Download Complejidad en las ciencias sociales

D. Pérez Chico y L. Paz Rodríguez (eds.) Explicar, comprender, interpretar.
Emergencia y explicación en sistemas complejos:
el caso de la acción social1
Antoni Gomila
Grup d’Evolució i Cognició Humana. Unitat Associada al IFISC (CSIC-UIB)
Campus Universitat de les Illes Balears. 07122 Palma.
[email protected]
Abstract
En este trabajo se argumenta que la aplicación a las ciencias sociales de la teoría de
sistemas complejos supone de hecho la superación de la vieja controversia sobre el
método, si explicación o si comprensión. La controversia se sustenta en una concepción de
la explicación determinista, nomológico-deductiva, lineal y reduccionista, inspirada en el
modelo corpuscular de la física moderna y la metafísica del sujeto como fundamento de la
realidad, lo cual genera una escisión insuperable entre subjetividad y objetividad. La
teoría de los sistemas complejos, desarrollada inicialmente para dar cuenta de fenómenos
físicos fundamentales (física estadística, termodinámica, láseres), supone de hecho la
superación de la exigencia de que la explicación social deba ser reduccionista e
individualista, al poner de manifiesto procesos universales de autoorganización y
emergencia en sistemas con múltiples componentes en interacción, al margen de las
características particulares de esos componentes. Este desarrollo abre nuevas
posibilidades a la explicación social, y renueva la vieja idea de la unidad de la ciencia, ya
no en base al programa reduccionista a un nivel ontológico fundamental, sino en virtud de
poder aplicar el mismo tipo de explicación a cualquier nivel ontológico.
1
Quisiera agradecer a los editores la invitación a participar en este proyecto, y a Paco
Calvo y Maxi San Miguel sus comentarios sobre una versión previa del manuscrito. Este
trabajo ha recibido el apoyo de la Secretaría de Estado de Universidades e Investigación del
Gobierno español (actualmente disuelta entre dos ministerios), a través de los proyectos
HUM-2007-64086 y HUM2006-11603-C02, y de una ayuda de movilidad. También mi
agradecimiento a la facultad de psicología de la Universidad de St. Andrews, y a Juan
Carlos Gómez en particular, por su hospitalidad.
1
1. Introducción
Una de las grandes novedades formales de los últimos años ha sido el desarrollo de
la teoría de sistemas complejos2. Se trata de desarrollos matemáticos que han tenido lugar
para dar cuenta de fenómenos físicos o biofísicos (desde avalanchas a morfogénesis, desde
la distribución subatómica en una explosión a la disipación de la energía en un sistema
termodinámico, desde la alineación ferromagnética a los láseres). Pero no se ha tardado
mucho en aplicar estas nuevas herramientas formales a otros ámbitos disciplinarios,
especialmente la ecología (Kauffman, 1993), y más recientemente, también a las ciencias
sociales; en especial, a la arqueología (Renfrew & Cherry, 1986; Bentley & Maschner,
2003), la economía (Ormerod, 2005), la antropología evolutiva (Axelrod, 1984; Boyd &
Richerson, 2005) y la psicología social (Mosko y Damon, 2005; Vallacher & Nowak,
1994). La idea central de la teoría de sistemas complejos, que de la interacción de múltiples
agentes emergen propiedades y fenómenos nuevos que no pueden reducirse a las
características de tales agentes, encuentra un dominio obvio de aplicación a nivel social.
Por ello, la teoría de los sistemas complejos se presenta de entrada como una posibilidad
interesante y valiosa por su poder explicativo formal, que merece la pena considerar en
relación a las cuestiones y dificultades con que se enfrentan las ciencias sociales desde un
punto de vista metodológico. De hecho, puede considerarse como la realización del viejo
programa de explicar del orden social a partir de la regulación espontánea de los elementos
en interacción que lo constituyen -llámese “mano invisible” (Adam Smith), “la astucia de la
razón” (Hegel)-, por lo que, en tal sentido, enlaza naturalmente con inquietudes que vienen
de lejos.
En este trabajo pretendo ofrecer una presentación introductoria de esta teoría-marco,
de sus conceptos básicos, y de la relevancia de su aplicación al ámbito social, desde el
punto de vista de la vieja controversia sobre explicación y comprensión, sobre el método
adecuado en ciencias sociales. No se trata de hacer un llamamiento profético a pasarse con
armas y bagajes al enfoque de la complejidad en ciencias sociales como panacea y destino.
2
No debe confundirse la noción de complejidad política –el surgimiento de jerarquías
sociales progresivamente más estratificadas-, con la noción de complejidad de interés:
como sistemas en los que emergen propiedades nuevas como resultado de la interacción de
los elementos componentes según reglas sencillas.
2
Con frecuencia, tales llamadas proféticas oscilan ambiguamente entre pretender que un
cambio de ese tipo ya está teniendo lugar, recomendar sumarse a ese proceso y declarar que
tal desarrollo va a ser inevitable. Espero poder evitar tales declaraciones programáticas
entusiastas. No obstante, sí es claro que la incorporación de las ideas de la teoría de la
complejidad en ciencias sociales lleva ya unos años de desarrollo (con Schelling, 1978,
como trabajo pionero), que esa aplicación no se limita a las incursiones de los físicos que
desarrollaron la teoría en el campo social, sino que está prendiendo en grupos y corrientes
centrales en las diferentes disciplinas sociales, y que ese desarrollo también ha fecundado la
reflexión en filosofía de la ciencia, como un refuerzo importante para una ontología rica de
niveles de organización y explicación (Dupré, 1993; Wimsatt, 1994). Justamente, la teoría
de la complejidad resulta relevante, aplicada reflexivamente, para entender la dificultad de
que un cambio teórico de este calibre pueda tener lugar (supone un “cambio de fase”), y
permite anticipar que, si se alcanza un cierto umbral de difusión e influencia, seguirá una
nueva hegemonía. Pero queda mucho por hacer y el curso de la historia de las ciencias
sociales podría ir todavía por otros derroteros (por ejemplo, la tendencia meramente
descriptivista sigue siendo dominante en arqueología, o el éxito institucional de la
economía teórica “mainstream” ha relegado los enfoques heterodoxos –economía política,
institucionalista, o el más reciente enfoque de la economía evolucionista (Lawson, 2003)
que es la que más naturalmente liga con el enfoque de la complejidad-, convirtiéndolos en
muy minoritarios).
Por consiguiente, me voy a limitar a sugerir el interés y el potencial de la teoría
para superar la vieja controversia metodológica en ciencias sociales.3 Para ello, en la
primera sección voy a presentar las raíces de esa controversia y el intento de superación
más influyente actualmente, el de Elster, para señalar las limitaciones del enfoque. En la
segunda sección voy a introducir los conceptos centrales de la teoría de sistemas complejos
y las razones para concebir la sociedad como un sistema complejo. A continuación,
veremos algunos ejemplos de explicación de fenómenos sociales que resulta de adoptar este
3
También creo en su relevancia para las ciencias cognitivas, ya que también el cerebro
puede caracterizarse como un sistema adaptativo complejo, en interacción con el cuerpo y
el ambiente. Vd. Gomila y Calvo (2008). Juarrero (1999) constituye un intento pionero por
dar cuenta de la acción desde esta perspectiva, como el modo de superar las dificultades de
la explicación intencional relacionadas con los planteamientos reduccionistas.
3
enfoque, y analizaré el modo en que tales modelos resultan explicativos. Concluiré
insistiendo en el interés de estos nuevos desarrollos, y subrayando que ofrecen el modo de
superar la vieja cuestión metodológica de las ciencias sociales.
