UNIVERSIDAD DE SAN PABLO -T INSTITUTO DE DESARROLLO E INNOVACION TECONOLOGICA PARA LA COMPETITIVIDAD AGROINDUSTRIAL Y REGIONAL

LICENCIATURA EN GESTIÓN DE EMPRESAS AGROINDUSTRIALES

SOCIOLOGÍA AGRARIA Y EXTENSIÓN

SISTEMAS Y MODELOS EN AGRICULTURA LA TEORIA GENERAL DE SISTEMAS Y SU APLICACION.

1

SISTEMAS Y MODELOS EN AGRICULTURA LA TEORIA GENERAL DE SISTEMAS Y SU APLICACION. * Raúl Venegas, V. **Claudio Aguilar, G. *CENTRO DE EDUCACION Y TECNOLOGIA. ** PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE.

Diversos autores están de acuerdo en establecer que hasta principios de siglo la ciencia contemporánea en occidente, ha estado enmarcada por un modo de pensar que colocaba el conocimiento científico riguroso y detallado por encima de cualquier otra consideración. En consecuencia el desarrollo del conocimiento científico evolucionó de acuerdo a las bases impuestas por Galileo y Newton, las que podían manejar relaciones simples entre fuerzas o cuerpos, presentando en consecuencia una imagen del universo reducida a obedecer tales relaciones. La ciencia Newtoniana consideraba al universo físico como un mecanismo gigante que seguía las leyes deterministas de movimiento. Este enfoque llevó a que prevaleciese en las ciencias un concepto reduccionista y mecanicista. El reduccionismo implica reducir el fenómeno en estudio a sus partes constitutivas, suponerlas independientes unas de otras y analizarlas aisladamente para explicar sus comportamientos, para luego reunir sus explicaciones encontradas separadamente y concluir que esa suma explica el comportamiento del fenómeno como un todo. Por su parte el mecanicismo supone que los fenómenos pueden ser explicados en términos de relaciones mecánicas causa -efecto, aunque para eso sea necesario reducirlos a p roblemas de dos variables, cadenas causales lineales, una causa y un efecto o cuando mucho unas pocas variables más. La adopción de las ideas reduccionistas mecanicistas por parte de las ciencias biológicas y sociales entre ellas las ciencias agrícolas, tuvo dos efectos importantes: a)El fraccionamiento de un fenómeno en sus partes para el estudio separado de cada una de ellas, trajo como consecuencia que el conocimiento ganase en profundidad lo que perdió en amplitud, alejándose de los problemas del mundo real. b) El fraccionamiento de los fenómenos estudiados causó el desarrollo de un número creciente de disciplinas cada vez más especializadas e independientes y con problemas crecientes de comunicación.

2

La teoría de sistemas. A partir de principios de siglo comenzó una reacción contra el reduccionismo y mecanicismo, que afectó a ciencias como las físicas en las cuales habían demostrado ser exitosos. De esta forma, mientras la relatividad se desarrolló en al campo de la física, la teoría cuantica en la microfísica, las ciencias biológicas se apartaron del vitalismo para buscar una teoría más aceptable de la vida. En contraposición al reduccionismo y al mecanicismo, el expansionismo, la teleología y la síntesis son reconocidos por muchos autores como las vías para alcanzar una mejor comprensión del mundo. En otras palabras, la ciencia actual intenta conocer las partes a través del conocimiento del todo. Lo que no significa, sin embargo desarrollar una teoría general del todo sino que entre lo específico que carece de significado y lo general que no tiene contenido , debe existir para cada propósito y en cada nivel de abstracción un grado óptimo de generalidad. Boulding, (1977). El expansionismo es el reverso del reduccionismo, pues está más interesado en las partes como componentes del todo que en las partes en sí mismas y ve el todo como un sistema compuesto por un conjunto de partes interrelacionadas. En consecuencia este enfoque supone que el sistema es un todo indivisible y que no es meramente la s uma de sus partes, por lo que no admite para su estudio el enfoque reduccionista y exige por lo tanto un tratamiento multidisciplinario. Este enfoque fue esbozado primeramente en 1937 y luego en posteriores publicaciones con el nombre de teoría general de sistemas por Von Bertalanffy (1977). La Teoría General de Sistemas intenta apoyada en enfoques expansionistas y teleológicos, un acercamiento entre la matemática pura y las ciencias empíricas, es decir, que busca un compromiso entre la descripción pura mente cualitativa y puramente cuantitativa de un fenómeno Rountree, (1977) como forma de encontrar su propia estructura. La investigación de sistemas. Según Betch (1974) existen muchas definiciones de sistemas, tal vez la idea de mayor potencia al respecto es aquélla que define a los sistemas como “un arreglo de componentes físicos o un conjunto o colección de cosa conectadas o relacionadas de tal manera que forman o actúan como

3

una unidad, como un todo”. Esta definición considera al sistema “internamente”, ya que cuando lo hace “externamente” es necesario agregar que un sistema está dinámicamente relacionado con el medio externo, es decir continuamente sujeto a mudanzas Gastal, (1977). En la definición anterior hay dos puntos claves : arreglo y actúan , los cuales implican dos características de cualquier sistema : estructura y función. Todo sistema tiene una estructura relacionada con el arreglo de los componentes que lo forman y tiene una función relacionada con como “actúa” el sistema. En resumen, se puede definir un sistema, como un arreglo de componentes que funciona como una unidad. Los elementos de un sistema. De la definición de sistemas obviamente se deduce que los elementos que lo forman son los componentes. Si la unidad formada por los componentes funciona sin tener interacción con otros componentes del ambiente que rodea la unidad, el sistema se define como cerrado. Este concepto de cerrado es como el concepto de vacío o de los gases ideales de las ciencias físicas: no existen en la realid ad, pero como concepto presenta utilidad. En el mundo real los sistemas son abiertos es decir, tienen interacción con el ambiente. Esta interacción resulta en entradas y salidas a la unidad. Al observar fenómenos reales y definir conjuntos de componentes que forman unidades, las fronteras entre unidades constituyen los límites de cada sistema . Elementos que conforman un sistema. *Componentes. *Interacción entre componentes *Entradas *Salidas *Límites Los componentes de un sistema son los elementos básicos del sistema por ejemplo, los ladrillos, las tejas, tuberías y rejas de una casa. Si un organismo animal es un sistema , los huesos, la sangre, son entonces los componentes. La interacción entre los componentes de un sistema es lo que proporciona las características de la estructura a la unidad. En esto reside la diferencia entre un montón de ladrillos y tejas y una casa. El montón tiene

4

básicamente los mismos componentes que la casa, pero la interacción entre los componentes es lo que proporcio na la estructura y la forma a la casa. Las entradas y salidas de un sistema son los flujos que entran y salen de la unidad. El proceso de recibir entradas y producir salidas es lo que da función a un sistema, así como un motor que tiene la función de mover a un automóvil es un sistema que toma gasolina (entrada) y produce energía mecánica, (salida) que lo mueve. Los límites de un sistema, son a veces difíciles de determinar, debiéndose tomar en cuenta dos pautas en la definición de los limites de un sistema; el tipo de interacción entre componentes y el nivel de control entre entradas y salidas. Al analizar fenómenos reales, se puede ver que algunos de los componentes de éstos, van a tener interacciones directas y otros solamente interacciones indirectas entre sí. Por ejemplo, si se considera a los habitantes individuales de una ciudad, como componentes, un estudio de la población indicaría que algunos individuos tienen contactos directos (Familias etc) y forman conjuntos de individuos. Sin embar go, estos sólo tienen relaciones indirectas con otros individuos de la ciudad. Estos conjuntos de individuos con relación directa entre sí forman sistemas con límites que se han definido por el criterio del tipo de interacción. Cuando un flujo sale de un componente y entra a un conjunto de componentes y el conjunto no tiene control sobre la entrada del flujo, se puede asumir que este flujo es una entrada a un sistema, y que existe un límite entre la unidad que produce flujo (salida) y la unidad que lo rec ibe, la entrada. ELEMENTOS DE UN SISTEMA

LIMITES DEL SISTEMA COMPONENTE -A

ENTRADAS

INTERACCION AXBI

SALIDAS

COMPONENTE -B

5

Estructura de un sistema. La estructura de un sistema depende de las siguientes características relacionadas con los componentes de un sistema: Número de componentes Tipo de componentes Arreglo entre componentes El número de componentes es simplemente la cantidad de elementos básicos que interactúan para constit uir el sistema. Los ecosistemas o los agrosistemas pueden tener números diferentes de poblaciones animales y vegetales interactuando. Las características de un componente individual puede tener mucha influencia sobre la estructura de un sistema. Por ejemplo la presencia de un animal grande (componente ) dentro de un ecosistema influye en la cadena de alimentos (estructura ) del sistema. El arreglo entre los componentes de un sistema es tanto o más importante que el número y tipo de componentes, a pesar de la influencia de ellos en la estructura del sistema. El número y tipo de componentes impone ciertos límites a los tipos de interacción que pudieran ocurrir dentro de un sistema, pero en muchos casos los mismos componentes pudieran estar relacionados en distintos arreglos. Las relaciones entre los componentes pueden ser del tipo cadena directa, en la cual una salida de un componente es una entrada de otro; del tipo cadena cíclica, en la cual hay una retroalimentación; y del tipo competitivo, en la cual dos componentes compiten por la misma entrada. Dependiendo de la complejidad del sistema se pueden identificar una o todas estas interacciones. Un ejemplo de sistema con cadena directa es la cadena trófica de un ecosistema. Vegetales -Herbívoros-Carnívoros, ejemplo de cadena cíclica son el ciclaje de nutrientes dentro de un ecosistema. En muchos de estos sistemas es frecuente la competencia entre sus componentes. También se dan relaciones entre componentes y flujos que entran y salen de los componentes. Hay dos casos de autocontrol: uno es aquel en que un

6

componente regula su propia entrada, otro en que un componente regula su propia salida. Otra relación entre componentes y flujos es aquella en que un componente controla el flujo entre otros dos componentes. RELACION ENTRE COMPONENTES

CADENA DIRECTA

CADENA CICLICA

COMPETENCIA

7

RELACIONES ENTRE COMPONENTES Y FLUJOS

AUTOCONTROL NEGATIVO

AUTOCONTROL POSITIVO

REGULACION INTERCOMPONENTE

8

Las relaciones entre componentes y entre componentes y flujos producen el arreglo característico de un sistema. Si al arreglo se suma el tipo y número de componentes, el resultado es la estructura del sistema. Esta estructura está muy ligada con la función del sistema.

