¿Qué significa resiliencia cuando los resultados se distribuyen de forma desigual?

489.1. Un sistema puede continuar mientras cambian quienes lo sostienen

Una organización puede mantener su producción durante una perturbación aunque el esfuerzo necesario para lograrlo recaiga de manera muy desigual sobre sus integrantes. Un indicador que registre solo el resultado agregado asignará la misma resiliencia a una organización donde todos asumieron una parte del esfuerzo y a otra donde un solo grupo lo cargó entero, aunque para ese grupo las trayectorias sean muy distintas. Por eso la pregunta por la resiliencia de una organización humana obliga a precisar qué función se conserva, durante cuánto tiempo y para quién resultan aceptables las consecuencias de conservarla. La persistencia de la organización y la situación de sus participantes son variables distintas, y conocer la primera no informa por sí solo sobre la segunda.

El término carece de un significado único fuera de un marco declarado. En su trabajo de 1973, Holling separó dos propiedades de los sistemas ecológicos. Llamó estabilidad a la capacidad de un sistema para volver a un estado de equilibrio después de una perturbación temporal, de modo que es más estable cuanto más rápido regresa y menos fluctúa. Llamó resiliencia a la capacidad de absorber cambios en las variables de estado, en las variables impulsoras y en los parámetros sin dejar de persistir (Holling, 1973, p. 17). Su ejemplo principal fue la comunidad forestal asociada a la polilla del abeto, que describió como muy inestable y, precisamente a causa de esa inestabilidad, muy resiliente (p. 15). La distinción tiene una consecuencia directa para este capítulo, porque una recuperación rápida mide estabilidad en el sentido de Holling y no basta para afirmar resiliencia. El artículo, por otra parte, trata sistemas ecológicos y no aborda cuestiones de distribución ni de justicia. Trasladar el concepto a organizaciones humanas exige declarar resultados y valoraciones que la definición ecológica no contiene.

Côte y Nightingale (2012) sostienen que la extensión de la resiliencia a la sociedad tiene límites importantes, en particular para conceptualizar el cambio social, y los atribuyen a la escasa atención prestada a los supuestos normativos y epistemológicos de la noción de resiliencia social. Según su resumen, el poder y los sistemas de valores en competencia forman parte del desarrollo y del funcionamiento de los sistemas socioecológicos, en lugar de actuar sobre ellos desde fuera. En una revisión posterior, Cretney (2014) describe cómo la crítica a estos marcos condujo a preguntar qué se mantiene mediante los discursos de resiliencia, para quién y por quién. Izdebski, Mordechai y White (2018) examinan esa cuestión en tres sociedades premodernas del Mediterráneo nororiental y muestran que procesos adaptativos que reforzaron la resiliencia de un Estado impusieron cargas distintas a grupos situados en los niveles inferiores de la jerarquía social, mientras otros grupos obtuvieron beneficios. Este capítulo adopta esa orientación general y desarrolla un caso propio. Ninguno de los cálculos que siguen procede de esos trabajos, y el modelo de cargas no ha sido validado empíricamente por ellos ni por otros autores.

El caso es una organización hipotética con dos equipos. Se comparan políticas que alcanzan exactamente la misma producción total y que difieren en la forma de repartir la sobrecarga y en el tiempo que tarda cada equipo en volver a una referencia. Las variables de carga acumulada son índices construidos para el ejercicio y no medidas clínicas de fatiga o de agotamiento. Con ellas se busca mostrar qué información desaparece en una evaluación agregada y qué decisiones normativas quedan a la vista cuando se comparan alternativas. Ningún valor numérico del capítulo pretende funcionar como umbral universal de aceptabilidad.

489.2. Mantener la producción durante un aumento de demanda

Según la referencia del ejemplo, cada equipo puede realizar cincuenta unidades semanales de trabajo sin sobrecarga, de modo que la capacidad habitual del conjunto es de cien. Durante seis semanas la demanda sube a ciento veinte. Una política asigna cincuenta unidades al primer equipo y setenta al segundo; otra asigna sesenta a cada uno. Las dos completan toda la demanda y las dos requieren veinte unidades semanales de esfuerzo por encima de la capacidad habitual. Si el indicador de resiliencia mide únicamente la proporción de demanda satisfecha, ambas obtienen el valor máximo.

La igualdad de producción no implica igualdad de consecuencias. En la política concentrada un equipo absorbe toda la exigencia adicional, mientras en la repartida cada equipo asume la mitad. Esto no demuestra todavía que la segunda sea preferible, porque podrían existir diferencias de capacidad, preferencias o compensaciones que el modelo omite. Establece, en cambio, que el indicador agregado carece de la información necesaria para decidir, y que una evaluación que pretenda hacerlo tiene que observar la distribución y justificar qué diferencias considera relevantes.

