D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar






descargar 94.02 Kb.
títuloD. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar
página1/2
fecha de publicación23.10.2015
tamaño94.02 Kb.
tipoDocumentos
med.se-todo.com > Economía > Documentos
  1   2
D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar.
Emergencia y explicación en sistemas complejos:

el caso de la acción social1

Antoni Gomila

Grup d’Evolució i Cognició Humana. Unitat Associada al IFISC (CSIC-UIB)

Campus Universitat de les Illes Balears. 07122 Palma.

toni.gomila@uib.cat

Abstract

En este trabajo se argumenta que la aplicación a las ciencias sociales de la teoría de sistemas complejos supone de hecho la superación de la vieja controversia sobre el método, si explicación o si comprensión. La controversia se sustenta en una concepción de la explicación determinista, nomológico-deductiva, lineal y reduccionista, inspirada en el modelo corpuscular de la física moderna y la metafísica del sujeto como fundamento de la realidad, lo cual genera una escisión insuperable entre subjetividad y objetividad. La teoría de los sistemas complejos, desarrollada inicialmente para dar cuenta de fenómenos físicos fundamentales (física estadística, termodinámica, láseres), supone de hecho la superación de la exigencia de que la explicación social deba ser reduccionista e individualista, al poner de manifiesto procesos universales de autoorganización y emergencia en sistemas con múltiples componentes en interacción, al margen de las características particulares de esos componentes. Este desarrollo abre nuevas posibilidades a la explicación social, y renueva la vieja idea de la unidad de la ciencia, ya no en base al programa reduccionista a un nivel ontológico fundamental, sino en virtud de poder aplicar el mismo tipo de explicación a cualquier nivel ontológico.

1. Introducción

Una de las grandes novedades formales de los últimos años ha sido el desarrollo de la teoría de sistemas complejos2. Se trata de desarrollos matemáticos que han tenido lugar para dar cuenta de fenómenos físicos o biofísicos (desde avalanchas a morfogénesis, desde la distribución subatómica en una explosión a la disipación de la energía en un sistema termodinámico, desde la alineación ferromagnética a los láseres). Pero no se ha tardado mucho en aplicar estas nuevas herramientas formales a otros ámbitos disciplinarios, especialmente la ecología (Kauffman, 1993), y más recientemente, también a las ciencias sociales; en especial, a la arqueología (Renfrew & Cherry, 1986; Bentley & Maschner, 2003), la economía (Ormerod, 2005), la antropología evolutiva (Axelrod, 1984; Boyd & Richerson, 2005) y la psicología social (Mosko y Damon, 2005; Vallacher & Nowak, 1994). La idea central de la teoría de sistemas complejos, que de la interacción de múltiples agentes emergen propiedades y fenómenos nuevos que no pueden reducirse a las características de tales agentes, encuentra un dominio obvio de aplicación a nivel social. Por ello, la teoría de los sistemas complejos se presenta de entrada como una posibilidad interesante y valiosa por su poder explicativo formal, que merece la pena considerar en relación a las cuestiones y dificultades con que se enfrentan las ciencias sociales desde un punto de vista metodológico. De hecho, puede considerarse como la realización del viejo programa de explicar del orden social a partir de la regulación espontánea de los elementos en interacción que lo constituyen -llámese “mano invisible” (Adam Smith), “la astucia de la razón” (Hegel)-, por lo que, en tal sentido, enlaza naturalmente con inquietudes que vienen de lejos.

En este trabajo pretendo ofrecer una presentación introductoria de esta teoría-marco, de sus conceptos básicos, y de la relevancia de su aplicación al ámbito social, desde el punto de vista de la vieja controversia sobre explicación y comprensión, sobre el método adecuado en ciencias sociales. No se trata de hacer un llamamiento profético a pasarse con armas y bagajes al enfoque de la complejidad en ciencias sociales como panacea y destino. Con frecuencia, tales llamadas proféticas oscilan ambiguamente entre pretender que un cambio de ese tipo ya está teniendo lugar, recomendar sumarse a ese proceso y declarar que tal desarrollo va a ser inevitable. Espero poder evitar tales declaraciones programáticas entusiastas. No obstante, sí es claro que la incorporación de las ideas de la teoría de la complejidad en ciencias sociales lleva ya unos años de desarrollo (con Schelling, 1978, como trabajo pionero), que esa aplicación no se limita a las incursiones de los físicos que desarrollaron la teoría en el campo social, sino que está prendiendo en grupos y corrientes centrales en las diferentes disciplinas sociales, y que ese desarrollo también ha fecundado la reflexión en filosofía de la ciencia, como un refuerzo importante para una ontología rica de niveles de organización y explicación (Dupré, 1993; Wimsatt, 1994). Justamente, la teoría de la complejidad resulta relevante, aplicada reflexivamente, para entender la dificultad de que un cambio teórico de este calibre pueda tener lugar (supone un “cambio de fase”), y permite anticipar que, si se alcanza un cierto umbral de difusión e influencia, seguirá una nueva hegemonía. Pero queda mucho por hacer y el curso de la historia de las ciencias sociales podría ir todavía por otros derroteros (por ejemplo, la tendencia meramente descriptivista sigue siendo dominante en arqueología, o el éxito institucional de la economía teórica “mainstream” ha relegado los enfoques heterodoxos –economía política, institucionalista, o el más reciente enfoque de la economía evolucionista (Lawson, 2003) que es la que más naturalmente liga con el enfoque de la complejidad-, convirtiéndolos en muy minoritarios).

Por consiguiente, me voy a limitar a sugerir el interés y el potencial de la teoría para superar la vieja controversia metodológica en ciencias sociales.3 Para ello, en la primera sección voy a presentar las raíces de esa controversia y el intento de superación más influyente actualmente, el de Elster, para señalar las limitaciones del enfoque. En la segunda sección voy a introducir los conceptos centrales de la teoría de sistemas complejos y las razones para concebir la sociedad como un sistema complejo. A continuación, veremos algunos ejemplos de explicación de fenómenos sociales que resulta de adoptar este enfoque, y analizaré el modo en que tales modelos resultan explicativos. Concluiré insistiendo en el interés de estos nuevos desarrollos, y subrayando que ofrecen el modo de superar la vieja cuestión metodológica de las ciencias sociales.
2. La unidad de la ciencia: del reduccionismo a los sistemas complejos

Una de las cuentas pendientes de la Modernidad se encuentra en la cuestión de cómo concebir coherentemente la acción humana, escindida entre el ámbito de la libre voluntad y el de la determinación causal. La revolución científica de la Modernidad consagró como paradigma de explicación científica el modelo determinista y reduccionista de la nueva física, al tiempo que esa “ciencia nueva” se fundaba sobre una metafísica de la conciencia, sobre la actividad de un sujeto, metafísico o trascendental, condición de posibilidad de la objetividad, pero por eso mismo, fuera de su alcance. De este modo, los intentos del positivismo de plantear una “ciencia del hombre” sobre la base del modelo de la física, se toparon con la reacción de quienes señalaban la impropiedad de tal proyecto para estudiar al sujeto mismo.

