Análisis de Investigaciones sobre Dinámica de Sistemas

Diplomado de Toma de Decisiones en Escenarios Complejos (Actividad 1)

Objetivo: revisar estudios que emplean la metodología de dinámica de sistemas para elaborar propuestas de política pública o manejo del sistema.

1 Estudio 1

En este apartado se desarrolla el análisis del estudio llamado “Exploring the urban systemic scenarios of improving socioecological conditions in an informal settlement of a developing country with a system dynamics model”. Elaborado por: Alejandra Acevedo-De-los-Ríos, Favio R. Chumpitaz-Requena, Daniel R. Rondinel-Oviedo, Úrsula Cardenas-Mamani Johan Manuel Redondo. Fecha de publicación: 2025.

1.1 Introducción

El estudio se enmarca en el contexto de los desafíos complejos que enfrentan los asentamientos informales, como la urbanización acelerada, la degradación ambiental, la pobreza y la exclusión social, particularmente en una comunidad de Lima-Perú. Estos asentamientos presentan problemas socioeconómicos y socioecológicos interrelacionados que requieren enfoques integrados y prospectivos para su gestión y desarrollo sostenible. En vista vista de ello, este estudio tiene como propósito evaluar las interacciones socioeconómicas y socioecológicas dentro de un sistema urbano informal, específicamente en la comunidad de Ciudad de Gosen en Lima-Perú, mediante el modelado con Dinámica de Sistemas (SD). Se busca simular diferentes escenarios futuros relacionados con la consolidación del asentamiento y la mejora en las oportunidades de empleo formal, especialmente para las mujeres, para identificar estrategias efectivas de intervención y promover políticas basadas en evidencia que faciliten la sostenibilidad y la equidad social del asentamiento.

La aplicación de la dinámica de sistemas en este estudio responde a la necesidad de entender y gestionar las interdependencias, retroalimentaciones y dinámicas temporales de los sistemas urbanos informales. A diferencia de los métodos convencionales y estáticos, el SD permite modelar y simular escenarios dinámicos, capturar relaciones causales complejas, identificar puntos críticos y evaluar los efectos de diferentes intervenciones antes de su implementación. Esto facilita la toma de decisiones más informadas y la formulación de estrategias integradas y adaptativas para afrontar los desafíos multifacéticos de los asentamientos informales.

1.2 Descripción del Modelo de Dinámica de Sistemas

Para este estudio, la metodología se desplegó en tres etapas clave, iniciando con la identificación de datos que combinó información de investigaciones previas sobre metabolismo urbano con encuestas directas a la comunidad. Una vez recopilados los datos, se procedió a la definición de escenarios, donde se plantearon cinco hipótesis dinámicas: el escenario Business as Usual, que refleja las condiciones actuales; el Escenario 1 (Calidad del Tiempo), enfocado en que el tiempo laboral masculino no excede las horas máximas legales; el Escenario 2 (Mujeres en Empleo Formal), que suma al anterior la provisión de acceso a empleo formal para las mujeres e igualdad de ingreso per cápita; el Escenario 3 (Circularidad), que incluye acciones como la creación de jardines urbanos, el reciclaje de aguas grises domésticas, el uso de captadores de niebla y la generación de compost orgánico; el Escenario 4 (Integrado), que combina elementos de los escenarios de calidad del tiempo, mujeres en empleo formal y circularidad, incorporando además infraestructura clave en el asentamiento como centros de cuidado infantil, atención a personas mayores, equipos educativos, cocinas comunitarias, lo que representa un enfoque sinérgico para abordar las deficiencias sistémicas en las dimensiones socioeconómica y ecológica. Finalmente, se lleva a cabo la simulación y el modelado de SD, sustentado en cuatro componentes esenciales:

• Variables de Estado (Stocks) que están representadas por la consolidación del asentamiento, mujeres en empleo formal, jardínes urbanos y áreas verdes para recreación, deporte y ocio.

• Flujos (Tasas de Cambio)que consisten en los atributos con que los estados actuales del sistema o stocks se transforman en ratios para generar cambios futuros. Algunos de estos son: el acceso de las mujeres al empleo formal, el cambio neto de jardínes urbanos y áreas verdes, entre otros. 

• Variables auxiliares: que corresponden a factores que influyen en las tasas de flujo, por ejemplo, acceso a educación, condiciones de seguridad para la vivienda, tiempo disponible para el trabajo remunerado, condición inicial del asentamiento,  estado de la vivienda y estabilidad del suelo.

• Parámetros: se definen como constantes y coeficientes que afectan las relaciones en el modelo.

Estas variables interactúan a través de múltiples flujos y ciclos de retroalimentación que capturan la complejidad de las dinámicas del sistema. En particular, dentro de la dimensión socioeconómica representada en los Escenarios 1 y 2, se identifican tres ciclos de retroalimentación, de los cuales dos son reforzantes y uno de balanceo.

Uno de los ciclos reforzantes se activa con la incorporación de las mujeres al empleo formal, lo que reduce la presión económica sobre los hombres y, por ende, la necesidad de trabajar horas extras. Este tiempo liberado puede reconvertirse en actividades de esparcimiento y autocuidado, incrementando su calidad de vida. A su vez, esta mejora en la calidad de vida se traduce en una disminución de la morbilidad y de los costos directos de atención médica comunitaria. Con menores gastos sanitarios, los hogares disponen de recursos adicionales para la consolidación estructural de sus viviendas y la provisión de servicios domiciliarios esenciales. El reforzamiento de la seguridad y estabilidad habitacional genera un entorno más favorable que facilita aún más el acceso de las mujeres al empleo formal, cerrando así el ciclo de retroalimentación reforzado.

El otro ciclo, de carácter balanceado, también se activa con el acceso de las mujeres al empleo formal, pero opera desde la perspectiva del ingreso familiar. Al incorporarse al mercado laboral, las mujeres incrementan el ingreso total del hogar, complementando el aporte masculino. Este aumento de los recursos disponibles reduce la necesidad de que los hombres trabajen horas adicionales, promoviendo un equilibrio en la distribución del tiempo y la carga laboral dentro del hogar. A su vez, el mayor ingreso permite a las familias invertir en la consolidación de sus viviendas, lo que mejora las condiciones de seguridad y habitabilidad. Estas mejoras son fundamentales para que las mujeres puedan mantener una participación continua en el empleo formal, generando un ciclo de retroalimentación compensatorio que estabiliza el sistema al redistribuir el tiempo de trabajo y optimizar el uso del ingreso familiar. De este modo, se configura un ciclo de realimentación balanceado entre inclusión laboral femenina, menores horas extraordinarias de trabajo masculino, incremento del ingreso familiar e inversión en hábitat seguro.