Registrar la suma de la sobrecarga tampoco resuelve el problema, puesto que esa suma vale veinte en las dos políticas. Si las consecuencias crecieran de forma estrictamente lineal, fueran idénticas entre equipos y pudieran compensarse por completo, algunas valoraciones agregadas darían el mismo resultado para ambas. Cuando el costo crece más que proporcionalmente con la acumulación, o cuando existe un límite individual, la distribución altera el resultado. Esas hipótesis deben declararse y, en una aplicación empírica, ponerse a prueba. La preferencia por una política no puede apoyarse solo en que su tabla parezca más simétrica.

El ejemplo supone equipos de igual tamaño y unidades de trabajo comparables. Si un equipo tuviera el doble de integrantes, asignar cantidades iguales a ambos equipos no significaría asignar la misma carga por persona. Si las tareas fueran distintas, una unidad podría exigir esfuerzos diferentes en cada equipo. Antes de comparar distribuciones hace falta una unidad de medida adecuada a la pregunta. Cuando no existe una equivalencia clara entre tareas, el análisis debe arrastrar esa incertidumbre en lugar de ocultarla detrás de cifras exactas.

489.3. La carga acumulada introduce memoria

La sobrecarga de una semana puede dejar consecuencias que no desaparecen antes de la siguiente. El modelo representa esa memoria con un índice que conserva el ochenta por ciento de su valor anterior y suma la sobrecarga nueva. El coeficiente de retención, que se denotará $\rho=0{,}8$, es un supuesto explícito del ejercicio; no se ha estimado a partir de personas ni pretende describir procesos fisiológicos. Su complemento, $1-\rho$, actúa como tasa de recuperación semanal. En la recurrencia siguiente, $q_{i,t}$ es la producción asignada al equipo $i$, $L_{i,t}$ su sobrecarga y $D_{i,t}$ el valor del índice tras $t$ semanas.

Con sobrecarga constante, el índice es una suma geométrica. Al cabo de seis semanas, la concentrada deja 73,7856 unidades en el segundo equipo y cero en el primero, y la repartida 36,8928 en cada uno, cifras exactas porque $0{,}8^6=4096/15625=0{,}262144$ tiene expansión decimal finita. La suma de los índices coincide en ambas políticas, mientras la mayor carga individual se reduce a la mitad en la repartida. Ni el indicador de producción ni un indicador que sumara las cargas acumuladas registrarían esa diferencia.

import numpy as np
rho = .8
loads = {"concentrada":np.array([0.,20.]),
         "repartida":np.array([10.,10.])}
histories = {}
for name,load in loads.items():
    history = [np.zeros(2)]            # history[t]: índice tras t semanas
    for week in range(6):
        history.append(rho*history[-1]+load)
    histories[name] = np.asarray(history)
assert np.allclose(histories["concentrada"][-1],[0,73.7856])
assert np.allclose(histories["repartida"][-1],[36.8928,36.8928])
assert np.isclose(histories["concentrada"][-1].sum(),
                  histories["repartida"][-1].sum())
for name,history in histories.items():
    print(name,"carga final",history[-1])

La memoria vuelve decisivo el horizonte de evaluación. Quien observe solo las seis semanas de producción concluirá que ambas políticas resolvieron la perturbación, mientras el estado final del índice muestra recursos consumidos o consecuencias pendientes, y sugiere que la organización pudo conservar su función trasladando costos hacia adelante. Para evaluar esa posibilidad se necesitan variables que sigan midiéndose después de que el servicio parezca recuperado.

La recurrencia es lineal y no incluye pérdida de capacidad ni cambios de conducta. En una organización real, una carga elevada podría alterar la disponibilidad del personal, la frecuencia de errores o las decisiones de abandonar el trabajo. Modelar esas relaciones exigiría evidencia propia y otra estructura, por lo que el capítulo no las incorpora. El modelo lineal autoriza una conclusión más modesta, suficiente para el argumento: una misma producción y una misma suma de esfuerzo son compatibles con distribuciones muy diferentes de las consecuencias, tanto entre equipos como a lo largo del tiempo.

