Economía de la complejidad

Autor: Joeri Schasfoort

1. Elementos centrales

La economía de la complejidad es el estudio de los sistemas económicos como sistemas complejos. Los sistemas complejos son sistemas que consisten en individuos en interacción que cambian sus acciones y estrategias en respuesta al resultado que producen mutuamente (Arthur 2013). Los economistas de la complejidad estudian el surgimiento de estructuras y el desarrollo de patrones en la economía (Arthur 1999). Desde la crisis financiera de 2008, cuando los modelos de equilibrio dominantes no tenían mucho que añadir en términos de orientación política (Armstrong 2017), ha habido un interés creciente en utilizar ideas de la teoría de la complejidad (Battiston et al 2016).

2. Términos, análisis, concepción de la economía

Los economistas de la complejidad consideran la economía como un sistema complejo que consiste en, pertenece y se superpone a otros sistemas complejos.

En este sistema, los patrones económicos como el crecimiento económico y la inflación se clasifican como fenómenos emergentes porque surgen de la interacción entre agentes heterogéneos con expectativas heterogéneas (Kirman 2006, 2016). Una definición amplia de un fenómeno emergente es que se trata de un patrón «nuevo» que surge como resultado de las interacciones de un número de elementos entre los cuales existen relaciones simples, pero que no puede reducirse a las propiedades particulares de cada uno de estos elementos (Hayek 1964).

Los economistas de la complejidad como Arthur (2013) argumentan que el estado natural de la economía es el no equilibrio. La economía es un devenir continuo que evoluciona y cambia constantemente. Según Arthur (2013), hay dos razones principales para ello. Una es la incertidumbre fundamental, la otra es la innovación tecnológica.

Knight (1921) y Keynes (1921, 1936 y 1937) introdujeron el concepto de incertidumbre (fundamental) en la economía. Consideraron que se debía distinguir entre riesgo e incertidumbre. En el caso del riesgo, se conocen todos los eventos o consecuencias futuras posibles de una acción o decisión. Por tanto, podemos calcular la probabilidad de que este evento acabe por materializarse. Sin embargo, hay muchas situaciones en las que no conocemos todas las consecuencias posibles. En estas situaciones de incertidumbre, el cálculo de probabilidades no tiene una base sólida.

Para abordar la incertidumbre, los agentes económicos tratan de entender los problemas mediante conjeturas y suposiciones, así como empleando la experiencia y el conocimiento adquiridos (Arthur 2013). En consecuencia, los agentes actualizan continuamente su modelo interno de toma de decisiones, lo que significa que adaptan, descartan y reemplazan constantemente las acciones o estrategias en función de su experiencia a medida que exploran. Tales dinámicas también se conocen como «dinámicas evolutivas» (Lindgren 1997). Empleando la teoría evolutiva de juegos, Lindgren (1997) demuestra que los modelos evolutivos no concluyen habitualmente en un equilibrio de Nash estable en presencia de ruido. Si estos resultados pueden extrapolarse a la economía en general, debería ser en un movimiento disruptivo permanente a medida que los agentes exploran, aprenden y se adaptan.

La innovación tecnológica es el otro factor importante que contribuye al estado de flujo permanente del sistema económico. La naturaleza de la innovación es tal que el desarrollo tecnológico permite un desarrollo tecnológico aún mayor (Arthur 2013). De ello se sigue que una tecnología novedosa no representa una interrupción única del equilibrio. Por contra, genera y exige tecnologías adicionales que a su vez generan y exigen tecnologías adicionales permanentemente (Arthur, 2009). Así, la innovación tecnológica también contribuye al estado de flujo, si bien de forma algo más lenta que la incertidumbre.

Dicho esto, el estado de flujo es a menudo relativamente estable y, por lo tanto, puede aproximarse a un estado de equilibrio o estabilidad. De hecho, los sistemas complejos a menudo se caracterizan por múltiples equilibrios, especialmente en presencia de retroalimentación positiva o de rendimientos crecientes (Bosker et al. 2007).

El estado estable en el que terminan los sistemas complejos depende del camino recorrido hasta llegar a ese estado estable. En otras palabras, es dependiente del camino. Es más, pequeños cambios en las condiciones iniciales pueden hacer que el sistema termine en un estado de estabilidad radicalmente diferente (Li y Yorke, 1975). Si este es el caso, el sistema puede ser clasificado como caótico.

Una vez que un sistema concluye en un estado estable, puede que no sea sencillo pasar a otro estado estable. Es posible que sea tan resistente a los cambios que se necesite un impacto considerable para pasar a otro régimen. Esto también se conoce como “bloqueo” (Arthur 1989). Por otro lado, si la resistencia de un sistema está disminuyendo, podría alcanzar un punto de inflexión y cambiar su comportamiento repentinamente o pasar a otro régimen (Battiston et al. 2016). Los mercados financieros y las economías han exhibido históricamente colapsos repentinos y en gran medida imprevistos a escala sistémica. Tales transiciones de fase pueden haber sido provocadas en algunos casos por eventos estocásticos impredecibles. A menudo se debe a procesos subyacentes endógenos en marcha (Battiston et al. 2016).