Función de un sistema. La función de un sistema dado, siempre se define en términos de procesos. La función esta relacionada con el proceso de recibir entradas y producir salidas, este proceso se puede caracterizar usando criterios diferentes, tal vez los de mayor importancia son: Productividad Eficiencia Variabilidad La producción bruta de un sistema es una medida de la salida del sistema, casi siempre es necesario incluir unidades de tiempo ( por ej. kg/dia) y en muchos casos una unidad que da información sobre superficie (por ej. Kg./dia/ha.) La producción neta de un sistema correspond e a las salidas restando las entradas. La eficiencia es una medida que toma en cuenta las cantidades de entradas y salidas de un sistema, la eficiencia es la salida dividida por la entrada. Por ejemplo si entran 10 Kcal. a un sistema y salen 5 Kcal. en el producto la eficiencia de convertir calorias en producto es de 0,5. (5/10. La variabilidad es un concepto que toma en cuenta la probabilidad en la cantidad de salidas. Sí en un tiempo dado un sistema tiene una salida de 5 10 unidades de producto y otr o sistema tiene una salida que varía entre 2 -13 unidades de producto por día, claramente el primer sistema tiene una ventaja sobre el segundo ya que tiene menos variabilidad en su producción de unidades de producto final. Las características de la función, como productividad, eficiencia y variabilidad son un resultado directo de las características de estructura de un sistema. Analizar un sistema no es otra cosa que relacionar la estructura con la función de ese sistema.

9

LOS SISTEMAS AGRICOLAS. Según Spedding la definición de sistemas es válida para los sistemas agrícolas, ya que estos sólo se distinguen en que persiguen un propósito agrícola. Clasificación de los sistemas agrícolas. De acuerdo con Spedding 1975, las bases para la clasificación de sistemas agrícolas son variadas, aunque la más importante es aquella que toma en cuenta los propósitos que considera la producción agrícola.

Conceptualización de los sistemas agrícolas. Spedding 1975, sostiene que un sistema agrícola deberá inclui r los siguientes conceptos: a) Un propósito:

aquel por el cual el sistema es operado.

b) Una frontera:

que marca que está dentro del sistema queda fuera del mismo.

c) El contexto:

el ambiente externo en el cual funciona el sistema.

d) Los componentes:

principales constituyentes que aparecen relacionados para formar el sistema.

e) Las interacciones:

las relaciones entre los componentes.

f) Los recursos:

componentes comprendidos en el sistema y que son utilizados para su funci onamiento.

g) Los insumos:

empleados por el sistema pero que tienen origen externo al mismo.

h) Los productos: y) Los subproductos:

el resultado esperado de la operación del sistema. productos útiles aunque obtenidos incidentalmente.

y que

10

Valderas, (1988) indica algunas funciones que debieran cumplir las unidades para ser consideradas sistemas o subsistemas: 1. - Función de producción: Relacionada con el uso de los recursos y su transformación en productos, con el mayor nivel de eficiencia. P ara el caso agropecuario esta función estará dada por la producción vegetal, animal y los subproductos agropecuarios. 2. - Función de apoyo: Provee al sistema de los insumos necesarios para el cumplimiento del proceso de producción, además, exporta los productos al medio con el fin de volver a ingresar los insumos necesarios. Es decir relaciona al sistema con su medio ambiente. 3. - Función de mantención: Permite que los elementos del sistema permanezcan dentro de él y se comporten dentro de rangos que no amenacen su supervivencia. 4. - Función de adaptación: Encargada de que el sistema actúe adecuadamente frente a los continuos cambios provocados por el medio ambiente. 5. - Función de dirección: Encargada de la coordinación de las funciones y de la toma de decisiones para él cumplimento de los objetivos propuestos. Representación simplificada de la operación de un sistema de producción lechera. (Spedding 1975.

FUENTE DE RECURSOS

A

B

PRODUCTOS

SALIDA DE PRODUCTOS

LIMITE DEL SISTEMA BIOLOGICO

LIMITE DEL SISTEMA AGRICOLA

La figura anterior muestra un esquema simplificado de un sistema de producción de leche que incluye los conceptos anteriormente señalados. En este caso el propósito es la producción de leche (a) aunque aparece la producción de carne como un subproducto (y) de la operación del sistema.

11

Las fronteras del sistema están (b) representadas por los límites de la finca lechera mientras que el contexto © esta constituido por el marco social económico y político en el cual el sistema se desenvuelve. La pradera y el rebaño lechero representados por A y B en el esquema, constituyen los componentes del sistema (d) afectados por interacciones (e) indicadas por las flechas que indican direcciones contrarias. La acción de insumos (g), por ejemplo fertilizantes aplicada al recurso (f) tierra sobre el componente pradera y este sobre el componente rebaño lechero, determina el producto leche (h) y el, subproducto carne ya mencionado.

DEFINICIONES COMPLEMENTARIAS DEL CONCEPTO DE SISTEMA. Sinergia. Este concepto establece que el examen de una o todas las partes constituyentes de un sistema en estudio no puede explicar la conducta de su totalidad. Cuando un objeto o unidad en estudio cumple con este postulado decimos que existe sinergia, para esto es necesario conocer profundamente la unidad en estudio. El concepto de sinergia lleva implícito el concepto de organización, lo cual indica que los elementos de un sistema tienen una ubicación estratégic a, de orden, dentro de la totalidad y que en conjunto están interrelacionados. La identificación y comprensión de estas relaciones son las que permiten entender el comportamiento de un sistema. Es importante considerar que no todos los objetos cumplen con las características de ser sinérgico, en tal caso estamos hablando de un conglomerado o colección y en este caso las relaciones que existen entre los componentes de una unidad no estarán determinados a través de un proceso de organización. Se habla de co nglomerado, si las posibles relaciones que se establecen entre las partes constituyentes de un todo a estudiar, no afectan ni determinan la conducta de cada una de las partes Johansen, ( 1979. En otras situaciones pueden existir relaciones que sí estén determinando el comportamiento de cada elemento, y por lo tanto de la totalidad, pero el objeto de estudio carece de un objetivo. En tal caso hablamos de un ensamble.(Aguilar y Cañas 1991, Aguilar 1992) Recursividad

12

Este concepto indica que todo sist ema está compuesto a su vez por otros sistemas menores ( subsistemas). Además el sistema en estudio puede ser parte de un sistema mayor pasando a constituir un subsistema. Se puede hablar entonces de subsistemas, sistemas, suprasistemas o como queramos designarlos, lo importante es señalar que la recursividad indica, que cada uno de estos objetos tiene propiedades que lo convierten en una totalidad. Sin embargo, esto no significa que todos los componentes de un todo son a la vez un todo. Esta última idea ll eva a que hay que tener cuidado al definir que está dentro del sistema que interesa estudiar y que está fuera, que se entiende como componente y que como subsistema. Jerarquía La jerarquía en los sistemas agrícolas implica la idea de niveles que son ocupados por sistemas (o subsistemas) y donde los de más abajo están contenidos en los sistemas superiores, así cualquier estímulo que se inicia en el nivel superior debe necesariamente continuar en el nivel que le sucede(Johansen 1985). Homeostasis La definición de homeostasis, término propuesto inicialmente en el campo de la biología, se puede definir a partir del concepto de reroalimentación. Es así como en un modelo homeostático, ocurren procesos circulares, como se vio en los esquemas presentados, donde parte de las salidas del sistema vuelven a entrar como información con el propósito de mantener ciertas variables dentro de rangos estándares definidos para el proceso de análisis y alcanzar la meta deseada, En esta forma, logramos que el sistema en cuestión se autorregule (Von Bertalanffy, 1968) ARTIFICIALIZACION DE LOS SISTEMAS. El concepto de Artificialización se refiere al proceso mediante el cual el ecosistema o el sitio para el caso de unidades de manejo con producción homogénea, a través de un manejo técnico intervenido y transformado por el hombre. Este concepto utilizado en un ámbito eminentemente vegetacional, Long, 1974; Gordon et al., 1968; Etiene y Prado, 1982; Jacquard, 1971, citado por Venegas, 1990; se interpreta como un nivel de intervención en que se han usado escalas estimativas que definen el tipo y utilización del Ecosistema. En este sentido, su estimación está dada por un valor relativo al clímax, donde los estados de mayor intervención corresponden a aquellos donde la vegetación presenta la mayor diferencia

13

relativa al clímax y su condición de existencia depende absolutamente de mecanismos antrópicos. Por otra parte, un estado de baja artificialización corresponde a la situación en que la vegetación presenta la mayor similitud al c límax del sector, dependiendo en consecuencia de los estímulos naturales incidentes. Según Gallardo y Gastó (1987), en el proceso de artificialización de un ecosistema natural con una capacidad sustentadora dada, se requiere extraerle información natural y adicionarle información artificial, es decir, se reemplaza algunos elementos naturales de la vegetación, formación, suelo y clima, por otros elementos artificiales, tales como; especies vegetales mejoradas, introducción de ganado doméstico, control de pl agas con pesticidas, introducción de implementos y maquinaria, realización de construcciones. La artificialización constituye el proceso básico mediante el cual se desarrolla el proceso del hombre sobre la tierra, es decir, la intervención del ecosistema o del sitio con el objeto de producir un cambio de estado programado y obtener una condición del ecosistema acorde a los objetivos del hombre (Prado, 1983) El grado creciente de artificialización de los ecosistemas incorporados a la producción ha estado a sociado a una mayor especialización y por ende a una mayor producción de bienes canalizados a la sociedad. La progresiva transformación de los ecosistemas ha demandado el uso y desarrollo creciente de tecnología en cuatro grandes áreas; mecanización, riego, fertilización y control químico (Lester,B. 1977, citado por, Venegas, 1990)), a lo que cabría agregar el desarrollo y utilización de tecnologías desarrolladas del área biológica. Un ejemplo de esta transformación se puede apreciar en las obras de riego , las cuales han determinado el nivel tecnológico y en particular el grado de artificialización de la Agricultura, además de sus consecuencias para el medio físico como la salinización. Las obras de riego provocan cambios en la estructura de cultivos e intensificación de la agricultura.

Intervención tecnológica

14

La aplicación de diferentes niveles tecnológicos sobre un sitio permite la obtención de estados no sistemogénicos. La incorporación de estímulos sobre el ecosistema mediante tecnologías de diver so tipo, está orientada a la modificación de las condiciones de estabilidad natural. La tecnología aplicada en un primer momento, mecánicas o químicas, logran la ruptura de las condiciones de equilibrio de cada estado inicial. Junto a lo anterior y mediante la variación de los niveles de estímulo se producen nuevas condiciones de estabilidad, las cuales permiten aumentar la probabilidad de ocurrencia del estado no sistemogénico al cual se desee llegar. Considerando que las nuevas condiciones que permiten el nuevo estado no son naturales, hay que aplicar una tecnología de mantención en este nuevo estado menos probables, no sistemogénico. A las tecnologías aplicadas en un primer momento al ecosistema y para mantener el estado de menor probabilidad se les ha denominado por diversos autores, operadores de transformación y de mantención respectivamente (Gastó, 1979; Nava et al., 1979; Prado, 1983.

