Centro Militare di Studi Strategici
Rapporto di Ricerca 2013 - STEPI AG-SA-13
Sviluppo di uno Studio Preliminare
per la realizzazione di uno strumento di simulazione,
per una migliore dislocazione infrastrutturale delle unità
di Prof. Habib SEDEHI
data di chiusura della ricerca: Gennaio 2014
INDICE
SVILUPPO DI UNOSTUDIO PRELIMINARE
PER LA REALIZZAZIONE DI UNO STRUMENTO DI SIMULAZIONE,
PER UNA MIGLIORE DISLOCAZIONE INFRASTRUTTURALE DELLE UNITA'
SOMMARIO

pag.
1
PARTE 1: GENERALE/ANALITICA/PROSPETTIVA
SIMULAZIONE: una tecnica di Ricerca Operativa proposta per la
gestione logistica in ambito militare
Capitolo 1 - Ricerca Operativa e Simulazione
pag.
4
1.1 Come nasce la Ricerca Operativa
1.2 Di cosa si occupa la Ricerca Operativa
1.3 Le fasi della Ricerca Operativa
1.4 Simulazione; azione nel tempo di una realtà rappresentativa
Capitolo 2 - Simulazione e Mondo Militare
pag. 12
2.1 Simulazione come strumento addestrativo
2.2 Simulazione e Applicazioni (USA, Europa, Italia)
Capitolo 3 - Logistica
pag. 15
3.1 Gestione logistica delle infrastrutture
3.2 Criticità nella gestione delle Infrastrutture
infrastr_20140122_1533.doc
i
Author: P
Capitolo 4 - Connotazioni dello Strumento
pag. 19
4.1 Approccio Sistemico (System Thinking approach)
4.2 Modelli Basati su Agenti (Agent Based Modelling - ABM)
4.3 Dinamica di Sistemi (System Dynamics - SD)