En el siglo XX, esta problemática se concretó en la controversia entre las filosofías humanistas (historicismo, fenomenología, hermenéutica), defensoras del carácter sui géneris del estudio del sujeto, sus acciones y sus creaciones; y los planteamientos antihumanistas, que tras declarar la muerte del sujeto como fundamento, se centraron en los sistemas y órdenes sociales que lo atraviesan y constituyen (estructuralismo, marxismo, psicoanálisis, postestructuralismo, en sus diferentes combinaciones). Desde el punto de vista metodológico, la controversia se concreta en si las Ciencias Sociales pueden ofrecer explicaciones como las de las ciencias “duras”, es decir, especificando las leyes causales que rigen el dominio social, o bien juegan a otra cosa, más parecida a las Humanidades, limitadas a comprender un dominio de sentido y normatividad, esto es, las razones internas a una cierta perspectiva.4

Uno de los intentos más influyentes por superar la dicotomía moderna cabe atribuirlo a Davidson5. Consiste en una sutil combinación de tesis, según la cual las razones son las causas de la acción bajo cierta descripción, descripción que corresponde a un evento físico, pero que no es reducible a él (monismo anómalo). Eso permite reconocer el componente interpretativo involucrado en la adscripción de las razones, pero manteniendo la pretensión de que tales estados de sentido efectivamente causan la acción, aunque eso acaba siendo irrelevante ya que se establece la autonomía de esa explicación intencional. No quisiera detenerme en el examen de esta posición filosófica, más allá de destacar su importante influencia en la propia metodología de las Ciencias Sociales, a través del recurso a la Teoría de la Decisión Racional, como modo de establecer la caracterización de los estados intencionales de los agentes. Otros trabajos en este mismo volumen lo hacen mucho mejor de lo que podría hacerlo. Me limitaré a presentarlo con algo más de detalle en la versión actualmente más influyente de este programa, la de Jon Elster, como punto de referencia para la discusión posterior.6

El enfoque dominante en teoría social (principalmente en Economía y Ciencia Política, pero con creciente influencia en Sociología), que Elster elabora y justifica, se fundamenta en los siguientes supuestos: a) una explicación, para ser científica, debe ser causal; b) las ciencias sociales explican acciones racionales; c) la causa de una acción racional es una razón; y d) una razón está formada por un conjunto de creencias y deseos. Estos supuestos conducen a la idea de que las explicaciones en Ciencias Sociales deben apelar a las creencias y deseos de los agentes individuales. Establecer las creencias y los deseos de los agentes que los motivan a actuar racionalmente requiere de un proceso de interpretación. Dicho de otro modo, para explicar por qué alguien hizo algo hace falta entender las razones que le llevaron a hacerlo. El caso paradigmático de explicación en las ciencias sociales consiste en mostrar lo racional de la acción llevada a cabo. Pero como la explicación debe ser causal, esa comprensión debe ser de un tipo muy concreto: debe especificar los mecanismos psicológicos que causan la conducta social.

Durante mucho tiempo, se suponía que esos mecanismos podían captarse a través de la teoría de la decisión racional, en base al Principio de Caridad: atribuir estados intencionales finalmente depende de considerar racional al agente y suponer, por tanto, que va a querer y saber lo que un agente racional, en sus circunstancias, querría y creería. Sin embargo, la evidencia acumulada en contra de la plausibilidad psicológica de este enfoque normativo7 ha llevado a buscar otras alternativas sin demasiado éxito. El propio Elster deja esta cuestión crucial en cierta ambigüedad, notando que se trata de “patrones causales que ocurren frecuentemente y son fácilmente reconocibles, que son activados bajos condiciones generalmente desconocidas y con consecuencias indeterminadas” (Elster, 2007, p. 36, trad. mía). En cualquier caso, es claro que no se refiere a mecanismos psicológicos subpersonales, sino más bien a las “leyes” de lo que se conoce como la “psicología popular” (del tipo de “la venganza es un plato que se sirve frío”).

Ahora bien, también estas generalizaciones de sentido común son problemáticas si se toman como leyes causales. Elster tiene en cuenta las contribuciones de la psicología social situacionista, que muestran cómo son aspectos de la situación, y no las intenciones de los agentes, lo que explica la acción humana (por ejemplo, no es por casual coincidencia de personalidad y temperamento que los responsables de los bancos de inversión tomaron las mismas decisiones arriesgadas que impulsaron la burbuja especulativa; es porque eran los responsables de esas instituciones y eso era precisamente lo que se esperaba de ellos, maximizar el beneficio a corto plazo). Elster trata de reconvertir lo que constituiría una carga de profundidad para su enfoque general en una pequeña enmienda. Para ser explicativos, esos aspectos de la situación deben afectar a las creencias y los deseos de los agentes de un modo sesgado. En el fondo, Elster trata de preservar el individualismo metodológico que inspira su enfoque general. La hegemonía del individualismo se remonta a los años sesenta, cuando se produjeron los últimos grandes debates al respecto, tanto frente a los enfoques anti-individualistas (de inspiración generalmente marxista o neohegeliana), como frente a los hermenéuticos anti-causalistas. No es mi propósito recuperar esos debates, ni siquiera renegar de la teoría de la acción racional humana que está en la base de este modelo de la explicación social. Pero me parece claro que la idea de que la explicación social es exclusivamente individualista resulta difícil de aceptar, como diversos autores han seguido argumentando (Gilbert, 1989; Kinkaid, 1986; Wilson, 1995), al restringir arbitrariamente el campo de los fenómenos que las ciencias sociales deben tratar de explicar. Los científicos sociales recurren con frecuencia en sus explicaciones a entidades de nivel agregado (los mercados, las empresas, las familias, la cultura, los estereotipos, el capital social, el género...), y es conocido el peso de los factores situacionales e institucionales, independientemente de la psicología de los agentes. El individualismo metodológico, en cambio, acaba tratando a los agentes como entidades inmutables, estables, independientes entre sí; y restringe el dominio de la acción humana a la acción racional, entendida como elección.