MECANISMOS GENERALES DE ARTIFICIALIZACION La artificialización opera mediante los procesos de carga y descarga del ecosistema. Cualquier transformación que éste, bajo una intervención tecnológica dada, está circunscrita dentro de una de estas dos categorías (Prado, 1983; Gastó, 1979; Nava et al. , 1979. Existen tres modalidades de carga del ecosistema. a) Crecimiento Exponencial . Donde se considera un medio con recursos ilimitados, la función que la describe es la siguiente: Q = Q 0 ekt Donde: Q = carga del ecosistema en t i QO = carga inicial k = tasa intrínseca de crecimiento t = tiempo

15

b) Crecimiento asintótico

Donde el proceso está regulado por ciertas restricciones que limitan hasta una capacidad máxima la carga del ecosistema. La ecuación que describe este fenómeno está dada por: Q=Q

máx.

( 1-e -kt )

Donde: Q max = carga máxima determinada por las características propias del ecosistema. Este valor determina un comportamiento asintótico de la ecuación K = tasa intrínseca de crecimiento t

= tiempo

c) Crecimiento sigmoideo Este proceso se caracteriza por present ar dos tipos de comportamiento. En una primera etapa, el proceso de carga es exponencial y luego, en una segunda fase se comporta de manera asintótica. La ecuación que describe este proceso es la siguiente: dQ = rQ -Q2 dt K

Donde: r K Q dQ dt

= tasa intrínseca de crecimiento = capacidad sustentadora del sistema = carga del ecosistema en un instante dado = variación de la carga en función del tiempo (t).

16

DESCARGA El proceso de descarga del ecosist ema corresponde a la liberación de energía acumulada, o a la fracción de respuesta que es retirada (Nava et al., 1979), como producto de un proceso de cosecha. Los procesos de descarga del ecosistema se describen con la siguiente ecuación: Q (t) = QO e -kt Donde:

Q (t) = carga del sistema en el tiempo QO = carga inicial del sistema previo a la descarga. K = tasa intrínseca de crecimiento t = tiempo

Posibles procesos de transformación del sitio Se pueden clasificar según el desarroll o relativo de los componentes vivos, heterótrofos o autótrofos del sistema o de los componentes vivos, denominándolos procesos de artificialización bióticos y abióticos respectivamente.

PROCESOS BIOTICOS DE ARTIFICIALIZACION Representan aquellos procesos de artificialización donde el énfasis está centrado en el desarrollo de los elementos biológicos del sistema, de manera que el producto de su proceso de carga es utilizado o cosechado por el hombre. En general se caracteriza por constituir estados de cor to período de carga y baja estabilidad estructural. Estos procesos pueden a su vez clasificarse en heterotróficos o autotróficos, dependiendo en cual de ellos se ponga mayor énfasis.

17

PROCESOS ABIOTICOS DE ARTIFICIALIZACION En este caso, la transformación del ecosistema está orientada hacia el mayor desarrollo de los recursos abióticos, este proceso opera generalmente como una serie de transformaciones tendientes a descargar el ecosistema (la minería por ejemplo), a alterar la distribución espacial de los componentes físicos del sistema, o como la alteración máxima de los caracteres biológicos y no biológicos tendientes a la incorporación de estructuras totalmente ajenas a cualquier proceso natural ( por ejemplo, la urbanización). Este proceso tiende hacia la pérdida de los atributos que definen el ecosistema, es un proceso estructuralmente estable (Prado, 1983). ESTILOS DE AGRICULTURA De acuerdo a la proporción original que contenga un ecosistema. Los estilos de agricultura se pueden clasificar según Gallardo y Gastó, 1988, en siete tipos: 1234567-

Natural Recolector Naturalista Estilo de cultivo Tecnologista Tecnificado Industrial

Odum,H.T., 1980, establece una gradación de estilos de agricultura desde sistemas naturales completos adaptados, en que toda la energía que ingresa al sistema proviene de la fotosíntesis, y en que la adaptación para maximizar su producción básica proviene de su organización diversificada de especies consumidoras. Hasta sistemas en que en forma gradual con los trabajos realizados por el hombre con el soporte del combustible fósil, se han eliminado las especies naturales y sustituidos los servicios de esas especies por los servicios industriales. Lo que ocurre en los sistemas menos diversificados que el hombre ha generado, es que la energía que en los sistemas naturales tenía que pasar

18

por el ciclo de una serie de funciones de resistencia, competencia, reciclado y mantenimiento de la estructura, queda ahora para el hombre, la fotosíntesis bruta que antes se utilizaba para realizarlas es empleada por el hombre para almacenamiento y producción (Odum, 1980) Según Odum, 1980, una gran parte del flujo de potencial que sustenta la agricultura no se gasta en las explotaciones agrícolas sino en las ciudades para fabricar productos químicos, construir maquinaria, producir variedades, obtener fertilizantes y proporcionar la entrada y salida del sistema de comercialización. Las entradas energéticas en un sistema de agricultura industrializada de alto rendimiento, incluyen flujos de combustible fósil que sustituyen el trabajo que antes realizaba el hombre, sus animales y la red de animales y plantas de los que se alimentaba. Los flujos de trabajos incluyen los siguientes: 1- Preparación mecanizada y comercial de las siembras y plantaciones que sustituyen al sistema natural de dispersión. 2- Exceso de fertilizantes que sustituyen al sistema del reciclado de minerales. 3- Deshierbe químico que sustituye al mantenimiento y regulación natural de malezas. 4- Preparación y tratamiento del suelo para sustituir a los procesos de formación del suelo forestal. 5- Insecticidas que sustituyen al sistema de regulación natural dado por la diversidad de especies que han coevolucionado y que están en equilibrio. 6- Desarrollo de variedades que son capaces de transformar los ahorros de trabajo, en almacenamiento neto de alimentos. Cuando aparecen enfermedades se desarrollan nuevas variedades genéticamente seleccionadas, que antes sólo se obtenía por evolución y selección. El n ivel de producción de granos en EEUU con este sistema es de 1000 Kcal/m 2 año. La subvención de combustible se calcula usando el factor 10 4 Kcal./ dólar, si la producción es de 60 dólares / acre año y si los costos son el 90% del valor bruto, entonces la medida del uso de materiales y servicios en la cultura industrializada es de 54 dólares / acre. Esto supone 54 x 10 4 Kcal/año o 135 Kcal/ m 2 año.

19

Gallardo y Gastó, discretizaron en categorías correspondientes a los estilos de agricultura, las diversas sit uaciones que se están dando en los ecosistemas naturales, en la medida en que se van haciendo menos diversos por la extracción de especies y/o variedades y se van agregando cantidades crecientes de energía fósil u otro tipo de tecnología al sistema ya sea para funciones de transformación o mantención del sistema agrícola. 1- ESTILO NATURAL Corresponde a aquellos sistemas en que la totalidad de la información es original del estilo, corresponde a aquellos sectores de la ecósfera que se destinan actualmente a lugares de preservación de los ecosistemas naturales en su estado original, estos sistemas están destinados a la conservación del germoplasma que existe en estos ecosistemas y que se encuentra en peligro de extinción, esta clase de reserva de la ecósfera, incluye parques nacionales, reservas forestales, santuarios de la naturaleza. 2- ESTILO RECOLECTOR En este estilo se realiza la extracción indiscriminada por parte del hombre de alguno de los elementos del ecosistema para ser utilizados con algún fin , sin considerar el manejo del ecosistema, muchas especies bajo esta forma de explotación han desaparecido, el efecto del hombre sobre el ambiente es leve. Cuando hay una gran demanda por centros urbanos cercanos al sistema se puede degradar en forma considerable. Como ejemplo de este estilo se pueden mencionar la cosecha generalizada de los mares, de madera de los bosques naturales y la ganadería de praderas naturales, la recolección de frutas silvestres para uso de alimentación humana. Este estilo de cosecha y utilización de los ecosistemas requiere del traslado constante de los cosechadores a nuevos ecosistemas no cosechados. 3- ESTILO NATURALISTA O ECOCULTIVO Es un estilo de utilización de los ecosistemas semejantes al recolector, se basa en la recolección de productos naturales del ecosistema, pero se diferencia del anterior, en que además de cosechar, se maneja el sistema de modo de mantener su estado natural o mejorarlo desde un punto de vista antrópico y mantenerlo en otro disclimax. El grado de a rtificialización es leve

20

o moderado, algunos elementos son introducidos pero la información predominante es natural. Como ejemplo de este sistema, tenemos la silvicultura del bosque nativo o naturalizada (Range Manegement), en este caso hay factores generales de ordenamiento de la utilización del ganado, manejo de la fertilidad del suelo y control de las especies menos deseables, todo esto lleva a un grado de artificialización relativamente leve. 4- ESTILO TECNOLOGISTA Este estilo de uso de la tierra corr esponde a la agricultura de plantas anuales pioneras, que se desarrollan en ambientes originalmente ocupados por ecosistemas en estado cercano al clímax, usualmente denominadas por bosques, praderas o matorrales. Para ello, se requiere destruir la vegetación y fauna original, usualmente por medio de fuego o por medios mecánicos, de manera de disponer de un suelo con un alto grado de desarrollo, contenido de materia orgánica, fertilidad y libre competencia de los organismos originales del sistema. 5- ESTILO DE CULTIVO El estilo de cultivo de uso de la tierra ha sido definido como el sistema tradicional de cultivos que se inician fundamentalmente por una rotura general profunda, seguida de otros para preparar la cama de semilla y posteriormente se controlan las malezas en pre o post emergencia por medio de cultivares o herbicidas. En este sistema el hombre ha introducido artificialmente al sistema labores de cultivo, fitomejoramiento, control químico y mecánico de plagas, preparación de suelos, rotaciones de cultivos, siembra asociada y otros. Lo cual lleva a un alto grado de artificialización del ecosistema. Este estilo se caracteriza en general por la roturación intermitente del suelo, la alta artificialización y la introducción de cultivos herbáceos, forestales, frutales, ganados u otras modalidades intensivas de intervención. Esta agricultura se practica exitosamente en los valles con suelos profundos y de alta calidad química y física, tanto del suelo como del agua. 6- ESTILO TECNIFICADO