Resumiendo, los economistas de la complejidad consideran la economía como un sistema complejo. Los fenómenos económicos agregados se consideran patrones que emergen de las interacciones entre agentes heterogéneos. Mientras que los sistemas económicos pueden estar en estados relativamente estables que pueden aproximarse a un estado de equilibrio, la presencia de incertidumbre e innovación tecnológica garantiza que todos los sistemas económicos estén en un estado constante de flujo. Además, a menudo, cualquier estado relativamente estable que pueda surgir no es único, depende del camino y, a veces, incluso puede ser caótico. Además de ello, los sistemas económicos regularmente pasan por transiciones de fase para concluir en un estado diferente.

3. Ontología

La forma en que los economistas de la complejidad perciben la economía es altamente compatible con el concepto de sistemismo (Bunge, 1996), que defiende que una sociedad es un sistema compuesto por subsistemas cambiantes y que tiene propiedades globales, tanto reducibles como no reducibles.

Los sistemas económicos complejos se superponen con otros sistemas complejos, pero no siempre de forma jerárquica. Más bien, estos sistemas superpuestos se pueden describir como una panarquía (Holling 2001), que hace referencia a una estructura en la que los sistemas están interconectados en ciclos de crecimiento, acumulación, reestructuración y renovación continuos y adaptativos. Así, los sistemas complejos tienen poseen sistemas por encima y por debajo de ellos. Al mismo tiempo, son parte de múltiples sistemas complejos superpuestos.

Dentro de un sistema complejo, Dopfer et al (2004) identifican tres niveles diferenciales que impulsan sus dinámicas: los niveles micro (individuos), meso (reglas) y macro (sistema). En cada nivel, ocurren diferentes tipos de decisiones e interacciones. Por ejemplo, al tratar de economía espacial, Commendatore et al. (2018) identifican las interacciones entre los socios comerciales internacionales o regionales a nivel macro, los mercados como estructuras de redes sociales a nivel meso, y las decisiones estratégicas de las empresas individuales y los hogares a nivel micro.

En el nivel micro, los actores se consideran racionalmente limitados (Simon 1972). Esto significa que su racionalidad está limitada por la manejabilidad del problema de la decisión, las limitaciones cognitivas del actor y el tiempo disponible para tomar la decisión (Simon 1991). De acuerdo con Arthur (2010), los individuos generalmente no optimizan (por ejemplo, la utilidad). Por contra, las personas se involucran en procesos cognitivos como la comparación social, la imitación y el comportamiento repetitivo (hábitos) para emplear sus recursos cognitivos limitados de manera eficiente (Jager et al. 2000).

En los tres niveles, el tiempo juega un papel importante, debido a la dependencia del camino. Todos los estados de los sistemas económicos dependen de sus estados pasados. Vista de este modo, la economía se convierte en un sistema que evoluciona de manera procesal en una serie de eventos; se convierte en algorítmica (Arthur 2013). Dado que se centra la atención en el estado de flujo en el que siempre se encuentra un sistema complejo, se puede decir que el problema económico central de la economía de la complejidad consiste en comprender este cambio continuo.

4. Epistemología

Entre los economistas de la complejidad, no hay consenso acerca cómo cabe esperar comprender nuestro complejo sistema económico. Se pueden identificar dos grupos: uno modesto y uno optimista. El grupo modesto cree que sus modelos (simplificaciones de la realidad) pueden descubrir los mecanismos causales de los patrones económicos comúnmente observados, pero que la realidad es demasiado compleja para que estos modelos hagan predicciones realmente útiles sobre la economía. En cambio, el grupo optimista cree que sus modelos pueden usarse para hacer predicciones, aunque las predicciones probablemente no sean muy exactas. A continuación, discutiremos la epistemología del grupo modesto en primer lugar y la del grupo optimista en segundo lugar.

El grupo modesto argumenta que, debido a que la economía es tan increíblemente compleja, es imposible deducir leyes económicas universalmente válidas. Los economistas de la complejidad de esta tradición deben buscar explicaciones basadas en mecanismos (Gräbner 2017a), y sus modelos deben ser juzgados por su capacidad para descubrir los mecanismos que generan patrones económicos comunes.

La influencia de la visión modesta es evidente en la concepción generativa de las ciencias sociales de Epstein (2006). En esta concepción, el rol del economista de la complejidad consiste en generar procesos de interés computacionalmente. Esta es la única manera de entenderla. “Si lo haces crecer, lo explicas”.

