Introducción al Estudio y Metodología de Dinámica de Sistemas
El objetivo del estudio Improving social resilience amid the COVID-19 epidemic: A system dynamics model es analizar la resiliencia social después de una crisis desde una perspectiva dinámica y de procesos. Esto se debe a que la resiliencia social generalmente es observada desde una perspectiva estática, sin embargo, esto conlleva limitaciones, ya que la resiliencia social evoluciona. La resiliencia social es la capacidad de las comunidades de reducir pérdidas y reconstruir después de una crisis, también es definida como “la habilidad del ambiente social de una comunidad de anticipar afectivamente, responder y recuperarse de desastres. Los autores dividen este concepto en las siguientes 3 categorías: La habilidad de “entidades sociales” para responder y recuperarse de riesgos. Definiendo como entidades sociales a las familias, comunidades, organizaciones sociales, etc. La habilidad de “mecanismos sociales” para adaptarse y transformar. Definiendo mecanismos sociales como la capacidad de manejar riesgos y organizarse. Una mezcla de ambas.
La resiliencia social tiene las siguientes 3 características: resistencia, adaptabilidad y transformabilidad. La primera se refiere a la habilidad que tiene un sistema social de mantener estabilidad y resistir impactos sin llegar al colapso funcional. La adaptabilidad es la habilidad para absorber cambios. Y la tercera se refiere a la capacidad de un sistema para transicionar a una nueva forma.
El estudio pretende hallar la forma de mitigar el pánico y el daño tras una crisis, por lo que se usa como contexto la situación inicial de la pandemia en Wuhan, China, desde febrero 22 hasta marzo 23 de 2020. Los autores crearon un modelo de retroalimentación causal para posteriormente generar un modelo de dinámica de sistemas con el fin de analizar las características dinámicas de la resiliencia social y su posible mejora tras la pandemia.
La metodología de dinámica de sistemas es un modelo que combina la teoría de sistemas con la simulación computacional. En este modelo se buscan conexiones causales entre las variables del sistema para entender cómo interactúan y afectan su comportamiento a lo largo del tiempo. Además, se analizan las relaciones de causa y efecto, identificando ciclos de retroalimentación y balance con el objetivo de simular situaciones de la vida real e identificar soluciones.
Como mencionado anteriormente, la resiliencia social usualmente se analiza como una característica estática y medida por conjuntos de indicadores, pero debido a que la resiliencia social evoluciona, un análisis desde una perspectiva dinámica es más adecuado. Con esta metodología los autores fueron capaces de identificar actores clave para mejorar la resiliencia social y evaluar qué estrategias serían más efectivas para reducir el pánico y el daño social durante futuras crisis.Descripción del Modelo de Dinámica de Sistemas Utilizado
El modelo toma en cuenta variables cognitivas de 3 actores principales: el gobierno central (en cuanto a emergency governance y epidemic awareness), para gobiernos locales (emergency management y epidemic awareness) y el público (en cuanto a la adquisición de información - information adquisition - y participación en la coperación - participation in coperation). Una parte muy importante del modelo causal creado es la jerarquía de estos 3 niveles, es decir, como estos actores se afectan entre si. Además, se crean 2 variables para medir la resiliencia social: el nivel de pánico y el nivel de daños. Estas variables miden la estabilidad social, por lo tanto se utiliza como una medida proxy para cuantificar la resiliencia social. En base a esto se crea el primer modelo de relación causal, mostrado a continuación.
Este modelo ilustra como la capacidad del gobierno central tiene un efecto positivo en la capacidad de respuesta del gobierno local, y esto posteriormente, incrementa la disponibilidad de recursos médicos. También se observa una relación directa positiva entre la capacidad del gobierno central y los recursos médicos. Contar con más recursos médicos ayuda a reducir el número de personas infectadas, lo que disminuye tanto el nivel de pánico como el daño que sufre la sociedad. Sin embargo, la cooperación y participación pública pueden ayudar a contener el pánico y el nivel de daños, y una buena gestión del gobierno puede fomentarlas.
Posteriormente se agregaron otras variables para explicar el sistema, las cuales se categorizaron en variables de nivel, variables de tasa, variables auxiliares y constantes. Variables de nivel: Representan acumulación de elementos en el tiempo (infectados, recursos médicos, pánico, daño). Variables de tasa: Representan cambios en los niveles (tasa de infección, velocidad de entrega de recursos). Variables auxiliares: Intermedian en los procesos y afectan a otras variables (cooperación del público, capacidad de gestión). Variables exógenas: Factores externos que influyen en el sistema sin ser afectados por él (conciencia sobre la epidemia, acceso a información). Las variables son las siguientes:
Tras incorporar estas variables, el modelo se ve de la siguiente manera.
El modelo presenta tres variables exógenas: la conciencia epidémica del gobierno central y local, y la adquisición de información en tiempo real por parte del público. Un gobierno central más consciente actúa rápidamente con políticas y distribución de recursos médicos, mientras que los gobiernos locales, implementan medidas específicas con mayor rapidez si su conciencia es alta. Por otro lado, un público mejor informado reduce la asimetría de información y favorece la cooperación en las medidas de prevención. Las demás variables son endógenas y dependen de la dinámica del sistema.