21

Corresponden a aquella agricultura que se practica en ambientes artificial izados en su grado máximo, tal como ocurre en el caso de invernaderos, cámaras de crecimiento, corrales de engorda de ganado, crianza artificial de aves, cerdos y otras, en las cuales el desarrollo de la tecnoestructura es máximo, minimizándose por lo tanto, el recurso en su estado natural. 7- ESTILO INDUSTRIAL Estilo industrial, se practica en ambientes artificiales sin la intervención del ecosistema convencional, en el cual interviene el s uelo, agua, clima, vegetación y fauna. Este estilo se practica sin la intervención de organismos vivos o bien empleando materia prima fósil. LOS MODELOS EN AGRICULTURA . El término modelo tiene en el lenguaje común una infinidad de interpretaciones. Así puede referirse a algo ejemplar o forma que uno se propone y sigue en la ejecución de ya sea, una obra artística u otra cosa, o bien una pauta generalmente en obras de ingenio o acciones morales, que se debe seguir o imitar, en términos más técnicos se le usa también para denotar algo que representa en pequeño alguna cosa o algo creado para que sirva como ejemplo.(Granja modelo , empresa modelo). En el área de sistemas, entenderemos por modelo algo que representa una cosa. De este modo, modelo será la representación de un objeto, concepto o sistema de tal forma que aun siendo distinto a la entidad que representa, puede homologar su funcionamiento y/o uno o varios atributos de ella. En estos términos existe una gran gama y variedad de modelos. Incluso puede afirmarse que todos los mecanismos que usamos para comunicarnos son, con diferencias en cuanto a mayor o menor complejidad, alguna clase de modelos. Visto de esta manera los modelos no son una invención muy nueva, se han usado desde tiempos inmemoriales para representar continentes o ciudades, mediante mapas, e incluso para representar ideas, como son las pinturas rupestres, las más antiguas, que datan de la época de transición, paleolítico al neolítico. Un modelo se diseña y construye, generalmente, con el propósito de entender, explicar o mejorar el funcionamiento del sistema real, concepto u objeto que está representando. Lo esencial de un modelo será entonces que alcance el objetivo para el cual fue construido, pasando a ser su estructura un aspecto secundario. Observamos de este modo que un modelo puede ser

22

una réplica exacta del objeto que representa, cambiando la escala o el material con el que él se construye, o bien tener, algún grado de abstracción del objeto que representa, considerando sus v ariables más relevantes, para distinguir estos dos tipos de modelos se usan los adjetivos de isomórficos y homomórfico, que denotan el grado de semejanza y uniformidad del modelo con el objeto o cosa que representa. Modelos isomórficos. Se dice que un modelo es isomórfico cuando es idéntico o muy parecido a lo que representa. Un modelo isomórfico cumple en líneas generales, dos propiedades: a) existe una correspondencia uno a uno entre los componentes del modelo y los componentes de lo que representa. b) el modelo, además de contener todas las relaciones entre los componentes de la cosa que representa, preserva la proporcionalidad o calidad de ellas. Son ejemplos de esta categoría de modelos las parcelas de ensayo en agronomía, los modelos de aviones a escala para estudios de las propiedades aerodinámicas o los modelos a escala de embalses hidráulicos en ingeniería. Modelos homomórficos. Un modelo es homomórfico cuando es solamente muy parecido a lo que representa, como su nombre lo indica su nombre homologa, equipara, estableciendo una relación de igualdad o semejanza con lo que representa. Un modelo homomórfico debe cumplir una sola propiedad, su funcionamiento global o producto debe ser igual al del objeto o cosa que representa. El hecho de aceptar que solamente habrá una relación de igualdad o semejanza con lo que se quiere representar, implica que en la elaboración de modelo se han hecho, en mayor o menor medida, simplificaciones o abstracciones con los aspectos más relevantes. De este modo, la estructura del modelo puede ser radicalmente diferente al objeto o cosa que representa, cambiando los componentes por otros análogos, o bien no considerando todas las relaciones entre componentes, sino aquellas más importantes y suficientes para la precisión que se desea.

23

Son ejemplos de modelos homomórficos, un riñón artificial, que realiza la misma operación que un riñón natural siendo estructuralmente muy diferente a este, un sistema de ecuaciones que representa un sistema real y que representa el nivel más alto de abstracción que se puede lograr con un modelo. Clasificación de los modelos. Los modelos pueden clasificarse de muy diversas maneras y de hecho existe una infinidad de clasificaciones de ellos. La diversidad se explica porque una clasificación determinada sirve de manera muy precisa, para destacar alguna propiedad de los modelos que se desea priorizar frente a los demás. De este modo cualquier clasificación corre el riesgo de no se completamente satisfactoria para una rigurosa comprensión de los modelos. Aceptando entonces, que una clasificación de los modelos nos servirá solamente para resaltar propiedades de ellos. Abordaremos una clasificación para profundizar en dos propiedades importantes como son; grado de abstracción y función de los modelos Nivel de abstracción de los modelos. La separación entre modelos isomórficos y homomórficos denota el límite en el que comienza a jugar un papel importante la abstracción en desmedro de la similitud y uniformidad entre el modelo y el objeto rep resentado. Este límite denota una clasificación binaria de los modelos, pero no lleva en sí los matices que hay dentro de cada grupo. En general puede decirse que a mayor nivel de abstracción hay menor grado de similitud y uniformidad entre modelo y objeto representado y viceversa, un mayor grado de similitud implica un menor nivel de abstracción. De acuerdo a Shanon, 1975 según el grado de abstracción puede hacerse la siguiente clasificación de los modelos: Modelos físicos. Modelos a escala. modelos análogos. Modelos de educación o juego. Modelos de simulación. Modelos matemáticos.

24

Los dos primeros tipos de modelos pueden considerarse isomórficos, y todos los demás homomórficos. Esta misma proporción se aprecia en cuanto a la cantidad de modelos desarrollados. En general la mayoría de los modelos son homomórficos, existiendo una clara tendencia hacia el uso de aquellos con niveles altos de abstracción. Los modelos físicos son isomórficos, por consiguiente tienen gran semejanza en componentes y relac iones con el objeto que representan, se parecen mucho físicamente. Este tipo de modelo reciben también el nombre de icónico. Si se encuentra a escala real diremos que es un modelo físico, en cambio, si hay alguna reducción o aumento de escala hablaremos de modelos a escala, donde existe algún nivel de abstracción o simplificación. Los modelos análogos son aquellos en los cuales uno o varios elementos del objeto real, componentes o relaciones, son sustituidos por otros diferentes, de tal modo que permi te al modelo funcionar de forma similar. Se llaman análogos debido a que existe una analogía, relación de semejanza entre cosas distintas, entre los elementos sustituidos del objeto real con el que lo representa en el modelo. Un gráfico de coordenadas xy es el ejemplo más común de modelo análogo, donde una distancia del gráfico representa el tiempo, producción u otra variable del objeto real. Los modelos de educación o juego son aquellos en que explícitamente está incluido, como componente del modelo, un f actor humano que permite la interacción con el funcionamiento del modelo. Se acostumbra también llamarles de juego, por su flexibilidad para que una persona se ejercite con distintos escenarios simulados, probando su habilidad para tomar decisiones. Ejemplos de este tipo de modelos hay en administración de empresas, tácticas de guerra, planificación, en el área de agronomía, el modelo PRESIM que permite el entrenamiento de alumnos en el manejo de un predio de producción de carne (Aguilar, Cañas y Gasman, 1 983, 1984). El nivel de abstracción de un modelo de educación es similar al de un modelo de simulación, sin embargo, se acostumbra diferenciarlos por dos motivos. Primero, tienen objetivos diferentes. El modelo de educación está pensado para dar respuesta frente a decisiones, y seguir funcionando indefinidamente de esta forma en el intercambio de respuestas frente a decisiones. Un modelo de simulación puede también tener dicha estructura, pero su objetivo está más bien apuntando hacia comparar diferentes estrategias o tácticas, es decir, hacer inferencias. El segundo motivo por el cual se diferencian, es por la dupla fidelidad -precisión que presentan. Un modelo de educación requiere una alta fidelidad del modelo con el sistema que representa, pasando la precisión a un plano casi secundario. En cambio,

25

un modelo de simulación requiere ambas, equiparadas según los objetivos para los cuales se construye el modelo. En este sentido, entonces, puede suponerse que un modelo de simulación requiere de un nivel más al to de abstracción. Se hace la diferenciación entre fidelidad y precisión para separar conceptos distintos. Por fidelidad se entiende el grado de homologación que un modelo tiene con el objeto que representa. En cambio, por precisión se entiende número de decimales o número de repeticiones necesarias para lograr un nivel dado de confianza. Algunos autores usan también exactitud como sinónimo de fidelidad (Chapra y Canale, 1987), pero haciendo la misma diferenciación de los conceptos. El nivel más alto de a bstracción corresponde a los modelos matemáticos. En ellos sólo los símbolos, en vez de algún elemento físico, se usan para representar los componentes y relaciones del objeto real. La gran mayoría de los modelos de docencia y de simulación, diseñados para funcionar en un computador, se clasifican también dentro de los modelos matemáticos. Se hace la diferencia para resaltar aquellos que en la práctica podrían prescindir de un computador, como sería el caso de un sistema de ecuaciones diferenciales que represente un sistema, donde podría obtenerse una solución analítica. De este modo, un modelo de simulación o un modelo de docencia se debe ejecutar para obtener un resultado. En cambio, un modelo matemático puede resolverse para obtener la información deseada o resultado. Cuando un investigador se enfrenta al problema de modelar un sistema complejo tiene la posibilidad de mezclar las características de los modelos que se han esquematizado, generalmente tomando las de los modelos adyacentes en la jerarquizaci ón realizada. Ello significa que los tipos de modelos mencionados no denotan una clase cerrada o pura, sino más bien líneas generales con algunas características más marcadas. Función de los modelos Ya hemos definido modelo como una representación diseñada y construida con el objeto de entender, explicar o mejorar una entidad, podemos ahora distinguir las áreas donde usualmente son aplicados. Elmaghraby (1968), reconoce la existencia de al menos cinco de ellas, según su uso. 1) como ayuda para ente nder

26

2) como ayuda en la comunicación 3) como herramienta de entrenamiento e instrucción 4) como herramienta de predicción 5) como herramienta de ayuda en la experimentación. Los ejemplos de modelos que se usan en las dos primeras áreas son variados: cartas Gantt, diagramas de flujo, diagramas de estructura administrativa, modelos de enlaces químicos, etc.. En general, estos modelos ayudan a la comprensión de sistemas complejos aportando mayor precisión a la idea que se desea transmitir, o disminuyendo la ambigüedad de relaciones que se desea señalar, o aportando conocimiento del sistema como un todo. Los modelos utilizados como herramientas de entrenamiento e instrucción, denominados también modelos de docencia, han mostrado su efectividad en muchas áreas como: administración (entrenamiento de ejecutivos), universidades (entrenamiento de profesionales), manejo de vehículos espaciales (entrenamiento de astronautas) y otros. La predicción de características de funcionamiento de un sistema, donde los modelos matemáticos y los modelos de simulación tienen su más efectiva contribución, es el área que despierta históricamente el mayor interés. A pesar de que los ejemplos pueden ser variados, las simulaciones realizadas para los vuelos espaciales han sido las que más han llamado la atención por su espectacularidad. El uso de modelos como herramientas de experimentación es una aplicación que presenta muchas cualidades positivas. En primer lugar, permite hacer experimentaciones controladas en situaciones donde no e s posible realizarlas físicamente, o el costo de hacerlas es muy alto, o ambas. Por otro lado, el hecho de diseñar, construir y experimentar con un modelo de un sistema complejo, permite un aprendizaje profundo de las relaciones internas y funcionamiento del sistema real. Teniendo este panorama general de las áreas donde habitualmente es aceptado el uso de los modelos, podemos intentar una clasificación de ellos, de acuerdo a la función para la cual fueron construidos. Así podemos denotar dos grandes grupo s: A) modelos descriptivos, diseñados para explicar y/o entender lo que representan. B) modelos predictivos, diseñados para predecir y/o homologar las características de funcionamiento de lo que representan.

