Allison Garzon Villegas A00830797.
En el caso 6.6 “Gangs and Arms Races” del libro de Pruyt “Small system dynamics models for big issues: Triple jump towards real-world complexity”, describe una situación en la que dos pandillas, A y B, están atrapadas en un ciclo interminable de aumentar sus arsenales de armas. Al principio, ambas pandillas tienen suficientes armas para destruirse mutuamente. El nivel de armamento de cada pandilla solo puede aumentar o disminuir a través de su propio esfuerzo de armamentismo. Además, el grado de armamentismo de cada pandilla está influenciado tanto por su propia motivación intrínseca para acumular armas como por la percepción de cómo el adversario está aumentando su propio arsenal.
Diagrama causal del caso 6.6 “Gangs and Arms Races” del libro de Pruyt .
El diagrama de flujo del caso “Gangs and Arms Races” presenta de manera esquemática cómo factores externos y condiciones iniciales inciden en el proceso de armamentismo entre las pandillas, y cómo este proceso a su vez influye en los niveles de violencia y en la percepción mutua de armamentismo. Destaca la retroalimentación entre las pandillas y sus percepciones como un elemento clave en el ciclo de armamentismo y violencia descrito en el caso.
Diagrama de Flujo del caso 6.6 “Gangs and Arms Races” del libro de Pruyt .
Aunque simplificado, el diagrama ilustra cómo diversas variables se conectan y contribuyen al ciclo de violencia. Se reconoce que hay más factores en juego, pero señala la posibilidad de intervenir en cualquier punto del diagrama para mitigar la violencia y prevenir el aumento del armamentismo entre las pandillas.
Supongamos que la gang A sobreestima el armamento de la banda B en un 10%, es decir, que el “overassessment factor of gang B arming by gang A” es 110%, y que la banda B evalúa correctamente el armado de la banda A, es decir, el “overassessment factor of gang A arming by gang B” es 100%. Modela este sistema y simula el modelo durante un periodo de 100 meses. Describe el comportamiento que muestra la simulación y relacionalo con los ciclos de causalidad que hayas encontrado en el diagrama causal.
# Cargar el paquete deSolve para utilizar funciones de resolución de ecuaciones diferenciales
library("deSolve") #cada variable de estado es una ecuación diferencial
## Warning: package 'deSolve' was built under R version 4.3.3
library(ggplot2)
# Establecer las condiciones iniciales de la variable de estado. En este caso 1
inicial.conditions <- c(arms_stock_gang_a = 1.0,
arms_stock_gang_b = 1.0) #animal
# Definir el vector de tiempos para la simulación
times <- seq(0,100, by = 1) #
# Definir la función del modelo. #parametros son las variables exógenas
model_arms<-function(t, state, parameters){
with(as.list(c(state, parameters)),{
#Variables Auxiliares o endógenas
relative_arming_rate_a=overassesment_factor_gang_b_by_a*obsolescence_rate_a*arms_stock_gang_b-obsolescence_rate_a*arms_stock_gang_a
relative_arming_rate_b=overassesment_factor_gang_a_by_b*obsolescence_rate_b*arms_stock_gang_a-obsolescence_rate_b*arms_stock_gang_b
#Variables de flujo (son las que modifican a las variables de estado) AQUI NO VAN ds
arming_gang_a=autonomous_arming_rate_a+relative_arming_rate_a
arming_gang_b=autonomous_arming_rate_b+relative_arming_rate_b
#SE EMPIEZA DE AQUI: variable de estado (se establece su ecuación diferencial de ahí viene la d SOLO AQUI SE PONE LA D para la de estado, las demas no)
darms_stock_gang_a=arming_gang_a
darms_stock_gang_b=arming_gang_b
#Devuelve los resultados de la variable de estado
return(list(c(darms_stock_gang_a, darms_stock_gang_b),
arming_gang_a = arming_gang_a, #variables de flujo
arming_gang_b = arming_gang_b)) #variables de flujo
})
}
# Definir los parámetros del modelo. Estan por fuera del sistema
parameters <- c(autonomous_arming_rate_a= 0.05,
autonomous_arming_rate_b =0.05 ,
overassesment_factor_gang_b_by_a =1.1 ,
overassesment_factor_gang_a_by_b =1.0 ,
obsolescence_rate_a=0.10,
obsolescence_rate_b=0.10)
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method = c("rk4")
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out1 <- ode(
y = inicial.conditions, #condiciones iniciales
times = times, #tiempo de simulación
func = model_arms, #función del modelo
parms = parameters,
method = intg.method
)
out2 <- ode(
y = inicial.conditions, #condiciones iniciales
times = times, #tiempo de simulación
func = model_arms, #función del modelo
parms = parameters,
method = intg.method
)
out1 <- as.data.frame(out1)
out2 <- as.data.frame(out2)
# Graficar los resultados de la simulación
ggplot(out1, aes(x=time, y=arms_stock_gang_a )) + geom_line()
ggplot(out2, aes(x=time, y= arms_stock_gang_b)) + geom_line()
Ahora supongamos que la gang A subestima el armamento de la banda B en un 50%, es decir, que el “overassessment factor of gang B arming by gang A” es 50%, y que la banda B evalúa correctamente el armado de la banda A, es decir, el “overassessment factor of gang A arming by gang B” es 100%. Haz una nueva corrida del modelo durante un periodo de 100 meses. Describe el comportamiento que muestra la simulación y relacionalo con los ciclos de causalidad que hayas encontrado en el diagrama causal.
