Institutional Dynamics in Agent-Based Models: Identifying Action-Space, Timing, and Distributional Effects Through Controlled Simulation

En el estudio de cómo funcionan los grupos, desde el flujo del tráfico hasta las economías de mercado, los científicos suelen observar las reglas que gobiernan el comportamiento. Estas reglas, conocidas como instituciones, hacen más que simplemente ofrecer recompensas o penalizaciones; definen fundamentalmente lo que es posible. Imagine una habitación llena de personas intentando obtener agua de un único grifo. La realidad física es simple: hay una cantidad limitada de agua y un número limitado de personas. Pero las reglas de la habitación determinan quién tiene permitido dar un paso al frente, quién debe esperar y quién tiene prohibido tocar el grifo en absoluto. En las simulaciones por computadora, los investigadores construyen mundos virtuales para probar cómo estos cambios en las reglas alteran los resultados. Un desafío clave en este campo ha sido separar el efecto de las reglas en sí del comportamiento de las personas que las siguen. A menudo, cuando un sistema cambia, es difícil determinar si el resultado provino de un cambio en las reglas, un cambio en los deseos de las personas o un cambio en los recursos físicos disponibles.

Roberto Garrone, investigador de la Universidad Abierta de Chipre, abordó este problema diseñando un experimento computacional controlado para aislar el poder de las reglas. Construyó un mundo sintético con treinta agentes virtuales y un suministro limitado de un recurso escaso. En este mundo, cada agente tenía los mismos deseos básicos y las mismas capacidades físicas. Lo único que cambiaba entre las diferentes ejecuciones de la simulación era la arquitectura institucional: el conjunto de permisos y restricciones que regían qué acciones podía realizar legalmente cada agente. Al mantener a los agentes y el entorno perfectamente idénticos, Garrone pudo observar exactamente cuánto de diferencia marcaron las reglas por sí solas. Descubrió que cambiar las reglas no necesariamente cambiaba la cantidad total de recurso distribuido, pero remodelaba drásticamente quién recibía qué, cuánto tiempo debían esperar y qué opciones se les permitía siquiera tomar.

El experimento comenzó con un escenario de base donde ninguna regla restringía a los agentes. En este "todos contra todos", cada agente podía elegir entre cuatro acciones posibles: realizar una solicitud de prioridad, realizar una solicitud regular, esperar o retirarse. Esto sirvió como control para ver cómo se comportaba el sistema sin ningún filtrado institucional. A continuación, los investigadores introdujeron un conjunto de reglas estáticas. En esta versión, un grupo fijo de agentes, que representaba el veinte por ciento de la población, recibió un derecho de prioridad especial. El otro ochenta por ciento perdió la capacidad de realizar solicitudes de prioridad. La simulación se ejecutó durante ochenta pasos, con agentes llegando de forma aleatoria y una capacidad fija de cinco unidades de servicio disponible en cada paso. Los resultados fueron sorprendentes. Aunque la cantidad total de servicio entregado al grupo se mantuvo casi exactamente igual que en la versión sin restricciones, la distribución de ese servicio cambió significativamente. El veinte por ciento privilegiado recibió el veintiséis punto seis por ciento del servicio total, una sobrerrepresentación clara en comparación con su proporción de la población. Mientras tanto, el número promedio de opciones disponibles para el agente promedio disminuyó de cuatro a aproximadamente tres, una medida que el investigador llama la relación del espacio de acción.

El estudio pasó entonces a un escenario más complejo donde las reglas podían cambiar según el estado del sistema. Este régimen dinámico comenzó con las mismas reglas estáticas pero añadió un mecanismo: si un agente esperaba demasiado tiempo, el sistema le otorgaría temporalmente un derecho de prioridad por un corto período. Esto fue diseñado para imitar situaciones del mundo real donde las largas esperas activan concesiones especiales. Cuando se aplicó esta regla dinámica, el resultado cambió de nuevo. La ventaja mantenida por el grupo de prioridad fijo se redujo, cayendo al veintitrés punto cinco por ciento del servicio total. El sistema se volvió ligeramente más equitativo y el número promedio de opciones disponibles para los agentes aumentó, aunque no regresó a la libertad total de la línea de base sin restricciones. Crucialmente, la cantidad total de servicio entregado al grupo permaneció virtualmente inalterada a través de todos estos diferentes conjuntos de reglas. Esto demostró que las reglas no solo estaban alterando la eficiencia del sistema, sino que estaban redistribuyendo activamente las cargas y beneficios entre los participantes sin cambiar el rendimiento general.

Para asegurar que estos resultados no fueran solo un error de coincidencia, los investigadores realizaron una prueba diagnóstica específica. Tomaron exactamente los mismos agentes y les dieron exactamente el mismo número total de derechos de prioridad, pero cambiaron cuándo estaban activos esos derechos. En una versión, los derechos se otorgaban temprano en la simulación, independientemente de cuánto tiempo hubieran esperado los agentes. En la versión dinámica, los derechos se otorgaban solo después de que un agente hubiera esperado una duración específica. Aunque el número total de derechos que poseía cada agente era idéntico, los resultados fueron diferentes. La versión donde los derechos se otorgaban basados en el estado del sistema resultó en tiempos de espera más largos para aquellos que eran atendidos y menos agentes abandonando el sistema por frustración. Esto demostró que el momento de una regla, y cómo se vincula a la situación actual, importa tanto como la regla misma. No basta con contar cuántos derechos posee un agente; también se debe entender cuándo se activan esos derechos.

Los investigadores probaron la robustez de estos hallazgos ejecutando la simulación bajo dieciocho condiciones diferentes, variando el número de agentes que llegaban, la velocidad del servicio y el tamaño del grupo privilegiado. En cada uno de los casos, el patrón central se mantuvo. Las reglas estáticas redujeron consistentemente el número de opciones disponibles para los agentes y concentraron el servicio entre el grupo privilegiado. Las reglas dinámicas restauraron consistentemente algunas de esas opciones y redujeron la concentración, aunque a menudo aumentaron el tiempo que los agentes pasaban esperando. Los efectos fueron más pronunciados cuando el sistema estaba bajo alta presión, con muchos agentes compitiendo por recursos limitados. Cuando el sistema tenía mucha capacidad y pocos agentes, las diferencias entre los conjuntos de reglas se volvieron insignificantes, lo que sugiere que las reglas institucionales importan más cuando los recursos son escasos.

Este trabajo no pretende resolver problemas de política del mundo real ni predecir exactamente cómo se comportará un sistema legal específico. El modelo es una construcción sintética, un laboratorio digital simplificado diseñado para probar un mecanismo específico. Los agentes no son personas reales con historias complejas, y el recurso no es un producto real. Sin embargo, el estudio proporciona evidencia clara de que la dinámica institucional actúa como una capa de causalidad distinta. Pueden redistribuir el acceso y la carga de maneras que las medidas estándar de eficiencia podrían pasar por alto. Un sistema puede parecer estar funcionando perfectamente bien en términos de producción total, mientras que las reglas que lo gobiernan están desplazando silenciosamente la carga hacia grupos específicos. Al separar la generación de las acciones posibles de las reglas que las filtran, y luego de las elecciones que toman los agentes, el estudio ofrece una nueva forma de mirar cómo las instituciones dan forma a nuestro mundo. Sugiere que para comprender verdaderamente un sistema, uno debe mirar no solo lo que se produce, sino el paisaje cambiante de lo que es posible para las personas dentro de él.