De manera similar, los economistas de la complejidad influenciados por la tradición austriaca expresan un profundo escepticismo acerca cuanto podemos entender (por no mencionar lo que podemos pronosticar) acerca del mundo, y en su lugar abogan por la modestia (Hoogduin 2016). Hayek (1964) da tres razones diferentes para esto. En primer lugar, el número de variables distintas requeridas para explicar un fenómeno económico complejo es a menudo tan grande que resulta prácticamente (y quizás incluso teóricamente) imposible. En segundo lugar, la superposición de sistemas complejos (acoplamiento estrecho) puede dar lugar a interacciones inesperadas que los modelos económicos no anticiparon. Finalmente, muchos sistemas complejos muestran sensibilidad en las condiciones iniciales, lo que haría muy poco probable que los modelos estén calibrados con las condiciones iniciales correctas para producir pronósticos útiles.

De esta manera, la economía (y otras ciencias sociales) son diferentes de las ciencias “duras” que se ocupan de los fenómenos que, en nuestro sentido, son simples. El precio que pagamos para avanzar en el campo de los fenómenos complejos es renunciar, cada vez más, a la falsabilidad y, por lo tanto, a la capacidad de hacer predicciones útiles. Dicho esto, algunos economistas de la complejidad de la tradición austriaca (Gaus 2007) argumentan que esto no significa que la economía no sea un sistema demasiado complejo para hacer predicciones útiles al respecto.

Esto nos lleva al grupo optimista de economistas de la complejidad, que argumentan que sus modelos económicos deben ser juzgados por su capacidad predictiva. Esta postura sobre la capacidad de los modelos económicos está más en consonancia con la de economistas más conocidos, si bien pragmáticos, como Rodrik (2015). Arthur (2005) sugiere que si usamos las herramientas correctas (aquellas proporcionadas por la economía de la complejidad), podemos analizar cómo la economía se comporta en estado de no equilibrio. Esto se desprende naturalmente del razonamiento de que la economía de la complejidad es teoría económica en un nivel fuera del equilibrio más general (Arthur 1999). Farmer y Foley (2009) sostienen que, con los modelos actualizados de la economía de la complejidad, sería posible explorar cuantitativamente sus consecuencias en los escenarios de políticas a escala macroeconómica. Por lo tanto, nuestras actuales capacidades limitadas para realizar pronósticos económicos son una consecuencia de usar el marco incorrecto para estudiarlos.

Sin embargo, la mayoría de los economistas de la complejidad de la tradición optimista son más modestos. Argumentan que sus modelos solo pueden producir con fiabilidad pronósticos condicionales (Haldane y Turrell 2018). Esto es lo que probablemente le sucederá a Y si X cambia. Esto se puede contrastar con los pronósticos incondicionales. Dichos pronósticos indican qué valor tendrá Y, dependiendo de los pronósticos de todas las variables X que puedan influir en Y (Simon Wren-Lewis 2014).

Las dos posturas discutidas en esta sección no son completamente binarias. Se pueden interpretar como un espectro que se extiende desde modesto hasta optimista. Podríamos afirmar que, al reconocer el mundo como un sistema complejo, los economistas de la complejidad son más modestos que, en promedio, sus contrapartes de la corriente dominante.

5. Metodología

Como se mencionó anteriormente, los economistas de la complejidad generalmente observan patrones emergentes y después desarrollan modelos que explican los mecanismos que los impulsan. Esta interacción entre la observación y la teoría no es lineal, ya que el desarrollo de nuevos modelos puede llevar al descubrimiento de nuevos patrones que, a su vez, podrían inspirar nuevos modelos.

Los métodos que utilizan los economistas de la complejidad para comunicar sus teorías y observaciones de patrones en revistas científicas son muy diversos pero, en general, bastante formalistas. El motivo de la popularidad de este enfoque formalista es que, cuando se aplican correctamente, los modelos matemáticos son inequívocos y exponen las inconsistencias internas de una teoría, así como sus predicciones implícitas.

Para documentar formalmente los patrones, los economistas de la complejidad utilizan una amplia variedad de métodos empíricos. La investigación empírica ha sido una parte importante, si bien algo inconexa, del programa de investigación de la complejidad (Durlauf 2005). Se ha escrito una gran cantidad de bibliografía sobre la documentación de estos patrones, también conocidos como hechos estilizados. Estos hechos estilizados se han recopilado utilizando una amplia variedad de métodos. Entre ellos se incluyen métodos económicos generales, tales como el mapeo de momentos estadísticos (Cont 2001), econometría moderna estándar (Angrist y Pischke 2017), aprendizaje automático (Mullainathan y Spiess 2017), evidencia experimental (Hommes et al. 2005), enfoques de big data (Varian 2014), así como métodos inspirados en la economía de la complejidad, tales como desentrañar las leyes de potencia (Gabaix 2009) y las estructuras de red (Jackson 2008, 2014).

Para formalizar las teorías que explican estos patrones, los economistas de la complejidad utilizan una amplia variedad de técnicas de modelado matemático. Algunas de las técnicas de modelado más populares son el modelado en red (Caldarelli et al. 2004), la dinámica no lineal (Bischi et al. 2017) y el modelado basado en agentes (ABM, por sus siglas en inglés) (Gallegati et al. 2017). Estos tipos de modelos son populares porque son capaces de capturar el comportamiento fuera del equilibrio.

