Marla Patricia de la Cruz Rivas A00830367 .
El caso 6.6 “Gangs and Arms Races” del libro de Pruyt aborda la dinámica entre dos pandillas, A y B, atrapadas en un ciclo interminable de aumento de sus arsenales de armas. Inicialmente, ambas pandillas poseen suficientes armas para destruirse mutuamente, y el nivel de armamento de cada una solo puede cambiar mediante su propio esfuerzo de armamentismo. Además, este armamentismo está influenciado por la motivación intrínseca de cada pandilla para acumular armas y por su percepción de cómo la otra pandilla está aumentando su arsenal.
Diagrama causal del caso 6.6 “Gangs and Arms Races” del libro de Pruyt .
El diagrama causal del caso proporciona una representación visual de cómo los factores externos y las condiciones iniciales influyen en el proceso de armamentismo entre las pandillas, y cómo este proceso afecta los niveles de violencia y la percepción mutua de armamentismo. Destaca la retroalimentación entre las pandillas y sus percepciones como un componente fundamental en el ciclo de armamentismo y violencia.
Diagrama de Flujo del caso 6.6 “Gangs and Arms Races” del libro de Pruyt .
Aunque simplificado, el diagrama proporciona una visión esquemática de cómo diversas variables están relacionadas y contribuyen al ciclo de violencia. Se reconoce que existen otros factores involucrados, pero resalta la oportunidad de intervenir en cualquier punto del diagrama para atenuar la violencia y evitar 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 simulación del modelo presenta dos escenarios distintos que ilustran cómo las percepciones erróneas de las pandillas pueden desencadenar dinámicas peligrosas. En el primer escenario, donde la pandilla A sobreestima el armamento de la pandilla B en un 10%, vemos cómo esta percepción exagerada lleva a respuestas defensivas por parte de la pandilla A, aumentando así la tensión y la posibilidad de conflicto. Por otro lado, en el segundo escenario, donde la pandilla A subestima el armamento de la pandilla B en un 50%, la falta de preparación defensiva puede ser aprovechada por la pandilla B para fortalecerse aún más, lo que potencialmente intensifica la presión sobre la pandilla A y aumenta las probabilidades de violencia.
En resumen, tanto la sobreestimación como la subestimación del armamento pueden conducir a un aumento de la tensión y la violencia entre las pandillas. Estos resultados resaltan la necesidad crítica de una percepción precisa y una comunicación efectiva en situaciones de conflicto. Además, subrayan la importancia de implementar estrategias de gestión de conflictos que fomenten la resolución pacífica de disputas, ya que intervenir de manera adecuada en la percepción y comunicación puede ser fundamental para evitar la escalada de conflictos armados.
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