27

Las característica más relevante de esta clasificación es que, generalmente, las propiedades de un modelo descriptivo están presentes en un modelo predictivo. Sin embargo, el caso contrario, que un modelo descriptivo pueda tener propiedades de modelo predictivo, nunca se manifiesta. Así por ejemplo, un modelo predictivo diseñado para estudiar el efecto de diferentes estrategias de manejo, siempre podrá ser utilizado también para entender y explicar las relaciones de la entidad modelada. Sin embargo, un modelo descriptivo de la misma entidad tendrá escasa utilidad en el estudio predictivo de las estrategias de manejo. Esta característica, en apariencia pedestre, tiene una gran implicancia práctica. Señala la existencia de modelos sin utilidad práctica para resolver problemas (que generalmente tienen u na gran tendencia a ser descriptivos), con escaso impacto en la manipulación de los sistemas que presentan y un ínfimo uso como herramientas de ayuda en la toma de decisiones. Incluso, aparentemente, aquellos modelos que solamente tratan de explicar, fracasan a menudo aún en este propósito (Shannon, 1975). El punto de quiebre, entre modelos que son útiles para resolver problemas y aquellos que no pueden aportar soluciones se reconoce, entonces, por su característica de ser predictivo o descriptivo. Sin emb argo, este límite no es tajante y preciso, existe un amplio rango entre descripción pura y predicción ciento por ciento, donde se encuentran modelos con elementos descriptivos que pretenden hacer predicciones. Algunos autores (Forrester, 1961), han comentado el rango antes mencionado, comparando las diferencias entre modelos de las ciencias físicas, ingeniería y ciencias sociales. Puede decirse que, las variables que más influyen en la existencia de modelos en tal rango están relacionadas con la complejidad de las entidades modeladas, la forma de utilizar las herramientas de modelación y en el énfasis puesto en los objetivos finales planteados. Tales cuestiones se resuelven con la adecuada aplicación de la metodología que provee la Teoría General de Sistemas a la modelación. EL CONCEPTO DE SIMULACION En las últimas décadas se ha puesto en boga, en numerosas disciplinas científicas, el uso del término simulación para denotar la acción de representar una cosa mediante algún modelo con cierto grado de abstracción . Incluso, se acepta usar el verbo simular para describir la acción

28

de construir modelos (Naylor, 1973), lo que implica que cualquier modelo o representación de algo es una forma de simulación . Sin embargo, esta aceptación desde el término vulgar, en que simular es fingir lo que no es, ha experimentado una evolución al aplicarse mediante el método científico en la Ciencia. El primer cambio de la palabra se observa a comienzos de la década de los años cuarenta, con los trabajos de von Neumann y Ulam, donde junto con usar simulación en un sentido más específico se le asocia con el análisis de Monte Carlo. El análisis de Monte Carlo era una técnica matemática usada para resolver problemas matemáticos no probabilísticos, mediante la simulación de procesos estocásticos cuyos momentos o distribuciones de probabilidad satisfacen o representan las relaciones matemáticas del problema. De este modo, la acepción de la palabra simular indicaba que había técnicas matemáticas o numéricas involucradas en el desarroll o y solución de un modelo. Los siguientes cambios han tenido que ver con el advenimiento de los computadores de gran velocidad, y en especial de los computadores personales, donde el hecho de simular adquirió otro significado más, cual es el de experimentar con modelos matemáticos en un computador. El uso moderno de la palabra simular ha recogido esta rápida evolución, incorporándola a la metodología del Análisis de Sistemas, donde significa tanto la construcción de un modelo de un sistema real, con uso de técnicas matemáticas o numéricas para la ejecución y desarrollo del modelo, así como la experimentación con dicho modelo. De este modo, hoy se entiende por simulación al proceso de diseñar y conducir experimentos con un modelo de un sistema real, con apoyo de elementos matemáticos o numéricos, con el propósito de entender el funcionamiento o evaluar estrategias de operación del sistema. En este contexto, se consideran dentro del campo de la simulación las siguientes variantes de modelos: - modelos de educación o juego - modelos de simulación propiamente tal - modelos de análisis de Monte Carlo. Los modelos de educación o juego se caracterizan, como ya se mencionó, por permitir en forma explícita la interacción humana con el funcionamiento del modelo. Esta forma de operar se adapta muy bien para entrenar profesionales en la toma de decisiones, evaluar la calidad de las decisiones

29

tomadas e incluso probar hipótesis de conjunto de decisiones, lo cual haría perfectamente posible clasificar tal modelo dent ro de los modelos de simulación propiamente tal. En general, los modelos de docencia hacen la representación de un escenario imaginario donde son colocados los jugadores. En este ambiente simulado deben tomar de vez en cuando decisiones de algún tipo que afectarán las condiciones ambientales en que deberán basarse sus posteriores decisiones. Los modelos de educación más difundidos son los juegos militares y los juegos de gerencia. Los juegos militares son una herramienta de entrenamiento de dirigentes mili tares, que permiten evaluar diferentes estrategias en condiciones simuladas de conflicto o guerra. Los juegos de gerencia son diseñados con el mismo objetivo educativo, pero las alternativas de estrategias que se prueban se refieren a condiciones de producción, mercado o finanzas, generalmente delimitadas a una industria cualquiera en competencia con otras. Los juegos de gerencia fueron originalmente pensados para directivos de empresa, pero rápidamente fueron adoptados en las Universidades como herramienta docente, fundamentalmente en las carreras relacionadas con Ingeniería y Administración, por las ventajas de costo y tiempo que proveen para entrenar alumnos en escenarios simulados, evaluando y auto evaluando la calidad de las decisiones que se toman. En el área de Agronomía, específicamente en producción animal, la Universidad Católica fue pionera, en los inicios de la década de los años ochenta, en el desarrollo y uso de modelos de docencia, fundamentalmente como apoyo a las cátedras tradicionales de p roducción (Cañas y Aguilar, 1982; Aguilar, Cañas y Gasman, 1983, 1984). El modelo PRESIM, denominado así por predio simulado, fue diseñado para apoyar la cátedra de producción de carne. Se reconocía que en la gestión y administración de un predio, así como en cualquier industria, hay tres tipos de decisiones: estratégicas, tácticas y operacionales. Las decisiones estratégicas tienen que ver con los objetivos de la empresa y la planificación a largo y mediano plazo. Las decisiones tácticas tienen que ver c on el uso eficiente y eficaz de los recursos disponibles, con un horizonte de mediano y corto plazo. Las decisiones operacionales son las relacionadas con el correcto y buen uso de la tecnología disponible en las labores cotidianas. Las decisiones incluidas en el modelo PRESIM son de tipo estratégico y táctico, característica común a casi todos los modelos de juegos gerenciales Con leves matices, la mayoría se centra en decisiones estratégicas incorporando algunas de tipo táctico.

30

Los modelos de simulación propiamente tal están dirigidos fundamentalmente a la solución o estudio de un problema específico. Se observan dos variantes en esta clase de modelos, una dirigida hacia aspectos de investigación y otra hacia factores productivos, administrativos o financieros. Se denomina de investigación cuando hay predominio por el estudio de funcionamiento del sistema. En los otros casos, el modelo está diseñado fundamentalmente para evaluar estrategias de operación del sistema. En la práctica, ambas características, estudio del funcionamiento y evaluación de estrategias de operación, se encuentran presentes en mayor o menor grado. El análisis de Monte Carlo es una técnica de simulación para resolver problemas que tienen una base estocástica o probabilística. Existen también dos variantes o tipos de problemas donde es aplicable esta técnica. Primero, aquellos problemas que tienen procesos por naturaleza estocásticos, que pueden ser simulados con esta técnica y, segundo, problemas matemáticos completamente determinístic os, que no tienen fácil solución por métodos estrictamente determinísticos, y que pueden ser abordados con soluciones aproximadas, funciones de densidad o de distribución acumulativa que satisfagan las relaciones funcionales o los requisitos relativos a la solución del problema determinístico. Estructura de los modelos de simulación Entenderemos que un modelo es de simulación si presenta las características que hemos asociado con simulación. Directamente asociado con la estructura particular que presente tal modelo está el área desde donde se ha adoptado su nombre: el análisis de sistemas. Un modelo de simulación es la representación, utilizando la metodología del análisis de sistemas, de un objeto concepto o sistema, de tal forma que permite conducir experimentos para entender el funcionamiento o evaluar estrategias de operación del sistema. Cuando se habla de análisis se quiere denotar que se está haciendo una distinción y separación de las partes de un todo hasta llegar a conocer sus principios o sus elementos. Es decir, análisis lleva implícito el separar en partes un todo. Por otro lado, con la utilización del término sistema se quiere recalcar que un todo se ha dividido en partes, se han determinado las relaciones entre las partes y, ambos procesos realizados con vista a un objetivo general. Es