En resumen, a pesar de su sofisticación, el enfoque liderado por Elster no es satisfactorio. Falla en dar cuenta de los aspectos anti-individualistas de la explicación de la acción social, falla al suponer una racionalidad psicológicamente implausible, falla al restringir los mecanismos psicológicos relevantes para la explicación a los estados intencionales concientes. La vida social pone en marcha su propia dinámica, que presupone agentes intencionales (aunque no estrictamente racionales: muchos mecanismos psicológicos inconscientes tienen claramente un efecto a nivel social, desde la transmisión de estereotipos al liderazgo), pero que genera sus propios patrones de desarrollo, de evolución y cambio. Estos cambios son objeto del interés explicativo de las ciencias sociales, pero su explicación no requiere presuponer su racionalidad, por mucho que en último término dependan de las acciones de individuos particulares concretos. Me refiero a fenómenos sociales tales como la guerra, las migraciones, las crisis económicas, los sincretismos culturales, el crecimiento económico, la conducta de los votantes o la desaparición de una sociedad.
3. La sociedad como sistema complejo

La alternativa que presento consiste en pensar la sociedad como un sistema complejo, adecuado para ser modelado consiguientemente mediante las herramientas formales de la teoría de los sistemas complejos. Se trata de un desarrollo intelectual relativamente reciente (Solomon & Shir, 2003; Anderson, 1972), pero con un gran potencial para transformar el poder explicativo de las ciencias sociales, y superar las viejas controversias metodológicas. En efecto, puede resultar paradójico, pero el hecho es que la propia naturaleza de la explicación física, tal como se ha desarrollado especialmente en el último cuarto del siglo XX con el desarrollo de la física estadística, supone un distanciamiento del ideal moderno de una física corpuscular y mecanicista, de leyes deterministas y sistemas cerrados, que se constituyó en el ideal de explicación científica desde el que la controversia entre explicación y comprensión adquiere su sentido. El avance de la física ha venido de la mano del desarrollo de las ciencias de la complejidad, cuyo aparataje formal trata precisamente de captar la dinámica global de un sistema de componentes en interacción; lo interesante es que se ha puesto de manifiesto que muchos de esos fenómenos dinámicos son independientes de los detalles y propiedades de tales elementos constituyentes, y se producen en todos los niveles ontológicos. Además, la no linealidad, la no localidad, la interdependencia, la auto-organización y la emergencia, características de ese nivel global, se producen ya al nivel ontológico básico (con lo que el programa reduccionista y la ontología fundacionista pierden pie).

Esta transformación de la naturaleza de la explicación abre una posibilidad que está siendo ya actualmente llevada a la práctica: la recuperación de la vieja idea de la unidad de la ciencia, de la explicación unificada de todos los ámbitos de la realidad, pero ahora no sobre la base de un proyecto reduccionista, que remite a la física newtoniana (o mejor dicho, laplaciana), sino justamente sobre la base de la común explicación de la complejidad, en sus diferentes niveles organizativos, en base a la dinámica de los componentes del sistema en interacción (Guinea, Louis & San Miguel, 2003): los mismos patrones se encuentran en todos los niveles ontológicos. En este punto, necesitamos aclarar la naturaleza de los sistemas complejos, para mostrar que la sociedad humana lo es; introducir los conceptos explicativos fundamentales de la teoría de sistemas complejos, e ilustrar su aplicación al dominio de la acción social con la consideración de algunos ejemplos.8

El primer aspecto clave de los sistemas complejos es que se trata de sistema abiertos (desde el punto de vista termodinámico): sistemas que intercambian energía o información con su medio, y haciéndolo consiguen reducir localmente el proceso general de incremento de la entropía. Un sistema cerrado es un sistema homogéneo, y por tanto, sin flujos internos y con el exterior, por lo que es totalmente estable e invariable. Los sistemas abiertos por tanto, son sistemas que no se encuentran en equilibro, sino dinámicos, aunque pueden alcanzar diferentes estados puntualmente estables o estacionarios (“metaestables”). Se trata de una característica que claramente muestran las sociedades humanas; el grado en que esta apertura es tomada en consideración es muy variable: la economía ortodoxa, por ejemplo trata este aspecto como externalidades al propio sistema, que por tanto, no estudia. Del mismo modo, está interesada en los estados de equilibrio, no en la dinámica9. Pero es obvio que las sociedades humanas necesitan energía, transforman el propio medio para obtener las materias necesarias, producen residuos, y cambian en el tiempo.

En segundo lugar, la idea es que los sistemas complejos son una clase particular de sistemas dinámicos. Los sistemas dinámicos son sistemas que evolucionan en el tiempo, en sus diferentes escalas (en nuestro caso, desde cambios microgenéticos, a cambios en el curso de una vida individual, cambios históricos, cambios filogenéticos o geológicos). Por ello, una manera característica de caracterizar un sistema dinámico es mediante un sistema de ecuaciones diferenciales, que especifican cómo cambian los parámetros que caracterizan la conducta del sistema en función del tiempo10. Esto permite representar el conjunto de posibles estados del sistema en función de las condiciones iniciales y del tiempo en un espacio de estado, con tantas dimensiones como parámetros. Ese espacio de estado permite representar las trayectorias posibles del sistema, en particular los “atractores”, los puntos hacia los que tiende el sistema, que pueden verse como los puntos de equilibrio del sistema, las zonas en que las perturbaciones o fluctuaciones habituales son absorbidas y neutralizadas para que el sistema se mantenga próximo al atractor en que se encuentra (mediante procesos de realimentación negativa). Los atractores pueden ser fijos, periódicos –de modo que el sistema oscila cíclicamente entre uno y otro (al modo de los ciclos económicos, los ritmos de la actividad diaria)-, o caóticos: un estado a primera vista azaroso pero que responde a un patrón más complejo. Pero también se especifican los puntos críticos, las inestabilidades o “bifurcaciones” del sistema (cuando hay más de un atractor, de un punto de equilibrio-reposo), donde tienen lugar los cambios de fase (como los cambios de estado físico, de sólido a líquido, o a gas), donde puede producirse una reorganización del sistema, con la aparición de un nuevo orden, quizá más complejo, o el paso a un estado de desorden o caos (mediante procesos de realimentación positiva, que amplifican la tendencia al implicar progresivamente a mayor número de componentes, y afectando la estructura)11. Cambios como la aparición de la agricultura (Renfrew, 1978), la desaparición de sociedades (Diamond, 2005) o las crisis bursátiles (Eguiluz & Zimmermann, 2000), son ejemplos de situaciones de cambio histórico no acumulativo que pueden ser modelados desde este planteamiento. También permite la reformulación sobre nuevas bases del programa del evolucionismo cultural en antropología, con su énfasis en el proceso de aparición de mayor complejidad social a lo largo del tiempo (Wright, 2001). En cualquier caso, la dinámica es probabilística, y los propios atractores pueden cambiar en el tiempo, en la medida que cambia el sistema (nuevos miembros, nuevas relaciones, nuevas capacidades).

