gráficos organización jerárquica supervivencia de las dos organizaciones .. 134

Figura 19. Organización jerárquica supervivencia de la organización patrón ................ 135

Figura 20. Gráficos organización jerárquica supervivencia de la organización patrón ... 136

Figura 21. Organización jerárquica colapso de las dos organizaciones ........................ 137

Figura 22. Gráficos organización jerárquica colapso de las dos organizaciones ........... 139

Figura 23. Auto-organización supervivencia de la organización empresarial ................. 141

Figura 24. Gráficos auto-organización supervivencia de la organización empresarial ... 142

Figura 25. Auto-organización supervivencia de las dos organizaciones ........................ 143

Figura 26. Gráficos Auto-organización supervivencia de las dos organizaciones .......... 145



Página | 7

INDICE DE TABLAS

Tabla 1. Características de la auto-organización ............................................................. 64

Tabla 2. Modelos basados en agentes y modelos basados en ecuaciones diferenciales 70

Tabla 3. Trabajos recientes relacionados ........................................................................ 73

Tabla 4. Clases Modelo Ants ........................................................................................... 81

Tabla 5. Clases Modelo Ants Paket ................................................................................. 89

Tabla 6. Clases Modelo Ants Paket Predation ................................................................. 95

Tabla 7. Clases Modelo Ants Paket Predation 2nest ..................................................... 100

Tabla 8. Clase y-ants Modelo Ants Paket Predation 2nest Human ................................ 106

Tabla 9. Escala para modelar el nivel de confianza ....................................................... 108

Tabla 10. Correspondencia de los elementos de la metáfora ........................................ 120

Tabla 11. Parámetros usados para el análisis del modelo ............................................. 128

Tabla 12. Variables usadas para la caracterización del modelo .................................... 130



Página | 8

RESUMEN

Uno de los rasgos que ha caracterizado la corriente de pensamiento dominante en la

gestión de las organizaciones y la ingeniería organizacional ha sido el uso de estructuras

de control jerárquico; sin embargo los altos niveles de interdependencia que caracterizan el

entorno actual generados por la globalización y los desarrollos tecnológicos han llevado a

que este enfoque genere lentitud en la respuesta al cambio y en consecuencia disminuya

la capacidad de cumplir los objetivos empresariales.

A la fecha una alternativa para superar este problema se encuentra en las teorías de la

auto-organización ampliamente abordadas desde las ciencias de la complejidad. Las

investigaciones al respecto en sistema empresariales se encuentra en etapas tempranas,

y aun no existen evidencias empíricas suficientes de las ventajas que ofrece la capacidad

de ajustarse a condiciones cambiantes de los sistemas auto-organizados sobre los

sistemas con esquemas de control jerárquico en el entorno empresarial.

En este proyecto se realizó el diseño, codificación y verificación de un modelo de simulación

multi-agente que permite comparar la velocidad de respuesta al cambio de una

organización empresarial en la que predominan las estructuras de control jerárquico con la

de una organización empresarial en la que predomina la auto-organización. Se espera que

los resultados obtenidos permitan proyectar amplios caminos de investigación alrededor de

las vías para auto-organizar los sistemas empresariales, principalmente por los altos niveles

de agilidad y flexibilidad organizacional que se pueden alcanzar.

PALABRAS CLAVE

multi-agent models¸ self-organization, organizational agility, control structures, joint actions

modelos multi-agente, auto-organización, agilidad organizacional, estructuras de control,

actuaciones conjuntas



Página | 9

INTRODUCCIÓN

La auto-organización hace referencia a la emergencia de comportamientos colectivos a

partir de la interacción entre las partes y en ausencia de un controlador central que

determine el comportamiento del sistema. La auto-organización ha sido estudiada desde

las ciencias de la complejidad, y se constituye en una alternativa para superar la lentitud en

presente en los sistemas de control jerárquico.

Las principales evidencias empíricas se encuentran en sistemas sociales naturales y

artificiales (por ejemplo colonias de hormigas, autómatas celulares, respectivamente). Sin

embargo su aplicación en sistemas sociales humanos, tales como las organizaciones

empresariales se encuentra en etapas tempranas y aun no existen evidencias empíricas

que permitan corroborar la fuerza de estas ideas.

El tema principal de esta investigación es el fenómeno de la auto-organización como

alternativa a la organización jerárquica en las organizaciones empresariales, el cual ha sido

ampliamente discutido en la bibliografía (Ghali, Frayret & Ahabchane 2017, Gershenson

2007, Maguire & McKelvey 1999, etc), pero cuya implementación en entornos reales tiene

dificultades prácticas y económicas, e implica riesgos que pueden ser gestionados de

manera más adecuada a través de la construcción de realidades virtuales que permitan

verificar la posibilidad de diseñar organizaciones empresariales auto-organizadas.

En la actualidad en el ámbito de la ingeniería organizacional se considera fundamental

explorar alternativas a la organización jerárquica ya que esta forma de organización implica

lentitud en la respuesta al cambio e inflexibilidad, y esta es una condición que cada día

implica más riesgos para las organizaciones empresariales. Debido a fenómenos como la

globalización y el avance en las tecnologías de la información y las comunicaciones, cada

día los mercados son más dinámicos y más competitivos, lo que lleva a que solo sobrevivan

las empresas que toman buenas decisiones de forma ágil, es decir que son capaces de

cambiar rápidamente o adaptarse en respuesta a los cambios en el mercado.

En la presente investigación la auto-organización empresarial se aborda a través de

escenarios de simulación multi-agente. Esta técnica permite representar en gran medida la



Página | 10

complejidad de los sistemas sociales humanos y explorar los comportamientos que

emergen a partir de la interacción entre las personas.

Se espera que este trabajo pueda generar evidencias concretas de las condiciones

(ventajas, restricciones, etc.) de la implementación de la auto-organización como alternativa

a la organización jerárquica en las organizaciones empresariales. Se espera que este

trabajo contribuya a la ingeniería organizacional en dos vías: a) reconocer las ventajas y

limitaciones de la auto-organización de organizaciones empresariales, y b) reconocer las

ventajas y limitaciones del uso de técnicas de inteligencia computacional para el estudio de

fenómenos sociales.



Página | 11

1. PROBLEMA DE INVESTIGACIÓN

La presente investigación tiene su origen en la lentitud de las organizaciones empresariales

caracterizadas por el uso de estructuras de control jerárquico para el logro de actuaciones

conjuntas; es decir para el logro de comportamientos colectivos que requieren de la

sincronización y/o coordinación de dos o más individuos. La lentitud se encuentra

relacionada con los tiempos que les toma a las organizaciones empresariales ajustarse a

las condiciones cambiantes del entorno; aprovechar oportunidades, y/o enfrentar

amenazas. La investigación de (Jensen 2010) permitió evidenciar que los mecanismos de

control de las estructuras jerárquicas actúan en un alto porcentaje cuando las

organizaciones ya se encuentran reportando perdidas; la General Motors por ejemplo

decidió cambiar de CEO y la estrategia de la empresa después reportar pérdidas por más

de 6.5 billones de dólares entre 1990 y 1991; IBM cambio la estrategia luego de reportar

pérdidas por 2.8 billones entre 1990 y 1992 y de presentar al menos una disminución del

65% en el valor agregado.

1.1 PLANTEAMIENTO DEL PROBLEMA

Las estructuras de control jerárquico se constituyen en el principal rasgo de la corriente de

pensamiento dominante para la gestión de las organizaciones empresariales. A la fecha

esta corriente de pensamiento ha buscado superar las fallas señaladas a través de

mecanismos que permitan optimizar el desempeño del sistema (Hofacker and Vetschera

2001, Aime et al 2014); sin embargo, estas alternativas no han generado resultados

satisfactorios principalmente porque la búsqueda de óptimos no es pertinente para entornos

de alta complejidad (Bohorquez 2013). En entornos complejos las condiciones cambian

permanentemente, y por tanto el óptimo definido deja de serlo al momento de implementar

la solución (Gesherson 2007).

La lentitud que imprimen en las organizaciones empresariales las estructuras de control

jerárquico obedece a que estas fueron diseñadas para actuar en entornos de baja de



Página | 12

complejidad, es decir, en ambientes que cambian poco o que cambian lentamente; donde

es posible que un líder o estratega, de racionalidad limitada, identifique los objetivos a lograr

en un periodo de tiempo, establezca la ruta optima de actuación para lograr los objetivos,

estandarice los comportamientos individuales de los empleados, en favor de la ruta optima,

y defina los canales de comunicación entre las personas a través de estructuras de control

jerárquicas (Bohórquez 2011). Sin embargo, el entorno empresarial actual se caracteriza

por altas tasa de cambio (entornos dinámicos) debido principalmente a los altos niveles de

interdependencia entre las partes, generados por la globalización y el desarrollo de las

tecnologías de la información (Helbing 2013), y en consecuencia se requiere de nuevas

formas organizacionales que le otorguen al sistema agilidad.

La auto-organización ha sido comprendida como la emergencia de comportamientos

colectivos a partir de la interacción entre las partes y en ausencia de controlador central

que restrinja el comportamiento del sistema (Dorigo, Bonabeau & Theraulaz 2000). Las

investigaciones en ciencias de la complejidad adelantadas principalmente en sistemas

sociales naturales (insectos sociales) y artificiales han evidenciado que la agilidad de estos

sistemas para actuar en entornos caracterizados por altos niveles de complejidad es la

auto-organización (Watts 2006, Alberts Y Hayes 2003); sin embargo, las investigaciones en

sistemas humanos tales como las organizaciones empresariales, se encuentran en estados

tempranos (Espinosa & Porter 2011) y su adopción ha sido lenta principalmente por los

altos costos económicos y sociales que implica la implementación en un sistema real. A la

fecha la mejor alternativa para comprobar las bondades de la auto-organización en

Sistemas Sociales Humanos (SSH), se encuentra en la construcción de realidades

virtuales, que en este trabajo se abordan a través de modelos de simulación multi-agente.



Página | 13

1.2 FORMULACIÓN DEL PROBLEMA

Teniendo en cuenta lo anterior, la presente tesis pretende resolver la siguiente pregunta de

investigación: ¿Cómo estimar en qué medida el incremento de la capacidad de auto-

organización en organizaciones empresariales permite superar la lentitud en la respuesta

al cambio que generan las estructuras de control jerárquico y cómo identificar qué

beneficios de la organización jerárquica se pueden perder al realizar este incremento?

1.3 SISTEMATIZACIÓN DEL PROBLEMA

Para resolver esta pregunta de investigación se considera indispensable resolver las

siguientes:

¿Cuáles son los rasgos esenciales de la auto-organización empresarial?

¿Cómo diseñar, codificar y verificar un modelo de simulación multi-agente en el que

se puedan observar procesos de auto-organización y estructuras jerárquicas en el

ámbito de una organización empresarial?

¿Cómo es la velocidad de respuesta al cambio de una organización empresarial en

la que predomina la auto-organización, comparada con la de una en la que

predomina el control jerárquico?

¿Qué beneficios de la organización empresarial jerárquica se pueden perder al

incrementar su capacidad de auto-organización?



Página | 14

2. OBJETIVOS

2.1 OBJETIVO GENERAL

Estimar, mediante la comparación de escenarios de simulación multi-agente, en qué

medida el incremento de la capacidad de auto-organización en organizaciones

empresariales permite superar la lentitud en la respuesta al cambio que generan las

estructuras de control jerárquico, y qué beneficios de la organización jerárquica se pueden

perder al realizar este incremento.

2.2 OBJETIVOS ESPECÍFICOS

Identificar los rasgos esenciales de la auto-organización empresarial.

Diseñar, codificar y verificar un modelo de simulación multi-agente en el que se

puedan observar procesos de auto-organización y estructuras jerárquicas en el

ámbito de una organización empresarial.

Comparar, mediante escenarios de simulación multi-agente, la velocidad de

respuesta al cambio de una organización empresarial en la que predomina la auto-

organización frente a una en la que predomina el control jerárquico.

Identificar algunos de los beneficios de la organización empresarial jerárquica que

se pueden perder al incrementar su capacidad de auto-organización.



Página | 15

3. HIPÓTESIS

Un modelo de simulación multi-agente es un medio adecuado para comparar la agilidad de

una organización empresarial auto-organizada frente a una jerárquica, y de esta forma

estimar en qué medida el incremento de la capacidad de auto-organización permite superar

la lentitud en la respuesta al cambio que generan las estructuras de control jerárquico, así

como para identificar qué beneficios de la organización jerárquica se pueden perder al

realizar este incremento.

4. JUSTIFICACION

La presente investigación tiene su origen en la lentitud en la respuesta al cambio de las

organizaciones empresariales caracterizadas por el uso de estructuras de control

jerárquico, y de manera amplia para el logro de actuaciones conjuntas (Turnbull 2002,

Alberts and Hayes 2003, Gershenson 2007); es decir para el logro de comportamientos

colectivos que requieren de la sincronización y/o coordinación de dos o más individuos.

La lentitud hace referencia a la ausencia de oportunidad para incorporación de cambios en

el sistema, y se evidencia en los comportamientos reactivos de la organización ante

pérdidas financieras. La lentitud que imprime en las organizaciones empresariales las

estructuras de control jerárquico obedece a que estas fueron diseñadas para actuar en

entornos de baja de complejidad (Bohorquez 2011),sin embargo, el entorno empresarial

actual se caracteriza por altas tasa de cambio debido principalmente a los altos niveles de

interdependencia entre las partes generados por la globalización y los desarrollo de las

tecnologías de la información (Helbing2013), y en consecuencia se requiere de nuevas

formas organizacionales que le otorguen agilidad al sistema.

Las estructuras de control jerárquico se constituyen en el principal rasgo de la corriente de

pensamiento dominante para la gestión de las organizaciones empresariales. A la fecha

esta corriente de pensamiento ha buscado superar las fallas señaladas a través de



Página | 16

mecanismos que permitan optimizar el desempeño del sistema; sin lograr resultados

satisfactorios principalmente porque la búsqueda de óptimos no es pertinente para entornos

de alta complejidad (Gershenson 2007). Las investigaciones en ciencias de la complejidad

adelantadas principalmente en sistemas sociales naturales y artificiales han evidenciado

que la agilidad de estos sistemas para actuar en entornos caracterizados por altos niveles

de complejidad es la auto-organización (Bonabeau et al 1997). La auto-organización ha sido

comprendida como la emergencia de comportamientos colectivos a partir de la interacción

entre las partes y en ausencia de controlador central que restrinja el comportamiento del

sistema (Camazine et a. 2003).

El estudio de la actuación conjunta como proceso emergente a partir de la interacción entre

los individuos toma amplia relevancia hacia 1990 a través de diferentes desarrollos

científicos cuyos antecedentes se remontan al desarrollo del computador (Gell-Mann 1995,

Holland 1998, Kauffman 2000, Watts 2006). Esta corriente de pensamiento encuentra sus

principales soportes en las ciencias de la complejidad (termodinámica del no equilibrio,

teoría de catástrofes, teoría del caos, ciencia de redes, entre otras), las cuales se ocupan

de fenómenos, sistemas y comportamientos de complejidad creciente. Es decir se ocupan

de sistemas caracterizados por el permanente surgimiento de nuevo orden a partir de la

interacción entre los agentes (Bohórquez and Espinosa 2014).

A través del modelo objeto del presente trabajo se pretende absorber el mayor nivel de

complejidad posible, partiendo de la identificación de algunos de los rasgos que determinan

la susceptibilidad de los individuos a aceptar propuestas de acción de otros con los que

interactuar. Si bien se han realizado importantes investigaciones que evidencian la

emergencia de actuaciones conjuntas en sistemas sociales humanos (SSH) a partir de la

interacción entre las personas, aún existe amplio espacio por recorrer frente a las

características de las interacciones y los rasgos que permiten el surgimiento de

comportamientos globales. Lo anterior teniendo en cuenta, de una parte la diversidad de

las personas, y de otra, el comportamiento adaptativo de los individuos que hace que no

todos sean influidos de la misma manera ante un determinado estimulo, y en consecuencia

no todas las interacciones entre las personas tienen las mismas características (Bohórquez

& Posada 2015).



Página | 17

Para el diseño del modelo objeto del presente trabajo se consideran los planteamientos que

al respecto han sido realizados desde la ciencia de redes (Barabási & Albert 1999, Watts

2006, Barabási & Bursts 2010) la teoría de juegos (Axelrod 2006), así como las propuestas

que explican por qué dos o más individuos deciden actuar conjuntamente realizadas desde

la desde la sociología (Gilbert 1987, Searle 1992, Tuomela 2010).



Página | 18

5. MARCO DE REFERENCIA

5.1 MARCO CONCEPTUAL

Estructura Organizacional

La estructura organizacional hace referencia a las formas como las empresas se organizan

para tomar decisiones que generen impacto en el desempeño; y representa los lazos de

interacción formal (definidos por la dirección) entre las personas que integran la

organización. (Siggelkow & Levinthal 2003)

La estructura dominante en el contexto empresarial ha sido la jerarquía de control; su

predominio obedece, entre otras cosas, a las ventajas que ofrece en la disminución de los

costos de la transacción para las partes involucradas en el intercambio. Los costos de

transacción involucran el costo de obtener información, el tiempo que se gasta en el

proceso, los costos legales así como los asociados a la incertidumbre. La teoría de los

costos de transacción plantea que la facilidad de control que ofrece las jerarquías disminuye

los costos implícitos en el proceso de intercambio derivados de información imperfecta,

incompleta o asimétrica; así como del oportunismo y/o del egoísmo de las partes en los

procesos de toma de decisiones (Williamson 1975).

Estructuras de Control Jerárquico

Una organización jerárquica (estructura organizativa vertical) es una estructura organizativa

donde cada entidad en la organización, excepto uno, está subordinada a una entidad única.

Este acuerdo es una forma de una jerarquía. En una organización, la jerarquía está formada

normalmente por un grupo singular y de poder en la parte superior con los niveles

posteriores por debajo de ellos. Este es el modo dominante de organización entre las

grandes organizaciones; la mayoría de las empresas, los gobiernos y las religiones

organizadas son organizaciones jerárquicas.



Página | 19

El paradigma dominante en la gestión de las organizaciones se centra en cómo los líderes

pueden influir en los trabajadores para que se orienten hacia los objetivos deseados dentro

de los marcos de las estructuras de control jerárquico (Dayet al 2001). Estos modelos

tradicionales se centran en cuestiones tales como la orientación de los trabajadores hacia

los objetivos de la tarea (House and Mitchell 1974), lo que lleva a producir eficiencia y

eficacia (Day et al 2001).

Los modelos tradicionales empleados ampliamente para la gestión empresarial, no se

adaptan a las condiciones del mundo actual. Con “modelos tradicionales” se hace referencia

a aquellos que utilizan estructuras de control jerárquico; rutinas organizativas burocráticas;

centralización del poder y la toma de decisiones; planificación y previsión; los intentos de

reducir la incertidumbre; y el uso de las metáforas de la máquina y los mecanismos (Maguire

y McKelvin 1999).

A pesar de las ventajas que las jerarquías de control tienen desde la teoría de los costos

de transacción, a la fecha diversas investigaciones han evidenciado que dichas estructuras

explican en gran medida la lentitud para la toma decisiones, y en consecuencia la lentitud

para adaptarse a las condiciones cambiantes del entorno. En (Jensen 2010) se evidencia

en que un alto porcentaje de los casos las organizaciones empresariales toman decisiones

de cambio de algún componente estratégico para el sistema cuando ya se encuentra

reportando pérdidas. En (Turnbull 2002) se evidencia que las jerarquías de control limitan

la capacidad de respuesta de los empleados, lo que reduce el espacio de posibilidades

hacia donde puede evolucionar la organización en momentos de crisis.

La ausencia de respuesta de las jerarquías de control se encuentra en estrecha relación

con la complejidad creciente del entorno (Bohórquez 2016); las jerarquías de control

ofrecen limitada capacidad de respuesta en entornos caracterizados por el permanente

surgimiento de cambios que resultan de la ganancia y generación de nueva información a

través de la interacción entre las partes. La globalización, el desarrollo de las tecnologías

de la información, y de manera amplia la cuarta revolución industrial incrementa la

complejidad del entorno, y exigen repensar las estructuras jerárquicas de control

dominantes en el contexto empresarial (Bushman et al 2004). Es importante señalar que en

entornos de baja complejidad las jerarquías de control pueden ser pertinentes si se tiene

en cuenta que la baja tasa de cambio del entorno permite que los flujos de información



Página | 20

circulen lentamente a través de cada eslabón de la cadena de mando para la toma de

decisiones (Droege et al 2003).

Auto-organización

La auto-organización es un proceso en el que en un sistema emerge un patrón global a

partir exclusivamente de numerosas interacciones entre los componentes de nivel inferior.

Por otra parte, las reglas que especifican las interacciones entre los componentes del

sistema se ejecutan utilizando solamente información local, sin hacer referencia al patrón

global (Camazine et al., 2003). Se proponen tres características fundamentales de los

sistemas auto-organizados:

. Los Sistemas auto-organizados son dinámicos (p.29)

. Los Sistemas auto-organizados exhiben propiedades emergentes (p.31)

. Los Sistemas auto-organizados pueden promover patrones estables (p.37)

La auto-organización es la emergencia de orden al nivel del sistema como una

consecuencia involuntaria de la acción y la interacción repetida de los componentes de bajo

nivel del sistema, sin la intervención de un controlador central. El orden en los sistemas de

auto-organización no se basa en la imposición de un plan general por una autoridad central,

sino en la acción de los agentes interdependientes que persiguen propósitos individuales

basados en el conocimiento local y en la adaptación continua a la realimentación de las

acciones de los demás, es decir que surge de forma espontánea.

Los procesos de realimentación positiva amplifican las fluctuaciones iniciales, ayudando al

nuevo orden a "afianzarse y ganar impulso" (Smith & Gemmill 1991). A pesar de la ausencia

de un controlador central, los componentes del sistema se pueden "comunicar", ya que

están parcialmente conectados en una red de lazos de retroalimentación positiva vinculados

entre sí, a través de la cual se canalizan en repetidas ocasiones los flujos de energía

(Prigogine & Stengers 1984).



Página | 21

Agilidad Organizacional

La agilidad organizacional se entiende como la capacidad de una empresa para cambiar

rápidamente o adaptarse en respuesta a los cambios en el mercado. Un alto grado de

agilidad organizativa puede ayudar a una empresa a reaccionar con éxito ante la aparición

de nuevos competidores, el desarrollo de nuevas tecnologías que cambian la industria o

cambios repentinos en las condiciones generales del mercado.

El cambio es cada vez más la norma y no la excepción en las organizaciones

contemporáneas (Brown y Eisenhardt 1997). Como resultado, el interés por la agilidad

organizacional ha crecido ampliamente en los ámbito académico y empresarial (Tallon &

Pinsonneault 2011). Hay un acuerdo general en cuanto a que las organizaciones ágiles se

caracterizan por exhibir mayor flexibilidad y rapidez, y que gestionan eficazmente los

desafíos del cambio continuo: no están estructuradas de tal forma que el cambio sea

moderado aunque tampoco permiten que el cambio sea desenfrenado; más bien, tales

organizaciones pueden modificar deliberadamente los focos, la magnitud y la tasa de

cambio sin caer presa ni del caos ni de la inercia (Grear & Tansuhaj 2001).

Los usos del término "agilidad" en el discurso gerencial emergieron en forma metafórica a

finales del siglo XX. Al mismo tiempo, un enfoque ágil comenzó a aumentar en prominencia

en el desarrollo de software, resultando en la publicación del manifiesto ágil en 2001. En

las últimas dos décadas los teóricos de la organización también han considerado

explícitamente el papel del rendimiento ágil en permitir a las empresas adaptarse con éxito

a cambios rápidos y entornos impredeciblemente perturbadores (Grewal & Tansuhaj 2001,

Smith & Zeithaml 1996). Esto ha coincidido con el surgimiento de la computación como

piedra angular del paisaje industrial contemporáneo. Más recientemente, los investigadores

han evocado agilidad para describir y explicar las respuestas de la organización en

contextos tan diversos como los sistemas de información (Sarker & Sarker, 2009),

orientación al mercado (Grewal & Tansuhaj, 2001) y alineación estratégica (Tallon &

Pinsonneault, 2011).



Página | 22

5.2 MARCO TEÓRICO

En esta sección se presenta los enfoques que se han planteado desde diferentes

perspectivas para explicar las actuaciones colectivas o conjuntas en sistemas sociales

humanos, los cuales son fundamentales en este trabajo ya que se considera que las

actuaciones conjuntas constituyen el principal elemento dinamizador de los procesos de la

organización; de forma concreta se considera que las actuaciones conjuntas son la forma

como se manifiestan las decisiones que se toman en el sistema.

Las actuaciones conjuntas desde la sociología

La sociología ha propuesto que la posibilidad de que un individuo participe en una actuación

conjunta puede ser considerada igual para todos los individuos. Esta simplificación no llega

muy lejos, ya que los grupos no desarrollan actividades primarias, ellos sólo actúan a través

de los individuos, miembros o agentes que los conforman (Tuomela 1992). Desde esta

perspectiva, el comportamiento de un grupo, no se puede entender simplemente como el

resultado de la agregación de las acciones individuales, sino que es indispensable

considerar las razones por las que los individuos eligen o rechazan la posibilidad de

participar.

El énfasis en las interacciones entre las partes, y particularmente en las variables que

determinan la susceptibilidad de los individuos a aceptar propuestas de acción pone de

manifiesto que las personas desarrollan comportamientos más adaptativos que racionales.

Los seres humanos lógica, inevitable, y a menudo de manera inconsciente, se fijan en los

demás cuando toman todo tipo de decisiones (Watts 2006). Ya sea para compensar la falta

de información, porque accedemos a la presión de los demás, porque buscamos sacar

provecho de los rendimientos decrecientes, o porque intentamos coordinar intereses

comunes; las personas siempre influimos y somos influidas por otros.

Las propuestas procedentes de la sociología han argumentado que los individuos deciden

participar en una actuación conjunta cuando creen que otros individuos también van a

participar. La acción conjunta presupone una sensación de que el otro es un actor social



Página | 23

que puede participar en la actividad y que tiene la intención de hacerlo (Searle, 1992). La

creencia de la participación de otros individuos requiere el establecimiento de acuerdos que

deben ser reconocidos y aceptados por los miembros de la organización (Toumela 2000).

Reconocer los acuerdos significa que los acuerdos son conocidos y comprendidos por los

miembros del sistema; y aceptarlos significa que los acuerdos son aprobados y ejecutados.

Los acuerdos reconocidos y aceptados surgen de las relaciones de interdependencia entre

individuos, y establecen las creencias del individuo y del grupo sin las cuales no podría

surgir una actuación conjunta (Gilbert 1987).

A partir del estudio de las actuaciones conjuntas desde la sociología es importante tener en

cuenta las relaciones de poder. Aunque hasta la fecha no existe un consenso en torno a su

definición y su naturaleza, hay un claro reconocimiento de la influencia que puede tener el

poder sobre las acciones llevadas a cabo por un grupo de personas. Para Weber (1922) el

concepto de poder está estrechamente relacionado con la dominación, y permite el ejercicio

de la autoridad sobre un grupo social para encontrar algún grado de obediencia. Foucault

por su parte sostiene que el poder no es mantenido por una clase dominante, sino es más

bien una estrategia que marca la relación entre dos o más individuos; y permite la

transformación de los sujetos a favor de quien lo desarrolla (Foucault 2001). Esta

transformación se refiere a la condición de la norma y establece los procedimientos para

permitir o prohibir el desarrollo de ciertas acciones.

Las actuaciones conjuntas desde la teoría de juegos

La creencia de un individuo de que otros también están participando en el desarrollo de la

acción es consistente con los resultados de (Axelrod 2006) con respecto a la estrategia de

ojo por ojo en la evolución de la cooperación. De hecho, la teoría de juegos y los

experimentos del dilema del prisionero, han demostrado que en contextos caracterizados

por individuos egoístas, la estrategia que ha generado mayores beneficios para las partes

es aquella en el que los participantes cooperan si otros también lo hacen (ojo por ojo). Si

un participante se involucra en el desarrollo de la acción, lo hace con la expectativa que el

otro va a cooperar, y si en cambio desconfía el otro hará lo mismo, lo cual indica que la

estrategia se va consolidando en la medida en que los participantes tengan la oportunidad



Página | 24

de reunirse de nuevo en el futuro. La investigación en la teoría de juegos ha demostrado

que después de repetidas interacciones entre los agentes, la cooperación se ha establecido

como la mejor alternativa para generar beneficios. Es decir, en la medida en que las

personas interactúan la relación entre ellos evoluciona.

Es importante tener en cuenta que las investigaciones en la teoría de juegos han

demostrado que las personas no siempre responden de forma egoísta en situaciones de

dilema del prisionero. Esta respuesta no se debe a su falta de racionalidad sino a un deseo

de mejorar la situación del grupo, incluso a costa de su propio bienestar. Es decir, en

muchos casos emergen actuaciones conjuntas con el interés de generar bienestar para los

demás, incluso sacrificando la satisfacción individual.

Las actuaciones conjuntas desde la ciencia de redes

La ciencia de redes es el estudio de las redes, independientemente del ámbito donde se

desarrollan (redes eléctricas, redes sociales, etc.) con el fin de identificar los principios que

rigen su comportamiento. En particular, trata de comprender cómo las cascadas globales

(actuaciones conjuntas) surgen de la interacción entre los componentes de la red (Watts

2006). Las investigaciones de la ciencia de redes han demostrado que una condición

necesaria para la aparición de actuaciones conjuntas es la existencia grupos vulnerables a

la percolación (Figura 1) que permitan la difusión de la información (Barabási and Bursts

2010). En el ámbito de las organizaciones empresariales, un grupo vulnerable a la

percolación es un grupo de personas en interacción, capaces de aceptar información

(propuestas de acción). En este ámbito no todas las personas son influenciadas de la misma

manera, y por tanto, no todos están dispuestos a aceptar las ideas de otros con los que se

relacionan. La existencia de grupos vulnerables a la percolación facilita la conexión de las

personas, y la susceptibilidad de los individuos a aceptar la información permite que una

idea se convierta en una actuación conjunta.



Página | 25

Figura 1. Grupos vulnerables a la percolación

Fuente: Watts 2006

La interacción entre individuos aumenta la complejidad del sistema desde dos perspectivas

ampliamente estudiadas, paralelas y complementarias, en la ciencia de redes. La primera

conocida como dinámica del sistema y la segunda conocida como dinámica en el sistema.

La dinámica del sistema, explica los cambios de factores estructurales: a) la aparición o

desaparición de afiliaciones, b) el debilitamiento o fortalecimiento de relaciones, y c) la

salida o el ingreso de personas al sistema. Estos tres elementos son rasgos naturales de

las organizaciones empresariales y contribuyen a su complejización.

La dinámica en el sistema hace hincapié en la co-evolución y es uno de los aspectos más

importantes en el estudio de las redes complejas. La co-evolución hace referencia a la

capacidad de modificar el entorno y de adaptarse a los cambios del entorno. Las personas

pueden influir y ser influidas por los demás. La influencia que una persona tenga sobre los

demás no es proporcional; es decir, no todas las personas son igualmente influidas.

Actividades que realiza o decisiones que toma, cualquier individuo, generan información en

el sistema que puede influir de forma no proporcional en comparación con otras. La

información generada por la persona X se ve influenciada por las interacciones con otras

personas, tanto de dentro como de fuera de la organización, y esta información, a su vez,

influencia de una manera no proporcional a otras personas con las que X interactúa.



Página | 26

La dinámica del sistema y la dinámica en el sistema contribuyen a establecer el contexto

en el que emergen las actuaciones conjuntas (Watts 2006). Desde la perspectiva de la

dinámica del sistema se reconoce la existencia y la importancia de las redes de libre escala

(Figura 2) en las organizaciones empresariales, es decir la existencia de individuos con

pocas conexiones y de individuos altamente conectados (Barabási and Bursts 2010),

cuantas más personas se toman en cuenta a la hora de tomar una decisión, menor es el

nivel de influencia de cada una.

Figura 2. Redes aleatorias (A y C) y redes de libre escala (B y D)

Fuente: http://ars-uns.blogspot.com.co/2014_11_01_archive.html

Desde la dinámica en el sistema se facilita la comprensión de la aparición de muchas y

frecuentes actuaciones conjuntas que implican cambios continuos, y pocas y distantes entre

sí, actuaciones conjuntas que llevan a la organización a estados totalmente diferente a los

estados iniciales (cambios súbitos). Desde esta perspectiva, las acciones conjuntas no

requieren el consenso de todos los individuos en el sistema; y pueden coexistir varias en el

mismo instante de tiempo. Dinámicas que se pueden observar de manera simplificada en

las pilas de arena (Figura 3).



Página | 27

Figura 3. Pilas de Arena

Fuente: Elaboración Propia

Las actuaciones conjuntas en las organizaciones empresariales

Según Bohórquez & Espinosa (2014) en las organizaciones empresariales, cada persona

tiene un umbral de cambio y un conjunto de individuos con los que interactúa. La interacción

entre los individuos a través de su red genera el surgimiento alternativas que permiten hacer

frente a la complejidad del entorno. Las alternativas que surjan pueden ser rechazadas,

ignoradas, olvidadas, relegadas, omitidas por las personas de la organización y, por tanto,

dejadas de lado; o pueden ser adoptadas, aceptadas por un conjunto de personas y, en

consecuencia, convertirse en la actuación conjunta.

El problema del surgimiento de actuaciones conjuntas en las organizaciones empresariales

es equivalente a identificar si existe o no un grupo de personas que sean susceptibles de

adoptar la alternativa. Que una idea o alternativa se convierta en actuación conjunta y

estimule el surgimiento de cambios súbitos o cambios continuos, depende del nivel de

propagación de la idea.

Existen tres razones por las que no se producen actuaciones conjuntas: a) cuando el umbral

de cambio es demasiado alto ninguna persona aceptará la idea, b) cuando la red está

fuertemente conectada se eleva el umbral de cambio de los individuos, lo que dificulta la



Página | 28

aceptación de la alternativa, y c) cuando la red no está suficientemente relacionada no hay

posibilidad de propagación. Las actuaciones conjuntas no surgen si existe un alto nivel de

interacción entre las personas; tampoco cuando la interacción es escasa. En el primer caso,

la interacción incrementa el nivel de umbral al cambio y en el segundo, dificulta su

propagación. Empleando la expresión de Kauffman (2000), las actuaciones conjuntas

surgen “al borde del caos”.

La auto-organización en los sistemas empresariales

En la propuesta de Bohórquez & Espinosa (2014) el surgimiento de actuaciones conjuntas

a partir de la interacción entre las personas que toman decisiones “tan rápido como les es

posible” ofrece una perspectiva distinta a la convencional para comprender el

comportamiento de las organizaciones empresariales. En el enfoque convencional, el éxito

es el efecto generado por una o varias causas, en consecuencia, los resultados

empresariales son estudiados, comprendidos y planeados ex ante.

La auto-organización plantea el surgimiento de actuaciones conjuntas (alternativas

aceptadas) a partir de la interacción no causal entre las personas. Desde esta perspectiva,

el “éxito” es una situación emergente que solo puede ser comprendida ex post; por tanto,

no puede ser prevista o planeada. Para que una alternativa se convierta en actuación

conjunta se requiere que esta logre propagarse a través de personas que sean susceptibles

de aceptarla.

Adicionalmente, en el enfoque convencional la principal orientación de las organizaciones

empresariales es la generación de resultados financieros (rentabilidad, valor agregado para

el accionista, entre otros). Esta característica se encuentra en estrecha relación con el

modelo económico dominante. Desde esta perspectiva las empresas que actúen contrario

a esta premisa están condenadas a desaparecer.