PARTE 2: SPECIALISTICA / DI SUPPORTO / BIBLIOGRAFICA
Capitolo 5 - Proposta dello Strumento
pag. 37
5.1 La piattaforma metodologica auspicabile
5.2 Caso di studio: Infrastrutture Critiche
e la dislocazione infrastrutturale delle unità
Bibliografia
pag. 54
NOTA SUL Ce.Mi.S.S. e NOTA SULL' AUTORE
pag. 57
infrastr_20140122_1533.doc
ii
Author: P
SOMMARIO
SVILUPPO DI UNOSTUDIO PRELIMINARE
PER LA REALIZZAZIONE DI UNO STRUMENTO DI SIMULAZIONE,
PER UNA MIGLIORE DISLOCAZIONE INFRASTRUTTURALE DELLE UNITA'
La realizzazione di uno strumento di simulazione, innovativo ed efficace, per la gestione e
il governo di una migliore dislocazione infrastrutturale delle unità viene sviluppata, in
questo studio preliminare, da due differenti angolazioni. La prima prospettiva analizza lo
stato attuale delle metodologie e gli ambienti di simulazione già sperimentati nel dominio
militare e comunque consolidati e disponibili sul mercato; l’altra invece verifica le modalità
con le quali le caratteristiche generali del processo in esame si prestano ad essere
rappresentate da modelli realizzabili attraverso gli approcci ipotizzati.
Nel Capitolo 1 vengono tracciate le peculiarità della metodica di Simulazione attraverso
una panoramica della disciplina di Ricerca Operativa che nasce proprio nell’ambito
militare, in Inghilterra, fra la fine del primo e l’inizio del secondo conflitto mondiale.
Per poter avere una percezione dello stato d’arte il Capitolo 2 propone una rassegna di
strumenti di simulazione utilizzati per la gestione di processi/sistemi - in ambito militare con specifiche applicazioni già presenti in Italia, Europa e in altri paesi extraeuropei.
Il Capitolo 3 è diretto all’analisi delle caratteristiche generali del processo (la logistica)
oggetto del presente studio; vengono qui messe in evidenza sia le problematiche peculiari
nella gestione delle infrastrutture critiche che le possibili soluzioni del loro monitoraggio,
controllo e quindi la gestione attraverso soluzioni metodologiche. Si descrivono in seguito
delle applicazioni realizzate dove è prevalentemente utilizzata la tecnica di simulazione
come strumento di "governo".
infrastr_20140122_1533.doc
1
Author: P
Il Capitolo 4 è dedicato alla descrizione dettagliata dell’approccio e pensiero Sistemico
(System Thinking) insieme alle due metodologie proposte come tecniche da utilizzare
nella costruzione dello strumento simulativo. Viene quindi ipotizzato l’accoppiamento delle
due metodologie (System Dynamics e Agent Based Modelling) con un criterio originale ed
innovativo garantendo sia l’analisi dinamica del processo in esame, sia la simulazione
puntuale delle componenti elementari ("agenti") che potranno rappresentare flessibilmente
individui (soldati), mezzi (aerei, carri armati) e organizzazioni (unità di comando).
In fine, nel Capitolo 5, con il supporto di una serie di casi applicativi, vengono illustrati i
connotati dello strumento ipotizzabile per poter soddisfare, il più possibile, i requisiti del
processo oggetto dello studio preliminare.
infrastr_20140122_1533.doc
2
Author: P
PARTE 1: Generale/Analitica/Prospettiva
SIMULAZIONE: una tecnica di Ricerca Operativa
proposta per la gestione logistica
in ambito militare
infrastr_20140122_1533.doc
3
Author: P
1
Capitolo 1
Ricerca Operativa e Simulazione
" … la Ricerca Operativa" è quella disciplina che aiuta a fare male ciò
che altrimenti sarebbe stato fatto peggio.."
Lezioni di Ricerca Operativa di Sergio De Julio e Agostino La Bella
Corso di Laurea di Ingegneria (Univ. di Roma, La Sapienza - 1975)
1.1. Come nasce la Ricerca Operativa
La simulazione è una tecnica che rientra nel campo di quella "disciplina" denominata
Ricerca Operativa; attualmente è forse quella maggiormente praticata come strumento a
supporto decisionale.
La "disciplina" di ricerca operativa nasce storicamente all’inizio del secolo scorso
prettamente per esigenze militari. Già prima della seconda guerra mondiale, in alcuni
Paesi Alleati vengono formati dei gruppi di ricerca con l’obiettivo di analizzare e valutare
soluzioni relative a problemi critici di ordine sia strategico-militare che tattico-operativo
collegati alla difesa nazionale. In particolare tra il 1935 e il 1937, allorché il Regno Unito
lavora al progetto del radar come difesa antiaerea, si costituisce un gruppo di ricerca per
valutare soluzioni efficienti nella localizzazione, conseguente intercettazione e rientro a
terra dei velivoli inglesi. Sin da allora appare dunque indispensabile verificare anzitutto le
soluzioni "ottimali" nella distribuzione delle apparecchiature radar sul territorio e, inoltre,
inviare via radio la segnalazione alle località volute. Nasce così il "Biggin Hill Experiment"1.
1
1937; costituì il primo tentativo di integrare i dati ottenuti dai radar con quelli osservati a terra.
Ottimizzazione della distribuzione delle apparecchiature radar sul territorio e segnalazione via radio ad
opportune località.
infrastr_20140122_1533.doc
4
Author: P
A.P. Rowe2, soprintendente della "Bawdsey Research Station", utilizza per la prima volta
l'espressione "Operational Research", nel 1938, in una relazione tecnica conclusiva del
progetto, per descrivere il tipo di attività sviluppata.
Patrick Blackett3, nel 1939, è chiamato a costituire formalmente un gruppo di ricerca
composto da scienziati e militari, impegnato nella lotta contro i sommergibili tedeschi.
Il successo ottenuto da questo gruppo, passato legittimamente alla storia, è tale da
moltiplicare, nel Regno Unito e negli altri Paesi Alleati, gruppi di ricerca aventi
caratteristiche simili. Si stima che nel corso della seconda guerra mondiale fossero
complessivamente impegnati, nel Regno Unito, in Canada e negli USA, oltre 700
scienziati. La fine
del conflitto
mondiale
determina
allora
una "riconversione"
dell'approccio, fino ad allora usato per soli fini bellici, orientandolo verso problematiche di
tipo civile (come la gestione della logistica, la localizzazione dei depositi industriali, la
pianificazione dei servizi di autotrasporto).
Nei settori più propriamente civili, la ricerca operativa riprende tecniche note nel settore
industriale, migliorandole ed arricchendole con l'uso di strumenti matematici e di
conoscenze organizzative. La disciplina si è occupata anche della standardizzazione della
produzione e dei problemi connessi alla pianificazione e programmazione industriale.
Nel Regno Unito la riconversione avviene prevalentemente nel settore pubblico, con studi
relativi ai trasporti ferroviari, stradali ed urbani.
In Italia tali tecniche giungono con una decina di anni di ritardo. Nel 1961 un gruppo di
ricercatori, accademici, tecnici e dirigenti d'azienda fondò l'AIRO (Associazione Italiana di
Ricerca Operativa) avente lo scopo di promuovere studi teorici ed applicazioni pratiche
della suddetta disciplina. Oggi, l'AIRO consta di circa 400 soci individuali e di alcune
decine di soci collettivi: imprese, enti e dipartimenti universitari.
2
Albert Percival Rowe, (23 Marzo 1898 – 25 Maggio 1976). Un fisico Britannico che ha coperto un ruolo
essenziale nello sviluppo del radar prima e durante la seconda guerra mondiale.
3 Patrick Maynard Stuart Blackett (18 Novembre 1897–13 Luglio 1974); fisico britannico premio Nobel per
la fisica nel 1948
infrastr_20140122_1533.doc
5
Author: P
1.2.
Di cosa si occupa la Ricerca Operativa
Secondo alcuni autori la Ricerca Operativa è una tecnica matematica, secondo altri una
scienza che affronta problemi organizzativi di grande respiro. Molto più semplicemente si
può affermare: " è un modo razionale di agire per supportare qualsiasi decisione".
Sono state fornite ulteriori definizioni riguardo la Ricerca Operativa fra le tante, quella data
da R.L. Ackoff4 e M. W. Sasieni5. La Ricerca Operativa può essere considerata:
"l’applicazione
del
metodo
scientifico,
da
parte
di
gruppi