Análisis de Resultados
Se compararon los resultados de la simulación del modelo con los observados en el caso real y se comprobó la efectividad del modelo, ya que la desviación no excedió el 10%.
Una vez comprobada la veracidad del modelo los autores examinaron el comportamiento de las variables de grado de pánico y grado de daño según el modelo. El grado de pánico tuvo un crecimiento lento en la primera mitad del mes, según los autores, esto se debe a que a pesar de un crecimiento rápido en el número de infectados, los ciudadanos no han comprendido el impacto de la crisis. Entre el día 15 y 25 el gobierno toma medidas y suspende las actividades en la ciudad debido al rápido crecimiento de infectados, lo cual lleva a que las personas sientan pánico. En la última parte del mes la cantidad de personas infectadas ha sido controlada, por lo que el pánico igualmente es controlado.
El grado de daño tiene un comportamiento casi idéntico al del grado de pánico. En la primera mitad del mes se cierran los negocios, pero siguen teniendo flujo de caja y pueden seguir operando. Sin embargo, del día 15 al 25 el daño crece de manera exponencial, ya que los negocios se ven obligados a cerrar o disminuir sus empleados. En la última parte del mes los negocios pueden reanudar sus operaciones y empezar a recuperarse, con lo que el daño se ve mitigado.
Para analizar las variables que afectan más a la resiliencia social (pánico y daño) los autores crearon 4 escenarios. El primer escenario actúa como referencia, donde las tres variables exógenas (conciencia sobre la epidemia en el gobierno central, conciencia sobre la epidemia en el gobierno local y acceso a información en tiempo real de la población) se mantienen sin modificaciones. En el segundo escenario la conciencia de la epidemia en el gobierno central mejora. En el tercero la conciencia de la epidemia en el gobierno local mejora. En el escenario 4 el acceso a información en tiempo real de la población mejora.
Tras simular cada escenario se observó que el escenario que resulta en un menor grado de pánico es el 4. En este escenario la población tiene mayor acceso a la información, lo que disminuye el pánico que sienten. Por otra parte, el escenario con menor grado de daño fue el 3, por lo que es posible afirmar que la conciencia sobre la epidemia en el gobierno local es un factor sensible para el grado de daños.A continuación se presenta la gráfica con el grado de pánico en cada escenario:
Gráfica con el grado de daño en cada escenario:
Recomendaciones Basadas en el Modelo
En el estudio los autores proponen que las políticas públicas involucren al gobierno y al público, haciendo énfasis en mejorar el acceso a la información de la población. Dentro de esta misma recomendación proponen que el gobierno brinde información veraz y en el tiempo adecuado para tener una resiliencia social fuerte durante una crisis.
A pesar de que la viabilidad de la propuesta se considere sencilla en primera instancia, brindar acceso a toda la población es complicado, ya que existe la desigualdad de acceso a la información y algunos sectores de la población más vulnerables podrían verse afectados. También, es importante considerar que el acceso a la información no implica que esta sea comprendida de la manera esperada por la población, lo que podría resultar en un mayor pánico y por consiguiente una menor resiliencia social.Crítica y Reflexiones Finales
El estudio presentado con anterioridad, ofrece una valiosa perspectiva sobre la resiliencia social como un proceso dinámico en lugar de una característica estática. A través del uso de la metodología de dinámica de sistemas, se logra comprender cómo la interacción entre el gobierno y la población afecta el nivel de pánico y daño social durante una crisis.
Como principal crítica al estudio se considera que el uso de un solo espacio geográfico, en este caso de estudio la ciudad de Wuhan, podría ser un factor clave que pueda estar sesgando los resultados y sea difícil de replicar en otro lugar del mundo debido a que la resiliencia social puede verse influenciada por factores culturales, económicos y políticos que varían entre regiones, lo que sugiere la necesidad de ampliar el análisis a otros escenarios. También se logra identificar los posibles efectos negativos que la desinformación o la incorrecta interpretación de datos por parte de la población en el estudio es un tema en el que no se profundiza con importancia, dejando un tema importante y directamente causal muy abierto.
El aprendizaje obtenido a partir de este estudio resalta la utilidad de la dinámica de sistemas para modelar problemas complejos y evaluar políticas públicas. Este enfoque permite simular diferentes escenarios y analizar las interacciones entre diversos actores, proporcionando información valiosa para la toma de decisiones. Además, esta metodología podría aplicarse a otros problemas sociales, como la planificación urbana, la gestión de desastres naturales o la implementación de estrategias para mitigar el cambio climático.
En conclusión, el estudio representa un avance significativo en la comprensión de la resiliencia social desde una perspectiva dinámica. A pesar de algunas limitaciones, su aplicación en la formulación de políticas públicas demuestra el valor de la dinámica de sistemas para abordar problemas complejos y mejorar la respuesta gubernamental ante crisis futuras.