En el esquema de auto-organización no existe prioridad hacia el logro de uno o algunos

objetivos predefinidos sean o no financieros. Las posibilidades surgen de la interacción co-

evolutiva entre las personas y por tanto son difíciles de predecir y controlar. Las



Página | 29

organizaciones avanzan, evolucionan sin requerir de un diseño preestablecido que limite o

restrinja los resultados a lograr.

Los planteamientos de la auto-organización son coherentes con las propuestas

provenientes de la bio-economía. Desde esta perspectiva la economía enfatiza lo relacional

e invalida la hipótesis de la racionalidad del individuo en los términos en que ha sido

formulada por la teoría económica dominante. El enfoque relacional de la bio-economía

integra las actividades económicas en los sistemas naturales y concilia el interés privado

con el interés público, el solidario y el interés general. Desde esta perspectiva “la biosfera

entra en el campo de lo económico, y el instrumento monetario, cuyo campo es el mercado

no puede aprehender los fenómenos exteriores a este último…” (Passet 1996).



Página | 30

6. METODOLOGÍA

El desarrollo de un Modelos de Simulación Basados en la interacción entre Agentes, o multi-

agente (ABMS por sus iníciales en inglés) es un caso del proceso general de desarrollo de

software, que involucra algunos aspectos particulares debido especialmente al hecho de

que adoptan la perspectiva del agente en lugar de la perspectiva del proceso. ABMS es

además un enfoque de modelado estocástico, ya que en general se incluyen elementos

estocásticos para modelar la gama de comportamiento de los agentes y de las

interacciones, que no se conocen con certeza.

El cronograma de un proyecto de desarrollo de software normalmente tiene varios flujos de

trabajo con un alto nivel de solapamiento. Un flujo de trabajo es una relación de actividades

que produce unos resultados observables. En el siguiente diagrama se presentan los flujos

de trabajo generales en un proyecto de desarrollo de software, así como los artefactos

particulares que se propone utilizar para desarrollo del ABMS objeto del presente trabajo y

que conforman la metodología propuesta que tiene como marco el proceso general de

desarrollo de software descrito en (Kruchten2000), sobre el cual en la propuesta

metodológica del presente trabajo se han encajado los elementos del proceso particular de

desarrollo de ABMS descrito en (Axelrod 1997) y (Macal & North 2005).



Página | 31

Figura 4. Diagrama de la Metodología

Fuente: Elaboración propia

La metodológica propuesta plantea ejecutar estos flujos de manera iterativa e incremental

de tal manera que el trabajo se divide en partes más pequeñas o mini proyectos. Cada mini

proyecto se puede ver como una iteración, un recorrido más o menos completo a lo largo

de los flujos de trabajo fundamentales, del cual se obtiene un incremento que produce un

crecimiento en el sistema.

En cada iteración se pasa por los flujos fundamentales (Requerimientos, Análisis, Diseño,

Implementación y Pruebas), y se realiza una planificación de la iteración, un análisis de la



Página | 32

iteración y algunas actividades específicas de la iteración. Al finalizar se realiza una

integración de los resultados con lo obtenido de las iteraciones anteriores.

El proceso iterativo e incremental consta de una secuencia de iteraciones. Cada iteración

aborda una parte de la funcionalidad total, pasando por todos los flujos de trabajo relevantes

y refinando la arquitectura. Cada iteración se analiza cuando termina. Se puede determinar

si han aparecido nuevos requerimientos o si han cambiado los existentes, afectando a las

iteraciones siguientes. Durante la planificación de los detalles de la siguiente iteración,

también se examina los riesgos que quedan frente al trabajo pendiente. La

retroalimentación de la iteración pasada permite reajustar los objetivos de las siguientes

iteraciones. Se continúa con esta dinámica hasta que se complete la versión final del

sistema (Jacobson et al 2000).

A continuación se presenta una explicación de cada flujo de trabajo general:

6.1 CONCEPTUALIZACIÓN

Con este flujo de trabajo se pretende llegar a un mejor entendimiento delas organizaciones

empresariales, tanto las jerárquicas, que son las que predominan en el mercado actual,

como de las auto-organizadas, las cuales se encuentran descritas en la literatura científica.

Los objetivos de la conceptualización son:

• Entender la estructura y la dinámica de las organizaciones empresariales jerárquicas y

auto-organizadas.

• Identificar los rasgos esenciales de las organizaciones empresariales jerárquicas y

auto-organizadas.

• Derivar los requerimientos del sistema necesarios para representar las organizaciones

empresariales jerárquicas y auto-organizadas.

Para lograr estos objetivos, se construye un modelo conceptual que describe la visión

particular de la representación de las organizaciones empresariales; a partir de esta visión



Página | 33

en la fase de análisis y diseño se identifican los agentes, y se definen el entorno, los

métodos de los agentes y las interacciones entre los agentes.

La conceptualización inicia con una revisión de literatura científica alrededor de los

planteamientos sobre los que se soporta la propuesta. Esta revisión va a facilitarla

identificación de las variables que determinan la susceptibilidad de los individuos a aceptar

o rechazar propuestas de acción sugeridas por otros con los que interactúan. El resultado

de este flujo de trabajo se presenta a través de un modelo conceptual. Como complemento

a este modelo, se pueden elaborar otras especificaciones tales como un Glosario.

6.2 DEFINICIÓN DE REQUERIMIENTOS

Este es uno de los flujos de trabajo más importantes, porque en él se establece qué tiene

que hacer exactamente las organizaciones empresariales y los agentes que las conforman

en el modelo de simulación que se va a construir.

Los objetivos generales de la definición de requerimientos son:

• Proveer un mejor entendimiento de la forma cómo actúa una organización jerárquica y

una organización auto-organizada.

• Proveer una base para la planeación de los contenidos técnicos de las iteraciones.

• Definir el ámbito de ejecución del sistema.

Los requerimientos se dividen en dos grupos; los Requerimientos Funcionales, que

representan la funcionalidad del sistema, y los Requerimientos No Funcionales, que

representan aquellos atributos que debe exhibir el sistema, pero que no son una

funcionalidad específica, por ejemplo requerimientos de facilidad de uso, fiabilidad,

eficiencia, portabilidad, seguridad, etc. El resultado de este flujo de trabajo se presenta a

través de la lista de Requerimientos Funcionales y la lista de Requerimientos No

Funcionales.

Los objetivos de la definición de requerimientos funcionales son:



Página | 34

• Establecer los rasgos que permiten catalogar una organización como empresarial, es

decir, que permiten diferenciarla de otros tipos de organizaciones sociales humanas.

• Definir cómo actúa la organización jerárquica.

• Definir cómo actúa la organización auto-organizada

• Definir como se evaluar la agilidad de las dos organizaciones, a priori se plantea que

podría ser a partir de la capacidad para gestionar las oportunidades y amenazas del

entorno.

• A partir de los estudios previos y teorías sobre las actuaciones conjuntas, establecer

el mecanismo de decisión a través del cual los agentes aceptan o rechazan las

propuestas de acción formuladas por otros agentes

• Establecer los indicadores que permiten caracterizar a las organizaciones

empresariales respecto a su agilidad.

6.3 ANÁLISIS Y DISEÑO

El objetivo de este flujo de trabajo es traducir los requerimientos a una especificación que

describe cómo implementar el sistema.

Los objetivos del análisis y diseño son:

• Transformar los requerimientos al diseño del sistema.

• Desarrollar una arquitectura para el sistema.

• Adaptar el diseño para que sea consistente con el entorno de implementación,

diseñando para el rendimiento requerido.

El análisis consiste en obtener una visión del sistema que se preocupa de ver qué hace, de

modo que sólo se interesa por los requerimientos funcionales. Por otro lado el diseño es un

refinamiento del análisis que tiene en cuenta los requerimientos no funcionales, en definitiva

cómo cumple el sistema sus objetivos.



Página | 35

El resultado final más importante de este flujo de trabajo será el modelo de diseño

conformado por:

• Los agentes: Los tipos de agente junto con sus atributos. La identificación de los

agentes es una tarea crítica y de relativa complejidad por lo que más adelante en esta

sección se presenta una breve discusión al respecto.

• El entorno: El medio ambiente en los agentes “vivirán” y con el que van a interactuar,

conformado entre otros por los objetos (clases) auxiliares y sus atributos.

• Los métodos de los agentes: Las funciones a través de los cuales se actualizan los

atributos de los agente en respuesta a las diferentes interacciones entre los agentes o

de los agentes con el medio ambiente.

• Las Interacciones entre los agentes: Las funciones que determinan las interacciones

entre los agentes, cuándo interactúan, y cómo interactúan durante la simulación.

Para la especificación del diseño se ha decidido utilizar el Lenguaje Unificado de Modelado

(UML) por lo que más adelante en esta sección se presenta una discusión de las ventajas

que ofrece para el modelamiento basado en agentes.

Otro producto de este flujo es la documentación de la arquitectura de software. Al principio

hay que definir una arquitectura candidata: crear un esquema inicial de la arquitectura del

sistema, que debe ser reevaluado durante este flujo de trabajo hasta que sea ratificado y

tome una forma definitiva. Para un ABMS el rasgo arquitectónico más representativo es el

framework que se va a utilizar para la implementación, por lo que en esta sección se

presenta una discusión sobre los frameworks más utilizados para el desarrollo de

simulaciones basadas en agentes y sus características generales.

Identificación de los Agentes

Se plantea realizar el proceso de identificación de los agentes, sus variables, sus funciones

y sus interacciones esenciales, a partir de los estudios previos y teorías sobre las



Página | 36

actuaciones conjuntas, las cuales hacen posible la emergencia del fenómeno de la auto-

organización empresarial en el ámbito de la simulación.

La identificación de los agentes, especificando con precisión sus comportamientos,

logrando representar adecuadamente las interacciones entre los agentes, es la primera

clave para el desarrollo de modelos útiles. Los agentes son generalmente los que toman

las decisiones en un sistema. Estos incluyen de tomadores de decisiones tradicionales,

tales como gerentes, así como tomadores de decisiones no tradicionales, tales como los

sistemas informáticos complejos que tienen comportamientos propios.

¿Cómo se pueden descubrir el comportamiento de los agentes? En primer lugar, se

necesita una teoría del comportamiento del agente. Se puede comenzar con un modelo

normativo en que los agentes intentan optimizar y utilizar este modelo como punto de

partida para el desarrollo de un modelo heurístico más simple y más descriptivo de la

conducta. También es posible comenzar con un modelo de comportamiento si la teoría de

comportamiento aplicable está disponible. Por ejemplo, abundan teorías que explican el

comportamiento de compra de los consumidores, construidos con base en estudios

empíricos. Por otra parte, se han desarrollado una serie de marcos lógicos formales con el

fin de representar al razonamiento de los agentes, tales como el modelo CDI (creencia-

deseo-Intención), y estos pueden servir como base para los modelos de agente (Macal &

North 2005).

La ingeniería del conocimiento y la simulación participativa también son técnicas útiles a

emplear. La ingeniería del conocimiento consiste en una colección de técnicas para obtener

y organizar el conocimiento de expertos así como detectar errores y sesgos. La simulación

participativa combina el paradigma de agentes con ideas de la teoría de la organización

para especificar simulaciones orientadas a objetivos que consisten en su totalidad en

participantes humanos que juega un rol, similar a los juegos de niños pero más

estructurados.



Página | 37

Lenguaje Unificado de Modelado (UML) para el modelamiento basado en agentes

A la fecha el modelado basado en agentes no tiene un conjunto maduro de formalismos o

procedimientos estándar para el desarrollo del modelo y la representación agente, tales

como los que forman parte del modelado en dinámica de sistemas; no existe un esquema

para representar de forma inequívoca un modelo de simulación basado en agentes que no

sea el código de software implementado, sin embargo, se han propuesto sistemas de

documentación para el modelado basado en agentes con la intención de promover su

transferencia y reproducibilidad (Grimm et al 2006). Los modelos basados en agentes

pueden beneficiarse del uso del Lenguaje Unificado de Modelado (UML) para representar

los modelos. UML es un lenguaje visual de modelado para la representación de Sistemas

Orientados a Objetos (OOS) (Booch, Rumbaugh and Jacobson1998) que se ha adoptado

comúnmente para apoyar los modelos basados en agentes. La representación UML está

en un alto nivel de abstracción, es decir, es independiente del lenguaje de programación

orientado a objetos particular usado en la implementación del modelo.

UML se compone de una serie de tipos de diagramas y elementos gráficos altamente

estructurados que se ensamblan para representar los diferentes aspectos estáticos y

dinámicos de un sistema. Para los modelos basados en agentes son de especial utilidad

los diagramas de clases, como vistas estáticas y los diagramas de actividad como vistas

dinámicas.

Un diagrama de clases en Lenguaje Unificado de Modelado (UML) es un tipo de diagrama

de estructura estática que describe la estructura de un sistema mostrando las clases del

sistema, sus atributos, operaciones (o métodos), y las relaciones estáticas entre los objetos.

En el contexto particular de agentes de software es común denominarlo modelo ontológico

ya que su objetivo es describir la ontología u ontologías del sistema, es decir, la estructura

y significado de los principales conceptos agrupados por dominio de aplicación que serán

comunicados entre los agentes (independientemente de la forma que en que se

empaqueten) y sus relaciones (Moreno et al 2007). A continuación un ejemplo del diagrama

de clases de un modelo del dominio “universidad”.



Página | 38

Figura 5. Ejemplo de Diagrama de Clases

Fuente: https://es.wikipedia.org/wiki/Diagrama_de_clases

En Lenguaje Unificado de Modelado (UML), un diagrama de actividades representa los

flujos de trabajo paso a paso de negocio y operacionales de los componentes en un

sistema. Un diagrama de actividades muestra el flujo de control general. Estos diagramas

utilizan símbolos con significados definidos que representan los pasos del algoritmo, y

representan el flujo de ejecución mediante flechas que conectan los puntos de inicio y de

fin del proceso. A continuación un ejemplo de un diagrama de actividad que representa un

escenario sencillo de una subasta multi-agente (Moreno et al 2007).



Página | 39

Figura 6. Ejemplo de Diagrama de Actividad

Fuente: Moreno et al 2007

Herramientas para el desarrollo de simulaciones basadas en agentes

El modelamiento basado en agentes se puede hacer a pequeña escala, en un computador

de escritorio, a gran escala, en clusters de servidores, o en una escala intermedia. Algunos

proyectos importantes han iniciado a pequeña escala usando herramientas de escritorio y

luego se han convertido en proyectos a gran escala utilizando frameworks robustos de

propósito específico. Los modelos basados en agentes de escritorio pueden ser simples,

diseñados y desarrollados en un período de unos pocos días por un solo modelador usando

herramientas aprendidas en unos pocos días o semanas. Las herramientas de escritorio se

pueden utilizar para aprender a hacer el modelamiento basado en agentes, sus conceptos

de diseño y de prueba, así como para realizar muchos tipos de modelamiento y análisis

serios. Entre las herramientas de escritorio se incluyen hojas de cálculo como MS Excel y

sistemas computacionales generales de matemáticas tales como MATLAB o Mathematica

(Macal & North 2005).

El modelamiento basado en agentes a gran escala se extiende más allá de los entornos de

escritorio y permite que miles o millones de agentes participen en comportamientos e

interacciones sofisticados. El modelamiento basado en agente a gran escala se hace

generalmente en entornos de simulación con servidores que soportan características



Página | 40

específicas de este tipo de modelos. Entre dichas características se incluyen la

disponibilidad de un programador de tiempo, los mecanismos de comunicación entre

agente, topologías de interacción flexibles, una gama de opciones de arquitectura,

facilidades para el almacenamiento y la visualización de los estados de los agentes, soporte

para desarrollos a gran escala, y en algunos casos soporte de tópicos específicos. Los

modelos basados en agente a gran escala generalmente requieren habilidades más

avanzadas de programación y mayores recursos de desarrollo que los disponibles en los

entornos de escritorio.

Gracias a importantes investigaciones e inversiones en desarrollo públicos, muchas

herramientas para el desarrollo de simulaciones basadas en agentes en este momento son

de libre uso y distribución. Estos incluyen Repast, Swarm, NetLogo y Mason, entre muchos

otros; también se encuentran disponibles entornos de software propietarios como AnyLogic.

Una revisión y comparación de herramientas para el modelamiento basado en agente

construidos sobre Java se encuentra en (Tobias & Hoffman 2004).

Como resultado de la revisión preliminar realizada hasta el momento, el primer candidato a

considerar como herramienta de desarrollo para la implementación del modelo objeto de

este trabajo es NetLogo, por tal motivo como cierre de esta sección se presenta una breve

descripción de esta herramienta.

NetLogo es un lenguaje de programación basado en el agente y un entorno de modelado

integrado. NetLogo fue diseñado, en el espíritu del lenguaje de programación Logo, de "bajo

umbral y sin techo". Incorpora los conceptos de programación que utilizan los agentes en

forma de tortugas, celdas, enlaces y el observador. NetLogo fue diseñado con múltiples

audiencias en mente, en particular para poder ser utilizado por niños en las comunidades

educativas, y por los expertos de dominio un dominio particular, sin conocimientos

avanzados de programación, pero familiarizados con los fenómenos del modelo

(Kornhauser, Rand & Wilensky 2007).

El entorno NetLogo permite la exploración de los fenómenos emergentes. Incluye una

extensa biblioteca de modelos en una variedad de ámbitos, como la economía, la biología,

la física, la química, la psicología, y la dinámica del sistema. NetLogo permite la exploración

mediante la manipulación de interruptores, deslizadores, selectores, entradas y otros



Página | 41

elementos de la interfaz. Más allá de la exploración, NetLogo permite de creación de nuevos

modelos y modificación de los modelos existentes.

NetLogo está disponible gratuitamente desde el su sitio web y ha sido usado en una amplia

variedad de contextos educativos desde la escuela primaria hasta la universidad. NetLogo

fue diseñado y escrito por Uri Wilensky director del Centro de Aprendizaje y Modelamiento

Basados en el Computador de la Universidad Northwestern (Tisue & Wilensky 2004).

6.4 CODIFICACIÓN

En este flujo de trabajo se implementan los agentes y el entorno en archivos de código

fuente, ejecutables u otros dependiendo del Framework. Además se deben hacer las

pruebas unitarias; el programador es responsable de probar las unidades que produzca. El

resultado final de este flujo de trabajo es un sistema ejecutable.

Para la codificación se ha decidido no empezar desde cero sino tomar como punto de

partida uno o varios modelos multi-agente descritos de manera detallada en la literatura y

completamente validados, para los cual deben ser seleccionados de entre varios

previamente estudiados. Lo anterior teniendo en cuenta el carácter colaborativo que

caracteriza a la investigación basada en agentes (Axelrod, 1997). Estos modelos de

referencia se constituyen en un insumo importante de este flujo de trabajo a través del cual

van a ser ajustados e integrados y de esta manera pasan a ser parte del sistema final.

En este flujo de trabajo se desarrollan las siguientes actividades:

• Planificar qué subsistemas deben ser implementados y en qué orden deben ser

integrados, conformando el Plan de Integración.

• Decidir en qué orden se codifican los elementos del subsistema.

• Si se encuentran errores de diseño, notificar a los interesados.

• Probar los subsistemas individualmente.

• Integra el sistema siguiendo el plan.



Página | 42

La estructura de todos los elementos codificados forma el modelo de codificación. La

integración debe ser incremental, es decir, en cada momento sólo se añade un elemento.

De este modo es más fácil localizar fallos y los componentes se prueban más a fondo. En

fases tempranas del proceso se pueden implementar prototipos para reducir el riesgo, ver

si el sistema es viable desde el principio, probar tecnologías o diseñar la interfaz de usuario.

Los prototipos pueden ser exploratorios (desechables) o evolutivos. Estos últimos llegan a

transformarse en el sistema final.

La programación de un modelo de simulación debe alcanzar tres objetivos: validez,

usabilidad y extensibilidad (Axelrod 1997):

El objetivo de validez consiste en que el programa implemente correctamente el modelo.

Este tipo de validez se llama "validez interna". El logro de la validez interna es más difícil

de lo que parece ya que en primera instancia el programador no sabe si un resultado

inesperado es el reflejo de un error en la programación, o una consecuencia sorprendente

del modelo en sí. En la mayoría de los caso, la confirmación de que el modelo fue

programado correctamente implica sustancialmente más trabajo que la codificación del

modelo como tal.

El objetivo de la usabilidad es permitir que el investigador y los que siguen la ejecución del

programa, puedan interpretar las salidas, y entender el funcionamiento del modelo. En la

codificación típicamente se generan una serie de programas, con diferentes versiones

diferentes unas de las otras de diversas maneras. Las versiones pueden ser diferentes, por

ejemplo, en los datos que producen, en los valores de los parámetros de configuración, e

incluso las reglas que rigen el comportamiento de los agentes. Hacer un seguimiento de

todo esto no es trivial, sobre todo cuando se trata de comparar los nuevos resultados con

una producción de una versión anterior del programa para determinar exactamente lo que

podría explicar las diferencias.

El objetivo de extensibilidad es permitir que un futuro usuario pueda adaptar el programa

para nuevos usos. Por ejemplo, después de escribir un artículo con el modelo, el

investigador puede querer responder una pregunta sobre lo que sucedería si se añade una

nueva característica. Además, otro investigador podría querer modificar el programa para



Página | 43

probar una nueva variante del modelo. Es mucho más probable que un programa sea

extensible si está escrito y documentado con este objetivo en mente.

6.5 PRUEBAS Y EVALUACIÓN

En este flujo de trabajo se evalúa la calidad del sistema que se está desarrollando, no para

aceptar o rechazar el producto al final del proceso de desarrollo, sino parte integral de todo

el proceso a través de las iteraciones, por lo que este flujo de trabajo brinda soporte a los

otros flujos de trabajo. Sus objetivos son:

• Realizar las pruebas de integración.

• Verificar los supuestos realizados en la definición de requerimientos y en el diseño por

medio de demostraciones concretas.

• Verificar que los requerimientos tengan su apropiada implementación.

• Verificar los modelos de comportamiento de los agentes y los del modelo en su

conjunto.

Las actividades de este flujo comienzan en el proyecto con la definición de los escenarios

prueba a partir de los objetivos generales y específicos del proyecto, teniendo en cuenta el

tiempo y los recursos disponibles, o incluso antes, con las evaluaciones preliminares

durante el flujo de diseño, y continua durante todo el proyecto.

En este flujo de trabajo se planifican los escenarios de prueba, se diseña cómo se van a

configurar, se implementa lo necesario para llevarlos a cabo, se ejecutan en los niveles

necesarios y se obtienen los resultados, de forma que la información obtenida sirva para ir

refinando el sistema y finalmente sea un insumo idóneo para el análisis de escenarios. De

forma concreta para las simulaciones basadas en agentes, para cada escenario de prueba

se debe correr el modelo y analizar las salidas desde el punto de vista de la vinculación de

los comportamientos de la micro-escala de los agentes y los comportamientos de macro-

escala del sistema.

El proceso de verificación es esencial para los modelos de simulación en general y para los

modelos basados en agentes en particular. El proceso de verificación suele ser



Página | 44

especialmente problemático para los modelos de simulación basados en agentes por varias

razones, entre las que se destaca, la convergencia de múltiples escalas sin un

encadenamiento explícito entre los aspectos micro de los agentes y macro del sistema.

Otras características que influyentes son la no linealidad, que implica “fragilidad” de los

resultados, el número de supuestos, el grado de parametrización, el nivel de detalle y

además, la falta de datos adecuados que dificulta la verificación estadística. Estas

características se acentúan en la verificación de sistemas multi-agente. Debido a estos

problemas, es muy importante definir un procedimiento adecuado para la verificación de

modelos de simulación basados en agentes (Klügl 2008). Dada la criticidad y complejidad

del proceso de verificación para el trabajo, más adelante en esta sección se presenta una

discusión al respecto.

A pesar de la pureza y la claridad de los datos de simulación, el análisis plantea desafíos

importantes. Varias ejecuciones del mismo modelo pueden diferir entre sí debido a las

diferencias en las condiciones iniciales y los eventos estocásticos. Un reto importante es

que los resultados a menudo son dependientes del camino, lo que significa que la historia

importa. Para entender los resultados a menudo es significativa la comprensión de los

detalles de la historia de una ejecución específica. Hay al menos tres formas en que la

historia se puede describir (Axelrod 1997):

1. La historia puede ser contada como "noticias", siguiendo un orden cronológico. Por

ejemplo, una simulación de la política internacional podría describir la secuencia de los

eventos clave como las alianzas y las guerras. Esta es la forma más sencilla de contar

historias, pero a menudo es la que ofrece una menor capacidad explicativa.

2. La historia puede ser contada desde el punto de vista de un solo actor. Por ejemplo, se

podría seleccionar sólo uno de los actores, y hacer el equivalente de contar la historia de

"el ascenso y la caída del Imperio Romano." Esta suele ser la forma más fácil de entender

la historia, y puede ser muy reveladora acerca de las formas en que los mecanismos del

modelo tienen sus efectos en el tiempo.

3. La historia también puede ser contada desde un punto de vista global. Por ejemplo, se

podría describir la distribución de la riqueza a través del tiempo para analizar el grado de

desigualdad entre los agentes. Aunque el punto de vista global es a menudo la mejor para



Página | 45

ver patrones a gran escala, a menudo se necesitan las historias más detalladas para

determinar la explicación de estos patrones.

El uso de la simulación, se puede extender más allá de la comparación de múltiples historias

generadas a partir de parámetros idénticos, también se puede estudiar sistemáticamente

los efectos de la modificación de los parámetros. Al igual que en el sencillo cambio de

parámetros, los efectos de los cambios en los mecanismos pueden ser evaluados mediante

la ejecución de experimentos controlados con conjuntos completos corridas de simulación.

Por lo general, el método estadístico para el estudio de los efectos de estos cambios será

de regresión, si los cambios son cuantitativos, y de análisis de varianza, si los cambios son

cualitativos. Como siempre en el análisis estadístico, se deben distinguir y tratar por

separado dos preguntas: ¿Las diferencias son estadísticamente significativas? (es decir,

no es probable que hayan sido causadas por casualidad), y ¿las diferencias son

sustantivamente importantes? (es decir, lo suficientemente grandes en magnitud para ser

importantes) (Axelrod 1997).

Una vez terminada las fases de experimentación, verificación y análisis se planea realizar

la divulgación cuyo objetivo principal es compartir con la comunidad los resultados

obtenidos, para lo cual, de manera concreta, se planea realizar dos ponencias en eventos

o revistas reconocidas, así como publicar en la web el código fuente elaborado, para que

otros investigadores puedan obtenerlo fácilmente y por tanto pueda ser utilizarlo como

punto de partida para otros trabajos relacionados.

Verificación de Modelos de Simulación Basados en Agentes

El proceso de verificación descrito a continuación, comienza con un modelo ejecutable,

cuando se ha completado la depuración estándar y por primera vez en el ciclo de vida del

modelo se genera un conjunto de datos de salida completo. Esto no quiere decir que los

esfuerzos de verificación no jueguen un papel importante en los flujos de trabajo anteriores

del desarrollo de una simulación, por el contrario la validación conceptual y la verificación

en la implementación son muy importantes. Sin un modelo con una alta validez conceptual

y con una juiciosa verificación en la implementación, las actividades posteriores no tiene

sentido. La Figura 7 muestra el esquema de la propuesta de (Klügl 2008) para un proceso

de verificación y la forma en que está integrada en un ciclo de modelado más general.



Página | 46

Figura 7. Esquema de un procedimiento general para la verificación de un ABMS

Fuente: Klügl 2008

1. Verificación de Apariencia

La verificación de apariencia (Face Validation) por lo general juega un papel importante

durante el diseño del modelo. Todas las pruebas basadas en revisiones y auditorías, que

requieran la presentación y justificación de las hipótesis y la estructura del modelo se utilizan

para llegar a esta forma de plausibilidad. La verificación de apariencia se compone de al

menos tres elementos metodológicos potencialmente ejecutados por diferentes expertos

humanos:

Evaluación de la Animación: Un experto humano evalúa la animación del sistema

simulado general (o de partes de esta), es decir, evalúa si el sistema simulado parece

comportarse como el sistema real. De este modo, la animación debe estar en el nivel

apropiado de detalle y mostrar todos los aspectos dinámicos relevantes de manera que



Página | 47

sean fácilmente detectables por un humano. La animación generalmente muestra la

dinámica del sistema simulado desde una perspectiva de un ave y de este manera permite

observar por ejemplo, la aparición de atascos en lugares que corresponden a los reales. La

observación también puede centrarse en el comportamiento particular de agentes

individuales.

Evaluación de la Salida: Los datos de salida de la simulación también pueden ser

evaluados por un experto humano para comprobar la plausibilidad de los valores absolutos,

las relaciones entre diferentes valores, la dinámica y las tendencias de los valores de salida

de las diferentes ejecuciones de la simulación. Se puede realizar en la escala macro, así

como en la escala de los agentes. Si las relaciones previstas se pueden formalizar, por

ejemplo, en formas de restricciones, la evaluación de la salida se puede llegar a automatizar

Evaluación de Inmersión: Un experto humano mira a través de los ojos de un agente en

particular, ve lo que percibe y cómo reacciona. A partir de esta información, el experto puede

evaluar directamente si el comportamiento del agente simulado es apropiado. Si la interfaz

permite la participación del experto, también se puede evaluar el comportamiento de los

otros agentes en la reacción a las interacciones con el agente controlado por el experto. Es

evidente que el éxito de estas pruebas depende de la adecuación de la interfaz que incluso

puede ser específica para cada tipo de agente.

En este punto surge la pregunta de cuál es el orden adecuado para aplicar las diferentes

pruebas. En (Klügl 2008) se sugiere comenzar con las pruebas de animación y de

inmersión, y sólo cuando éstas se hayan superado, aplicar las pruebas de salida. La razón

de esto es el supuesto de que las ejecuciones de una simulación basada en agentes son

costosas y que tienen que ser repetidas varias veces para obtener un conjunto de datos de

salida, dadas las condiciones estocásticas. Por el contrario, es relativamente barato echar

un vistazo a la animación así como realizar una inmersión. Se debe comenzar con las

pruebas baratas que permiten el rechazo rápido del modelo y seguir invirtiendo cada vez

más esfuerzo cuando el modelo va adquiriendo mayor validez.



Página | 48

2. Análisis de Sensibilidad

Una consideración importante en los modelos que contienen muchos parámetros, como

modelos de simulación basados en agentes, consiste en el adecuado tratamiento del

conjunto de parámetros: El análisis de sensibilidad evalúa el efecto de los diferentes

parámetros y sus valores; a partir de ésta evaluación en la calibración se pueden determinar

los valores apropiados. Hay problemas particulares con los parámetros de los modelos de

simulación basados en agentes que implican soluciones especiales: problemas de escala,

debidos al elevado número de parámetros, debido a su vez al alto nivel de detalle;

problemas de mapeo entre los parámetros del agente abstracto y el concreto (apenas

medibles); parámetros individuales, especialmente los parámetro "al filo de la navaja", que

con pequeños cambios implican el cambio total del régimen de comportamiento (Izquierdo

& Polhill 2006).

El análisis de sensibilidad consiste en ensamblar un plan experimental en el que los valores

de parámetros son variados de acuerdo con algún programa sistemático. Para cada una de

estas combinaciones de valores de parámetros, una o más corridas de simulación se

ejecutan y evalúan. Si el modelo contiene elementos estocásticos es necesario realizar

varias corridas. El análisis de sensibilidad de los modelos de simulación basados en el

agente se describe en detalle en tres capítulos de (Suleiman et al 2000).

A partir de los resultados de un análisis de sensibilidad cuidadoso, mediante la supresión

de parámetros sin efecto y el ajuste de las partes conectadas a ellos, se puede producir un

modelo en el que se utilice un conjunto mínimo de parámetros. Este modelo mínimo es el

insumo para el siguiente paso, el de calibración.

3. Calibración

En la etapa de calibración, se deben fijar los parámetros del modelo de tal manera que un

modelo estructuralmente correcto produzca un resultado válido. Coloquialmente hablando

es un "problema inverso" de simulación: A diferencia de la ejecución hacia adelante que

parte de las entrada I_fix y los parámetro P_fix, y que producen un comportamiento de

salida O_sim, la calibración se inicia con los valores de las entradas I_fix y de las salidas

O_fix, y busca los valores adecuados de los parámetro P_opt, de modo que la salida



Página | 49

producida O_sim, cuando se utiliza el conjunto de parámetros de entrada P_opt, se asemeje

lo suficiente al resultado determinado: O_sim ~ O_fix. Por lo tanto, la calibración es

básicamente un problema de optimización. Sin embargo, la solución normalmente no es

trivial. El proceso de calibración se describe en detalle en (Law 2007) y (Zeigler 1976).

En la calibración de una simulación basada en agentes, se debe hacer frente a dos

problemas principales, además del tamaño y de los datos que faltan: ¿Cómo lidiar

razonablemente con las problemáticas estructuras de parámetros? y: ¿Cómo evitar la

trampas de sintonía?. Para la calibración se sugiere tratar el modelo general como una caja

negra y usar métodos eficientes de optimización para encontrar el ajuste “óptimo” de los

parámetros. Este procedimiento se puede mejorar cuando se dispone de medidas locales

de validez y de calibración, se pueden aplicar por ejemplo, en la escala de los agentes. El

comportamiento de los agentes puede servir como una fuente de información para la validez

local, es decir, se puede utilizar para lograr una calibración local razonable. La Integración

de pruebas de plausibilidad y pruebas adicionales en la escala de los agente puede ayudar

evitar las trampas de sintonía. Las pruebas de plausibilidad son básicamente lo mismo que

la verificación de aspecto que se expuso anteriormente, sin embargo, no puede ser

ejecutada tan intensamente como antes, ya que se suponen cambios limitados en el

resultado de la simulación.

4. Verificación Estadística

Para finalizar el procedimiento de verificación representado en la Figura 7, se debe ejecutar

un último paso correspondiente a la verificación estadística global. Se puede pensar que

después de la una calibración total exitosa, se puede desplegar el modelo, realizar los

experimentos y analizar los datos de salida, sin embargo, la calibración y verificación deben

utilizar diferentes conjuntos de datos para asegurar que el modelo no está simplemente

sintonizado para reproducir un conjunto de datos sino que también es válido para entradas

que no ha sido introducidas previamente. Por lo tanto, en este punto una última etapa de

verificación basada en un conjunto de datos no utilizados previamente debe confirmar que

la calibración fue exitosa. Finalmente, todos los datos disponibles, se deben utilizar en todos

los niveles disponibles.



Página | 50

7. LA AUTO-ORGANIZACIÓN EMPRESARIAL

7.1 LA AUTO-ORGANIZACIÓN

El término auto-organización se ha utilizado en diferentes áreas con diferentes significados,

como en cibernética (Pask & Von Foerster 1960; Heylighen 2001), termodinámica (Nicolis

y Prigogine 1977), biología (Camazine et al 2003), matemáticas (Lendaris 1964),

informática (Heylighen & Gershenson 2003), complejidad (Schweitzer 1997), teoría de la

información (Shalizi 2001), evolución del lenguaje (de Boer 2000), sinergética (Haken

1981), y otras (Coveney 2003).

A modo de referencia, a continuación, algunas de las definiciones más destacadas:

La auto-organización es un proceso en el que en un sistema emerge un patrón global a

partir exclusivamente de numerosas interacciones entre los componentes de nivel inferior.

Por otra parte, las reglas que especifican las interacciones entre los componentes del

sistema se ejecutan utilizando solamente información local, sin hacer referencia al patrón

global (Camazine et al 2003).

