![](https://www.qtorb.com/wp-content/uploads/Making-Sense-of-Chaos-J-Doyne-Farmer-195x300.jpg)
En su libro Making Sense of Chaos: A Better Economics for a Better World, J. Doyne Farmer presenta una tesis innovadora y provocadora: la utilización de la ciencia de los sistemas complejos para mejorar las predicciones económicas y, en última instancia, crear un mundo mejor.
Farmer argumenta que los enfoques tradicionales de la economía son insuficientes para abordar la complejidad del mundo real. Propone que la integración de métodos y teorías de los sistemas complejos puede ofrecer una comprensión más precisa y útil de los fenómenos económicos.
El libro de Farmer es un llamado a una revolución científica en la economía, similar a la que ha ocurrido en otras disciplinas mediante la adopción de enfoques basados en sistemas complejos. A través de su conocimiento profundo y experiencias personales, Farmer ilustra cómo esta nueva ciencia puede transformar nuestra comprensión y manejo de los problemas económicos.
A continuación, se detallan las principales ideas del libro Making Sense of Chaos: A Better Economics for a Better World
Crítica a los modelos económicos tradicionales
Farmer ofrece una crítica profunda a los modelos económicos tradicionales, argumentando que estos son insuficientes para abordar la complejidad del mundo real
Farmer sostiene que los modelos económicos tradicionales se basan en suposiciones simplistas que no reflejan la realidad compleja de los sistemas económicos. Estos modelos a menudo asumen mercados eficientes, agentes racionales y equilibrios estáticos, lo cual no captura la dinámica y la incertidumbre inherente a las economías reales.
Una de las críticas más contundentes es que los modelos tradicionales han fallado repetidamente en predecir crisis financieras. Por ejemplo, los modelos de primera, segunda y tercera generación, aunque intentan explicar las crisis financieras, no logran incorporar adecuadamente la influencia de los instrumentos financieros derivados y la innovación financiera, lo que ha llevado a crisis inesperadas y profundas.
Farmer argumenta que los modelos tradicionales no abordan adecuadamente problemas globales críticos como el cambio climático, la automatización, la desigualdad y la polarización. Estos modelos no consideran las interacciones complejas y no lineales entre diferentes factores económicos y sociales, lo que limita su capacidad para ofrecer soluciones efectivas a estos desafíos.
Los modelos económicos tradicionales a menudo están desconectados de la realidad empírica. Farmer señala que estos modelos no logran incorporar adecuadamente datos y observaciones del mundo real, lo que los hace menos útiles para la formulación de políticas y la toma de decisiones. En contraste, la economía de la complejidad utiliza big data y simulaciones por computadora para crear modelos más realistas y precisos.
Los modelos tradicionales tienden a enfocarse en estados de equilibrio, ignorando las dinámicas fuera del equilibrio que son cruciales para entender fenómenos como las burbujas financieras y las crisis. Farmer aboga por un enfoque que considere la economía como un sistema dinámico y en constante cambio, donde las interacciones entre agentes pueden llevar a comportamientos emergentes impredecibles.
Farmer critica que los modelos tradicionales no han sabido incorporar adecuadamente las innovaciones financieras, como los derivados, que juegan un papel crucial en la economía moderna. La falta de consideración de estos factores ha llevado a una comprensión incompleta y a menudo errónea de los riesgos y las dinámicas del mercado.
Economía de la complejidad
El autor introduce el campo de la economía de la complejidad, que utiliza la ciencia de los sistemas complejos para entender mejor los fenómenos económicos.
La economía de la complejidad se basa en la idea de que los sistemas económicos son sistemas complejos, similares a otros sistemas naturales como el cerebro humano o el clima. En estos sistemas, los comportamientos emergentes no pueden ser predichos simplemente sumando las partes individuales. Esto significa que las interacciones entre los agentes económicos (individuos, empresas, instituciones) pueden generar patrones y dinámicas que no son evidentes a partir del comportamiento de cada agente por separado.
