Etapa de pronóstico#
La etapa de pronóstico se refiere al análisis de la evolución de los conflictos ambientales y las vulnerabilidades que resultan de las dinámicas socioambientales, por ejemplo, la degradación de los atributos ambientales que determinan la aptitud del territorio para el desarrollo de las actividades sectoriales.
A continuación, se exponen brevemente las principales herramientas analíticas utilizadas por el equipo técnico del LANCIS para desarrollar la etapa de pronóstico del Programa de Ordenamiento Ecológico del estado de Yucatán.
Simulación K#
La simulación K (KSIM, por Kane 1972), es una técnica de modelación exploratoria cualitativa. La modelación exploratoria es el proceso que responde a la pregunta “¿qué pasaría si…?”. Este tipo de modelación permite investigar, crear y probar condiciones del sistema en un tiempo futuro bajo una serie de conjeturas preestablecidas. Es decir, permite visualizar qué pasaría en el sistema en diferentes cursos de acción sobre sus componentes. Los modelos exploratorios usan los datos disponibles y el poder de cómputo para realizar una serie de experimentos para visualizar y analizar múltiples posibilidades de evolución de un sistema bajo una gama de condiciones. Los productos de estos modelos pueden servir como base para las discusiones y la evaluación de las consecuencias de posibles intervenciones y, por lo tanto, son un sustento para decisiones más racionales e informadas.
Si quieres saber más sobre modelación y simulación dinámica de sistemas socioambientales, descarga el manual
aquíSi quieres explorar los ejemplos desarrollados en el manual, descarga los siguientes archivos de excel:
Si quieres explorar otros ejercicios similares, descarga los siguientes archivos de Excel:
La KSIM se construye a partir de dos matrices, alpha y beta, que representan los efectos de corto y largo plazo, respectivamente. El proceso de modelación consiste en que los modeladores lleguen a consensos sobre la estructura actual de un sistema mediante la selección de variables y las relaciones causa-efecto entre estas. A partir de dichas relaciones, se construyen matrices de interacción y se generan gráficas de el comportamiento del sistema para un periodo de tiempo determinado.
Ejemplo del comportamiento medio de seis variables calibradas en KSIM para siete regiones de Yucatán#
La KSIM con simulación estocástica, como la Simulación de Montecarlo, permite obtener múltiples escenarios futuros. Para realizar esta simulación, el complemento de Excel Crystal Ball es ideal, pues permite cambiar los parámetros y variables con funciones de probabilidad definidas en las interacciones y valores iniciales de las variables del modelo.
Si quieres explorar un ejemplo de KSIM con Crystal Ball ve a la página https://www.oracle.com/applications/crystalball/ para obtener la licencia e información sobre su operación, y descarga los siguientes archivos de Excel:
Si quieres visualizar en RStudio los resultados de la simulación (del tipo
base de datos) descarga elmarkdown
Ejemplo de la Simulación de Monte Carlo de seis variables calibradas en KSIM para una región de Yucatán#
Referencias
Burns, J. R., & Marcy, W. M. (1979). Causality: Its characterization in system dynamics and KSIM models of socioeconomic systems. Technological Forecasting and Social Change, 14(4), 387–398. https://doi.org/10.1016/0040-1625(79)90036-2
Kane, J. (1972). A primer for a new cross-impact language- KSIM. Technological Forecasting and Social Change, 4(2), 129–142. https://doi.org/10.1016/0040-1625(72)90010-8
Kane, J., Vertinsky, I., & Thomson, W. (1973). KSIM: A methodology for interactive resource policy simulation. Water Resources Research, 9(1), 65–79. https://doi.org/10.1029/WR009i001p00065
Mohapatra, P. K. J., & Vizayakumar, K. (1989). Revisiting causality in system dynamics and KSIM models. Technological Forecasting and Social Change, 36(4), 363–387. https://doi.org/10.1016/0040-1625(89)90029-2
Árboles de clasificación#
“Árboles de Clasificación y de Regresión” (CART, Classification And Regression Trees) es un enfoque de aprendizaje supervisado utilizado en estadística, minería de datos y aprendizaje automático. En esencia, CART se trata de hacer particiones a un banco de datos para dar con un esquema de bifurcaciones anidadas, de tal forma que cada rama representa la clase que agrupa al subconjunto de casos que cumplen con ciertas propiedades o condiciones. Este enfoque es particularmente útil para analizar los resultados de la modelación exploratoria en subconjuntos que develen las circunstancias en la que el sistema socioambiental se torna vulnerable a una transición crítica.
Ejemplo de CART#
Si quieres explorar la obtención de CART mediante la selección de relaciones causa-efecto, ve al siguiente repositorio:
Referencias
Breiman, L., Friedman, J., Stone, C. J., Olshen, R. A. (1984). Classification and regression trees (CRC press).
Bryant, B. P., & Lempert, R. J. (2010). Thinking inside the box: A participatory, computer-assisted approach to scenario discovery. Technological Forecasting and Social Change, 77(1), 34–49. https://doi.org/10.1016/j.techfore.2009.08.002
Kwakkel, J. H., Walker, W. E., & Marchau, V. A. W. J. (2010). Classifying and communicating uncertainties in model-based policy analysis Classifying and communicating uncertainties in model-based policy analysis. September 2014. https://doi.org/10.1504/IJTPM.2010.036918