489.4. Un límite por participante cambia la evaluación

Supóngase que quienes evalúan el sistema fijan, como criterio del ejercicio, que ningún equipo supere sesenta unidades de carga acumulada. En la política concentrada, el segundo equipo llega a 59,04 al cerrar la cuarta semana y a 67,232 al cerrar la quinta, de modo que incumple la condición desde la quinta semana. En la repartida ningún equipo pasa de 36,8928 durante la perturbación. El límite no procede de una ley matemática ni de una recomendación clínica. Expresa una restricción de aceptabilidad que habría que justificar en cada contexto, y el cálculo solo indica si se cumple, sin decir nada sobre si sesenta es el valor adecuado.

limit = 60
concentrated_max = histories["concentrada"].max(axis=1)
shared_max = histories["repartida"].max(axis=1)
first_crossing = np.flatnonzero(concentrated_max>limit)[0]
assert first_crossing == 5
assert concentrated_max[4] < limit < concentrated_max[5]
assert np.all(shared_max <= limit)
print("Primera semana que supera el límite hipotético:",first_crossing)
print("Carga del equipo B al cerrar las semanas 4 y 5:",concentrated_max[4:6])

La restricción impide compensar una carga individual elevada con la producción obtenida por otros, algo que un criterio basado únicamente en la suma podría aceptar. Este desacuerdo entre criterios no se resuelve con cálculos más precisos y requiere discutir qué consecuencias son comparables entre sí, quién está en condiciones de aceptar una carga y qué límites se consideran exigibles. El modelo aporta la posibilidad de ver esos compromisos y de comprobar cómo cada uno restringe las opciones disponibles.

Otra posibilidad es una penalización convexa de las cargas, como la suma de sus cuadrados. Con esa función, concentrar la misma carga total cuesta más que repartirla, y en el estado final del ejemplo la penalización de la política concentrada duplica exactamente la de la repartida. Con dos equipos, el factor dos se sigue de que una carga total $2a$ asignada entera a un equipo produce $(2a)^2=4a^2$, mientras repartida en partes iguales produce $a^2+a^2=2a^2$. La convexidad representa la idea de que una carga adicional pesa más cuando ya existe una carga elevada. Es una hipótesis de evaluación que requiere justificación, no una medida natural del bienestar.

quadratic = {name:np.sum(history[-1]**2)
             for name,history in histories.items()}
assert np.isclose(quadratic["concentrada"],2*quadratic["repartida"])
print("Penalizaciones cuadráticas hipotéticas:",quadratic)

Un límite y una penalización representan reglas distintas. El límite excluye ciertas trayectorias aunque su rendimiento agregado sea alto, mientras la penalización admite intercambios cuya intensidad depende de un peso, y reescribir un límite como un costo pequeño puede cambiar la decisión por completo. La forma matemática debe corresponder a la regla que se pretende aplicar.

489.5. Recuperación del servicio y recuperación de las personas

Tras las seis semanas, la demanda vuelve a cien unidades y la sobrecarga desaparece. La producción puede seguir de inmediato en su nivel habitual, mientras el índice acumulado decae de forma gradual. Si se fija una referencia de recuperación de diez unidades por equipo, el equipo más cargado de la política concentrada necesita nueve semanas adicionales para quedar en ese valor o bajo él; a las ocho semanas todavía conserva 12,38 y a las nueve desciende a 9,90. En la política repartida cada equipo necesita seis semanas, con 12,09 a las cinco y 9,67 a las seis. Durante ese intervalo el servicio aparece recuperado y las diferencias internas persisten.

Como $\ln\rho<0$ y $10/D_{i,T}<1$, el cociente es positivo y la función techo entrega el primer número entero de semanas que lleva el índice a la referencia.

def recovery_steps(value,threshold=10):
    if value <= threshold:
        return 0
    k = int(np.ceil(np.log(threshold/value)/np.log(rho)))
    assert rho**k*value <= threshold
    assert k == 0 or rho**(k-1)*value > threshold
    return k
recovery = {name:[recovery_steps(v) for v in history[-1]]
            for name,history in histories.items()}
assert recovery == {"concentrada":[0,9],"repartida":[6,6]}
print("Semanas adicionales hasta la referencia:",recovery)

El criterio de recuperación es otra vez explícito y convencional, y no corresponde a una fecha médica ni a un umbral laboral validado. Sirve para mostrar que definir la recuperación en términos de producción, de carga máxima o del estado de cada participante conduce a respuestas distintas. Doorn, Gardoni y Murphy (2019) plantean una distinción análoga para la infraestructura física. Según su análisis, restablecer la funcionalidad de una red no basta para afirmar que las personas recuperaron un nivel aceptable de bienestar, de modo que ambas recuperaciones pueden divergir. Los autores proponen además examinar los efectos por individuo o por subgrupo, porque un promedio comunitario satisfactorio puede ocultar daños graves a algunas personas. Cuando importan varias nociones de recuperación, la evaluación puede presentar varias curvas y tiempos en lugar de reducirlos a una cifra única.