Este conjunto de ciclos de retroalimentación evidencia cómo la inclusión laboral femenina no solo tiene un impacto directo en el bienestar económico de los hogares, sino que también desencadena mejoras sistémicas en salud, calidad de vida y condiciones habitacionales. La interacción entre los ciclos reforzantes y compensatorios permite observar un reordenamiento progresivo en la dinámica interna de los hogares, donde el tiempo y los recursos se redistribuyen de forma más equitativa entre géneros.

Sin embargo, aunque los modelos teóricos muestran una lógica de mejora progresiva, en la práctica estos ciclos pueden enfrentar cuellos de botella y rezagos si no existen políticas públicas complementarias que garanticen condiciones mínimas para la sostenibilidad del proceso: acceso real al empleo formal para mujeres, disponibilidad de servicios de cuidado y mecanismos de financiamiento para la consolidación habitacional. Asimismo, si bien la reducción de horas extras masculinas se plantea como un efecto deseable, este supuesto podría no ser lineal en contextos donde los ingresos por horas adicionales siguen siendo necesarios para la subsistencia. Por tanto, si bien el sistema tiende hacia la estabilización y mejora, su funcionamiento óptimo depende de la eliminación de barreras estructurales y del fortalecimiento de un entorno institucional que respalde la corresponsabilidad económica y social dentro del hogar y la comunidad.

Por su parte, la dimensión socioecológica,asociada al Escenario 3, se identifican tres ciclos de retroalimentación de tipo balanceado que regulan la interacción entre el uso del espacio verde, la gestión comunitaria y la disponibilidad del recurso hídrico. Uno de los ciclos describe cómo la presencia de áreas verdes para recreación, deporte y ocio genera una mayor demanda de agua para su mantenimiento. A medida que esta demanda supera la capacidad de suministro, se genera un déficit hídrico. Este déficit, a su vez, reduce la disponibilidad de agua para el mantenimiento de las áreas verdes, limitando su estado, funcionalidad y desacelerando su crecimiento. El ciclo opera como un mecanismo de balanceo, donde el deterioro de las áreas verdes limita su expansión o uso, conteniendo así el aumento continuo de la demanda de agua.

El otro ciclo, muestra cómo el déficit hídrico impulsa la creación de jardines urbanos como respuesta comunitaria. Ante un escenario de escasez de agua, algunas comunidades responden con la implementación de jardines urbanos como estrategia de adaptación, resiliencia y autosuficiencia alimentaria. Sin embargo, estos jardines también requieren agua, lo que incrementa la demanda y contribuye nuevamente al déficit hídrico existente. Así, el sistema entra en un ciclo regulador donde la respuesta adaptativa (jardines urbanos) puede, paradójicamente, agravar la escasez si no se acompaña de soluciones integradas como sistemas de captación de agua lluvia, uso de aguas grises o especies vegetales de bajo requerimiento hídrico.

Estos ciclos de retroalimentación balanceados descritos anteriormente exponen, una señal clara de los límites estructurales no resueltos. El aumento en la demanda de agua por expansión de áreas verdes o jardines urbanos no responde únicamente a decisiones comunitarias, sino a la ausencia de una infraestructura hídrica adecuada y de planificación territorial basada en capacidad de carga. En este sentido, los bucles identificados operan como mecanismos de compensación que estabilizan el sistema en estados subóptimos, lo que implica que el sistema se equilibra, pero lo hace reduciendo cobertura verde y restringiendo iniciativas comunitarias. Técnicamente, el comportamiento del sistema refleja una retroalimentación negativa con efectos de contención más que de resiliencia real. La creación de jardines urbanos ante el déficit hídrico, lejos de resolver el problema, introduce una presión adicional que intensifica la escasez si no está respaldada por soluciones de bajo consumo hídrico y tecnologías circulares.

Esto sugiere que, en contextos de recursos limitados, la eficiencia del sistema no puede depender exclusivamente de respuestas locales. Se requiere incorporar variables de gestión exógena como la inversión estatal, soporte técnico y normativas de uso de suelo que permitan transformar estos bucles de contención en verdaderos bucles de mejora sostenible. En definitiva, estos ciclos no son inherentemente virtuosos debido a que sin intervenciones estructurales, tienden a estabilizar el sistema a costa de reducir su funcionalidad socioecológica.

1.3 Análisis de Resultados y Recomendaciones de Política Pública

Los autores simularon cuatro escenarios distintos utilizando el Modelo de Dinámica de Sistemas para explorar diferentes intervenciones en la Ciudad de Gosen. Estos escenarios están enfocados en abordar las principales deficiencias socioeconómicas y ecológicas identificadas en la zona, permitiendo entender cómo las acciones específicas podrían influir en la evolución del asentamiento en un horizonte de diez años. A continuación se presentan los resultados de la simulación:

1. Escenario base (Business as Usual): en ausencia de intervenciones, el acceso de las mujeres al empleo formal muestra un crecimiento significativo de 842 % en diez años y de 273%, pero responde únicamente a la evolución natural del sistema. La consolidación del asentamiento también mejora un 125% en la dimensión ecológica, pero sin apalancar variables estratégicas como salud, seguridad habitacional o equidad de género. Este escenario confirma que el sistema evoluciona por inercia estructural, pero reproduce desigualdades y condiciones subóptimas. En términos de política pública, confiar únicamente en el crecimiento espontáneo perpetúa brechas estructurales sin generar mejoras sostenidas en bienestar ni resiliencia urbana.

2. Escenario 1(Calidad del Tiempo): la reducción de horas extra en hombres de 144 a 0 horas/mes, no genera un impacto significativo en la inclusión laboral femenina. Disminuyen ingresos familiares e indicadores de salud comunitaria, mientras aumentan los costos de atención médica, la consolidación del asentamiento se mantendrá con un crecimiento estable e inferior al escenario base. Reducir la sobrecarga masculina sin condiciones estructurales que faciliten la participación femenina en empleo formal o servicios de cuidado no genera transformaciones sistémicas. La política pública debe acompañar las reformas laborales con estrategias de equidad y redistribución del tiempo de cuidado para facilitar la transición de las mujeres al empleo formal sin aumentar las cargas de trabajo no remunerado.