interdisciplinari, a problemi che implicano il controllo di sistemi
organizzati (interazione uomo-macchina), al fine di fornire soluzioni
che meglio servano gli scopi dell’organizzazione nel suo insieme."
La Ricerca Operativa si occupa della formulazione di problemi decisionali e dello studio e
messa a punto di metodologie per la soluzione di tali problemi. Si tratta, in generale, di
scegliere quali decisioni adottare per monitorare e quindi controllare in modo efficiente un
sistema reale, studiando il problema nel suo complesso e utilizzando strumenti matematici
che ne sfruttano le proprietà. Un qualsiasi processo decisionale può essere suddiviso nelle
seguenti fasi:
a.
identificazione del problema e definizione dell’obiettivo;
b.
analisi della realtà e raccolta dei dati;
c.
costruzione di un modello matematico che descriva gli aspetti essenziali del
problema;
d.
sviluppo di metodologie matematiche efficienti (algoritmi risolutivi) per determinare
una soluzione;
e.
analisi dei risultati ottenuti e confronto con la realtà.
Le fasi sopraelencate non sono necessariamente sequenziali, nel senso che spesso può
capitare che una di queste richieda modifiche dei risultati ottenuti in fasi precedenti.
4
5
Russell Lincoln Ackoff (12 Febbraio 1919 – 29 Ottobre 2009) è stato un pioniero nelle discipline della
Ricerca Operativa e Pensiero sistemico.
Manuale di ricerca operativa,6° Edizione Franco Angeli, 1986
infrastr_20140122_1533.doc
6
Author: P
Nel processo decisionale tre sono i termini ricorrenti: problema, modello, algoritmo.
Sono termini che a volte vengono scambiati tra di loro e usati in modo improprio, ma è
importante non confonderli.
Un problema è una circostanza (environment) nella quale spesso un decisore deve
scegliere come agire di fronte a più alternative.
Alcuni esempi di problemi:
"dove localizzare un nuovo impianto di smaltimento rifiuti?";
"qual è il percorso "ottimale" per visitare dei clienti dislocati in un’ area predefinita?;
"qual è la combinazione migliore di risorse (umane, tecniche e finanziarie) per
raggiungere un obiettivo?".
Se si vuole "formalizzare" un problema - delineando la sua natura, individuando le variabili
in gioco, gli obiettivi da raggiungere e i vincoli da rispettare - si va verso la costruzione di
un modello. Esso è una descrizione logico-matematica della porzione di realtà
interessante ai fini del processo decisionale; è una rappresentazione del problema, ma
non coincide con il problema stesso: il modello generalmente lo semplifica. Ovviamente
tale semplificazione non deve portare alla perdita delle caratteristiche fondamentali del
problema.
Tipicamente, nel campo della Ricerca Operativa si costruisce un modello matematico che,
nella sua veste più completa, con uno o più obiettivi specificati, acquista l’aspetto di un
modello di programmazione (puntualizzazione di una procedura). In altri casi, dove
necessita la comprensione di un sistema, si hanno dei modelli di simulazione. Ogni uno di
essi è una fotografia (possibilmente un "film") della realtà, ma non coincide con essa: in
genere la semplifica. La semplificazione deve essere un compromesso ragionevole tra
l’aderenza al caso concreto (più si vuole essere vicini alla realtà, meno si può semplificare)
e l’uso di strumenti governabili. Per evitare grossi ostacoli di natura matematica, occorre
sfrondare il modello da variabili di secondaria importanza, riducendo la complessità del
modello stesso.
Una volta sviluppato Il modello deve fornire un risultato: se è un modello di
programmazione trova generalmente una soluzione o una politica "ottimale", mentre per
un modello di simulazione tipicamente si ottengono per lo più un insieme di risultati a
fronte delle ipotesi (what-if) che descrivono le domande alle quali si vorrebbero dare delle
risposte attraverso il comportamento "simulato" del sistema.
infrastr_20140122_1533.doc
7
Author: P
La costruzione di una soluzione è opera di un algoritmo, cioè di una procedura (ricetta)
che, utilizzando i dati in input e le relazioni espresse nel modello, costruisce un output, sia
esso una decisione o un comportamento del sistema. Nella fase di costruzione del
modello è utile (e può diventare anche il vero scopo di una ricerca) analizzare e rendere
riproducibili le procedure decisionali già praticate (fase di validazione del modello).
1.3. Fasi della Ricerca Operativa
Una possibile standardizzazione pratica dello sviluppo delle attività legate allo svolgimento
di un progetto di Ricerca Operativa può essere descritto attraverso cinque macro fasi:
a.
Prima fase: analisi del problema e raccolta di informazioni nel modo più ampio ed
approfondito possibile.
b.
Seconda fase: formulazione del problema. Essa comporta l'individuazione delle
variabili controllabili (variabili endogene/parametri decisionali) e di quelle non
controllabili (variabili esogene), insieme alla scelta della funzione obiettiva;
economica da massimizzare (es.: il profitto complessivo) o da minimizzare (es.: il
costo complessivo). Importante è ricordare che, in tutti i sistemi organizzati, vari sono
gli obiettivi che si possono stabilire, ma la funzione economica da ottimizzare (ossia
da rendere massima o minima) è una sola. Gli obiettivi possono essere diversi ed
anche contrastanti fra loro.
c.
Terza fase: costruzione del modello matematico che deve essere una buona
rappresentazione del problema. Il modello comunque non è qualcosa di statico e
definitivo, può quindi essere eventualmente modificato in una successiva revisione
per renderlo più aderente al problema. Il modello matematico è costituito
normalmente da una funzione economica da ottimizzare e da un sistema di vincoli
espressi da equazioni e/o disequazioni. Nella costruzione del modello è necessario
introdurre delle ipotesi semplificatrici tali, però, da non modificare la natura del
problema. In certi casi l’analisi del modello, prima della sua risoluzione, porta a
scoprire vie alternative, in un primo momento trascurate.
infrastr_20140122_1533.doc
8
Author: P
d.
Quarta fase: soluzione del modello attraverso un metodo matematico predefinito
oppure grazie allo sviluppo di un algoritmo ad hoc.
e.
Quinta fase: analisi e verifica delle soluzioni ottenute nella quarta fase.
Se necessario, in base ai risultati di questa fase, si effettua una modifica del modello,
e si ripercorre il procedimento. Una volta determinata la soluzione "ottimale" la si
presenta agli interessati con un’ opportuna relazione, scritta in un linguaggio
comprensibile anche da parte di chi non possiede le necessarie conoscenze
matematiche (o delle altre materie coinvolte).
1.4. Simulazione: azione nel tempo di una realtà rappresentativa
Una simulazione rappresenta il tentativo di riprodurre, oggigiorno tipicamente sul
computer, un sistema reale o immaginario, di mimarne i comportamenti e di seguirne i
cambiamenti nel tempo: un laboratorio virtuale, quindi, grazie al quale è possibile verificare
la correttezza delle ipotesi di partenza e la manipolazione di tali ipotesi; un’esperienza
d’apprendimento in cui il discente svolge un compito in un contesto verosimile, avendo
accesso a materiali e risorse di supporto.
Perché può essere utile e vantaggiosa una simile riproduzione? La risposta è semplice:
perché spesso si ha la necessità di studiare e valutare le caratteristiche di un
sistema/fenomeno non avendo a disposizione il fenomeno stesso oppure non potendo
disporre del sistema reale. Agire direttamente sul sistema reale potrebbe rivelarsi molto
costoso o pericoloso. Inoltre, in alcune situazioni, è possibile operare una sola volta ed è
quindi cruciale non sbagliare l'operazione che si vuole compiere; altre volte il sistema sotto
analisi non esiste o deve essere valutato più volte nelle medesime condizioni.
infrastr_20140122_1533.doc
9
Author: P
Nello specifico con le simulazioni possiamo:

"predire" i risultati delle nostre azioni;

comprendere il perché degli eventi osservati;

identificare le aree di un problema prima di svilupparlo;

indagare gli effetti delle modifiche senza andare incontro agli esiti negativi del mondo
reale;

costruire e verificare nuove ipotesi esplicative;

verificare le capacità acquisite tramite case study (casi studio).
L’origine della parola "Simulazione" deriva dal latino "Simulatiònem"; parola composta da
"Simul" che significa "al posto di" e "atiònem"; l’azione di esecuzione nel tempo: cioè
"predisporre (rappresentare) qualcosa (fatto) al posto di qualcos’altro nel tempo
(dinamica)".
Quando ad essere osservata e manipolata è una rappresentazione simulata della realtà,
possiamo trarne diversi vantaggi: in primo luogo il linguaggio ha meno possibilità di
fungere da filtro e da ostacolo alla comprensione, ciò permette di far emergere alcune
caratteristiche della realtà studiata che normalmente tendono ad essere oscurate dallo
stesso. In secondo luogo l’uso delle parole può essere ancorato a qualcosa di concreto, di
visto e manipolato, evitando la superficialità e deperibilità che spesso accompagna
l’apprendere a memoria attraverso il solo linguaggio. In fine il carattere esplorativo
aumenta la piacevolezza della simulazione stessa influenzandone la motivazione.
infrastr_20140122_1533.doc
10
Author: P
Classificazione di modelli di simulazione
Nella letteratura esistono diverse modalità per classificare i modelli di simulazione in base
alle caratteristiche dei sistemi che rappresentano6:
1.
Modelli Fisici: rappresentazione fisica di una realtà.
Tale categoria a sua volta può essere suddivisa in tre sottocategorie:
2.
a.
in scala (plastico di un comprensorio, modellini di navi, …);
b.
iconici (mappe, itinerari, …);
c.
analogici (circuiti elettrici, sistemi fluidodinamici, …).
Modelli Simbolici: rappresentazione logico-simbolica e matematica di un sistema.
Questa categoria invece può essere suddivisa in due sottocategorie:
a.
Matematici: insieme delle relazioni logico-matematiche;
b.
Non matematici: linguistici, schematici, grafici.
I modelli matematici a loro volta vengono ulteriormente distinti in:
i
Modelli Deterministici: non si considerano gli elementi casuali e si
prestano ad essere risolti con metodi esatti di analisi matematica;
ii
Modelli Stocastici: si inseriscono nell’evoluzione elementi casuali che
tipicamente sono estratti da distribuzioni statistiche conosciute.
Infine i modelli Matematici si possono anche classificare secondo la modalità di
evoluzione del sistema che essi rappresentano:
i
Modelli Statici: sostanzialmente costanti nel tempo;
ii
Modelli Dinamici: variabili nel tempo con interazioni che si modificano nel
tempo.
6
Qui si riporta una possibile classificazione dei modelli che non è sicuramente esaustiva. Si intende
semplicemente mettere in evidenza le peculiarità delle tipologie di modelli interessati alla ricerca oggetto
dello studio
infrastr_20140122_1533.doc
11
Author: P
2
Capitolo 2
Simulazione e Mondo Militare
La simulazione nel mondo militare stimola molto la fantasia:
simulatori di volo (Flight Simulators), giochi di guerra (War Games),
combattimenti simulati (Air Combat), etc. E' utile ed efficace.
2.1. Simulazione come strumento addestrativo
Con lo sviluppo della capacità elaborativa dei computer si sono ormai sempre più diffuse
le applicazioni che consentono le simulazioni numeriche del comportamento dei sistemi
complessi. Questi strumenti diventano particolarmente efficaci allorché l’analisi del
processo da modellizzare viene effettuato, innanzitutto, coinvolgendo attivamente il
personale esperto del sistema da simulare e, quindi, affrontando il tutto con un approccio
sistemico.
E’ bene ricordare che le prime applicazioni della simulazione sono nate in campo militare
negli anni 50, in particolare per affrontare lo studio dell’ ottimizzazione delle rotte di
sommergibili. In seguito, tali tecniche si sono evolute nel campo civile e sociale.
Specialmente nell’ambito industriale per la gestione dei vari settori aziendali (dal marketing
al processo produttivo, dalla pianificazione del personale alla gestione del magazzino e nel
controllo economico-finanziario). Il mondo militare ha continuato a coprire una nicchia
specifica, a livello mondiale, negli ultimi anni in crescita.
infrastr_20140122_1533.doc
12
Author: P
Le applicazioni classiche sono7 :
a.
Nel campo dell’aeronautica, dalle previsioni meteorologiche ai Simulatori di volo
(Flight Simulators);
b.
Nel campo terrestre, dai simulatori di sistemi d’arma alla generazione e
riconoscimento di immagini (pattern ricognition) e ai sistemi di rappresentazione su
video;
c.
Nel campo navale, sui sistemi di piattaforme mobili;
d.
Nel campo aerospaziale, sui sistemi di visualizzazione interattiva di dati remoti
provenienti da più sorgenti (satelliti, sonde, sensori, ecc.).
Infine continuano ad avere una certa popolarità e successo i cosiddetti Wargames (Giochi
di Guerra) e, ovviamente, gli strumenti di addestramento nei vari corpi militari, anche
attraverso modelli di e-Learning8. Infatti, l’obiettivo principale di modelli di simulazione oggi
in campo militare è quello della formazione e dell’addestramento. La simulazione è
senz’altro un validissimo supporto nel percorrere le fasi necessarie all’addestramento.
Serve, per esempio, a far acquisire un’idoneità minima al fruitore che deve affrontare la
successiva fase pratica sul campo. Una classificazione spesso adottata distingue tra:
a.
Simulazione operativa, rivolta al processo decisionale: essa generalmente consente
di verificare, in tempi rapidi, gli impatti delle decisioni, di un comandante, o di chi per
lui, monitorando costantemente le risultanze delle sue decisioni e quindi valutando gli
scostamenti rispetto a quelli "desiderati" (previsti dal sistema);
b.
Simulazione addestrativa, specifica per l’addestramento di un operatore. Essa è
costituita spesso da strumenti (hardware) e programmi (software) che riproducono
fedelmente i processi reali, in quanto si basano tipicamente sulle regole della fisica
(es. simulatori di volo). In questo contesto la volontà contrapposta non è simulata
bensì realizzata da un team di persone con il compito di impersonare e gestire
l’OPFOR9(Opposing Force). Un esempio conosciuto si può trovare nel simulatore
GESI10 (Generic Simulator).
7
Estratto dalla Rivista Militare n.4 2001
l'uso delle tecnologie multimediali e di Internet per migliorare la qualità dell’apprendimento facilitando
l’accesso alle risorse e ai servizi, così come anche agli scambi in remoto e alla collaborazione (creazione
di comunità virtuali di apprendimento).
9
Nella tradizione militare italiana viene chiamata "Arancione" l'unità (o la formazione raggruppante più
unità) incaricata di rappresentare il nemico nelle esercitazioni
10
Vedi http://www.cae.com/Next-generation-CAE-GESI-command-and-staff-training-system/
8
infrastr_20140122_1533.doc
13
Author: P
2.2.
Simulazione e Applicazioni (USA, Europa, Italia)
La realizzazione delle applicazioni operative per l’addestramento inl campo militare con
l’utilizzo di tecniche di simulazione risale agli anni 80, principalmente, da parte degli
americani. In California presso Fort Irwin, in un CTC (Combat Training Center) sono stati
realizzati sistemi supportati da Simulazioni per l’addestramento delle unità a livello Brigata.
Nel 1990 il DoD (Department of Defence) riceve dal Congresso il mandato per uno studio
preliminare in grado di stabilire i passi necessari all’applicazione dei modelli di
simulazione, allo scopo di migliorare la capacità militare delle Forze Armate.
Nel 1994, sempre il DoD, emette una direttiva che porta successivamente alla
realizzazione dell’ MSMP (Modelling Simulation Master Plan- Piano globale di
modellizzazione simulativa): il piano che ancora oggi si applica a tutte le componenti della
Difesa, focalizzando le strategie d’impiego dei sistemi.
Nel 1996 anche l’Europa si prodiga in questo campo costituendo nell’ambito NATO un
