Corrupción y Resultados en la Gestión de la Crisis del COVID

Esta serie se artículos que escribimos con colegas de toda latinoamérica y caribe tienen por objeto relevar las mejores prácticas desarrolladas durante la pandemia del SARS Covid. Como toda actividad científica propia de una red formada add-hoc, la principal idea no es sólo capturar todos los eventos exitosos, sino que consideramos también los penosos y dolorosos. Son estos tal vez tan valiosos para los investigadores del presente y del futuro que podrían perder la chance de acceder a estos modelos, casos y entrevistas informales que realizamos. Tal como señala Edgar Murin, el aprendizaje es una construcción colectiva y nuestra región tiene dolorosos recuerdos de lo que implica volver a cometer los errores del pasado simplemente por que nadie nos contó sobre ellos.

Sin más preambulos se introduce este preámbulo de un fabuloso ariculo de 23 de Febrero de 2022 escrito por: Hossein Mansouri. Dejo para el final de la cita el nombre que tiene el artículo y seguramente los va a sorprender.

cita:

La corrupción es un crimen calculado, normalmente perpetrado con fines económicos (Agatiello, 2010). La Corrupción ocurre cuando “un agente se desvía de las normas morales consideradas relevantes y consolidadas en un determinado contexto social”. mientras que la integridad implica actuar de acuerdo con valores y reglas morales básicas” (Monteduro, Hinna & Moi, 2016, pág. 36). En otros lugares, la corrupción se refiere al abuso del poder encomendado para una ganancia indebida y privada (Hauser & Hogenacker, 2014). La corrupción incorpora muchos tipos de comportamientos y actividades (Graycar 2017). Los comportamientos corruptos incluyen el soborno, la extorsión, la apropiación indebida, el trato personal, el patrocinio, el abuso discrecional, el mal uso de la información, la creación o explotación de un conflicto de intereses, así como el nepotismo, el clientelismo y el favoritismo. Las actividades corruptas incluyen la designación de personal, la contratación de servicios, la fabricación (construcción y fabricación), la reconstrucción (después de un desastre), el control de actividades (es decir, la concesión de licencias, la regulación, la emisión de permisos) y la administración de justicia.Existe consenso en que la corrupción tiene impactos multidimensionales y perjudiciales que incluyen inestabilidad económica, desigualdad social, ineficiencia y desperdicio de recursos (Monteduro, Cecchetti, Ylenia y Allegrini, 2021). La corrupción puede destruir la reputación desde la de empresa pyme  hasta la de una nación. Posteriormente, degradar el capital social, compromet su posición y competitividad en el mercado o puede devaluar la empresa  el gobierno y la universidad (Kim y Wagner, 2020). La corrupción generalizada se considera un signo de gobernanza débil, y los procesos anticorrupción deficientes pueden socavar el proceso de crecimiento y desarrollo económico (Nunkoo et al., 2018).

Texto traducido de : The Corruption Formation Process in Iranian Football

Hossein Mansouri, University of Kurdistan, Pasdaran Sreet, Sanandaj, Kurdistan Province, email:

Métodos prospectivos

Michel Godet ha presentado en 2022 uan serie de trabajos relativos a el impacto que la corrupción ha tenido a nivel global debtro de la gestión de la pandemia. Es curioso pero aparece marcado con clara simulitud que los peores resultados en la gestión se encuentran en los países que tienen como deporte más popular la footbol (o fútbol como señala el diccionario de la RAE)

**Michel Godet* (9 de abril de 1948). Economista francés. Profesor en el Conservatoire National des Arts et Métiers, titular de la cátedra de prospectiva estratégica y autor de obras económicas sobre el trabajo o la evolución demográfica.

Biografía Obtuvo el doctorado en Estadística por la Universidad Paris VI-Sorbonne en 1974 y un doctorado en Ciencias Económicas por la Universidad de París I-Sorbonne en 1976 (Tesis: “Crise de la prévision, essor de la prospective”).

Michael Godet incorpora un nuevo elemento que considero de mucha importancia y se trata de la comprensión de futuro como si fuese un lienzo en blanco. Su enfoque más brillante y difundido utilizó como neologismo el término proactivo/a.