3. Escenario 2 (Mujeres en Empleo Formal): el acceso de las mujeres al empleo formal aumenta en más de 3500 % en diez años, pero la consolidación del asentamiento no mejora al mismo ritmo que el escenario de referencia. Aumentan los ingresos familiares femeninos y el tiempo promedio de trabajo formal femenino, por lo que el ingreso familiar es mayor pero con tasas de crecimiento menores que el escenario base. Aunque la inclusión laboral femenina tiene efectos económicos directos, su impacto estructural es limitado sin inversiones paralelas en consolidación habitacional y servicios públicos. Las políticas públicas deben evitar enfoques sectoriales y articular una agenda laboral con perspectiva de género con incentivos fiscales o subsidios a empresas que promuevan el empleo laboral de las mujeres y apoyen a las familias con servicios de cuidado infantil.

4. Escenario 3 (Circularidad): acciones como reutilización de aguas grises, compostaje orgánico y huertos urbanos mejoran los indicadores ecológicos, por lo que la consolidación del asentamiento alcanza el crecimiento del 125% antes que el escenario base. Sin embargo, el acceso de mujeres al empleo formal crece modestamente de 73 a 985 mujeres en diez años, similar al escenario de referencia. La economía circular mejora la dimensión ecológica y fortalece la resiliencia local, pero sus efectos sobre las dinámicas socioeconómicas resultan limitados. De manera que, las políticas de planificación urbana deben incorporar prácticas circulares en la modernización de los asentamientos informales para acelerar las mejoras ecológicas. Sin embargo, estas políticas requieren integrarse con estrategias de inclusión económica que favorezcan la igualdad de oportunidades de las mujeres en el mercado laboral. 

5. Escenario 4 (Integrado): este escenario es el único con resultados sinérgicos. El acceso femenino al empleo formal alcanza su meta en solo 58 meses (reducción del 47.5 % del tiempo necesario) y la consolidación del asentamiento se logra en un año y medio antes que en los anteriores escenarios. Hay una mejora genérica en las dimensiones socioeconómica y ecológica, las cuales se alcanzan de forma más temprana que los otros escenarios. Existe evidencia empírica que respalda que los enfoques integrales, cuentan con la capacidad de transformar de manera sostenible los sistemas urbanos informales. Estos enfoques permiten abordar simultáneamente las múltiples dimensiones del problema, generando sinergias que amplifican los efectos positivos de las intervenciones. En consecuencia, las decisiones de política pública deben aplicar un enfoque holístico cuyas intervenciones socioeconómicas y ecológicas estén acompañadas de inversiones estratégicas en infraestructura para maximizar las sinergias y objetivos.

En definitiva, los resultados de la simulación revelan que la efectividad de cada escenario no radica únicamente en la magnitud del impacto, sino en la capacidad del mismo para activar dinámicas internas transformadoras en el sistema urbano. Los escenarios parciales (E1,E2, E3), si bien abordan componentes relevantes como la reducción del trabajo extraordinario, la inclusión laboral femenina o la circularidad ecológica, operan de manera aislada, sin generar los efectos acumulativos necesarios para modificar estructuralmente las condiciones del asentamiento. En el Escenario 2, por ejemplo, se logra una mejora en la inclusión laboral de las mujeres, pero ello no se traduce en un avance proporcional en la consolidación del asentamiento, revelando una desconexión entre inclusión económica y transformación de las condiciones habitacionales.

El Escenario Integrado, en cambio, demuestra que la simultaneidad y complementariedad de acciones en múltiples dimensiones (socioeconómica, ecológica y ambiental) es esencial para activar bucles virtuosos y acelerar procesos de transformación sostenibles. Desde una perspectiva técnica, el modelo corrobora la hipótesis de que los sistemas urbanos informales no responden de forma lineal a intervenciones puntuales. Su comportamiento está determinado por interacciones complejas, donde los efectos deseados pueden ser amplificados, retrasados o incluso neutralizados por retroalimentaciones internas. En consecuencia, la formulación de políticas públicas no debería limitarse a incorporar evidencia técnica puntual, sino que debe considerar la lógica evolutiva del sistema y los efectos acumulativos de las intervenciones en el territorio. Sin articulación intersectorial efectiva, institucionalidad robusta y visión estratégica de largo plazo, los procesos de transformación pueden resultar ser parciales, inestables o reversibles.

Los desafíos que enfrentan los asentamientos informales son complejos y puede requerir de un esfuerzo adicional de intervención más allá de lo que describen los modelos que, aunque útiles, no capturan toda la complejidad del sistema y sus resultados pueden no ser completamente predictivos en la realidad. Además, el contexto social y económico que los rodea comola informalidad, la pobreza y la resistencia al cambio pueden obstaculizar la adopción de nuevas políticas. La escasa capacidad institucional como la limitada gestión de recursos y experiencia técnica en algunos territorios puede dificultar la ejecución efectiva. El tiempo y financiamiento como las intervenciones de largo plazo requieren continuidad e inversión sostenida, lo cual puede ser desafiante en contextos de recursos limitados.

1.4 Crítica y Reflexiones Finales

Uno de los principales aportes del estudio radica en su enfoque integrador y dinámico para analizar los asentamientos informales, al capturar de forma rigurosa las interacciones entre las dimensiones socioeconómica y ecológica. El modelo permite identificar los bucles de retroalimentación que, según su configuración, pueden impulsar o restringir tanto la consolidación del asentamiento como la inclusión de las mujeres en el empleo formal. La implementación efectiva de las recomendaciones derivadas del modelo no depende únicamente de su solidez técnica, sino que requiere condiciones habilitantes: disponibilidad de recursos, capacidad operativa en el territorio y un liderazgo institucional comprometido con una visión sistémica de largo plazo. Asimismo, la participación activa de actores locales, resulta esencial para legitimar las acciones y adaptar las estrategias a contextos concretos, de tal manera que se maximicen los impactos positivos de las intervenciones y se transmita de forma efectiva una mejora en la calidad de vida y de vivienda, mayor igualdad social y resiliencia ambiental. 

El modelo SD permite identificar y simular las interdependencias multidimensionales, ofreciendo una comprensión integral del sistema urbano. Esta capacidad analítica facilita anticipar los efectos potenciales de las políticas públicas antes de su implementación, favoreciendo las decisiones informadas y adaptativas e identificando posibles impactos no deseados. Asimismo, fomenta un pensamiento estratégico y de largo plazo, promoviendo la participación de actores y la integración de múltiples dimensiones en la planificación urbana. Por ello, este enfoque se posiciona como una herramienta útil para la toma de decisiones de política pública que contrasta con la tendencia histórica de intervenciones puntuales que suelen ser insuficientes o, incluso, contraproducentes en contextos dinámicos complejos. El potencial de la DS se extiende mucho más allá de los asentamientos informales, es aplicable a cualquier problema donde existan interdependencias no lineales, bucles de retroalimentación y retrasos temporales. Tales como: sistemas de salud pública (propagación de enfermedades, dinámica de los recursos hospitalarios e impacto de las intervenciones en salud), economía y desarrollo regional (dinámica del crecimiento económico, empleo, inversión y distribución de la riqueza), cambio climático y políticas de descarbonización (simular la interacción entre emisiones, tecnologías, políticas regulatorias y respuestas sociales), entre otros. 