2. La unidad de la ciencia: del reduccionismo a los sistemas complejos
Una de las cuentas pendientes de la Modernidad se encuentra en la cuestión de
cómo concebir coherentemente la acción humana, escindida entre el ámbito de la libre
voluntad y el de la determinación causal. La revolución científica de la Modernidad
consagró como paradigma de explicación científica el modelo determinista y reduccionista
de la nueva física, al tiempo que esa “ciencia nueva” se fundaba sobre una metafísica de la
conciencia, sobre la actividad de un sujeto, metafísico o trascendental, condición de
posibilidad de la objetividad, pero por eso mismo, fuera de su alcance. De este modo, los
intentos del positivismo de plantear una “ciencia del hombre” sobre la base del modelo de
la física, se toparon con la reacción de quienes señalaban la impropiedad de tal proyecto
para estudiar al sujeto mismo.
En el siglo XX, esta problemática se concretó en la controversia entre las filosofías
humanistas (historicismo, fenomenología, hermenéutica), defensoras del carácter sui
géneris del estudio del sujeto, sus acciones y sus creaciones; y los planteamientos
antihumanistas, que tras declarar la muerte del sujeto como fundamento, se centraron en los
sistemas y órdenes sociales que lo atraviesan y constituyen (estructuralismo, marxismo,
psicoanálisis, postestructuralismo, en sus diferentes combinaciones). Desde el punto de
vista metodológico, la controversia se concreta en si las Ciencias Sociales pueden ofrecer
explicaciones como las de las ciencias “duras”, es decir, especificando las leyes causales
que rigen el dominio social, o bien juegan a otra cosa, más parecida a las Humanidades,
limitadas a comprender un dominio de sentido y normatividad, esto es, las razones internas
a una cierta perspectiva.4
4
Más claramente, no está en cuestión aquí la necesidad de la comprensión cuando se trata
de captar el sentido de la acción individual, ni la caracterización del círculo hermenéutico
(caracterización concordante en Quine y Gadamer, como ha hecho notar Pujadas (2003), ni
el reconocimiento del valor de las Humanidades como el ejercicio de tal actividad de
comprensión intersubjetiva. Nuestra cuestión aquí se centra en si es posible hacer ciencia
social como un tipo de producción disciplinaria que se pretende con valor explicativo y
objetividad científica (se entienda como se entienda). La tesis es que sí se puede hacer si se
4
Uno de los intentos más influyentes por superar la dicotomía moderna cabe
atribuirlo a Davidson5. Consiste en una sutil combinación de tesis, según la cual las razones
son las causas de la acción bajo cierta descripción, descripción que corresponde a un evento
físico, pero que no es reducible a él (monismo anómalo). Eso permite reconocer el
componente interpretativo involucrado en la adscripción de las razones, pero manteniendo
la pretensión de que tales estados de sentido efectivamente causan la acción, aunque eso
acaba siendo irrelevante ya que se establece la autonomía de esa explicación intencional.
No quisiera detenerme en el examen de esta posición filosófica, más allá de destacar su
importante influencia en la propia metodología de las Ciencias Sociales, a través del
recurso a la Teoría de la Decisión Racional, como modo de establecer la caracterización de
los estados intencionales de los agentes. Otros trabajos en este mismo volumen lo hacen
mucho mejor de lo que podría hacerlo. Me limitaré a presentarlo con algo más de detalle en
la versión actualmente más influyente de este programa, la de Jon Elster, como punto de
referencia para la discusión posterior.6
El enfoque dominante en teoría social (principalmente en Economía y Ciencia
Política, pero con creciente influencia en Sociología), que Elster elabora y justifica, se
fundamenta en los siguientes supuestos: a) una explicación, para ser científica, debe ser
causal; b) las ciencias sociales explican acciones racionales; c) la causa de una acción
racional es una razón; y d) una razón está formada por un conjunto de creencias y deseos.
Estos supuestos conducen a la idea de que las explicaciones en Ciencias Sociales deben
apelar a las creencias y deseos de los agentes individuales. Establecer las creencias y los
deseos de los agentes que los motivan a actuar racionalmente requiere de un proceso de
interpretación. Dicho de otro modo, para explicar por qué alguien hizo algo hace falta
entender las razones que le llevaron a hacerlo. El caso paradigmático de explicación en las
ciencias sociales consiste en mostrar lo racional de la acción llevada a cabo. Pero como la
considera la sociedad como un sistema complejo y se adoptan las herramientas formale de
la teoría de los sistemas complejos.
5
Vd. los ensayos recogidos en Davidson (1980).
6
Vd. Elster (1989), y en particular, la última exposición del modelo, Elster (2007). Elster
ofrece, además de su modelo de la explicación en ciencias sociales, una teoría de la mente,
una teoría de las normas sociales, una teoría de la interpretación de textos, e incluso una
teoría de las constituciones políticas viables.
5
explicación debe ser causal, esa comprensión debe ser de un tipo muy concreto: debe
especificar los mecanismos psicológicos que causan la conducta social.
Durante mucho tiempo, se suponía que esos mecanismos podían captarse a través de
la teoría de la decisión racional, en base al Principio de Caridad: atribuir estados
intencionales finalmente depende de considerar racional al agente y suponer, por tanto, que
va a querer y saber lo que un agente racional, en sus circunstancias, querría y creería. Sin
embargo, la evidencia acumulada en contra de la plausibilidad psicológica de este enfoque
normativo7 ha llevado a buscar otras alternativas sin demasiado éxito. El propio Elster deja
esta cuestión crucial en cierta ambigüedad, notando que se trata de “patrones causales que
ocurren frecuentemente y son fácilmente reconocibles, que son activados bajos condiciones
generalmente desconocidas y con consecuencias indeterminadas” (Elster, 2007, p. 36, trad.
mía). En cualquier caso, es claro que no se refiere a mecanismos psicológicos
subpersonales, sino más bien a las “leyes” de lo que se conoce como la “psicología
popular” (del tipo de “la venganza es un plato que se sirve frío”).
Ahora bien, también estas generalizaciones de sentido común son problemáticas si
se toman como leyes causales. Elster tiene en cuenta las contribuciones de la psicología
social situacionista, que muestran cómo son aspectos de la situación, y no las intenciones de
los agentes, lo que explica la acción humana (por ejemplo, no es por casual coincidencia de
personalidad y temperamento que los responsables de los bancos de inversión tomaron las
mismas decisiones arriesgadas que impulsaron la burbuja especulativa; es porque eran los
responsables de esas instituciones y eso era precisamente lo que se esperaba de ellos,
maximizar el beneficio a corto plazo). Elster trata de reconvertir lo que constituiría una
carga de profundidad para su enfoque general en una
pequeña enmienda. Para ser
explicativos, esos aspectos de la situación deben afectar a las creencias y los deseos de los
agentes de un modo sesgado. En el fondo, Elster trata de preservar el individualismo
7
El ataque a la Teoría de la Decisión Racional como una teoría descriptiva de los agentes
ha provenido principalmente de la psicología, convirtiéndose en trampolín para recibir el
premio Nobel de economía. El primero fue Herbert Simon, por su defensa de la
racionalidad limitada y la noción de heurística -autor, por cierto, del pionero “The
architecture of Complexity”, de 1962, recogido en Simon, (1982). Más recientemente fue
concedido a Daniel Kahneman, por ilustrar profusamente las dificultades humanas para
hacer estimaciones estadísticas correctas, así como para estructurar las preferencias según
las prescripciones de la Teoría de la Decisión Racional (vd. Kahnemann, Slovic & Tversky,
1982; Kahnemann y Tversky, 1979).