Una nueva perturbación puede llegar antes de que esa recuperación se complete. En ese caso la exigencia siguiente parte de un estado diferente, y las políticas ya no pueden compararse como si cada episodio empezara desde cero. Un sistema que responde bien a un choque aislado puede responder mal a perturbaciones repetidas. El horizonte de una evaluación de resiliencia tiene que ser compatible con la frecuencia de las demandas y con el tiempo de recuperación de las variables que interesan.

489.6. Desigualdad de resultados y elección de la variable

Una medida de desigualdad depende de qué se distribuye. En la política concentrada las cantidades de trabajo son cincuenta y setenta, mientras las sobrecargas son cero y veinte. La desigualdad relativa de la producción es moderada y la de la sobrecarga es mucho mayor. Ambas descripciones son correctas porque se refieren a objetos distintos, y la evaluación debe justificar por qué la variable elegida representa el beneficio o la carga que se quiere examinar.

Para dos equipos de igual peso, el coeficiente de Gini de las cantidades de trabajo vale 1/12, aproximadamente 0,0833, y el de la sobrecarga vale 0,5. En la política repartida ambos coeficientes son cero. Para cantidades no negativas, el máximo de esta fórmula para $n$ unidades es $(n-1)/n$, que con dos equipos es precisamente 0,5. El coeficiente de la sobrecarga concentrada corresponde, por tanto, a la mayor desigualdad que admite una población de dos y no a un valor intermedio, como podría sugerir la escala habitual de cero a uno. Estos coeficientes no miden justicia por sí solos, ya que un reparto igual de una carga excesiva puede seguir siendo inaceptable, y tampoco incorporan necesidades, capacidades ni consentimiento. Resumen una dimensión de la distribución que debe leerse junto con los niveles absolutos y el contexto.

def gini(x):
    x = np.asarray(x,dtype=float)
    return np.abs(x[:,None]-x[None,:]).sum()/(2*len(x)**2*x.mean())
assert np.isclose(gini([50,70]),1/12)
assert np.isclose(gini([0,20]),.5)
assert np.isclose(gini([0,20]),(2-1)/2)   # máximo posible con n = 2
assert np.isclose(gini([10,10]),0)
print("Gini de trabajo y sobrecarga concentrados:",gini([50,70]),gini([0,20]))

La igualdad entre equipos puede ocultar desigualdad dentro de cada uno. Diez unidades adicionales por equipo pueden repartirse de manera uniforme entre sus integrantes o recaer casi enteras sobre unas pocas personas. Si el criterio de aceptabilidad se refiere a personas, evaluar solo equipos puede resultar insuficiente, y la resolución del modelo debería alcanzar la unidad en la que se producen las consecuencias. Aumentar esa resolución exige datos individuales y un tratamiento cuidadoso de quién accede a ellos y con qué fin. Dividir el promedio de un equipo por el número de sus integrantes produce una cifra por persona sin aportar ninguna información sobre cómo se repartió la carga.

Las diferencias de capacidad y de necesidad pueden justificar repartos no idénticos, como cuando una persona con más recursos asume temporalmente una carga mayor dentro de un acuerdo legítimo. Esa posibilidad, sin embargo, no puede inferirse del simple hecho de que efectivamente la asumió, porque la distribución observada puede reflejar restricciones de elección o diferencias en el poder de negociación. Para valorarla se necesita información sobre cómo se asignó la carga, qué alternativas existían y qué consecuencias acompañaron la decisión, además del resultado numérico final.

489.7. Los límites del sistema determinan qué costos se ven

Una organización puede sostener su producción trasladando tareas a proveedores, familias u otras instituciones. Si el modelo termina en la frontera organizacional, esos costos aparecen como recursos externos disponibles y no como cargas que alguien soporta, de modo que la resiliencia medida dentro del límite puede aumentar mientras empeora la situación fuera de él. Izdebski et al. (2018) describen un fenómeno parecido en sus casos históricos, donde medidas que preservaron un Estado o sus instituciones desplazaron costos hacia ciudades, actividades o grupos sociales concretos. Los mismos autores advierten que las fuentes conservadas documentan mejor el nivel estatal que el resto de la sociedad, lo que inclina los relatos hacia la resiliencia del Estado. No toda transferencia de costos es indebida. Su evaluación, con todo, necesita incluir a quienes reciben consecuencias relevantes y distinguir un intercambio acordado de un desplazamiento que nadie reconoce.

El mismo problema aparece en el tiempo, porque posponer el mantenimiento puede sostener la producción durante una perturbación y aumentar la probabilidad de fallas posteriores. Consumir reservas puede ser una respuesta apropiada si luego se reponen, o una estrategia frágil si la reposición no es viable. Un indicador agregado de corto plazo no distingue entre ambos casos. Un modelo de existencias y flujos puede mostrar qué recursos se consumen y si la trayectoria podría repetirse.