La auto-organización se entiende como la emergencia del nuevo orden a partir de las

interacciones entre los agentes (Kauffman 2000) o como un conjunto de mecanismos

dinámicos en el que las estructuras de nivel global aparecen de un sistema de interacciones

entre los componentes de diferentes niveles (Bonabeau et al 1997). Las reglas de

interacción entre las unidades constitutivas del sistema se ejecutan con base en información

puramente local, sin la referencia de patrones globales, los cuales son una propiedad

emergente del sistema, en lugar de una propiedad impuesta al sistema (Holland & Melhuish

1999).

Se he hecho común el uso del término "auto-organización", pero no hay un significado

aceptado de manera general, como lo sugiere la abundancia de definiciones. Además, al

proponer tal definición se enfrentan el problema filosófico de la definición de "auto", el

problema cibernético de la definición de "sistema", y el problema universal de la definición

de "organización". No se intenta proponer una nueva definición de los sistemas auto-



Página | 51

organizados. Sin embargo, con el propósito de tratar de entender mejor estos sistemas, se

explora la siguiente pregunta: ¿Cuáles son las condiciones necesarias para llamar a un

sistema "auto-organizado"? Se hace mediante la combinación de ideas de los diferentes

contextos en los que los sistemas auto-organizados han sido estudiados (Gershenson

2007).

7.2 CARACTERÍSTICAS DE LOS SISTEMAS AUTO-ORGANIZADOS

En (Camazine et al 2003) se proponen tres características fundamentales de los sistemas

auto-organizados:

. Los sistemas auto-organizados son dinámicos (p.29)

. Los sistemas auto-organizados exhiben propiedades emergentes (p.31)

. Los sistemas auto-organizados pueden promover patrones estables (p.37)

En (Heylighen 2001) se proponen siete características de los sistemas auto-organizados:

. Orden global a partir de interacciones locales

. Control distribuido

. Agilidad y flexibilidad

. No linealidad y realimentación

. Clausura organizacional y arquitectura jerárquica

. Bifurcaciones y ruptura de la simetría

. Dinámica lejos del equilibrio

A lo largo de este capítulo se van a describir las características esenciales de los sistemas

auto-organizados, clasificándolas en dos grupos, pre-condiciones y pos-condiciones. Las



Página | 52

pre-condiciones son aquellas que se encuentran antes de que ocurra el proceso; desde el

punto de vista de la simulación, son aquellas que se deben garantizar en la programación.

Las pos-condiciones son aquellas que se pueden observar una vez se ha dado el proceso;

desde el punto de vista de la simulación, son aquellas que se espera poder observar para

confirmar el carácter “auto-organizado” del proceso. Por otro lado, para cada una de estas

características se va a tratar de identificar cómo se traduce al ámbito organizacional.

1. Orden global a partir de interacciones locales

El cambio más obvio que tiene lugar en los sistemas auto-organizados es el surgimiento

del orden global. Sin embargo, inicialmente los elementos del sistema sólo interactúan a

nivel local. Un solo elemento sólo ejerce una influencia no despreciable sobre sus vecinos

más próximos.

Esta localidad de las interacciones, es la base de la continuidad de todos los procesos: para

que cualquier influencia pase de una región a otra, debe pasar primero a través de todas

las regiones intermedias. Durante el tiempo en que el proceso se propaga a través del

medio interpuesto, va a ser perturbado por todas las fluctuaciones que tienen lugar en ese

medio. Puesto que se supone que se empieza con un sistema desordenado, donde los

componentes actúan en formas aleatorias, cualquier influencia que se propague será

rápidamente dispersada y eventualmente destruida por estas perturbaciones aleatorias.

Como un resultado del estado desordenado original del sistema, las partes distantes del

sistema son básicamente independientes: no se influyen entre sí. El conocimiento de la

configuración de los componentes en una región no brinda información sobre la

configuración en otra región no contigua: en este caso las configuraciones tienen

correlación cero. Por otra parte, en el estado auto-organizado, todos los segmentos del

sistema están fuertemente correlacionados. La correlación es una medida útil para estudiar

la transición del estado desordenado al estado ordenado. La localidad implica que las

configuraciones vecinas están fuertemente correlacionadas, pero que esta correlación

disminuye a medida que la distancia entre las configuraciones aumenta. La longitud de

correlación se puede definir como la máxima distancia sobre la que existe una correlación

significativa.



Página | 53

En el ámbito organizacional, las teorías de la auto-organización han sido aplicadas

recientemente por diferentes investigadores para comprender el surgimiento de patrones

de comportamiento global a partir de la interacción entre los agentes que componen un

sistema social natural, artificial o humano, destacando que los sistemas adaptativos

complejos (CAS) han sido la perspectiva teórica sobre la que se han soportado en mayor

medida los estudios de la organización (Bohorquez 2013).

El orden global se considera un pos-condición, es decir una característica que se puede

observar después de que se ha dado el proceso de auto-organización. En la programación

de la simulación se debe verificar que no haya condiciones externas a los agentes que

impongan un orden global o que generen una tendencia al mismo. Las interacciones locales

se consideran una pre-condición, es decir una característica que se debe garantizar en la

programación de la simulación; esto se traduce en que se deben implementar los más

sofisticados posibles mecanismos de comunicación entre los agentes, que garanticen y

enriquezcan las interacciones entre los mismos.

2. Control distribuido

Cuando consideramos un sistema altamente organizado, generalmente imaginamos algún

agente externo o interno que es responsable de guiar, dirigir o controlar esa organización.

El controlador es un subsistema físicamente distinto, que ejerce su influencia sobre el resto

del sistema. En este caso, podemos decir que el control está centralizado. En los sistemas

auto-organizados, por el contrario, el "control" de la organización típicamente se distribuye

sobre el conjunto del sistema. Todas las partes contribuyen de manera uniforme a la

disposición resultante.

Aunque el control centralizado tiene algunas ventajas sobre el control distribuido (por

ejemplo, permite una mayor autonomía y mayor especialización para el controlador), en

algún nivel el mismo debe estar basado en el control distribuido. Por ejemplo, el

comportamiento de nuestro cuerpo puede ser mejor explicado mediante el estudio de lo

que ocurre en nuestro cerebro, ya que el cerebro, a través del sistema nervioso, controla el

movimiento de nuestros músculos. Sin embargo, para explicar el funcionamiento de nuestro

cerebro, ya no podemos depender de alguna "mente dentro de la mente" que les dice a las



Página | 54

diferentes neuronas del cerebro lo que deben hacer. En el ámbito organizacional, el control

distribuido implica el desarrollo de operaciones en ausencia de controlador central (líder,

gerente, coordinador) y de parámetros que restrinjan la acción individual (procedimientos,

estándares, protocolos y demás). (Bohórquez 2013).

La estructura beneficia la coordinación, la comunicación y el tiempo de respuesta en el

desarrollo de las tareas del equipo. Por ejemplo el impacto de la estructura del equipo en el

desempeño de tareas complejas (Hallam & Stammers 1981). La a efectividad del equipo

medida a través de la comunicación, el desempeño y la carga de trabajo varían como una

función de la estructura (Entin et al 2003). La estructura del equipo influye en la capacidad

de la organización para adaptarse a situaciones de crisis (Jobidon et al 2013). De lo anterior

se puede plantear que los rasgos estructurales de la organización facilitan el procesamiento

de información, e influyen en la agilidad del sistema para adaptarse a las condiciones

cambiantes del entorno.

Por ejemplo en al área de la informática, la característica principal del procesamiento en

paralelo es disponer de un conjunto de unidades de procesamiento interconectadas por

algún medio que posibilita la comunicación de datos y el control de ellos (Nesmachnow

2004). Su principal tarea es comunicar y sincronizar un conjunto de procesos que se

ejecutan concurrentemente en diferentes procesadores. Los sistemas de procesamiento en

paralelo también conocidos como multiprocesadores permiten abordar problemas

complejos (no polinomiales NP) debido a que pueden manejar altos volúmenes de datos

que con el enfoque tradicional serían imposibles de resolver.

La relevancia de la estructura en el procesamiento de información también ha sido

ampliamente trabajada desde la inteligencia de enjambre, principalmente por la capacidad

que tienen para resolver problemas de formas muy ágiles y flexibles. La flexibilidad

entendida como la capacidad de adaptación a los cambios del ambiente, y la agilidad como

la habilidad de la colonia para funcionar aun cuando algunos individuos fallen en sus tareas

(Bonabeau, Dorigo & Theraulaz 1999). Los estudios de las colonias de insectos sociales

han evidenciado la importancia de las interacciones directas e indirectas entre las partes.

La comunicación directa vía contacto entre los insectos facilita el intercambio de

información, de nutrientes, la ayuda mutua, y se constituye en un vector de transmisión del

comportamiento gregario (Nicolis, Theraulaz, & Deneubourg 2005). Diversas



Página | 55

investigaciones han evidenciado la influencia de la comunicación directa en la modificación

de las trayectorias físicas que siguen las hormigas en su recorrido (Hölldobler & Lumsden

1980), así como en la organización de la colonia: la división del trabajo, la construcción o

extensión del nido, la búsqueda de alimentos, entre otros (Gordon, Paul & Thorpe 1993).

El control distribuido se considera una pre-condición, es decir una característica que se

debe garantizar en la programación de la simulación; esto se traduce en que no debe haber

agentes que concentren el poder, es decir que tengan la capacidad de ejercer un control

centralizado.

3. Agilidad y flexibilidad

Una característica general de los sistemas auto-organizados es que son agiles y flexibles.

Esto significa que son relativamente insensibles a las perturbaciones o errores, y tienen una

fuerte capacidad de restaurarse a sí mismos, a diferencia de la mayoría de los sistemas

diseñados por el hombre. El cerebro ilustra este principio muy bien. Su organización se

distribuye sobre una red de neuronas que interactúan. A pesar de que diferentes regiones

del cerebro se especializan en diferentes tareas, ninguna neurona o grupo de neuronas

tiene control total. Esto se demuestra por el hecho de que las lesiones cerebrales leves

normalmente no perturban el funcionamiento general, cualquiera que sea la región que se

dañe.

El mismo efecto se puede simular en computadores a través de redes neuronales. Una red

neuronal que ha sido "entrenada" para realizar una tarea determinada (por ejemplo,

reconocer letras escritas a mano), en general, todavía será capaz de realizar esa tarea

cuando se dañe, por ejemplo, mediante la eliminación aleatoria de nodos y enlaces de la

red. El aumento de los daños disminuye el rendimiento, pero la degradación será "elegante":

la calidad de la salida disminuirá gradualmente, sin pérdida repentina de la función. Un

programa de computador tradicional o sistema mecánico, por el contrario, en general dejará

de funcionar si se eliminan componentes aleatoriamente.

Una de las razones para esta tolerancia a fallos es la organización distribuida redundante:

las regiones no dañadas usualmente pueden compensar a las regiones dañadas. Esto



Página | 56

puede ser ilustrado por la holografía: a diferencia de una fotografía normal, la información

acerca de un elemento de la escena en la foto se distribuye sobre la totalidad del holograma.

Si se daña o se corta una parte de la lámina holográfica el efecto se limita a que la imagen

resultante sea más difusa, sin remover ningún componente esencial de la imagen.

Otra razón para esto es que la solidez intrínseca de auto-organización se nutre de la

aleatoriedad, fluctuaciones o "ruido". Es esta variabilidad intrínseca o diversidad la que hace

posible la auto-organización, una cierta cantidad de perturbaciones aleatorias facilita en

lugar de obstaculizar la auto-organización.

La agilidad y la flexibilidad se consideran pos-condiciones, es decir características que se

pueden observar después de que se ha dado el proceso de auto-organización. Para

verificar su aparición en la simulación se deben construir y comparar varios escenarios,

algunos de ellos adversos para la organización. En la medida en que la organización tenga

la capacidad de sobreponerse a escenarios cada vez más adversos, como la disminución

de los recursos disponibles o el aumento de las amenazas, se podrán verificar la agilidad y

flexibilidad que se haya podido desarrollar.

4. No-linealidad y la realimentación

La mayoría de los sistemas modelados por los métodos matemáticos tradicionales son

lineales. Esto significa básicamente que los efectos son proporcionales a sus causas: si se

golpea un balón con el doble de fuerza, este volará dos veces más rápido. En los sistemas

auto-organizados, por otro lado, la relación entre la causa y el efecto no es tan sencilla:

pequeñas causas pueden tener grandes efectos, y grandes causas pueden tener efectos

pequeños.

Esta no linealidad puede ser entendida a partir de la relación de retroalimentación que se

da entre los componentes del sistema. Cada componente (por ejemplo, un spin) afecta a

los otros componentes, pero estos componentes a su vez afectan al primer componente.

Así, la relación causa-efecto es circular: cualquier cambio en el primer componente se

realimenta en este mismo componente a través de sus efectos sobre los otros

componentes. La realimentación puede tener dos valores fundamentales: positiva o



Página | 57

negativa. Se dice que la realimentación es positiva si la influencia recurrente refuerza o

amplifica el cambio inicial. En otras palabras, si se produce un cambio en una dirección

particular, la reacción que se realimenta se lleva a cabo en la misma dirección. La

realimentación es negativa si la reacción es opuesta a la acción inicial, es decir, si el cambio

se suprime o se contrarresta, en lugar de reforzarse. La realimentación negativa estabiliza

el sistema, trayendo las desviaciones de nuevo a su estado original. La realimentación

positiva, por el contrario, hace que las desviaciones crezcan fuera de control, de una

manera explosiva. Esto conduce a un desarrollo acelerado, lo que resulta en una

configuración radicalmente diferente.

Un proceso de auto-organización, tal como la magnetización, por lo general comienza con

una fase de retroalimentación positiva, donde se amplifica una fluctuación inicial, que se

extiende cada vez más rápido, hasta que afecta a todo el sistema. Una vez que todos los

componentes se han "alineado" con la configuración creada por la fluctuación inicial, la

configuración deja de crecer: los recursos disponibles han sido "agotados". Ahora el sistema

ha alcanzado el equilibrio (o al menos, un estado estacionario). En este punto ya no es

posible un mayor crecimiento, los únicos cambios posibles son aquellos que reducen la

configuración dominante. Sin embargo, tan pronto como algunos componentes se desvían

de esta configuración, las mismas fuerzas que reforzaron esa configuración suprimen la

desviación, haciendo que el sistema vuelva a su configuración estable. Esta es la fase de

retroalimentación negativa.

En los sistemas auto-organizados más complejos, habrá varios enclaves de lazos de

realimentación positiva y negativa, por lo que los cambios en algunas direcciones se

amplifican mientras que los cambios en otras direcciones se suprimen. Esto puede conducir

a un comportamiento muy complejo y difícil de predecir.

Las organizaciones empresariales, son sistemas caracterizados por ciclos de feedback no

lineal por cuanto todo el tiempo las personas interactúan unas con otras (Stacey 1995), y

las acciones de una persona A tienen consecuencias en las acciones de B, F, Z o en todas

las personas de la organización, llevando a que estas reaccionen y por lo tanto puedan

generar consecuencias en A, lo que a su vez incita a una nueva respuesta de este último.

Adicionalmente, si se tiene en cuenta que las decisiones de los actores dependen de sus

percepciones y no impactan en la misma proporción a los miembros de la organización, se



Página | 58

evidencia la no linealidad de las organizaciones, en la cual el comportamiento del grupo es

mayor que la suma de los resultados individuales (Bohórquez 2013).

La no-linealidad y la realimentación se consideran pre-condiciones, es decir características

que se deben garantizar en la programación de la simulación. La no-linealidad se traduce

en que se deben incluir operaciones no-lineales en el comportamiento de los agentes, tales

como decisiones binarias que implican discontinuidades o transiciones bruscas entre dos o

más estados. La realimentación negativa se traduce en habilitar mecanismos que en lugar

de limitar comportamientos que se auto-refuercen, los promuevan.

5. Clausura organizacional y la arquitectura jerárquica

La correlación o coherencia entre componentes separados producidos por la auto-

organización define una configuración ordenada. Sin embargo, orden no significa todavía

organización. La organización puede ser definida como la característica de ser ordenado o

estructurado para cumplir una función particular. En los sistemas auto-organizados, esta

función es el mantenimiento de una configuración particular, a pesar de las perturbaciones.

Sólo esos órdenes serán el resultado de la auto-organización que puede mantenerse a sí

misma. Esta característica general de la auto-suficiencia puede ser entendida a través del

concepto de clausura.

Un proceso causal general puede ser analizado como una cadena o secuencia A > B > C

> D > ... de situaciones o eventos, de tal manera que el primer evento A causa el siguiente

evento B, B causa C, y así sucesivamente. En general, esto produce un cambio en curso.

Sin embargo, es posible que en alguna etapa la cadena se cierre sobre sí misma, de modo

que por ejemplo el evento O lleve de nuevo al evento anterior J. En ese caso, el sistema

continuará al ciclo a través de J, K, L, M, N, O, J, K, L, ... la disposición correspondiente del

sistema se mantendrá o será reproducida continuamente.

Si el ciclo se asienta en un régimen de retroalimentación negativa, será relativamente

insensible a las perturbaciones externas. El sistema se ha vuelto ahora responsable de su

propio mantenimiento, y por lo tanto se ha vuelto en gran medida independiente del medio

ambiente. Por lo tanto, también está "cerrado" a las influencias del exterior. Aunque, en



Página | 59

general, todavía habrá intercambio de materia y energía entre el sistema y el medio

ambiente, la organización se determina internamente en un alto grado. Así, el sistema es

termodinámicamente abierto, pero organizacionalmente cerrado.

En términos más generales, un sistema auto-organizado puede asentarse en una serie de

subsistemas relativamente autónomos, organizativamente cerrados, pero estos

subsistemas siguen interactuando de manera indirecta. Estas interacciones también

tenderán a asentarse en configuraciones "cerradas" autosuficientes, determinando

subsistemas en un nivel jerárquico superior, que contienen los subsistemas originales como

componentes. Estos sistemas de nivel superior a sí mismo pueden interactuar hasta que

lleguen a un patrón cerrado de interacciones, definiendo así un sistema de un orden aún

más alto.

Esto explica por qué los sistemas complejos tienden a tener una estructura jerárquica,

"cajas dentro de cajas", arquitectura en la que en cada nivel se puede distinguir una serie

de organizaciones cerrada relativamente autónomas. Por ejemplo, una célula es un sistema

organizacionalmente cerrado, que abarca una red compleja de ciclos químicos que

interactúan dentro de una membrana que los protege de las perturbaciones externas. Sin

embargo, las células están en sí mismas organizadas en circuitos y tejidos que juntos

forman un organismo multicelular. Estos mismos organismos están conectados por una

multitud de redes alimentarias cíclicas, formando en conjunto un ecosistema.

La clausura organizacional convierte una colección de elementos que interactúan en un

todo individual coherente. Este conjunto tiene propiedades que surgen de su organización,

y que no pueden reducirse a las propiedades de sus elementos. Dichas propiedades se

denominan emergentes. Normalmente una propiedad emergente de un nivel más alto es

restringir el comportamiento de los componentes de nivel inferior. Esto se llama causalidad

descendente: es como si el nivel superior ejerciera su influencia hacia abajo, hacia el nivel

inferior, haciendo que los elementos de este nivel actúen de una manera particular. La

causalidad descendente debe contrastarse con la más tradicional causalidad "ascendente"

subyacente en el reduccionismo newtoniano, donde el comportamiento de la totalidad está

totalmente determinado por el comportamiento de las partes.



Página | 60

La clausura organizacional se considera una pre-condición, es decir una característica que

se debe garantizar en la programación de la simulación, esta característica se traduce en

una restricción que se puede enunciar como en que los diferentes agentes no podrán

desvincularse fácilmente a una organización a la que pertenecen o vincularse fácilmente a

una organización a la que no pertenecen.

La arquitectura jerarquía se considera una pos-condición, es decir una característica que

se puede observar después de que se ha dado el proceso de auto-organización.

6. Bifurcaciones y la ruptura de la simetría

Los sistemas de ecuaciones lineales normalmente tienen una sola solución. Los sistemas

no lineales, por el contrario, típicamente tienen varias soluciones, y no hay manera, a priori,

de decidir qué solución es la "correcta". En términos de sistemas auto-organizados reales,

esto significa que hay una variedad de configuraciones estables en los que estos sistemas

se pueden asentar.

En cuál de las posibles configuraciones el sistema se asentará dependerá de una

fluctuación aleatoria. Dado que las pequeñas fluctuaciones son amplificadas por la

realimentación positiva, esto implica que la fluctuación inicial que condujo a un resultado

más que otro puede ser tan pequeña que no pueda ser observada. En la práctica, dado el

estado del sistema al inicio del proceso, el resultado es por lo tanto imprevisible.

Sin embargo, si volvemos al estado del sistema antes de la auto-organización, sólo había

una configuración posible: una desordenada. Una configuración desordenada es una en la

que los posibles estados para los componentes individuales tienen la misma probabilidad.

Aunque todos los componentes individuales se comportan de manera diferente, a nivel

global, macroscópico, el sistema es homogéneo. Esto significa que el sistema es simétrico:

desde cualquier dirección que se observe tendrá el mismo aspecto.

Sin embargo, después de la auto-organización una dirección o una configuración domina

todas las demás, y por lo tanto se pierde la simetría. Otra forma de concebir tal ruptura de

la simetría es analizar el sistema auto-organizado como si estuviera tomando una decisión:



Página | 61

inicialmente trata por igual a todas las configuraciones, pero luego se expresa una

preferencia por una de las posibilidades. Sin embargo, no existen criterios objetivos para

preferir una configuración estable a otra. Es como si el sistema tomara una decisión

arbitraria, y de esta manera cambiara el abanico de posibilidades. Es esta imprevisibilidad

la que, en un sentido, crea la novedad real. La evolución desde la configuración

desordenada hacia la configuración ordenada es usualmente disparada por un cambio en

la situación externa, las condiciones de contorno del sistema.

Muchos procesos de auto-organización se pueden describir mediante diagramas, donde se

representan los tipos de posibles soluciones en función de una determinada variable cuyos

valores determinan la aparición de la auto-organización. Ya que marcan la transición entre

las configuraciones desordenadas y ordenadas, a esta variable se le suele llamar parámetro

de orden. Son posibles bifurcaciones muy complejas: en un punto de bifurcación puede

aparecer cualquier número de soluciones, y las bifurcaciones pueden estar dispuestas en

"cascada", donde cada rama se bifurca más y más a medida que aumenta el parámetro de

orden. En algunos casos, las bifurcaciones aparecen cada vez más rápido a medida que

aumenta parámetro de orden, hasta que el número de ramas se hace infinito. Esto

normalmente caracteriza el inicio del régimen caótico, en el que el sistema salta

constantemente y de manera impredecible de una rama (configuración) a otra.

El aumento en el número de configuraciones posibles que acompaña el aumento en el

parámetro de orden puede ser visto como un aumento de la variabilidad general o

"turbulencia" que implica distancia del equilibrio. Una manera de entender esto es

observando que entre más energía sea "bombeada" en el sistema, se permite una mayor

amplificación de pequeñas diferencias (retroalimentación positiva), y por lo tanto tipos más

variados de comportamiento.

Las organizaciones empresariales son sistemas no lineales alejados del equilibrio. Son

altamente sensibles a las innovaciones, a los eventos o al azar, propios del ambiente

empresarial, y sus patrones de comportamiento emergen sin intencionalidad. De hecho, los

comportamientos empresariales no corresponden a la intensión de los individuos que los

generan, lo que produce inesperados y contados resultados intuitivos (Holland 1995).



Página | 62

La las bifurcaciones y la ruptura de la simetría se consideran pos-condiciones, es decir

características que se pueden observar después de que se ha dado el proceso de auto-

organización. Estas son características propias de los sistemas no lineales y son

relativamente fáciles de verificar; para esto se deben encontrar puntos de configuración de

las condiciones iniciales que con pequeñas variaciones resulten es estados finales muy

diferentes.

7. Dinámica lejos del equilibrio

En la termodinámica, el equilibrio se caracteriza por la ausencia de producción de entropía,

o, de manera equivalente, por el hecho de que no se disipa energía. Un sistema en equilibrio

se ha asentado en un mínimo de la función de energía potencial. Para llegar a ese estado,

el sistema tuvo que haber disipado toda la energía "excedente" que contenía. Sin el aporte

externo de energía, permanecerá fijo para siempre en ese estado de energía mínima.

Prigogine y otros han sugerido que en tales casos la segunda ley de la termodinámica, que

establece que la entropía total en un sistema cerrado alcanza un máximo, debe ser

sustituida por una nueva ley de la producción máxima entropía: en sistemas alejados del

equilibrio termodinámico, la disipación de entropía al medio ambiente alcanza un máximo.

Sin embargo, esta ley sigue siendo controvertida.

El ingreso constante de energía en los sistemas alejados del equilibrio implica un

movimiento continuo o flujo entre los componentes del sistema. Este flujo será alimentado

por una baja entropía; la materia o energía que entra desde el medio ambiente, que realiza

un ciclo a través del sistema, se somete a un número de conversiones, con el fin de dejar

finalmente el sistema como una salida de alta entropía.

La dependencia de una fuente externa de energía hace que un sistema alejado del equilibrio

sea más frágil y sensible a cambios en el entorno, pero también más dinámico y capaz de

reaccionar. La fragilidad es evidente: si la fuente de energía llegara a desaparecer, la

estructura disipadora se desintegraría. Por otra parte, el excedente de energía permite que

el sistema amplifique los procesos en curso, por ejemplo, contrarrestando las

perturbaciones generadas por grandes reacciones, o manteniendo los ciclos de

realimentación positiva durante un tiempo mucho más largo.



Página | 63

Esto hace que el sistema sea mucho más potente en el desarrollo, crecimiento o la

adaptación a los cambios externos. En vez de reaccionar a todas las perturbaciones por

una retroalimentación negativa que trae el sistema de nuevo al mismo estado de equilibrio,

un sistema alejado del equilibrio es, en principio, capaz de producir una variedad mucho

mayor de las acciones de regulación, lo que lleva a múltiples configuraciones estables. Con

el fin de mantener una organización en particular, a pesar de los cambios ambientales, sin

embargo, la cuestión es qué acción se debe utilizar en qué circunstancias. Esto define el

problema de la adaptación.

En el ámbito organizacional, la coexistencia de orden y caos promueve la tensión

organizativa y la contradicción interminable, que a su vez son fuente de conflicto. Las

tensiones incentivan la creatividad y facilitan el logro de resultados exitosos (Aritzeta,

Ayestaran & Swailes 2005). En otras palabras, en los procesos auto-organizados coexisten

ambos estados: estables e inestables o predecibles e impredecibles, respectivamente

(Richardson 2008, Holland 1995, Kauffman 2000, Mitleton 2003, Wulun 2007). De ahí que

el éxito sostenido emerja de la inestabilidad limitada y de la capacidad de surgimiento del

nuevo orden (Lu & Mahfouf 2010).

La búsqueda de inestabilidad limitada significa que la organización debe evitar tanto el

equilibrio como el caos. El equilibrio ha sido la principal característica de la administración

desde la corriente de pensamiento principal; sin embargo, al considerar a la organización

como ser vivo, la orientación hacia estados estables pierde relevancia y pertinencia. De

hecho, mantener a la organización en el equilibrio conlleva coartar la creatividad, así como

reducir la introducción de innovaciones al sistema; es decir, el equilibrio (también conocido

como subcriticalidad) restringe la capacidad de responder a las condiciones cambiantes del

entorno y, por ende, provoca la desaparición de la organización (Bohórquez, 2013).

La dinámica lejos del equilibrio se considera una poscondición, es decir una característica

que se puede observar después de que se ha dado el proceso de auto-organización.



Página | 64

7.3 PRECONDICIONES Y POSCONDICIONES DE LA AUTO-

ORGANIZACIÓN

En la tabla 1 se presenta un resumen de la clasificación realizada de las características de

la auto-organización entre precondiciones y poscondiciones. Se incluye una columna con

el título de las características en inglés ya que la mayoría de la literatura disponible al

respecto se encuentra en este idioma.

Tabla 1. Características de la auto-organización

Característica Characteristic Clasificación

. Orden global a partir de interacciones locales

. Global order from local interactions

Poscondición a partir de Precondición

. Control distribuido . Distributed control Precondición

. Agilidad y flexibilidad . Robustness, resilience Poscondición y Poscondición

. No-linealidad y la realimentación

. Non-linearity and feedback

Precondición y Precondición

. Clausura organizacional, jerarquía y emergencia.

. Organizational closure, hierarchy and emergence

Precondición, Poscondición y Poscondición

. Bifurcaciones y la ruptura de la simetría

. Bifurcations, symmetry breaking

Poscondición y Poscondición

. Dinámica lejos del equilibrio

. Far-from-equilibrium dynamics

Poscondición


Otras condiciones necesarias para la auto-organización

Además de las características de los sistemas auto-organizados identificadas como

precondiciones, en la literatura se encuentran referidas otras condiciones como necesarias

para que se dé el proceso de auto-organización, las cuales se mencionan a continuación:

La auto-organización solo ocurre en sistemas abiertos que importan energía (Nicolis y

Prigogine 1997) o información (Boisot y Child 1999) del entorno y logran alcanzar estados

de inestabilidad limitada (Anderson 1999; Stacey 1995; Kauffman 2000; Gell-Mann 1995).

Los sistemas alejados del equilibrio crean estructuras disipativas a partir del intercambio de

información con el entorno, lo que genera el rompimiento o la transformación de los



Página | 65

patrones actuales y permite la emergencia de nuevos modelos que conducen a la auto-

organización del sistema (Prigogine & Stengers 1984; Nicolis y Lefever 1977).

Estudios soportados en redes booleanas han encontrado que estas desarrollan procesos

de auto-organización cuando la conexión entre los agentes no es muy alta ni muy escasa.

Un alto nivel de conectividad conduce a los agentes a exhibir comportamientos de profunda

inestabilidad, lo que puede generar la desaparición del sistema; sin embargo, resultados

similares se presentan cuando la conectividad es escasa debido a la estabilidad que se

produce (Kauffman, 2000).



Página | 66

8. SIMULACIÓN DE SISTEMAS COMPLEJOS

8.1 LA SIMULACIÓN COMO UNA HERRAMIENTA PARA ESTUDIAR LA

COMPLEJIDAD

La simulación es una potente metodología para el estudio de las organizaciones

empresariales, principalmente por la capacidad que tiene de representar comportamientos

complejos, que son una característica propia de los sistemas sociales, lo que facilita el

avance de las investigaciones relacionadas. A pesar de esto, la adopción del uso de la

simulación en las ciencias de la administración ha sido lento por el poco conocimiento que

hay de estas herramientas en los científicos interesados en el estudio de las organizaciones

empresariales, lo anterior pese a que en ciencias como la psicología son de uso común.

(Allen, Maguire & McKelvey 2011).

Una simulación es un modelo del comportamiento de algún sistema que se desea

investigar. Un modelo consiste en un conjunto de construcciones matemáticas que se

traducen en ecuaciones y / o reglas de transformación de los procesos por los cuales las

variables del sistema cambian a través del tiempo. Para la simulación el modelo es

trasladado a un código informático, donde a través de la programación para diferentes

periodos de tiempo se evalúan los resultados de interés (Sastry 1997). El uso de la

simulación en sistemas sociales está determinado por la invención y desarrollo de la

computación, aunque se destacan simulaciones no computacionales como el juego de la

cerveza desarrollado por Senge en 1993 (Blaschke 2008).

8.2 LA COMPLEJIDAD EN LAS ORGANIZACIONES EMPRESARIALES

Las organizaciones empresariales son sistemas de complejidad creciente. El incremento

en la complejidad del sistema se debe principalmente a factores estructurales y a la

capacidad de co-evolucionar con el entorno. Entre los factores estructurales se encuentran:

el incremento de los integrantes del sistema, de la conexión de los agentes y de la



Página | 67

intensidad de las conexiones, lo que genera una alta interdependencia que moldea

comportamientos colectivos aleatorios y lejos del equilibrio sin llegar a ser caóticos.

Los sistemas de complejidad creciente presentan tres características principales: la

emergencia, la evolución y la auto-organización (Bohórquez 2016). La emergencia es el

surgimiento permanente de comportamientos nuevos debido las interacciones o

conexiones entre los agentes de la organización, que hacen imposible predecir los estados

futuros del sistema (Holland, 1998); la auto-organización es “el surgimiento de nuevo orden,

por medio del intercambio de información con el entorno, lo que significa que el sistema

alcanza el orden sin estados de equilibrio (Nicolis & Prigogine, 2007), y la evolución es la

capacidad que tiene el sistema de utilizar la interconectividad de sus elementos para

ajustarse y adaptarse al ambiente a través de las acciones de los agentes, que son producto

de las percepciones o criterios construidos a través del tiempo por las relaciones con otros

miembros de la organización con los que se conectan. Por otro lado, la co-evolución es la

mutua adaptación que surge como resultado de la influencia recíproca entre el sistema y el

entorno; los agentes influyen y son influidos, modifican el entorno y se ajustan a los cambios

del mismo (Maguire & McKelvey et al 2006).

Entre las técnicas que se han utilizado para modelar la complejidad de las organizaciones

se destacan principalmente por su uso extendido la dinámica de sistemas y la modelación

desde las ciencias de la complejidad.

8.3 TÉCNICAS PARA MODELAR LA COMPLEJIDAD EN LAS

ORGANIZACIONES

La dinámica de sistemas

La dinámica de sistemas fue desarrollada por Jay W. Forrester en 1950, la dinámica de

sistemas es "el estudio de las características de retroalimentación de información de la

actividad industrial para mostrar cómo la estructura organizativa, la amplificación (en las

políticas) y los retrasos (en decisiones y acciones) interactuar para influir en el éxito de la



Página | 68

empresa "(Forrester 1994). La aplicación de la dinámica de sistemas, no se limita al ámbito

industrial, también se usa para el estudio de sistemas urbanos, sociales y ecológicos. La

dinámica de sistemas tiene como objetivo representar los procesos del mundo real en

términos de existencias, que son variables de acumulación, como materiales, conocimiento,

personas o dinero, las cuáles se denominan variables de nivel, los flujos entre estas

existencias, llamadas tasas, y la información que determina los valores de los flujos. La

dinámica agrega los eventos individuales y las entidades, tomando como punto de vista una

visión general de la situación, enfocándose en las políticas. Un modelo de dinámica de

sistemas describe el comportamiento del sistema como un número de bucles de

retroalimentación que interactúan, equilibran o refuerzan bajo una estructura de retardos.

Matemáticamente, la dinámica de sistemas se basa en modelo de ecuaciones diferenciales,

y trabaja sólo con agregados, por lo tanto, los elementos son indistinguibles, no tienen

individualidad, el modelado se basa en términos de dependencias estructurales globales y

proporciona datos cuantitativos precisos para ellos.

Modelación desde las ciencias de la complejidad

Un enfoque alternativo para el estudio de la complejidad en las organizaciones

empresariales es el de las ciencias de la complejidad. Entre las ciencias de la complejidad

se encuentran la termodinámica del no equilibrio, la ciencia de redes, la teoría de

catástrofes, la ciencia de fractales, y las lógicas no clásicas (Maldonado, 2005).

La modelación y simulación de sistemas desde las ciencias de la complejidad permite

experimentar artificialmente sobre el sistema a fin de explorar diferentes comportamientos

y alternativas de solución. Desde este enfoque, se desarrollan experimentos virtuales que

a diferencia de los experimentos reales, se soportan en información de un mundo simulado,

lo cual implica la construcción de una realidad virtual.