La elección del método de modelado apropiado depende de los patrones que los investigadores quieran explicar. En general, se preferirá el método que mejor describa los patrones. Si los modelos tienen el mismo poder explicativo, se preferirá el más simple (Sun et al. 2016) o el más profundo (Gräbner 2017a).

Por ejemplo, para explicar los hechos estilizados clave observados en los mercados financieros, como los retornos estacionarios, el exceso de curtosis y la persistencia de la volatilidad (Cont 2011), Franke y Westerhoff (2012) presentan un modelo de sistemas dinámico simple con inversionistas con racionalidad limitada que cambian entre estrategias seguidoras de tendencias y fundamentalistas en función de cuál sea la estrategia más rentable en ese momento. Su dinámica de no equilibrio permite mejorar los modelos de valoración de activos estándar (basados en el consumo) que son contrarios a estos hechos básicos (Adam et al. 2016). Dicho esto, Chiarella et al. (2009) muestran que si uno quiere explicar estos hechos estilizados junto con más hechos estilizados a nivel micro, el método basado en agentes puros es superior.

6. Ideología y objetivos políticos

Los economistas de la complejidad tratan de comprender mejor los patrones que caracterizan nuestro complejo sistema económico. A veces, esto se traduce en un deseo de mejorarlo interviniendo en el mismo. Esto atrae a la izquierda y puede vincularse al grupo optimista mencionado en la sección de epistemología. Por otro lado, a veces se traduce en concluir que la economía es un sistema demasiado complejo para que cualquier forma de planificación funcione. Por el contrario, podría resultar contraproducente. Esto atrae a la derecha y se puede vincular al grupo modesto mencionado anteriormente. Dicho esto, los economistas de la complejidad actuales son muy diversos y no se adscriben claramente a ninguna ideología en particular, ni siquiera a las que han sido reunidas en los grupos optimista o modesto.

7. Debates y análisis actuales

Como una nueva escuela de pensamiento, los economistas prominentes de la complejidad están tratando de convencer a los economistas para que amplíen sus análisis más allá de las expectativas racionales, el agente representativo y el enfoque en el equilibrio. Dicho esto, hay algunos debates interesantes entre los economistas de la complejidad. Estos incluyen: (1) la diferencia con respecto la economía dominante, (2) el papel y los límites de los modelos matemáticos, (3) la cantidad apropiada de complejidad del modelo, (4) el uso de protocolos de descripción de modelos y (5) la manera de validar los modelos. La siguiente sección resaltará brevemente estos debates.

En primer lugar, existe un desacuerdo entre los economistas de la complejidad sobre la relación de la economía de complejidad con la economía convencional. Una parte básicamente afirma que la economía de la complejidad es un campo completamente nuevo, casi un polo opuesto a la economía convencional, por ejemplo, Arthur (2005), Farmer y Foley (2009). La otra parte considera la economía de la complejidad como un complemento a la economía convencional que añade algo sobre la formación de patrones (Durlauf 2005).

Un segundo debate trata acerca de la importancia de formalizar teorías utilizando modelos matemáticos en la economía de la complejidad. Esto es en gran parte un debate entre la tradición de Hayek y los discípulos de Santa Fe. Si bien la tradición de Santa Fe es altamente matemática, Hayek (1964) duda de que las matemáticas sean útiles para describir los fenómenos socioeconómicos. Durlauf (2012) comenta este debate en detalle.

Entre los economistas de la complejidad que realizan modelos matemáticos formales, hay un debate acerca del nivel de complejidad de estos modelos. En general, los modeladores se mueven entre dos reglas (Sun et al. 2016): Keep It Simple Stupid (KISS o «que sea sencillo, idiota», Axelrod 1997), y Keep It Descriptive Stupid (KIDS o «que sea descriptivo, idiota», Edmonds & Moss 2004). De acuerdo con la primera regla, un modelo debe ser lo más sencillo posible. La segunda regla sostiene que el modelo debe ser lo suficientemente detallado para modelar la riqueza de los sistemas en cuestión. Dicho esto, mientras que los modelos de la complejidad pueden modelar agentes cognitivos muy complicados (Sun 2006), los economistas de la complejidad generalmente reconocen que los seres humanos reales son mucho más complicados de lo que sus modelos permiten.

Otro debate se inspiró en la frustración por las dificultades para describir y replicar modelos basados ​​en agentes. Ante la falta de un protocolo para las descripciones de modelado basadas en agentes, Grimm et al. (2010) desarrollaron el protocolo ODD (“Overview, Design and Details”, “visión general, diseño y detalles”). Si bien muchos modeladores lo han adoptado, especialmente en ecología, todavía hay una falta de uniformidad en la descripción de los modelos basados en agentes en economía y aún están apareciendo muchos nuevos marcos e ideas; véase Gräbner (2017b) para una descripción general.