En el ejemplo, el índice de carga funciona como registro de consecuencias pendientes y no permite inferir daños concretos. Una aplicación real exigiría variables observables vinculadas con las consecuencias relevantes y una comprobación de sus relaciones. Si no se dispone de ellas, puede ofrecerse una evaluación restringida a la continuidad de la producción, sin extenderla a una afirmación sobre resiliencia social en general.

La elección de la frontera debe justificarse según la pregunta y revisarse cuando una política cambia quién soporta los costos. Un servicio puede medir la continuidad de la atención y necesitar además evaluar la carga de su personal y el acceso de quienes quedan fuera. Como esas dimensiones pueden moverse en direcciones opuestas, presentarlas juntas permite discutir los intercambios entre ellas, mientras una cifra única puede ocultarlos si las ponderaciones no están a la vista. La descripción de un modelo queda completa cuando declara lo que incluye y también las consecuencias que reconoce fuera de su alcance.

489.8. Conservar una función no decide si debe conservarse

Una institución puede persistir mediante reglas que producen resultados desfavorables para una parte de sus integrantes. Describir su capacidad de continuidad no obliga a valorar esa continuidad de manera positiva. La pregunta normativa es qué funciones merecen preservarse y en qué condiciones. Un modelo dinámico puede explicar cómo se mantiene una distribución desigual sin que esa explicación la justifique, y mantener separadas ambas cosas evita que la palabra resiliencia opere como elogio automático de cualquier sistema que sobreviva a una perturbación. En sus conclusiones, Izdebski et al. (2018) señalan que la carga diferenciada de la resiliencia puede afianzar en unos casos configuraciones políticas o económicas existentes y alterarlas en otros.

También puede ser preferible transformar una organización antes que restaurar su estado anterior. Si la situación previa ya incluía cargas excesivas o acceso insuficiente, volver a ella no constituye necesariamente una recuperación aceptable. El análisis debe indicar si evalúa el retorno a una línea basal, la conservación de una función o la transición hacia una configuración distinta, porque cada uno de esos objetivos define el éxito de otra manera. Usar la misma palabra para los tres sin especificar cuál se persigue impide comparar políticas de manera inteligible.

La valoración depende también de quién experimenta cada resultado, ya que una reorganización puede mejorar la continuidad para los usuarios y empeorar las condiciones de quienes la sostienen, o reducir la carga interna y trasladar demoras a personas con menos alternativas. Ampliar el modelo vuelve explícito ese conflicto sin eliminarlo, y la evaluación debe conservar la distribución de los efectos y las razones para priorizar ciertos límites, sin presentar una compensación agregada como si todos los participantes la hubieran aceptado.

En el caso construido, la política repartida mejora algunos criterios respecto de la concentrada bajo supuestos simétricos. Ese resultado no resuelve la decisión completa, porque falta saber si las cargas son comparables, si existen otras opciones y qué ocurre si no se satisface toda la demanda. El modelo permite formular esas preguntas con precisión, mientras la decisión sobre qué resultados son aceptables sigue requiriendo deliberación.

489.9. Una tercera política: reducir temporalmente la producción

Se agrega una alternativa que produce ciento diez unidades por semana, cincuenta y cinco por equipo. En seis semanas deja sin completar sesenta unidades de demanda y genera cinco unidades semanales de sobrecarga en cada equipo. La carga acumulada final es de 18,4464 por equipo, la cuarta parte del máximo de la política concentrada y la mitad del de la repartida, y la fracción de demanda atendida baja a 110/120, cerca de 0,917. Frente a las políticas anteriores, esta reduce la carga a costa de la continuidad de la producción. La elección ya no puede justificarse afirmando que una alternativa mejora todos los criterios a la vez.

load_reduced = np.array([5.,5.])
debt_reduced = load_reduced*(1-rho**6)/(1-rho)
shortfall = 6*(120-110)
service_fraction = 110/120
assert np.allclose(debt_reduced,[18.4464,18.4464])
assert shortfall == 60
final_max = {"concentrada":histories["concentrada"][-1].max(),
             "repartida":histories["repartida"][-1].max(),
             "reducida":debt_reduced.max()}
admissible = [name for name,value in final_max.items() if value <= 30]
assert admissible == ["reducida"]
print("Carga final con producción reducida:",debt_reduced)
print("Demanda no completada:",shortfall,"; fracción de servicio:",service_fraction)
print("Políticas con carga máxima final de 30 o menos:",admissible)

La demanda no completada tiene consecuencias para otras personas o funciones, y no debe tratarse como un costo abstracto sin preguntar quién lo recibe. Si las unidades omitidas corresponden a tareas de importancia distinta, una suma simple puede resultar inadecuada. La política podría priorizar algunas tareas y posponer otras, lo que crea una nueva distribución de efectos. Cuando esa selección importa, el análisis tiene que describirla con más detalle y mantener separado lo que se calcula de lo que se valora.