31

decir, para entender cabalmente un sistema se hace la diferencia entre colección (las partes de un todo), ensamble (las partes de un todo relacionadas) y sistema (un ensamble con un objetivo definido). Un sist ema es entonces un conjunto o grupo de objetos o elementos unidos por alguna clase de interacción regular o interdependencia para realizar una función específica. Por lo tanto, es condición necesaria, pero no suficiente, que un todo se divida en componentes, del mismo modo, es también condición necesaria, pero no suficiente, determinar las relaciones e interdependencias entre los componentes. Por último es condición necesaria y suficiente que los componentes relacionados con alguna clase de interdepende ncia hayan sido definidos y descritos con miras a realizar una función específica. En consecuencia, un modelo de simulación se define y diseña, si se aplica correctamente la metodología del análisis de sistemas, en torno a un objetivo y no en función de la estructura del sistema que representa. Si se interpretan los conceptos mencionados anteriormente puede deducirse que los modelos de simulación deberían ser predictivos. Un modelo de simulación, o cualquier modelo en general, que se diseñe y construya en función de la estructura del sistema que pretende representar, será siempre descriptivo y, por lo tanto, no tendrá ninguna utilidad como herramienta de predicción en la toma de decisiones del sistema. Lo anterior no quiere decir que los modelos descriptivos deben clasificarse como malos o inútiles. simplemente se debe tener en cuenta que un modelo descriptivo se construye con la restricción que será utilizado para comunicar ideas, conceptos o estructuras, y no será una herramienta de uso directo en solución de problemas. En resumen, se puede decir que un modelo de simulación es analítico, relativo al análisis, ya que procede por vía del análisis, y representa un sistema, ya que se divide y compone con miras a un objetivo específico. En este marco general, provisto por la metodología del análisis de sistemas, podemos entonces enumerar los elementos que conformarán la estructura de un modelo de simulación. Un modelo de simulación consistirá en alguna combinación de los siguientes elementos: - componentes - variables - parámetros

32

- relaciones funcionales - constricciones y restricciones - criterios de funcionamiento. Por componente se entiende las partes que constituyen el todo y que, una vez reunidas de alguna forma regular representan el sistema de nuestro interés. La forma de juntar componentes mediante relaciones regulares no es única y, por lo tanto, los mismos componentes relacionados de manera distinta, con otro fin específico, pueden conformar sistemas distintos. A su vez la descomposición de un todo en componentes es recursiva: un componente puede a su vez ser descompuesto en elementos constituyentes formando también un sistema, o subsistema. Una variable es la medida de un atributo de un componente. Generalmente estará en una función matemática, que le impondrá la forma de su variación relativa. Las variables pueden clasificarse en exógenas y endógenas. Las variables exógenas son aquellas independientes del sistema, se les denomina también variables de entrada. Puede considerarse que las variables exógenas actúan sobre el sistema, pero el sistema no actúa sobre ellas. Son entonces variables que se originan fuera del sistema. las variables endógenas son aquellas dependientes del sistema, generadas dentro del sistema. Las variables endógenas pueden recibir también el nombre de variables de estado, cuando indican algún estado particular de la misma variable, de un componente o del sistema. También pueden llamarse variables de salida, cuando salen del sistema o cuando explícitamente se les da dicha nominación con algún objetivo específico de control. Los parámetros son valores de variables que se hacen constantes de acuerdo a un criterio u objetivo específico, o bien, pueden considerarse valores que el operador del modelo asigna en forma arbitraria. Las relaciones funcionales son aquellas funciones matemáticas que juntan variables y parámetros de tal forma que pueden describir el funcionamiento dentro de un componente o entre componentes del sistema. Las constricciones son las limitaciones que imponen los valores de las variables de tal forma que demarcan el límite del sistema. Las constricciones están generalmente impuestas por el propio diseñador del sistema o estar dadas por la naturaleza de la variable.

33

El criterio de funcionamiento es una sentencia explícita de los objetivos o fines del sistema, además de la forma en que será evaluada la consecución de ello. Etapas en la elaboración de un modelo de simulación. Los procesos involucrados en la vida útil de un modelo de simulación, desde su diseño hasta la experimentación y puesta en marcha de las conclusiones obtenidas, requiere del uso de técnicas de diferentes disciplinas como estadística, diseño experimental, análisis numérico, econometría y programación de computadores. De hecho, la mayoría de los problemas inherentes al desarrollo y puesta a punto del modelo de simulación, son propios de algunas de las disciplinas mencionadas, esta característica global tiene como consecuencia práctica que el desarrollo del modelo corre el riesgo de dirigirse con predominancia hacia una disciplina en particular, la que mejor domine el diseñador, en desmedro del equilibrio para la consecución del objetivo específico de desarrollo del modelo. el mismo riesgo está inherente en la aplicación del conocimiento al análisis del sistema, asociado en general a las ciencias básicas o profesionales técnicos de ellas. Las características mencionadas hacen adecuado tener un esquema básico para el desarrollo de un modelo de simulación, de tal forma que denoten explícitamente puntos de control. Asumiendo entonces que se modela las propiedades de un sistema real, se pueden distinguir las siguientes etapas. - definición de objetivos - análisis del sistema - síntesis del sistema - verificación - validación - experimentación - documentación. DEFINICION DE OBJETIVOS. La definición de objetivos se refiere a tener una sentencia previa del propósito que persigue el estudio. El objetivo permitirá delinear algunos elementos como: - problema a estudiar - los componentes que deberán fo rmar parte del modelo

34

- límites del modelo a estudiar - medidas de efectividad a usarse en la evaluación del modelo. Para una correcta definición de él o los objetivos se requiere una correcta formulación del problema a resolver. Formular un problema requiere previamente que éste haya sido identificado o encontrado. Identificar un problema es, generalmente, un proceso de seleccionar entre varios problemas que compiten por los mismos recursos, el criterio con que se selecciona un problema está asociado con la factibilidad técnica, económica y política de solución que se estima, además de la urgencia que se puede percibir (Urban, 1974). El problema que se seleccione deberá ser verificado en la etapa posterior del análisis, de tal modo que pueda predecirse el impacto que tendrán los resultados si se implementa la solución. La definición del problema requiere que se hayan definido en el sistema a modelar las variables de decisión que se definirán(variables controlables), las variables externas que no serán con trolables y especificar el rango de acción de las variables de decisión. Con estos elementos será posible definir una función objetivo y las medidas de efectividad que se usarán para evaluar el funcionamiento del sistema modelado. Teniendo lo anterior, debe desarrollarse una estructura simplificada del modelo para interrelacionar las variables del sistema con las medidas de efectividad. Con este esquema, se comienza el análisis. ANALISIS DEL SISTEMA. El análisis del sistema comprende la tarea de entender las partes del sistema real y sus relaciones. En ésta pueden detectarse aquellos factores más relevantes que afectan el problema bajo estudio, y que influyen en los objetivos especificados. En esta etapa se han identificado las variables exógenas y endógenas. Las variables exógenas son externas al modelo y su existencia es independiente de él. Las variables exógenas se dividen en controlables y no controlables; las controlables se conocen también como variables de decisión y las no controlables como parám etros. En los casos límite, la decisión que una variable exógena sea controlable o no, dependerá de los recursos que tenga bajo control quien toma decisiones en el sistema

35

En el esquema del análisis del modelo, las variables endógenas son internas al modelo y estarán en función de las variables exógenas y de la estructura del modelo. Para evaluar la efectividad del sistema se definen una o varias medidas de efectividad, que permitan juzgarlo. Tales medidas de efectividad se seleccionan de entre las variab les endógenas del sistema. La selección de una o más medidas de efectividad, que se desea maximizar o minimizar en el funcionamiento del sistema, conforma lo que se conoce como función objetivo. En términos estrictos, en simulación no debería hablarse de optimización, ya sea maximizar o minimizar, ya que ello presupone que se dispone de un criterio que permite identificar de forma inequívoca un óptimo, lo cual no se tiene en simulación. de esta forma, cuando hablemos de maximizar o minimizar, se entenderá q ue se refiere a tender hacia valores más alto o más bajos, después de muchas corridas del modelo (experimentación con el modelo). La selección de varias medidas de efectividad agrega frecuentemente el problema de que no puede tratarse simultáneamente. Así por ejemplo, puede suceder que si deseamos reducir dos medidas simultáneamente, cuando una medida baja, la otra tiende a subir. En estos casos, debe tomarse en cuenta que la experimentación debería estar dirigida a obtener superficies de respuesta del sis tema, relacionando las salidas del sistema entre sí, de modo de poder identificar un conjunto de parámetros con funcionamiento satisfactorio. Tal procedimiento requiere una gran interactuación del modelo. SINTESIS DEL SISTEMA. La síntesis del sistema se refiere a la organización o abstracción de los componentes relevantes del sistema en un sistema lógico. Formarán parte de la síntesis, en mayor o menor medida, alguna de las siguientes actividades: - elaboración de diagrama de flujo o algoritmos de los com ponentes del sistema. - declaración de hipótesis relativas al funcionamiento de componentes o del sistema. - identificación y preparación de los datos necesarios para el desarrollo del modelo, y su reducción a una forma apropiada. - especificación de la forma en que las variables y componentes del sistema se relacionan, expresado en forma cuantitativa.

36

- trascripción del sistema lógico diseñado para el modelo a un lenguaje de programación, adecuado para el problema y computador que se usará. Para establecer la forma específica de las relaciones entre variables y componentes, quien elabora el modelo deberá recurrir a la información relevante, a resultado de investigación vinculada a los aspectos en estudio y a procedimientos estadísticos adecuados. El carácter representativo del modelo elaborado dependerá, en última instancia, de la medida en que han sido incorporadas las variables relevantes, de la validez de los supuestos realizados, de la correcta formulación lógica y matemática y adecuada estimación de parámetros. VERIFICACION DEL SISTEMA La verificación es una etapa esencialmente racional, en que se da interpretación a las funciones matemáticas calculadas, de acuerdo al fenómeno real investigado. La aceptación de una función estará basada en, además de los procedimientos estadísticos adecuados, el conocimiento y racionalismo que tiene sobre la materia el grupo que está haciendo la modelación. VALIDACION DEL SISTEMA La validación es la aceptación, a través de procedimientos estadísticos adecuados, de un nivel aceptable de confianza (en concordancia con el objetivo inicial planteado) de tal modo que sean correctas las extrapolaciones al sistema real hechas desde las inferencias obtenidas con el modelo. La validación se realiza generalmente por medio de muchos análisis estadísticos, que se van realizando a medida que se desarrolla el modelo, y no a través de un único y último test de validez, en esta etapa. Sin embargo, puede diferenciarse el hecho de aplicar análisis estadísticos a partes o componentes del modelo, frente a la acción de aplicarlos al modelo total, y a las variables de respuesta que más interesan. Frente al problema de validar el modelo total, los procedimientos más utilizados pueden dividirse en dos grupos: a) contrastación de datos de salida, que a su vez puede tener dos variantes: funcionamiento del sistema en rangos normales o estándar y funcionamiento en condiciones límite.