En él señala que ante los cambios impuestos por un ambiente o ecosistemas, las entidades o seres que en el hábitat que ocupan pueden responder de cuatro maneras posibles.

a) Pasivos

Esperan a que el cambio aparezcan y resisten sin inmutarse o desaparecen

b) Reactivos

Cuando el cambio aparece buscan mecanismos internos para minimizar daños, protegerse y soportar el cambio hasta que la presión ceda o desaparezac o desaparecen activamente luchando.

c) Preactivos

Tienen capacidad para ver o deducir el cambio antes de este suceda. Utilizan estrategias para afrontar el cambio y son competitivos para preservar su subcistencia aún a costa de sacrificar parte de sus colonias o las colonias de otros.

d) Proactivos

Son los que son capaces de provocar los cambios que los demás deben padecer.

Godett es además el autor del método Interpretative Structural Análisis (Análisis Interpretativo Estructural) que abordaremos en este artículo.

##¿Qué es ISM?

El modelado estructural interpretativo (ISM) es un análisis y decisión únicos de propósito general, asimilabe a una técnica de soporte que proporciona un método estructurado para hacer frente a situaciones complejas. Genera un mapa visual de la situación (o problema) que se utiliza para obtener nuevos conocimientos, y construir nuevos enfoques para el problemas prospectivos en cuestión. ISM es un proceso de modelado de relaciones comprobado que selecciona consultores y organizaciones, se han utilizado con éxito durante más de 25 años. Es adecuado para su uso como una herramienta de para investigación reliminar o una herramienta de resolución de problemas grupales o de formación de estrategias. Es el componente base del Método es la matriz estructural y el Dendograma o grafo. ISM incorpora la comparación por pares, la lógica transitiva y la síntesis de conceptos para construir un mapa visual de la situación. ISM está disponible como una biblioteca de R-Cran.

Flujo de trabajo

En primer lugar es necesario realizar un debate sobre las principales causas o variables independientes (no controlables?). Por las limitaciones que conocemos en excel es común que se limite este número a un máximo de 5 a 7 variables que se vinculan al problema.

En el caso de utilizar R-Cran podemos extender aún más el número de variable, pero a fin de entender la mecánica limitaremos este número al mínimo (Cinco 5).

Este proceso bien podría realizarse utilizando un análisis de Pareto para separar el 20% de las variables que aportan 80% de significancia al problema.

En el caso del paper de corrupción en el footbol se realizó una encuesta sobre las causas y el impacto que tiene. Luego se contabilizó el número de veces que los expertos repitieron o presentaron casos de ejemplo hasta obtener esta tabla

VN° Cod Variable Casos Impacto
1 Cohe Estímulos para perder un encuentro 60 2
2 AFA Corrupción en elecciones AFA 7 90
3 Con Problemas contratos jugadores 12 10
4 Inc Guerras entre parcialidades 4 15
5 Dop Doping 3 35
6 Gate Fallas seguridadestadios 2 23
7 Sind Uso político (fuerza choque) 5 100
8 Truch Venta ilegal de entradas web 60 5
9 IPTv Contratos TV y Web 12 2
10 VAR Arbitraje defectuoso 98 2 
Cod <- as.factor(c("Cohe","AFA","Con","Inc","Dop","Gate","Sindi","Truch","IPTv","VAR"))
VN <- c(1,2,3,4,5,6,7,8,9,10)
Casos <- c(60,7,12,4,3,2,5,60,12,98)
Impacto <- c(2,90,10,15,35,23,100,5,2,2)
FI <- Casos*Impacto
FIT <- sum(FI)
FI <- FI/FIT

Diagrama de Pareto

library(qcc)
## Package 'qcc' version 2.7
## Type 'citation("qcc")' for citing this R package in publications.
names(FI) <- Cod
pareto.chart(FI,cumperc = c(80))