A pesar de los indudables aportes del estudio, existen áreas que, desde una perspectiva de modelado avanzado y rigor científico, podrían fortalecerse en futuras investigaciones. La principal reside en el modelado y validación del comportamiento cuantitativo y cualitativo, particularmente en lo que respecta a su calibración y validación. El escaso suministro de datos es un desafío recurrente en estos contextos y si bien el uso de datos provenientes de estudios previos y encuestas comunitarias es pertinente, la ausencia de series temporales históricas limita la posibilidad de realizar validaciones empíricas más rigurosas. Avanzar hacia una reconstrucción parcial de datos históricos, o incluso la generación de variables proxies confiables, permitiría mejorar la calibración del modelo y aumentar la confianza en su capacidad predictiva. Este paso es fundamental para transitar de un modelo predominantemente explicativo a uno más útil en procesos de diseño de políticas robustas con mayor grado de certidumbre.

Otra área de mejora se relaciona con la sensibilidad y la incertidumbre del modelo. Aunque el estudio realiza pruebas de sensibilidad mediante simulaciones Monte Carlo, no se profundiza en el análisis de cómo la propagación de la incertidumbre en los parámetros clave puede afectar los resultados del modelo y, por ende, la solidez de las recomendaciones de política. Un análisis más detallado de los rangos de confianza para las proyecciones de los escenarios fortalecería la base para la toma de decisiones, reconociendo la variabilidad inherente en los sistemas socioecológicos.

2 Estudio 2

Este apartado contempla el análisis del estudio denominado “Shale Gas Transition in China: Evidence Based on System Dynamics Model for Production Prediction”. Elaborado por: Yingchao Chen, Yang Zhang. Fecha de publicación: 2025.

2.1 Introducción

En el marco de la transición hacia una economía baja en carbono, China enfrenta una creciente presión para garantizar el abastecimiento energético ante el aumento sostenido en la demanda de gas natural y las limitaciones de la oferta convencional. Ante este panorama, el gas de esquisto se perfila como una fuente estratégica para cerrar esta brecha, contribuir a la disminución de emisiones y favorecer un mayor equilibrio en la matriz energética. Sin embargo, su desarrollo presenta obstáculos técnicos, económicos y ambientales significativos. En consecuencia, este estudio tiene como propósito estimar la evolución de la producción de gas de esquisto en China hasta 2040 y analizar su impacto en la seguridad energética, considerando distintos escenarios de desarrollo y formulando recomendaciones para su aprovechamiento sostenible.

Para alcanzar estos objetivos, se emplea la metodología de Dinámica de Sistemas (SD), dada su idoneidad para representar la interacción entre múltiples factores interdependientes (inversión, tecnología, regulación y entorno ecológico) a través de bucles de retroalimentación. Esta herramienta permite simular con mayor realismo el comportamiento del sistema ante cambios en sus variables clave, superando las limitaciones de los enfoques tradicionales centrados exclusivamente en series históricas o supuestos lineales.

2.2 Descripción del Modelo de Dinámica de Sistemas

Los autores desarrollan un modelo de Dinámica de Sistemas para predecir la producción anual de gas de esquisto en China desde 2023 hasta 2040, fundamentado en un análisis causal y en diagramas de stock y flujo que describen las interacciones entre factores clave como la garantía de demanda, el desarrollo de producción, la economía de mercado y el medioambiente ecológico. El modelo incorpora 3 variables de estado: capacidad de producción actual, reservas recuperables remanentes y capacidad de transporte por gasoducto.

Las variables de flujo incluyen tasas como: construcción de nueva capacidad de producción, disminución anual de la capacidad de producción, nuevas reservas probadas,utilización de recursos y aumento de la capacidad de transporte. Las variables auxiliares y parámetros representan aspectos como demanda de gas natural, brecha entre oferta y demanda de gas natural, tasa de declive de capacidad de producción, tasa de recuperación, precio de venta, subsidio por unidad producida, costo unitario de producción, intensidad del consumo de agua, tasa de reducción y exención fiscal, beneficios económicos, inversión total, fondos de subsidio, factor de emisión de carbono y capacidad de transporte, entre otros. Estas variables permiten capturar las complejidades técnicas, económicas, regulatorias y ambientales que afectan el sistema. Las relaciones funcionales entre variables se definieron mediante un análisis estadístico multivariado, evaluación experta y referencias a modelos previos. La validación del modelo mostró una alta precisión, con un error absoluto promedio de 3.44% para el periodo 2013-2022.

En el modelo SD permite identificar cuatro ciclos de retroalimentación, tres de tipo balanceado (B) y uno de refuerzo (R). Estos ciclos permiten capturar dinámicas no lineales del sistema, reflejando cómo las interacciones entre las variables asociadas a la producción, recursos, tecnología y medioambiente pueden amplificar o atenuar la producción futura de gas de esquisto, dependiendo de si predominan efectos de retroalimentación positiva o mecanismos compensatorios. Los ciclos formados son los siguientes:

1. Ciclo de inversión por brecha de oferta (B1): un aumento en la producción de gas reduce la brecha entre oferta y demanda de gas natural, lo que incentiva mayor inversión en capacidad de producción, generando un nuevo incremento de producción de gas de esquisto.

2. Ciclo de agotamiento de reservas (B2): el aumento de producción de gas reduce las reservas recuperables, lo que motiva a nuevas inversiones para reponer capacidad productiva, retroalimentando el proceso productivo.

3. Ciclo económico-financiero (R1): un mayor volumen de producción mejora los beneficios económicos, lo que incrementa la inversión total y la capacidad productiva, elevando la producción futura de gas.

4. Ciclo ambiental-inversión (B3): a mayor producción de gas, aumentan los requerimientos de gestión ambiental, lo cual reduce recursos disponibles para inversión directa, afectando la capacidad futura de producción de gas.

Asimismo, algunas de las relaciones funcionales que estructuran las dinámicas internas del modelo y permiten simular cómo los cambios en variables clave (precios, costos, subsidios, eficiencia, entre otras) afectan el comportamiento futuro del sistema de producción de gas de esquisto en China, son las siguientes: la utilidad de inversión representa el capital disponible para expandir la producción, luego de descontar los gastos destinados a la gestión ambiental. Es decir, es la parte de la inversión total que realmente impulsa el crecimiento de capacidad. A su vez, los beneficios económicos dependen directamente del margen entre el precio de venta y el costo unitario, así como del retorno sobre la inversión, lo cual incide en la disposición del sistema para reinvertir en expansión productiva.