Finalmente, como herramienta relativamente nueva, todavía no hay consenso sobre cómo deben validarse los modelos basados en agentes (Fagiolo et al. 2007). En general, se conviene en que, como validación, los ABM (modelos basados en agentes) al menos deberían poder replicar algunos hechos estilizados clave. Preferiblemente, deberían poder replicar varios de estos patrones clave al mismo tiempo (Grimm et al. 2005). Sin embargo, Guerini y Moneta (2017) señalan que los modelos que incorporan diferentes estructuras causales pueden replicar los mismos hechos estilizados. Por lo tanto, proponen un método para centrarse solo en representar estructuras causales entre variables agregadas del ABM y comprobar si difieren significativamente de las estructuras causales que se pueden encontrar en el mundo real. Otro enfoque para elegir el modelo correcto en este caso es elegir uno que también sea consistente con los datos de nivel inferior (micro) estilizados (Grimm et al. 2005). En otras palabras, no se escoge el modelo más simple, sino el modelo que explique los fenómenos de interés observados, así como otros mecanismos subyacentes (Gräbner 2017a).

8. Delimitación: escuelas secundarias, otras disciplinas, otras teorías económicas

Al considerar la economía como un sistema complejo, la economía de la complejidad adopta un enfoque metodológico. Esto la hace compatible con la mayoría de las otras escuelas de pensamiento económico no convencionales, especialmente la economía austriaca, conductual, ecológica, evolutiva, institucional y poskeynesiana. No es raro que los economistas de la complejidad empleen reglas cognitivas de la economía conductual, neoclásica y poskeynesiana en un marco evolutivo. Dado que la economía de la complejidad se inspiró en el más amplio movimiento de la ciencia de la complejidad, también se inspira en otras disciplinas como la biología, la ecología, la física y las matemáticas.

Desde la perspectiva de la economía de la complejidad, la economía conductual, ecológica, evolutiva e institucional se enfocan en aspectos específicos de sistemas adaptativos complejos. Los economistas conductuales se centran en el proceso de toma de decisiones de los agentes. Los economistas institucionales se centran en las instituciones que facilitan y dan forma a sus decisiones, lo que es altamente compatible con la económica de la complejidad (Gräbner 2017a). Los economistas evolutivos estudian los mecanismos de selección que dan lugar tanto al comportamiento como a las instituciones. Finalmente, los economistas de la ecología estudian la sostenibilidad del sistema complejo y su relación con otros sistemas complejos no económicos.

La economía austriaca y poskeynesiana difieren de estas en sus presupuestos más amplios sobre el sistema económico. Aún así, a menudo son compatibles con la economía de la complejidad.

Desde el principio, los economistas austriacos consideraron a la economía como un sistema complejo adaptativo. De acuerdo con Veetil y White (2017): “Los macroeconomistas austriacos del periodo de entreguerras consideraron a la economía como un sistema complejo adaptativo en el que las variables macroeconómicas emergen de la interacción de millones de agentes que actúan con un propósito”. Además, como explican Bowles, Kirman y Sethi (2017, p. 215): “Friedrich Hayek es conocido por su concepción de la economía de mercado como un sistema de procesamiento de información caracterizado por un orden espontáneo: el surgimiento de la coherencia a través de las acciones independientes de un gran número de individuos, cada uno con conocimiento limitado y local, coordinada por precios que surgen de procesos de competencia descentralizada”. Finalmente, el paradigma neoaustriaco (también llamado neomengeriano) resalta la importancia de los procesos emergentes y de no equilibrio a la hora de explicar el mundo social (Salter 2017).

Asimismo, los poskeynesianos destacan la incertidumbre fundamental, la importancia de las instituciones, las heurísticas de toma de decisión y las desviaciones del equilibrio en forma de inestabilidad (Aboobaker, Köhler, Prante y Tarne 2016). La técnica básica de creación de modelos poskeynesiana del modelado de stock-flujo consistente (Godley y Lavoie 2006) puede considerarse como una serie de sistemas matemáticos dinámicos aplicados a la macroeconomía monetaria. Cada vez con mayor frecuencia, esta técnica se combina con el modelado basado en agentes; véase, por ejemplo, Seppecher (2012), Riccetti et al. (2015) y Caiani et al. (2016), Schasfoort et al. (2017).

9. Delimitación con respecto de la corriente dominante

La economía de la complejidad se desarrolló en parte para contrastar el paradigma económico neoclásico dominante. Es principalmente diferente de los economistas convencionales en su ontología y metodología.

Al pensar en la economía, la ontología, los economistas convencionales han llegado a depender en gran medida del concepto de equilibrio. La principal diferencia entre la economía de la complejidad y la economía convencional es el enfoque en los patrones de equilibrio y estáticos que no requieren más ajustes de comportamiento. La economía de la complejidad describe la economía no como determinista, predecible y mecanicista, sino como dependiente del proceso, orgánica y en constante evolución (Arthur 1999). Aún así, la economía del equilibrio no se descarta en su totalidad (Farmer & Geanakoplos 2009). Desde la perspectiva de la economía de la complejidad, la economía del equilibrio es un caso especial de no-equilibrio y, por lo tanto, de la economía de la complejidad (Arthur 2006). O, como lo expresa Durlauf (2005, p. 225): “los sistemas complejos representan una extensión en contraposición a una alternativa a la teoría económica estándar (es decir, neoclásica)”.

