Gangs and Arms Race

La dinámica de sistemas permite crear modelos a partir de la interacción entre variables. En esta publicación, se puede observar el nivel de armamento que emplean las pandillas para defenderse de la pandilla rival. En esta modelación de sistemas, utilizando algunos supuestos, se puede determinar numéricamente la evolución del armamento de ambas pandillas. Utilizando modelos analíticos como este, es posible anticiparnos a la escalación de los conflictos entre dos grupos. Para este caso, observamos un escalamiento en la posesión de armas durante el tiempo. Ambas pandillas ven como amenaza las armas de la pandilla contrincante y optan por armarse más para defenderse, creando un círculo vicioso. El modelo planteado proviene del ejercicio 6.6 del libro “Small System Dynamics Models for Big Issues” por Erik Pruyt.

Diagrama causal del problema

Diagrama de flujo del problema

Modelo del problema y comportamiento dinámico de las variables de estado

En este apartado se modela el problema plantado. Se hace un modelo de la evolución del armamento de las pandillas bajo diferentes escenarios-
# Cargar el paquete deSolve para utilizar funciones de resolución de ecuaciones diferenciales
library("deSolve")
library("ggplot2")

# Establecer las condiciones iniciales de la variable de estado
inicial.conditions<-c(arm_stock_A = 1, #percent needed to destroy B
                      arm_stock_B = 1)#percent needed to destroy A

# Definir el vector de tiempos para la simulación
times<-seq(0,100, by = 1)#Años (100 meses cada mes)

# Definir la función del modelo
model_gang_arms<-function(t, state, parameters){
  with(as.list(c(state, parameters)),{
    
    #Variables Auxiliares o endógenas
  relative_arming_rate_A = (overassesment_factor_B_by_gang_A * arms_obsolence_rate_A * arm_stock_B) - (arms_obsolence_rate_A * arm_stock_A)
  relative_arming_rate_B = (overassesment_factor_A_by_gang_B * arms_obsolence_rate_B * arm_stock_A) - (arms_obsolence_rate_B * arm_stock_B)
    
    
    #Variables de flujo (son las que modifican a las variables de estado)
  arming_gang_A = autonomous_arming_rate_A + relative_arming_rate_A
  arming_gang_B = autonomous_arming_rate_B + relative_arming_rate_B
     
    # variable de estado (se establece su ecuación diferencial de ahí viene la d)
  darm_stock_A = arming_gang_A
  darm_stock_B = arming_gang_B
  
    
    # Devuelve los resultados de la variable de estado
    return(list(c(darm_stock_A,
                  darm_stock_B)))
  })
}

# Definir los parámetros del modelo
parameters<-c(autonomous_arming_rate_A = 0.05,
              autonomous_arming_rate_B = 0.05,
              arms_obsolence_rate_A = 0.1,
              arms_obsolence_rate_B = 0.1,
              overassesment_factor_B_by_gang_A = 1.1,
              overassesment_factor_A_by_gang_B = 1
              ) #%Rate variables exógenas

parameters2<-c(autonomous_arming_rate_A = 0.05,
              autonomous_arming_rate_B = 0.05,
              arms_obsolence_rate_A = 0.1,
              arms_obsolence_rate_B = 0.1,
              overassesment_factor_B_by_gang_A = 0.5,
              overassesment_factor_A_by_gang_B = 1
              ) #%Rate variables exógenas

# 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
out <- ode(
  y = inicial.conditions , #condiciones iniciales
  times = times, #tiempo de simulación
  func = model_gang_arms, #función del modelo
  parms = parameters ,
  method = intg.method
)

out2 <- ode(
  y = inicial.conditions , #condiciones iniciales
  times = times, #tiempo de simulación
  func = model_gang_arms, #función del modelo
  parms = parameters2 ,
  method = intg.method
)

graph1<-as.data.frame(out)
# Graficar los resultados de la simulación

graph2<-as.data.frame(out)
# Graficar los resultados de la simulación

graph3<-as.data.frame(out2)
# Graficar los resultados de la simulación

graph4<-as.data.frame(out2)
# Graficar los resultados de la simulación
La Grafica 1 y 2 modelan la acumulación de armas de las pandillas durante el tiempo. Se puede observar que la pandilla A opta por armarse más que la pandilla B. Esto sucede porque su factor de sobrevaloración es 10% mas grande que el de la pandilla B. El factor de sobrevaloracíon impacta directamente en el armamento relativo que tiene la pandilla A. Este factor de sobrevaloración es la estimación que tiene la pandilla A sobre el armamento de la pandilla B.

Grafica 1

g1 = ggplot(graph1, aes(x=time, y=arm_stock_A)) +geom_line()
g1

Grafica 2

g2 = ggplot(graph2, aes(x=time, y=arm_stock_B)) +geom_line()
g2

La Grafica 3 y 4 modelan la acumulación de armas de las pandillas durante el tiempo bajo otro escenario. En este escenario, el factor de sobrevaloración de la pandilla A cambia. Ahora su estimación del armamento necesario para que lo destruyan es 50% menor al real. Se puede observar que la pandilla A opta por armarse menos que la pandilla B.

Grafica 3

g3 = ggplot(graph3, aes(x=time, y=arm_stock_A)) +geom_line()
g3

Grafica 4

g4 = ggplot(graph4, aes(x=time, y=arm_stock_B)) +geom_line()
g4

Resultados en conjunto

En el primer escenario, se observa el caso donde la pandilla A tenia un factor de sobrevaloración por encima del real. Los modelos observados nos indican como las 2 pandillas optaron por almacenar una gran cantidad de armas por el temor de no ser destruido. Dado que la pandilla A tenía mas armas por su estimación desajustada, la pandilla B reaccionaba y compraba más armas. En este modelo, la pandilla A almacena más armás que la pandilla B.

En el segundo escenario, se observa como las dos pandillas almacenan armas a un nivel más moderado. En este caso, el factor de sobrevaloración de la pandilla A estaba por debajo del real. Esto ocasionaba que la pandilla B no reaccionara tan abruptamente como lo hacía en el escenario anterior. El modelo nos indica que la acumulación de armas en el mes 100 es hasta 4 veces menor que en el escenario inicial.

library("gridExtra")
library("ggpubr")



grid.arrange(g1, g2, g3, g4,ncol=2)