Modelos evolucionistas en dinámica industrialun enfoque cognitivo

Resumen

En esta Tesis demostramos que es posible construir modelos evolucionistas de dinamica industrial en los que los agentes (las empresas) toman sus decisiones y aprenden cognitivamente, es decir, de forma coherente con los dictados de la ciencia cognitiva. Los modelos evolucionistas en dinamica industrial herederos de los primeros trabajos de Nelson y Winter han simulado el aprendizaje de los agentes economicos mediante reglas de pulgar, generalmente ad hoc. Trabajos posteriores han recurrido a herramientas de la Inteligencia Artificial, como redes neuronales; algoritmos geneticos, sistemas clasificadores y programacion genetica. A nuestro juicio, los procedimientos anteriores conducen a modelos poco realistas, en los que el aprendizaje es ciego y no tiene en cuenta el verdadero proceso mediante el que los agentes economicos aprenden y toman sus decisiones. Como alternativa, proponemos una metodologia basada en el conocimiento que tiene en cuenta los principios que sobre el aprendizaje humano nos enseña la ciencia cognitiva. En particular, distinguimos y modelamos tanto el conocimiento declarativo como el procedural. Para poner en practica nustro estilo de modelado, utilizaremos el lenguaje de simulacion multiagente SDML, y construiremos un modelo de ciclo de vida industrial en el que dotamos a las empresas de una capaciad de aprendizaje mas cercana a la conducta observada y ampliamente admitida. Veremos que el modelo es capaz de reproducir las regularidades principales observadas en los sectores industriales. Palabras clave: Dinamica Industrial, Economia Evolucionista, Aprendizaje, Racionalidad Limitada, Ciencias Cognitivas, Sistemas MultiAgente, Investigacion y Desarrollo.