Lo que convierte en especial la dinámica de los sistemas complejos es que se auto-organizan espontáneamente, como resultado de los patrones de actuación de los elementos que los constituyen, hasta el punto que ese orden emergente se autoproduce, se automantiene como resultado de la propia actividad del sistema en su conjunto. La organización es resultado de la acción de los componentes individuales, dadas ciertas condiciones iniciales, pero esa organización espontánea constriñe, o limita, los “grados de libertad” de esos mismos elementos constituyentes. Un elemento, tomado por separado, podría entrar en una gran variedad de procesos que, bajo el regimen del sistema, no se producen: los grados de libertad para los componentes se comprimen como resultado de la dinámica global emergente. La organización hace que los nuevos elementos se ajusten a ese regimen de actuación. Esto es, en realidad, el efecto central del proceso de socialización, por el que un nuevo individuo pasa a formar parte de la sociedad. Por ello, los patrones emergentes van más allá de las propiedades de los elementos componentes (“el todo es más que la suma de las partes”), sin que eso suponga poder separar esos patrones de tales elementos constituyentes, que son los que lo realizan, lo ejemplifican. Las propiedades que permiten describir el sistema se llaman variables colectivas o parámetros de orden: permiten describir esos patrones autoorganizados, sin hacer referencia a las propiedades de los elementos componentes que sostienen ese patrón. Por ejemplo, el caso de los ciclos económicos puede verse desde esta perspectiva como un patrón de alto nivel de la dinámica económica, sin tener que especificar la miríada de elementos de los que depende. Del mismo modo, las actitudes y valores culturales, o el lenguaje, que se adquieren en el curso del desarrollo individual en un contexto social particular, delimitan el campo de posibilidades de acción: aunque en principio cualquier niño podría aprender cualquier lengua (por tanto, sus posibilidades de acción son inicialmente muy abiertas), el hecho de que aprenda una en particular restringe esas potencialidades de un modo característico y común a todos los hablantes de esa lengua (con perturbaciones en la transmisión generacional e idiosincrasias particulares). Familias, empresas, instituciones, sociedades, pueden verse también como sistemas auto-organizados, que regulan la incorporación de nuevos individuos de manera que se ajusten al funcionamiento del sistema.

El cuarto aspecto destacable es que los modos de interacción entre los elementos del sistema –y entre éstos y el medio del que depende- son recíprocos y no lineales. Esto significa, por decirlo provocativamente, no solo que las mismas causas pueden tener efectos distintos (según el contexto, el resto de variables presentes), sino que incluso distinguir entre causas y efectos resulta problemático. Esto es debido a la interacción recíproca (“acoplamiento”) y los ciclos de realimentación, positiva y negativa, entre los diversos componentes. Una variable influye en otra que a su vez afecta a la primera; ambas a su vez, pueden depender del nivel de otra variable, o del número de elementos que interactúan; A activa a B que a su vez inhibe a A. Esta causalidad “circular”, recíproca, diluye los intentos de identificar relaciones causales lineales. Un ejemplo conocido hace tiempo es el de la relación entre predador y presa (ecuaciones de Lotka-Volterra): el número de predadores en un hábitat particular depende del número de presas que puedan servirles de alimento, pero el número de presas depende a su vez del número de depredadores. Estas no linealidades son características de los sistemas sociales, y hacen especialmente difícil la explicación y la intervención política. Esto es así porque la no linealidad es un fenómeno de umbral: pueden existir relaciones lineales dentro de cierto rango, que dejan de darse a partir de cierto punto (donde se produce el cambio de fase). Por ello, las generalizaciones son válidas únicamente en cierto contexto, pero no de manera general e incondicionada.

Un ejemplo clásico tiene que ver con la discusión en economía sobre la relación entre presión fiscal y crecimiento económico: un neoliberal sostiene (en contra de la evidencia histórica) que, sea cual sea la presión fiscal, su reducción (en particular, la reducción del tipo máximo de imposición a las rentas más altas) redunda en crecimiento económico –cosa cierta quizá dentro de ciertos valores de inflación, ahorro, déficit público y comercial, etc.-. La crisis económica que nos afecta nos ha permitido ser testigos de muchas propuestas de intervención basadas en esa misma concepción de causalidad lineal: si incrementamos la inversión pública, aumentará el empleo, lo cual incrementará la renta familiar, lo cual incrementará el consumo, lo cual permitirá incrementar la recaudación de impuestos indirectos, lo cual permitirá financiar el déficit generado; alternativamente, si reducimos los impuestos, aumentará la renta disponible, etc. En todos los casos, sin demasiado éxito. Reconocer la complejidad de los fenómenos sociales implica reconocer que estos planteamientos lineales son incorrectos: no hay una relación lineal entre nivel impositivo y crecimiento económico (o entre cualesquiera dos variables consideradas). La relación puede ser lineal en ciertas condiciones del conjunto de parámetros macroeconómicos, pero quizá dentro de cierto intervalo, no en general. La evidencia muestra precisamente que los efectos de las medidas no son lineales, ni predictibles a corto plazo y localmente. Por ello, un modelo basado en la perspectiva de sistemas complejos lleva a buscar dónde se encuentran estos puntos críticos, entendidos como combinaciones de los parámetros clave del sistema. Mientras que el enfoque ortodoxo habla de “devolver el equilibro a los mercados”, el enfoque de sistemas complejos parte de que ese tipo de equilibro sólo se da puntualmente en la dinámica de los mercados, como un estado crítico auto-organizado.

En esta sección he introducido los conceptos básicos del enfoque de sistemas complejos, y he tratado de motivar intuitivamente su relevancia para las Ciencias Sociales: los conceptos de la teoría de sistemas complejos parecen especialmente adecuados para afrontar el viejo problema de explicar el comportamiento social humano a partir de la conducta de los individuos. Desde las modas a los mercados, desde las revoluciones a las actitudes ante la inmigración, los fenómenos sociales pueden ser vistos productivamente como patrones emergentes en un sistema complejo. En la sección siguiente revisaremos las tendencias fundamentales en que se ha producido esa aplicación.
4. Sistemas complejos en Ciencias Sociales

La aplicación de la teoría de sistemas complejos a las ciencias sociales adopta formas diversas, según la disciplina, los intereses o la motivación. Básicamente se puede distinguir entre las contribuciones realizadas por los propios físicos y las realizadas por científicos sociales. En el primer caso, el enfoque es matemáticamente riguroso, pero a partir de una gran simplificación en la construcción del modelo, y con un interés distintivo en las propiedades formales del modelo, más que en su contrastación empírica, aunque también se han interesado por analizar bases de datos de gran tamaño y de tratarlos computacionalmente para compararlos con las simulaciones a partir del modelo, o por descubrir la estructura de las redes sociales implicadas (Castellano, Fortunato y Loreto, 2007). En el segundo caso, se pretende introducir mayor relevancia descriptiva, desarrollando modelos más sofisticados, para fenómenos que prima facie sugieren la propiedad del enfoque de la complejidad, pero sin tanto rigor formal, de modo más intuitivo, lo cual sugiere lo fructífero de la colaboración interdisciplinar en este campo.