6
metodológico que inspira su enfoque general. La hegemonía del individualismo se remonta
a los años sesenta, cuando se produjeron los últimos grandes debates al respecto, tanto
frente a los enfoques anti-individualistas (de inspiración generalmente marxista o
neohegeliana), como frente a los hermenéuticos anti-causalistas. No es mi propósito
recuperar esos debates, ni siquiera renegar de la teoría de la acción racional humana que
está en la base de este modelo de la explicación social. Pero me parece claro que la idea de
que la explicación social es exclusivamente individualista resulta difícil de aceptar, como
diversos autores han seguido argumentando (Gilbert, 1989; Kinkaid, 1986; Wilson, 1995),
al restringir arbitrariamente el campo de los fenómenos que las ciencias sociales deben
tratar de explicar. Los científicos sociales recurren con frecuencia en sus explicaciones a
entidades de nivel agregado (los mercados, las empresas, las familias, la cultura, los
estereotipos, el capital social, el género...), y es conocido el peso de los factores
situacionales e institucionales, independientemente de la psicología de los agentes. El
individualismo metodológico, en cambio, acaba tratando a los agentes como entidades
inmutables, estables, independientes entre sí; y restringe el dominio de la acción humana a
la acción racional, entendida como elección.
En resumen, a pesar de su sofisticación, el enfoque liderado por Elster no es
satisfactorio. Falla en dar cuenta de los aspectos anti-individualistas de la explicación de la
acción social, falla al suponer una racionalidad psicológicamente implausible, falla al
restringir los mecanismos psicológicos relevantes para la explicación a los estados
intencionales concientes. La vida social pone en marcha su propia dinámica, que presupone
agentes intencionales (aunque no estrictamente racionales: muchos mecanismos
psicológicos inconscientes tienen claramente un efecto a nivel social, desde la transmisión
de estereotipos al liderazgo), pero que genera sus propios patrones de desarrollo, de
evolución y cambio. Estos cambios son objeto del interés explicativo de las ciencias
sociales, pero su explicación no requiere presuponer su racionalidad, por mucho que en
último término dependan de las acciones de individuos particulares concretos. Me refiero a
fenómenos sociales tales como la guerra, las migraciones, las crisis económicas, los
sincretismos culturales, el crecimiento económico, la conducta de los votantes o la
desaparición de una sociedad.
7
3. La sociedad como sistema complejo
La alternativa que presento consiste en pensar la sociedad como un sistema
complejo, adecuado para ser modelado consiguientemente mediante las herramientas
formales de la teoría de los sistemas complejos. Se trata de un desarrollo intelectual
relativamente reciente (Solomon & Shir, 2003; Anderson, 1972), pero con un gran
potencial para transformar el poder explicativo de las ciencias sociales, y superar las viejas
controversias metodológicas. En efecto, puede resultar paradójico, pero el hecho es que la
propia naturaleza de la explicación física, tal como se ha desarrollado especialmente en el
último cuarto del siglo XX con el desarrollo de la física estadística, supone un
distanciamiento del ideal moderno de una física corpuscular y mecanicista, de leyes
deterministas y sistemas cerrados, que se constituyó en el ideal de explicación científica
desde el que la controversia entre explicación y comprensión adquiere su sentido. El avance
de la física ha venido de la mano del desarrollo de las ciencias de la complejidad, cuyo
aparataje formal trata precisamente de captar la dinámica global de un sistema de
componentes en interacción; lo interesante es que se ha puesto de manifiesto que muchos
de esos fenómenos dinámicos son independientes de los detalles y propiedades de tales
elementos constituyentes, y se producen en todos los niveles ontológicos. Además, la no
linealidad, la no localidad, la interdependencia, la auto-organización y la emergencia,
características de ese nivel global, se producen ya al nivel ontológico básico (con lo que el
programa reduccionista y la ontología fundacionista pierden pie).
Esta transformación de la naturaleza de la explicación abre una posibilidad que está
siendo ya actualmente llevada a la práctica: la recuperación de la vieja idea de la unidad de
la ciencia, de la explicación unificada de todos los ámbitos de la realidad, pero ahora no
sobre la base de un proyecto reduccionista, que remite a la física newtoniana (o mejor
dicho, laplaciana), sino justamente sobre la base de la común explicación de la
complejidad, en sus diferentes niveles organizativos, en base a la dinámica de los
componentes del sistema en interacción (Guinea, Louis & San Miguel, 2003): los mismos
patrones se encuentran en todos los niveles ontológicos. En este punto, necesitamos aclarar
la naturaleza de los sistemas complejos, para mostrar que la sociedad humana lo es;
introducir los conceptos explicativos fundamentales de la teoría de sistemas complejos, e
8
ilustrar su aplicación al dominio de la acción social con la consideración de algunos
ejemplos.8
El primer aspecto clave de los sistemas complejos es que se trata de sistema abiertos
(desde el punto de vista termodinámico): sistemas que intercambian energía o información
con su medio, y haciéndolo consiguen reducir localmente el proceso general de incremento
de la entropía. Un sistema cerrado es un sistema homogéneo, y por tanto, sin flujos internos
y con el exterior, por lo que es totalmente estable e invariable. Los sistemas abiertos por
tanto, son sistemas que no se encuentran en equilibro, sino dinámicos, aunque pueden
alcanzar diferentes estados puntualmente estables o estacionarios (“metaestables”). Se trata
de una característica que claramente muestran las sociedades humanas; el grado en que esta
apertura es tomada en consideración es muy variable: la economía ortodoxa, por ejemplo
trata este aspecto como externalidades al propio sistema, que por tanto, no estudia. Del
mismo modo, está interesada en los estados de equilibrio, no en la dinámica9. Pero es obvio
que las sociedades humanas necesitan energía, transforman el propio medio para obtener
las materias necesarias, producen residuos, y cambian en el tiempo.
En segundo lugar, la idea es que los sistemas complejos son una clase particular de
sistemas dinámicos. Los sistemas dinámicos son sistemas que evolucionan en el tiempo, en
sus diferentes escalas (en nuestro caso, desde cambios microgenéticos, a cambios en el
curso de una vida individual, cambios históricos, cambios filogenéticos o geológicos). Por
ello, una manera característica de caracterizar un sistema dinámico es mediante un sistema
de ecuaciones diferenciales, que especifican cómo cambian los parámetros que caracterizan
la conducta del sistema en función del tiempo10. Esto permite representar el conjunto de
posibles estados del sistema en función de las condiciones iniciales y del tiempo en un
8
Para una introducción a la teoría de sistemas dinámicos complejos, vd. Gell-Man (1994);
para una exposición orientada a la Psicología, vd. Thelen & Smith (1998); para una
exposición avanzada, vd. Erdi (2007).
9
Si bien es preciso matizar que su interés no es propiamente por estados de equilibrio en
sentido dinámico, sino “equilibrios de Nash”, esto es, configuraciones óptimas en la
distribución de los recursos (ningún cambio puede hacer “mejor” al sistema).
10
Un modo gráfico de representar el espacio de estado es mediante un “paisaje evolutivo”
(como correlato del paisaje epigenético introducido por Waddington), donde se representa,
dado un posible estado inicial del sistema, las diferentes “rutas” que puede seguir en el
tiempo, como valles de mayor o menos profundidad –de mayor o menor probabilidad-. Vd.
Waddington (1977).