37

b) contrastación del funcionamiento del modelo con opiniones de grupos selectos de expertos, donde se reconocen dos métodos, de Turing y de Delphi. En todos estos procedimientos debemos suponer que se han hecho análisis estadístico de partes o componentes. Algunos autores suelen adjudicarle, al conjunto de análisis estadístico de las partes o componentes, el carácter de validación. El procedimiento de contrastación de datos de salida se refiere a comparar los datos de salida del modelo, conocidos los parámetros de ingreso, con valores del sistema real, operación que se realiza generalmente en un rango de condiciones normales de funcionamiento del sistema. Para este procedimiento pueden usarse todos los análisis estadísticos conocidos como de medias y varianzas, análisis de varianza, regresión, análisis espectral, chi cuadrado y análisis no paramétrico. Puede destacarse en este grupo, un método específico propuesto para modelos de simulación (Cañas, 1974), que consiste básicamente en una regresión entre valores reales y los predichos por el modelo, forzando a un intercepto igual a cero. Tal procedimiento permite us ar estimadores de variación, con tamaño de muestra grande, que pueden ser aplicados en el análisis de sensibilidad. La validación del modelo funcionando en condiciones límite se refiere al hecho de poder contar con la información del sistema real operando en condiciones extremas, de catástrofe. Tal situación, en general, en forma ocasional puede ser observada y medida. Si se da esta circunstancia, es la forma ideal de verificar la consistencia y solidez de funcionamiento del modelo. El primer procedimient o mencionado, utilizando un grupo de personas expertas, que puede utilizarse en la validación del modelo total, se atribuye a Turing (1959). Consiste, en líneas generales, en reunir un grupo de expertos del área en que se modela el sistema, presentándoles un set de datos del sistema real y un set de datos generados por el modelo, para ver si pueden identificar diferencias o descubrir el set simulado. El proceso puede repetirse con diferentes conjuntos de datos. En muchos casos no existe documentación de da tos reales con los cuales validar las salidas del modelo, transformándose este procedimiento en el único factibles de aplicar. Este es un método poco difundido en el área de Agronomía, no obstante, se han señalados buenos resultados con su aplicación (Aguilar, Cañas, 1991). El método de Delphi fue desarrollado en la RAND Corporación (Norman y Helmer, 1962), para salvar las situaciones en que se disponía de muy poca

38

información sobre el sistema real en estudio. Consiste básicamente en reunir un grupo de expertos, a los cuales se les entrega repetidamente cuestionarios y datos controlados de ingreso del sistema, incluyendo opiniones de realimentación y análisis estadístico, se evita en este procedimiento las discusiones frente a frente entre los expertos, para evitar la dominancia de líderes o elocuencia de los expertos. Dentro de los métodos utilizados por los expertos, el Delphi puede considerarse como opuesto al de Turing. en efecto, mientras en el primero los expertos generan los datos de salida (predicen el funcionamiento del sistema real frente a valores de los parámetros), en el método de Turing evalúan los datos de salida generados por el modelo. Debe también notarse que, con el procedimiento de utilización de un grupo de expertos generalmente es factibles evaluar el sistema funcionando en condiciones límite. EXPERIMENTACION CON EL MODELO La experimentación es la ejecución del modelo de simulación de modo de generar la información deseada. La etapa de experimentación comprende varias actividades: - diseño y planificación de los experimentos que proporcionarán la información que se desea. - planeamiento táctico de la información y características necesarias para ejecutar el modelo con el diseño experimental apropiado. - análisis de sensibilidad, entendida como la cuantificación de la variación producida en los datos de salida frente a cambios en los datos de entrada o en los parámetros del modelo. - inferencias. El planeamientos estratégico de, como diseñar los experimentos que permitirán obtener la inf ormación que se desea obtener, puede apoyarse, en gran medida, en los diseños experimentales desarrollados en las ciencias biológicas y físicas, que han tenido un gran desarrollo en las últimas décadas. Ello simplificará el proceso de experimentación, aportando una estructura para el proceso de investigación con claras economías, en términos de reducir el número de experimentos requeridos. Sin embargo, en términos generales, generalmente los objetivos de la experimentación estarán dirigidos a encontrar los valores de algunos parámetros que maximizan (o minimizan) una variables de salida o producto,

39

o a explicar y determinar las relaciones entre variables de salida y factores controlables del sistema. El análisis de sensibilidad es, en esta etapa, uno de los conceptos más importantes y de mayor utilidad en la simulación mediante modelos. El análisis de sensibilidad se realiza haciendo una variación sistemática de los valores de los parámetros, en un rango razonable o de interés especial, observando su efecto en las variables de salida del modelo. La implicancia mayor del uso de este concepto, es que permite delinear, con la ayuda del modelo, áreas prioritarias de investigación. De este modo, si las respuestas cambian en una gran proporción frente a pequeños cambios de alguno de los parámetros, se puede analizar si ello motiva y justifica dedicar más recursos a acrecentar el conocimiento de tal relación u obtener mayor precisión en tal estimación. Por otro lado, si los resultados no cambian frente a grandes variaciones en los valores de los parámetros, indica que no se justifican ni son necesarios más esfuerzos en tal dirección. DOCUMENTACION DEL MODELO La documentación se refiere a la constancia escrita de todas las etapas del proyecto, de modo que un usuario que no intervino en su desarrollo pueda entender, teniendo a la vista los objetivos del estudio, la lógica del modelo, validaciones e inferencias. Si el modelo traspasado a otros grupos debería contar con un manual de operación y uso, anexo a la informa ción anterior. CLASIFICACION DE LOS MODELOS DE SIMULACION Si tomamos en consideración lo que vamos a entender por simulación, las características estructurales del modelo que necesitamos y las etapas más adecuadas para obtenerlo, podemos ver que hemos ido restringiendo el dominio de lo que entenderemos por simulación y de los modelos que usaremos. De este modo, simulación será el diseño de un modelo matemático o lógico de un sistema real, con el objeto de realizar experimentación (hecha generalmente en un computador) con dicho modelo, para estudiar, explicar y predecir el funcionamiento del sistema real. Esta idea más precisa de lo que podríamos llamar análisis de simulación sugiere algunos aspectos que se deben tener en consideración: - se requiere desarrollar en forma explícita un modelo matemático o lógico del sistema real.

40

- tal modelo debe ser, de acuerdo a los objetivos planteados, una adecuada representación del sistema real bajo estudio. - debe ser posible representar el modelo lógico o matemáti co en un programa computacional, de tal forma que se pueda realizar la verificación, validación y experimentación deseada en forma eficaz y eficiente. De especial importancia es el hecho de que es necesario diseñar un modelo lógico o matemático, en cuyo proceso se debe elegir las variables más adecuadas de los componentes así como la estructura del modelo, el clasificar los modelos de simulación ayuda a recalcar tales características, en especial si dicha clasificación se hace en torno a propiedades de las variables o estructura del modelo. Se han realizado algunas clasificaciones dicotómicas (Naylor, 1973; Hoover, 1989), que sirven adecuadamente a este propósito, donde los modelos de simulación pueden clasificarse en : - discretos o continuos - probabilísticos o determinísticos - estáticos o dinámicos - con o sin realimentación Si se hace la clasificación de modelos discretos o continuos ello se refiere al tipo de variables que se usa en el modelo. Una variable continua es aquella que puede tomar como valor cualquier número real. Una variable discreta es aquella que está limitada a sólo algunos valores especificados. Sin embargo, en los modelos de simulación se reserva esta dicotomía para los cambios de los valores de las variables del modelo en relación a la variable tiempo que se utiliza. Así, si las alteraciones en los valores de las funciones ocurren en forma continua, a una tasa constante, a medida que el tiempo varía, se clasifica el modelo como continuo. Por otro lado, si los cambios ocurre en pu ntos discretos del tiempo, el modelo se dice que es discreto. Debe notarse que un modelo llamado continuo puede tratar el tiempo en forma discreta. Por ejemplo, un modelo con avance de tiempo de períodos fijos de un día, con cambios de los valores de las variables todos los días, es clasificado como modelo continuo. Esta estructura de avance de tiempo, con un modelo que se llamará continuo, es muy usada en los modelos de simulación de producción animal, debido fundamentalmente al tipo de información disponible y a como se ha desarrollado el conocimiento en el área, tomando como base períodos de un día.

41

Cuando se diferencia entre modelos probabilísticos y determinísticos, también se está haciendo referencia a las variables del modelo, de este modo si cualquiera de las variables del modelo es aleatoria, se clasifica el modelo como probabilístico. Un ejemplo de modelo de simulación en producción animal, clasificados como probabilístico, es un modelo para el estudio de la producción de carne y fibra de alpaca, donde una variable, consumo, es descrita con una adecuada función de probabilidad (Arce, 1989). En cambio si las variables matemáticas del modelo, cuyos valores se determinan con certeza absoluta, son suficientes para representar el funcionamiento del sistema, estamos frente a un modelo de tipo determinístico. Un ejemplo, es el modelo desarrollado por Silva (1983), donde en un estado de régimen de un predio dedicado a producción ovina, se estudió la respuesta de producción de ovejas de cría frente a difer entes esquemas de manejo de animales y sistemas de pastoreo. Haciendo también referencia a las variables del modelo encontramos la dicotomía estático dinámico. se dice que un modelo es dinámico si los valores de sus variables cambian con el tiempo. Se acostumbra también decir que un modelo es dinámico si tiene incorporada la variable tiempo en su estructura, lo que supone que debe estar relacionada con otras variables y por ende, estas varían en función del tiempo. Por otro lado, un modelo será estático si los valores de sus variables no cambian con el tiempo. El concepto de retroalimentación en un modelo está determinado por su estructura más que por características de sus variables. Un modelo sin realimentación es aquel que no tiene previsto que un valor de salida del modelo vuelva como valor de entrada, modificando de dicha forma las futuras salidas. En cambio, un modelo con realimentación tiene previsto poner el valor de salida como nueva entrada, comparando algún nivel u objetivo, de modo de alterar el sistema para mantenerlo en un rango deseado o aproximarlo a un valor determinado. Un ejemplo típico de modelo con realimentación, en producción animal, es un modelo de producción de carne a pastoreo, donde los cambios de pastoreo se realizan automáticamente para mantener un nivel de rezago, buscando el potrero al cual se cambia con algún criterio preestablecido (Durán, 1983; Sampedro, 1989).