Para dar una idea de los trabajos realizados hasta el momento, resulta ilustrativo notar que se centran en fenómenos claramente no lineales, como discontinuidades -extinciones sociales (Diamond, 2005) o el impacto de la innovación tecnológica (Schiffer, 2005)-; como cambios emergentes -el paso de sociedades cazadoras-recolectoras a sociedades agrarias (Renfrew, 1978), el cambio en la estructura social como resultado del incremento de la población (Caarneiro, 2000), o la aparición de roles sociales diferenciados (Eguiluz et al., 2005). Igualmente, se estudian procesos de difusión de la opinión (Castelló et al., 2006), y la relación entre la estructura de las redes sociales y la dinámica que permiten (Watts & Strogatz, 1998). De especial interés para este punto de partida es identificar distribuciones exponenciales o logarítmicas (Bak, 1996) -frente a la distribución normal gaussiana-, como síntoma de procesos no lineales complejos. La distribución de la riqueza (Salzman, 1999), del tamaño de las empresas (Stanley et al., 1996), el modo de crecimiento urbano (Schelling, 1971), el proceso de difusión de las epidemias de virus, tanto informáticos como bioquímicos (Lloyd & May, 2002), la distribución de las colaboraciones científicas (Newman, 2001), etc. son ejemplos de distribuciones exponenciales: en un extremo, unos pocos acumulan muchísimo, en el otro, muchísimos se reparten poco. La idea es que lo son, a pesar de la heterogeneidad aparente de estos fenómenos, porque se trata de sistemas complejos con una dinámica parecida.

Hay dos enfoques principales reseñables en este contexto: el de la sociodinámica (Weidlich, 2002), basado en la teoría de sistemas dinámicos (Haken, 1977), que trata de identificar de entrada los parámetros de orden del sistema, y establecer el sistema de ecuaciones diferenciales que lo caracterizan; y el enfoque de modelos basados en agentes (Bankes, 2002; Bonabeau, 2002). No resulta extraño que el enfoque más influyente en las propias Ciencias Sociales sea el basado en agentes. El primero parte de suponer la validez de las variables emergentes consideradas, y además se enfrenta a la dificultad de resolver los sistemas de ecuaciones no lineales. En cambio, los ejemplos paradigmáticos del enfoque de modelos basados en agentes son aportaciones reconocidas en Ciencias Sociales (Schelling, 1978; Axelrod, 1997a y b) –y consisten básicamente en aplicar a las Ciencias Sociales la teoría evolutiva de juegos. Lo interesante de este enfoque es que no parte de una selección directa de las variables emergentes consideradas relevantes, sino que pretende dar cuenta de su emergencia a partir de la actividad idiosincrática de cada agente en particular. Pero como los otros enfoques, se asume un proceso de homogeneización progresiva como resultado de la interacción entre los agentes. En el caso de los modelos basados en agentes, es posible especificar la regla de cambio en función de la interacción, y modificarla para incorporar el grado de detalle “psicológico” deseado. Quizá el ejemplo más sofisticado de esta aproximación sea el ejemplificado por los influyentes trabajos de antropología evolutiva de Boyd y Richerson, sobre la co-evolución entre biología y cultura (Boyd & Richerson, 1995), y en general, sobre la evolución del altruismo. En cualquier caso, es la aproximación que permite más fácilmente la interacción interdisciplinaria.

Para mostrar el tipo de explicación que ofrecen estos modelos basados en agentes, consideremos un ejemplo: la evolución de los índices bursátiles, un ámbito donde existen datos abundantes sobre evolución de los índices (no solo al cierre, sino en tiempo real), que permiten validar los modelos. Además, éste es un ejemplo especialmente relevante para la comparación entre el enfoque de la teoría del equilibrio general, que constituye la posición hegemónica en Economía, y el enfoque de la complejidad, porque constituye un dominio central para el primero, ya que parece ejemplificar al máximo los supuestos de la racionalidad económica de los agentes (en base a la Teoría de la Decisión Racional), la vigencia de las leyes de oferta y demanda, y el hecho de que los mercados financieros están estructurados según establece la propia teoría –en términos de transparencia de la información-, para que se produzca una fijación óptima de los precios. De hecho, es este planteamiento teórico el que ha servido para reducir al mínimo la regulación de la Bolsa –dada la supuesta eficiencia de la autoregulación y su repercusión en el crecimiento-, o para establecer mercados de futuros (dado que según la teoría todo tiene un precio óptimo determinable mediante el proceso de negociación del mercado), mercado que puede incluir también complejos instrumentos financieros derivados de tales transacciones. La teoría prevé fluctuaciones en los precios, pero pequeñas, debidas al azar y no correlacionadas: cada agente actúa para maximizar sus preferencias, al margen de los demás, pero todos disponen de la misma información. Sin embargo, si algo puede ser alguna vez una obviedad es que esta explicación del funcionamiento de los mercados financieros ha sido falsada por la reciente crisis de confianza12, que ha provocado un crack de las cotizaciones, sobretodo de los mismos agentes financieros que protagonizan ese mercado (y de rebote, una crisis económica de alcance global).

Desde la perspectiva de sistemas complejos se han propuesto varios modelos de la actividad bursaria (Eguiluz y Zimmerman, 2000; Bikhchandani & Sharma, 2000; Caldarelli, Marsili & Zhang, 1997), que tratan de dar cuenta tanto de la distribución logarítmica de los beneficios, como de las fluctuaciones de los índices, tanto las pequeñas normales, como los momentos de excepcionalidad –tanto de caída libre de las cotizaciones como de inflación especulativa. En el caso del modelo de Eguiluz y Zimmerman (2000), su modelo consiste en una aplicación particular del modo general de caracterizar los procesos de la dinámica de la opinión y la difusión cultural, es decir, procesos en que los agentes de un colectivo cambian su conducta por la influencia de la conducta de los demás.13 Las principales diferencias con el modelo de la economía mainstream son dos: los agentes actúan teniendo en cuenta lo que hacen sus “vecinos” (aprenden por imitación) y se presupone la asimetría en el acceso a la información, o más precisamente, los modelos incorporan también la transmisión de la información (rumores, el conocimiento de qué transacciones se han producido y su dimensión,...)14, aunque como un proceso aleatorio. El modelo permite identificar el o los parámetros que determinan los diversos estados en que puede encontrarse el sistema, y los valores críticos de los que depende un cambio de fase.