9
espacio de estado, con tantas dimensiones como parámetros. Ese espacio de estado permite
representar las trayectorias posibles del sistema, en particular los “atractores”, los puntos
hacia los que tiende el sistema, que pueden verse como los puntos de equilibrio del sistema,
las zonas en que las perturbaciones o fluctuaciones habituales son absorbidas y
neutralizadas para que el sistema se mantenga próximo al atractor en que se encuentra
(mediante procesos de realimentación negativa). Los atractores pueden ser fijos, periódicos
–de modo que el sistema oscila cíclicamente entre uno y otro (al modo de los ciclos
económicos, los ritmos de la actividad diaria)-, o caóticos: un estado a primera vista
azaroso pero que responde a un patrón más complejo. Pero también se especifican los
puntos críticos, las inestabilidades o “bifurcaciones” del sistema (cuando hay más de un
atractor, de un punto de equilibrio-reposo), donde tienen lugar los cambios de fase (como
los cambios de estado físico, de sólido a líquido, o a gas), donde puede producirse una
reorganización del sistema, con la aparición de un nuevo orden, quizá más complejo, o el
paso a un estado de desorden o caos (mediante procesos de realimentación positiva, que
amplifican la tendencia al implicar progresivamente a mayor número de componentes, y
afectando la estructura)11. Cambios como la aparición de la agricultura (Renfrew, 1978), la
desaparición de sociedades (Diamond, 2005) o las crisis bursátiles (Eguiluz &
Zimmermann, 2000), son ejemplos de situaciones de cambio histórico no acumulativo que
pueden ser modelados desde este planteamiento. También permite la reformulación sobre
nuevas bases del programa del evolucionismo cultural en antropología, con su énfasis en el
proceso de aparición de mayor complejidad social a lo largo del tiempo (Wright, 2001). En
cualquier caso, la dinámica es probabilística, y los propios atractores pueden cambiar en el
tiempo, en la medida que cambia el sistema (nuevos miembros, nuevas relaciones, nuevas
capacidades).
Lo que convierte en especial la dinámica de los sistemas complejos es que se autoorganizan espontáneamente, como resultado de los patrones de actuación de los elementos
que los constituyen, hasta el punto que ese orden emergente se autoproduce, se
automantiene como resultado de la propia actividad del sistema en su conjunto. La
organización es resultado de la acción de los componentes individuales, dadas ciertas
11
Si esos cambios son muy abruptos y radicales, se habla de catástrofes; en este sentido, la
teoría de catástrofes (Thom, 1983) es mucho más restringida en su campo de aplicación.
10
condiciones iniciales, pero esa organización espontánea constriñe, o limita, los “grados de
libertad” de esos mismos elementos constituyentes. Un elemento, tomado por separado,
podría entrar en una gran variedad de procesos que, bajo el regimen del sistema, no se
producen: los grados de libertad para los componentes se comprimen como resultado de la
dinámica global emergente. La organización hace que los nuevos elementos se ajusten a ese
regimen de actuación. Esto es, en realidad, el efecto central del proceso de socialización,
por el que un nuevo individuo pasa a formar parte de la sociedad. Por ello, los patrones
emergentes van más allá de las propiedades de los elementos componentes (“el todo es más
que la suma de las partes”), sin que eso suponga poder separar esos patrones de tales
elementos constituyentes, que son los que lo realizan, lo ejemplifican. Las propiedades que
permiten describir el sistema se llaman variables colectivas o parámetros de orden:
permiten describir esos patrones autoorganizados, sin hacer referencia a las propiedades de
los elementos componentes que sostienen ese patrón. Por ejemplo, el caso de los ciclos
económicos puede verse desde esta perspectiva como un patrón de alto nivel de la dinámica
económica, sin tener que especificar la miríada de elementos de los que depende. Del
mismo modo, las actitudes y valores culturales, o el lenguaje, que se adquieren en el curso
del desarrollo individual en un contexto social particular, delimitan el campo de
posibilidades de acción: aunque en principio cualquier niño podría aprender cualquier
lengua (por tanto, sus posibilidades de acción son inicialmente muy abiertas), el hecho de
que aprenda una en particular restringe esas potencialidades de un modo característico y
común a todos los hablantes de esa lengua (con perturbaciones en la transmisión
generacional e idiosincrasias particulares). Familias, empresas, instituciones, sociedades,
pueden verse también como sistemas auto-organizados, que regulan la incorporación de
nuevos individuos de manera que se ajusten al funcionamiento del sistema.
El cuarto aspecto destacable es que los modos de interacción entre los elementos del
sistema –y entre éstos y el medio del que depende- son recíprocos y no lineales. Esto
significa, por decirlo provocativamente, no solo que las mismas causas pueden tener efectos
distintos (según el contexto, el resto de variables presentes), sino que incluso distinguir
entre causas y efectos resulta problemático. Esto es debido a la interacción recíproca
(“acoplamiento”) y los ciclos de realimentación, positiva y negativa, entre los diversos
componentes. Una variable influye en otra que a su vez afecta a la primera; ambas a su vez,
11
pueden depender del nivel de otra variable, o del número de elementos que interactúan; A
activa a B que a su vez inhibe a A. Esta causalidad “circular”, recíproca, diluye los intentos
de identificar relaciones causales lineales. Un ejemplo conocido hace tiempo es el de la
relación entre predador y presa (ecuaciones de Lotka-Volterra): el número de predadores en
un hábitat particular depende del número de presas que puedan servirles de alimento, pero
el número de presas depende a su vez del número de depredadores. Estas no linealidades
son características de los sistemas sociales, y hacen especialmente difícil la explicación y la
intervención política. Esto es así porque la no linealidad es un fenómeno de umbral: pueden
existir relaciones lineales dentro de cierto rango, que dejan de darse a partir de cierto punto
(donde se produce el cambio de fase). Por ello, las generalizaciones son válidas únicamente
en cierto contexto, pero no de manera general e incondicionada.
Un ejemplo clásico tiene que ver con la discusión en economía sobre la relación
entre presión fiscal y crecimiento económico: un neoliberal sostiene (en contra de la
evidencia histórica) que, sea cual sea la presión fiscal, su reducción (en particular, la
reducción del tipo máximo de imposición a las rentas más altas) redunda en crecimiento
económico –cosa cierta quizá dentro de ciertos valores de inflación, ahorro, déficit público
y comercial, etc.-. La crisis económica que nos afecta nos ha permitido ser testigos de
muchas propuestas de intervención basadas en esa misma concepción de causalidad lineal:
si incrementamos la inversión pública, aumentará el empleo, lo cual incrementará la renta
familiar, lo cual incrementará el consumo, lo cual permitirá incrementar la recaudación de
impuestos indirectos, lo cual permitirá financiar el déficit generado; alternativamente, si
reducimos los impuestos, aumentará la renta disponible, etc. En todos los casos, sin
demasiado éxito. Reconocer la complejidad de los fenómenos sociales implica reconocer
que estos planteamientos lineales son incorrectos: no hay una relación lineal entre nivel
impositivo y crecimiento económico (o entre cualesquiera dos variables consideradas). La
relación puede ser lineal en ciertas condiciones del conjunto de parámetros
macroeconómicos, pero quizá dentro de cierto intervalo, no en general. La evidencia
muestra precisamente que los efectos de las medidas no son lineales, ni predictibles a corto
plazo y localmente. Por ello, un modelo basado en la perspectiva de sistemas complejos
lleva a buscar dónde se encuentran estos puntos críticos, entendidos como combinaciones
de los parámetros clave del sistema. Mientras que el enfoque ortodoxo habla de “devolver
12
el equilibro a los mercados”, el enfoque de sistemas complejos parte de que ese tipo de
equilibro sólo se da puntualmente en la dinámica de los mercados, como un estado crítico
auto-organizado.