Además, los economistas de la complejidad han criticado la hipótesis convencional de las expectativas racionales (Muth, 1961), que asume que los agentes económicos conocen el modelo de la economía y, en promedio, consideran válidas sus predicciones. Los economistas de la complejidad creen que esto es tan poco realista que potencialmente invalida los resultados del modelo convencional. En algunos casos, las expectativas son autorreferenciales: los resultados económicos dependen de las expectativas de los agentes actuales. Por ejemplo, si los agentes quieren decidir si ir o no a un bar. Su decisión de ir depende de sus expectativas sobre cómo de lleno esté el bar. Si esperan que esté lleno, se quedarán en casa y viceversa. Los agentes averiguan al día siguiente la cantidad de gente que había en el bar, incluso si se quedaron en casa. En este caso, nunca surgirá un equilibrio en cuanto a la asistencia al bar. En cambio, esta fluctuará debido a la relación negativa entre las expectativas y la asistencia. Presuponer el equilibrio no solo no se sostiene en este caso, sino que hacerlo no podría predecir la fluctuación de la asistencia al bar. Este es el famoso modelo del bar El-Farol de Arthur (1994).

Dada esta diferencia en el enfoque ontológico sobre el equilibrio, no sorprende que los economistas de la complejidad tiendan a utilizar métodos de modelado de no-equilibrio. Además, el enfoque metodológico de los economistas de la complejidad es más inductivo. Los modelos formales casi siempre se hacen para explicar un conjunto de fenómenos observados o hechos estilizados, que a su vez se pueden usar para inspirar más trabajo empírico. Si bien está cambiando, no siempre es el caso en la economía convencional (Rodrik 2015).

10. Instituciones

Revistas

Los economistas de la complejidad publican en las revistas “convencionales” y “heterodoxas” (Heise 2016). La mayoría de las publicaciones están en revistas especializadas como:

• Advances in complex systems,
• Complexity,
• Computational economics,
• Journal for artificial societies and social simulation,
• Journal of economic dynamics and control
• Journal of economic behavior and organization,
• Journal of evolutionary economics,
• Quantitative finance.

En ocasiones, algunos economistas de la complejidad llegar a publicar en revistas convencionales populares como: The American Economic Review (Arthur 1994, Colander et al. 2008), Econometrica (Hommes 1997), Economic Journal (Arthur 1989, Durlauf 2005) y Journal of Economic Perspectives (Kirman 1992, Bowles et al. 2017). Finalmente, algunos economistas de la complejidad publicaron en las principales revistas generales como Science (Battiston et al. 2016) y Nature (Farmer and Foley 2009).

Think tanks

Existen varios think tanks y departamentos universitarios especializados en economía de la complejidad. El más famoso de ellos es el Instituto Santa Fe. Los departamentos universitarios que participan activamente en la economía de la complejidad incluyen:

• Institute for New Economic Thinking (INET) en la Oxford Martin School
• Institute of Complex Systems (ISC), Roma
• London School of Economics (LSE) Complexity Group.
• University of Amsterdam Center for Non-Linear Dynamics in Economics and Finance (CENDEF)        
• University of Groningen Center for Social Complexity Studies (GCSCS)
• University of Michigan Center for the Study of Complex Systems

Referencias

Adam, K., Marcet, A. and Nicolini, J.P., 2016. Stock market volatility and learning. The Journal of Finance, 71(1), pp.33-82.

Angrist, J. D., & Pischke, J. S. (2017). Undergraduate econometrics instruction: through our classes, darkly. Journal of Economic Perspectives, 31(2), 125-44.

Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. The economic journal, 99(394), 116-131.

Arthur, W. B. (1994). Inductive reasoning and bounded rationality. The American economic review, 84(2), 406-411.

Arthur, W. B. (1999). Complexity and the economy. Science, 284(5411), 107-109.

Arthur, W. B. (2006). Out-of-equilibrium economics and agent-based modeling. Handbook of computational economics, 2, 1551-1564.

Arthur, W. (2010). COMPLEXITY, THE SANTA FE APPROACH, AND NON-EQUILIBRIUM ECONOMICS. History of Economic Ideas, 18(2), 149-166. Retrieved from http://www.jstor.org/stable/23723515

Arthur, W. B. (2013) Complexity Economics: A Different Framework for Economic Thought.

Armstrong, Angus (2017) Why Rebuild Macroeconomics?, https://www.rebuildingmacroeconomics.ac.uk/why-rebuild-macroeconomics/

Axelrod, R. M. (1997). The complexity of cooperation: Agent-based models of competition and collaboration. Princeton University Press.

Battiston, S., Farmer, J. D., Flache, A., Garlaschelli, D., Haldane, A. G., Heesterbeek, H., ... & Scheffer, M. (2016). Complexity theory and financial regulation. Science, 351(6275), 818-819.