Algunas de las herramientas que se destacan en la modelación de sistemas complejos

desde las ciencias de la complejidad se encuentran los autómatas celulares y la simulación

basada en agentes. Los modelos de autómatas celulares consisten en una cuadricula o

matriz donde cada cuadrado representa una célula. En el modelo, cada célula está ocupada



Página | 69

o no en cada período de tiempo como una función de las características de las células

vecinas, lo que significa que la influencia de las células vecinas se limita a las interacciones

locales. El enfoque de autómatas celulares para la simulación en organizaciones

empresariales ha sido popularizado por los trabajos de (Lomi & Larsen 1996), en donde

utilizaron autómatas celulares para explorar cómo la competencia localizada se puede

vincular a los procesos de fundación y quiebra en una población organizacional (Harrison,

Carroll, & Carley, 2007).

Los modelos basados en agentes son los más aplicados a sistemas sociales humanos.

Estos consisten en la coexistencia de múltiples agentes que interactúan usualmente en

ausencia de controlador central (Mitleton 2003). De esta forma, los agentes conforman un

sistema social y se influyen mutuamente a través de sus interacciones (Parunak, Savit &

Riolo 1998). A partir de la interacción entre los agentes, se generan comportamientos

emergentes. La modelación basada en agentes permite estudiar interacciones directas,

colaboración a través del medio físico, refuerzo y cooperación (Macal & North 2005).

Ejemplos de modelos basados en agentes son la simulación de la cultura organizacional

(Harrison, Carroll, & Carley 2007) y el modelo de aprendizaje de los agentes individuales y

organizacionales para examinar los efectos de la exploración y la explotación sobre el

conocimiento organizacional y la ventaja competitiva de (March 1991).

8.4 DINÁMICA DE SISTEMAS VS. SIMULACIÓN BASADA EN AGENTES

Las simulaciones en las ciencias de la administración han sido implementadas

principalmente a través de la dinámica de sistemas, basada en ecuaciones diferenciales, y

de la simulación basada en agentes. De acuerdo a (Rahmandad & Sterman 2008) los

modelos de simulación basada en agentes y los de dinámica de sistemas se diferencian en

cuatro características principales: el nivel de agregación, los problemas que abordan, la

interacción y la emergencia en contraste con los ciclos de retroalimentación y el tiempo. En

la tabla 2 se presentan de forma paralela éstas características en cada uno de los enfoques

de simulación.



Página | 70

Tabla 2. Modelos basados en agentes y modelos basados en ecuaciones diferenciales

Agentes Ecuaciones Diferenciales

Agregación Capturan la heterogeneidad en los atributos del agente y en la red de interacciones entre ellos

Suponen homogeneidad y mezcla perfecta dentro de los compartimentos

Problemas que abordan

Los modelos de agentes exploran fenómenos desde la emergencia de la segregación hasta la evolución organizacional y la aparición de la jerarquía a la dinámica del mercado (Axelrod 1997, Axtell, Epstein et al. 2002, Tesfatsion 2002).

Los modelos de ecuaciones diferenciales y de diferencias tienen una historia aún más larga en las ciencias sociales, desde la difusión de la innovación (Bass 1969) y la epidemiología (Andersson & Britton 2000) hasta el precio de las opciones (Black & Scholes 1973), ciclos económicos (Samuelson 1939).

Interacción y emergencia vs ciclos de retroalimentación

Pueden incluir fácilmente la heterogeneidad en los atributos del agente y en la estructura de la red de sus interacciones; estas interacciones pueden ser determinísticas o estocásticas. Sin embargo, el aumento de detalle se produce a costa de introducir un gran número de parámetros. Puede ser difícil analizar el comportamiento de un modelo basado en agentes, y los recursos computacionales requeridos para llevar a cabo pruebas de sensibilidad pueden ser prohibitivos. Entender dónde el enfoque basado en agentes proporciona una visión adicional y donde tal detalle no es importante, es fundamental para seleccionar los métodos apropiados para un problema particular.

Los Modelos de ecuaciones diferenciales no lineales a menudo tienen un rango amplio que abarca una gama de efectos de retroalimentación, pero típicamente agregados en un número relativamente pequeño de estados. Por ejemplo, los modelos de difusión de la innovación pueden agrupar a la población en categorías, incluyendo inconscientes, conscientes, en el mercado, adoptantes recientes y antiguos adoptantes (Urban, Hauser & Roberts 1990, Mahajan, Muller & Wind 2000).



Página | 71

Tiempo Se formulan típicamente en tiempo discreto, con agentes interactuando a intervalos, como por ejemplo en modelos de autómatas celulares del dilema iterado de los prisioneros (Gotts, Polhill & Law 2003, Nowak & Sigmund 2004). Sin embargo, el intervalo de tiempo entre rondas es a menudo indefinido. Cuando se define el período entre acciones, su modificación requiere una reparametrización manual para asegurar que las tasas de riesgo para cada transición de estado permanecen invariantes a la longitud del paso de tiempo

Se formulan típicamente en tiempo continuo. Comúnmente son no lineales y de tal complejidad que no se pueden encontrar soluciones analíticas y las ecuaciones se resuelven mediante integración numérica. El paso de tiempo debe ser suficientemente pequeño para que los resultados correspondan, dentro de la tolerancia requerida, a la solución de la ecuación diferencial subyacente.

Fuente: Elaboración propia, basado en (Rahmandad & Sterman, 2008)

En el trabajo de Rahmandad & Sterman (2008) se presenta una comparación de un modelo

de epidemias con dinámica de sistemas y una simulación basada en agentes en diferentes

tipos de redes (libre escala y mundo pequeño) para encontrar las diferencias en los

resultados que se obtienen con cada una de ellas. Los autores encontraron que las

diferencias entre los modelos de dinámica de sistemas y simulación basada en agentes no

son estadísticamente significativas para variables clave como el tiempo máximo, la máxima

prevalencia y la carga de la enfermedad en cualquier red. Y que diferentes estructuras de

red alteran el momento de la epidemia. El comportamiento del modelo basado en agentes

en redes totalmente conectadas y aleatorias se ajusta estrechamente al modelo de

dinámica de sistemas, pues estas redes se ajustan a la suposición de homogeneidad entre

los agentes. La difusión de la enfermedad es más rápida en una red de agentes altamente

conectados, y más lenta en las redes donde los agentes sólo se comunican con sus vecinos.

En los modelos de simulación basada en agentes se genera una mayor distribución de los

resultados, incluyendo algunas corridas donde la epidemia no despega debido a eventos

aleatorios, a pesar de un número de reproducción básica agregada mayor que uno. En los

modelos de dinámica de sistemas, un comportamiento de este tipo no es posible.



Página | 72

Por otra parte, Macal (2010) desarrolla una metodología para traducir modelos de Dinámica

de Sistemas a modelos de simulación basada en agentes. Para desarrollar la metodología,

el autor traslada un modelo de epidemia originalmente simulado con dinámica de sistemas

al enfoque de simulación basada en agentes. Para hacer la verificación evalúa los

resultados de las dos simulaciones para encontrar la equivalencia entre los dos enfoques

de simulación. Los resultados de Macal (2010) son congruentes con los de Rahmandad &

Sterman (2008) , pues afirma que los resultados de ambos modelos son similares pero no

exactos, “La equivalencia de los resultados del modelo no es términos de exactitud

numérica. Además de demostrar que el modelo basado en agentes es capaz de

proporcionar información adicional respecto al modelo de dinámica del sistema”.

De acuerdo con los resultados de los trabajos de Rahmandad & Sterman (2008) y Macal

(2010), se puede afirmar que la dinámica de sistemas y la simulación basada en agentes

permiten representar de forma similar el comportamiento general de un sistema complejo,

sin embargo, la herramienta seleccionada para llevar a cabo la presente investigación fue

la simulación basada en agentes ya que permite explorar de forma detallada la emergencia

de comportamientos, las dinámicas se presentan en el sistema a nivel micro y el impacto

de las diferentes variaciones en la estructuras comunicativas de los agentes en los

resultados de las variables de estado de la simulación.

8.5 TRABAJOS RECIENTES RELACIONADOS

El uso de la modelación basada en agentes en el contexto de las organizaciones

empresariales es actualmente un campo de investigación muy activo y muy promisorio

como lo evidencian los siguientes trabajos:



Página | 73

Tabla 3. Trabajos recientes relacionados

Título Agent-based Modeling and Simulation for an Order-To-Cash Process using NetLogo

Autores John Villarraga (1), Kathleen M. Carley (2), John Wassick (3), and Nikolaos Sahinidis (1)

Instituciones (1) Department of Chemical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA (2) School of Computer Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA (3) The Dow Chemical Company, Midland, MI 48674, USA

Publicación Agosto 1, 2017

Keywords supply-chain, agent based modeling, NetLogo

Resumen Se presenta un estudio sobre el proceso de orden al contado de una cadena de suministro que utiliza modelos basados en agentes. Las cadenas de suministro están compuestas por múltiples responsables de la toma de decisiones y cada uno de ellos desempeña un papel importante en todo el sistema. Si una de las variables controladas por estos agentes funciona mal, esto puede aumentar significativamente el tiempo de cumplimiento de una orden del cliente. Este estudio investiga los problemas organizativos de una cadena de suministro y presenta soluciones mediante la realización de una variedad de experimentos utilizando NetLogo. Los resultados muestran que el rendimiento del modelo se ve afectado por un gran volumen de pedidos debido a errores y excepciones que ocurren durante la simulación. También se encontró que el sistema contiene cuellos de botella que causan una cantidad significativa de retrasos. El análisis demuestra que, en algunos escenarios, la contratación de nuevas personas podría aumentar en gran medida la eficiencia del sistema. Además, la contratación de nuevas personas con el mismo rol demostró ser más relevante que invertir en la capacitación de individuos ya que los agentes del modelo mejoran su eficiencia en la ejecución de la simulación.



Página | 74

Título How social network features and organizational structure impact team performance in uncertain environments

Autores Ilario de Vincenzo (1), Ilaria Giannoccaro (1), Giuseppe Carbone (1)

Instituciones (1) Politecnico di Bari

Publicación Junio 30, 2017

Keywords social networks, agent based modeling, organizational structure

Resumen Los equipos se enmarcan como individuos integrados en redes jerárquicas y de conocimiento, que interactúan entre sí con el objetivo de llevar a cabo una tarea común. Las interacciones sociales son el medio a través del cual los miembros del equipo ejercen su influencia social mutua, cambian de opinión y convergen hacia un entendimiento común. En este artículo, se investiga cómo la densidad y la conectividad de la red de conocimiento del equipo y la estructura organizacional del equipo se relacionan con el rendimiento del equipo. Este último se mide en términos de nivel de acuerdo entre los miembros del equipo (resultado de consenso). Primero se desarrolló un modelo teórico basado en la teoría de la influencia social y luego un modelo computacional. Sucesivamente, se llevó a cabo un amplio análisis de simulación en entornos caracterizados por diferentes niveles de incertidumbre. Los resultados muestran que los valores de alta densidad de la red de conocimiento del equipo son beneficiosos en la mayoría de los casos, pero pueden ser perjudiciales, cuando la incertidumbre del entorno es baja, la red de conocimiento del equipo exhibe una conectividad aleatoria y la estructura organizacional del equipo se caracteriza por una alta centralización de la autoridad y un fuerte comportamiento de liderazgo. También se encontró que la conectividad sin escala de la red de conocimiento del equipo dificulta el logro del consenso, en comparación con el caso de conectividad aleatoria. Con base en los resultados de la simulación, finalmente se identificó la mejor estructura organizacional que debería adoptarse para mejorar el resultado de consenso.



Página | 75

Título Agent-based modeling as a research method for exploring joint decision making in organizations – a distributed cognition perspective

Autores Thomsen, Svend Erik (1)

Instituciones (1) Syddansk Universitet

Publicación 2017

Keywords Group decision making, distributed cognition, agent-based model, bounded rationality

Resumen Se propone un modelo basado en agentes para explorar aspectos de la toma de decisiones en las organizaciones desde una perspectiva de cognición distribuida. Dentro de la investigación de la cognición distribuida, la cognición se conceptualiza como un proceso que tiene lugar, no solo dentro de las mentes de los individuos sino también entre ellos, a medida que interactúan entre sí. Esto significa que las interacciones entre los individuos impactan tanto el resultado del proceso de decisión como el conocimiento de los individuos, lo que a su vez impactará sus decisiones posteriores. El documento describe cómo se puede modelar esta tarea dinámica y compleja teniendo en cuenta que los que toman las decisiones basan sus decisiones, tanto en su evaluación del tema de la decisión como en la evaluación del pensamiento de sus compañeros de equipo. El documento finaliza con una discusión sobre las implicaciones para la práctica y observa las limitaciones y sugerencias para futuras investigaciones en el área de la toma de decisiones colectivas y la cognición distribuida.



Página | 76

Título Team Problem Solving and Motivation under Disorganization - An agent-based modeling approach

Autores Dinuka Herath , (1), Joyce Costello (2), Fabian Homberg (3)

Instituciones (1) Faculty of Health and Social Sciences, Bournemouth University, Bournemouth, UK. (2) Media School, Bournemouth University, Bournemouth, UK (3) Department of HRM and OB, University of Southampton, Southampton, UK

Publicación Agosto 10, 2016

Keywords team solving problem, agent based modeling

Resumen Este estudio tiene como objetivo simular cómo la "desorganización" afecta la resolución de problemas del equipo. El objetivo principal es determinar cómo varía la resolución de problemas del equipo entre un entorno organizado y uno desorganizado, considerando también los aspectos motivacionales. Mediante el uso de modelos basados en agentes, los autores utilizan un conjunto de datos del mundo real de 226 voluntarios en cinco tipos diferentes de organizaciones sin fines de lucro en el suroeste de Inglaterra para definir algunos atributos de los agentes. Los autores introducen los conceptos de desorganización natural, estructural y funcional al tiempo que operan la desorganización natural y funcional. Las simulaciones muestran que la "desorganización" es más propicia para la resolución de problemas que la "organización" dada la suficiente flexibilidad (rango) para buscar y adquirir recursos. Los hallazgos demuestran además que los equipos con recursos superiores a su nivel jerárquico (acceso a recursos de mejor calidad) tienden a tener un mejor rendimiento que los equipos que tienen acceso limitado a los recursos. Las categorías matizadas de "(des) organización" nos permiten comparar varias limitaciones estructurales, generando así percepciones para mejorar la forma en que los gerentes estructuran los equipos para una mejor resolución de problemas.



Página | 77

Título Agent-based model of self-organized industrial symbiosis

Autores Mohamed Raouf Ghali (1), Jean-Marc Frayret (1), Chahid Ahabchane (1)

Instituciones (1) Departament of Mathematics and Industrial Engieneering, Polytechnique Montreal

Publicación Febrero, 2017

Keywords industrial symbiosis dynamics, agent-based modeling, social embeddedness

Resumen Las sinergias industriales son asociaciones de colaboración entre empresas que dan como resultado el intercambio de recursos o el intercambio de subproductos de materiales o energía, y conducen a procesos de producción más limpios y un uso más eficiente de los recursos. En general, tienen beneficios económicos y ambientales. La creación de asociaciones tan innovadoras dentro de un territorio conduce al desarrollo de una simbiosis industrial (SI), que es una red dinámica de actores industriales interconectados. La SI puede desarrollarse de diferentes maneras, con diferentes niveles de planificación y casualidad, en los que generalmente se cree que la difusión de la confianza y el conocimiento desempeñan un papel clave. Este documento propone y evalúa un modelo simple de desarrollo de SI auto-organizado basado en agentes capaz de simular y predecir los impactos de los factores sociales (es decir, la estructura social y la dinámica, la confianza, la difusión del conocimiento) sobre la creación de sinergias industriales y el surgimiento de EI. Este modelo fue probado usando NetLogo. Su consistencia con los objetivos de diseño originales fue validada con un análisis de sensibilidad que consideró varios factores. A continuación, se diseñaron y llevaron a cabo experimentos con el fin de estudiar la influencia de la estructura social (es decir, los tipos de redes sociales) y la dinámica (es decir, la creación de nuevos contactos sociales entre las plantas). Los resultados revelaron que ambos factores tienen una influencia en la creación de sinergia, y el desarrollo de SI es una función tanto de la dinámica social como de la estructura. Sin embargo, se requiere un análisis más multidisciplinario para comprender mejor los límites de este modelo, para validar sus suposiciones, así como para mejorarlo.




Página | 78

9. EL MODELO DE SIMULACIÓN MULTI-AGENTE

A lo largo de este capítulo se realiza una descripción del proceso incremental del diseño e

implementación del modelo propuesto, para el cual no se partió de un “lienzo en blanco”

sino que se tomaron como punto de partida tres modelos previamente existentes. Estos

modelos se seleccionaron entre cientos disponibles en la librería de Netlogo, así como entre

los descritos en la literatura. El modelo que se tomó como base, y del cual se conservaron

prácticamente todos los elementos, es un modelo de colonia de hormigas denominado

“Ants”, en las que los agentes colaboran a través del mecanismo de la feromona para

encontrar forraje y llevarlo al nido. El segundo modelo del que se incorporaron diferentes

elementos, es un modelo que se usa para ejemplificar los tipos de actuaciones simultáneas

denominado “Packet World”, a partir de este modelo se implementaron las condiciones y

los mecanismos para la emergencia de actuaciones conjuntas relacionadas con el

aprovechamiento de oportunidades de alto valor. El tercer modelo que aportó varias

características al modelo propuesto, es un modelo que permite analizar la estabilidad de

los ecosistemas depredador-presa denominado “Wolf Sheep Predation”, a partir del cual se

implementaron la dinámica de la energía así como la presencia de depredadores como una

amenaza permanente y dinámica para la continuidad de la organización. Una vez

combinados los elementos de estos tres modelos se agregaron otros que permitieron

caracterizar la organización como una organización empresarial.

9.1 DESCRIPCIÓN DEL MODELO ANTS

El modelo de simulación propuesto tiene como punto de partida el modelo clásico de

simulación multi-agente llamado "Ants" descrito en (Wilensky, 1997). En este modelo, una

colonia de hormigas busca forraje para alimentarse. Cuando una hormiga encuentra una

porción de forraje la transporta al nido, y mientras hace esto emite una feromona. Cuando

otras hormigas "huelen" la feromona, siguen su rastro como una pista a la localización de

una posible acumulación de forraje. A medida que más hormigas hacen este viaje, se



Página | 79

refuerza la huella de la feromona. Aunque cada hormiga sigue un conjunto de reglas

simples, la colonia como un todo opera de manera compleja.

Figura 8. Modelo “Ants” en ejecución

Fuente: Captura de http://ccl.northwestern.edu/netlogo/models/Ants

Al presionar el botón SETUP se inicializa el nido de hormigas, de color violeta y ubicado en

el centro, además se inicializa tres pilas de forraje en tres tonos de azul y ubicadas a

distancias diferentes del nido. Al presionar el botón GO se inicia la ejecución de la

simulación. La feromona se muestra en un gradiente de color verde a blanco. A través del

regulador EVAPORATION-RATE se controla la tasa de evaporación de la feromona. A

través del regulador DIFFUSIÓN-RATE se controla la velocidad de difusión de la feromona.

El número de hormigas, se puede cambiar con el control deslizante POPULATION antes

de presionar el botón SETUP.

La colonia de hormigas generalmente explota las pilas de forraje en orden, comenzando

con la pila más cercana al nido, y terminando con la pila más alejada del nido. Esto se debe

a que es más difícil para las hormigas formar un sendero estable a la pila más distante, ya

http://ccl.northwestern.edu/netlogo/models/Ants



Página | 80

que el camino químico tiene más tiempo para evaporarse y difundirse antes de ser

reforzado.

Una vez que la colonia termina la pila de forraje más cercano, el rastro químico a esa pila

desaparece naturalmente, liberando a las hormigas para ayudar a explotar las otras pilas

de forraje, para lo cual se requiere un "número crítico" mayor de hormigas para formar un

sendero estable. El consumo de las pilas se muestra en la gráfica de la izquierda. Los

colores de línea de la gráfica coinciden con los colores de las pilas de forraje.

La “evolución” del modelo de simulación se ilustra a través del diagrama de clases

correspondiente en el que se incluyen los nombres, campos o atributos, y funciones o

métodos de cada tipo de agente. A continuación, el diagrama de clases de la simulación

base:



Página | 81

Tabla 4. Clases Modelo Ants

Ants

. who: Número entero que identifica de forma única a cada agente . color: Color (red) . xcor: Coordenada de la ubicación en el eje horizontal . ycor: Coordenada de la ubicación en el eje vertical . shape: Forma . size: Tamaño

. wiggle (): Girar aleatoriamente y dar un paso. . uphill-chemical (): Olfatear la feromona. Oler a la izquierda y a la derecha, e ir donde el olor de la feromona sea más fuerte. . uphill-nest-scent (): Olfatear el nido. Oler a la izquierda y a la derecha, e ir donde el olor del nido sea más fuerte. . return-to-nest (): Volver al nido. . look-for-food (): Buscar forraje.

Patches

. pxcor: Coordenada del cuadro en el eje horizontal. . pycor: Coordenada del cuadro en el eje vertical. . pcolor: Color del cuadro . chemical: Cantidad de feromona sobre el cuadro . food: Cantidad de forraje sobre el cuadro (0, 1, o 2) . nest?: Verdadero si el cuadro pertenece al nido, falso en otro caso . nest-scent: Número que es directamente proporcional a la distancia del cuadro al centro del nido. . food-source-number: Número que permite identificar si el cuadro pertenece a una pila de forraje (1, 2, o 3)

. setup-nest (): Inicializar el nido . setup-food (): Inicializar las pilas de forraje . recolor-patch (): Colorear el cuadro según su estado




Página | 82

9.2 ANÁLISIS DEL MODELO ANTS

Esta simulación se escogió como punto de partida ya que en ella se puede observar,

parcialmente el fenómeno de auto-organización. Para verificar esta afirmación, a

continuación realizar un check list sobre las siete características de los sistemas auto-

organizados propuesta en (Heylighen, 2001) y descritas en el capítulo: “Características de

la auto-organización empresarial”:

. Orden global a partir de interacciones locales (Se verifica): Las interacciones de las

hormigas son locales ya que cada una, solo toma información de, y tiene influencia sobre,

su vecindario próximo. Se puede afirmar que “surge” un orden global ya que se empieza

con un sistema desordenado, donde las hormigas actúan en forma aleatoria; cuando una

influencia (rastro de feromona) se empieza a propagar, tiende a ser dispersada y

eventualmente destruida. Las hormigas distantes son básicamente independientes: no se

influyen entre sí. Por otra parte, en el estado “auto-organizado”, el comportamiento de

prácticamente todas las hormigas está fuertemente correlacionado.

. Control distribuido (Se verifica): En la colonia de hormigas no hay un controlador central,

el “control” de la organización se distribuye sobre el conjunto del sistema. Todas las

hormigas contribuyen de manera relativamente uniforme a la disposición resultante.

. Agilidad y flexibilidad (Se verifica parcialmente): La colonia de hormigas es capaz de

buscar y encontrar fuentes de alimento alternativas cuando la fuente principal se ha

agotado, sin embargo, en la simulación base no se incluyen características que permitan

poner a prueba la capacidad de supervivencia de la colonia o su capacidad de adaptación

a algún cambio drástico en el entorno.

. No linealidad y realimentación (Se verifica): El estado de auto-organización comienza

con una fase de retroalimentación positiva, donde se amplifica una traza de feromona inicial,

que se refuerza cada vez más rápido, hasta que afecta a una porción muy significativa de

la colonia. Una vez que muchas hormigas se han "alineado" con la configuración creada

por la traza inicial, la configuración deja de crecer: los recursos disponibles han sido

"agotados". Ahora el sistema ha alcanzado un punto equilibrio (o al menos, un estado

estacionario). En este punto ya no es posible un mayor crecimiento, los únicos cambios



Página | 83

posibles son aquellos que reducen la configuración dominante. Cuando la pila de forraje se

agota algunas hormigas se desvían de esta configuración, y la “evaporación” suprime

gradualmente la traza de feromona haciendo que el sistema pase a otra configuración. Esta

es una fase de retroalimentación negativa.

. Clausura organizacional y arquitectura jerárquica (Se verifica parcialmente): Cuando

una hormiga se “vincula” a la explotación de una pila de forraje es muy poco probable que

se “desvincule” de este proceso hasta que dicha pila se empiece a agotar, este hecho puede

identificarse como un ejemplo de clausura organizacional, sin embargo, en la simulación

base, no conduce a una arquitectura jerárquica.

. Bifurcaciones y ruptura de la simetría (Se verifica parcialmente): Al variar aumentar

la tasa de evaporación y/o disminuir la tasa difusión de la feromona se modifica y se puede

llegar a suprimir el comportamiento colectivo de la colonia, sin embargo, a pesar de este

cambio muy considerable el resultado final no cambia, las pilas de forraje son consumidas

en orden de acuerdo a su proximidad al nido.

. Dinámica lejos del equilibrio (No se verifica): En la simulación base es muy simple en

términos de entropía, no incluye una dinámica energética, no se puede identificar un

ingreso, flujo, conversión y salida de energía, y por otro lado la dinámica informática tiene

pocos estados, por tanto, no permite verificar la tendencia del sistema auto-organizado de

asentarse en puntos alejados de los mínimos de la función de energía potencial.

De esta forma se puede afirmar que el fenómeno que se puede observar en la simulación

“Ants” se puede considerar, al menos parcialmente, un fenómeno de auto-organización, sin

embargo, hay lugar a introducir cambios que completen el carácter auto-organizado del

fenómeno que allí se observa. Por otro lado, el fenómeno observado en esta simulación no

se puede considerar fenómeno de auto-organización empresarial. De acuerdo a algunas

definiciones, una colonia de hormigas podría considerarse una organización económica, sin

embargo, las hormigas son mucho menos complejas que las personas que conforman una

organización empresarial.

Teniendo en cuenta lo anterior, el camino propuesto consiste en agregar características a

la simulación base para por un lado, completar el carácter auto-organizado del fenómeno



Página | 84

que se observa, y por otro, lograr que, tanto los individuos que conforman la organización,

como el entorno en el que interactúan, se aproximen a representar un fenómeno de auto-

organización empresarial

9.3 CLASIFICACIÓN DE LAS ACCIONES SIMULTÁNEAS

Una primera variación que introduce en el modelo base es la relacionada con las acciones

simultáneas. En (Weyns and Holvoet 2003) se propone una clasificación de las acciones

que ocurren al mismo tiempo la cual se muestra en la Fig. 9.

Figura 9. Clasificación de las Acciones Simultáneas

Fuente: Weyns and Holvoet 2003

Se propone el nombre común acciones simultáneas para designar en general a las acciones

que ocurren al mismo tiempo. Se propone una primera distinción entre dos clases de

acciones simultáneas: acciones independientes y acciones interferentes. Las acciones

Independientes son acciones que no interfieren entre sí. Por otro lado, las acciones

interferentes implican dos o más agentes interactuando directamente. Dependiendo de la

naturaleza de estas interacciones, se propone diferenciar entre acciones concurrentes,

acciones influyentes y actuaciones Conjuntas. Las acciones concurrentes son de naturaleza



Página | 85

conflictiva. El resultado es típicamente no determinista, por ejemplo, un agente arbitrario

del conjunto de agentes implicados tiene éxito en su acción mientras que los otros agentes

fracasan. Las acciones influyentes son acciones que se afectan positivamente o

negativamente. Para este tipo de interacción el resultado de las acciones simultáneas es la

suma del resultado de las acciones individuales. Las actuaciones conjuntas son acciones

que deben ser ejecutadas de forma coordinada para producir un resultado exitoso. En las

acciones conjuntas, los agentes suelen desempeñar papeles complementarios en una

interacción compuesta. En esta clasificación se puede observar además una escala

creciente de complejidad. En (Weyns and Holvoet 2003) además de proponer una

clasificación de las acciones simultáneas, se describe un modelo de simulación multi-

agente denominado “Packet World” en el que se pueden observar los diferentes tipos de

acciones simultáneas.

9.4 DESCRIPCION DEL MODELO PACKET WORLD

El modelo “Packet World” consiste en una serie de paquetes de colores diferentes que están

dispersos sobre una cuadrícula rectangular. Los agentes de este modelo deben recoger

estos paquetes y llevarlos a puntos de entrega identificados con el color correspondiente.

En la parte izquierda de la fig. X muestra un ejemplo de “Packet World” de tamaño 10x10

en el que “trabajan” 10 agentes. Los cuadrados pequeños son paquetes que pueden ser

transportados por un agente, los rectángulos son paquetes que deben ser transportados

por dos agentes y los círculos simbolizan los puntos de entrega.



Página | 86

Figura 10. Modelo “Packet World”

Fuente: Weyns and Holvoet 2003

En el Packet-World, los agentes pueden interactuar con el entorno de varias maneras. Un

agente puede dar un paso a uno de los campos de vecinos libres que le rodean. Si un

agente no lleva ningún paquete, puede recoger un paquete pequeño de uno de sus campos

vecinos. Si un agente lleva un paquete pequeño puede depositarlo en uno de los campos

vecinos libres a su alrededor, o en el punto de entrega de ese paquete. Además, se permite

a los agentes transferir paquetes pequeños directamente entre sí. Durante dicha

transferencia, el agente que lleva el paquete lo pasa al receptor, mientras que el receptor

simultáneamente acepta el paquete. Los agentes también pueden empujar paquetes

pequeños a un cuadrado vecino. Un empuje solo tiene éxito cuando no hay obstáculo en el

cuadrado de destino del paquete empujado. En caso de que dos agentes empujen

simultáneamente el mismo paquete, el paquete se mueve de acuerdo con la resultante de

ambas acciones. Contrariamente a los paquetes pequeños, para recoger un paquete

grande dos agentes tienen que levantar juntos el paquete, cada uno de ellos en un lado

corto del paquete. Los agentes que llevan un paquete grande sólo pueden moverse juntos

en la misma dirección. Los paquetes grandes también se pueden colocar en cualquier

campo libre o en el punto de entrega del paquete. Sin embargo, para colocar un paquete

grande, ambos agentes tienen que liberar el paquete simultáneamente.



Página | 87

Además de actuar en el medio ambiente, los agentes también pueden enviar mensajes

entre sí. Las conversaciones entre agentes siguen un protocolo específico. Algunos

ejemplos son: una solicitud de información seguida de una respuesta o un rechazo; una

solicitud de establecimiento de una forma de cooperación seguida de una aceptación para

cooperar y, posteriormente, una notificación del fin de la cooperación o una negativa a

cooperar.

Es importante notar que cada agente del Packet World tiene una visión limitada sobre el

mundo. El tamaño de la vista del mundo expresa hasta qué punto, es decir, cuántos

cuadrados, un agente puede "ver" a su alrededor. La parte derecha de la figura 10 ilustra la

vista limitada del agente 8, en este ejemplo el tamaño de la vista es 2.

El Packet-World se monitoriza a través de una serie de contadores que miden la eficiencia

de los agentes en el desempeño de su trabajo. Hay contadores para medir la energía

invertida por los agentes, la transferencia de mensajes entre los agentes y el número de

conflictos que ocurren entre dos agentes. La eficiencia general se puede calcular como una

suma ponderada de estos contadores. A continuación, se ilustran ejemplos de los

principales tipos de acciones simultáneas en el Packet-World.

Un ejemplo de acción independiente se da cuando dos agentes vecinos dan un paso en

direcciones diferentes; en la situación de la figura 10, cuando el agente 3 decide dar un

paso en la dirección noreste mientras que su vecino el agente 4 decide simultáneamente

dar un paso en la dirección sureste, estas acciones pueden ocurrir de forma completamente

independientemente entre sí.

Un ejemplo de acción simultánea se da cuando dos agentes tratan de recoger un mismo

objeto pequeño al mismo tiempo. En este caso, no está determinado cuál de los agentes

involucrados logra recoger el paquete; en la situación de la figura 10 cuando el agente 5

trata de recoger el paquete blanco ubicado al este mientras que el agente 6 trata de recoger

simultáneamente el mismo paquete, en este caso uno de los dos agentes seleccionado

aleatoriamente logra recoger el paquete mientras que el otro no lo logra.

Un ejemplo de acción influyente se da cuando dos agentes empujan el mismo un paquete

al mismo tiempo; en la situación de la figura 10, el agente 9 empuja el paquete gris que está



Página | 88

al norte mientras el agente 0 empuja simultáneamente el mismo paquete, como resultado,

el paquete se desplaza al cuadrado noroeste. En el caso de que dos agentes empujen el

mismo paquete al mismo tiempo en direcciones opuestas el resultado de tal interacción es

que el paquete no se moverá en absoluto.

Finalmente, en el Packet World son posibles diferentes tipos de actuaciones conjuntas. Un

primer ejemplo en la situación de la figura 10 es cuando el agente 1 le pasa el paquete gris

que lleva al agente 8. Como se ha indicado anteriormente, dicha transferencia sólo tiene

éxito cuando los agentes implicados actúan juntos, es decir, el agente 1 tiene que pasar el

paquete al agente 8 y simultáneamente el agente 8 tiene que aceptar el paquete del agente

1. Otro ejemplo de actuación conjunta se da cuando los agentes 2 y 7 dan un paso con el

paquete grande que llevan. Tal paso sólo tiene éxito cuando ambos agentes tratan de

avanzar en la misma dirección, por ejemplo, en la dirección suroeste hacia el destino del

paquete que llevan.

9.5 DESCRIPCIÓN DEL MODELO ANTS PACKET

De acuerdo con la clasificación de las acciones simultáneas propuesta en (Weyns and

Holvoet 2003), las acciones simultáneas que se dan entre las hormigas en la simulación

base serían catalogadas como acciones influyentes, mientras que muchas de las acciones

simultáneas que se dan entre las personas que conforman una organización empresarial

llegan a ser actuaciones conjuntas. Teniendo en cuenta esto, el primer cambio propuesto

sobre la simulación base tiene como objetivo habilitar la posibilidad de actuaciones

conjuntas entre las hormigas, sin deshabilitar la posibilidad de acciones influyentes, esto

último porque este tipo de acciones simultáneas también se presenta en las organizaciones

empresariales. Con este cambio se da origen al modelo denominado “Ants Packet”.



Página | 89

Tabla 5. Clases Modelo Ants Paket

Ants

. who: Número entero que identifica de forma única a cada agente . color: Color (red) . xcor: Coordenada de la ubicación en el eje horizontal . ycor: Coordenada de la ubicación en el eje vertical . shape: Forma . size: Tamaño . is-carrying?: Verdadero si la hormiga está ayudando a transportar una pieza de forraje

. look-for-food (): Buscar forraje. . wiggle (): Girar aleatoriamente. . uphill-chemical (): Seguir feromona. Oler a la izquierda y a la derecha, e ir donde el olor sea más fuerte. . return-to-nest (): Volver al nido. . catch-forage-piece (): Agarrar una pieza de forraje

Patches

. pxcor: Coordenada del cuadro en el eje horizontal. . pycor: Coordenada del cuadro en el eje vertical. . pcolor: Color del cuadro . chemical: Cantidad de feromona sobre el cuadro . food: Cantidad de forraje sobre el cuadro (0, 1, o 2) . nest: Verdadero si el cuadro pertenece al nido, falso en otro caso . nest-scent: Número que es directamente proporcional a la distancia del cuadro al centro del nido. . food-source-number: Número que permite identificar si el cuadro pertenece a una pila de forraje (1, 2, o 3)

. setup-nest (): Inicializar el nido . setup-food (): Inicializar las pilas de forraje . recolor-patch (): Colorear el cuadro según su estado



Página | 90

forage-pieces

. shape: Forma . size: Tamaño . color: Color (brown) . weight: Peso, implica el número de hormigas que se deben coordinar para transportarlo . x-impulse: Cantidad de impulso recibido en el eje horizontal. . y-impulse: Cantidad de impulso recibido en el eje vertical.

. sum-forces ():Sumar vectorialmente las fuerzas que actúan sobre la pieza de forraje . generate-forage-cluster (frg_cant, cltr_rad, cntr_xcor, cntr_ycor): Generar un cluster de piezas de forraje.