En esta sección he introducido los conceptos básicos del enfoque de sistemas
complejos, y he tratado de motivar intuitivamente su relevancia para las Ciencias Sociales:
los conceptos de la teoría de sistemas complejos parecen especialmente adecuados para
afrontar el viejo problema de explicar el comportamiento social humano a partir de la
conducta de los individuos. Desde las modas a los mercados, desde las revoluciones a las
actitudes ante la inmigración, los fenómenos sociales pueden ser vistos productivamente
como patrones emergentes en un sistema complejo. En la sección siguiente revisaremos las
tendencias fundamentales en que se ha producido esa aplicación.
4. Sistemas complejos en Ciencias Sociales
La aplicación de la teoría de sistemas complejos a las ciencias sociales adopta
formas diversas, según la disciplina, los intereses o la motivación. Básicamente se puede
distinguir entre las contribuciones realizadas por los propios físicos y las realizadas por
científicos sociales. En el primer caso, el enfoque es matemáticamente riguroso, pero a
partir de una gran simplificación en la construcción del modelo, y con un interés distintivo
en las propiedades formales del modelo, más que en su contrastación empírica, aunque
también se han interesado por analizar bases de datos de gran tamaño y de tratarlos
computacionalmente para compararlos con las simulaciones a partir del modelo, o por
descubrir la estructura de las redes sociales implicadas (Castellano, Fortunato y Loreto,
2007). En el segundo caso, se pretende introducir mayor relevancia descriptiva,
desarrollando modelos más sofisticados, para fenómenos que prima facie sugieren la
propiedad del enfoque de la complejidad, pero sin tanto rigor formal, de modo más
intuitivo, lo cual sugiere lo fructífero de la colaboración interdisciplinar en este campo.
Para dar una idea de los trabajos realizados hasta el momento, resulta ilustrativo
notar que se centran en fenómenos claramente no lineales, como discontinuidades extinciones sociales (Diamond, 2005) o el impacto de la innovación tecnológica (Schiffer,
2005)-; como cambios emergentes -el paso de sociedades cazadoras-recolectoras a
sociedades agrarias (Renfrew, 1978), el cambio en la estructura social como resultado del
13
incremento de la población (Caarneiro, 2000), o la aparición de roles sociales diferenciados
(Eguiluz et al., 2005). Igualmente, se estudian procesos de difusión de la opinión (Castelló
et al., 2006), y la relación entre la estructura de las redes sociales y la dinámica que
permiten (Watts & Strogatz, 1998). De especial interés para este punto de partida es
identificar distribuciones exponenciales o logarítmicas (Bak, 1996) -frente a la distribución
normal gaussiana-, como síntoma de procesos no lineales complejos. La distribución de la
riqueza (Salzman, 1999), del tamaño de las empresas (Stanley et al., 1996), el modo de
crecimiento urbano (Schelling, 1971), el proceso de difusión de las epidemias de virus,
tanto informáticos como bioquímicos (Lloyd & May, 2002), la distribución de las
colaboraciones científicas (Newman, 2001), etc. son ejemplos de distribuciones
exponenciales: en un extremo, unos pocos acumulan muchísimo, en el otro, muchísimos se
reparten poco. La idea es que lo son, a pesar de la heterogeneidad aparente de estos
fenómenos, porque se trata de sistemas complejos con una dinámica parecida.
Hay dos enfoques principales reseñables en este contexto: el de la sociodinámica
(Weidlich, 2002), basado en la teoría de sistemas dinámicos (Haken, 1977), que trata de
identificar de entrada los parámetros de orden del sistema, y establecer el sistema de
ecuaciones diferenciales que lo caracterizan; y el enfoque de modelos basados en agentes
(Bankes, 2002; Bonabeau, 2002). No resulta extraño que el enfoque más influyente en las
propias Ciencias Sociales sea el basado en agentes. El primero parte de suponer la validez
de las variables emergentes consideradas, y además se enfrenta a la dificultad de resolver
los sistemas de ecuaciones no lineales. En cambio, los ejemplos paradigmáticos del enfoque
de modelos basados en agentes son aportaciones reconocidas en Ciencias Sociales
(Schelling, 1978; Axelrod, 1997a y b) –y consisten básicamente en aplicar a las Ciencias
Sociales la teoría evolutiva de juegos. Lo interesante de este enfoque es que no parte de una
selección directa de las variables emergentes consideradas relevantes, sino que pretende dar
cuenta de su emergencia a partir de la actividad idiosincrática de cada agente en particular.
Pero como los otros enfoques, se asume un proceso de homogeneización progresiva como
resultado de la interacción entre los agentes. En el caso de los modelos basados en agentes,
es posible especificar la regla de cambio en función de la interacción, y modificarla para
incorporar el grado de detalle “psicológico” deseado. Quizá el ejemplo más sofisticado de
esta aproximación sea el ejemplificado por los influyentes trabajos de antropología
14
evolutiva de Boyd y Richerson, sobre la co-evolución entre biología y cultura (Boyd &
Richerson, 1995), y en general, sobre la evolución del altruismo. En cualquier caso, es la
aproximación que permite más fácilmente la interacción interdisciplinaria.
Para mostrar el tipo de explicación que ofrecen estos modelos basados en agentes,
consideremos un ejemplo: la evolución de los índices bursátiles, un ámbito donde existen
datos abundantes sobre evolución de los índices (no solo al cierre, sino en tiempo real), que
permiten validar los modelos. Además, éste es un ejemplo especialmente relevante para la
comparación entre el enfoque de la teoría del equilibrio general, que constituye la posición
hegemónica en Economía, y el enfoque de la complejidad, porque constituye un dominio
central para el primero, ya que parece ejemplificar al máximo los supuestos de la
racionalidad económica de los agentes (en base a la Teoría de la Decisión Racional), la
vigencia de las leyes de oferta y demanda, y el hecho de que los mercados financieros están
estructurados según establece la propia teoría –en términos de transparencia de la
información-, para que se produzca una fijación óptima de los precios. De hecho, es este
planteamiento teórico el que ha servido para reducir al mínimo la regulación de la Bolsa –
dada la supuesta eficiencia de la autoregulación y su repercusión en el crecimiento-, o para
establecer mercados de futuros (dado que según la teoría todo tiene un precio óptimo
determinable mediante el proceso de negociación del mercado), mercado que puede incluir
también complejos instrumentos financieros derivados de tales transacciones. La teoría
prevé fluctuaciones en los precios, pero pequeñas, debidas al azar y no correlacionadas:
cada agente actúa para maximizar sus preferencias, al margen de los demás, pero todos
disponen de la misma información. Sin embargo, si algo puede ser alguna vez una obviedad
es que esta explicación del funcionamiento de los mercados financieros ha sido falsada por
la reciente crisis de confianza12, que ha provocado un crack de las cotizaciones, sobretodo
12
En realidad, la teoría ya fue falsada por la crisis del fondo Long Term Capital
Management, en 1998, un fondo de inversión especulativo, cuyo modo operandi estaba
basado en la mejor teoría mainstream de la evolución de las cotizaciones (elaborada por dos
nóbeles en economía, que formaban parte de la empresa), cuya lógica se basaba en la
distribución normal de los eventos, no exponencial. El fondo comenzó con gran éxito, con
beneficios del 40% en 1995 y 1996, y de más del 20% en 1997, pero acabó salvado por la
campana de la intervención –heterodoxa- de la Reserva Federal, para evitar colapsar el
sistema financiero, dado el nivel de endeudamiento contraído. Casualmente, muchos de los
inversores eran instituciones públicas occidentales.