De entrada, la mera existencia, con más frecuencia de lo esperable por azar, de momentos de “boom” o de “cracks” bursátiles indica que las fluctuaciones no son meramente aleatorias y no correlacionadas (como ocurriría si efectivamente cada agente actuara independientemente), sino a un efecto de arrastre colectivo en los agentes en la misma dirección (lo que se ha dado en llamar “efecto rebaño”). El modelo de Eguiluz y Zimmerman da cuenta de este fenómeno mediante una serie de simplificaciones de partida: en su modelo del mercado bursátil se negocia un único valor, cada agente invierte la misma cantidad, y las opciones de cada agente son comprar o vender (en función de la información disponible sobre la expectativa de subida o bajada de su valor), pasar la información que tiene a otro agente, o no hacer nada, cada una con cierta probabilidad de ser llevada a cabo en cada momento. La simulación del modelo parte en el momento inicial con los agentes desconectados, pero dispuestos a actuar por imitación (de aquellos con la misma información). En la medida en que los agentes se pasan información, se van formando grupos, de modo que cuando un agente del grupo toma una decisión de vender, aumenta la probabilidad de que el resto de los agentes del grupo también venda. Por tanto, cuanto mayor sea el grupo, mayor efecto tendrá su decisión en la cotización del valor. Este proceso se repite en el tiempo, lo que permite simular la evolución del sistema. Lo interesante es que lo que ocurre es que la red de información crece hasta que un grupo entero de agentes puede llegar a actuar conjuntamente.

El parámetro clave para entender la evolución del sistema es la velocidad de propagación de la información. Cuando la información se transmite más despacio que el ritmo al que se toman las decisiones de comprar y vender, el proceso de constitución de los grupos es lento y por tanto son mayoritariamente pequeños (no hay tiempo de formar grupos grandes), por lo que el efecto global de su actuación es pequeño. En cambio, cuando la información va más rápido que las compra-ventas se forman grupos grandes, con efectos más dramáticos sobre la cotización del valor. De este modo, puede determinarse un valor crítico de este parámetro por encima del cual pueden producirse los “boom” o los “crack” bursátiles, con enormes ganancias o pérdidas. Lo importante para la validez del modelo es que se pueden comparar los resultados numéricos de las simulaciones basadas en el modelo (modificando parámetros como el número de agentes, las probabilidades de partida de cada una de las opciones, el número de valores y el ritmo de transmisión de información y constitución de grupos), con los índices efectivos de cotización y de distribución de los beneficios (disponibles); una distribución parecida constituye el aval empírico del modelo. Obviamente, el modelo podría refinarse (más valores, recursos variables, mecanismos de transmisión de la información,...), pero incluso en este nivel aproximado de simplificación ofrece una explicación de por qué se producen ciertos fenómenos extremos en las Bolsas: en base al modo gregario en que actúan los agentes, el modo en que se transmite la información relevante, el tiempo requerido para que las transacciones repercutan en la cotización, la posibilidad de grandes ganancias. Obviamente se presupone –como en el enfoque de la teoría general del equilibrio- que los agentes buscan el beneficio, pero su conducta social no se explica simplemente por esa motivación. La clave de la explicación, en realidad, radica en el modo en que la conducta individual constituye parte de la conducta colectiva global. Pero el modelo también explica por qué en ciertas fases el mercado parece en equilibrio.15

Nótese que el tipo de explicación que ilustra nuestro ejemplo es una explicación poblacional y estadística. Este tipo de explicación población es quizá la contribución más importante de Darwin. En lugar de pensar las especies como esencias fijas, Darwin las caracterizó como poblaciones en proceso de cambio, en función de su grado de adaptación al medio. Esta idea de ver el orden como emergente a partir de la interacción de elementos componentes es la clave de este enfoque. La explicación, en particular, radica en el espacio de estado, la representación de los estados del sistema en su dimensión temporal, especificado ahora en término de los parámetros de orden del sistema, y no ya en base a las características de los elementos constituyentes. Lo importante es que esos parámetros de orden no son externos a tales elementos, aunque rigen su regimen por el hecho de formar parte del sistema. El espacio de estado explica el sistema en la medida en que nos permite entender su dinámica, a partir de la interacción de los parámetros de orden que lo caracterizan, las variables relevantes. Generalmente eso no permite predecir en el corto plazo situaciones singulares, pero sí permite anticipar la probabilidad de ciertas configuraciones a medio o largo plazo. Es el patrón general lo que se capta, en lugar de la trayectoria específica de cada elemento en particular.

Podría alegarse que en realidad no se prescinde del nivel individualista de la explicación, en la medida en que el modelo parte de supuestos sobre las capacidades de los elementos constituyentes (más o menos homogéneamente caracterizados, como ya señalamos). Es cierto, pero también lo es que desde el nivel de los componentes no podemos captar esos patrones emergentes al nivel del sistema. En segundo lugar, y de modo igualmente relevante, los modelos de sistemas complejos consisten en simulaciones, que requieren un gran número de cálculos a ese nivel componente, cuyo resultado no puede ser anticipado apriorísticamente. El mayor interés de estas simulaciones radica en su capacidad de revelar la dinámica del modelo, los umbrales críticos de los cambios de fase, o la existencia de diversos atractores que pueden ser o no alcanzados, según las condiciones iniciales del sistema. En los casos donde se dispone de datos reales, como el de las cotizaciones de la Bolsa, esas simulaciones pueden ser contrastadas empíricamente y validar de esta manera los modelos. De modo importante, cuando se identifica una isomorfía entre dominios distintos, se puede transferir directamente el modelo de un dominio al otro.

Podría alegarse también que se trata de un tipo de explicación que diluye el individuo en la colectividad de un modo que lo anula, al modo del estructuralismo. Pero eso sería incorrecto. Es cierto que el enfoque no requiere modelar cada individuo en su idiosincrasia particular, pero sí la tiene en cuenta mediante la introducción de un factor de “ruido”, de perturbación en el sistema precisamente para incorporar esta diversidad del nivel componenete. Estas perturbaciones, no obstante, juegan un papel teórico muy importante, en la medida que pueden inducir al cambio de fase, en general a la evolución del sistema. En otros términos, el enfoque permite honrar la capacidad, y responsabilidad, del individuo, dentro del sistema, al tiempo que condiciona su poder a su influencia colectiva. Igualmente, en cada relevo generacional se dan posibilidades de alteraciones en la transmisión, de aparición de novedad o irregularidad, aspectos que acaban siendo crítico para explicar el cambio cuando éste tiene lugar.
4. Conclusión

Espero haber mostrado suficientemente el interés del enfoque de los sistemas complejos al ámbito de las ciencias sociales. Como ya he indicado, este enfoque se presenta como la base de una reformulación del proyecto de la unidad de la ciencia, ya no sobre supuestos fundacionalistas y reduccionistas –el supuesto nivel básico también es complejo, también requiere de explicación probabilística y evolutiva-, sino precisamente sobre la base de patrones análogos de organización a cualquier nivel ontológico –resultado, precisamente, del mismo proceso de organización compleja-.