42

VENTAJAS Y DESVENTAJAS DE LOS MODELOS DE LOS MODELOS DE SIMULACION. Como ha podido verse, las etapas ha seguir en el desarrollo de un modelo de simulación, en especial las primeras, de identificación, definición y análisis, están orientadas al problema. Por lo cual, puede decirse que un modelo de simulación será siempre específico para una situación particular, dado que los problemas a estudiar no serán siempre los mismos (Csáki, 1985). Sin embargo, esto no quiere decir que los modelos de simulación no posean elementos y reglas generales que puedan aplicarse en cada desarrollo, sino que está indicando que tales e lementos y reglas son muy flexibles y no conforman un procedimiento formal rígido. Esta flexibilidad en la aplicación de elementos, es sin duda la principal y más importante ventaja de los modelos de simulación. Ello, por el alto grado de realismo que puede incluirse en el modelo sin mucha dificultad, y consecuentemente, dado el alto grado de realismo, la facilidad con que puede explicarse dicho modelo a los profesionales que toman decisiones, expertos en el área que se simula pero no en modelación y sus t écnicas. Las características mencionadas dan a los modelos de simulación el carácter de una poderosa herramienta. sin embargo, carecen de cualidades que otro tipo de modelo tienen, como son los llamados modelos analíticos, que se entiende, son los de programación lineal, entera, dinámica, no lineales, procesos markovianos y otros. Incluso, por el efecto de dicha carencia, hay autores que piensan (Wagner, 1975), que la simulación debe utilizarse como última medida, si los otros modelos no pueden ser aplic ados. Tal posición es obviamente extrema, estando la realidad en un punto intermedio. De este modo, las ventajas que pueden atribuirse a los modelos analíticos frente a los de simulación, se resumen en los siguientes puntos: - la descripción del problema se realiza en forma concisa, es decir, se hace en forma breve, tendiendo a expresar los conceptos con el menor número de símbolos posibles. - puede evaluarse con facilidad el impacto que tiene el cambio de los datos de entrada del modelo, es decir, el ca mbio que produce sobre las salidas del modelo.

43

- en muchos casos, el modelo tiene la habilidad para determinar una solución óptima. -las soluciones tienen un espacio cerrado predecible. Por otro lado, los modelos analíticos pueden presentar las siguientes desventajas: - el modelo analítico puede forzar a hacer asumpciones, acordes con la estructura del modelo, que son poco realistas, dando por efecto una mala representación del problema. - se puede llegar a hacer formulaciones matemáticas de un grado d e complejidad tal, que sea imposible el encontrar una solución.

En resumen, los modelos de simulación, comparados con los analíticos, pueden obviar las desventajas de los modelos analíticos, pero sacrificando algunas de las ventajas de éstos. Pero también, los modelos de simulación tienen por si solos algunas ventajas, como son: - pueden describir sistemas de gran complejidad, tales como los sistemas agrícolas. - pueden utilizarse para experimentar con sistemas que aún no existen en la realidad. - pueden utilizarse para experimentar con sistemas existentes, sin alterarlos o incurrir en los costos que ello significa. - pueden ser usados en entrenamiento y capacitación de manejo de sistemas, lo que permite una experiencia simulada en un corto tiempo. Las deficiencias o desventajas que pueden atribuirse al os modelos de simulación se resumen en los siguientes puntos: - los modelos de simulación no tienen espacio cerrado de soluciones, es decir, cada cambio en las variables de entrada del modelo requier e un conjunto planificado de corridas del modelo.

44

- la simulación de un sistema muy complejo puede tomar mucho tiempo en construirse, con un alto costo. En rigor, esta característica no debería tomarse como desventaja, sin antes hacer una evaluación costo - beneficio. - la validación de un modelo de simulación puede ser en muchos casos la etapa más difícil de resolver. Como puede verse, no es fácil delimitar en forma cortante y clara cuándo usar la simulación. Por lo tanto, debe evaluarse en cada caso cua ndo las bondades superan las desventajas. Sin embargo, no se debe perder de vista la razón de la existencia de los modelos de simulación, así como la de cualquier otro modelo que permita ayudar a la toma de decisiones: evaluar alternativas de decisión de manejo de sistemas para seleccionar, la mejor o al menos la más adecuada estrategia de manejo.

BIBLIOGRAFIA AGUILAR, C. 1992. Modelos de Simulación. Una herramienta de análisis de sistemas para la resolución de problemas agrícolas. En: Seminario Latinoamericano de Sistemas en Producción Animal. CET - CLADES. Enero 1992. AGUILAR, C.; CAÑAS, R. 1991. Modelos de simulación de producción ovina para el Altiplano de Perú. Ciencia e Investigación Agraria, Vol.18(1 -2):23-46. AGUILAR, C.; CAÑAS, R. 1991. Simulación de Sistemas. Aplicación en Producción Animal. Depto. Zootecnia, P. Univ. Católica de Chile. 138p. AGUILAR, C.; CAÑAS, R.; GASMAN, M. 1983. Simulación matemática del manejo empresarial de un predio de producción de ganado de carne, con fines docentes. Boletín Programa de Pedagogía Universitaria. Ed . por Vicerrectoría Académica, Pontificia Universidad Católica de Chile. Nº16, p.15-34. AGUILAR, C.; CAÑAS, R.; GASMAN, M. 1983. Simulación matemática del manejo empresarial de un predio de producción de ganado de carne, con fines docentes. En Seminario Innovaciones en la Enseñanza Superior, p.11 24. Ed. por P. Univ. Católica de Chile. 317p. AGUILAR, C.; CAÑAS, R.; GASMAN, M. 1984. Juego de empresas en producción de carne bovina. Sistemas en Agricultura 3 (9):1-74. Ed. por Depto. Zootecnia, P. Univ. Católica de Chile.

45

ARCE, B.B. 1989. Análisis de sistema de producción de alpacas en pequeños productores de Puno, Perú, mediante un modelo de simulación. tesis de Magister en Producción Animal, P. Univ. Católica de Chile. 222p. BETCH, G. 1974.System theory, the key to holimand reductionism. Bioscience 24(10):569 -579. BOULDING, K.E. 1977. La teoría general de sistemas: el esqueleto de la ciencia. In G. Campero y H. Vidal Comp. Teoría General de Sistemas y Administración Pública. San José, Costa Rica. Editorial Universitaria Centroamericana. p. 65 -80 CAÑAS, R. 1974. The lactational efficiency complex in rats. Ph.D. Tesis, Dept. An. Scie., University of California at Davis. 106p. CAÑAS, R.; AGUILAR, C. 1982. Análisis de Sistemas en Ciencias Agropecuarias. En Seminario II -CA cono Sur BID : Sistemas en Investigación Agropecuaria. Montevideo. Uruguay. CSAKI, C. 1985. Simulation and Systems Analysis in Agriculture. Elsevier Science Publishers. Amsterdam. 262p. CHAPRA, S.C.; CANALE, R.P. 1987. Métodos numéricos para ingenieros, con aplicaciones en computadores personales. Traducción de Carlos Zapata S. y Alberto Cortés A. Mc. Graw- Hill, México. 641p. DURAN, H.O. 1983. Modelos de simulación para el estudio del manejo de sistemas pastoriles de producción de leche. Tesis de Magister en Producción Animal, P. Univ. Católica de Chile. 200p. ELMAGHRABY, S.E. 1968. The role of modeling in Y. E. design. The Journal of Industrial Engineering. Vol XIX, Nº 6. FORRESTER, J.W. 1961. Industrial Dynamics. Masachusetts Institute of Technology Press, Cambridge, Mass. GALLARDO, S.; J. GASTO. 1987. Sistema de clasificación de pastizales. Pontificia Universidad Católica de Chile; Sistemas en Agricultura IISA - 8714. Santiago.

46

GASTAL, E. 1977. Sistemas de produção. En Sistemas de Producción Agrícola. Mesa Redonda del Consejo Técnico Consultivo. XXII Reunión. Sto. Domingo. Rep. Dominicana. IICA, 10p. GASTO, J. 1979. Bases ecológicas para la modernización de la agricultura. CEPAL. Seminario. Estilos de desarrollo y medio ambiente. Santiago Chile. GASTO, J. 1979. Ecosistemas. Componentes y atributos relativos al desarrollo y medio ambiente. Seminario sobre estilos de desarrollo y medio ambiente. Santiago Chile. 37p. HOOVER, S.V.; PERRY, R.F. 1989. Simulation. A problem -solving approach. Addison-Wesly Publishing Company. Reading, Massachussetts. 400p. JOHANSEN, O. 1979. Introducción a la Teoría General de Sistemas. Depto. Administración. Fac. Ciencias Económicas y Administrativas. Un iv. de Chile. 202p. JOHANSEN, O. 1985. Jerarquía. Serie Investigación Nº 13. Depto. Administración. Fac. Ciencias Económicas y Administrativas. Univ de Chile. NAYLOR, T.H.; BALINTYF, J.L.; BURDICK, D.S.; CHU, K. 1973. Técnicas de simulación en computadoras. Editorial limusa. México. 390p. NAVA, C.; ARMIJO, R.; GASTO, J. 1979. Ecosistema. La unidad de la naturaleza y el hombre. Univ. Auton. Agr. Antonio Narro. México. 332p. NOEMAN, D.; HELMER, O. 1962. An Experimental Application of the Delphi Method to the Use of Experts RM -727. The RAND Corporation, July. ROUNTREE, J.H. 1977. System thinking - some fundamental aspects. Agric. Systems 2(4):247-254. SAMPEDRO, D.F. 1989. Desarrollo de un modelo matemático para la planificación del manejo y utilización de paturas. Tesis de Magister en Producción Animal, P. Univ. Católica de Chile. 89p. SHANNON, R.E. 1975. Systems simulation. The art and science. Prentice Hall, Inc. Englewood Cliffs, New Jersey, U:S:A: 387p. SILVA, J.A.R. 1983. Modelos de simulación para el estudio del manejo de sistemas pastoriles de cría ovina. Tesis de Magister en producción Animal, P. Univ. Católica de Chile. 181p.

47

SPEDDING, C.R. W. 1975. The biology of agriculturalmsystems. Academic Press. London. 261p. TURING, A.M. 1959. Computing Machinery and Intelligrnce. Mind, Vol 59. URBAN, G. 1974. Building models for decision makers. Interfaces, Vol 4,Nº3. VALDERAS, R. 1988. Análisis de Sistemas Zonales. Departamento Desarrollo Rural. Fac. Ciencias Agrarias y Forestales. Univ. de Chile. 27 2p. VENEGAS, R. 1990. Sitio y Tecnología. Seminario postgrado. Depto. Zootecnia. P. Univ. Católica de Chile. 40p. VON BERTALANFFY, L. 1986. General System Theory: Fundations, Development, Applications. George Braziller, Nueva York. 311p. VON. BERTALAFFY, L. 1977. La Teoría General de Sistemas: una revisión crítica. In G. Campero y H. Vidal Comp. Teoría General de Sistemas y Administración Pública. San José, Costa Rica. Editorial Universitaria Centroamericana, p.17 -64. WAGNER, H.M. 1975. Principles of Operations Research, Second Edition, Englewood Clifss, New Jersey : Prentice -Hall, Inc.

48