15
de los mismos agentes financieros que protagonizan ese mercado (y de rebote, una crisis
económica de alcance global).
Desde la perspectiva de sistemas complejos se han propuesto varios modelos de la
actividad bursaria (Eguiluz y Zimmerman, 2000; Bikhchandani & Sharma, 2000;
Caldarelli, Marsili & Zhang, 1997), que tratan de dar cuenta tanto de la distribución
logarítmica de los beneficios, como de las fluctuaciones de los índices, tanto las pequeñas
normales, como los momentos de excepcionalidad –tanto de caída libre de las cotizaciones
como de inflación especulativa. En el caso del modelo de Eguiluz y Zimmerman (2000), su
modelo consiste en una aplicación particular del modo general de caracterizar los procesos
de la dinámica de la opinión y la difusión cultural, es decir, procesos en que los agentes de
un colectivo cambian su conducta por la influencia de la conducta de los demás. 13 Las
principales diferencias con el modelo de la economía mainstream son dos: los agentes
actúan teniendo en cuenta lo que hacen sus “vecinos” (aprenden por imitación) y se
presupone la asimetría en el acceso a la información, o más precisamente, los modelos
incorporan también la transmisión de la información (rumores, el conocimiento de qué
transacciones se han producido y su dimensión,...)14, aunque como un proceso aleatorio. El
modelo permite identificar el o los parámetros que determinan los diversos estados en que
puede encontrarse el sistema, y los valores críticos de los que depende un cambio de fase.
De entrada, la mera existencia, con más frecuencia de lo esperable por azar, de
momentos de “boom” o de “cracks” bursátiles indica que las fluctuaciones no son
meramente aleatorias y no correlacionadas (como ocurriría si efectivamente cada agente
actuara independientemente), sino a un efecto de arrastre colectivo en los agentes en la
misma dirección (lo que se ha dado en llamar “efecto rebaño”). El modelo de Eguiluz y
Zimmerman da cuenta de este fenómeno mediante una serie de simplificaciones de partida:
en su modelo del mercado bursátil se negocia un único valor, cada agente invierte la misma
cantidad, y las opciones de cada agente son comprar o vender (en función de la información
disponible sobre la expectativa de subida o bajada de su valor), pasar la información que
13
Otro ejemplo concreto de aplicación del efecto de rebaño (Low, 2000) es la extensión de
la corrupción (Blanchard et al., 2005).
14
La implausibilidad del enfoque de la teoría del equilibrio general en economía en
relación al supuesto de simetría informacional ha sido reconocida por economistas de
prestigio. Vd. Stiglitz & Grossman (1980); Woodforce (2002).
16
tiene a otro agente, o no hacer nada, cada una con cierta probabilidad de ser llevada a cabo
en cada momento. La simulación del modelo parte en el momento inicial con los agentes
desconectados, pero dispuestos a actuar por imitación (de aquellos con la misma
información). En la medida en que los agentes se pasan información, se van formando
grupos, de modo que cuando un agente del grupo toma una decisión de vender, aumenta la
probabilidad de que el resto de los agentes del grupo también venda. Por tanto, cuanto
mayor sea el grupo, mayor efecto tendrá su decisión en la cotización del valor. Este proceso
se repite en el tiempo, lo que permite simular la evolución del sistema. Lo interesante es
que lo que ocurre es que la red de información crece hasta que un grupo entero de agentes
puede llegar a actuar conjuntamente.
El parámetro clave para entender la evolución del sistema es la velocidad de
propagación de la información. Cuando la información se transmite más despacio que el
ritmo al que se toman las decisiones de comprar y vender, el proceso de constitución de los
grupos es lento y por tanto son mayoritariamente pequeños (no hay tiempo de formar
grupos grandes), por lo que el efecto global de su actuación es pequeño. En cambio, cuando
la información va más rápido que las compra-ventas se forman grupos grandes, con efectos
más dramáticos sobre la cotización del valor. De este modo, puede determinarse un valor
crítico de este parámetro por encima del cual pueden producirse los “boom” o los “crack”
bursátiles, con enormes ganancias o pérdidas. Lo importante para la validez del modelo es
que se pueden comparar los resultados numéricos de las simulaciones basadas en el modelo
(modificando parámetros como el número de agentes, las probabilidades de partida de cada
una de las opciones, el número de valores y el ritmo de transmisión de información y
constitución de grupos), con los índices efectivos de cotización y de distribución de los
beneficios (disponibles); una distribución parecida constituye el aval empírico del modelo.
Obviamente, el modelo podría refinarse (más valores, recursos variables, mecanismos de
transmisión de la información,...), pero incluso en este nivel aproximado de simplificación
ofrece una explicación de por qué se producen ciertos fenómenos extremos en las Bolsas:
en base al modo gregario en que actúan los agentes, el modo en que se transmite la
información relevante, el tiempo requerido para que las transacciones repercutan en la
cotización, la posibilidad de grandes ganancias. Obviamente se presupone –como en el
enfoque de la teoría general del equilibrio- que los agentes buscan el beneficio, pero su
17
conducta social no se explica simplemente por esa motivación. La clave de la explicación,
en realidad, radica en el modo en que la conducta individual constituye parte de la conducta
colectiva global. Pero el modelo también explica por qué en ciertas fases el mercado parece
en equilibrio.15
Nótese que el tipo de explicación que ilustra nuestro ejemplo es una explicación
poblacional y estadística. Este tipo de explicación población es quizá la contribución más
importante de Darwin. En lugar de pensar las especies como esencias fijas, Darwin las
caracterizó como poblaciones en proceso de cambio, en función de su grado de adaptación
al medio. Esta idea de ver el orden como emergente a partir de la interacción de elementos
componentes es la clave de este enfoque. La explicación, en particular, radica en el espacio
de estado, la representación de los estados del sistema en su dimensión temporal,
especificado ahora en término de los parámetros de orden del sistema, y no ya en base a las
características de los elementos constituyentes. Lo importante es que esos parámetros de
orden no son externos a tales elementos, aunque rigen su regimen por el hecho de formar
parte del sistema. El espacio de estado explica el sistema en la medida en que nos permite
entender su dinámica, a partir de la interacción de los parámetros de orden que lo
caracterizan, las variables relevantes. Generalmente eso no permite predecir en el corto
plazo situaciones singulares, pero sí permite anticipar la probabilidad de ciertas
configuraciones a medio o largo plazo. Es el patrón general lo que se capta, en lugar de la
trayectoria específica de cada elemento en particular.
Podría alegarse que en realidad no se prescinde del nivel individualista de la
explicación, en la medida en que el modelo parte de supuestos sobre las capacidades de los
elementos constituyentes (más o menos homogéneamente caracterizados, como ya
señalamos). Es cierto, pero también lo es que desde el nivel de los componentes no
podemos captar esos patrones emergentes al nivel del sistema. En segundo lugar, y de
modo igualmente relevante, los modelos de sistemas complejos consisten en simulaciones,
que requieren un gran número de cálculos a ese nivel componente, cuyo resultado no puede
15
Y aunque el modelo no abarca este aspecto, el mecanismo que pone de manifiesto puede
explicar también el peligro del tamaño adquirido por el mercado de derivados financieros
en la actual crisis, y los efectos desastrosos de la falta de liquidez por la compra
especulativa. Cuando su peso en el conjunto es tan grande, una pequeña crisis de confianza
puede tener efectos catastróficos.