La inversión en gestión ambiental se incrementa en función del volumen de emisiones de carbono y del consumo total de agua, lo que refleja cómo el deterioro ambiental introduce costos adicionales que limitan la capacidad de expansión. De igual manera, la brecha entre oferta y demanda de gas natural condiciona la presión sobre el sistema: a mayor déficit, se estimula la inversión en capacidad productiva. Por otro lado, la producción efectiva se ve reducida por el declive natural de los pozos, cuya magnitud depende de la tasa de declive aplicada sobre la capacidad instalada, lo cual afecta directamente la sostenibilidad del crecimiento en el largo plazo. Estas relaciones capturan de manera coherente las interdependencias entre recursos, tecnología, economía y medioambiente.

El modelo se construye bajo varias hipótesis explícitas y razonables. Se asume que la tasa de recuperación del gas de esquisto se incrementará progresivamente como resultado de mejoras tecnológicas en perforación y fracturamiento hidráulico, mientras que la tasa de declive de capacidad de producción, el costo unitario de producción y la intensidad de consumo de agua disminuirán en el tiempo debido a los avances en técnicas de mantenimiento y extracción, mejoras en eficiencia operativa, economía de escala y reducción de barreras técnicas y mejoras en la eficiencia hídrica y tecnologías de reutilización, respectivamente. Asimismo, se considera que las relaciones funcionales entre las variables permanecen estables a lo largo del periodo de simulación (2023–2040) y que las condiciones políticas, económicas y tecnológicas evolucionan de forma predecible, sin choques externos abruptos. Estas hipótesis se establecen con base en datos históricos, estudios técnicos y tendencias de política energética en China.

2.3 Análisis de Resultados y Recomendaciones de Política Pública

El estudio simula tres escenarios prospectivos para la producción de gas de esquisto en China entre 2023 y 2040: un escenario de referencia, uno de desarrollo lento y otro de desarrollo rápido. En el escenario de referencia, la producción de gas de esquisto en China mantendría una tendencia de crecimiento estable a largo plazo y alcanzaría 724.22×10⁸m³ en 2040, con un crecimiento anual promedio del 6.3%. En el escenario optimista, caracterizado por avances tecnológicos acelerados y fuerte apoyo institucional, la producción llegaría a 951.57×10⁸m³, con una tasa de crecimiento del 8.02%. En contraste, en el escenario pesimista, con limitaciones tecnológicas y políticas menos eficaces, la producción solo alcanzaría 445.15×10⁸m³, con una tasa de 3.32%. Se evidencia que, aunque se considere el mejor escenario de producción, la participación del gas de esquisto en el consumo total de gas natural no supera el 12.07%, lo que evidencia su papel limitado como fuente dominante.

Estos resultados reflejan que, aunque el gas de esquisto puede contribuir a mitigar la creciente brecha estructural entre oferta y demanda de gas natural, su capacidad para sustituir otras fuentes sigue siendo restringida. La viabilidad de su desarrollo está condicionada a factores como la eficiencia tecnológica en exploración y fracturamiento, la disponibilidad de incentivos económicos sostenidos, la estabilidad regulatoria y la capacidad de gestión de impactos ambientales. Además, la presión sobre recursos hídricos, el agotamiento progresivo de reservas y los costos asociados a la mitigación ambiental imponen restricciones estructurales que podrían desacelerar su expansión en el mediano plazo.

Desde la perspectiva de política pública, el estudio plantea una serie de recomendaciones estructuradas en torno a las dimensiones estratégicas de recursos, tecnología, economía y medioambiente, con el objetivo de garantizar el crecimiento sostenido y sostenible de la producción de gas de esquisto en China. En primer lugar, en el aspecto de los recursos, se subraya la necesidad de priorizar la explotación de formaciones poco profundas con alto contenido de gas, que permitan una producción más estable con las tecnologías actuales mientras se desplaza gradualmente hacia formaciones más profundas. Sin embargo, dado que las formaciones profundas aún no son técnicamente viables de explotar de manera eficiente, se requiere una estrategia progresiva que combine la expansión inmediata de la capacidad productiva en áreas accesibles con la preparación gradual para operaciones más complejas.

En el componente tecnológico, el estudio propone un cambio en la dirección de la investigación hacia el desarrollo de capacidades para explotar formaciones profundas, con énfasis en alcanzar simultáneamente una alta tasa de recuperación y una gestión controlada de la tasa de declive. Desde el enfoque económico, se recomienda una política de subsidios flexible y adaptativa, junto con ajustes prudentes en los precios de venta del gas natural. Ello debido a que los instrumentos financieros tienen efectos significativos sobre la rentabilidad de los proyectos, lo que facilita la expansión del sector sin depender exclusivamente de avances tecnológicos.

Por último, el estudio enfatiza que el desarrollo del gas de esquisto debe avanzar en consonancia con los principios de sostenibilidad ambiental. Se destaca la necesidad de fortalecer los mecanismos de restauración ecológica y optimizar el uso de los recursos hídricos, especialmente en las regiones productoras que enfrentan escasez de agua. El proceso de fracturamiento hidráulico consume grandes volúmenes de agua y puede generar impactos en el aire, el suelo y los ecosistemas locales. Por ello, una gestión eficiente que promueva la reutilización y reduzca la dependencia del agua dulce se vuelve crucial para viabilizar el desarrollo del gas de esquisto sin comprometer los límites ambientales.

El modelo desarrollado ofrece una representación integral y técnicamente robusta del sistema de producción de gas de esquisto en China. Sin embargo, su aplicabilidad está limitada por la presunción de estabilidad en las relaciones funcionales, la exclusión de eventos exógenos disruptivos y la dependencia de estimaciones de los parámetros por falta de datos recopilados. Esta rigidez reduce la capacidad del modelo para capturar escenarios de alta incertidumbre, como cambios abruptos en políticas energéticas, shocks geopolíticos o avances tecnológicos inesperados.

En definitiva, aunque el gas de esquisto representa una opción viable para reforzar la seguridad energética de China y servir como una fuente de energía transicional entre el consumo de energía fósil y el consumo de energía renovable, su desarrollo debe evaluarse con cautela, considerando tanto sus oportunidades como sus límites estructurales e impactos colaterales en el entorno económico, social y ecológico.  Los hallazgos permiten comprender que el gas de esquisto debe ser considerado como un componente estratégico de apoyo en la transición energética de China, pero no como un sustituto de otras fuentes. Su desarrollo debe planificarse dentro de un enfoque integral que combine eficiencia económica, sostenibilidad ambiental y seguridad energética nacional.