Aun así, podría pensarse que estos desarrollos científicos no suponen en realidad ninguna diferencia para el problema con el que comenzamos, el de dar cuenta de la acción social. Parece que la vieja polémica entre explicación y comprensión ha quedado intocada y al margen, pues se sigue planteando la cuestión de cómo atribuimos los estados intencionales a los agentes, o como caracterizamos su modo de actuación, como requisito previo para poder construir tales modelos, y a ese respecto nada se ha tratado.

En parte es cierto: no hemos discutido aquí, por ejemplo, al hilo de los modelos basados en agentes, la cuestión de la plausibilidad de su caracterización. Nos hemos limitado a enfatizar la diferencia con respecto a la Teoría de la Decisión Racional: la conducta de cada agente depende de la de los demás –no de todos los demás directamente, sino de aquellos con los que está conectado, que pueden ser vecinos en unos modelos o redes con una topología más específica como hemos dicho. Básicamente, se asume que esa influencia tiene lugar por imitación o contagio (por influencia social), pero nada impide desarrollar enfoques más sofisticados; por ejemplo, introduciendo una función de confianza que filtra a quien se imita y a quien no, o con quien se interactúa y con quien no. La posibilidad de sofisticación de los modelos es ilimitada, y permite incluir tanta complejidad como nos sugiera el conocimiento de la psicología de la gente y resulte de interés para los fines del modelo.

En segundo lugar, hay un sentido muy claro en que nuestra exposición sí sirve para revisar la vieja controversia metodológica. Pues la controversia descansaba sobre un determinado modelo –nomológico-deductivo- de explicación. La cuestión que alimentaba la controversia es si podemos ofrecer explicaciones en ciencias sociales como las que ofrecen las ciencias naturales. La controversia enfrentaba a quienes trataban de responder afirmativamente y quienes rechazaban la viabilidad de tal respuesta. Los primeros intentaban dar cuenta en términos aceptables de las características especiales de la conducta humana (intencional, basada en razones, con sentido, histórica...), que los segundos alegaban para establecer su rechazo. Además, la explicación población probabilística permite dar carta de naturaleza explicativa a los factores situacionales, contextuales, holistas, sin caer en ningún tipo de reificación a nivel social, sin introducir ningún otro elemento más allá de los agentes en interacción en el curso del tiempo y en un contexto determinado. Las explicaciones sociales salen reforzadas.

Una vez cambiamos el planteamiento sobre la naturaleza de la explicación en ciencias naturales, es decir, una vez constatamos que la física de los láseres va más allá de la explicación newtoniana, el programa mecanicista, reduccionista, determinista e individualista de explicación científica, que se inspiró en la física newtoniana, deja de ser hegemónico. A no ser que alguien pretenda recuperar para la filosofía las pretensiones de la “filosofía primera”, la actitud debe ser concebir la realidad a partir de la mejor enfoque disponible, y éste es el de la complejidad. Este naturalismo metodológico va de la mano de un naturalismo que ofrece un nuevo acomodo a la subjetividad humana, ya no como condición de posibilidad transcendental de un mundo objetivo, sino como parte de ese mundo, resultado emergente de un proceso evolutivo de complejidad creciente.

REFERENCIAS BIBLIOGRAFICAS

ANDERSON, P.W. (1972): “More is different”, Science, 177, pp. 393-396.

AXELROD, R. (1984): The evolution of cooperation. New York, Basic Books. [“La evolución de la cooperación”, Alianza Ed.]

AXELROD, R. (1997a): “The dissemination of culture: a model with local convergence and global polarisation”, Journal of Conflict Resolution, 41, pp. 2003-226.

AXELROD, R. (1997b): The complexity of cooperation. Princeton, Princeton University Press.

BAK, P. (1996): How nature works: the science of organized self-criticality. New York, Springer Verlag.

BANKES, S.C. (2002): Agent Based Models: a Revolution? Proceedings of the National Academy of Sciences USA, 99: 7199-7200.

BENTLEY, R.A., MASCHNER, H., eds. (2003): Complex Systems and Archeology. Salt Lake City, Utah University Press.

BIKHCHANDANI, S. & SHARMA, S. (2000): “Herd behavior in financial markets: a review”, IMF Staff Papers, 47, pp. 279-310.

BLANCHARD, Ph, KRUGER, A., KRUEGER, T., & MARTIN, P. (2005): “The epidemics of corruption”, arXiv:physics/0505031v1.

BONABEAU, E. (2002): “Agent-based modeling: methods and techniques for simulating human systems”, Proceedings of the National Academy of Sciences USA, 99, pp. 7280-7287.

BOYD, R. & RICHERSON, P. (2005): The origin and evolution of cultures. Oxford, Oxford University Press.

CALDARELLLI, G., MARSILI, M., & ZHANG, Y.C. (1997): “A prototype model of stock exchange”, EPL, 40, pp. 479-484.

CARNEIRO, R.L. (2000): “The transition from quantity to quality: a neglected causal mechanism in accounting for social evolution”, Proceedings of the National Academy of Sciences USA, 97, p.. 12926-12931.

CASTELLANO, C., FORTUNATO, S. & LORETO, V. (2007): “Statistical Physics of Social Dynamics”, arXiv: 0710.3256.

CASTELLO, X., EGUILUZ, V., & SAN MIGUEL, M. (2006): New Journal of Physics, 8, pp. 308.

DAVIDSON, D. (1980): Essays on Actions and Events. Oxford, Oxford University Press.

DIAMOND, J. (2005): Collapse: how societies choose to fail or succeed. New York, Viking Press. [“Colapso. Por qué unas sociedades perduran y otras desaparecen”, Barcelona. Ed. Debate, 2006]

DUPRE, J. (1993): The disorder of things. Metaphysical foundations of the disunity of sciences. Cambridge (Massachussets), Harvard University Press.

EGUILUZ, V.M. & ZIMMERMANN, M.G. (2000): “Transmission of information and herd behavior: an application to financial markets”, Physical Review Letters, 85, pp. 5659-5662.

EGUILUZ, V.M., ZIMMERMANN, M.G., CELA-CONDE, C. & SAN MIGUEL, M. (2005): “Cooperation and emergence of role differentiation in the dynamics of social networks”, Americal Journal of Sociology, 110, pp. 977-1008.

ELSTER, J. (1989): Nuts and bolts. Cambridge, Cambridge University Press. [Tuercas y tornillos, Barcelona, Ed. Gedisa, 1990]

ELSTER, J. (2007): Explaining Social Behavior: More Nuts and Bolts for the Social Sciences. Cambridge, Cambridge University Press.

ERDI, P. (2007): Complexity Explained. Berlin, Springer Verlag.