Una restricción hipotética que limite a treinta unidades la carga máxima final seleccionaría la tercera política entre las tres examinadas. Una exigencia de completar toda la demanda la excluiría. Si ambas restricciones fueran obligatorias, ninguna de las tres políticas sería factible. Ese resultado es informativo, porque indica que hace falta otra opción, más recursos o una revisión explícita de las restricciones, en lugar de un ajuste silencioso de pesos que haga parecer satisfactoria alguna alternativa.

Si se propone ampliar la capacidad, el costo de los recursos adicionales también debe entrar en la comparación. Contratar personal, redistribuir tareas o automatizar procesos puede modificar la trayectoria, pero cada medida requiere un mecanismo plausible y evidencia sobre su efecto. La comparación tampoco debe suponer que un aumento de capacidad beneficia por igual a todos.

489.10. Funciones objetivo y desacuerdos que los datos no resuelven

Una función de evaluación podría sumar la demanda no satisfecha y una penalización de las cargas. El peso relativo $\lambda$ determina cuánto rendimiento se está dispuesto a sacrificar para reducir la acumulación. A diferencia de una tasa de recuperación, ese peso no se estima a partir del comportamiento del sistema. Puede reflejar preferencias, obligaciones o decisiones institucionales, y debe justificarse como tal; tratarlo como un parámetro puramente técnico ocultaría la elección normativa que organiza la comparación. Existe además un aspecto dimensional. La demanda se mide en unidades de trabajo y la penalización en unidades de carga al cuadrado, de modo que $\lambda$ tiene unidades propias y su valor numérico cambia si se modifica la escala del índice. En la expresión siguiente, $U$ es la demanda no satisfecha acumulada durante la perturbación.

Con los valores del ejemplo, la política concentrada nunca obtiene un valor de $J$ menor que la repartida, porque ambas satisfacen toda la demanda y la concentrada tiene el doble de penalización; las dos solo empatan cuando $\lambda=0$. La elección entre la repartida y la de producción reducida, en cambio, depende del peso. La reducida resulta preferible cuando $\lambda$ supera el cociente entre las sesenta unidades no atendidas y la diferencia entre ambas penalizaciones, lo que en las unidades del ejemplo da cerca de 0,0294. El bloque siguiente calcula ese umbral y comprueba la elección a ambos lados de él.

penalty = {"concentrada":quadratic["concentrada"],
           "repartida":quadratic["repartida"],
           "reducida":np.sum(debt_reduced**2)}
unmet = {"concentrada":0,"repartida":0,"reducida":shortfall}
lambda_switch = ((unmet["reducida"]-unmet["repartida"])
                 /(penalty["repartida"]-penalty["reducida"]))
assert np.isclose(lambda_switch,0.029388,atol=1e-6)
for lam in np.linspace(1e-4,0.2,400):
    J = {name:unmet[name]+lam*penalty[name] for name in penalty}
    assert J["concentrada"] > J["repartida"]
    best = min(J,key=J.get)
    assert best == ("repartida" if lam < lambda_switch else "reducida")
print("Peso a partir del cual se prefiere reducir la producción:",lambda_switch)

La función sirve para explorar cómo cambia la preferencia al variar el peso y para identificar alternativas que nunca resultan preferidas, como la concentrada en este ejemplo. Algunas consecuencias, sin embargo, quizá no admitan compensación de esa forma y requieran una restricción separada, como un límite de carga o una garantía de acceso.

Los datos ayudan a estimar las consecuencias de las políticas, su incertidumbre y la distribución de los efectos. Por sí solos no determinan quién debe asumir una carga ni qué grado de desigualdad es aceptable. Reconocer esa separación no resta rigor al análisis y permite distinguir las afirmaciones empíricas de las que requieren razones normativas. Un informe cuidadoso puede exponer un desacuerdo de valores sin pretender resolverlo con estimaciones más exactas.

La participación de quienes experimentan los resultados puede revelar variables que el modelo omitió, como la previsibilidad de los horarios o la posibilidad real de rechazar una carga adicional. También puede dejar a la vista desacuerdos persistentes. Incorporar esas perspectivas supone revisar si la representación contiene las consecuencias relevantes para la decisión y explicar cómo se resolvieron los conflictos de interpretación. El procedimiento seguido para evaluar forma parte de la legitimidad del criterio que finalmente se adopta.