Los elementos que se agregaron a la simulación base se muestran en verde en el diagrama

de clases. El mayor cambio que se introduce es la creación de un nuevo tipo de agente

denominado “forage-piece” (pieza de forraje). Estas piezas representan un tipo de alimento

alternativo para las hormigas pero que a diferencia del alimento original, no puede ser



Página | 91

transportado hacia el nido por una sola hormiga, sino que para esto, se requiere del

esfuerzo coordinado de varias hormigas. Las diferentes fuentes de alimento representan

oportunidades de diferente valor estratégico para la colonia de hormigas y de esta

manera su disponibilidad se constituye en un mecanismo indirecto de control para el

tamaño de dicha población.

La forma de estas piezas de forraje es de hoja (leaf) y su color es café (brown). Entre sus

atributos además se encuentran: el peso (weight), que indica el número mínimo de

hormigas que se requieren para poder transportarla, el impulso horizontal (x-impulse) y el

impulso vertical (x-impulse); estos dos atributos se utilizan para determinar la dirección y

longitud del desplazamiento de la pieza, lo cual se hace por medio de una suma vectorial

bidimensional a través del método “sum-forces”. Para este tipo de agentes además se creó

el método “generate-forage-cluster” que permite generar un cluster de pieza de forraje. El

número de piezas que conforman el cluster se establece a través del parámetro “frg_cant”.

Las piezas se ubican de manera aleatoria en un área delimitada por un cuadrado de lado

“cltr_rad” y centrado en las coordenadas cartesianas “cntr_xcor” y “cntr_ycor”. El método

“generate-forage-cluster” se utiliza para ubicar las piezas de forraje sobre las tres pilas de

alimento de la simulación base.

A las hormigas se les agregó el campo “is-carrying” de tipo booleano y el método “catch-

forage-piece”. Cuando la hormiga “nace” parte del nido y no está cargando ninguna pieza

de forraje, el atributo “is-carrying” refleja esta condición con el valor “falso”. Cuando la

hormiga deambula por el espacio en cada paso verifica la presencia de piezas de forraje a

través del método “catch-forage-piece”, en este proceso, cuando encuentra una pieza de

forraje el valor del campo “is-carrying” pasa a “verdadero”. Como ya se mencionó, una

hormiga no puede transportar sola, una pieza de forraje; por tanto se “engancha” (se queda

fija en esa posición), se orienta hacia el nido y emite feromona para atraer otras hormigas.

Cuando otras hormigas que estén cerca “huelen” la feromona se acercan y cuando llegan

a la posición de la pieza de forraje cambian a su vez el valor de “is-carrying” a “verdadero”,

se enganchan, se orientan hacia el nido y emiten feromona reforzando el rastro de la misma.

Cuando el número de hormigas “enganchadas” supera el peso de la hoja, como todas están

orientadas en dirección al nido, el conjunto se desplaza en esta dirección. El campo “is-

carrying” de todas las hormigas involucradas permanece en “verdadero” hasta que la pieza



Página | 92

de forraje llega al nido, en este momento la pieza de forraje se deja en el nido y las hormigas

se “desenganchan”, entonces el campo “is-carrying” de estas hormigas pasa a “falso”. La

figura 11 ilustra esta dinámica.

Figura 11. Modelo “Ants Packet” en ejecución

Fuente: Captura del modelo “Ants Packet”

9.6 DESCRIPCIÓN DEL MODELO WOLF SHEEP PREDATION

En este punto se considera incorporar elementos de otro modelo clásico de simulación

basado en agentes llamados "Wolf Sheep Predation" descrito en (Wilensky Y Reisman

2006). En este modelo se analiza la estabilidad de los ecosistemas depredador-presa. Tal

sistema se considera "inestable" si tiende a la extinción de una o más de las especies

involucradas. En cambio, se considera "estable" si las especies involucradas tienden a

mantenerse a lo largo del tiempo, a pesar de las fluctuaciones en el tamaño de su población.



Página | 93

Figura 12. Modelo “Wolf Sheep Predation” en ejecución

Fuente: http://ccl.northwestern.edu/netlogo/models/WolfSheepPredation

En la primera variación, lobos y ovejas vagan al azar a través del bosque, en el proceso los

lobos están buscando ovejas para comer. Cada paso cuesta energía de los lobos y deben

comer ovejas para reponerla porque si su energía se agota, mueren. Para dar continuidad

a la población, cada oveja y cada lobo tienen una probabilidad fija de reproducirse en cada

paso. Esta variación produce dinámicas interesantes en las poblaciones, pero en última

instancia es inestable. La segunda variación incluye un tercer agente, hierba. El

comportamiento de los lobos es idéntico a la primera variación, pero en esta variación, cada

paso cuesta energía a las ovejas y deben comer hierba para reponerla porque si su energía

se agota, mueren. Después de que una porción de hierba es consumida por una oveja, esta

crece de nuevo después de una cantidad fija de tiempo. Esta variación es más compleja

que la primera, pero es generalmente estable.

http://ccl.northwestern.edu/netlogo/models/WolfSheepPredation



Página | 94

9.7 DESCRIPCIÓN DEL MODELO ANTS PACKET PREDATION

A continuación se describen los elementos tomados del modelo “Wolf Sheep Predation”

para la construcción del modelo empresarial basado en el modelo “Ants”, objeto del

presente trabajo. Se propone una analogía entre las ovejas y las hormigas, la hierba y el

forraje, los lobos y unos agentes depredadores de las hormigas, las arañas. En este nuevo

modelo cada paso cuesta energía a las hormigas que tienen que consumir forraje para

reponerla porque cuando su energía se agota, mueren. Cuando una hormiga encuentra una

porción de forraje puede consumirla o transportarla al nido para almacenarla. El forraje

almacenado en el nido permite que las hormigas se alimenten en tiempos de escasez y por

otro lado, se necesita una cierta cantidad de forraje almacenado para que una nueva

generación de hormigas nazca y por lo tanto se dé una renovación de la población y un

eventual crecimiento de la misma. Después de que una pieza del forraje es consumida o

transportada por una hormiga, puede reaparecer después de una cierta cantidad de tiempo,

que se puede extender para establecer un escenario de escasez.

Como se dijo anteriormente, las arañas son análogas a los lobos, pero a diferencia de una

oveja en un encuentro con un lobo en el que las ovejas simplemente mueren, una hormiga

en un encuentro con una araña, tiene la capacidad de confrontar a la araña y de emitir

feromona para atraer otras hormigas. Una sola hormiga no tiene ninguna posibilidad de

sobrevivir al encuentro con una araña; sin embargo, si un grupo de hormigas se enfrenta a

una araña, las hormigas pueden eliminar la araña y así sobrevivir a la confrontación a través

de la acción conjunta.

Los elementos que se agregaron a la simulación base se muestran en verde en el diagrama

de clases:



Página | 95

Tabla 6. Clases Modelo Ants Paket Predation

Ants

. who: Número entero que identifica de forma única a cada agente . color: Color (red) . xcor: Coordenada en el eje horizontal . ycor: Coordenada en el eje vertical . shape: Forma . size: Tamaño . is-carrying?: Verdadero si la hormiga está ayudando a transportar forraje . energy: Cantidad de energía de la hormiga. Si llega a cero muere. Al conseguir alimento y retornar al nido se repone. . is-confronted?: Verdadero si la hormiga se involucra en un conflicto con una araña.

. look-for-food (): Buscar forraje.

. wiggle (): Girar aleatoriamente.

. uphill-chemical (): Seguir feromona. e ir donde el olor sea más fuerte. . return-to-nest (): Volver al nido. . catch-forage-piece (): Agarrar una pieza de forraje . born-ants(): Se crea una nueva generación de hormigas. . death-ants(): La hormiga muere si su nivel de energía llega a cero.

Patches

. pxcor: Coordenada del cuadro en el eje horizontal. . pycor: Coordenada del cuadro en el eje vertical. . pcolor: Color del cuadro . chemical: Cantidad de feromona sobre el cuadro . food: Cantidad de forraje sobre el cuadro (0, 1, o 2) . nest: Verdadero si el cuadro pertenece al nido, falso en otro caso . nest-scent: Número que es directamente proporcional a la distancia del cuadro al centro del nido. . food-source-number: Número que permite identificar si el cuadro pertenece a una pila de forraje (1, 2, o 3) . spiders-attack: Valor que representa la intensidas del ataque de las arañas. . ants-counterattack: Valor del contra-ataque de las hormigas.

. setup-nest (): Inicializar el nido

. setup-food (): Inicializar las pilas de forraje . recolor-patch (): Colorear el cuadro según su estado



Página | 96

forage-pieces

. shape: Forma . size: Tamaño . color: Color (brown) . weight: Peso, implica el número de hormigas que se deben coordinar para transportarlo . x-impulse: Cantidad de impulso recibido en el eje horizontal. . y-impulse: Cantidad de impulso recibido en el eje vertical.

. sum-forces ():Sumar vectorialmente las fuerzas que actúan sobre la pieza de forraje . generate-forage-cluster (frg_cant, cltr_rad, cntr_xcor, cntr_ycor): Generar un cluster de piezas de forraje. . regenerate-forage(): Regenerar el patrón de piezas de forraje sobre las tres pilas de recursos.

Spiders

. shape: Forma . size: Tamaño . color: Color (grey) . energy: Cantidad de energía de la araña. Si llega a cero muere. Al cazar y derrotar a una hormiga se repone. . is-confronted?: Verdadero si la hormiga se involucra en un conflicto con una araña.

. regenerate-spiders(): Crear una nueva generación de arañas . move(): Girar aleatoriamente y dar un paso . catch-ant(): Verificar si en el cuadro hay una hormiga y si es así capturarla e iniciar una confrontación para tratar de derrotarla y asimilarla.


Es importante notar que las pilas de comida y las piezas de forraje no se regeneran hasta

que el total no es consumido en un 95%. Por otro lado, se habilitó una restricción para que

las arañas no puedan ingresar libremente al nido de las hormigas, para que esto, solo pueda



Página | 97

suceder de manera esporádica, que sea una excepción y no una tendencia, ya que cuando

una araña entra al nido puede entrar en conflicto con una hormiga en el punto de partida y

de esta manera bloquear a todas las hormigas que nazcan hasta que el conflicto se

resuelva, lo cual puede poner en riesgo la continuidad de la colonia. Por otra parte, se limitó

la cantidad de hormigas que se involucran en la confrontación con una araña, cuando la

cantidad de hormigas supera a la cantidad de arañas en una proporción mayor que 4 a 1,

las hormigas en conflicto dejan de emitir feromona, si esta proporción se reduce por la

muerte de una o varias hormigas, las hormigas que quedan nuevamente emiten feromona

para tratar de atraer a otras hormigas que las ayuden. Esta limitación se implementó ya que

se observó que antes de hacerlo, algunas amenazas podían reunir a toda la colonia y si

dicho conflicto no se resolvía satisfactoriamente, esto implicaba la extensión de la colonia.

Las arañas constituyen una amenaza para la colonia de hormigas y de esta manera

un mecanismo de control para el tamaño de dicha población. El otro mecanismo de

control de población implementado es la demora en la partida el cual se describe a

continuación. Cada uno de los agentes tiene un número entero de identificación único (who)

que se va asignando de manera secuencial a medida que se crean los agentes, por otro

lado hay un contador entero del número de pasos o instantes de la simulación (ticks). La

demora en la partida de las hormigas es una restricción que consiste en que una hormiga

no puede abandonar el nido hasta que el número de pasos (ticks) sea mayor que el

identificador (who) de la hormiga correspondiente. Con esta restricción se logra que no

todas las hormigas salgan del nido en el mismo instante, así como que si en un intervalo de

tiempo corto se crean varias generaciones, estas tengan que esperar a que el tiempo las

“alcance” para poder salir del nido y contribuir a la dinámica y crecimiento de la colonia.



Página | 98

Figura 13. Modelo “Ants Packet Predation” en ejecución

Fuente: Captura del modelo “Ants Packet Predation”

9.8 DESCRIPCIÓN DEL MODELO ANTS PACKET PREDATION 2NET

El siguiente paso en el camino incremental del diseño de la simulación fue agregar una

segunda colonia de hormigas, esto con el propósito inicial de poder comparar el desempeño

de dos organizaciones con configuraciones diferentes en una misma simulación. Agregar

una segunda colonia implicó una redistribución geométrica de los componentes de la

simulación inicial con la restricción de establecer condiciones geométricas simétricas para

las dos organizaciones, para facilitar la comparación entre ellas.



Página | 99

Figura 14. Modelo “Ants Packet Predation 2nest” al inicio de la ejecución

Fuente: Captura del modelo “Ants Packet Predation 2nest”

En la configuración inicial, el centro de operaciones de la única colonia se ubicó en el centro

del espacio rectangular, en la nueva configuración los centros de operaciones de las dos

organizaciones se ubicaron sobre el eje vertical, uno, el de la colonia identificada con el

color rojo, encima del eje horizontal, y el otro, el de la colonia identificada con el color

amarillo, debajo del eje horizontal, ambos de una forma equidistante al centro del espacio.

En la nueva configuración se mantuvieron las tres pilas de recursos, con una distribución

ligeramente diferente. La primera pila, ubicada cerca de la esquina superior izquierda, está

relativamente cerca al centro de operaciones de la colonia roja y relativamente lejos del

centro de operaciones de la colonia amarilla. La segunda pila, ubicada cerca de la esquina

inferior izquierda, está relativamente cerca del centro de operaciones de la colonia amarilla

y relativamente lejos del centro de operaciones de la colonia roja. La tercera pila, está

ubicada sobre el eje horizontal, hacia la derecha y es equidistante a los dos centros de



Página | 100

operaciones. Lo que se esperaría con esta distribución es que la colonia roja se concentre

en la pila superior izquierda, que la colonia amarilla se concentre en la pila inferior izquierda,

y que las dos colonias exploten de manera conjunta la pila central derecha.

En esta simulación, no se agregaron nuevas clases de agentes ni campos ni métodos a los

agentes existentes en la simulación anterior, solo se implementaron dos especies de

hormigas, las amarillas y las rojas, con los mismos campos y métodos de las hormigas de

la simulación anterior. Las únicas diferencias entre la colonia roja la colonia amarilla son el

color y que en los patches se separa la variable para la intensidad de la feromona

(chemical), una para la colonia roja (r-chemical) y una colonia amarilla (y-chemical) y se

separa la variable con el gradiente del centro de operaciones (nest-scent) una para la

colonia roja (r- nest-scent) y una colonia amarilla (y- nest-scent).

Tabla 7. Clases Modelo Ants Paket Predation 2nest

r-ants

y-ants



Página | 101

Patches


Al correr la simulación se observa que las dos colonias son capaces de sobrevivir

manteniendo una relación de cooperación respecto a las amenazas y de competencia

respecto a las oportunidades. Luego de un crecimiento inicial de las poblaciones se produce

el nivel se estabiliza presentando oscilaciones ocasionales. En algunas corridas de la

simulación la colonia roja aventaja a la colonia amarilla y en otras es al contrario. Cada

organización se concentra en la pila de recursos más cercana y el desbalance se produce

si alguna de las dos logra desplazar a la otra de la pila equidistante.



Página | 102

Figura 15. Modelo “Ants Packet Predation 2nest” en ejecución




Página | 103

9.9 Variables para estimar la aceptación de propuestas de acción

A partir de la revisión teórica se identifican tres variables que en conjunto permiten estimar

la susceptibilidad de las personas a aceptar propuestas de acción de otras personas con

las que interactúan. En el modelo se denomina receptor al agente que recibe la propuesta,

y emisor al agente que la genera. La susceptibilidad de un individuo a aceptar una propuesta

de acción se estima a partir de la combinación de los diferentes valores que pueden tomar

las variables descritas a continuación.

A. Creencias del individuo

Hace referencia a los supuestos del receptor sobre las implicaciones y el desarrollo de la

acción propuesta. El receptor puede considerar que la aceptación y el desarrollo de la

propuesta pueden generar beneficios o perjuicios para él y/o para la organización en su

conjunto. En una aproximación discreta de tres valores, si esta variable toma el valor 1,

significa que el receptor tiene una expectativa favorable respecto al resultado de la acción,

es decir que receptor cree que el desarrollo de la acción propuesta generará beneficios para

él o para la organización; si esta variable toma el valor -1, significa que el receptor tiene una

expectativa desfavorable respecto al resultado de la acción, es decir que el receptor cree

que el desarrollo de la acción propuesta puede generar perjuicios para él o para la

organización; y si esta variable toma el valor 0, significa que el receptor tiene una

expectativa neutra respecto al resultado de la acción, es decir que el receptor cree que el

desarrollo de la acción propuesta no tiene el potencial de generar beneficios perjuicios para

él o para la organización.

B. Relaciones de poder

Se refiere a la relación de influencia del emisor sobre el receptor de la acción propuesta. La

relación de poder está dada por una posición privilegiada del emisor respeto al receptor en

la organización; y por lo tanto, es determinante en la decisión del receptor. En una

aproximación binaria, si esta variable toma el valor 0, significa que el emisor no tiene poder

sobre el receptor; y si esta variable toma el valor 1, significa que el emisor tiene poder sobre

el receptor.



Página | 104

C. Confianza

Esta variable está estrechamente relacionada con la evolución de la interacción entre las

personas ya que una vez ha finalizada una actuación conjunta dos individuos tienen una

alta probabilidad de volver a interactuar. La confianza entre el emisor y el receptor puede ir

aumentando o disminuyendo en la medida en que se cumplan o no las suposiciones del

receptor respecto al desarrollo de la acción. La confianza puede ser positiva o negativa

(desconfianza) dependiendo de la historia de la relación entre los dos agentes. En una

aproximación discreta de tres valores, si esta variable toma el valor 1, significa que el

receptor confía en el emisor de la propuesta; si esta variable toma el valor -1, significa que

el receptor desconfía del emisor de la propuesta; y si esta variable tome el valor 0, significa

que el receptor no ha desarrollado o establecido un grado de confianza o desconfianza en

el emisor de la propuesta.

El modelo propuesto está pensado para ser utilizado como una primera verificación de la

hipótesis del impacto positivo de la auto-organización en el desempeño de una organización

empresarial. Esta hipótesis consiste en que una organización cuyo principal objetivo sea

maximizar el beneficio económico y donde las relaciones jerárquicas predominan sobre la

confianza, tiene una expectativa de supervivencia inferior a una organización en la que la

maximización del beneficio económico se alterna o se combina con otros objetivos, como

la maximización de la satisfacción promedio de los individuos que la conforman y en la que

las relaciones de confianza prevalecen sobre las relaciones jerárquicas, ya que estas

condiciones hacen que la organización sea más ágil y flexible en situaciones de crisis en

las que escaseen las oportunidades o abunden las amenazas. Contrastar esta hipótesis en

organizaciones reales, es realmente difícil especialmente porque las observaciones pueden

involucrar largos períodos de tiempo, años o incluso décadas, y por esto su verificación a

través de simulaciones puede constituir un aporte significativo.

9.10 DESCRIPCIÓN DEL MODELO ANTS PACKET PREDATION 2NET HUMAN

El último paso en el proceso iterativo de diseño e implementación de la simulación es que

en la colonia amarilla se agregaron diferentes características de los individuos y las

organizaciones “humanas”. Entre otras, se cambia la forma de “bug” (insecto) a “arrow”



Página | 105

(fecha) y se deshabilita el mecanismo de la feromona, y en su lugar se habilita la posibilidad

de enviar mensajes directos a los contactos.

Cada agente cuenta con la tabla “confidence-table” que conformada por los campos “key”

y “confidence” y en la que puede almacenar hasta 10 registros. En el campo “key” se

almacena el identificador de un agente (who) y en el campo “confidence” se almacena un

número entero con signo que representa el grado de confianza en el agente identificado.

Cuando un agente encuentra una pieza de forraje (oportunidad) o se encuentra con una

araña (amenaza) además de engancharse a ella (is-carrying?=true o is-confronted?=true

respectivamente) envía un mensaje directo a sus contactos solicitándoles su ayuda usando

el método “help-request” que a su vez invoca al método “help-contacts”, utilizando el

parámetro “rq_tp” para diferenciar un caso del otro. Cuando un agente recibe una solicitud

de ayuda de parte de otro la procesa, para aceptarla o rechazarla usando el método “help-

request” que tiene como parámetros el identificador y las coordenadas del emisor o

solicitante así como el tipo de solicitud (rq_tp). Si finalmente el agente receptor acepta la

solicitud del agente emisor, se dirige hacia la ubicación de este último y cambia el valor del

campo “is-approaching?” a “true”. Cuando llega a las coordenadas del emisor cambia el

valor del campo “is-approaching?” a “false”.



Página | 106

Tabla 8. Clase y-ants Modelo Ants Paket Predation 2nest Human

y-ants

. who: Número entero que identifica de forma única a cada agente . color: Color (red) . xcor: Coordenada de la ubicación en el eje horizontal . ycor: Coordenada de la ubicación en el eje vertical . shape: Forma . size: Tamaño . is-carrying?: Verdadero si la hormiga está ayudando a transportar una pieza de forraje . energy: Cantidad de energía de la hormiga. Si llega a cero muere. Al conseguir alimento y retornar al nido se repone. . is-confronted?: Verdadero si la hormiga se involucra en un conflicto con una araña. …

… . altruism: Número de 1 a 10 que representa la tendencia a preferir el beneficio para la organización por encima del beneficio del individuo . is-approaching?: Verdadero si el agente acepta una solicitud de un contacto y se dirige a atenderla . leader-id: Número entero de identificación del líder del grupo al que pertenece el agente . confidence-table: Tabla en la que se almacenan los identificadores de los contactos y un número con signo que representa el grado de confianza en cada uno de ellos. . xsrc: Coordenada en x de una posible fuente de forraje. . ysrc: Coordenada en y de una posible fuente de forraje.

. look-for-food (): Buscar forraje. . wiggle (): Girar aleatoriamente. . uphill-chemical (): Seguir feromona. Oler a la izquierda y a la derecha, e ir donde el olor sea más fuerte. . return-to-nest (): Volver al nido. . catch-forage-piece (): Agarrar una pieza de forraje . born-ants(): Se crea una nueva generación de hormigas. . death-ants(): La hormiga muere si su nivel de energía llega a cero. . help-contacts (rq_tp): Enviar un mensaje a los contactos de tipo rq_tp. . clue-contacts(): Enviar a los contactos las coordenadas de una posible pila de forraje . help-request (e_who, e_xc, e_yc, rq_tp): Procesar una solicitud de ayuda del emisor (e_who), ubicado en las coordenadas e_xc, e_yc de tipo rq_tp. . contacts-energy-avg(). Calcular el promedio de energía de los contactos.




Página | 107

La decisión de un agente (receptor) de si atender o no atender la solicitud de ayuda de otro

agente (emisor) se ha implementado como la suma ponderada de cuatro variables:

let decision ( 0.04 * e_confidence ) + ( 0.9 * e_pwr ) + ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )

La suma de los factores de ponderación es 1:

0,04 + 0,9 + 0,03 + 0,03 = 1

Además de esta forma, en la exploración se usaron las siguientes:

( 0.03 * e_confidence ) + ( 0.91 * e_pwr ) + ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )



En todas las formas se puede observar que la suma de los términos que acompañan a las

variables es de 1.

En la forma final se observa el predominio del término correspondiente a la relación de

poder del emisor con el receptor, esta forma permite llevar a valores altos, alrededor de 10,

la variable de decisión cuando la solicitud es una orden y por otro lado, mantenerla en

valores bajos, alrededor de 0, cuando la solicitud no es una orden. Cuando el umbral de la

decisión se encuentra en 0 esta forma implica una organización jerárquica ya que solo las

solicitudes que provengan del líder tendrán una probabilidad alta de ser aceptadas.

En la segunda forma se puede observar una pequeña diferencia respecto a la primera, una

diferencia de una décima en el primer y segundo término que no implicó ninguna diferencia

práctica.

En la tercera forma el término con menor ponderación es el que corresponde a la relación

de poder del emisor con el receptor (0,1) y los otros tres términos se encuentran con una

ponderación equivalente (0,3). Cuando el umbral de la decisión se encuentra en 0 esta

forma implica una organización con tendencia a la auto-organización ya que las ordenes

son solo otro tipo de solicitudes y aquellas solicitudes que no son órdenes pueden tener



Página | 108

una probabilidad alta de ser aceptadas si tienen un valor considerable en alguno de los

otros factores.

En la cuarta forma se observa que la ponderación se ha distribuido de forma equitativa entre

los cuatro factores (0,25). En esta forma una solicitud que no sea una orden puede ser

aceptada, pero las solicitudes que sean órdenes tienen una mayor probabilidad de ser

aceptadas. Se puede asegurar que en esta configuración la organización se encuentra a

medio camino entre una organización jerárquica y una auto-organizada.

e_confidence: Representa el grado de confianza del receptor en el emisor. Cuando “nace”

una generación de agentes se organiza en grupos de 10 en 10, los identificadores de las

hormigas del grupo son los que se almacenan inicialmente en la tabla “confidence” y el

grado de confianza en cada una de las hormigas del grupo es un número aleatorio entre -5

y 5.

table:put confidence-table i ( ( random 10 ) - 5 )

Se escogió este intervalo pensando en términos de la resolución que se puede establecer

a través de las etiquetas linguisticas que comúnmente puede usar una persona para

describir o interpretar este grado de confianza así:

Tabla 9. Escala para modelar el nivel de confianza

5 Confío absolutamente

4 Confío mucho

3 Confío

2 Confío poco

1 Confío muy poco

0 No se si confió o no

-1 Desconfío muy poco

-2 Desconfío poco

-3 Desconfío

-4 Desconfío mucho

-5 Desconfío absolutamente




Página | 109

Cuando un agente muere, el registro correspondiente se elimina de la tabla de contactos

(confidence-table) de los agentes que lo conocían, liberando un registro en esta tabla que

podrá ser llenado cuando el agente participe en una actuación conjunta.

Existen estudios en los que se han formulado modelos probabilísticos de la confianza entre

las personas e incluso algunos en los que se han implementado las correspondientes

simulaciones basadas en agentes, como el de (Netrvalová 2006), sin embargo, se trata de

modelos bastate sofisticados cuya incorporación a, o integración con los demás elementos

que hacen parte del presente trabajo está mas allá del alcance del mismo. Por esta razón

se considera un modelo simple pero en que se alcanza a incorporar algunas características

de estos modelos. Una primera característica incorporada es la asimetría, la cual consiste

en que el grado de confianza que tiene el individuo A en el indiviudio B puede ser diferente

del grado de confianza que tiene el individuo B en el individuo A. Otra característica

incorporada es la evolución, la cual consiste en que el grado de confianza de un individuo

en otro es variable en el tiempo y es función entre otras del resulado de las actuaciones

conjuntas en las que perticipen conjuntamente. Como distribución inicial se asume una

función uniforme ya que no se tienen indicios de otra distribución que represente mejor esta

condición.

Si un miembro de la organización está participando en la confrontación con una amenaza

y la amenaza es derrotada, o está participando en el aprovechamiento de una oportunidad

y la oportunidad es aprovechada (depositada en el nido), verifica si otros miembros de la

organización que también han participado en la actuación conjunta están en su lista de

contactos, si es así, AUMENTA en uno (1) el valor de la confianza en cada uno. Si el

miembro participante NO está en la lista de contactos del agente en cuestión y hay espacio

en su lista de contactos, se agregar el registro correspondiente a dicha lista con un valor de

confianza positivo, entre 1 y 5; se fija este intervalo ya que corresponde el subintervalo

positivo del dominio de la función que se utiliza para realizar la distribución inicial y que

representa que el agente inicia su relación confiando en algún grado en su nuevo contacto

dado el resultado positivo de la actuación conjunta:

table:put confidence-table i ( ( random 4 ) + 1 )



Página | 110

Si un miembro de la organización está participando en el aprovechamiento de una

oportunidad y la oportunidad desaparece antes de ser aprovechada (depositada en el nido),

verifica si otros miembros de la organización que también han participado en la actuación

conjunta están en su lista de contactos, si es así, DISMINUYE en dos (2) el valor de la

confianza en cada uno. Si el miembro participante NO está en la lista de contactos del

agente en cuestión y hay espacio en su lista de contactos, se agregar el registro

correspondiente a dicha lista con un valor de confianza negativo, entre -1 y -5; se fija este

intervalo ya que corresponde el subintervalo negativo del dominio de la función que se utiliza

para realizar la distribución inicial y que representa que el agente inicia su relación

desconfiando en algún grado en su nuevo contacto dado el resultado negativo de la

actuación conjunta:

table:put confidence-table i ( ( random -4 ) - 1 )

No es necesario implementar esta dinámica en el caso de las amenazas ya que cuando la

actuación conjunta de enfrentar una amenaza no concluye exitosamente todos los agentes

involucrados en esta confrontación “mueren” o en términos de la analogía son

desvinculados. En este punto se puede observar una asimetría en la dinámica de la

confianza que es resultado de los dos tipos de actuaciones conjuntas y que consiste en que

mientras los dos tipos permiten que haya un aumento de la confianza entre los individuos,

solo un tipo, el relacionado con las oportunidades, permite que haya una disminución de

esta confianza. Para compensar en algún grado esta asimetría se decide que mientras el

aumento de la confianza, ya sea por oportunidad aprovechada o por una amenaza vencida,

sea de uno en uno, la disminución de la confianza, que solo se da por el

desaprovechamiento de las oportunidades sea de dos en dos.

e_pwr: “e_pwr” es una variable de decisión que puede tomar dos valore 0 o 10. “e_pwr”

vale 0 cuando el emisor de la solicitud NO es el líder del receptor. “e_pwr” vale 10 cuando

el emisor de la solicitud es el líder del receptor. Los miembros de la organización se dividen

en grupos de 10 agentes; cada uno de estos grupos tiene un líder, para identificarlo

fácilmente cada agente tiene el campo “leader-id” en el que se almacena el identificador

(who) del líder correspondiente. Cuando se crea un grupo, se asigna como líder del mismo

al primer agente que se crea, es decir al que tiene el menor número de identificación.

Cuando muere el líder de un grupo lo sucede en este rol el agente que continúe vivo, que



Página | 111

tenga el menor número de identificación, de esta manera se garantiza que cada agente

siempre tenga un líder designado, lo cual no implica que siempre lo obedezca, de hecho la

condición que permite la emergencia de la auto-organización es la posibilidad de que haya

líderes emergentes, diferentes de los designados, que sean capaces de atraer y convencer

a otros de sus propuestas y esta posibilidad es parte escencial del modelo propuesto.

cbi_a: El altruismo es entendido como la tendencia a preferir el beneficio para la

organización por encima del beneficio del individuo. El egoísmo es entendido como lo

inverso, es decir como la tendencia a preferir el beneficio del individuo sobre el beneficio

para la organización. Para modelar esta tendencia cada agente “humano” cuenta con una

variable denominada “altruism” que se inicializa con un valor aleatorio entre 0 y 10:

set altruism random 10

Para modelar la tendencia inversa, el egoismo, en el modelo se toma el complemento a 10

del valor propio del altruismo:

let egoism ( 10 - altruism )

Este modelamiento implica que rara vez un agente es completamente altruista (altruism =

10) así como que rara vez un agente es completamente egoísta (altruism = 0), es decir, que

lo más común es que cada agente de manera diferenciada tenga una tendencia hacia el

altruismo, que puede tener varios grados (altruism > 5) o una tendencia hacia el egoísmo,

que puede tener varios grados (altruism < 5). Una restricción relevante de este trabajo

relacionada con este aspecto, y que por tanto puede hacer parte del trabajo futuro, es que

este valor es una constante a lo largo de la vida de cada agente, lo cual corresponde a una

gran simplificación respecto a lo que sucede con las personas. En las personas la tendencia

hacia el altruismo o hacia el egoísmo puede cambiar a lo largo de su vida en función de

diversos factores, pero principalmente, en función del resultado de sus interacciones con

otros individuos.

Para modelar la Creencia en el Beneficio para el Individuo (cbi) se toma la energía del

individuo, se divide entre cuatro (4) y se le resta cuatro veces la distancia del agente

(receptor) hasta el emisor; como cada paso le cuesta a un agente una unidad de energía,

el desplazamiento hasta el emisor le costaría al receptor una cantidad de energía



Página | 112

equivalente a la distancia inicial entre ambos. Y ya sea que se trate una amenaza o de una

oportunidad se estima que ayudar a enfrentarla o aprovecharla le costará aproximadamente

esta cantidad de energía.

let cbi energy / 4 - ( 4 * distancexy e_xc e_yc )

El objetivo de éste término (cbi) es que el agente pueda estimar la probabilidad de que el

resultado de la actuación conjunta le genere un saldo positivo en términos energéticos,

independientemente de otros resultados. La idea es que el agente realice esta estimación

con un alto grado de incertidumbre, como sucede con las personas en una organización

real, y para garantizar esto, utiliza solamente dos datos relacionados que puede establecer

en el momento de la desición, y que son un subconjunto de varios datos que requeriría para

hacer una estimación con un bajo grado de incertidumbre, entre los cuales se encuentran

por ejemplo, la cantidad y la energía promedio de los agentes involucrados en el actuación

conjunta, el valor de la oportunidad, la distancia del emisor a el centro de operaciones y la

cantidad de energía de la amenaza.

Como se estableció en el párrafo inicial, la distancia del receptor al emisor (distancexy e_xc

e_yc) corresponde a la cantidad de energía que le costaría al receptor desplazarse hasta

donde el emisor requiere su ayuda, por tanto, si el nivel de energía del receptor (energy)

fuera menor o igual que esta distancia no tendría mucho sentido aceptar esta solicitud ya

que si lo hiciera, la energía con la que cuenta no alcanzaría para llegar al punto donde se

requiere su ayuda. Por otro lado, si la energía apenas alcanzara para llegar a este punto no

sería suficiente, se trate de aprovechar una oportunidad o de enfrentar una amenaza, ya

que en cualquiera de los casos, para que la actuación conjunta tenga éxito y genere un

beneficio real para el individuo se requiere una inversión adicional de energía por parte de

éste. En el caso de las oportunidades esta inversión adicional corresponde al menos a la

distancia que hay desde el emisor hasta el centro de operaciones, que en la configuración

del modelo tiene un valor máximo bien definido y es la la distancia entre el centro de

operaciones y la esquina del cuadrilatero más distante del mismo, sin embargo, la

proporción relativa entre este valor y la distancia del receptor al emisor, que es el dato

externo del que dispone el agente para realizar la estimación, es relativa. En el caso de las

amenazas esta inversión adicional corresponde aproximadamente a la cantidad de energía

de la amenaza dividida entre la energía promedio de los agentes involucrados en la



Página | 113

actuación conjunta, la cual también es relativa respecto a los datos de los que dispone el

agente para realizar la estimación. Después de realizar algunas mediociones se estableció

que una proporción promedio aproximada entre la distancia del receptor al emisor y la

energía adicional requerida para que las actuaciones conjuntas correspondientes sean

exitosas es de 4 y a partir de ésto se fija el coeficiente en el segundo término de la expresión.

El otro coeficiente que hace parte de la expresión es el denominador del primer término,

que para las corridas definitivas también se fijó en 4, pero para el cual en las corridas de

sintonización se ensayaron valores diferentes, observando bajos niveles de sensibilidad del

modelo global a los mismos. Se ensayaron otros divisores para la energía a saber 1, 2 y

10. Con estas variaciones se pretendió modular el “optimismo” de esta creencia. Al disminuir

el denominador (1 y 2) se aumenta el optimismo del agente respecto a la creencia en el

beneficio propio. Al aumentar el denominador (10) el optimismo se disminuye.