Uso de big data y computación avanzada
Farmer destaca que los avances en la ciencia de datos y la computación permiten por primera vez aplicar la teoría de sistemas complejos a la economía. Esto incluye la construcción de modelos realistas del comportamiento económico global mediante simulaciones por computadora, lo que permite observar comportamientos emergentes y probar ideas de manera más efectiva.
Farmer argumenta que los avances recientes en la ciencia de datos y la computación han permitido aplicar la teoría de sistemas complejos a la economía de manera efectiva. Estos avances han hecho posible la recopilación y el análisis de grandes volúmenes de datos (big data), así como la ejecución de simulaciones computacionales detalladas que modelan el comportamiento económico a gran escala.
Gracias a la computación avanzada, es posible construir modelos realistas que capturan la complejidad del comportamiento económico global. Estos modelos no solo consideran las interacciones entre agentes económicos individuales, sino que también incorporan datos empíricos detallados para simular cómo estos agentes se comportan en diferentes escenarios. Esto permite observar comportamientos emergentes y probar ideas de manera más efectiva.
Las simulaciones por computadora son una herramienta clave en la economía de la complejidad. Estas simulaciones permiten modelar la economía como un sistema dinámico y adaptativo, donde las interacciones entre agentes pueden llevar a resultados impredecibles y no lineales. Por ejemplo, se pueden simular cómo las políticas económicas afectan a diferentes grupos de la sociedad, cómo cambia la fuerza laboral a lo largo del tiempo, o cómo evoluciona la economía durante la transición energética.
Farmer sostiene que la economía de la complejidad, apoyada en big data y computación avanzada, puede ofrecer predicciones económicas significativamente mejores que los modelos tradicionales. Al capturar la heterogeneidad y las interacciones complejas entre agentes, estos modelos pueden prever mejor las crisis financieras, los impactos de las políticas económicas y otros fenómenos económicos importantes.
El uso de big data y computación avanzada en la economía de la complejidad tiene aplicaciones prácticas en varios campos:
- Cambio climático: Simulaciones detalladas pueden ayudar a diseñar políticas energéticas más efectivas y sostenibles.
- Desigualdad: Modelos que capturan la heterogeneidad de los agentes pueden ayudar a entender y abordar mejor la desigualdad económica.
- Crisis financieras: Predicciones más precisas pueden ayudar a prevenir o mitigar los efectos de las crisis financieras.
Farmer describe cómo la capacidad de modelar la economía con gran detalle representa una revolución en la modelización económica. En lugar de depender de suposiciones simplistas y ecuaciones estáticas, la economía de la complejidad utiliza simulaciones dinámicas que reflejan mejor la realidad económica. Esto permite a los economistas explorar una gama más amplia de escenarios y políticas, y evaluar sus impactos de manera más precisa.
Farmer proporciona ejemplos concretos de cómo se ha utilizado la economía de la complejidad para abordar problemas específicos:
- Transición energética: Simulaciones que modelan cómo diferentes políticas energéticas pueden acelerar la transición hacia energías limpias.
- Impacto de políticas económicas: Modelos que muestran cómo las políticas fiscales y monetarias afectan a diferentes sectores de la economía y a distintos grupos socioeconómicos.
Modelos basados en agentes
J. Doyne Farmer destaca los **Modelos Basados en Agentes (ABM, por sus siglas en inglés) como una herramienta fundamental en la economía de la complejidad.
Los Modelos Basados en Agentes son una metodología que permite simular las interacciones de individuos o entidades autónomas (agentes) dentro de un sistema. Cada agente tiene sus propias reglas de comportamiento y puede interactuar con otros agentes y con el entorno. Estas interacciones pueden llevar a la emergencia de patrones y dinámicas a nivel macroeconómico que no son evidentes a partir del comportamiento individual de los agentes.
Las características de los agentes son:
- Autonomía: Los agentes operan de manera independiente, tomando decisiones basadas en sus propias reglas y objetivos.
- Heterogeneidad: Los agentes pueden tener diferentes características y comportamientos, lo que refleja la diversidad del mundo real.