##        
## Pareto chart analysis for FI
##            Frequency    Cum.Freq.   Percentage Cum.Percent.
##   AFA     0.29985721   0.29985721  29.98572109  29.98572109
##   Sindi   0.23798191   0.53783912  23.79819134  53.78391242
##   Truch   0.14278915   0.68062827  14.27891480  68.06282723
##   VAR     0.09328891   0.77391718   9.32889100  77.39171823
##   Cohe    0.05711566   0.83103284   5.71156592  83.10328415
##   Con     0.05711566   0.88814850   5.71156592  88.81485007
##   Dop     0.04997620   0.93812470   4.99762018  93.81247025
##   Inc     0.02855783   0.96668253   2.85578296  96.66825321
##   Gate    0.02189434   0.98857687   2.18943360  98.85768682
##   IPTv    0.01142313   1.00000000   1.14231318 100.00000000

##Interpretative Structural Matrix

El primer paso será interrogarnos que relación existe entre estas cinco primeras variables que generan el 80% de los problemas.

Esto puede realizarse con la matriz de cardinalidad que utiliza los signos :

Signo Significado
V I influencia a J
A J influencia a I
X Influencia mutua (loop)
O No hay influencia

Luego podemos construir la matriz de influencia registrada en el debate.

Matriz i/j 5 4 3 2 1
. 1 X A V 0 X
. 2 A X 0 X
. 3 A A X
. 4 0 X
. 5 X

Esta matriz de cardinalidad podemos crearla con el comandos

VCard <- c("X","A","V","0","X","A","X","0","X",NA,"A","A","X",NA,NA,"0","X",NA,NA,NA,"X",NA,NA,NA,NA)

MCard <- matrix(VCard,nrow=5,byrow=TRUE)
colnames(MCard) <- c(5,4,3,2,1)
MCard
##      5   4   3   2   1  
## [1,] "X" "A" "V" "0" "X"
## [2,] "A" "X" "0" "X" NA 
## [3,] "A" "A" "X" NA  NA 
## [4,] "0" "X" NA  NA  NA 
## [5,] "X" NA  NA  NA  NA

A partir de este punto deberemos transformar la matriz de Cardinalidad en una matriz denominada de Matrix Interpretativa Estructural o ISM. Construcción de la Matriz ISM

ism_futbol <- matrix (c(1,0,0,0,1,0,1,0,1,1,0,0,1,1,1,0,0,0,1,0,0,0,0,0,1 ))
ism_futbol <- matrix(ism_futbol,nrow=5,byrow = TRUE)
ism_futbol
##      [,1] [,2] [,3] [,4] [,5]
## [1,]    1    0    0    0    1
## [2,]    0    1    0    1    1
## [3,]    0    0    1    1    1
## [4,]    0    0    0    1    0
## [5,]    0    0    0    0    1

La biblioteca ISM tiene todo lo necesario para que no tengamos que hacer este procedimiento tan engorros. Hemos expuesto la mecánica de la creación de la matriz ISM en forma manual para que se comprenda la mecánica del proceso. Pero todos los pasos anterioes podrían realizarse simplemente invocando library(ISM) y luego alimentar el modelo con los resultados del análisis de pareto.

Tomaremos ahora la matriz que aparece en el paper del caso del futbol de Iran y dejaremos de lado (por el momento) la de la Asociafión del Futbol Argentino que hemos trabajado hasta ahora.

Tratamiento de la corrupción en el futbol Iraní

library(ISM)
## Loading required package: xlsx
## Loading required package: rJava
## Loading required package: xlsxjars
ism_test <- matrix(c(1,1,1,1,1,0,1,1,1,1,0,0,1,0,0,0,1,1,1,1,0,1,1,0,1) ,nrow=5, byrow = TRUE)
ism_test
##      [,1] [,2] [,3] [,4] [,5]
## [1,]    1    1    1    1    1
## [2,]    0    1    1    1    1
## [3,]    0    0    1    0    0
## [4,]    0    1    1    1    1
## [5,]    0    1    1    0    1

Generacion de xls Recheability matrix

Para que puedas observar como se realizaron todos los pasos que habíamos hecho a mano. Para ello debemos elegir una carpeta (en mi caso será “/home/rpalma”) y la matriz ISM.