Si “cbi” tiene un valor positivo, el agente estima que la energía con la que cuenta le alcanza

para completar la actuación conjunta, recibir la recompensa y continuar con vida. Si “cbi”

tiene un valor negativo, el agente estima que la energía con la que cuenta NO le alcanza

para completar la actuación conjunta, así que si decide participar su aporte podría implicar

su sacrificio.

Así calculada la creencia en el beneficio del individuo, es modulada por el egoísmo antes

de ser incorporada a la decisión. Para hacerlo se extrae el valor absoluto de cbi, se

multiplica por el valor del egoísmo, se extrae la raíz cuadrada de este producto y se

multiplica por el signo de cbi, a este producto es al que se denomina Creencia en el

Beneficio para el Individuo modulado por el Altruismo (cbi_a):

let cbi_a ( sign cbi * sqrt ( abs cbi * egoism ) )

La construcción de esta expresión matemática parte del produto de la creencia en el

beneficio del individuo (cbi) por el egoísmo (egoism), pero ya que la idea es que el egoísmo

module a la creencia, no que la escale, se propone extraer la raíz cuadrada de este

producto, para que el término modulador (egoism) no introduzca un cambio abrupto en el

rango del término resultante (cbi_a) respeto al rango del término modulado (cbi).



Página | 114

El valor absoluto sobre el término modulado (cbi) se introduce para garantizar que el

resultado de la raíz cuadrada se encuentre en el conjunto de los números reales, ya que

este multiplicando (cbi) puede tomar valores positivos y negativos, por tanto sin este valor

absoluto, el valor dentro de la raíz cuadrada podría ser negativo y el resultado de la misma

un número complejo. No es necesario aplicar el valor absoluto sobre el otro multiplicando

(egoism) ya que previamente se estableció que el rango de la función a partir de la cual se

obtiene está entre 0 y 10, es decir nunca es negativo.

Respecto al signo, la idea es garantizar que el termino resultante (cbi_a) tenga el mismo

signo que el término modulado (cbi), y como el resultado de la raíz cuadrada resulta ser un

número positivo, la forma más simple de garantizar que estos signos sean iguales es

multiplicar el resulado de la raíz por el signo del término modulado (cbi).

cbo_a: La Creencia en el Beneficio para Organización se ha relacionado con una

estimación de la probabilidad de éxito de la actuación conjunta, la cual se calcula a partir

del promedio de energía de los contactos, los cuales probablemente se vinculen a dicha

actuación que es calculada a través del método “contacts-energy-avg”. Este promedio se

divide entre cuatro (4) y se le resta cuatro (4) veces la distancia del receptor al emisor, que

corresponde a una estimación del promedio de la energía que tendría que gastar cada uno

de los agentes que participen en la actuación conjunta:

let cbo contacts-energy-avg / 4 - ( 4 * distancexy e_xc e_yc )

Para construir esta expresión matemática se partió de la expresión construida para calcular

la creencia en el beneficio del individuo (cbi), de hecho al comparalas se observa que solo

se diferencian en el numerador del primer término. Para construir esta expresión (cbo) se

remplazó el nivel de energía del individio (energy) de la otra expresión (cbi) por la energía

promedio de los contactos del agente (contacts-energy-avg), la cual es diferente de la

energía promedio de los agentes involucrados en la actuación conjunta. El objetivo es que

el agente pueda estimar la probabilidad de que el resultado de la actuación conjunta le

genere a la organización un saldo positivo en términos energéticos, independientemente de

otros resultados. Como en el caso de la otra creencia (cbi), y de las organizaciones



Página | 115

empresariales que se pretende modelar, la idea es que el agente realice esta estimación

con un alto grado de incertidumbre.

Además de esta forma en la que la energía promedio de los contactos se divide entre 4, se

ensayaron otros divisores para la energía promedio a saber 1, 2 y 10. Al disminuir el

denominador (1 y 2) se aumenta el optimismo del agente respecto a la creencia en el

beneficio para la organización. Al aumentar el denominador (10) el optimismo se disminuye.

Así calculada la Creencia en el Beneficio para la Organización, es modulada por el altruismo

antes de ser incorporada a la decisión. Para hacerlo se extrae el valor absoluto de “cbo”, se

multiplica por el valor del altruismo, se extrae la raíz cuadrada de este producto y se

multiplica por el signo de “cbo”, a este producto es al que se denomina Creencia en el

Beneficio para la Organización modulado por el Altruismo (cbo_a):

let cbo_a ( sign cbo * sqrt ( abs cbo * altruism ) )

La construcción de esta expresión matemática es análoga a la correspondiente a la

creencia en el beneficio de individuo, parte del produto de la creencia en el beneficio del

organización (cbo) por el altruismo (altruism), pero ya que la idea es que el altruismo module

a la creencia, no que la escale, se propone extraer la raíz cuadrada de este producto, para

que el término modulador (altruism) no introduzca un cambio abrupto en el rango del término

resultante (cbo_a) respeto al rango del término modulado (cbo).

El valor absoluto sobre el término modulado (cbi) se introduce para garantizar que el

resultado de la raíz cuadrada se encuentre en el conjunto de los números reales, ya que

este multiplicando (cbo) puede tomar valores positivos y negativos, por tanto sin este valor

absoluto, el valor dentro de la raíz cuadrada podría ser negativo y el resultado de la misma

un número complejo. No es necesario aplicar el valor absoluto sobre el otro multiplicando

(altruism) ya que previamente se estableció que el rango de la función a partir de la cual se

obtiene está entre 0 y 10, es decir nunca es negativo.

Respecto al signo, la idea es garantizar que el termino resultante (cbo_a) tenga el mismo

signo que el término modulado (cbo), y como el resultado de la raíz cuadrada resulta ser un

número positivo, la forma más simple de garantizar que estos signos sean iguales es

multiplicar el resulado de la raíz por el signo del término modulado (cbo).



Página | 116

Hasta este punto se ha dotado a los agentes de la posibilidad de coordinarse para

aprovechar las oportunidades y enfrentar las amenazas, pero para completar el reemplazo

del mecanismo de la feromona hace falta habilitar la posibilidad de coordinarse para

“explotar” las pilas de recursos con este propósito se agregaron los campos “xsrc” y “ysrc”,

así como el método “clue-contacts” el cual a su vez invoca al método “help-request” de

manera análoga a como lo hace el método “help-contacts”. Lo que diferencia al método

“clue-contacts” del método “help-contacts”, a parte del campo de tipo de mensaje “rq_tp” es

que en el “clue” se utilizan las coordenadas del punto para lo cual se utilizan los campos

“xsrc” y “ysrc”, mientras que en el método “help” se envían las coordenadas del emisor y no

se utilizan campos auxiliares, esto es posible ya que en el caso de las piezas de forraje y

de las arañas el emisor permanece en el mismo punto, mientras que en el caso de las pilas

de recursos el emisor no se detiene.



Página | 117

Figura 16. Modelo “Ants Packet Predation 2nest Human” en ejecución




Página | 118

9.11 DESCRIPCIÓN DE LA METÁFORA

Los agentes representan a los empleados o colaboradores que hacen parte de la

organización empresarial. La energía de los agentes representa los recursos económicos

con los que cuenta un agente para realizar sus funciones dentro de esta organización. La

aparición de un nuevo agente representa la vinculación de un colaborador a la organización

empresarial y la desaparición de un agente representa la desvinculación de un colaborador

a la organización empresarial.

Las piezas de forraje (oportunidades) representan “ideas” de la forma en que estas

son entendidas en un negocio creativo, por ejemplo en una empresa de desarrollo de

software, de desarrollo de video juegos o una agencia de publicidad.

Valve (http://www.valvesoftware.com/) es una compañía en la que todo el mundo es igual y

los gerentes no existen. Un lugar en el que los empleados se sientan donde quieren, eligen

en lo que quieren trabajar y deciden el salario de sus colegas.

(http://www.bbc.com/mundo/noticias/2013/11/131031_economia_empresa_triunfa_sin_jef

es_finde_lav)

"Somos una organización plana, así que yo no rindo cuentas ante nadie y nadie tiene que

rendir cuentas ante mí", explica DJ Powers.

"Somos libres de elegir trabajar en lo que consideremos que es más interesante".

"Hay muchas ideas sobre lo que es interesante de trabajar, pero a no ser que puedas

convencer a las personas indicadas para trabajar contigo, tendrás muchos problemas para

conseguir los recursos que necesitas para hacerlo".

"Es una comunidad de respeto y la mejor idea gana sin importar de quién venga,

independientemente de que lleve un año en Valve o haya fundado la compañía".

Expertos en gestión como Gary Hamel, autor de "Antes que nada despidamos a todos los

jefes", publicado en la revista Harvard Business Review en 2011, sostienen que las capas

gerenciales son "costosas e ineficientes".



Página | 119

"Creo que cada vez habrá más organizaciones en las que si quieres lograr que algo se

haga, si quieres convertirte en un líder, necesitarás saber convencer, persuadir, establecer

coaliciones, argumentos convincentes", afirmó Hamel en una entrevista con Harvard

Business Review tras la publicación de su artículo.

En el model de simulación cuando un agente encuentra una pieza de forraje (oportunidad)

es como cuando un creativo en esta compañía encuentra o concibe una idea. Si es una

idea sencilla es probable que pueda implementarla o llevarla a cabo solo, pero lo más

probable es que dicha idea no tenga un gran impacto en el negocio, aunque esto no es

imposible. Estas ideas sencillas son análogas en el modelo propuesto a las piezas de forraje

“unitarias” que pueden ser transportadas al centro de operación por un solo agente. Si es

una idea compleja, lo más probable es que necesite de la ayuda de otros agentes para

implementarla o llevarla a cabo, entonces el creativo que la concibió y que cree en ella,

debe asumir la labor de convencer a otros que trabajen junto con él en esa idea, la cual

tiene una mayor probabilidad de tener un alto impacto que las ideas sencillas. Las ideas

complejas son análogas a las piezas de forraje “pesadas” que para ser transportadas al

centro de operación requieren la coordinación de varios agentes. Cuando estas ideas son

puestas en ejecución, es decir cuando los agentes se dan a la tarea de transportar una

pieza de forraje hacia el centro de operación, esta actividad es análoga a un “proyecto”,

como este es entendido en ingeniería, en el que se pueden identificar elementos como

objetivo, recursos y rentabilidad.

En el contexto del análisis DOFA, las amenazas son factores de origen externo que puede

atentar contra la organización y su permanencia en el mercado. En el modelo propuesto las

arañas (amenazas) no representan a la competencia como tal, la competencia sería por

ejemplo otra colonia o empresa que buscara y se pudiera beneficiar de los mismos recursos

o ideas. Las arañas “capturan” a los empleados y les hacen gastar su energía. Cuando un

empleado solo enfrenta a una araña tiene una baja probabilidad de vencerla, cuando un

grupo de empleados enfrenta a una araña tienen una alta probabilidad de vencerla. En un

contexto amplio de cualquier tipo de empresa, una araña puede representar una acción de

competencia desleal, como tratar de desvincular empleados clave de la compañía, un

cambio inesperado en la legislación, como el aumento en la carga tributaria, o un cambio

inesperado en el mercado, como la escasez de un insumo difícil de reemplazar. En el



Página | 120

contexto de una empresa de base tecnológica, una araña podría representar por ejemplo,

un ataque de denegación de servicio, un intento de robo de datos confidenciales o un intento

de fraude electrónico.

Tabla 10. Correspondencia de los elementos de la metáfora

Simulación Empresa Real

agentes / hormigas colaboradores

nido centro de operaciones

energía de los agentes recursos económicos

aparición de un agente vinculación de un colaborador

desaparición de un agente desvinculación de un colaborador

tiempo de vida de un agente periodo activo de un colaborador

piezas de forraje (oportunidades)

ideas (soluciones o innovaciones)

encontrar una pieza de forraje concebir una idea

pieza de forraje unitaria idea sencilla

pieza de forraje pesada idea compleja

transportar una pieza de forraje ejecutar un proyecto (objetivo, recursos y rentabilidad)

otra colonia empresa competidora

arañas (amenazas)

acción de competencia desleal, cambio en la legislación, escaces de un insumo fundamental




Página | 121

10. VERIFICACIÓN DEL MODELO DE SIMULACIÓN

Al inicio se planteó comparar en cada simulación dos organizaciones empresariales, una

tendiente hacia la auto-organización y otra tendiente hacia la jerarquía estricta, sin embargo

cuando se empezaron a realizar las corridas, variando alguno de los parámetros y a realizar

el análisis los resultados, se evidenció la dificultad de comparar una corrida con las otras.

La dificultad de la comparación radica en que no existía un patrón de medida o referente

común entre una corrida y las otras. En este punto se decidió dejar una de las dos

organizaciones “invariable” a través de las diferentes corridas para que sirviera de patrón

de medida o punto de referencia para realizar la comparación entre una corrida y las otras.

Se decidió dejar la organización roja “invariable” y de este punto en adelante se le denomina

“organización patrón”, y configurar la organización amarilla como organización empresarial

en la que se fueron variando los parámetros y que a lo largo de las diferentes corridas fue

configurada como una organización tendiente hacia la auto-organización o como una

organización tendiente hacia la jerarquía de control.

Al final de cada corrida se tomó una captura de pantalla. La secuencia de capturas de

pantalla se guardó en un documento de texto (“Corridas Modelo Simulación - 170723.docx”

y “Corridas Modelo Simulación - 170810.docx”). Para facilitar la trazabilidad, la tabulación y

el análisis, a cada corrida se le asignó un identificador único correspondiente a la huella de

tiempo en la que se tomó la captura de pantalla en el formato aammddhhnn (Año, Mes, Día,

Hora, miNuto), así por ejemplo a la simulación cuya imagen fue capturada el “20/07/2017

8:47 pm” se le asignó el identificador 1707202047. La configuración de cada corrida se

agregó como un registro en una tabla del Anexo 1. Con este identificador cada corrida

puede ser fácilmente ubicada en el documento de texto o en el Anexo 1. Por cada

configuración se realizaron varias corridas. En el Anexo 1 los grupos de corridas pueden

ser identificados fácilmente porque las filas tienen el mismo color de fondo, azul claro o

naranja claro, que se van alternando para facilitar la diferenciación de los grupos, por otro

lado el parámetro que se varió de un grupo de corridas a otro se presenta con fondo rosado.

Al inicio de las pruebas se consideró que el mejor resultado para la organización

empresarial es que fuera capaz de extinguir a la organización patrón, más adelante esto se



Página | 122

reconsideró ya que si bien las dos organizaciones compiten en cuanto a las oportunidades,

colaboran en cuanto a las amenazas, y se observó que el efecto de esta colaboración

primaba sobre el efecto de la competencia, de forma concreta que cuando una de las dos

organizaciones se extinguía la otra era más vulnerable, por esta razón finalmente se

consideró que el mejor resultado para la organización empresarial es que lograra sobrevivir

junto con la organización patrón. A partir de esta consideración, los resultados se

clasificaron y se marcaron en el Anexo 1 en cuatro categorías:

Las dos organizaciones sobreviven (en verde)

Solo sobrevive la organización empresarial (en naranja)

Solo sobrevive la organización patrón (en violeta)

No sobrevive ninguna de las dos organizaciones (en rojo)

Por otro lado, dada la geometría del sistema, hay una pila de recursos que queda cerca de

una organización y lejos de la otra, y como existe la restricción de que las pilas de recursos

no se regeneran hasta que todas hayan sido agotadas, al aprovechamiento de la pila de

recursos lejana representa un reto para una organización cuando la otra ha colapsado, tanto

que en varias corridas la organización que sobrevive en primera instancia no es capaz de

aprovechar la pila de recursos más alejada y esta condición hace que finalmente también

colapse.

Se considera que el “peor” resultado, marcado en rojo, es que las dos organizaciones

colapsen o en otros términos que no sobrevivan. Dependiendo de los parámetros de la

simulación se establece una mayor o menor interdependencia entre las dos organizaciones,

la cual además varía en el transcurso de cada una de las simulaciones; por ejemplo, si en

una organización la cantidad de agentes fuera del centro de operaciones es baja, pero la

mayoría de las amenazas está siendo atendida, esta situación no implica un riesgo muy

alto para la continuidad de la organización, sin embargo, si se da la primera condición, pero

la mayoría de las amenazas no se han atendido, esta situación implica un grave riesgo para

la continuidad de dicha organización.



Página | 123

Se considera un resultado intermedio que solo sobreviva una de las dos organizaciones,

las simulaciones en las que solo sobrevive la organización empresarial se marcan en

naranja y las simulaciones en las que solo sobrevive la organización patrón se marcan en

violeta.

Lo que se esperaba encontrar a lo largo de las corridas era una configuración en la que se

pudiera observar una tendencia muy clara en cuanto a esta categorización de los resultados

de la simulación.

En el proceso de verificación y sintonización del modelo se seleccionaron algunas de las

variables más relevantes y se variaron una por una, se observaron y analizaron los

resultados. A continuación la relación de las variables que se modificaron en el proceso de

verificación y sintonización:

group_size: Esta variable determina el tamaño inicial y máximo de los subgrupos en los

que se divide la organización empresarial. El valor “medio” que se usó para el tamaño del

grupo fue de 10. En el proceso de exploración de esta variable se llevó al valor mínimo de

2, al valor alto de 50 y al valor máximo de 200, que corresponde al tamaño de una

generación de agentes.

energy_reposition: Esta variable determina la cantidad de recursos que se repone a un

agente cada vez que logra aprovechar una oportunidad, transportándola hasta el centro de

operaciones, o cada vez que logra vencer una amenaza. El valor “medio” que se usó para

la reposición de recursos fue de 20. En el proceso de exploración de esta variable se llevó

al valor mínimo de 10, además se usaron los valores de 15, 30, 40 y el valor máximo de

100.

set energy random: Esta instrucción determina la cantidad de recursos que se le entregan

a un colaborador en el momento en el que es vinculado a la organización. Para esta

instrucción solo se utilizaron 2 valores. En las primeras simulaciones se utilizó el valor alto

de 1000 y en las últimas simulaciones se utilizó el valor medio de 650.



Página | 124

decision >: Este parámetro corresponde al umbral de decisión. Es el valor que debe ser

superado en la suma ponderada para que una solicitud sea aceptada. El valor que se utilizó

inicialmente fue de 0, teniendo en cuenta que los valores de los factores diferentes a la

relación de poder podían tomar valores positivos y negativos y por ende, en algunos casos,

anularse entre sí. Una vez fijada la fórmula para el cálculo de la decisión:

( 0.04 * e_conf ) + ( 0.9 * e_pwr ) + ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )

Se ensayaron diversos valores para el umbral de decisión en el rango entre -9 y 9 a saber:

-9; -0,65; 0,45; 2,5 y 9. En esta configuración el umbral en -9 implica un rechazo nulo, es

decir una aceptación total, que si bien es una condición que no corresponde a la realidad,

permite explorar los límites de la simulación y puede aportar elementos para su verificación.

El umbral en -0,65 implica un umbral de aceptación medio y permite configurar a la

organización empresarial como una organización tendiente a la auto-organización en la que

las ordenes son solo un tipo “privilegiado” de solicitud. Los umbrales de 0,45 y 2,5 implican

un umbral de aceptación bajo, en mayor grado para el segundo, en el que las solicitudes

que no sean órdenes tienen una baja probabilidad de ser aceptadas y la organización

empresarial se encuentra a medio camino entre una auto-organización y una organización

jerárquica. El umbral de 9 implica un nivel de aceptación muy bajo en el que solo las órdenes

tienen probabilidad de ser aceptadas y por tanto en esta configuración la organización

corresponde a una jerarquía estricta.

10.1 ANÁLISIS DE LAS CORRIDAS

A continuación se presenta el análisis de los cambios a partir de los cuales se pudieron

realizar las observaciones más significativas en cuanto a la verificación y sintonización del

modelo, los demás pueden ser revisados en los documentos de texto y el Anexo 1 donde

se registraron, no se incluyen en este análisis ya que a partir de ellos no se pudieron

observar tendencias claras que aportaran a la verificación o sintonización del modelo.



Página | 125

set group_size 2

Cuando el tamaño de los grupos se redujo al valor mínimo (2) se observó que la

organización empresarial no fue capaz de sobrevivir mientras que la organización patrón lo

logró, esto a pesar de que se fijó un valor alto en la reposición de recursos (100) y que se

ensayaron las dos configuraciones extremas de la función de decisión:

La jerárquica:


En las corridas en el intervalo entre 1707201244 y 1707201256.

La auto-organizada:


En las corridas en el intervalo entre 1707201301 y 1707201325.

Esta observación permite confirmar, entre otras cosas, que en condiciones favorables la

organización patrón es capaz de sobrevivir sin la ayuda de la organización empresarial,

prueba la agilidad y flexibilidad de la organización que se estableció como patrón o referente

de comparación. Por otro lado permite verificar la simulación ya que pone en evidencia que

como sucede en los grupos humanos reales, se requiere que estos alcancen cierto tamaño

para poder sobrevivir.

set group_size 200

Cuando el tamaño de los grupos se llevó al valor máximo, correspondiente al tamaño de

una generación de agentes (200) se observaron varios resultados en función del umbral de

la decisión. Para los umbrales de decisión medios (-0,65 y 0), que implican un nivel de

aceptación medio, se observó una tendencia hacia el colapso de las dos organizaciones, la

organización patrón y la organización empresarial, como se puede observar en las corridas

en el intervalo entre 1708030602 y 1708030818. Lo que se observa en detalle es que la

organización empresarial presenta oscilaciones considerables en su tamaño de población,

que sin embargo tiene un promedio considerablemente más alto que del tamaño de



Página | 126

población de la organización patrón, y que esta última presenta oscilaciones considerables

en la cantidad de recursos de sus colaboradores. Cuando hay un valle en el tamaño de

población de la organización empresarial aumenta la carga que implican las amenazas para

la organización patrón, frecuentemente hasta un punto en el que no logra sobrevivir, luego

del colapso de la organización patrón, lo más frecuente en esta configuración es que sin el

aporte de esta última, la organización empresarial tampoco logra sobrevivir. Lo que se

puede concluir, y que aporta a la verificación de la simulación, es que al presentarse un alto

grado de interconexión entre los colaboradores y una disposición normal o media a la

colaboración, la organización empresarial no es lo suficientemente ágil y resulta ser

vulnerable, como sucede en las organizaciones reales.

Para los umbrales de decisión bajos (-9) que implican un rechazo nulo, se observó que en

unas ocasiones se presentaba la supervivencia de las dos organizaciones y en otras se

presentaba la supervivencia de la organización empresarial y el colapso de la organización

patrón (corridas en el intervalo entre 1708051403 y 1708051901). Como se mencionó

previamente esta configuración corresponde a una situación que no se da en las

organizaciones empresariales reales pero que permite verificar el modelo. Lo que se puede

concluir es que al presentarse un alto grado de interconexión entre los colaboradores y una

gran disposición a la colaboración la organización empresarial se hace ágil y flexible, sin

embargo vale la pena aclarar que este resultado depende fuertemente de una de las

restricciones del modelo y es que cuando en una actuación conjunta concurre una cantidad

suficiente de agentes (20) estos dejan de solicitar a sus contactos que acudan en su ayuda.

Antes de implementar esta restricción en las corridas con tamaños de grupo grandes se

tendía hacia el colapso ya que la organización se “enfocaba” en un grupo limitado de

oportunidades y de amenazas, a las cuales dedicaba más recursos de los necesarios y

dejaba de atender otras que implicaban un gran potencial o un gran riesgo, llegando en

algunos casos al extremo de que todos los colaboradores de la organización atendían una

única oportunidad o amenaza.



Página | 127

set energy reposition 10

Al bajar la cantidad de reposición de recursos a 10 se observa una tendencia absoluta al

colapso de las dos organizaciones (corridas en el intervalo entre 1707261041 y

1707261313). Al incrementarla la cantidad de reposición de recursos levemente a 15 se

observa que esta tendencia ya no es absoluta pero es predominante (corridas en el intervalo

entre 1707301232 y 1707301624). Se ensayan otros valores pero finalmente se decide

dejar este valor en 20, que corresponde al valor mínimo en el que se observa una tendencia

hacia la supervivencia de las organizaciones. A partir de esta observación se puede

establecer otro punto de verificación del modelo ya que si lo que se retribuye a los

colaboradores no es suficiente para su supervivencia individual, se pone en riesgo la

supervivencia de toda la organización, como sucede en las organizaciones empresariales

reales.

set energy random 650

La sintonización final de la simulación se logró disminuyendo la cantidad de recursos

iniciales de los colaboradores de “random 1000” a “random 650”. Antes de este cambio las

únicas tendencias sostenidas que se lograron observar en el resultado de la simulación son

aquellas en que colapsaban las dos organizaciones o colapsaba la organización

empresarial. Con este cambio se logró llevar la simulación a una región en la que la

variación del umbral de la decisión permite establecer regiones de tendencia claras en

cuanto a la categorización establecida para los resultados de la simulación. Lo que se

concluye a partir de esta observación es que un valor muy alto para la cantidad de recursos

iniciales de los colaboradores suprime la sensibilidad de otras variables que en condiciones

“normales” son determinantes para el resultado de la simulación.



Página | 128

11. EVALUACIÓN Y ANÁLISIS DE LOS RESULTADOS

La configuración de los parámetros que se utilizó para la evaluación final y análisis de los

resultados se presenta a continuación:

Tabla 11. Parámetros usados para el análisis del modelo

group size 10

energy reposition 20

set energy random 650

cbi (Creencia en el Beneficio de Individuo)

energy / 4 - ( 4 * distancexy e_xc e_yc )

cbo (Creencia en el Beneficio de la Organización)

contacts-energy-avg / 4 - ( 4 * distancexy e_xc e_yc )

Decisión ( 0.04 * e_conf ) + ( 0.9 * e_pwr ) + ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )


El parámetro fundamental de la simulación en este punto es el umbral de la decisión de los

agentes de la organización empresarial que se compara con el valor de la decisión. En la

fórmula a través de la cual se calcula esta decisión, el término con el mayor factor de

ponderación es la relación de poder, al subir el umbral de la decisión, por ejemplo a 4, se

tiende a que solo sean aceptadas aquellas solicitudes que hayan sido emitidas por el líder

del grupo, haciendo que en esta caso la organización pueda ser caracterizada como una

organización jerárquica. Al bajar el umbral de decisión, por ejemplo a -1, se tiende a que

las solicitudes que se consideran convenientes por alguno o algunos de los factores

diferentes a la relación de poder sean aceptados, claro está, sin dejar de lado la tendencia

a acatar las órdenes.

Teniendo claro esto se tomaron 5 valores diferentes para explorar el espacio de posibilidad

que se genera a partir del parámetro que ha sido denominado umbral de decisión. Los

valores que se tomaron fueron para el umbral de decisión fueron: 9, 4, -0,65, -1 y -9.

El valor de 9 en el umbral de decisión implica un nivel de rechazo extremadamente alto, es

decir que solo aquellas solicitudes que sean órdenes y tengan valores que no se anulen en

los demás factores de decisión van a ser aceptadas. Este escenario de extremadamente



Página | 129

baja colaboración se considera irreal o poco probable en una organización empresarial,

pero se incluye para conocer uno de los límites de la simulación y de esta manera aportar

a la exploración y a la validación del modelo.

El valor de -4 en el umbral de decisión, implica un nivel de rechazo alto, es decir que solo

aquellas solicitudes que sean órdenes y que la combinación de los demás factores no sea

altamente negativa van a ser aceptadas; en otras palabras, es un escenario en el que

solamente se aceptan ordenes, pero algunas de ellas, aunque no la mayoría son

descartadas. Este escenario es el que permite representar una organización empresarial

jerárquica y de esta manera constituye uno de los puntos de contraste a tener en cuenta

para obtener las conclusiones de este trabajo.

El valor de -0,65 en el umbral de decisión, implica un nivel medio de rechazo o aceptación,

en el que el estatus de orden de una solicitud solo va a ser uno más entre los cuatro factores

que determinan la decisión. En este punto, aproximadamente la mitad de las solicitudes va

a ser rechazada y la otra mitad aceptada, aquí se toma como una referencia del equilibrio

entre las dos tendencias principales, es decir entre la tendencia hacia una organización

empresarial jerárquica y la tendencia hacia una organización empresarial auto-organizada.

El valor de -1 en el umbral de decisión, implica un nivel ligeramente alto de aceptación, es

decir que todas aquellas solicitudes que no tengan algún factor o combinación de factores

negativos van a ser aceptadas; en otras palabras es un escenario donde solo se van a

rechazar aquellas solicitudes que sean juzgadas como claramente inconvenientes para el

colaborador receptor. Este escenario es el que permite representar una organización

empresarial auto-organizada y de esta manera constituye uno de los puntos de contraste a

tener en cuenta para obtener las conclusiones de este trabajo.

El valor de -9 en el umbral de decisión implica un nivel de aceptación extremadamente alto,

es decir que prácticamente todas las solicitudes van a ser aceptadas. Este escenario de

altísima colaboración se considera irreal o poco probable en una organización empresarial,

pero se incluye para conocer uno de los límites de la simulación y de esta manera aportar

a la exploración y a la validación del modelo.



Página | 130

Para cada uno de estos escenarios se realizaron 10 corridas cuyos resultados se registran

en el Anexo 2 y para caracterizarlos se han utilizado las siguientes variables:

Tabla 12. Variables usadas para la caracterización del modelo

Variable Descripción

Id Identificador de la corrida en el formato aammddhhnn

decision > Umbral de la decisión

Ticks Número de ciclos o unidades de tiempo de la simulación

CAg_o Cantidad de Agentes de la organización empresarial

CAg_c Cantidad de Agentes de la organización patrón

CAg Cantidad total de Agentes

EPAg_o Recursos Promedio de los Agentes de la organización empresarial

EPAg_c Recursos Promedio de los Agentes de la organización patrón

SolAcep Cantidad de Solicitudes Aceptadas

SolRech Cantidad de Solicitudes Rechazadas

% Acep Porcentaje de Aceptación

COpA_o Cantidad de Oportunidades Aprovechadas por la organización empresarial

COpA_c Cantidad de Oportunidades Aprovechadas por la organización patrón

COpA Cantidad total de Oportunidades Aprovechadas

OpAP_o Cantidad Ponderada de Oportunidades Aprovechadas por la organización empresarial

OpAP_c Cantidad Ponderada de Oportunidades Aprovechadas por la organización patrón

CAm Cantidad de Amenazas

COp Cantidad de Oportunidades

CAmV_o Cantidad de Amenazas Vencidas por la organización empresarial

CAmV_c Cantidad de Amenazas Vencidas por la organización patrón

CAmV Cantidad total de Amenazas Vencidas

AmVP_o Cantidad Ponderada de Amenazas Vencidas por la organización empresarial

AmVP_c Cantidad Ponderada de Amenazas Vencidas por la organización patrón


11.1 NIVEL DE RECHAZO EXTREMADAMENTE ALTO

En el escenario con un nivel de rechazo extremadamente alto (umbral de decisión > 9) se

obtuvo un nivel de aceptación promedio del 1,07%, es decir, prácticamente nulo. En este

conjunto de simulaciones se observa que en el 60% de las simulaciones (6 de 10) el

resultado fue el colapso de las dos organizaciones y que en el 40% de las simulaciones (4



Página | 131

de 10) el resultado fue que solo sobrevivió la organización patrón. De la primera observación

se puede concluir que la colaboración entre los agentes de la organización empresarial es

una condición imprescindible para la supervivencia de la misma, lo cual no representa

ninguna novedad científica, sin embargo sirve como punto para la validación del modelo de

simulación, ya que esta es una condición, que se puede observar fácilmente en un entorno

empresarial, por ejemplo en un equipo que se cree para ejecutar un proyecto específico, no

está garantizada de antemano en este “mundo creado”. De la segunda observación se

puede concluir que la organización patrón es suficientemente ágil como para sobrevivir sin

la ayuda de la organización empresarial cuando el punto de quiebre, el punto en el que

colapsa la organización empresarial no se da en una condición crítica para la otra

organización.

11.2 NIVEL DE RECHAZO ALTO: ORGANIZACIÓN JERÁRQUICA

En el escenario con un nivel de rechazo alto (umbral de decisión > 4) se obtuvo un nivel de

aceptación promedio del 6,62%, es decir comparable con el porcentaje de solicitudes con

el estatus de orden (10%). En este conjunto de simulaciones se observa que en el 30% de

las simulaciones (3 de 10) el resultado fue la supervivencia de las dos organizaciones, que

en el 20% de las simulaciones (2 de 10) el resultado fue que solo sobrevivió la organización

patrón y que en el 50% de las simulaciones (5 de 10) el resultado fue el colapso de las dos

organizaciones. Como se mencionó anteriormente esta configuración representa a una

organización empresarial jerárquica, por lo que se presta especial atención al análisis de

estos resultados. Para ilustra este proceso a continuación se presenta el análisis particular

de una simulación de cada caso:



Página | 132

Simulación 1708071035:

Figura 17. Organización jerárquica supervivencia de las dos organizaciones

Fuente: Captura de la simulación 1708071035

Esta simulación ilustra el caso de la supervivencia de las dos organizaciones. En el

pantallazo final se observan varias amenazas que están siendo enfrentadas por agentes de

las dos organizaciones entre las que se destacan algunos cercanos al centro de

operaciones de la organización patrón en los que los agentes involucrados están emitiendo

solicitides de ayuda (feromona), ya que se encuentran en clara desventaja respecto a la

amenaza que están enfrentando. Por otro lado se observa un pequeño círculo rojo y amarillo

en el centro de cada uno de los centros de operaciones que corresponden a grupos de

agentes que han sido recientemente vinculados a las organizaciones, pero que no han



Página | 133

salido nunca del centro de operaciones respectivo ya que la cuenta del tiempo no se los ha

permitido, esta condición particular refleja una situación “saludable” de las dos

organizaciones ya que existe al menos una generación de agentes próxima a salir del centro

de operaciones, la cual garantiza la continuidad de la organización. Respecto a las pilas de

recursos se observa que la pila que es equidistante a los dos centros de operaciones, que

en el eje horizontal se encuentra hacia la derecha y en eje vertical hacia el centro del

sistema, ya ha sido aprovechada por completo, mientras que las otras dos pilas, cercanas

al centro de operaciones de una organización y alejadas del centro de operaciones de la

otra respectivamente, están en proceso de ser aprovechadas, estando más próxima a

agotarse la cercana a la organización empresarial, lejana a la organización patrón ubicada

horizontalmente hacia la izquierda y verticalmente hacia abajo. Estas condiciones

representan una ventaja temporal para la organización empresarial, que puede ser

fácilmente nivelada o revertida por la organización patrón.

En las diferentes gráficas se observa un régimen similar en las dos organizaciones. La

gráfica de Cantidad de agentes se caracteriza por un crecimiento inicial de la población

hasta un punto medio seguido por una oscilación “suave” entre dos extremos identificables,

no se observan picos o valles que sobresalgan claramente. En la gráfica de recursos

promedio de los agentes se observa un leve decrecimiento inicial seguido por una oscilación

pequeña, de aproximadamente un 10% al redor de un nivel fijo que no varía a lo largo de la

simulación.



Página | 134

Figura 18. Gráficos organización jerárquica supervivencia de las dos organizaciones


Las gráficas de Oportunidades Aprovechadas y Amenazas Vencidas muestran un

crecimiento continuo que se puede aproximar mediante una recta con pendiente fija, en el

caso de las Oportunidades con una pendiente ligeramente mayor para la organización

patrón y en el caso de las Amenazas se podría considerar la misma pendiente para describir

a las dos organizaciones.