489.11. Robustez ante perturbaciones diferentes

La comparación inicial usa una perturbación de seis semanas y una tasa fija de recuperación. Una política puede funcionar bien en esas condiciones y fallar cuando la demanda dura más o se repite con poca separación. Ninguna política resiste cualquier perturbación imaginable, de modo que la tarea consiste en identificar el dominio en que sus consecuencias siguen siendo aceptables y los cambios que lo vuelven insuficiente.

Con sobrecarga constante y $\rho=0{,}8$, el índice converge a cien unidades en el equipo sobrecargado de la política concentrada y a cincuenta por equipo en la repartida. Con una recuperación más lenta esos valores de equilibrio aumentan. Si $\rho$ fuera 0,9, la política repartida, que con $\rho=0{,}8$ nunca alcanza el límite de sesenta, lo superaría al cerrar la novena semana de sobrecarga sostenida y llegaría a 71,76 al cabo de doce semanas. Una condición que se cumple durante seis semanas puede dejar de cumplirse con otra dinámica o con un horizonte más largo. Que el punto fijo sea estable tampoco garantiza que su nivel sea aceptable, porque una carga puede estabilizarse en un valor que se considere excesivo.

assert np.allclose(loads["concentrada"]/(1-rho),[0,100])
assert np.allclose(loads["repartida"]/(1-rho),[50,50])
slow_rho = .9
shared_twelve = 10*(1-slow_rho**12)/(1-slow_rho)
assert shared_twelve > 60
slow_path = 10*(1-slow_rho**np.arange(1,13))/(1-slow_rho)
first_slow = int(np.flatnonzero(slow_path>limit)[0])+1
assert first_slow == 9
print("Carga repartida tras doce semanas con recuperación más lenta:",shared_twelve)
print("Primera semana sobre el límite con rho = 0,9:",first_slow)

La incertidumbre sobre la recuperación debe propagarse a la comparación. Si solo se conoce un intervalo plausible para $\rho$, pueden calcularse varios escenarios y comprobar si una política domina a otra en todos ellos. Una política robusta puede conservar margen frente a perturbaciones no previstas, pero ese margen tiene un costo. La evaluación debe mostrar el intercambio en lugar de presentar la robustez como una propiedad gratuita o independiente del criterio de resultado.

489.12. Medir continuidad y distribución en una aplicación empírica

Un estudio empírico necesita definir la función organizacional y a sus beneficiarios antes de elegir indicadores. La producción puede medirse con registros administrativos, aunque su calidad y su accesibilidad pueden variar mientras el volumen permanece constante. Si una organización completa el mismo número de tareas dedicando menos tiempo a cada una, el conteo de producción puede dejar de ser suficiente, y la continuidad tiene que describirse en términos de la función que se pretende conservar y no solo de la actividad registrada.

La medición de cargas necesita distinguir exposición, percepción y consecuencias, porque ninguna de esas dimensiones sustituye automáticamente a las otras. Un aumento de horas puede servir como indicador de exposición, aunque no describe por completo la intensidad ni la distribución del esfuerzo. Una evaluación subjetiva aporta información relevante y depende a su vez del contexto y del instrumento de medición. Combinar fuentes mejora la descripción si se evita contar medidas relacionadas como pruebas independientes de un mismo efecto.

Comparar políticas exige considerar qué habría ocurrido bajo las alternativas. Una organización puede parecer resiliente porque enfrentó una perturbación menor o porque recibió recursos externos, sin que la estrategia evaluada haya tenido mucho que ver. Los diseños deben examinar esas diferencias y reconocer los límites causales cuando no pueden controlarse. El modelo sintético compara condiciones idénticas por construcción, mientras los datos reales rara vez ofrecen esa igualdad sin trabajo adicional, y la interpretación debe mantener visible esa diferencia.

La distribución temporal también debe seguirse después de la fase visible de la crisis. Si la medición termina cuando vuelve la producción habitual, puede omitir una recuperación incompleta o consecuencias diferidas. Cuando los recursos no permiten un seguimiento acorde con la duración de esos procesos, la conclusión puede limitarse a la continuidad de corto plazo, en vez de atribuir una resiliencia general a una ventana de observación que no alcanzó a registrar sus posibles costos.