18
ser anticipado apriorísticamente. El mayor interés de estas simulaciones radica en su
capacidad de revelar la dinámica del modelo, los umbrales críticos de los cambios de fase,
o la existencia de diversos atractores que pueden ser o no alcanzados, según las condiciones
iniciales del sistema. En los casos donde se dispone de datos reales, como el de las
cotizaciones de la Bolsa, esas simulaciones pueden ser contrastadas empíricamente y
validar de esta manera los modelos. De modo importante, cuando se identifica una
isomorfía entre dominios distintos, se puede transferir directamente el modelo de un
dominio al otro.
Podría alegarse también que se trata de un tipo de explicación que diluye el
individuo en la colectividad de un modo que lo anula, al modo del estructuralismo. Pero eso
sería incorrecto. Es cierto que el enfoque no requiere modelar cada individuo en su
idiosincrasia particular, pero sí la tiene en cuenta mediante la introducción de un factor de
“ruido”, de perturbación en el sistema precisamente para incorporar esta diversidad del
nivel componenete. Estas perturbaciones, no obstante, juegan un papel teórico muy
importante, en la medida que pueden inducir al cambio de fase, en general a la evolución
del sistema. En otros términos, el enfoque permite honrar la capacidad, y responsabilidad,
del individuo, dentro del sistema, al tiempo que condiciona su poder a su influencia
colectiva. Igualmente, en cada relevo generacional se dan posibilidades de alteraciones en
la transmisión, de aparición de novedad o irregularidad, aspectos que acaban siendo crítico
para explicar el cambio cuando éste tiene lugar.
4. Conclusión
Espero haber mostrado suficientemente el interés del enfoque de los sistemas
complejos al ámbito de las ciencias sociales. Como ya he indicado, este enfoque se presenta
como la base de una reformulación del proyecto de la unidad de la ciencia, ya no sobre
supuestos fundacionalistas y reduccionistas –el supuesto nivel básico también es complejo,
también requiere de explicación probabilística y evolutiva-, sino precisamente sobre la base
de patrones análogos de organización a cualquier nivel ontológico –resultado,
precisamente, del mismo proceso de organización compleja-.
Aun así, podría pensarse que estos desarrollos científicos no suponen en realidad
ninguna diferencia para el problema con el que comenzamos, el de dar cuenta de la acción
19
social. Parece que la vieja polémica entre explicación y comprensión ha quedado intocada y
al margen, pues se sigue planteando la cuestión de cómo atribuimos los estados
intencionales a los agentes, o como caracterizamos su modo de actuación, como requisito
previo para poder construir tales modelos, y a ese respecto nada se ha tratado.
En parte es cierto: no hemos discutido aquí, por ejemplo, al hilo de los modelos
basados en agentes, la cuestión de la plausibilidad de su caracterización. Nos hemos
limitado a enfatizar la diferencia con respecto a la Teoría de la Decisión Racional: la
conducta de cada agente depende de la de los demás –no de todos los demás directamente,
sino de aquellos con los que está conectado, que pueden ser vecinos en unos modelos o
redes con una topología más específica como hemos dicho. Básicamente, se asume que esa
influencia tiene lugar por imitación o contagio (por influencia social), pero nada impide
desarrollar enfoques más sofisticados; por ejemplo, introduciendo una función de confianza
que filtra a quien se imita y a quien no, o con quien se interactúa y con quien no. La
posibilidad de sofisticación de los modelos es ilimitada, y permite incluir tanta complejidad
como nos sugiera el conocimiento de la psicología de la gente y resulte de interés para los
fines del modelo.
En segundo lugar, hay un sentido muy claro en que nuestra exposición sí sirve para
revisar la vieja controversia metodológica. Pues la controversia descansaba sobre un
determinado modelo –nomológico-deductivo- de explicación. La cuestión que alimentaba
la controversia es si podemos ofrecer explicaciones en ciencias sociales como las que
ofrecen las ciencias naturales. La controversia enfrentaba a quienes trataban de responder
afirmativamente y quienes rechazaban la viabilidad de tal respuesta. Los primeros
intentaban dar cuenta en términos aceptables de las características especiales de la conducta
humana (intencional, basada en razones, con sentido, histórica...), que los segundos
alegaban para establecer su rechazo. Además, la explicación población probabilística
permite dar carta de naturaleza explicativa a los factores situacionales, contextuales,
holistas, sin caer en ningún tipo de reificación a nivel social, sin introducir ningún otro
elemento más allá de los agentes en interacción en el curso del tiempo y en un contexto
determinado. Las explicaciones sociales salen reforzadas.
Una vez cambiamos el planteamiento sobre la naturaleza de la explicación en
ciencias naturales, es decir, una vez constatamos que la física de los láseres va más allá de
20
la explicación newtoniana, el programa mecanicista, reduccionista, determinista e
individualista de explicación científica, que se inspiró en la física newtoniana, deja de ser
hegemónico. A no ser que alguien pretenda recuperar para la filosofía las pretensiones de la
“filosofía primera”, la actitud debe ser concebir la realidad a partir de la mejor enfoque
disponible, y éste es el de la complejidad. Este naturalismo metodológico va de la mano de
un naturalismo que ofrece un nuevo acomodo a la subjetividad humana, ya no como
condición de posibilidad transcendental de un mundo objetivo, sino como parte de ese
mundo, resultado emergente de un proceso evolutivo de complejidad creciente.
21
REFERENCIAS BIBLIOGRAFICAS
ANDERSON, P.W. (1972): “More is different”, Science, 177, pp. 393-396.
AXELROD, R. (1984): The evolution of cooperation. New York, Basic Books. [“La
evolución de la cooperación”, Alianza Ed.]
AXELROD, R. (1997a): “The dissemination of culture: a model with local convergence
and global polarisation”, Journal of Conflict Resolution, 41, pp. 2003-226.
AXELROD, R. (1997b): The complexity of cooperation. Princeton, Princeton University
Press.
BAK, P. (1996): How nature works: the science of organized self-criticality. New York,
Springer Verlag.
BANKES, S.C. (2002): Agent Based Models: a Revolution? Proceedings of the National
Academy of Sciences USA, 99: 7199-7200.
BENTLEY, R.A., MASCHNER, H., eds. (2003): Complex Systems and Archeology. Salt
Lake City, Utah University Press.
BIKHCHANDANI, S. & SHARMA, S. (2000): “Herd behavior in financial markets: a
review”, IMF Staff Papers, 47, pp. 279-310.
BLANCHARD, Ph, KRUGER, A., KRUEGER, T., & MARTIN, P. (2005): “The
epidemics of corruption”, arXiv:physics/0505031v1.
BONABEAU, E. (2002): “Agent-based modeling: methods and techniques for simulating
human systems”, Proceedings of the National Academy of Sciences USA, 99, pp. 72807287.
BOYD, R. & RICHERSON, P. (2005): The origin and evolution of cultures. Oxford,
Oxford University Press.
CALDARELLLI, G., MARSILI, M., & ZHANG, Y.C. (1997): “A prototype model of
stock exchange”, EPL, 40, pp. 479-484.
CARNEIRO, R.L. (2000): “The transition from quantity to quality: a neglected causal
mechanism in accounting for social evolution”, Proceedings of the National Academy of
Sciences USA, 97, p.. 12926-12931.
CASTELLANO, C., FORTUNATO, S. & LORETO, V. (2007): “Statistical Physics of
Social Dynamics”, arXiv: 0710.3256.
CASTELLO, X., EGUILUZ, V., & SAN MIGUEL, M. (2006):
8, pp. 308.
