Exploratory Modelling of Multi-System Transformation Pathways from Real-World Data: A SINDy-Inspired Sparse Orthogonal Regression Technique

Resumen Técnico: Modelización Exploratoria de Trayectorias de Transformación de Sistemas Múltiples

Planteamiento del Problema
Las transiciones de sostenibilidad involucran dinámicas interactivas a través de las dimensiones social, tecnológica, económica, ambiental y de gobernanza. Los enfoques de modelización existentes suelen enfrentarse a una dicotomía: o bien aíslan los subsistemas, o bien dependen de trayectorias basadas en la optimización que no representan explícitamente las retroalimentaciones, la dependencia de la trayectoria (path dependence) y las restricciones institucionales. Además, los modelos tradicionales tienen dificultades para capturar la naturaleza no lineal, asincrónica y a menudo impulsada por crisis de las transiciones socio-ecológicas, manteniendo al mismo tiempo la transparencia y el fundamento empírico. Existe la necesidad de un marco de modelización que puentee los sistemas dinámicos cuantitativos y la teoría de la transición sin imponer supuestos estructurales rígidos ni pretender una precisión de previsión determinista.

Metodología: Técnica de Regresión Ortogonal Dispersa (SORT)
El estudio introduce la Técnica de Regresión Ortogonal Disversa (SORT, por sus siglas en inglés), un marco de sistemas dinámicos basado en datos inspirado en la Identificación Dispersa de Sistemas Dinámicos No Lineales (SINDy). A diferencia de los enfoques que especifican un modelo estructural completo ex ante, SORT infiere dependencias transdominio parsimoniosas directamente a partir de datos de series temporales armonizados.

• Datos y Variables: El prototipo utiliza una ventana empírica de 20 años (2005–2025) que cubre indicadores de toda la UE en diez dominios: cuota de energías renovables, emisiones reguladas por el ETS, productividad de los recursos, intensidad de la digitalización, innovación limpia (patentes verdes), rigor de las políticas, finanzas de la transición, bienestar social, estrés ambiental y resiliencia del sistema.
• Enfoque Algorítmico: El método construye una biblioteca de términos explicativos potenciales (interacciones lineales y de bajo orden) a partir de las variables observadas. Estos términos se representan mediante una expansión de base ortogonal para asegurar aproximaciones estables y compactas. Se aplica entonces una regresión dispersa para seleccionar el subconjunto de términos que mejor explica las tasas de cambio observadas, penalizando la complejidad del modelo para evitar el sobreajuste (overfitting).
• Filosofía: El sistema dinámico compacto resultante se interpreta como una representación estructural de las interacciones y bucles de retroalimentación a medio plazo, no como una herramienta de previsión. El enfoque prioriza la identificación de dependencias dominantes e influencias de signo consistente sobre la predicción numérica precisa.

Resultados Clave
El estudio compara el sistema dinámico (DS) derivado de SORT frente a extrapolaciones lineales univariantes simples a través de las diez variables:

• Divergencia de las Tendencias Lineales: Mientras que el modelo DS reproduce fielmente los datos históricos, sus proyecciones hacia adelante (2025–2045) divergen de las tendencias lineales donde existen retroalimentaciones reforzadoras.

  • Emisiones del ETS: El modelo DS proyecta un descenso más pronunciado que la extrapolación lineal, lo que sugiere que bajo condiciones estructurales alineadas (finanzas, productividad, estrés), la descarbonización puede acelerarse de forma no lineal.
  • Finanzas de la Transición: El modelo captura una aceleración convexa en las finanzas verdes, reflejando un refuerzo endógeno a medida que los mecanismos de coordinación maduran, mientras que los modelos lineales asumen un crecimiento marginal constante.
  • Productividad de los Recursos: El modelo DS muestra una aceleración en las ganancias de productividad impulsada por una actualización tecnológica coordinada, contrastando con la tasa constante que asumen las tendencias lineales.
  • Estrés Ambiental: A diferencia de los modelos lineales que asumen una acumulación constante, el modelo DS captura oscilaciones no lineales y estabilización condicional, reflejando la naturaleza hidrológica y sistémica del estrés.
  • Estabilidad: Variables como la cuota de energías renovables, la digitalización y el rigor de las políticas muestran trayectorias donde el modelo DS permanece cerca de la extrapolación lineal, indicando estabilidad estructural o ritmos institucionales de movimiento lento.

• Estructura Causal Inferida: La regresión dispersa revela un conjunto compacto de dependencias recurrentes, organizadas en tres dominios interactuantes:

  1. Socio-Tecnológico: Un bucle de retroalimentación mutuamente reforzador entre la innovación limpia y el bienestar social.
  2. Ambiental-Productivo: El estrés ambiental actúa como un núcleo de restricción, influyendo negativamente tanto en la adopción de energías renovables como en la productividad de los recursos.
  3. Gobernanza-Transición: El rigor de las políticas apoya la movilización financiera, la cual a su vez permite la dinámica de la innovación. La resiliencia (integración financiera) actúa como un modificador estabilizador en lugar de un motor directo.

Significación y Reivindicaciones
El artículo posiciona a SORT como una herramienta de "andamiaje causal" para las interfaces ciencia-política en lugar de un motor predictivo. Sus principales contribuciones son:

1. Fundamentación Empírica de la Teoría de la Transición: El modelo proporciona una representación empíricamente fundamentada de las dinámicas de retroalimentación de sistemas múltiples, cerrando la brecha entre la teoría de la transición abstracta y la modelización cuantitativa. Demuestra que las transiciones de sostenibilidad son procesos coevolutivos donde el cambio tecnológico, la gobernanza, las finanzas y las condiciones sociales son estructuralmente interdependientes.
2. Reconstrucción Exploratoria: La técnica ofrece un método compacto para reconstruir trayectorias de transformación a partir de datos del mundo real, identificando tendencias estructurales y dinámicas condicionales (por ejemplo, cómo la descarbonización acelerada depende de la alineación de las finanzas, la innovación y la reducción del estrés).
3. Relevancia Política: Al traducir las dependencias inferidas en estructuras de retroalimentación, el análisis identifica secuencias reforzadoras (ej. innovación-bienestar) y restricciones de equilibrio (ej. estrés ambiental). Esto apoya la formulación de políticas como principios de dirección estructural en lugar de objetivos de optimización, enfatizando la necesidad de una coordinación transdominio para activar retroalimentaciones positivas y mitigar los acoplamientos desestabilizadores.

Los autores mantienen una postura modesta, reconociendo que el modelo es un estudio de viabilidad y un prototipo. Afirman que el valor reside en la interpretabilidad de la estructura causal y la generación de contrafácticos transparentes, más que en la previsión de futuros deterministas. El trabajo sirve como base para desarrollar versiones más elaboradas e integrar estos conocimientos basados en datos con la planificación de escenarios participativa.