Bischi, G.I., Dawid, H., Dieci, R. et al. J Evol Econ (2017) 27: 825. https://doi.org/10.1007/s00191-017-0533-5

Bosker, M., Brakman, S., Garretsen, H., & Schramm, M. (2007). Looking for multiple equilibria when geography matters: German city growth and the WWII shock. Journal of Urban Economics, 61(1), 152-169.

Bowles, Samuel, Alan Kirman, and Rajiv Sethi. 2017. "Retrospectives: Friedrich Hayek and the Market Algorithm." Journal of Economic Perspectives, 31(3): 215-30.

Brock, W. A., & Hommes, C. H. (1997). A rational route to randomness. Econometrica: Journal of the Econometric Society, 1059-1095.

Caiani, A., Godin, A., Caverzasi, E., Gallegati, M., Kinsella, S. and Stiglitz, J.E., 2016. Agent based-stock flow consistent macroeconomics: Towards a benchmark model. Journal of Economic Dynamics and Control, 69, pp.375-408.

Caldarelli, G., Battiston, S., Garlaschelli, D., & Catanzaro, M. (2004). Emergence of complexity in financial networks. In Complex Networks (pp. 399-423). Springer, Berlin, Heidelberg.

Chiarella, C., Iori, G., & Perelló, J. (2009). The impact of heterogeneous trading rules on the limit order book and order flows. Journal of Economic Dynamics and Control, 33(3), 525-537.

Colander, D., Howitt, P., Kirman, A., Leijonhufvud, A., & Mehrling, P. (2008). Beyond DSGE models: toward an empirically based macroeconomics. The American Economic Review, 98(2), 236-240.

Commendatore P., Kubin I., Bougheas S., Kirman A., Kopel M., Bischi G.I. (2018) Introduction. In: Commendatore P., Kubin I., Bougheas S., Kirman A., Kopel M., Bischi G. (eds) The Economy as a Complex Spatial System. Springer Proceedings in Complexity. Springer, Cham

Cont, R. (2001) Empirical properties of asset returns: stylized facts and statistical issues, Quantitative Finance, 1:2, 223-236, DOI: 10.1080/713665670

Dopfer, K., Foster, J. & Potts, J. J. Evol. Econ. (2004) 14: 263. https://doi.org/10.1007/s00191-004-0193-0

Durlauf, S. N. (2005). Complexity and empirical economics. The Economic Journal, 115(504).

Durlauf, S.N. (2012) "Complexity, economics, and public policy," Politics, Philosophy & Economics, , vol. 11(1), pages 45-75, February.

Edmonds, B., & Moss, S. (2004, July). From KISS to KIDS–an ‘anti-simplistic’modelling approach. In International Workshop on Multi-Agent Systems and Agent-Based Simulation (pp. 130-144). Springer Berlin Heidelberg.

Epstein, J. M. (2006). Generative social science: Studies in agent-based computational modeling. Princeton University Press.

Fagiolo, G., Moneta, A., & Windrum, P. (2007). A critical guide to empirical validation of agent-based models in economics: Methodologies, procedures, and open problems. Computational Economics, 30(3), 195-226.

Farmer, J. D., & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460(7256), 685-686.

Farmer, J. D., & Geanakoplos, J. (2009). The virtues and vices of equilibrium and the future of financial economics. Complexity, 14(3), 11-38.

Gabaix, X. (2009). Power laws in economics and finance. Annu. Rev. Econ., 1(1), 255-294.

Gallegati, M., Palestrini, A., & Russo, A. (Eds.). (2017). Introduction to agent-based economics. Academic Press.

Gaus, G. F. (2007). Social complexity and evolved moral principles. In Liberalism, Conservatism, and Hayek’s Idea of Spontaneous Order (pp. 149-176). Palgrave Macmillan, New York.

Godley, W, and Lavoie, M (2006). Monetary economics: an integrated approach to credit, money, income, production and wealth. Springer.

Gräbner, C. (2017a). The complementary relationship between institutional and complexity economics: The example of deep mechanismic explanations. Journal of Economic Issues, 51(2), 392-400.

Gräbner, C. (2017b). How to relate models to reality? An epistemological framework for the validation and verification of computational models (No. 63). ICAE Working Paper Series.

Grimm, V., Revilla, E., Berger, U., Jeltsch, F., Mooij, W. M., Railsback, S. F. & DeAngelis, D. L. (2005). Pattern-oriented modeling of agent-based complex systems: lessons from ecology. science, 310(5750), 987-991.

Grimm, V., Berger, U., DeAngelis, D. L., Polhill, J. G., Giske, J., & Railsback, S. F. (2010). The ODD protocol: a review and first update. Ecological modelling, 221(23), 2760-2768.

Guerini, M. and Moneta, A. (2017) A method for agent-based models validation". In: Journal of Economic Dynamics and Control.

Haldane, A. G., & Turrell, A. E. (2018). An interdisciplinary model for macroeconomics. Oxford Review of Economic Policy, 34(1-2), 219-251.