Página | 135


Figura 19. Organización jerárquica supervivencia de la organización patrón


Esta simulación ilustra el caso de la supervivencia de solo la organización patrón. En el

pantallazo final de simulación se observan varias amenazas que están siendo enfrentadas

por los agentes de la organización patrón, algunas alrededor de su centro de operaciones

y otras en la región de la derecha, entre las que se destaca una confrontación en la que

aún se está dando la emisión de solicitudes de ayuda (feromona) por parte de los agentes

involucrados ya que se encuentran en clara desventaja respecto a la amenaza que están

enfrentando. También se observa que las dos pilas de recursos cercanas al centro de

operaciones ya han sido aprovechadas mientras que la pila de recursos más alejada del



Página | 136

centro de operaciones, que es la más cercana al centro de operaciones de la otra

organización, se encuentra casi intacta, lo que evidencia la dificultad que representa el

aprovechamiento de esta fuente de recursos para la organización correspondiente.

En las diferentes gráficas se observa un régimen diferente en las dos organizaciones. La

gráfica de Cantidad de agentes de la organización patrón se observa una tendencia al

crecimiento que la organización empresarial al inicio trata de seguir pero que finalmente no

logra sostener y termina en el colapso. En la gráfica de recursos promedio de los agentes,

en la organización patrón se observa un decrecimiento inicial seguido por una oscilación

pequeña al redor de un nivel fijo que no varía a lo largo de la simulación, en la organización

empresarial se observa un decrecimiento inicial seguido por oscilaciones más pronunciadas

que en un punto parecen ampliarse hasta un valle profundo que termina en el colapso de

la organización.

Figura 20. Gráficos organización jerárquica supervivencia de la organización patrón




Página | 137

Las gráficas de Oportunidades Aprovechadas y Amenazas Vencidas, en la organización

patrón muestran un crecimiento continuo que se puede aproximar mediante una recta con

pendiente fija, en la organización empresarial muestran un una pendiente inicial, similar a

la de la organización patrón seguida de un segmento con una pendiente menor, que termina

con una recta de paralela al eje x, de pendiente 0, luego de que la organización ha

colapsado.


Figura 21. Organización jerárquica colapso de las dos organizaciones




Página | 138

Esta simulación ilustra el caso del colapso de las dos organizaciones. En el pantallazo final

de la simulación se muestra un rastro de solicitudes de ayuda (feromona) cerca del centro

de operaciones de la organización patrón, generado por los agentes que enfrentaron las

dos amenazas que se encuentran en el centro del mismo, y que finalmente fueron

derrotadas implicando el colapso de la organización. Por otro lado, se observan cuatro

amenazas deambulando por el espacio alejadas del epicentro de la confrontación final, lo

que evidencia el hecho de que no se implementó ningún mecanismo de coordinación entre

las amenazas. Respecto a las pilas de recursos se observa que las dos cercanas al centro

de operaciones de la organización patrón han sido aprovechadas completamente mientras

que la pila de recursos más alejada del mismo, que es la más cercana al centro de

operaciones de la organización empresarial, se encuentra parcialmente aprovechada, lo

que evidencia la dificultad que representa el aprovechamiento de la fuente de recursos más

alejada del centro de operaciones para la organización correspondiente.

En las diferentes gráficas se observa un régimen diferente en las dos organizaciones. En la

gráfica de Cantidad de agentes, en la organización patrón se observa una tendencia inicial

al crecimiento, seguida por un conjunto de oscilaciones medias alrededor de un punto

seguida por una tendencia descendente que termina en el colapso, en la organización

empresarial se observa un leve crecimiento inicial seguido por oscilaciones alrededor de

niveles críticos (muy bajos) de población que terminan en el colapso de dicha organización.

En la gráfica de Recursos promedio de los agentes, en la organización patrón se observa

una oscilación pequeña al redor de un nivel lentamente decreciente seguido por un par de

oscilaciones amplias que terminan en un valle profundo que conlleva al colapso de la

organización, en la organización empresarial se observa una serie de oscilaciones

alrededor de la curva de la organización patrón que se van amplificando conforme avanza

la simulación, seguida por una caída pronunciada que luego de algunas oscilaciones

menores termina en el colapso de la organización.



Página | 139

Figura 22. Gráficos organización jerárquica colapso de las dos organizaciones



patrón muestran un crecimiento escalonado que finalmente se estancia en el punto de

colapso de la organización patrón, en la organización empresarial muestran un crecimiento

inicial, similar a la de la organización patrón seguida de un crecimiento prácticamente nulo,

que termina con una recta horizontal correspondiente al colapso de la organización.

Como se mencionó al inicio de esta sección, esta configuración representa a una

organización empresarial jerárquica. De lo que se observa en los resultados se puede

concluir que este tipo de organización es capaz de sobrevivir cuando las circunstancias no

son muy adversas o no son muy dinámicas, es decir, que este tipo de organizaciones tiene

un alto grado de dependencia de las condiciones externas, si las condiciones externas se

hacen muy adversas o muy dinámicas, este tipo de organizaciones tiende al colapso.



Página | 140

11.3 NIVEL MEDIO DE RECHAZO O ACEPTACIÓN

En el escenario con un nivel medio de rechazo o aceptación (umbral de decisión > -0,65)

se obtuvo un nivel de aceptación promedio del 45,67%, es decir, aproximada al 50%. En

este conjunto de simulaciones se observa que en el 90% de las simulaciones (9 de 10) el

resultado fue la supervivencia de las dos organizaciones y que en el 10% de las

simulaciones (1 de 10) el resultado fue la sola supervivencia de la organización empresarial.

De la primera observación se puede concluir que con un nivel medio de colaboración la

organización logra aprovechar en un alto grado las oportunidades y de la misma forma

vencer las amenazas. Aunque la agilidad de la organización empresarial, su desempeño en

general son superiores a los de la organización patrón, logra co-habitar con ella

aprovechando el aporte que realiza al control de las amenazas y al ciclo de regeneración

de las pilas de recursos con el aprovechamiento de la pila más cercana al centro de

operaciones de la organización patrón y más lejana al centro de operaciones de la

organización empresarial. De la segunda observación se puede concluir que en estas

condiciones la organización empresarial es suficientemente ágil como para sobrevivir sin la

ayuda de la organización patrón.

11.4 NIVEL LIGERAMENTE ALTO DE ACEPTACIÓN: AUTO-ORGANIZACIÓN

En el escenario con un nivel ligeramente alto de aceptación (umbral de decisión > -1) se

obtuvo un nivel de aceptación promedio del 66,32%, es decir que sobrepasa

apreciablemente un nivel medio del 50%. En este conjunto de simulaciones se observa que

en el 90% de las simulaciones (9 de 10) el resultado fue la supervivencia de las dos

organizaciones, y que en el 10% de las simulaciones (1 de 10) el resultado fue que solo

sobrevivió la organización empresarial. Como se mencionó anteriormente esta

configuración representa a una organización empresarial auto-organizada, por lo que se

presta especial atención al análisis de estos resultados. Para ilustra este proceso a

continuación se presenta el análisis particular de una simulación de cada caso:



Página | 141


Figura 23. Auto-organización supervivencia de la organización empresarial


Esta simulación ilustra el caso de la supervivencia de solo la organización empresarial. En

el pantallazo final de simulación se observan algunas amenazas que están siendo

enfrentadas por los agentes de la organización empresarial alrededor de su centro de

operaciones. También se observa que las dos pilas de recursos cercanas al centro de

operaciones están en proceso de ser aprovechadas mientras que la pila de recursos más

alejada del centro de operaciones, que es la más cercana al centro de operaciones de la

organización patrón, se encuentra casi intacta, lo que evidencia la dificultad que representa

el aprovechamiento de esta fuente de recursos para la organización empresarial.



Página | 142

En las diferentes gráficas se observa un régimen diferente en las dos organizaciones. La

gráfica de Cantidad de agentes de la organización empresarial al inicio se observa una

tendencia al crecimiento que la organización empresarial la cual no se presenta en la gráfica

correspondiente de la organización patrón que termina rápidamente en el colapso. En la

gráfica de Recursos promedio de los agentes, en organización empresarial se observa un

línea casi constante con pequeñas oscilaciones al redor de un nivel fijo que no varía a lo

largo de la simulación, en la organización patrón se observa un decrecimiento inicial

seguido por oscilaciones pronunciadas seguidas por un rápido decrecimiento que termina

en el colapso de la organización.

Figura 24. Gráficos auto-organización supervivencia de la organización empresarial



empresarial muestran un crecimiento continuo que se puede aproximar mediante una recta

con pendiente fija, en la organización patrón muestran una corta pendiente inicial, similar a



Página | 143

la de la organización empresarial seguida por una recta de paralela al eje x, de pendiente

0, luego de que la organización patrón ha colapsado.


Figura 25. Auto-organización supervivencia de las dos organizaciones


Esta simulación ilustra el caso de la supervivencia de las dos organizaciones. En el

pantallazo final se observan varias amenazas que están siendo enfrentadas por agentes de

las dos organizaciones. Por otro lado se observa un pequeño círculo rojo y amarillo en el

centro de cada uno de los centros de operaciones que corresponden a grupos de agentes



Página | 144

que han sido vinculados recientemente pero que no han salido nunca del mismo ya que la

cuenta del tiempo no se los ha permitido, como se mencionó anteriormente esta condición

particular refleja una situación “saludable” de las dos organizaciones ya que existe al menos

una generación de agentes próxima a salir del centro de operaciones, la cual garantiza la

continuidad de la organización. Respecto a las pilas de recursos se observa que la pila que

es equidistante a los dos centros de operaciones, que se en el eje horizontal se encuentra

hacia la derecha y en eje vertical hacia el centro, ha sido aprovechada casi por completo,

mientras que las otras dos pilas, cercanas al centro de operaciones de una organización y

alejadas del centro de operaciones de la otra respectivamente, apenas se han empezado

a aprovechar, aunque se presenta una mayor dinámica en la pila cercana a la organización

patrón, lejana a la organización empresarial ubicada horizontalmente hacia la izquierda y

verticalmente hacia arriba. Estas condiciones representan una ventaja temporal para la

organización patrón, que puede ser fácilmente nivelada o revertida por la organización

empresarial.

En las diferentes gráficas se observa un régimen similar en las dos organizaciones. La

gráfica de Cantidad de agentes se caracteriza por un crecimiento inicial de la población

hasta un punto medio seguido por una oscilación “suave” entre dos extremos identificables,

aunque se observa un valle bien diferenciado en la gráfica correspondiente a la

organización empresarial, así como un pico bien diferenciado en el caso de la organización

patrón. En la gráfica de recursos promedio de los agentes, en las dos organizaciones se

observa un leve decrecimiento inicial seguido por una oscilación pequeña, de

aproximadamente un 10% al redor de un nivel fijo que no varía a lo largo de la simulación.



Página | 145

Figura 26. Gráficos Auto-organización supervivencia de las dos organizaciones


Las gráficas de Oportunidades Aprovechadas muestran un crecimiento ligeramente

escalonado mientras que las gráficas de Amenazas Vencidas muestran un crecimiento

continuo que se puede aproximar mediante una recta con pendiente fija, en ambos casos

las gráficas correspondientes a la organización empresarial presentan una pendiente mayor

que las gráficas correspondientes a la organización patrón, de aproximadamente el doble.

Como se mencionó al inicio de esta sección, esta configuración representa a una

organización empresarial auto-organizada. De lo que se observa en los resultados se puede

concluir que este tipo de organización es capaz de sobrevivir a circunstancias adversas y

dinámicas, es decir, que este tipo de organizaciones tiene un alto grado de adaptación a

las condiciones externas, este tipo de organizaciones tiende a la supervivencia a pesar de

que las condiciones externas se hagan adversas o dinámicas.



Página | 146

11.5 NIVEL DE ACEPTACIÓN EXTREMADAMENTE ALTO

En el escenario con un nivel de aceptación extremadamente alto (umbral de decisión > -9)

se obtuvo un nivel de aceptación promedio del 100%, es decir, absoluto. En este conjunto

de simulaciones se observa que en el 70% de las simulaciones (7 de 10) el resultado fue la

supervivencia de las dos organizaciones y que en el 30% de las simulaciones (3 de 10) el

resultado fue que solo sobrevivió la organización empresarial. De la segunda observación

se puede concluir que la organización empresarial en esta configuración es lo

suficientemente ágil como para sobrevivir sin la ayuda de la organización patrón. Al revisar

los resultados de los indicadores del primer grupo se observa que el promedio del número

total de agentes al final de las simulaciones en las que sobrevivieron las dos organizaciones

fue de 1677, mientras que el promedio correspondiente de las simulaciones en las que solo

sobrevivió la organización empresarial fue de 1300. El promedio de la cantidad total de

oportunidades aprovechadas de las simulaciones en las que sobrevivieron las dos

organizaciones fue de 227, mientras que el promedio correspondiente de las simulaciones

en las que solo sobrevivió la organización empresarial fue de 252. El promedio de la

cantidad total de amenazas vencidas de las simulaciones en las que sobrevivieron las dos

organizaciones fue de 1286, mientras que el promedio correspondiente de las simulaciones

en las que solo sobrevivió la organización empresarial fue de 1034. Atendiendo

principalmente al número total de agentes y la cantidad total de amenazas vencidas, en la

que se da colaboración, y dejando un poco de lado la cantidad total de oportunidades

aprovechadas, en la que se da competencia, se refuerza la hipótesis de que la configuración

más ágil y flexible es aquella en la que sobreviven las dos organizaciones, en lugar de

aquellas en las que solo sobrevive una de las dos organizaciones.

11.6 COMPARACIÓN DE LOS ESCENARIOS CON ALTO NIVEL DE

ACEPTACIÓN

En este punto surge la inquietud de si el desempeño de la organización empresarial en el

escenario en el que se lleva al límite superior el nivel de aceptación supera aquel en el que



Página | 147

se conserva un nivel considerable de rechazo. Para solucionar este asunto se procede a

comparar el promedio de los indicadores de los escenarios con alto nivel de aceptación.

En el escenario con un nivel ligeramente alto de aceptación (umbral de decisión > -1) el

promedio del número total de agentes al final de las simulaciones fue de 1773,6; 1282,9

para la organización empresarial y 489,7 para la organización patrón. En el escenario con

un nivel de aceptación extremadamente alto (umbral de decisión > -9) el promedio del

número total de agentes al final de las simulaciones fue de 1564; 1172,9 para la

organización empresarial y 391,1 para la organización patrón.


promedio de la cantidad total de oportunidades aprovechadas fue de 213,3; 166,7 para la

organización empresarial y 46,6 para la organización patrón. En el escenario con un nivel

de aceptación extremadamente alto (umbral de decisión > -9) el promedio la cantidad total

de oportunidades aprovechadas fue de 234,9; 195,3 para la organización empresarial y

39,6 para la organización patrón.


promedio de la cantidad total de amenazas vencidas fue de 1359,7; 1030,5 para la

organización empresarial y 329,2 para la organización patrón. En el escenario con un nivel

de aceptación extremadamente alto (umbral de decisión > -9) el promedio la cantidad total

de amenazas vencidas fue de 1211; 947,6 para la organización empresarial y 263,4 para la

organización patrón.

De lo anterior se puede concluir que a pesar de que el escenario con un nivel de aceptación

extremadamente alto (umbral de decisión > -9) presenta una ligera ventaja en la cantidad

de oportunidades aprovechadas, el indicador en el que se refleja la competencia entre la

organización empresarial y la organización patrón, presenta un mejor desempeño global el

escenario con un nivel ligeramente alto de aceptación (umbral de decisión > -1), en el que

se presenta una clara ventaja en la cantidad de amenazas vencidas, el indicador en el que

se refleja la colaboración entre la organización empresarial y la organización patrón, y en el

número total de agentes al final de la simulación, que es el indicador más significativo ya

que al llegar a cero implica el colapso de la organización correspondiente.



Página | 148

12. CONCLUSIONES Y TRABAJO FUTURO

12.1 CONCLUSIONES

Numerosas investigaciones han planteado la necesidad de repensar las tradicionales

formas de gobernanza organizacional (Biancani et al 2014, Tihanyi et al 2015) e incrementar

los niveles de autonomía para la toma de decisiones (Donal 2013, Aime et al 2014); sin

embargo, a la fecha los resultados se encuentran en etapas tempranas, y no existen

evidencias contundentes que animen a los directivos a implementar este tipo de propuestas,

a pesar de la promesa de mejorar el rendimiento empresarial. Se considera que el modelo

propuesto y su verificación constituyen un aporte para cerrar la brecha de conocimiento que

a la fecha existe respecto al diseño de organizaciones empresariales como sistemas auto-

organizados con mayor agilidad y flexibilidad en la respuesta al cambio.

A través del presente trabajo se ha estimado mediante la comparación de escenarios de

simulación multi-agente, que el incremento de la capacidad de auto-organización en

organizaciones empresariales permite superar en un alto grado la lentitud en la respuesta

al cambio que generan las estructuras de control jerárquico. Se ha observado que este tipo

de organización es capaz de sobrevivir a circunstancias adversas y dinámicas, es decir,

que este tipo de organizaciones tiene un alto grado de adaptación a las condiciones

externas, ya que tiende a la supervivencia a pesar de que las condiciones externas se

hagan adversas o dinámicas.

A través de los diferentes escenarios de simulación no se han podido identificar beneficios

de las organizaciones empresariales jerárquicas que se pierdan al incrementar su

capacidad de auto-organización; sin embargo, se observa que este tipo de organizaciones

funcionan bien en entornos de baja incertidumbre; son capaces de sobrevivir cuando las

circunstancias no son muy adversas o muy dinámicas, es decir, que este tipo de

organizaciones tiene un alto grado de dependencia de las condiciones externas, si las

condiciones externas se hacen muy adversas o muy dinámicas, su desempeño se hace

crítico y de hecho tienden al colapso en escenarios en los que de repente pueden empezar

a escasear las oportunidades o aumentar drásticamente la cantidad de amenazas.



Página | 149

Las interacciones locales, el control distribuido, la no-linealidad, la realimentación y la

clausura organizacional son las principales precondiciones de la auto-organización

empresarial, es decir, son condiciones que se deben garantizar en el modelo de simulación

para que en este se puedan observar fenómenos de auto-organización. El orden global, la

agilidad, la flexibilidad, la emergencia, las bifurcaciones, la ruptura de la simetría y la

dinámica lejos del equilibrio son las principales poscondiciones de la auto-organización

empresarial, es decir, son condiciones que se deben observar en el modelo de simulación

luego de correrlo y que permiten verificar que los fenómenos observados correspondan a

la auto-organización.

La emergencia de actuaciones conjuntas a partir de la interacción adaptativa entre las

personas hace que las organizaciones empresariales sean sistemas de complejidad

creciente. Las organizaciones empresariales no son simplemente entramados de partes

complejas, sino que son sistemas que se complejizan permanentemente debido al continuo

surgimiento de actuaciones conjuntas, usualmente difíciles de predecir y controlar. A través

del presente trabajo se evidencia que la simulación multi-agentes es una técnica adecuada

para representar a las organizaciones empresariales y sus interacciones internas y externas

ya que permite capturar esta complejidad creciente, al punto que no hubo ninguna

característica de los agentes que no se pudiera representar y por el contrario fue necesario

limitar la caracterización de los agentes no por la técnica, sino por el tiempo y recursos

disponibles como se evidencia en la sección de trabajo futuro.

Inicialmente se consideró que el mejor resultado para la organización empresarial es que

fuera capaz de extinguir a la organización patrón, más adelante esto se reconsideró ya que

si bien las dos organizaciones compiten en cuanto a las oportunidades, colaboran en cuanto

a las amenazas, y se observó que el efecto de esta colaboración primaba sobre el efecto

de la competencia, de forma concreta que cuando una de las dos organizaciones se

extinguía la otra era más vulnerable, por esta razón finalmente se consideró que el mejor

resultado para la organización empresarial es que lograra sobrevivir junto con la

organización patrón.



Página | 150

Entre las diferentes actividades y procedimientos realizados en el presente trabajo el más

arduo fue sin duda el de sintonización de los parámetros del modelo ya que para éste no

se pudo identificar una metodología sencilla que permitiera realizar un avance planeado

dada la complejidad que había adquirido en el modelo, en un punto se avanzó a través del

método del ensayo y error y se llegó a considerar la posibilidad de implementar alguna

metodología para le exploración de espacios combinatorios amplios como los algoritmos

genéticos. Sin embargo, luego de varias iteraciones manuales fue posible encontrar una

región en la que se pudieron observar tendencias. El aumento en la complejidad del modelo

implica un crecimiento del espacio de posibilidades del mismo y por tanto un aumento en la

dificultad de sintonización de los parámetros del modelo.



Página | 151

12.2 TRABAJO FUTURO

El modelo de simulación basado en agentes que se construyó cuenta con varias

limitaciones impuestas principalmente por la gran complejidad del fenómeno que pretende

representar (las organizaciones empresariales); sin embargo, vale la pena destacar que a

diferencia de otros tipos de simulación, la mayoría de estas limitaciones no son

estructurales, es decir, no son impuestas por las posibilidades de los lenguajes o las

herramientas disponibles y asequibles sino más bien por las restricciones de tiempo y

recursos propios de una tesis de maestría, por tanto, son fácilmente superables en etapas

posteriores de la investigación y de hecho constituyen un curso de acción a seguir dentro

de la misma. Dentro de estas posibilidades se destacan las siguientes como formas

sugeridas para dar continuidad a este trabajo:

Implementar un modelo de simulación en el que se incluyan una cantidad más amplia y más

diversa de organizaciones empresariales interactuando, algunas con tendencia al orden

jerárquico y otras con tendencia a la auto-organización; ya en las sociedades humanas

normalmente concurren cientos o incluso miles de organizaciones empresariales que

interactúan en el contexto de un mercado.

Implementar mecanismos de competencia y de colaboración más sofisticados entre los

agentes y las organizaciones, ya que los implementados hasta el momento son

elementales, dados simplemente por la coexistencia espacial y por compartir las amenazas

y las oportunidades. Puede ser de particular interés implementar mecanismos de

comunicación entre los agentes de diferentes organizaciones, ya que en la simulación

construida solo se implementaron mecanismos de comunicación entre los agentes

pertenecientes a la misma organización, y si bien en las organizaciones humanas estos

últimos son más amplios y más fluidos, los primeros son comunes, y en muchos casos

determinantes en las dinámicas internas y externas de estas organizaciones.

Hacer que el carácter egoísta o altruista de los agentes, que tiene un efecto considerable

en el mecanismo de toma de decisiones de los agentes, sea una condición dinámica en la

simulación, ya que hasta el momento es una condición estática; los agentes se vinculan a

una organización con un grado de altruismo o egoísmo que no cambia a lo largo de su

periodo activo en la organización. Esto teniendo en cuenta que los seres humanos, que son



Página | 152

el referente, se pueden ir haciendo altruistas o egoístas a lo largo de su vida, o incluso en

el mismo momento de la vida pueden tener un comportamiento egoístas frente a una

circunstancia y un comportamiento altruista frente a otra.

Estudiar e implementar en la simulación, en algún grado, las complejas dinámicas de la

lucha por el poder en las organizaciones humanas. En la simulación que se construyó se

incluyó la condición de líder o seguidor de cada uno de los miembros de las organizaciones,

de hecho esta condición es determinante en el mecanismo de toma de decisiones de los

agentes; sin embargo, cada agente reconoce un solo líder sin que esto genere ningún

conflicto, entre otras, porque se implementó un mecanismo de sucesión simple.

En resumen se espera que agregando las características mencionadas al modelo propuesto

se puedan capturar y generar mayores niveles de complejidad para la que faciliten

compresión de las organizaciones empresariales; si esto se logra, será posible proyectar

amplios espacios de investigación en aspectos como: a) la ausencia de controlador central

para la emergencia de actuaciones conjuntas en organizaciones empresariales; b) la

evolución de las organizaciones empresariales a través de espacios de posibilidades en los

que al no existir controlador central, y al no existir objetivos predefinidos que guíen la

actuación de los individuos y, c) la importancia del conflicto entre las personas como

mecanismo acelerador/retardador del surgimiento de propuestas de acción. Al no existir

controlador central, ni objetivos predefinidos; se podría esperar un incremento de las

tensiones entre las partes, lo que podría llevar a la desaparición del sistema, o a su mayor

evolución.



Página | 153

13. REFERENCIAS

Aime, F., Humprey, S., Derue, S., and Jeffrey, P. (2014). The riddle of heterarchy: power

transitions in cross-functional teams. Academy of Management Journal, 57(2), pp. 327-

352, http://dx.doi.org/10.5465/amj.2011.0756

Alberts, D. and Hayes, R.(2003). Power to the edge: Command, control in the information

age. Washington CCRP.

Allen, P., Maguire, S., & McKelvey, B. (2011). The sage handbook of complexity and

management. Sage Publications.

Anderson, P. (1999). Perspective: Complexity theory and organization science.

Organization science, 10(3), 216-232.

Andersson, H., & Britton, T. (2000). Stochastic epidemics in dynamic populations: quasi-

stationarity and extinction. Journal of mathematical biology, 41(6), 559-580.

Aritzeta, A., Ayestaran, S., & Swailes, S. (2005). Team role preference and conflict

management styles. International Journal of conflict management, 16(2), 157-182.

Axelrod, R. (1997). Advancing the art of simulation in the social sciences. In simulating

social phenomena (pp. 21-40). Springer Berlin Heidelberg.

Axelrod, R. (2006). The evolution of cooperation. New York: Basic Books.

Axtell, R. L., Epstein, J. M., Dean, J. S., Gumerman, G. J., Swedlund, A. C., Harburger, J.,

& Parker, M. (2002). Population growth and collapse in a multiagent model of the Kayenta

Anasazi in Long House Valley. Proceedings of the National Academy of Sciences,

99(suppl 3), 7275-7279.

Barabási, A. and Albert, R. (1999).Emergence of scaling in random networks. Science,

286(5439), 509-512.



Página | 154

Barabási, A. and Bursts, L. (2010). The hidden patterns behind everything we do, from

your email to bloody crusades. New York: Penguin Books Ltd.

Bass, F. M. (1969). A new product growth for model consumer durables. Management

science, 15(5), 215-227.

Biancani, S. M., Daniel, A., and Dahlander, L. (2014). The Semiformal Organization.

Organization Science, 25(5), pp. 1306-1334, http://dx.doi.org/10.1287/orsc.2013.0882

Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of

political economy, 81(3), 637-654.

Blaschke, S. (2008). Social Science Simulation. Structures and Dynamics of Autopoietic

Organizations: Theory and Simulation, 101-115.

Bohórquez, L. E. (2011). Sistemas de control estratégico y organizacional. Críticas y

desafíos/ Strategic and Organizational Control Systems.Critics and Challenges.Revista

Ciencias Estratégicas, 19(26), 307.

Bohórquez, L. E. (2013). La organización empresarial como sistema adaptativo complejo.

EstudiosGerenciales, 29(127), 258-265.

Bohórquez, L. E. and Espinosa, A. (2014).Theoretical approaches to managing complexity

in organizations: a comparative analysis. Estudios Gerenciales. 31. Pp 20-29.

Bohorquez, L. E. and Posada.J. E. (2015). Design of a Model of Emerging Joint Actions in

Human Social Systemsbased on the Interaction between Agents. 4th International

Congress on Industrial Engineering.

Bohórquez Arévalo, L. E. (2016). The absence of response of organizations to changing

business environment conditions: a complex management problem. Pensamiento &

Gestión, (41), 13-35.

Boisot, M., & Child, J. (1999). Organizations as adaptive systems in complex

environments: The case of China. Organization Science, 10(3), 237-252.



Página | 155

Bonabeau, E., Theraulaz, G., Deneubourg, J. L., Aron, S., &Camazine, S. (1997).Self-

organization in social insects. Trends in Ecology and Evolution, 12(5), pp. 188-193,

http://dx.doi.org/10.1016/S0169-5347(97)01048-3

Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: from natural to

artificial systems (No. 1). Oxford university press.

Booch, G., J. Rumbaugh and I. Jacobson. 1998. The Unified Modeling Language User

Guide, AddisonWesley:New York.

Brown, S. L., & Eisenhardt, K. M. 1997. The art of continuous change: Linking complexity

theory and time-paced evolution in relentlessly shifting organizations. Administrative

Science Quarterly, 42: 1-34.

Bushman, R., Chen, Q., Engel, E., & Smith, A. (2004). Financial accounting information,

organizational complexity and corporate governance systems. Journal of Accounting and

Economics, 37(2), 167-201.

Camazine, S., Deneubourg, J., Franks, N., Sneyd, J., Theraulaz, G., and Bonabeau, E.

(2003). Self-organization in biological system. United Kingdom, Pricenton University Press.

Coveney, P. V. (2003). Self–organization and complexity: a new age for theory,

computation and experiment. Philosophical Transactions of the Royal Society of London

A: Mathematical, Physical and Engineering Sciences, 361(1807), 1057-1079.

Day, D. V., Zaccaro, S. J., &Klimoski, R. J. (2001). Assessment of leadership outcomes.

The nature of organizational leadership: Understanding the performance imperatives

confronting today’s leaders, 384-410.

De Boer, B. (2000). Self-organization in vowel systems. Journal of phonetics, 28(4), 441-

465.

Donal C. P. (2013). Autonomy or Control Organizational Architecture and Corporate

Attention to Stakeholders.OrganizationScience, pp. 1-17.



Página | 156

Dorigo, M., Bonabeau, E., &Theraulaz, G. (2000).Ant algorithms and stigmergy.Future

Generation Computer Systems, 16(8), 851-871.

Droege, S. B., Anderson, J. R., & Bowler, M. (2003). Trust and organizational information

flow. Journal of Business and Management, 9(1), 45.

Entin, E. E., Diedrich, F. J., & Rubineau, B. (2003, October). Adaptive communication

patterns in different organizational structures. In Proceedings of the Human Factors and

Ergonomics Society Annual Meeting (Vol. 47, No. 3, pp. 405-409). Sage CA: Los Angeles,

CA: SAGE Publications.

Espinosa, A., & Porter, T. (2011). Sustainability, complexity and learning: insights from

complex systems approaches. TheLearningOrganization, 18(1), 54-72.

Foucault (2001). Un diálogo sobre el poder y otras conversaciones. Primera edición.

Alianza Editorial. Madrid, España.

Forrester, J. W. (1994). System dynamics, systems thinking, and soft OR. System

dynamics review, 10(2‐3), 245-256.

Gell-Mann, M. (1995). El quark y el jaguar: aventuras en lo simple y lo complejo.

Barcelona: Tusquest.

Gershenson, C., & Heylighen, F. (2003). When can we call a system self-organizing?.

Advances in artificial life, 606-614.

Gershenson, C. (2007) Design and control of self-organizing systems.

CopItarXiv:nlin/0603045V2.

Ghali, M. R., Frayret, J. M., & Ahabchane, C. (2017). Agent-Based Model of Self-

Organized Industrial Symbiosis. Journal of Cleaner Production.

Gilbert, M. (1987).Modelling ColectiveBelief.Synthese, 73, 185-204.

Gordon, D. M., Paul, R. E., & Thorpe, K. (1993). What is the function of encounter patterns

in ant colonies?. Animal Behaviour, 45(6), 1083-1100.



Página | 157

Gotts, N. M., Polhill, J. G., & Law, A. N. R. (2003). Agent-based simulation in the study of

social dilemmas. Artificial Intelligence Review, 19(1), 3-92.

Grewal, R. & Tansuhaj, P. 2001. Building organizational capabilities for managing

economic crisis: The role of market orientation and strategic flexibility. Journal of

Marketing, 65: 67- 80.

Grimm, V., U. Berger, F. Bastiansen, S. Eliassen, V. Ginot, J. Giske, J. Goss-Custard, T.

Grand, S. K. Heinz and G. Huse. (2006). A Standard Protocol for Describing Individual-

Based and Agent-Based Models.Ecological Modelling.

Haken, H. (1981). Synergetics: Is self-organization governed by universal principles.

Toward a unifying paradigm of physical, biological, and sociocultural evolution, 15, 23.

Hallam, J., & Stammers, R. B. (1981, October). The Effects of Task Characteristics on the

Organisation of the Team. In Proceedings of the Human Factors Society Annual Meeting

(Vol. 25, No. 1, pp. 546-550). Sage CA: Los Angeles, CA: SAGE Publications.

Harrison, J. R., Lin, Z., Carroll, G. R., & Carley, K. M. (2007). Simulation modeling in

organizational and management research. Academy of Management Review, 32(4), 1229-

1245.

Helbing, D. (2013).Globally networked risks and how to respond. Nature, (497), pp. 51-59,

http://dx.doi.org/10.1038/nature12047

Heylighen, F. (2001). The science of self-organization and adaptivity. The encyclopedia of

life support systems, 5(3), 253-280.

Hofacker, I., &Vetschera, R. (2001).Algorithmical approaches to business process design.

Computers & Operations Research, 28(13), 1253-1275.

Holland, J. (1995). Hidden Order: How Adaptation Builds Complexity.

Holland, J. (1998). Emergence: From chaos to order. United States of America. Helix

Books.



Página | 158

Holland, O., & Melhuish, C. (1999). Stigmergy, self-organization, and sorting in collective

robotics. Artificial life, 5(2), 173-202.

House & Mitchell, 1974 - R. J. House and T. Mitchell, A path-goal theory of leader

effectiveness, Journal of Contemporary Business (1974), pp. 81–97.

Hölldobler, B., & Lumsden, C. J. (1980). Territorial strategies in ants. Science, 210(4471),

732-739.

Izquierdo L. &Polhill J. (2006).Is your model susceptible to floating-point errors? Journal of

Artificial Societies and Social Simulation, 9(4): 4.

Jacobson, I., Booch, G., & Rumbaugh, J. (2000).El proceso unificado de desarrollo de

software (Vol. 7). Reading: Addison Wesley.

Jensen, M. C. (2010). Value maximization, stakeholder theory, and the corporate objective

function. Journal of applied corporate finance, 22(1), 32-42.

Jobidon, M. E., Labrecque, A., Turcotte, I., Rousseau, V., & Tremblay, S. (2013).

Adaptability in crisis management: The role of organizational structure. DEFENCE

RESEARCH AND DEVELOPMENT TORONTO (CANADA).

Kauffman, S. (2000).Investigations. Oxford: Oxford University Press.

Klügl, F. (2008).A validation methodology for agent-based simulations. In Proceedings of

the 2008 ACM symposium on Applied computing (pp. 39-43).ACM.

Kornhauser, D., Rand, W., &Wilensky, U. (2007). Visualization tools for agent-based

modeling in NetLogo. Proceedings of Agent2007, 15-17.

Kruchten, P. (2000). Introduction au Rational Unified Process.Eyrolles.

Law, A. (2007). Simulation Modeling and Analysis.McGraw-Hill, 4th edition.

Lendaris, G. (1964). On the definition of self-organizing systems. Proceedings of the IEEE,

52(3), 324-325.



Página | 159

Lomi, A., & Larsen, E. R. (1996). Interacting locally and evolving globally: A computational

approach to the dynamics of organizational populations. Academy of Management

Journal, 39(5), 1287-1321.

Lu, Q., & Mahfouf, M. (2010). A model-free self-organizing fuzzy logic control system using

a dynamic performance index table. Transactions of the Institute of Measurement and

Control, 32(1), 51-72.

Macal, C. M., & North, M. J. (2005).Tutorial on agent-based modeling and simulation. In

Proceedings of the 37th conference on winter simulation (pp. 2-15). Winter Simulation

Conference.

Macal, C. M. (2010, December). To agent-based simulation from system dynamics. In

Proceedings of the Winter Simulation Conference (pp. 371-382). Winter Simulation

Conference.

Maguire, S., & McKelvey, B. (1999). Complexity and management: Moving from fad to firm

foundations. Emergence, 1(2), 19-61.

Maguire, S., McKelvey, B., Mirabeau, L., & Öztas, N. (2006). 1.5 complexity science and

organization studies. Sage handbook of organization studies, 165-214.