2.4 Crítica y Reflexiones Finales

El principal valor del estudio radica en su capacidad para integrar de forma explícita las dimensiones interdependientes que afectan la producción de gas de esquisto en China: recursos geológicos, desempeño tecnológico, variables económicas y factores ambientales. A través de un modelo de SD, los autores logran construir una representación estructurada del sistema, con retroalimentaciones causales que permiten comprender tanto efectos de reforzamiento como de balanceo. Esta perspectiva sistémica aporta una ventaja significativa frente a los enfoques unidimensionales comúnmente empleados en estudios de proyección energética. Además, el modelo presenta una alta capacidad de replicación de datos históricos, con un error absoluto promedio del 3.44% para el periodo 2013-2022, lo que es un indicativo de consistencia estructural y lo convierte en una herramienta útil para análisis prospectivos de mediano plazo y largo plazo. 

La limitación más significativa es su fuerte dependencia de estimaciones indirectas para variables clave y altamente sensibles como la tasa de recuperación, la tasa de declive de producción y el factor de emisión de carbono, las cuales fueron definidas con base en referencias secundarias debido a la falta de datos empíricos específicos. A esto se suma, la fuerte suposición de que las relaciones funcionales entre variables permanecen estáticas a lo largo del horizonte de simulación, sin una justificación formal sobre su estabilidad estructural en el tiempo. Llama particularmente la atención que muchas de estas relaciones parecen derivarse de modelos de regresión lineal, sin que se presenten métricas estadísticas como el coeficiente de determinación, errores estándar, intervalos de confianza u otras métricas de desempeño predictivo dentro y fuera de muestra. Esto plantea serias inquietudes sobre la robustez de las estimaciones, especialmente en un contexto de alta complejidad y no linealidad como el de los sistemas energéticos. En consecuencia, sería fundamental incorporar análisis de sensibilidad estructural y validaciones cruzadas, que permitan evaluar la estabilidad de los coeficientes y cuantificar la incertidumbre asociada a estas relaciones funcionales consideradas. 

El estudio confirma que la dinámica de sistemas es una herramienta poderosa para abordar problemas estructurales donde confluyen múltiples dominios de decisión como los relacionados con la transición energética. Además, ofrece valiosas lecciones sobre la identificación y gestión de variables clave que condicionan el comportamiento del sistema energético en el largo plazo. En este sentido, la dinámica de sistemas no solo permite anticipar trayectorias futuras, sino también desentrañar la arquitectura causal que sustenta dichas dinámicas, lo cual resulta fundamental para diseñar políticas públicas adaptativas, coherentes y fundamentadas en evidencia empírica.

3 Estudio 3

En este apartado se realiza el análisis del estudio nombrado “Prediction and Evaluation of Industrial Land Intensive Use: Adding Policy Impact to System Dynamics Model”. Elabrado por: Jiaojiao Luo , Yuzhe Wu, Liang Zhang. Fecha de Publicación: 2024.

3.1 Introducción

En un contexto de creciente presión sobre el uso del suelo para el desarrollo urbano en China, caracterizado por la tensión entre el desarrollo económico, el uso intensivo de suelo industrial y la protección ambiental. Existe una escasez creciente de suelo urbano y baja eficiencia del uso industrial del suelo en muchas regiones, como el caso de Yiwu, por lo que se requiere desarrollar mecanismos y políticas que promuevan una utilización más intensiva y eficiente del suelo industrial, compatibilizando el crecimiento económico con la protección del medio ambiente y el bienestar social. Esto implica comprender las relaciones complejas entre las políticas gubernamentales, las prácticas empresariales, la participación social y los factores económicos y ambientales que influyen en el nivel de uso intensivo del suelo industrial. En consecuencia, el objetivo principal del estudio es construir un modelo para predecir y evaluar el uso intensivo del suelo industrial (IUIL) a lo largo del tiempo, identificando los obstáculos, determinantes clave y políticas públicas que impactan su desarrollo.

La elección de Dinámica de Sistemas como enfoque metodológico responde a la necesidad de representar interacciones complejas, efectos acumulativos y retroalimentaciones entre variables económicas, sociales, espaciales y ambientales. A diferencia de métodos estáticos como DEA o Tobit, esta herramienta permite simular comportamientos dinámicos del sistema bajo distintas condiciones de política, identificando con mayor claridad los impactos a mediano y largo plazo de las decisiones gubernamentales sobre el uso del suelo industrial.

3.2 Descripción del Modelo de Dinámica de Sistemas

Los autores desarrollan un modelo de Dinámica de Sistemas (SD) para evaluar y predecir el nivel de uso intensivo del suelo industrial (IUIL) en la ciudad de Yiwu en un horizonte temporal desde 2022 hasta 20235, a través de un enfoque que integra impactos de políticas públicas desde tres frentes: oferta, utilización y supervisión. Estas dimensiones reflejan la lógica de intervención gubernamental sobre el mercado del suelo industrial: la oferta regula la expansión y asignación del recurso suelo; la utilización mejora la eficiencia de los factores productivos sobre el suelo ya asignado; y la supervisión busca controlar externalidades negativas asociadas al uso extensivo o contaminante del suelo. 

El modelo está compuesto por cinco subsistemas interrelacionados mediante 36 variables que representan los principales determinantes del IUIL. El subsistema económico modela el valor agregado industrial, la densidad de inversión, el empleo industrial y el efecto de las reformas de mercado; el subsistema poblacional incluye la evolución de la población permanente, influenciada por tasas de natalidad, mortalidad y urbanización, así como la presión demográfica sobre la demanda de suelo urbano e industrial; el subsistema territorial representa la evolución del suelo industrial y urbano construido, la razón de edificación (floor area ratio) y el proceso de urbanización física; el subsistema ambiental incorpora la producción y acumulación de residuos sólidos industriales, la intensidad de regulación ambiental y los beneficios ecológicos derivados del control de contaminantes. Finalmente, el subsistema de uso intensivo sintetiza las interacciones de los anteriores mediante cuatro dimensiones: intensidad de insumos, intensidad de utilización, beneficio económico y beneficio ambiental, las cuales se combinan para generar el índice compuesto de uso intensivo del suelo industrial.

Este índice mide de forma integral y dinámica el nivel de eficiencia y sostenibilidad en el uso del suelo industrial en un contexto urbano y permite capturar la complejidad del sistema desde la eficiencia en el uso del capital y la mano de obra, hasta el grado de aprovechamiento físico del suelo, la productividad por unidad de área y el control de impactos negativos sobre el medio ambiente. El modelo es validado mediante verificación estructural y comparación con datos históricos, logrando errores aceptables en las predicciones que oscilan entre el 1% y el 5%,, lo que demuestra un elevado grado de fiabilidad.