gruppo di lavoro all’interno del CNAD (Conference National Armament Director – Consiglio
dei direttori nazionali degli armamenti). Questo gruppo delinea una politica operativa per
definire uno standard tecnico necessario ad identificare e realizzare modelli di simulazione
interoperabili all’interno del progetto NATO MSMP: esso rappresenta un insieme di regole
e procedure attraverso le quali si può ottenere l’interoperabilità nel campo della
simulazione. Il progetto, strategicamente vitale, mette in relazione il problema di
interoperabilità con il sistema di comunicazione ed informazione (CIS – Comunication &
Information System) della NATO. L’obiettivo che si pone è quello di raggiungere uno
standard europeo della simulazione.
Per una panoramica più ampia sullo stato della simulazione in ambito difesa, nello
scenario nazionale ed europeo, vi rimandiamo all’ottimo lavoro prodotto nell’ambito
CeMiSS dal Prof. G. Iovane11.
11
“Evoluzione dei concetti applicativi dei sistemi di Modeling & Simulation (M&S) e possibili architetture
distribuite finalizzate alla sinergica utilizzazione di risorse in ambito nazionale, alleato ed europeo”
http://www.difesa.it/SMD_/CASD/IM/CeMiSS/Pubblicazioni/ricerche/Pagine/Evoluzionedeiconcetti.aspx
infrastr_20140122_1533.doc
14
Author: P
3
Capitolo 3
Logistica
Dopo aver brevemente descritto nel Capitolo 1 la disciplina di
Ricerca Operativa e la metodologia di supporto per il nostro studio e
nel Capitolo 2 la presenza di strumenti di simulazione nel mondo
militare, in questo capitolo si cerca di dare uno sguardo generale al
processo di analisi dello studio in oggetto e cioè alle problematiche e
soluzioni della gestione logistica delle infrastrutture.
3.1. Gestione logistica delle infrastrutture
I concetti della logistica applicati in campo militare sono principalmente concentrati
all'approvvigionamento, stoccaggio e distribuzione di armi, munizioni e vettovaglie 12.
Oltre a questo, di solito comprendono anche la manutenzione, che nella logistica
industriale non è quasi mai compresa. La logistica è una delle quattro branche dell'arte
militare insieme a tattica, strategia e organica e nasce proprio come disciplina militare. Il
primo caso storicamente documentato è a Lagash, in Babilonia, nel 2250 a.c. quando
questa città - in eterna guerra con la rivale Umma - decide di passare dal sistema di auto
equipaggiamento dei soldati ad un sistema formale, creando un corpo militare
specializzato nell'approvvigionamento, stoccaggio, trasporto e distribuzione di armi,
munizioni e vettovaglie. Come sotto-prodotti nascono la contabilità e, purtroppo, anche le
tasse (infatti per gli antichi romani il logisticus era l'esattore delle tasse). Il termine è
coniato molto più tardi dai greci, impressionati dalla professionalità dei tecnici della
12
Definizione estratto dal Dizionario della Logistica
infrastr_20140122_1533.doc
15
Author: P
logistica e deriva la sua radice da logos (parola, calcolo, ragionamento, ecc.). Solo i
francesi le fanno derivare da loger, alloggiare, termine dotto e molto più tardo.
Quando Alessandro il Grande attraversa il mar Egeo per iniziare la conquista dell'Impero
Persiano e nulla potrebbe fare senza un apparato logistico adeguato a supporto
dell'immenso esercito al suo lo seguito. Ai tempi dei Romani, Caio Giulio Cesare istituisce
la figura del logista tra gli ufficiali in servizio nelle sue legioni, quale responsabile degli
approvvigionamenti. Questa identificazione della logistica come attività esclusivamente
militare rimane valida fino alla seconda guerra mondiale quando la scala globale del
conflitto porta a sforzi logistici fino ad allora inimmaginabili, basti pensare all'operazione
Overlord (lo sbarco) in Normandia. Solo nel dopoguerra il concetto comincia ad essere
ampliato e viene esteso anche al settore economico ed industriale.
Esistono diverse definizioni di Logistica, ognuna delle quali differisce per l'ampiezza di
visione con cui viene considerata. Secondo la definizione data dall'Associazione Italiana di
Logistica (AILOG), essa è:
"l'insieme delle attività organizzative, gestionali e strategiche che
governano nell'azienda i flussi di materiali e
delle relative
informazioni dalle origini presso i fornitori fino alla consegna dei
prodotti finiti ai clienti e al servizio post-vendita".
3.2.
Criticità nella gestione delle Infrastrutture
La salute, il benessere e la sicurezza delle nazioni dipendono principalmente dalla
produzione e distribuzione di certi "beni" e servizi. La varietà delle risorse, dei processi e
delle organizzazioni, attraverso le quali i "beni" e i servizi si muovono sono chiamate
infrastrutture "critiche".13
L’evento terroristico dell’undici settembre14, i frequenti uragani in diverse parti del
mondo e i sempre più frequenti blocchi di trasporti urbani, nonché i black out totali delle
metropoli, hanno messo in ulteriore evidenza l’importanza di una maggiore necessità
13
http://it.wikipedia.org/wiki/Infrastrutture_critiche
14
http://it.wikipedia.org/wiki/Attentati_dell'11_settembre_2001
infrastr_20140122_1533.doc
16
Author: P
"vitale" di stabilità elettrica, combustibile, acqua, trasporti, banche e finanza, e quindi di un
migliore monitoraggio delle infrastrutture di controllo e comunicazione.
E’ ormai lampante che esiste una forte interdipendenza fra gli elementi che a diversi livelli
compongono le infrastrutture indispensabili della nostra vita quotidiana.
L’analisi e la modellizzazione delle interdipendenze fra gli elementi delle infrastrutture
critiche è uno studio relativamente recente e di enorme importanza.
Un notevole sforzo è attualmente in corso in diversi laboratori di ricerca, sparsi in tutto il
mondo, per sviluppare modelli affidabili nella gestione accurata del comportamento delle
infrastrutture critiche e, in particolare, per meglio identificare le interdipendenze e
vulnerabilità. I risultati di questi studi, non facilmente accessibili, sono rivolti a supportare
delle decisioni nei vari ambiti (imprese private, amministrazioni pubbliche, mondo militare,
etc.). Le simulazioni dei modelli per la gestione delle infrastrutture possono permettere di
effettuare i piani di riduzione costi, investimenti controllati, aumento di ridondanze
(diminuzione dei rischi), migliorie nel flusso del traffico e in generale gestione
dell’emergenza.
Figura 1 - Un esempio di schema delle interdipendenze di infrastrutture critiche
L’esempio nella Figura 1 è un semplice tentativo di rappresentare la complessità di
interdipendenza che può essere presente in un sistema logistico di infrastrutture.
infrastr_20140122_1533.doc
17
Author: P
L’interdipendenza nelle infrastrutture può essere di diverse tipologie. Una possibile
categorizzazione di queste tipologie è quella di Rinaldi, Peerenboom e Kelly 15 che
descrivono le dipendenze in termini di quattro categorie generali:
1.
Fisica: una dipendenza fisica del flusso di materiale da un’infrastruttura all’altra;
2.
Informativa: una dipendenza su trasferimento di informazioni fra le infrastrutture;
3.
Geografica: un evento ambientale locale influenza le componenti attraverso più
infrastrutture, dovute alla vicinanza fisica;
4.
Logica: una dipendenza che esiste fra infrastrutture e che non rientra nelle
precedenti categorie.
Questa classificazione delle categorie di interdipendenza ci sarà utile nell’impostazione di
analisi sistemica del processo di dislocazione delle infrastrutture dell’unità militare, oggetto
del presente studio preliminare.
15
Identifying, Understanding and Analyzing Critical Infrastructure Interdependencies, “IEEE Control System
Magazine, IEEE, December 2001
infrastr_20140122_1533.doc
18
Author: P
4
2
Capitolo 4
Connotazioni dello Strumento
La necessità di utilizzare una metodologia operativa consolidata
come la simulazione a supporto delle decisioni da una parte e la
complessità e le caratteristiche del processo, oggetto di questo
studio,
dall’altra,
nell’identificazione
restringono
di
uno
il
campo
strumento
focale
che
abbia
della
le
ricerca
seguenti
connotazioni:

approccio di analisi "sistemico" (System Thinking approach);

utilizzo del concetto degli "agenti" nella descrizione delle
componenti del modello (Agent Based Modelling):

sviluppo di uno strumento di simulazione con le caratteristiche
di modellizzazione dinamica e stocastica (System Dynamics).
4.1. Approccio Sistemico (System Thinking approach)
Nel vocabolario della lingua italiana il termine "Sistema" è spiegato come un "insieme di
più elementi che costituiscono un unico complesso", una spiegazione troppo generica che
però lascia trasparire quello che un sistema costituisce nel suo complesso e cioè un
insieme di più elementi funzionali che cooperano al fine di formare un tutt’ uno organico.
La parola "sistema" deriva dal latino SYSTEMA e dal greco SYNSTEMA composto dalla
particella SYN che sta per insieme e STEMA attinente all’inconsueto STENAI (presente di
ISTEMI) che significa "stare" "collocare", letteralmente quindi potremmo tradurre questo
temine come "stare insieme".
infrastr_20140122_1533.doc
19
Author: P
Pensare in termini di sistemi implica, dunque, analizzare ogni componente del tutto, nella
sua interazione con le altre singole parti del sistema in sé e quindi avere la capacità di
approcciarsi a tale insieme e osservarne le relazioni che inevitabilmente vengono a
crearsi.
Non si tratta unicamente di una tendenza interna alla tecnologia, ma di una modificazione
delle categorie mentali del pensiero volte a cambiare totalmente punto di vista, passando
da un approccio lineare, e tutto sommato statico, ad un approccio appunto "sistemico e
dinamico" in cui tutto è interdipendente a tutto e la somma del tutto e più delle singole
parti, un fenomeno presentato come la Seconda Rivoluzione Industriale che nasce
dall’hardware dei calcolatori e dal software della scienza dei sistemi per poi espandersi in
ogni ambito.
Il pensiero sistemico è dunque un modo di pensare che permette di andare oltre il singolo
e di comprendere le interazioni fra le parti di un sistema, partendo dal presupposto che
ogni unità del sistema influenza inevitabilmente tutte le altre componenti, al fine di avere
davanti a sé un complesso di relazioni che porteranno a prendere in esame diverse
soluzioni alternative con la possibilità di prevedere le conseguenti reazioni che una data
scelta avrà sulle altre componenti del sistema.
Questo si traduce in un potenziale altissimo di applicazioni possibili in ogni campo.
Sono molte le discipline che sfruttano la progettazione di sistemi come strumento di lavoro
innovativo poiché il System Thinking punta proprio a questo, cioè alla gestione del
cambiamento, all’emergenza e controllo della complessità e quindi al governo
dell’innovazione.
Cenni storici
Alla fine del XIX secolo, Ernst Mach16 ed i positivisti sostengono che la scienza si sviluppa
attraverso la raccolta di fatti e di osservazioni e questi vengono usati per costruire una
teoria in grado di compiere il minor numero possibile di passi per raggiungere degli
obiettivi. Albert Einstein17 invece sostiene che una teoria scientifica è il prodotto
dell'immaginazione di una mente creativa. Nel colloquio che Einstein ha con il giovane
16
17
Ernst Mach, (18 febbraio 1838 – 19 febbraio 1916) è stato un fisico e filosofo austriaco ed, un
neuroscienziato.
Albert Einstein (14 marzo 1879 - 18 aprile 1955) è stato un fisico e matematico tedesco ed un grande
pensatore e attivista in molti altri ambiti (dalla filosofia alla politica).
infrastr_20140122_1533.doc
20
Author: P
Werner Heisenberg18 viene più volte sottolineato come una teoria indichi dove guardare,
quali osservazioni condurre e quali elementi siano importanti. E’ proprio grazie a questa
intuizione che Heisenberg riesce a procedere verso l'elaborazione di quella che oggi
definiamo "meccanica quantistica": un nuovo paradigma nel quale è la teoria ad indicare la
rintracciabilità dei fenomeni e il procedimento da adottare per la loro osservazione.
Dunque i fattori che intercorrono in una buona teoria scientifica non sono diversi da quelli
che portano alla creazione di un’opera d’arte, una economia di mezzi in cui le conclusioni
vengono percepite come inevitabili.
Eugene Wigner19, autore di The Unreasonable effectiveness of mathematics, fa notare che
la matematica pura e astratta diviene ciò di cui si ha bisogno in fisica per una nuova
scoperta. La matematica insomma si rivela essere, a differenza delle concezioni
precedenti in cui tutto traeva origine da un meccanismo ad orologeria, il linguaggio più
giusto per interpretare e descrivere la realtà circostante, mentre la metafora olistica
sarebbe piuttosto vicina ad un sistema vivente, a qualcosa di organico, un gioco di forme e
flussi di energia rappresentabili mediante degli schemi.
Tutte queste concezioni rappresentano una netta contrapposizione a quello che, dal 600,
sull’onda della rivoluzione scientifica, si è diffuso come pensiero predominate; il pensiero
meccanicistico indica una concezione del mondo basata sull’interpretazione della realtà
come una natura esclusivamente corporea e, di conseguenza, meccanica di tutti gli
elementi. L’approccio meccanicistico vede la realtà come un insieme di rapporti lineari tra
cause, definite variabili indipendenti, ed effetti, definiti invece variabili dipendenti; queste
ultime sono per definizione dipendenti dalle prime con le quali creano dei rapporti lineari,
rappresentabili graficamente attraverso l’uso di assi cartesiani, come una semiretta o una
curva aperta. Tali relazioni sono caratterizzate dall’influenza che si instaura fra le variabili,
ed in modo particolare dal fatto che tale influenza procede sempre verso un'unica
direzione che dalla causa và verso l’effetto (da qui l’ulteriore definizione di pensiero
meccanicistico o lineare).
18
19
Werner Karl Heisenberg (5 dicembre 1901 – 1 febbraio 1976) fu un celebrato fisico e Premio Nobel,
nonché uno dei fondatori della meccanica quantistica.
Eugene Paul Wigner, (17 novembre 1902 – 1 gennaio 1995) fu un influente fisico, vincitore del Premio
Nobel per la fisica nel 1963.
infrastr_20140122_1533.doc
21
Author: P
Le scienze classiche, in sostanza, si interessavano di problemi in cui il numero delle
variabili non superava le due unità e questo rendeva il processo logico-matematico lineare
e le relazioni a senso unico; un esempio del limite di applicabilità di questo metodo ci
viene fornito da Ludwig von Bertalanffy20, padre fondatore della Teoria Generale dei
Sistemi., che afferma:
"L’esempio
classico è costituito dalla meccanica. Essa fornisce
soluzioni perfette per quanto concerne l’attrazione tra due corpi
celesti – un sole ed un pianeta- e consente, quindi, di predire con
esattezza la situazione relativa a costellazioni future e, addirittura,
l’esistenza di pianeti non ancora osservati. Eppure, già il problema
dei tre corpi è, in meccanica, insolubile in via di principio, e non è
trattabile se non per approssimazione".
Questo modo di procedere risulta inevitabilmente limitato se solo si pensa ai progressi
compiuti dagli studi scientifici moderni e alla complessità dei fenomeni biologici,
comportamentistici e sociali. Kuhn21, in base ad uno studio compiuto sulle rivoluzioni subite
dalle metodologie classiche, afferma che le versioni primitive di un paradigma sono
bloccate dallo schema della soluzione univoca e tale soluzione è ben lontana dall’essere
perfetta; al contrario, il nuovo paradigma offerto riesce non solo a coprire problemi nuovi