Mahajan, V., Muller, E., & Wind, Y. (Eds.). (2000). New-product diffusion models (Vol. 11).

Springer Science & Business Media.

Maldonado, C. E. (2005). Ciencias de la complejidad: Ciencias de los cambios súbitos.

Odeon, (2).

March, J. G. (1991). Exploration and exploitation in organizational learning. Organization

science, 2(1), 71-87.

Mitleton- Kelly, E. (2003). Complex systems and evolutionary perspectives on

organisations. The application of complexity theory to organisations. London: London

School of Economics.



Página | 160

Moreno Cadavid, J. Modelo de simulación basado en agentes de software inteligentes

para el aprendizaje de estrategias de comercialización de energía eléctrica en Colombia

(Doctoral dissertation, Universidad nacional de Colombia).

Nesmachnow, S. (2004). Algoritmos genéticos paralelos y su aplicación al diseño de

redes de comunicaciones confiables.

Netrvalová, A. (2006). Modelling and Simulation of Trust Evolution (Doctoral dissertation,

PhD thesis, Department of Computer Science and Engineering, University of West

Bohemia in Pilsen).

Nicolis, G., & Lefever, R. (1977). Comment on the kinetic potential and the Maxwell

construction in non-equilibrium chemical phase transitions. Physics Letters A, 62(7), 469-

471.

Nicolis, G., & Prigogine, I. (1997). La estructura de lo complejo: en el camino hacia una

nueva comprensión de las ciencias (Vol. 784). Anaya-Spain.

Nicolis, S. C., Theraulaz, G., & Deneubourg, J. L. (2005). The effect of aggregates on

interaction rate in ant colonies. Animal behaviour, 69(3), 535-540.

Nowak, M. A., & Sigmund, K. (2004). Evolutionary dynamics of biological games. science,

303(5659), 793-799.

Parunak, H. V. D., Savit, R., & Riolo, R. L. (1998). Agent-based modeling vs equation-

based modeling: A case study and users' guide. Lecture notes in computer science, 1534,

10-25.

Pask, G., & Von Foerster, H. (1960). A predictive model for self organizing systems (No.

TR4). ILLINOIS UNIV AT URBANA ELECTRICAL ENGINEERING RESEARCH LAB.

Passet, R. (1996). Principios de bioeconomía. Visor.

Prigogine, I., &Stengers, I. (1984).Order out of chaos. Man's New Dialogue.



Página | 161

Rahmandad, H., & Sterman, J. (2008). Heterogeneity and network structure in the

dynamics of diffusion: Comparing agent-based and differential equation models.

Management Science, 54(5), 998-1014.

Richardson, K. A. (2008). Managing complex organizations: Complexity thinking and the

science and art of management. Emergence: Complexity and Organization, 10(2), 13.

Samuelson, P. A. (1939). Interactions between the multiplier analysis and the principle of

acceleration. The Review of Economics and Statistics, 21(2), 75-78.

Sarker, S., & Sarker, S. (2009). Exploring agility in distributed information systems

development teams: An interpretive study in an offshoring context. Information Systems

Research, 20: 440-461.

Sastry, M. A. (1997). Problems and paradoxes in a model of punctuated organizational

change. Administrative Science Quarterly, 237-275.

Schweitzer, F. (Ed.). (1997). Self-organization of complex structures: From individual to

collective dynamics. CRC Press.

Searle, J. (1992). Collective Intentions and Actions.En P. Cohen, J. Morgan, & M. Pollack,

Intention in Communication (págs. 401-420). Cambridge- Massachusets: IMT Press

Shalizi, C. R. (2001). Causal architecture, complexity and self-organization in the time

series and cellular automata (Doctoral dissertation, University of Wisconsin--Madison).

Siggelkow, N., & Levinthal, D. A. (2003). Temporarily divide to conquer: Centralized,

decentralized, and reintegrated organizational approaches to exploration and adaptation.

Organization Science, 14(6), 650-669.

Smith, A.D., & Zeithaml, C. (1996). Garbage cans and advancing hypercompetition: The

creation and exploitation of new capabilities and strategic flexibility in two regional bell

operating companies. Organization Science, 7: 388-399.

Smith, C., & Gemmill, G. (1991). Change in the small group: A dissipative structure

perspective. Human Relations, 44(7), 697-716.



Página | 162

Stacey, R. D. (1995). The science of complexity: An alternative perspective for strategic

change processes. Strategic management journal, 16(6), 477-495.

Suleiman R., Troitzsch K., and Gilbert N., editors (2000).Tools and Techniques for Social

Science Simulation.Physica-Verlag.

Tallon, P. P., & Pinsonneault, A. 2011. Competing perspectives on the link between

strategic information technology alignment and organizational agility: Insights from a

mediation model. MIS Quarterly, 35: 463-486.

Tesfatsion, L. (2002). Economic agents and markets as emergent phenomena.

Proceedings of the National Academy of Sciences, 99(suppl 3), 7191-7192.

Tihanyi, L., Graffin, S., and George, G. (2015). Rethinking governance in management

research. Academy of Management Journal, 1015(1), pp. 1-9

http://dx.doi.org/10.5465/amj.2014.4006

Tisue, S., &Wilensky, U. (2004, October).NetLogo: Design and implementation of a multi-

agent modeling environment. In Proceedings of agent (Vol. 2004, pp. 7-9).

Tobias, R. and C. Hofmann. (2004). Evaluation of free Javalibraries for social-scientific

agent based simulation. Journal of Artificial Societies and Social Simulation 7(1), Jan. 31.

Toumela, R. (2000). Collective and Joint Intention. Mind & Society, 1 (2), 39-69.

Tuomela, R. (1992). Group beliefs.Synthese, 91(3), 285-318.

Tuomela, R. (2010). The Philosophy of Sociality: The Shared Point of View. New York:

Oxford University Press.

Turnbull, S. (2002).A New Way to Govern: Organisations and society after Enron. London,

New EconomicsFoundation

Urban, G. L., Hauser, J. R., & Roberts, J. H. (1990). Prelaunch forecasting of new

automobiles. Management Science, 36(4), 401-421.



Página | 163

Walker, J. (2006). The VSM guide: An Introduction to the Viable System Model. Disponible

en http://www.esrad.org.uk/resources/vsmg_3/screen.php?page=home

Watts, D. (2006). Seis grados de separación. La ciencia de las redes en la era de acceso.

Barcelona, Paidos, Iberica, S.A.

Weber, Max (ed.) 1964 (1922), Economía y Sociedad, México: FCE.

Weyns, D., and Holvoet, T. (2003).Model for simultaneous actions in situated multi-agent

systems.In Multiagent System Technologies (pp. 105-118).Springer Berlin Heidelberg.

Wilensky, U. (1997). NetLogo Ants model. Center for Connected Learning and Computer

ased Modeling, Northwestern University, Evanston. IL.


Wilensky, U. and Reisman, K. (2006).Thinking like a Wolf, a Sheep or a Firefly: Learning

Biology through Constructing and Testing Computational Theories - an Embodied

Modeling Approach. Cognition&Instruction, 24(2), (pp. 171-209).

http://ccl.northwestern.edu/papers/wolfsheep.pdf

Williamson, O. E. (1975). Markets and hierarchies: analysis and antitrust implications: a

study in the economics of internal organization.

Wulun, J. (2007). Understanding complexity, challenging traditional ways of thinking.

Systems Research and Behavioral Science, 24(4), 393-402.

Zeigler, B. (1976). Theory of Modeling and Simulation. John-Wiley.

http://www.esrad.org.uk/resources/vsmg_3/screen.php?page=home


14. ANEXOS

ANEXO 1. CORRIDAS DE VERIFICACIÓN Y SINTONIZACIÓN

Verde Las dos organizaciones sobreviven

Naranja Solo sobrevive la organización empresarial

Violeta Solo sobrevive la organización patrón

Rojo No sobrevive ninguna de las dos organizaciones

no. id group size

energy reposition

set energy random

cbi (Creencia en el Beneficio de Individuo)


decision decision

>

1 1707201244 2 10 650 energy -

( 4 * distancexy e_xc e_yc ) contacts-energy-avg -

( 4 * distancexy e_xc e_yc ) ( 0.03 * e_conf ) + ( 0.91 * e_pwr ) + ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )

-9

: : 10 15 1000 energy / 2 -

( 4 * distancexy e_xc e_yc ) contacts-energy-avg / 2 -

( 4 * distancexy e_xc e_yc ) ( 0.04 * e_conf ) + ( 0.9 * e_pwr )

+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

208 1708070815 50 20 energy / 4 -



0

200 30 energy / 10 -

( 4 * distancexy e_xc e_yc ) contacts-energy-avg / 10 - ( 4 * distancexy e_xc e_yc )


0,45

40 2,5

100 9

La auto-organización empresarial como alternativa para incrementar la agilidad organizacional: Una comparación de escenarios de simulación multi-agente

Página | 165

no. id group size

energy reposition

set energy random

cbi (Creencia en el Beneficio del Individuo)


decision decision

>

1 1707201244 2 100 1000 energy / 10 -



0

2 1707201250 2 100 1000 energy / 10 -



0

3 1707201253 2 100 1000 energy / 10 -



0

4 1707201255 2 100 1000 energy / 10 -



0

5 1707201256 2 100 1000 energy / 10 -



0

6 1707201301 2 100 1000 energy / 10 -



0

7 1707201317 2 100 1000 energy / 10 -



0

8 1707201320 2 100 1000 energy / 10 -



0

9 1707201323 2 100 1000 energy / 10 -



0

10 1707201325 2 100 1000 energy / 10 -



0

11 1707201334 10 100 1000 energy / 10 -



0

12 1707201344 10 100 1000 energy / 10 -



0

13 1707201349 10 100 1000 energy / 10 -



0

14 1707201356 10 100 1000 energy / 10 -



0


Página | 166

15 1707201400 10 100 1000 energy / 10 -



0

16 1707201410 10 100 1000 energy / 10 -



0

17 1707201414 10 100 1000 energy / 10 -



0

18 1707201420 10 100 1000 energy / 10 -



0

19 1707201428 10 100 1000 energy / 10 -



0

20 1707201439 10 100 1000 energy / 10 -



0

21 1707201449 50 100 1000 energy / 10 -



0

22 1707201456 50 100 1000 energy / 10 -



0

23 1707201501 50 100 1000 energy / 10 -



0

24 1707201508 50 100 1000 energy / 10 -



0

25 1707201513 50 100 1000 energy / 10 -



0

26 1707201517 50 100 1000 energy / 10 -



0

27 1707201522 50 100 1000 energy / 10 -



0

28 1707201531 50 100 1000 energy / 10 -



0

29 1707201536 50 100 1000 energy / 10 -



0


Página | 167

30 1707201542 50 100 1000 energy / 10 -



0

31 1707202005 10 20 1000 energy / 10 -



0

32 1707202017 10 20 1000 energy / 10 -



0

33 1707202024 10 20 1000 energy / 10 -



0

34 1707202035 10 20 1000 energy / 10 -



0

35 1707202047 10 20 1000 energy / 10 -



0

36 1707202058 10 20 1000 energy / 10 -



0

37 1707202110 10 20 1000 energy / 10 -



0

38 1707202122 10 20 1000 energy / 10 -



0

39 1707202132 10 20 1000 energy / 10 -



0

40 1707202148 10 20 1000 energy / 10 -



0

41 1707230906 10 20 1000 energy / 10 -



0

42 1707230915 10 20 1000 energy / 10 -



0

43 1707230924 10 20 1000 energy / 10 -



0

44 1707230933 10 20 1000 energy / 10 -



0


Página | 168

45 1707230943 10 20 1000 energy / 10 -



0

46 1707231008 10 20 1000 energy / 10 -



0

47 1707231021 10 20 1000 energy / 10 -



0

48 1707231031 10 20 1000 energy / 10 -



0

49 1707231041 10 20 1000 energy / 10 -



0

50 1707231053 10 20 1000 energy / 10 -



0

51 1707231123 10 20 1000 energy / 2 -



0

52 1707231131 10 20 1000 energy / 2 -



0

53 1707231152 10 20 1000 energy / 2 -



0

54 1707231212 10 20 1000 energy / 2 -



0

55 1707231224 10 20 1000 energy / 2 -



0

56 1707231512 10 20 1000 energy / 2 -



0

57 1707231525 10 20 1000 energy / 2 -



0

58 1707231622 10 20 1000 energy / 2 -



0

59 1707231632 10 20 1000 energy / 2 -



0


Página | 169

60 1707231643 10 20 1000 energy / 2 -



0

61 1707231238 10 20 1000 energy / 2 -



0

62 1707231251 10 20 1000 energy / 2 -



0

63 1707231304 10 20 1000 energy / 2 -



0

64 1707231342 10 20 1000 energy / 2 -



0

65 1707231353 10 20 1000 energy / 2 -



0

66 1707231404 10 20 1000 energy / 2 -



0

67 1707231409 10 20 1000 energy / 2 -



0

68 1707231419 10 20 1000 energy / 2 -



0

69 1707231427 10 20 1000 energy / 2 -



0

70 1707231451 10 20 1000 energy / 2 -



0

71 1707232108 10 20 1000 energy -



0

72 1707232123 10 20 1000 energy -



0

73 1707232135 10 20 1000 energy -



0

74 1707232151 10 20 1000 energy -



0


Página | 170

75 1707232201 10 20 1000 energy -



0

76 1707240617 10 20 1000 energy -



0

77 1707240629 10 20 1000 energy -



0

78 1707240647 10 20 1000 energy -



0

79 1707240706 10 20 1000 energy -



0

80 1707240717 10 20 1000 energy -



0

81 1707231656 10 20 1000 energy -



0

82 1707232049 10 20 1000 energy -



0

83 1707232058 10 20 1000 energy -



0

84 1707240751 10 20 1000 energy -



0

85 1707240756 10 20 1000 energy -



0

86 1707251634 10 40 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

87 1707251643 10 40 1000 energy -



2,5

88 1707251647 10 40 1000 energy -



0

89 1707251700 10 30 1000 energy -



-9


Página | 171

90 1707251709 10 20 1000 energy -



-9

91 1707261041 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

92 1707261321 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

93 1707261053 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

94 1707261211 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

95 1707261219 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

96 1707261301 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

97 1707261308 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

98 1707261313 10 10 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

99 1707301232 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

100 1707301254 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

101 1707301329 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

102 1707301706 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

103 1707301744 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

104 1707301355 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0


Página | 172

105 1707301439 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

106 1707301500 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

107 1707301638 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

108 1707301654 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

109 1707301519 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

110 1707301536 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

111 1707301541 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

112 1707301603 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

113 1707301624 10 15 1000 energy -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

114 1707260840 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

115 1707260854 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

116 1707260904 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

117 1707260913 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

118 1707260922 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

119 1707301829 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9


Página | 173

120 1707301845 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

121 1707301853 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

122 1707301908 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

123 1707302204 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

124 1707311057 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

125 1707311108 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

126 1707311142 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

127 1707311158 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

128 1707311208 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

129 1707311257 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

130 1707311308 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

131 1707311320 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

132 1707311329 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

133 1707311439 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

134 1707311449 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65


Página | 174

135 1707311457 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

136 1707311504 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

137 1707260618 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

138 1707260636 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

139 1707260648 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

140 1707260656 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

141 1707260712 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

142 1707310901 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

143 1707310914 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

144 1707310925 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

145 1707311013 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

146 1707310945 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

147 1707311516 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

148 1707311530 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

149 1707311612 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45


Página | 175

150 1707311621 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

151 1707311629 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

152 1707311638 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

153 1707311648 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

154 1707311710 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

155 1707311719 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

156 1707311727 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0,45

157 1707260931 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

158 1707260940 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

159 1707260949 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

160 1707261016 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

161 1707261024 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

162 1707302212 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

163 1707302225 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

164 1707302246 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9


Página | 176

165 1707302257 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

166 1707310831 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

167 1708030602 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

168 1708030631 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

169 1708030652 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

170 1708030850 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

171 1708030818 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

172 1708031147 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 0

173 1708031457 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

174 1708051326 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

175 1708051403 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

176 1708051658 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

177 1708051646 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

178 1708051726 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

179 1708051757 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9


Página | 177

180 1708051809 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

181 1708051826 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

182 1708051834 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

183 1708051848 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

184 1708051901 200 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

185 1708052156 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

186 1708060653 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

187 1708060716 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

188 1708061136 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

189 1708060730 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

190 1708061150 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

191 1708061206 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

192 1708061219 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

193 1708061231 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9

194 1708061239 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -9


Página | 178

195 1708061306 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

196 1708061313 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

197 1708070550 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

198 1708070604 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

199 1708060626 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

200 1708070637 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

201 1708070646 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

202 1708070654 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

203 1708070718 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

204 1708070728 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) -0,65

205 1708070736 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

206 1708070758 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

207 1708070815 10 20 1000 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a ) 9

208 170801 10 20 650 energy / 4 -



+ ( 0.03 * cbi_a ) + ( 0.03 * cbo_a )


Página | 179

ANEXO 2. CORRIDAS DE EVALUACIÓN Y ANÁLISIS

id decision > ticks CAg_o CAg_c CAg EPAg_o EPAg_c SolAcep SolRech % Acep 1708070840 9 15000 0 407 407 0 185,7 5761 401836 1,41% 1708070847 9 15000 0 838 838 0 249,35 3317 282485 1,16% 1708070849 9 9386 0 0 0 0 0 1712 203175 0,84% 1708070852 9 15000 0 265 265 0 159,52 4971 506131 0,97% 1708071133 9 13008 0 0 0 0 0 662 70603 0,93% 1708071134 9 5227 0 0 0 0 0 1517 141141 1,06% 1708071135 9 3279 0 0 0 0 0 623 69705 0,89% 1708071136 9 1683 0 0 0 0 0 415 31308 1,31% 1708071137 9 5506 0 0 0 0 0 2164 187110 1,14% 1708071810 9 15000 0 375 375 0 184,91 908 90310 1,00% promedio 9 9808,9 0 188,5 188,5 0 77,948 2205 198380,4 1,07% máximo 9 15000 0 838 838 0 249,35 5761 506131 1,41% minimo 9 1683 0 0 0 0 0 415 31308 0,84% desviación 0 5440,40 0,00 283,51 283,51 0,00 103,03 1886,22 156020,43 0,00

id COpA_o COpA_c COpA OpAP_o OpAP_c CAm COp CAmV_o CAmV_c CAmV AmVP_o AmVP_c

1708070840 11 173 184 66 1136 7 0 86 582 668 93305 715539

1708070847 6 195 201 44 1216 13 2 84 647 731 77189 812311

1708070849 5 89 94 24 602 7 0 44 299 343 48744 352742

1708070852 25 192 217 140 1208 10 0 136 550 686 130957 718671

1708071133 1 151 152 8 950 6 0 13 675 688 12355 856147

1708071134 6 47 53 26 248 2 0 38 132 170 35984 170319

1708071135 3 34 37 18 230 2 0 23 109 132 21792 118984

1708071136 0 16 16 0 120 0 0 2 22 24 1186 20800

1708071137 11 64 75 60 412 6 0 41 155 196 42127 170151

1708071810 4 208 212 10 1336 9 13 30 879 909 32385 936745

promedio 7,2 116,9 124,1 39,6 745,8 6,2 1,5 49,7 405 454,7 49602,4 487240,9

máximo 25 208 217 140 1336 13 13 136 879 909 130957 936745

minimo 0 16 16 0 120 0 0 2 22 24 1186 20800

desviación 7,24 74,43 77,66 41,57 473,12 3,99 4,09 40,70 296,47 313,80 39906,78 353042,62


Página | 180

id decision > ticks CAg_o CAg_c CAg EPAg_o EPAg_c SolAcep SolRech % Acep 1708071010 4 10000 0 731 731 0 193,68 8818 115341 7,10% 1708071016 4 18707 0 0 0 0 0 33787 481315 6,56% 1708071023 4 16949 0 0 0 0 0 20141 334620 5,68% 1708071026 4 10000 0 1423 1423 0 291,52 21389 293877 6,78% 1708071027 4 3214 0 0 0 0 0 7254 121027 5,65% 1708071030 4 16391 0 0 0 0 0 21636 284569 7,07% 1708071035 4 20000 739 337 1076 312,77 284,71 83517 1118730 6,95% 1708071036 4 8924 0 0 0 0 0 19766 257899 7,12% 1708071040 4 20000 525 607 1132 303,61 305,57 69026 936154 6,87% 1708071146 4 20000 283 652 935 269,35 274,83 41345 599510 6,45% promedio 4 14418,5 154,7 375 529,7 88,573 135,031 32667,9 454304,2 6,62% máximo 4 20000 739 1423 1423 312,77 305,57 83517 1118730 7,12% minimo 4 3214 0 0 0 0 0 7254 115341 5,65% desviación 0 5934,10 271,32 478,44 583,75 143,02 145,34 25322,52 338110,95 0,01


1708071010 8 135 143 48 858 8 0 44 437 481 45493 509620

1708071016 39 182 221 242 1196 1 0 322 762 1084 338815 1047042

1708071023 18 201 219 108 1310 3 0 133 629 762 145515 753342

1708071026 23 150 173 140 914 22 1 119 426 545 129138 522085

1708071027 10 32 42 50 224 0 0 40 75 115 44134 82815

1708071030 21 190 211 140 1268 2 0 143 832 975 161999 955153

1708071035 104 127 231 666 846 13 0 711 773 1484 831066 928906

1708071036 17 86 103 122 572 6 0 177 323 500 118775 349245

1708071040 87 151 238 520 1006 23 8 529 754 1283 576848 944203

1708071146 41 272 313 226 1782 21 15 283 1036 1319 277363 1239050

promedio 36,8 152,6 189,4 226,2 997,6 9,9 2,4 250,1 604,7 854,8 266914,6 733146,1

máximo 104 272 313 666 1782 23 15 711 1036 1484 831066 1239050

minimo 8 32 42 48 224 0 0 40 75 115 44134 82815

desviación 32,98 65,67 76,97 206,15 428,76 9,17 5,08 218,78 285,51 444,62 254937,02 357747,98


Página | 181

id decision > ticks CAg_o CAg_c CAg EPAg_o EPAg_c SolAcep SolRech % Acep 1708070856 -0,65 15000 1493 0 1493 305,27 0 254451 351022 42,03% 1708070900 -0,65 15000 1402 200 1602 311,08 347,03 219466 253115 46,44% 1708070909 -0,65 15000 1284 606 1890 310,49 323,55 234279 273364 46,15% 1708070912 -0,65 15000 1391 400 1791 316,86 345,46 231672 259673 47,15% 1708070939 -0,65 15000 995 823 1818 302,95 304,85 194915 227609 46,13% 1708071645 -0,65 15000 1241 600 1841 314,04 319,44 237906 283511 45,63% 1708071647 -0,65 15000 1331 198 1529 311,65 304,8 239554 282735 45,87% 1708071650 -0,65 15000 1460 493 1953 304,06 307,93 199127 252096 44,13% 1708071654 -0,65 15000 1206 370 1576 320,1 313,02 221515 245883 47,39% 1708071657 -0,65 15000 1304 717 2021 312,03 304,66 243642 287916 45,84% promedio -0,65 15000 1310,7 440,7 1751,4 310,853 287,074 227652,7 271692,4 45,67% máximo -0,65 15000 1493 823 2021 320,1 347,03 254451 351022 47,39% minimo -0,65 15000 995 0 1493 302,95 0 194915 227609 42,03% desviación 1,17E-16 0,00 144,13 257,26 187,35 5,51 102,11 19063,65 33836,01 0,02


1708070856 209 11 220 1326 72 30 21 1149 149 1298 1410778 193032

1708070900 180 34 214 1240 246 17 3 917 393 1310 1135674 473683

1708070909 165 51 216 1188 310 22 4 982 312 1294 1225556 445733

1708070912 164 39 203 1124 270 36 15 1098 259 1357 1347400 309783

1708070939 134 75 209 884 454 53 14 766 400 1166 989034 546774

1708071645 191 53 244 1220 308 38 25 991 228 1219 1230250 282462

1708071647 176 47 223 1178 298 24 23 1100 361 1461 1254789 497674

1708071650 157 44 201 1026 272 24 23 824 218 1042 1074012 296997

1708071654 176 52 228 1122 348 18 15 962 405 1367 1117441 476388

1708071657 191 42 233 1228 254 43 0 1089 297 1386 1278842 401341

promedio 174,3 44,8 219,1 1153,6 283,2 30,5 14,3 987,8 302,2 1290 1206377,6 392386,7

máximo 209 75 244 1326 454 53 25 1149 405 1461 1410778 546774

minimo 134 11 201 884 72 17 0 766 149 1042 989034 193032

desviación 20,86 16,25 13,47 124,61 95,49 11,76 9,13 125,92 88,12 120,77 128178,22 115113,70


Página | 182

id decision > ticks CAg_o CAg_c CAg EPAg_o EPAg_c SolAcep SolRech % Acep 1708070944 -1 15000 1345 661 2006 312,83 312,61 259740 127677 67,04% 1708070946 -1 15000 1592 612 2204 316,27 323,63 283509 130334 68,51% 1708071151 -1 15000 1367 600 1967 312,28 324,17 263836 129368 67,10% 1708071154 -1 15000 1189 0 1189 290,97 0 288146 184992 60,90% 1708071159 -1 15000 1239 395 1634 312,83 320,54 283798 120972 70,11% 1708071202 -1 15000 1326 534 1860 296,1 304,55 273534 135503 66,87% 1708071205 -1 15000 1146 698 1844 309,49 311,38 245679 127334 65,86% 1708071630 -1 15000 1328 411 1739 307,1 319,03 275866 159301 63,39% 1708071636 -1 15000 1286 598 1884 320,69 330,88 285038 145405 66,22% 1708100738 -1 15000 1011 388 1399 314,52 305,23 266166 129910 67,20% promedio -1 15000 1282,9 489,7 1772,6 309,308 285,202 272531,2 139079,6 66,32% máximo -1 15000 1592 698 2204 320,69 330,88 288146 184992 70,11% minimo -1 15000 1011 0 1189 290,97 0 245679 120972 60,90% desviación 0 0,00 154,12 205,17 298,89 9,16 100,57 13583,48 19494,73 0,03


1708070944 152 61 213 980 348 32 18 1020 440 1460 1308873 578122

1708070946 192 43 235 1310 297 27 0 1070 316 1386 1291542 395942

1708071151 142 42 184 904 292 32 0 1133 401 1534 1344979 519700

1708071154 209 7 216 1310 42 33 24 992 68 1060 1252894 84995

1708071159 156 58 214 1094 386 35 30 1108 476 1584 1361466 608140

1708071202 151 43 194 1054 288 30 5 1000 328 1328 1198370 462977

1708071205 148 51 199 982 300 37 0 939 335 1274 1219687 466934

1708071630 187 50 237 1232 266 23 0 972 216 1188 1289593 295023

1708071636 167 38 205 1176 266 19 15 1107 282 1389 1354182 360099

1708100738 163 73 236 1116 500 16 16 964 430 1394 1219911 566314

promedio 166,7 46,6 213,3 1115,8 298,5 28,4 10,8 1030,5 329,2 1359,7 1284149,7 433824,6

máximo 209 73 237 1310 500 37 30 1133 476 1584 1361466 608140

minimo 142 7 184 904 42 16 0 939 68 1060 1198370 84995

desviación 22,09 17,49 18,44 140,65 114,88 7,00 11,25 68,85 121,39 156,75 59530,74 158429,88


Página | 183

id decision > ticks CAg_o CAg_c CAg EPAg_o EPAg_c SolAcep SolRech % Acep 1708071702 -9 15000 1189 527 1716 308,09 301,21 299893 0 100,00% 1708071706 -9 15000 1467 0 1467 316,62 0 346409 0 100,00% 1708071711 -9 15000 1056 0 1056 306,1 0 416045 0 100,00% 1708071713 -9 15000 1201 717 1918 318,72 307,41 310529 0 100,00% 1708071718 -9 15000 982 296 1278 308 283,16 321766 0 100,00% 1708071720 -9 15000 984 584 1568 311,15 297,12 356049 0 100,00% 1708071723 -9 15000 983 606 1589 303,96 291,73 262802 0 100,00% 1708071730 -9 15000 1420 589 2009 316,43 315,31 315707 0 100,00% 1708071733 -9 15000 1378 0 1378 277,99 0 362097 0 100,00% 1708100804 -9 15000 1069 592 1661 302,73 285,08 350921 0 100,00% promedio -9 15000 1172,9 391,1 1564 306,979 208,102 334221,8 0 100,00% máximo -9 15000 1467 717 2009 318,72 315,31 416045 0 100,00% minimo -9 15000 982 0 1056 277,99 0 262802 0 100,00% desviación 0 0,00 189,54 289,74 286,81 11,59 143,92 41785,73 0,00 0,00


1708071702 173 63 236 1104 414 20 0 948 321 1269 1127586 473045

1708071706 218 23 241 1414 146 22 18 1018 189 1207 1286142 280701

1708071711 258 0 258 1656 0 16 0 1003 16 1019 1263045 19553

1708071713 179 53 232 1200 324 19 23 945 430 1375 1107025 584539

1708071718 174 44 218 1178 288 21 0 930 306 1236 1140664 423138

1708071720 172 53 225 1182 306 15 30 1057 295 1352 1296080 372464

1708071723 138 56 194 942 404 42 7 821 489 1310 1019690 640483

1708071730 173 54 227 1178 328 24 5 941 394 1335 1125413 485994

1708071733 247 10 257 1622 50 17 4 857 21 878 1115475 22525

1708100804 221 40 261 1436 252 16 11 956 173 1129 1174385 245938

promedio 195,3 39,6 234,9 1291,2 251,2 21,2 9,8 947,6 263,4 1211 1165550,5 354838

máximo 258 63 261 1656 414 42 30 1057 489 1375 1296080 640483

minimo 138 0 194 942 0 15 0 821 16 878 1019690 19553

desviación 38,47 21,40 20,73 231,28 141,44 7,87 10,56 70,44 161,76 160,01 89469,56 213622,05


Página | 184

Nivel de Aceptación de Actuaciones Conjuntas BAJO ALTO ORG. JERÁRQUICA AUTO-ORGANIZACIÓN

Verde Las dos organizaciones sobreviven 30% 90%

Naranja Solo sobrevive la organización empresarial 10%

Violeta Solo sobrevive la organización patrón 20%

Rojo No sobrevive ninguna de las dos organizaciones 50%

id Identificador de la corrida en el formato aammddhhnn prom. máx. mín. prom. máx. mín.

decision > Umbral de la desición 4 4 4 -1 -1 -1

ticks Número de ciclos o unidades de tiempo de la simulación 14418,5 20000 3214 15000 15000 15000

CAg_o Cant. de Agentes de la org. empresarial 154,7 739 0 1282,9 1592 1011

CAg_c Cant. de Agentes de la org. patrón 375 1423 0 489,7 698 0

CAg Cant. total de Agentes 529,7 1423 0 1772,6 2204 1189

EPAg_o Recursos Promedio de los Agentes de la org. empresarial 88,573 312,77 0 309,308 320,69 290,97

EPAg_c Recursos Promedio de los Agentes de la org. patrón 135,031 305,57 0 285,202 330,88 0

SolAcep Cant. de Solicitudes Aceptadas 32667,9 83517 7254 272531,2 288146 245679

SolRech Cant. de Solicitudes Rechazadas 454304,2 1118730 115341 139079,6 184992 120972

% Acep Porcentaje de Aceptación 6,62% 7,12% 5,65% 66,32% 70,11% 60,90%

COpA_o Cant. de Oportunidades Aprovechadas por la org. empresarial 36,8 104 8 166,7 209 142

COpA_c Cant. de Oportunidades Aprovechadas por la org. patrón 152,6 272 32 46,6 73 7

COpA Cant. total de Oportunidades Aprovechadas 189,4 313 42 213,3 237 184

OpAP_o Cant. Ponderada de Oportunidades Aprovechadas por la org. emp. 226,2 666 48 1115,8 1310 904

OpAP_c Cant. Ponderada de Oportunidades Aprovechadas por la org. patrón 997,6 1782 224 298,5 500 42

CAm Cant. de Amenazas 9,9 23 0 28,4 37 16

COp Cant. de Oportunidades 2,4 15 0 10,8 30 0

CAmV_o Cant. de Amenazas Vencidas por la org. empresarial 250,1 711 40 1030,5 1133 939

CAmV_c Cant. de Amenazas Vencidas por la org. patrón 604,7 1036 75 329,2 476 68

CAmV Cant. total de Amenazas Vencidas 854,8 1484 115 1359,7 1584 1060

AmVP_o Cant. Ponderada de Amenazas Vencidas por la org. empresarial 266914,6 831066 44134 1284149,7 1361466 1198370

AmVP_c Cant. Ponderada de Amenazas Vencidas por la org. patrón 733146,1 1239050 82815 433824,6 608140 84995


Página | 185

Nivel de Aceptación de Actuaciones Conjuntas MUY BAJO MUY ALTO

Verde Las dos organizaciones sobreviven 70%

Naranja Solo sobrevive la organización empresarial 30%

Violeta Solo sobrevive la organización patrón 40%

Rojo No sobrevive ninguna de las dos organizaciones 60%

id Identificador de la corrida en el formato aammddhhnn prom. máx. mín. prom. máx. mín.

decision > Umbral de la desición 9 9 9 -9 -9 -9

ticks Número de ciclos o unidades de tiempo de la simulación 9808,9 15000 1683 15000 15000 15000

CAg_o Cant. de Agentes de la org. empresarial 0 0 0 1172,9 1467 982

CAg_c Cant. de Agentes de la org. patrón 188,5 838 0 391,1 717 0

CAg Cant. total de Agentes 188,5 838 0 1564 2009 1056

EPAg_o Recursos Promedio de los Agentes de la org. empresarial 0 0 0 306,979 318,72 277,99

EPAg_c Recursos Promedio de los Agentes de la org. patrón 77,948 249,35 0 208,102 315,31 0

SolAcep Cant. de Solicitudes Aceptadas 2205 5761 415 334221,8 416045 262802

SolRech Cant. de Solicitudes Rechazadas 198380,4 506131 31308 0 0 0

% Acep Porcentaje de Aceptación 1,07% 1,41% 0,84% 100,00% 100,00% 100,00%

COpA_o Cant. de Oportunidades Aprovechadas por la org. empresarial 7,2 25 0 195,3 258 138

COpA_c Cant. de Oportunidades Aprovechadas por la org. patrón 116,9 208 16 39,6 63 0

COpA Cant. total de Oportunidades Aprovechadas 124,1 217 16 234,9 261 194

OpAP_o Cant. Ponderada de Oportunidades Aprovechadas por la org. emp. 39,6 140 0 1291,2 1656 942

OpAP_c Cant. Ponderada de Oportunidades Aprovechadas por la org. patrón 745,8 1336 120 251,2 414 0

CAm Cant. de Amenazas 6,2 13 0 21,2 42 15

COp Cant. de Oportunidades 1,5 13 0 9,8 30 0

CAmV_o Cant. de Amenazas Vencidas por la org. empresarial 49,7 136 2 947,6 1057 821

CAmV_c Cant. de Amenazas Vencidas por la org. patrón 405 879 22 263,4 489 16

CAmV Cant. total de Amenazas Vencidas 454,7 909 24 1211 1375 878

AmVP_o Cant. Ponderada de Amenazas Vencidas por la org. empresarial 49602,4 130957 1186 1165550,5 1296080 1019690

AmVP_c Cant. Ponderada de Amenazas Vencidas por la org. patrón 487240,9 936745 20800 354838 640483 19553

La auto-organización empresarial como alternativa para...

Documents

Transcript of La auto-organización empresarial como alternativa para...