El modelo identifica seis ciclos de retroalimentación principales que representan la dinámica interna del uso intensivo del suelo industrial. Estos bucles capturan relaciones causales donde el cambio en una variable provoca efectos en otras, que a su vez retroalimentan al sistema reforzando o contrarrestando el efecto inicial. Cada ciclo parte de una intervención de política pública, cuyo impacto se propaga en el sistema a través de mecanismos intermedios que afectan la eficiencia, densidad, sostenibilidad o productividad del uso del suelo industrial. A continuación, se explica la lógica causal de algunos de esos ciclos de retroalimentación:

1. Impacto de reforma orientada al mercado 1 (B1): la lógica de este ciclo parte de la hipótesis de que la intervención del mercado, mediante algún mecanismos de asignación competitiva del suelo, reduce el exceso de suelo industrial disponible. Esta reducción en la oferta presiona a las empresas a aprovechar mejor el espacio disponible, aumentando la inversión y el empleo por unidad de superficie (intensidad de insumos). Esto genera un aumento del IUIL, lo que en el mediano plazo reduce la necesidad de intervención de mercado adicional, cerrando así el ciclo en forma de retroalimentación negativa o balanceada.

2. Impacto de reforma orientada al mercado 2 (B2): en este ciclo, el gobierno incrementa la razón de construcción (floor area ratio) a través de controles de planificación, promoviendo una mayor área construida sobre la misma base de suelo. Esto reduce la tierra per cápita utilizada, elevando la intensidad de utilización. Como resultado, el IUIL aumenta. Si esta mejora se mantiene, la presión por planificar aún más se reduce, cerrando el ciclo con una lógica correctiva. Este bucle también opera como una retroalimentación balanceada: impulsa la eficiencia, pero con un límite físico (saturación del espacio).

3. Impacto de control de planificación (B3): en este ciclo, la política parte de identificar empresas o parcelas con bajo rendimiento económico, las cuales son penalizadas con retiro de suelo o restricciones operativas. Esta medida reduce el área total de suelo industrial disponible, lo que indirectamente eleva los beneficios económicos por unidad de suelo restante (por aumento de eficiencia). Como consecuencia, el IUIL mejora. A medida que aumenta el rendimiento general del sistema, la necesidad de intervención punitiva disminuye, cerrando el ciclo. Aquí la lógica causal es de corrección de ineficiencia mediante presión regulatoria, generando un bucle de estabilización.

4. Impacto de regulación ambiental (B4): este ciclo inicia con una intensificación de las políticas ambientales, como normas más estrictas o incentivos a la producción limpia. Esto reduce la generación de residuos sólidos industriales, mejorando los beneficios ecológicos del sistema. A medida que el entorno mejora, se incrementa la dimensión ambiental del IUIL. En el largo plazo, un mejor desempeño ambiental reduce la presión regulatoria, completando la retroalimentación. Este bucle funciona con lógica de incentivos correctivos: la mejora ambiental reduce la necesidad de intervención futura, estabilizando el sistema.

En su conjunto, los ciclos de retroalimentación operan bajo una lógica de ajuste progresivo, donde cada intervención, ya sea una reforma de mercado, planificación territorial, sanción correctiva o regulación ambiental, incide sobre variables estructurales del sistema, como la asignación del suelo, la intensidad de inversión, la eficiencia productiva o el control de residuos. Estas intervenciones desencadenan respuestas en el sistema que no son inmediatas ni unidireccionales, sino que generan efectos acumulativos que se retroalimentan. Dependiendo de la naturaleza del ciclo, estos efectos pueden actuar como mecanismos estabilizadores (bucles balanceados), corrigiendo ineficiencias, o como mecanismos de refuerzo en etapas iniciales de crecimiento, amplificando el impacto de la política.

La coexistencia de interacciones de múltiples ciclos permite al modelo representar trayectorias dinámicas y no lineales, donde el desempeño del IUIL es el resultado emergente de la interacción entre condiciones iniciales, secuencias causales y grado de intervención pública. Este enfoque causal es esencial para comprender por qué determinadas políticas son más eficaces cuando se implementan de forma coordinada, y por qué sus efectos dependen no solo del tipo de instrumento aplicado, sino también del momento y la estructura sobre la que se actúa. Así, el modelo no solo cuantifica resultados, sino que revela cómo las dinámicas internas del sistema pueden amplificar, neutralizar o incluso revertir los efectos esperados de una intervención aislada.

El modelo se construye sobre un conjunto de hipótesis clave que permiten su funcionamiento interno y su coherencia estructural. Se asume que las relaciones causales entre variables, como la conexión entre insumos y producción, o entre políticas e incentivos, permanecen estables durante el periodo 2022-2035, sin alteraciones externas significativas. Además, se parte del supuesto de que los agentes económicos actúan racionalmente en respuesta a incentivos o restricciones, ajustando su comportamiento de forma predecible. Las políticas públicas, a su vez, se consideran efectivas y cuantificables en sus impactos, como en el caso de las reformas de mercado o las regulaciones ambientales. El modelo emplea una representación agregada del sistema urbano-industrial, lo que implica cierta homogeneización de las dinámicas institucionales y empresariales; Finalmente, se establece un límite superior para el índice IUIL en 70 puntos, con el fin de evitar resultados artificiales de saturación. Estas hipótesis garantizan la estabilidad del modelo, aunque también acotan su aplicabilidad en contextos de alta incertidumbre o institucionalmente diversos.

3.3 Análisis de Resultados y Recomendaciones de Política Pública

El estudio utiliza un modelo de SD para simular la evolución del IUIL bajo distintos escenarios de política pública, revelando cómo la interacción entre decisiones desde la oferta, la utilización y la supervisión ambiental determina el comportamiento del sistema en el largo plazo. Los resultados muestran que, si bien las intervenciones individuales pueden mejorar dimensiones específicas del IUIL, como la eficiencia económica o el desempeño ambiental, la combinación de políticas es la que genera efectos más robustos, equilibrados y sostenidos. En el escenario de intervención integrada, que reúne medidas orientadas al mercado, planificación territorial, controles de eficiencia productiva y regulación ambiental, se alcanzan las mayores mejoras simultáneas en insumos, utilización, beneficios económicos y beneficios ecológicos. Para 2035, el IUIL bajo este escenario, supera en un 7.9% al escenario base, lo cual evidencia un efecto acumulativo derivado de la coordinación y sinergia entre instrumentos.