- Interacción: Los agentes interactúan entre sí y con su entorno, lo que puede llevar a la formación de estructuras y patrones emergentes.
- Adaptación: Los agentes pueden adaptarse y cambiar sus comportamientos en respuesta a cambios en el entorno o en las interacciones con otros agentes.
Los ABM son extremadamente flexibles y se pueden aplicar a una amplia variedad de temas y propósitos. Algunos ejemplos de aplicación incluyen:
- Política económica: Los ABM pueden simular cómo diferentes políticas económicas afectan a diversos grupos de la sociedad. Por ejemplo, pueden modelar el impacto de cambios en la política fiscal o monetaria y observar cómo estos cambios influyen en el comportamiento de los agentes económicos.
- Transición energética: Los ABM se utilizan para estudiar la adopción de tecnologías energéticas y la transición hacia fuentes de energía renovable. Pueden simular cómo las políticas de subsidios o impuestos afectan la adopción de tecnologías limpias y cómo estas interacciones influyen en la transición energética a nivel macroeconómico.
- Gestión de recursos naturales: Los ABM pueden modelar la gestión de recursos naturales, como el uso del agua en una cuenca hidrográfica, y ayudar a diseñar políticas que promuevan la sostenibilidad y la resiliencia.
Las ventajas de los modelos basados en agentes son:
- Captura de la Complejidad: Los ABM permiten capturar la complejidad de las interacciones económicas y sociales, reflejando mejor la realidad que los modelos tradicionales.
- Emergencia de Patrones: Los ABM pueden mostrar cómo las interacciones locales entre agentes pueden llevar a la emergencia de patrones globales, proporcionando una comprensión más profunda de los fenómenos macroeconómicos.
- Flexibilidad y Adaptabilidad: Los ABM son altamente flexibles y pueden adaptarse a diferentes contextos y problemas, lo que los hace útiles para una amplia gama de aplicaciones.
Aunque los ABM ofrecen muchas ventajas, también presentan desafíos. Es crucial seguir ciertas mejores prácticas para garantizar su rigor y efectividad:
- Validación empírica: Es importante validar los modelos con datos empíricos para asegurar que las simulaciones reflejen la realidad.
- Transparencia y documentación: Los modelos deben ser transparentes y bien documentados para que otros investigadores puedan replicar y verificar los resultados.
- Participación de stakeholders: Involucrar a los stakeholders en el proceso de modelización puede mejorar la relevancia y la aplicabilidad de los modelos.
Algunos de los ejemplos concretos citados por Doyne Farmer son:
- Transición energética en vecindarios urbanos: Los ABM se han utilizado para modelar cómo las comunidades energéticas urbanas adoptan tecnologías como paneles solares y vehículos eléctricos, y cómo estas adopciones afectan la autosuficiencia energética y la sostenibilidad.
- Mercados de electricidad: Los ABM han sido aplicados para simular mercados de electricidad, permitiendo estudiar cómo diferentes políticas y regulaciones afectan la competencia, el riesgo y el aprendizaje en estos mercados.
Un nuevo paradigma para la economía
La adopción de la teoría de sistemas complejos representa un nuevo paradigma para la economía, similar a cómo la teoría de la evolución transformó la biología o la teoría de la relatividad transformó la física. Este nuevo paradigma permite una comprensión más profunda y precisa de los fenómenos económicos, y proporciona herramientas para diseñar políticas más efectivas y resilientes.
En resumen, J. Doyne Farmer aboga por una revolución científica en la economía mediante la adopción de enfoques basados en sistemas complejos. Esta revolución promete transformar nuestra comprensión y manejo de los problemas económicos, ofreciendo soluciones más efectivas y sostenibles para los desafíos globales. Al igual que en otras disciplinas, esta revolución requiere un cambio de paradigma, pero tiene el potencial de llevar la economía a un nuevo nivel de precisión y utilidad.
Esta revolución científica en la economía no solo mejorará las predicciones y las políticas económicas, sino que también permitirá una mejor comprensión de la complejidad y la dinámica de los sistemas económicos, beneficiando a la sociedad en su conjunto.