489.12.1. La referencia y la composición pueden cambiar durante el seguimiento

El ejemplo comenzó con cargas iguales a cero para aislar el efecto de cada política. Si los equipos parten de estados diferentes, repartir por igual la sobrecarga nueva no produce cargas finales iguales, porque la recurrencia conserva una parte de la desigualdad inicial. Con una diferencia inicial de treinta unidades y la política repartida, la diferencia al cabo de seis semanas es $30\cdot0{,}8^6\approx7{,}86$ unidades; se ha reducido, pero no ha desaparecido. Una política orientada a limitar la carga máxima podría asignar menos exigencia nueva a quien empieza más cargado. La igualdad de trato durante una perturbación y la igualdad de consecuencias acumuladas son, por eso, criterios distintos.

initial = np.array([30.,0.])
state = initial.copy()
for week in range(6):
    state = rho*state+loads["repartida"]
assert np.allclose(state-histories["repartida"][-1],initial*rho**6)
print("Carga final con estado inicial desigual:",state)

La línea basal debe medirse y justificarse, en especial cuando una organización usa como referencia un período que ya era excepcional. Una semana de alta demanda como referencia puede hacer parecer aceptable una carga elevada, y un período inusualmente tranquilo puede exagerar el deterioro. La elección debe responder a la función y al horizonte evaluados, y su incertidumbre puede examinarse con referencias alternativas. Que una cifra basal se haya registrado antes de la perturbación no la vuelve neutral.

La composición de los participantes también puede cambiar: si quienes soportan más carga abandonan la organización, el promedio de quienes permanecen podría mejorar sin que la trayectoria global haya sido favorable. Evaluar solo a las personas presentes al final selecciona una parte de la experiencia. Cuando esas diferencias importan, el seguimiento debería distinguir la recuperación de los participantes originales, su reemplazo y su salida. La continuidad de producción obtenida mediante rotación puede ser una propiedad de la organización y, al mismo tiempo, un resultado problemático para ciertas personas.

Un cambio de composición puede ser voluntario y beneficioso, o bien reflejar restricciones y costos. El modelo no puede decidirlo a partir del mero hecho de que ocurrió, y para comprenderlo se necesitan fuentes sobre las condiciones de salida, las alternativas disponibles y las consecuencias. Cuando esa información falta, la evaluación puede describir la rotación y acotar su interpretación. Esa cautela impide que la ausencia de datos sobre quienes dejaron el sistema se lea como evidencia de que todos se recuperaron o de que la estrategia fue aceptable para el conjunto.

489.13. Un criterio de resiliencia que pueda discutirse

Una formulación explícita indica la función, el conjunto de perturbaciones y las condiciones de aceptabilidad durante un horizonte definido. Puede exigir una fracción mínima de servicio y limitar las cargas máximas, o comparar varias funciones sin condensarlas en una cifra. El criterio debe permitir reconocer tanto éxitos como fallos. Si cualquier resultado puede describirse a posteriori como adaptación, la evaluación pierde capacidad de contraste.

El caso mostró que mantener la producción y conservar la misma suma de esfuerzo puede ocultar diferencias grandes en la carga máxima y en el tiempo de recuperación. Mostró también que reducir la carga puede trasladar consecuencias a quienes reciben menos servicio, y que el umbral de preferencia entre ambas opciones depende de un peso que ningún dato fija por sí solo. Una evaluación de resiliencia necesita hacer visibles esas distribuciones y declarar qué intercambios considera aceptables. La estabilidad organizacional es una propiedad relevante, aunque no responde por sí sola a la pregunta por los resultados para las personas.

Separar modelo y valoración permite usar ambos con mayor precisión. El modelo calcula trayectorias bajo supuestos declarados y ayuda a identificar qué observaciones harían falta. La valoración define qué funciones preservar, qué límites respetar y quién participa en esa decisión. Cuando los resultados se distribuyen de forma desigual, una afirmación de resiliencia queda incompleta mientras no especifique esos tres elementos, porque la continuidad del agregado es compatible con trayectorias muy distintas para quienes sostienen el sistema.

Referencias

Côte, M., y Nightingale, A. J. (2012). Resilience thinking meets social theory: Situating social change in socio-ecological systems (SES) research. Progress in Human Geography, 36(4), 475–489. https://doi.org/10.1177/0309132511425708

Cretney, R. (2014). Resilience for whom? Emerging critical geographies of socio-ecological resilience. Geography Compass, 8(9), 627–640. https://doi.org/10.1111/gec3.12154

Doorn, N., Gardoni, P., y Murphy, C. (2019). A multidisciplinary definition and evaluation of resilience: The role of social justice in defining resilience. Sustainable and Resilient Infrastructure, 4(3), 112–123. https://doi.org/10.1080/23789689.2018.1428162

Holling, C. S. (1973). Resilience and stability of ecological systems. Annual Review of Ecology and Systematics, 4, 1–23. https://doi.org/10.1146/annurev.es.04.110173.000245

Izdebski, A., Mordechai, L., y White, S. (2018). The social burden of resilience: A historical perspective. Human Ecology, 46(3), 291–303. https://doi.org/10.1007/s10745-018-0002-2