# Cargar el paquete deSolve para utilizar funciones de resolución de ecuaciones diferenciales
library("deSolve") #cada variable de estado es una ecuación diferencial
library(ggplot2)
# Establecer las condiciones iniciales de la variable de estado. En este caso 1
inicial.conditions <- c(arms_stock_gang_a = 1.0,
arms_stock_gang_b = 1.0) #animal
# Definir el vector de tiempos para la simulación
times <- seq(0,100, by = 1) #
# Definir la función del modelo. #parametros son las variables exógenas
model_arms<-function(t, state, parameters){
with(as.list(c(state, parameters)),{
#Variables Auxiliares o endógenas
relative_arming_rate_a=overassesment_factor_gang_b_by_a*obsolescence_rate_a*arms_stock_gang_b-obsolescence_rate_a*arms_stock_gang_a
relative_arming_rate_b=overassesment_factor_gang_a_by_b*obsolescence_rate_b*arms_stock_gang_a-obsolescence_rate_b*arms_stock_gang_b
#Variables de flujo (son las que modifican a las variables de estado) AQUI NO VAN ds
arming_gang_a=autonomous_arming_rate_a+relative_arming_rate_a
arming_gang_b=autonomous_arming_rate_b+relative_arming_rate_b
#SE EMPIEZA DE AQUI: variable de estado (se establece su ecuación diferencial de ahí viene la d SOLO AQUI SE PONE LA D para la de estado, las demas no)
darms_stock_gang_a=arming_gang_a
darms_stock_gang_b=arming_gang_b
#Devuelve los resultados de la variable de estado
return(list(c(darms_stock_gang_a, darms_stock_gang_b),
arming_gang_a = arming_gang_a, #variables de flujo
arming_gang_b = arming_gang_b)) #variables de flujo
})
}
# Definir los parámetros del modelo. Estan por fuera del sistema
parameters <- c(autonomous_arming_rate_a= 0.05,
autonomous_arming_rate_b =0.05 ,
overassesment_factor_gang_b_by_a =0.50 ,
overassesment_factor_gang_a_by_b =1.00 ,
obsolescence_rate_a=0.10,
obsolescence_rate_b=0.10)
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method = c("rk4")
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out3 <- ode(
y = inicial.conditions, #condiciones iniciales
times = times, #tiempo de simulación
func = model_arms, #función del modelo
parms = parameters,
method = intg.method
)
out4 <- ode(
y = inicial.conditions, #condiciones iniciales
times = times, #tiempo de simulación
func = model_arms, #función del modelo
parms = parameters,
method = intg.method
)
out3 <- as.data.frame(out3)
out4 <- as.data.frame(out4)
# Graficar los resultados de la simulación
ggplot(out3, aes(x=time, y=arms_stock_gang_a )) + geom_line()
ggplot(out4, aes(x=time, y= arms_stock_gang_b)) + geom_line()
# Combinar los resultados de ambas corridas en un solo dataframe
out1$Corrida <- "Sobreestimación"
out3$Corrida <- "Subestimación"
# Unir los datos de ambas corridas
out_combined <- rbind(out1, out3)
# Graficar los resultados combinados
ggplot(out_combined, aes(x = time, y = arms_stock_gang_a, color = Corrida)) +
geom_line() +
labs(x = "Tiempo", y = "Inventario de armas de la pandilla A", title = "Comparación de la subestimacion y sobreestimacion de la pandilla A") +
theme_minimal()
# Combinar los resultados de ambas corridas en un solo dataframe
out4$Corrida <- "Subestimación"
out2$Corrida <- "Sobreestimación"
# Unir los datos de ambas corridas
out_combined <- rbind(out4, out2)
# Graficar los resultados combinados
ggplot(out_combined, aes(x = time, y = arms_stock_gang_b, color = Corrida)) +
geom_line() +
labs(x = "Tiempo", y = "Inventario de armas de la pandilla B", title = "Comparación de la subestimacion y sobreestimacion de la pandilla B") +
theme_minimal()
La manera en que las pandillas A y B perciben y evalúan el armamento del otro puede tener un impacto considerable en cómo se desarrolla el conflicto armado entre ellas.
Si la pandilla A sobrevalora el armamento de la pandilla B en un 10%, es decir, piensa que está más armada de lo que realmente está, esto podría desencadenar respuestas defensivas por parte de la pandilla A. En un intento por protegerse o igualar lo que perciben como una amenaza, la pandilla A podría aumentar su propio armamento. Sin embargo, esto podría ser malinterpretado por la pandilla B como un signo de agresión, lo que podría llevar a una escalada del conflicto.
Por otro lado, si la pandilla A subestima el armamento de la pandilla B en un 50%, es decir, cree que está menos armada de lo que realmente está, esto podría llevar a una disminución en la preparación defensiva de la pandilla A. Aprovechando esta subestimación, la pandilla B podría fortalecer su propio armamento y posición estratégica sin provocar una respuesta defensiva significativa por parte de la pandilla A. Esto podría permitir que la pandilla B ejerza una mayor presión sobre la pandilla A, aumentando así su influencia y poder en el conflicto.
En resumen, tanto la sobreestimación como la subestimación del armamento entre las pandillas pueden desencadenar dinámicas de armamentismo y escalada de conflictos que incrementan la tensión y el riesgo de violencia. Estos escenarios resaltan la importancia de una percepción precisa y una comunicación efectiva en situaciones de conflicto, así como la necesidad de estrategias de gestión de conflictos que promuevan la resolución pacífica de disputas.
Pruyt, E. (2013). Small system dynamics models for big issues: Triple jump towards real-world complexity (1st ed.). TU Delft Library. ISBN 978-94-6186-195-5 -Libro donde se encuentra el caso mencionado anteriormente