Puedes ver un detalle completo de los comando del paquete en:

https://cran.r-project.org/web/packages/ISM/ISM.pdf 

ISM(ism_test,"/home/rpalma")
## [1] "/home/rpalma/ISM_Matrix.xlsx"
## [1] "/home/rpalma/ISM_Output.xlsx"
## [1] "Outputs have been created"
#Ver Temp Dir archivos xls en /home/rpalma
#Iniciamos la visualización del grafo de influencia
library(igraph)
## 
## Attaching package: 'igraph'
## The following objects are masked from 'package:stats':
## 
##     decompose, spectrum
## The following object is masked from 'package:base':
## 
##     union

Ploteo Matriz adyacencia

Tomando los datos de la matriz tratada por ISM ploteamos con la función de igraph la matriz de influencia directa

g1 <- graph_from_adjacency_matrix( ism_test )
plot(g1,main="Matriz de Influencia Directa")

g1
## IGRAPH cf80952 D--- 5 17 -- 
## + edges from cf80952:
##  [1] 1->1 1->2 1->3 1->4 1->5 2->2 2->3 2->4 2->5 3->3 4->2 4->3 4->4 4->5 5->2
## [16] 5->3 5->5

Dendrograma

Ahora armaremos un gráfico denominado dendograma que muestra como proceder para atacar (resolver) el problema. Un dendrograma es un tipo de representación gráfica o diagrama de datos en forma de árbol que organiza los datos en subcategorías que se van dividiendo en otros hasta llegar al nivel de detalle deseado. Este tipo de representación permite apreciar claramente las relaciones de agrupación entre los datos e incluso entre grupos de ellos aunque no las relaciones de similitud o cercanía entre categorías. Observando las sucesivas subdivisiones podemos hacernos una idea sobre los criterios de agrupación de los mismos, la distancia entre los datos según las relaciones establecidas, etc

library(igraph)
dendogram <- cluster_edge_betweenness(g1)
dendogram
## IGRAPH clustering edge betweenness, groups: 5, mod: 0.092
## + groups:
##   $`1`
##   [1] 1
##   
##   $`2`
##   [1] 2
##   
##   $`3`
##   [1] 3
##   
##   $`4`
##   + ... omitted several groups/vertices

Así como el análisis de Pareto nos sirvió para identificar los factores claves o variables independiente, ahora debemos establecer un nivel de corte. Si ponemos un nivel de corte muy alto, esto tendría un error muy grande. Deberíamos asumir que tocando una sola variable del problema (la más importante) el resto de los problemas se solucionarán por sí solos. Desde el punto de vista pragmático esto no siempre es falso. Si el grupo decisor tiene suficiente poder esta técnica puede funcionar. En general funciona por el terror. Fusila a toda la cabeza y el resto desistirá. Pero las consecuencias de las consecuencas pueden empeorar la gobernanza para siempre.

Si por el contrario asumimos un niver de corte muy bajo, el error que arroja el dendrograma es bajo. Pero esto implica un trabajo titánicamente largo (mas no imposible). Este es un enfoque tipo bottom - up. Es muy utilizado en técnicas como 5S e incluso en el paradigma de Calidat Total. Debemos comenzar trabajando desde la base.

Fijaremos un nivel de corte igual a 3 para nuestro caso de estudio

# Numero de Clusters a repartir 2 a 5 recomendables
clusters <-3
plot_dendrogram(dendogram, rect=clusters)

Ejemplos más complejos de Dendogramas

Secuencia de entrenamiento del equipo de Karate de Japón 1986

karate <- make_graph("Zachary")
fc <- cluster_fast_greedy(karate)
plot_dendrogram(fc)

Reacheability & antecedent

Suma filas y columnas

Estas sumas muestran el grado de alcanzabilidad y el grado de dependencia de cada criterio utilizado en el análisis prospectivo

dimension <- nrow(ism_test)
F <-c()
for (i in 1:dimension) 
  { 
  F[i]<-sum(ism_test[i, ])
}
F
## [1] 5 4 1 4 3
dimension <- nrow(ism_test)
C <- c()
for (j in 1:dimension) 
  { 
  C[j] <- sum(ism_test[ ,j])
  }
C
## [1] 1 4 5 3 4

Gráfico de Nichos

L <-c(1,2,3,4,5)
plot (-F,-C, text(-F,-C,labels=L,pos=4), xlab="Recheability", ylab="Antecedents")