Las políticas desde el lado de la oferta (reformas de mercado y control de expansión del suelo) elevan la intensidad de uso y el rendimiento económico, pero tienden a intensificar los impactos ambientales si no se complementan con regulación ecológica. Por su parte, las políticas punitivas enfocadas en el uso del suelo inducen una mejora significativa en todas las dimensiones, al generar presión directa sobre empresas con bajo desempeño, pero requieren un marco institucional sólido para evitar efectos regresivos. Las políticas exclusivamente ambientales, si bien efectivas en la mejora del beneficio ecológico, tienen un alcance limitado cuando se aplican de forma aislada, debido a que no modifican las estructuras económicas ni las lógicas de ocupación territorial.

Las recomendaciones de política pública están orientadas a mejorar el uso intensivo del suelo industrial de forma sostenible, eficiente y estructuralmente coherente. La primera línea de acción se dirige a la oferta de suelo, donde se propone una regulación más estricta sobre la escala y ritmo de expansión del suelo industrial. En lugar de continuar habilitando nuevas áreas, se sugiere fortalecer los mecanismos de asignación basados en el mercado, consolidar reformas en los derechos de uso del suelo y, sobre todo, promover políticas de renovación y reutilización del suelo ya desarrollado. Esto no solo permitiría contener el crecimiento disperso y poco eficiente, sino también generar presión para que los espacios existentes sean aprovechados de forma más productiva.

En segundo lugar, el estudio recomienda implementar estándares mínimos de eficiencia en el uso del suelo, mediante indicadores exigibles como el nivel de producción o el valor fiscal generado por unidad de superficie. Esta propuesta se sustenta en los resultados del escenario de política punitiva, donde la aplicación de umbrales de desempeño desencadenó mejoras significativas en todas las dimensiones del IUIL. Las medidas correctivas orientadas al uso permitirían reconfigurar el patrón productivo, favoreciendo actividades con mayor densidad económica y tecnológica y desincentivando aquellas que presentan bajos niveles de aprovechamiento del suelo disponible.

Una tercera línea de intervención se centra en la supervisión ambiental, la cual según los resultados del modelo, tiene un efecto directo sobre la dimensión ecológica del IUIL. Se recomienda reforzar la regulación sobre la generación de residuos industriales, establecer límites más estrictos por unidad de superficie y fomentar el uso de tecnologías limpias. Aunque este tipo de políticas no genera por sí sola mejoras en las dimensiones económicas o espaciales, resulta esencial para garantizar que la intensificación del uso del suelo no se traduzca en mayores presiones sobre el entorno natural.

En definitiva, los resultados del modelo sugieren que la efectividad de las políticas no solo depende de su tipo, sino también de su intensidad, persistencia y grado de articulación. Las intervenciones débiles o poco coordinadas tienden a generar mejoras transitorias, mientras que las políticas combinadas mantienen trayectorias ascendentes del IUIL a lo largo del horizonte simulado. Esta evidencia respalda la necesidad de un enfoque integral en la planificación del suelo industrial, donde la reforma del sistema de asignación, la fiscalización de la eficiencia y la supervisión ambiental se conciben como mecanismos complementarios. Además, el modelo permite observar que el impacto de cada política varía según el momento y las condiciones del sistema, lo que refuerza la utilidad de la dinámica de sistemas como herramienta para diseñar intervenciones adaptativas y basadas en evidencia en entornos urbanos e industriales complejos.

3.4 Crítica y Reflexiones Finales

El modelo de Dinámica de Sistemas desarrollado por los autores permite capturar de forma robusta la naturaleza interdependiente y no lineal del uso intensivo del suelo industrial, integrando dimensiones económicas, ambientales, institucionales y demográficas. El enfoque sistémico es adecuado para representar las retroalimentaciones causales entre políticas públicas y el comportamiento del sistema urbano-industrial, especialmente en un contexto como el de Yiwu, caracterizado por la escasez de suelo y la presión por crecimiento industrial. La inclusión explícita de políticas desde la oferta, la utilización y la supervisión, así como la construcción de escenarios multivariantes, proporciona una plataforma valiosa para explorar intervenciones diferenciadas y sus trayectorias a lo largo del tiempo.

Sin embargo, la formulación de relaciones funcionales está basada en gran medida en regresiones lineales y supuestos de comportamiento estable, lo cual implica que los efectos marginales entre variables, es decir el impacto de una variación unitaria en una variable explicativa sobre la variable respuesta, se mantienen constantes durante todo el horizonte de simulación, sin considerar posibles umbrales, no linealidades o cambios en los comportamientos de los agentes ante nuevas condiciones. Esta rigidez reduce la capacidad del modelo para capturar rupturas estructurales, como adaptaciones tecnológicas, transformaciones institucionales o reacciones del mercado frente a políticas acumulativas.

Además, aunque la validación del modelo con datos históricos de Yiwu respalda su coherencia estructural y capacidad de replicar comportamientos pasados, su calibración está estrechamente adaptada a las características económicas, institucionales y territoriales específicas de dicha ciudad. Esto implica que la transferencia del modelo a otros contextos urbanos o regiones con dinámicas industriales distintas requeriría ajustes sustantivos en las relaciones funcionales, parámetros de entrada y configuración de políticas. La dependencia de datos y supuestos locales reduce su capacidad de generalización directa, especialmente en entornos donde las estructuras de gobernanza, los marcos regulatorios o las presiones territoriales difieren significativamente. Por tanto, aunque el modelo ofrece un marco metodológico replicable, su aplicabilidad a otros casos exige un proceso riguroso de recalibración y validación del contexto. 

El uso de un índice compuesto para medir el IUIL es adecuado, pero se podría profundizar en la validación de los pesos asignados a cada dimensión. Aunque se emplea el AHP, no se explica con claridad la robustez de esa ponderación ni su sensibilidad frente a cambios en los supuestos. Asimismo, el modelo podría beneficiarse de la incorporación de mecanismos de calibración más sólidos y de validaciones cruzadas con otros métodos, como análisis contrafactuales o simulaciones en otras ciudades comparables, lo cual fortalecería su capacidad de replicabilidad.

Finalmente, una de las principales lecciones del estudio es el valor de la dinámica de sistemas para estructurar problemas complejos de política pública que involucran múltiples actores, objetivos y horizontes temporales. Este enfoque permite no solo anticipar los efectos de un escenario, sino también identificar puntos de apalancamiento y secuencias de intervención que podrían no ser evidentes en modelos estáticos o lineales. Su aplicación podría extenderse con provecho a otros dominios urbanos críticos, como la gestión del agua, la vivienda o la planificación energética, especialmente en contextos de presión por crecimiento y transición hacia modelos más sostenibles.