Hayek, F. A. (1964). The theory of complex phenomena. The critical approach to science and philosophy, 332-349. Chicago      

Heise, A. (2016). Whither economic complexity?.

Holling, C. S. (2001). Understanding the complexity of economic, ecological, and social systems. Ecosystems, 4(5), 390-405.

Hommes, C. Sonnemans, J. Tuinstra, J. van de Velden, H. (2005), Coordination of Expectations in Asset Pricing Experiments, The Review of Financial Studies, Volume 18, Issue 3, 1 October, Pages 955–980, https://doi.org/10.1093/rfs/hhi003

Hoogduin, L. (2016). New approaches to economic challenges: insights into complexity and policy. OECD, pp.11-13.

Jackson M (2008) Social and Economic Networks. New York: Oxford University Press.

Jackson, M. O. (2014). Networks in the understanding of economic behaviors. Journal of Economic Perspectives, 28(4), 3-22.

Jager, W. (2000). Modelling consumer behaviour s.n.

Jager, W., Janssen, M.A., De Vries, H.J.M., De Greef, J. and Vlek, C.A.J., 2000. Behaviour in commons dilemmas: Homo economicus and Homo psychologicus in an ecological-economic model. Ecological economics, 35(3), pp.357-379.

Keynes, J.M. (1921), A Treatise on Probability, The Collected Writings of John Maynard Keynes, Vol. VIII, London

Keynes, J.M. (1936), The General Theory of Employment, Interest and Money, The Collected Writings of John Maynard Keynes, Vol. VII, London, Chapter 12 in particular

Keynes, J.M. (1937), “The General Theory of Employment”, reprinted in The Collected Writings of John Maynard Keynes, Vol. XIV, pp. 109-124

Kirman, A.P., 1992. Whom or what does the representative individual represent?. The Journal of Economic Perspectives, 6(2), pp.117-136.

Kirman, A. (2006). Heterogeneity in economics. Journal of Economic Interaction and Coordination, 1(1), 89-117.

Kirman A., 2016, Complexity and economic policy,http://oecdinsights.org/2016/08/29/complexity-and-economic-policy/

Kirman, A. (2017). The economy as a complex system. In Economic Foundations for Social Complexity Science (pp. 1-16). Springer, Singapore.

Knight, F. H. (1921): Risk, Uncertainty and Profit. Boston: Houghton Mifflin

Lo, A.W., 2004. The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), pp.15-29.

Li, T.Y. and Yorke, J.A., 1975. Period three implies chaos. The American Mathematical Monthly, 82(10), pp.985-992.

Lindgren, K. (1997). Evolutionary dynamics in game-theoretic models. In The economy as an evolving complex system II (pp. 337-368).

Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106.

Muth, J.F. (1961) "Rational Expectations and the Theory of Price Movements" reprinted in The new classical macroeconomics. Volume 1. (1992): 3–23 (International Library of Critical Writings in Economics, vol. 19. Aldershot, UK: Elgar.)

Franke, R. and Westerhoff, F. (2012). Structural stochastic volatility in asset pricing dynamics: Estimation and model contest. Journal of Economic Dynamcis and Control, 36:1193–1211.

Riccetti, L., Russo, A., & Gallegati, M. (2015). An agent based decentralized matching macroeconomic model. Journal of Economic Interaction and Coordination, 10(2), 305-332.

Rodrik, D. (2015). Economics rules: The rights and wrongs of the dismal science. WW Norton & Company.

Salter, A.W. Rev Austrian Econ (2017) 30: 39. doi:10.1007/s11138-016-0350-3

Schasfoort, J., Godin, A., Bezemer, D., Caiani, A., & Kinsella, S. (2017). Monetary Policy Transmission in a Macroeconomic Agent-Based Model. Advances in Complex Systems, 20(08), 1850003.

Seppecher, P. (2012). Flexibility of wages and macroeconomic instability in an agent-based computational model with endogenous money. Macroeconomic Dynamics, 16(S2), 284-297.

Simon, H.A., (1972). Theories of bounded rationality. Decision and organization, 1(1), pp.161-176.

Simon, H. A. (1991). Bounded rationality and organizational learning. Organization science, 2(1), 125-134.

Sun, R. (2006). Prolegomena to integrating cognitive modeling and social simulation. Cognition and multi-agent interaction: from cognitive modeling to social simulation, 3-26.

Sun, Z., Lorscheid, I., Millington, J. D., Lauf, S., Magliocca, N. R., Groeneveld, J. & Buchmann, C. M. (2016). Simple or complicated agent-based models? A complicated issue. Environmental Modelling & Software, 86, 56-67.

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.

Veetil, V.P. & White, L.H. Rev Austrian Econ (2017) 30: 19. doi:10.1007/s11138-016-0354-z

Wren-Lewis, S. (2014), Conditional and unconditional forecasting, https://mainlymacro.blogspot.co.za/2014/08/conditional-and-unconditional.html