GELL-MAN, M. (1994): The quark and the jaguar: adventures of the simple and the complex. New York, Freeman. [“El quark y el jaguar”, Barcelona, Editorial Tusquets, 1995]

GILBERT, M. (1989): On social facts. Princeton, Princeton University Press.

GOMILA, A. & CALVO, P. (2008): “Directions for an embodied cognitive science: toward an integrated approach”. En P. Calvo y A. Gomila (eds.) Handbook of Cognitive Science: an Embodied Approach. London, Elsevier, pp. 1-25.

GUINEA, F., LOUIS, E., & SAN MIGUEL, M. (2003): “La ubicuidad como futuro de la física estadística y no lineal”, Revista Española de Física, 17/5.

HAKEN, H. (1977): Synergetics: an introduction. Heidelberg, Springer-Verlag.

JUARRERO, A. (1999): Dynamics in action: Intentional behavior as a complex system. Cambridge, Massachussets, MIT Press.

KAHNEMANN, D., SLOVIC, P. & TVERSKY, A., (eds.) (1982): Judgement under uncertainty. Cambridge, Cambridge University Press.

KAHNEMANN, D. & TVERSKY, A. (1979): "Prospect theory: An analysis of decision under risk". Econometrica, 47, pp. 263-291.

KAUFFMAN, S. (1993): The Origins of Order: Self-Organization and Selection in Evolution. Oxford, Oxford University Press.

KINKAID, H. (1986): “Reducion, explanation, and individualism”, Philosophy of Science, 53, pp. 492-513.

LAWSON, T. (2003): Reorienting Economics. London, Routledge.

LLOYD, A. & MAY, R. (2002): “Epidemiology: how viruses spread among computers and people”, Science, 292, pp. 1316-1317.

LOW, D.J. (2000): “Following the crowd”, Nature, 407, pp. 465-466.

MOSKO, M. S. & DAMON, F. H. (2005): On the order of chaos: social anthropology and the science of chaos. New York, Berghann Books.

NEWMAN, M.E. (2001): “The structure of scientific collaboration networks”, Proceedings of the National Academy of Sciences USA, 98, pp. 404-409.

ORMEROD, P. (2005): Why most things fail: evolution, extintion and economics. London, Faber & Faber.

PUJADAS, L. (2003): “Fusión horizóntica y traducción radical”, en J.J. Acero, J.A. Nicolás, J.A.P. Tapias, L. Sáez y J.F. Zúñiga (eds.): El legado de Gadamer. Materiales del Congreso Internacional sobre Hermenéutica Filosófica, Departamento de Filosofía de la Universidad de Granada, pp. 143-150.

RENFREW, C. & CHERRY, J.F., eds. (1986): Peer-polity interaction and socio-political change. Cambridge, Cambridge University Press.

RENFREW, C. (1978): “Trajectory, discontinuity and morphogenesis: the implications of catastrophe theory for Archeology”, American Antiquity, 43, pp. 203-222.

SALZMAN, P. (1999): “Is inequality universal?”, American Anthropologist, 40, pp. 31-61.

SAN MIGUEL, M., TORAL, R. & EGUILUZ, V.M. (2005): “Redes complejas en la dinámica social”. Inguruak. Revista Vasca de Sociología y Ciencia Política, 42, pp. 127-146.

SCHIFFER, M.B. (2005): “The devil is in the details: the cascade model of invention processes”, American Antiquity, 70, pp. 485-502.

SCHELLING. T. (1978): Micromotives and macrobehavior. Norton, New York.

SCHELLING, T. (1971): “Dynamic models of segregation”, Journal of Mathematical Sociology, 1, pp. 143-186.

SIMON, H. (1962): “The architecture of complexity: hierarchical systems”. En H. Simon (1982), The Sciences of the Artificial, Cambridge, Massachussets, MIT Press, pp. 183-216.

SOLOMON, S. & SHIR, E. (2003): Complexity: a science at 30, Europhysics News, 34, pp.54-57.

STANLEY, M., NUNES AMARAL, L., BULDYREV, S., HAVLIN, S., LESCHHORN, P., SALINGER, M., & STANLEY, H.E. (1996): “Scaling behaviour in the growth of companies”, Nature, 379, pp. 601-604.

STIGLITZ, J. & GROSSMAN, N. (1980): “On the impossibility of informationally efficient markets”, American Economic Review, 70, pp. 393-408.

THELEN, E. & SMITH, L. (1998): “Dynamic Systems Theories”. En W. Damon & R. Lerner (eds.): Handbook of Child Psychology, vol. 1: Theoretical models of human development. New York, Wiley, pp. 563-634.

THOM, R. (1983): Mathematical models of morphogenesis. New York, Wiley.

VALLACHER, T.. & NOWAK, A. (eds.) (1994): Dynamical systems in social psychology. San Diego, Academic Press.

WADDINGTON, C.H. (1977): Tools for thought. New York, Basic Books.

WATTS, D.J. & STROGATZ , S.H. (1998): “Collective dynamics of ‘small-world’ networks”, Nature, 393, pp. 440-442.

WEIDLICH, W. (2002): Sociophysics: a systematic approach to mathematical modelling in social science. London, Taylor & Francis.

WILSON, R. (1995): Cartesian psychology and physical minds. Cambridge, Cambridge University Press.

WIMSATT, W. (1994): “The ontology of complex systems: levels of organization, perspectives and causal thickets”, Canadian Journal of Philosophy, supl. vol. nº 20, Mohan Matthen & Robert Ware, eds., University of Calgary Press, pp. 207-274.

WOODFORCE, M. (2002): "Imperfect Common Knowledge and the Effects of Monetary Policy". En P. Aghion, R. Frydman, J. Stiglitz, and M. Woodford (eds.): Knowledge, Information, and Expectations in Modern Macroeconomics: In Honor of Edmund S. Phelps. Princeton
  1   2

similar:

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconCompetencias: interpretar situaciones, establecer condiciones, indagar, explicar

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconAutores Lic. Raúl Pérez Dra. Gabriela Paz Dr. Franco Rossomando

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconCompetencia: Utiliza los modelos atómicos para comprender y explicar...

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconCompetencia: Utiliza los modelos atómicos para comprender y explicar...

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconMarcha Mundial por La paz y la No Violencia
«proclamado y observado oficialmente como Día Internacional de la Paz, y dedicado a conmemorar y fortalecer los ideales de paz en...

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconEl chico de la última fila

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconI. teoria de colas: lineas de espera. Jackeline Henao, Juan Ignacio...

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconParker, I. and Shotter, J. (eds) (1990)

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconObjetivo: Definir e interpretar el concepto de las ciencias biológicas y su importancia

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar iconColado, J. A. y Moreno, J. A. (2005). Actividad física saludable...


Medicina





Todos los derechos reservados. Copyright © 2015
contactos
med.se-todo.com