New Journal of Physics,
DAVIDSON, D. (1980): Essays on Actions and Events. Oxford, Oxford University Press.
DIAMOND, J. (2005): Collapse: how societies choose to fail or succeed. New York,
Viking Press. [“Colapso. Por qué unas sociedades perduran y otras desaparecen”,
Barcelona. Ed. Debate, 2006]
22
DUPRE, J. (1993): The disorder of things. Metaphysical foundations of the disunity of
sciences. Cambridge (Massachussets), Harvard University Press.
EGUILUZ, V.M. & ZIMMERMANN, M.G. (2000): “Transmission of information and
herd behavior: an application to financial markets”, Physical Review Letters, 85, pp. 56595662.
EGUILUZ, V.M., ZIMMERMANN, M.G., CELA-CONDE, C. & SAN MIGUEL, M.
(2005): “Cooperation and emergence of role differentiation in the dynamics of social
networks”, Americal Journal of Sociology, 110, pp. 977-1008.
ELSTER, J. (1989): Nuts and bolts. Cambridge, Cambridge University Press. [Tuercas y
tornillos, Barcelona, Ed. Gedisa, 1990]
ELSTER, J. (2007): Explaining Social Behavior: More Nuts and Bolts for the Social
Sciences. Cambridge, Cambridge University Press.
ERDI, P. (2007): Complexity Explained. Berlin, Springer Verlag.
GELL-MAN, M. (1994): The quark and the jaguar: adventures of the simple and the
complex. New York, Freeman. [“El quark y el jaguar”, Barcelona, Editorial Tusquets,
1995]
GILBERT, M. (1989): On social facts. Princeton, Princeton University Press.
GOMILA, A. & CALVO, P. (2008): “Directions for an embodied cognitive science: toward
an integrated approach”. En P. Calvo y A. Gomila (eds.) Handbook of Cognitive Science:
an Embodied Approach. London, Elsevier, pp. 1-25.
GUINEA, F., LOUIS, E., & SAN MIGUEL, M. (2003): “La ubicuidad como futuro de la
física estadística y no lineal”, Revista Española de Física, 17/5.
HAKEN, H. (1977): Synergetics: an introduction. Heidelberg, Springer-Verlag.
JUARRERO, A. (1999): Dynamics in action: Intentional behavior as a complex system.
Cambridge, Massachussets, MIT Press.
KAHNEMANN, D., SLOVIC, P. & TVERSKY, A., (eds.) (1982): Judgement under
uncertainty. Cambridge, Cambridge University Press.
KAHNEMANN, D. & TVERSKY, A. (1979): "Prospect theory: An analysis of decision
under risk". Econometrica, 47, pp. 263-291.
KAUFFMAN, S. (1993): The Origins of Order: Self-Organization and Selection in
Evolution. Oxford, Oxford University Press.
KINKAID, H. (1986): “Reducion, explanation, and individualism”, Philosophy of Science,
53, pp. 492-513.
LAWSON, T. (2003): Reorienting Economics. London, Routledge.
LLOYD, A. & MAY, R. (2002): “Epidemiology: how viruses spread among computers and
people”, Science, 292, pp. 1316-1317.
LOW, D.J. (2000): “Following the crowd”, Nature, 407, pp. 465-466.
23
MOSKO, M. S. & DAMON, F. H. (2005): On the order of chaos: social anthropology and
the science of chaos. New York, Berghann Books.
NEWMAN, M.E. (2001): “The structure of scientific collaboration networks”, Proceedings
of the National Academy of Sciences USA, 98, pp. 404-409.
ORMEROD, P. (2005): Why most things fail: evolution, extintion and economics. London,
Faber & Faber.
PUJADAS, L. (2003): “Fusión horizóntica y traducción radical”, en J.J. Acero, J.A.
Nicolás, J.A.P. Tapias, L. Sáez y J.F. Zúñiga (eds.): El legado de Gadamer. Materiales del
Congreso Internacional sobre Hermenéutica Filosófica, Departamento de Filosofía de la
Universidad de Granada, pp. 143-150.
RENFREW, C. & CHERRY, J.F., eds. (1986): Peer-polity interaction and socio-political
change. Cambridge, Cambridge University Press.
RENFREW, C. (1978): “Trajectory, discontinuity and morphogenesis: the implications of
catastrophe theory for Archeology”, American Antiquity, 43, pp. 203-222.
SALZMAN, P. (1999): “Is inequality universal?”, American Anthropologist, 40, pp. 31-61.
SAN MIGUEL, M., TORAL, R. & EGUILUZ, V.M. (2005): “Redes complejas en la
dinámica social”. Inguruak. Revista Vasca de Sociología y Ciencia Política, 42, pp. 127146.
SCHIFFER, M.B. (2005): “The devil is in the details: the cascade model of invention
processes”, American Antiquity, 70, pp. 485-502.
SCHELLING. T. (1978): Micromotives and macrobehavior. Norton, New York.
SCHELLING, T. (1971): “Dynamic models of segregation”, Journal of Mathematical
Sociology, 1, pp. 143-186.
SIMON, H. (1962): “The architecture of complexity: hierarchical systems”. En H. Simon
(1982), The Sciences of the Artificial, Cambridge, Massachussets, MIT Press, pp. 183-216.
SOLOMON, S. & SHIR, E. (2003): Complexity: a science at 30, Europhysics News, 34,
pp.54-57.
STANLEY, M., NUNES AMARAL, L., BULDYREV, S., HAVLIN, S., LESCHHORN,
P., SALINGER, M., & STANLEY, H.E. (1996): “Scaling behaviour in the growth of
companies”, Nature, 379, pp. 601-604.
STIGLITZ, J. & GROSSMAN, N. (1980): “On the impossibility of informationally
efficient markets”, American Economic Review, 70, pp. 393-408.
THELEN, E. & SMITH, L. (1998): “Dynamic Systems Theories”. En W. Damon & R.
Lerner (eds.): Handbook of Child Psychology, vol. 1: Theoretical models of human
development. New York, Wiley, pp. 563-634.
THOM, R. (1983): Mathematical models of morphogenesis. New York, Wiley.
VALLACHER, T.. & NOWAK, A. (eds.) (1994): Dynamical systems in social psychology.
San Diego, Academic Press.
WADDINGTON, C.H. (1977): Tools for thought. New York, Basic Books.
24
WATTS, D.J. & STROGATZ , S.H. (1998): “Collective dynamics of ‘small-world’
networks”, Nature, 393, pp. 440-442.
WEIDLICH, W. (2002): Sociophysics: a systematic approach to mathematical modelling in
social science. London, Taylor & Francis.
WILSON, R. (1995): Cartesian psychology and physical minds. Cambridge, Cambridge
University Press.
WIMSATT, W. (1994): “The ontology of complex systems: levels of organization,
perspectives and causal thickets”, Canadian Journal of Philosophy, supl. vol. nº 20, Mohan
Matthen & Robert Ware, eds., University of Calgary Press, pp. 207-274.
WOODFORCE, M. (2002): "Imperfect Common Knowledge and the Effects of Monetary
Policy". En P. Aghion, R. Frydman, J. Stiglitz, and M. Woodford (eds.): Knowledge,
Information, and Expectations in Modern Macroeconomics: In Honor of Edmund S.
Phelps. Princeton, Princeton University Press.
WRIGHT, R. (2001): Non-zero: the logic of human destiny. New York, First Vintage.
[“Nadie pierde. La teoría de juegos y la lógica del destino humano”, Barcelona: Tusquets,
2005]
25