ma fornisce soluzioni anche a quelli che prima venivano etichettati come "metafisici" e
quindi aldilà dell’umana comprensione scientifica. La nascita di nuovi concetti e nuovi
paradigmi porta, secondo lo stesso Kuhn, ad una rivoluzione scientifica grazie alla quale
aspetti tenuti prima in nessuna considerazione, se non addirittura depennati, vengono ora
studiati e utilizzati determinando un vero e proprio spostamento degli interessi e, di
conseguenza, una modificazione della prassi scientifica.
Si ha così una diversificazione nel modo di procedere, un cambiamento che non può
restare confinato entro i limiti delle discipline fisiche o matematiche ma che apre la strada
ad un modo totalmente diverso di vedere ed analizzare le cose e di risolvere i problemi.
20
21
Ludwig von Bertalanffy (19 settembre 1901 – 12 giugno 1972) è stato un biologo austriaco, nonché il
fondatore della teoria generale dei sistemi.
Thomas Samuel Kuhn (18 luglio 1922 – 17 giugno 1996) ha trattato in maniera esauriente la storia della
scienza e ha sviluppato alcune fondamentali nozioni in filosofia della scienza
infrastr_20140122_1533.doc
22
Author: P
La metodologia classica infatti, pur avendo ottenuto grandi successi, soffre di limitazioni
non indifferenti in quanto vengono eliminate dalla sua applicazione tutte quelle procedure
analitiche che non rispettano due condizioni:
1.
non devono esserci interazioni fra le parti (o al limite devono essere talmente deboli
da potersi trascurare);
2.
le relazioni che intercorrono devono essere lineari e deve essere soddisfatta la
condizione di sommatoria: questo implica che le equazioni che descrivono il
comportamento del complesso devono avere la stessa forma delle equazioni che
descrivono il comportamento delle singole parti.
I principi che regolano i sistemi sono profondamente differenti. Queste entità sono
costituite da un più vasto numero di variabili in interazione fra loro, i cui rapporti non sono
definibili lineari ma circolari e questo perché non viene rispettata la regola secondo cui è
sempre e solo la causa a determinare l’effetto. Infatti, all’interno di un sistema complesso
ogni variabile può influenzare un'altra variabile dato che le relazioni, in quanto facenti
parte di una complessità organizzata, sono definibili forti e non facilissime, vale a dire
appunto non lineari, come non lineari sono i sistemi di equazioni differenziali, mediante i
quali vengono descritti i rapporti all’interno del sistema.
4.2.
Modelli Basati su Agenti (Agent Based Modelling - ABM)
La simulazione basata su agenti è una tecnica abbastanza innovativa che si pone
l’obiettivo di costruire un "ambiente artificiale" da utilizzare negli "esperimenti di
laboratorio" volti a ricreare i fenomeni e le strutture sociali oggetto di studio e di analisi.
I modelli basati su agenti, grazie alla loro estrema flessibilità, rappresentano una delle
tecniche di simulazione più adatte per lo studio dei fenomeni sociali. ABM è un modo
flessibile per studiare i comportamenti verosimili di un "sistema" rispetto ai modelli analitico
-matematici. Nei modelli basati su agenti, le componenti del sistema possono essere
rappresentate da algoritmi e variabili che definiscono il comportamento degli agenti virtuali
e conservano i dati sulla loro evoluzione nel tempo. Il comportamento collettivo e le
componenti di un sistema possono avere effetti dinamici che cambiano l’environment
(ambito) del sistema: se i vincoli del modello cambiano è difficile studiarne le conseguenze
infrastr_20140122_1533.doc
23
Author: P
attraverso l’utilizzo di modelli analitici. Quelli modelli basati su agenti offrono dunque una
visione alternativa dei sistemi di comportamento rispetto ai modelli analitici22.
In un Agent Based Model, i componenti del sistema vengono modellati come insiemi di
entità autonome, denominate agenti: ogni agente del sistema è rappresentato mediante
algoritmi e variabili che ne definiscono il comportamento e ne registrano l'evoluzione dello
stato nel tempo. Le caratteristiche comportamentali degli agenti possono cambiare ed
adattarsi nel corso della vita di ciascun individuo, in seguito alle interazioni con gli altri
agenti e con l'ambiente. Questi modelli sono guidati dall’idea fondamentale che i
comportamenti complessi possono essere il frutto delle interazioni fra agenti che operano
semplicemente sulla base di regole estremamente semplici. La sfida che questa nuova
metodologia di studio si pone è quella di spiegare l'emergere "spontaneo" di regolarità nei
sistemi sociali ed economici. I processi presenti nei sistemi sono quindi visti come
conseguenza dell'interazione tra agenti autonomi, operanti in un ambiente artificiale
secondo proprie regole di comportamento, piuttosto che come frutto di meccanismi fittizi di
coordinamento. Le strutture sociali ed economiche che emergono dalle simulazioni non
sono definite a priori, esse costituiscono il risultato dell'interazione tra gli agenti ed
esercitano, inoltre, importanti effetti di feedback sugli agenti, modificandone il
comportamento. L'obiettivo principale dei modelli ABM è quello di svelare i meccanismi
fondamentali che operano localmente, a livello di singolo agente, e che sono sufficienti a
generare strutture sociali e comportamenti collettivi di interesse. In altre parole, l'obiettivo è
la ricerca della specificazione del modello che conduce a generare la macrostruttura
desiderata; se il modello è in grado di ricreare il fenomeno oggetto di studio, allora esso
rappresenta una possibile "spiegazione" del fenomeno stesso. Grazie alle simulazioni
basate su agenti, diventa possibile collegare il livello dell'individuo con il livello dei
fenomeni sociali. Anche se i fenomeni sociali risultano dal comportamento dei singoli
individui, ciò non significa necessariamente che siano totalmente riconducibili agli individui
stessi. Il fenomeno sociale è, infatti, complesso: è frutto delle interazioni tra individui e non
può essere previsto o dedotto pur conoscendo anche perfettamente gli individui e il loro
modo di comportarsi. Le simulazioni consentono, a differenza dei metodi tradizionali di
analisi, di studiare contemporaneamente sia gli individui che la società, il modo in cui
interagiscono e si influenzano reciprocamente. La metodologia basata su agenti presenta,
tuttavia, uno svantaggio rispetto alla formalizzazione matematica – cioè la robustezza dei
22
Gilbert N., Terna P. (2000), How to build and use agent-based models in social science, in "Mind &
Society"
infrastr_20140122_1533.doc
24
Author: P
risultati ottenuti.Nelle teorie classiche, la verifica della validità dei risultati è spesso
formalmente risolvibile, nei modelli ad agenti, invece, il solo modo per valutare la validità
dei risultati ottenuti è di effettuare esecuzioni multiple del modello, variando
sistematicamente i parametri o le condizioni iniziali (data la natura dinamica di tali modelli
sono necessari numerosi esperimenti prima di dimostrare la convergenza dei
comportamenti individuali alla rappresentazione statica e formale di un teorema).
La simulazione al computer di società artificiali richiede la definizione di agenti dotati di
proprie regole comportamentali e di un ambiente nel quale tali agenti possano operare ed
interagire. Nei modelli ad agenti, il termine agente è utilizzato per indicare un processo
sviluppato al computer che, tolti i casi di agenti semplici (per esempio quelli che operano a
caso) possiede le seguenti proprietà:

Autonomia: controlla il proprio stato e le proprie azioni, senza che sia necessario un
intervento diretto da parte di entità esterne;

abilità sociale: interagisce con gli altri processi-agenti mediante un linguaggio
comune;

reattività: è in grado di percepire l'ambiente in cui vive e di rispondere in modo
tempestivo ai cambiamenti che si verificano nell'ambiente;

pro-activity: non agisce semplicemente in risposta a stimoli provenienti dall'ambiente,
ma è in grado di prendere iniziative- è capace, cioè, di esibire un comportamento
finalizzato al raggiungimento di un dato obiettivo.
In un ABM gli agenti possono rappresentare diverse entità:

Persone con diversi profili o ruoli: cittadini, consumatori, impiegati, malati, medici,
soldati, …

Tipologie di veicoli o strumenti: automobili, aerei, macchinari, personal computer,
carri armati, …

Immateriali: idee, progetti, investimenti, decisioni, …

Organizzazioni; aziende, partiti politici, nazioni, unità di comando, …

…
Gli agenti possono trasmettere messaggi di informazione fra di loro e agiscono sulla base
di ciò che "imparano" da essi. I messaggi possono rappresentare dialoghi fra le persone
oppure più indirettamente flussi di informazione, come ad esempio l’osservazione di un
infrastr_20140122_1533.doc
25
Author: P
altro agente o anche la misura degli impatti delle azioni di un altro agente. La possibilità di
modellizzare questo tipo di interazione "agente" ad "agente" è l’elemento distintivo
principale della tecnica ABM.
L’ambiente (environment) è il mondo virtuale dove gli agenti agiscono. Esso può essere un
mezzo totalmente neutro o con poca influenza sugli agenti, oppure, in altri sistemi, può
essere costruito con le caratteristiche degli stessi agenti. Tipicamente esso rappresenta lo
spazio geografico in cui gli agenti interagiscono. Un esempio classico è la simulazione del
piano residenziale di un quartiere dove l’ambiente è rappresentato dalle peculiarità della
città. I modelli dove l’ambiente rappresenta uno spazio geografico influente sono
denominati "spatially explicit" (spazialmente esplicito).
Cenni storici
L’idea iniziale di ABM risale alla fine degli anni ’40, ma il concetto base aveva la necessità
di una elaborazione procedurale intensiva per cui non si è diffusa fino agli anni ’90.
Le prime teorie risalgono infatti alla "macchina" di Von Neumann23 che vennero
successivamente sviluppate dall’amico e collega Stanislaw Ulam24. Uno dei primi modelli
basati su agenti è stato proposto da Thomas Schelling25 nel 1971 (modello
"segregazione").
E’ difficile attribuire ad una determinata persona l’uso della parola "agente" e la sua
corrente definizione nell’ABM. I candidati più probabili sembrano essere John Holland e
John H. Miller in relazione al loro articolo del 199126.
23
John Von Neumann nato a Budapest nel 1903 e morto a Washington nel 1957. Matematico e Fisico e
informatico ungherese naturalizzato statunitense. A lui si devono fondamentali contributi in numerosi
campi come la teoria degli insiemi, analisi funzionale, topologia, fisica quantistica, economia, informatica,
teoria dei giochi, fluidodinamica e in molti altri settori della matematica. Viene generalmente considerato
come uno dei più grandi matematici della storia moderna oltre ad essere una delle personalità scientifiche
preminenti del XX secolo.
24
Stanislaw Ulam matematico polacco nato a Leopoli nel 1909 e morto a Santa Fe (USA) nel 1984).
Partecipò al progetto Manhattan e propose il progetto Teller–Ulam per le armi nucleari. Egli inventò la
propulsione nucleare ad impulso e sviluppò una serie di strumenti matematici per la teoria dei numeri e
degli insiemi, per la teoria ergodica e per la topologia algebrica.
25
Thomas Crombie Schelling(nato ad Oakland (USA) nel, 14 aprile 1921 è un economista (premio Nobel per
economia nel 2005) e professore per gli affari esteri, sicurezza nazionale, strategie nucleari, e controllo
degli armamenti all'Università del Maryland.
26
Holland, J.H.; Miller, J.H. (1991). "Artificial Adaptive Agents in Economic Theory". American Economic
Review 81 (2): 365–71.
infrastr_20140122_1533.doc
26
Author: P
Con l’arrivo degli ambienti di sviluppo "StarLogo" nel 1990, "Swarm" e "NetLogo" nella
metà degli anni ’90 e "RePast"e "AnyLogic" nel 2000, oltre allo sviluppo degli ambienti ad
hoc, la diffusione di ABM si estende (Bonabeau - 2002)27.
Gli anni ’90 danno inoltre inizio alle applicazioni di ABM specificatamente nel campo delle
scienze sociali. Il modello Sugarscape, sviluppato da Joshua M. Epstein e Robert Axtell,
rivolto alla simulazione ed esplorazione del ruolo dei fenomeni sociali come migrazioni
stagionali, inquinamento, trasmissione e diffusione delle malattie, etc.28.
Dalla metà degli anni ’90 l’interesse di sviluppo della tecnica ABM nel mondo delle scienze
sociali si è
focalizzata
sulla
progettazione
e
gestione
dei gruppi di lavoro,
sull’apprendimento delle necessità ed efficacia della comunicazione nelle organizzazioni,
nonché sulla comprensione del comportamento delle reti sociali29.
Recentemente sono stati sviluppati metodi per l’utilizzo di ABM nell’ambito di
problematiche relative alle facoltà cognitive umane note come "cognitive social
simulation"30.
4.3. Dinamica di Sistemi (System Dynamics - SD)
System Dynamics (Dinamica di Sistemi) è una metodologia di analisi e uno strumento per
la costruzione di modelli di simulazione rivolto allo studio del comportamento dei sistemi
complessi (sociali, ambientali, produttivi, economici, etc.) in cui si mette in risalto il ruolo
dell’intreccio tra politiche, strutture decisionali e ritardi temporali nell’influenzare i fenomeni
dinamici. Le analisi e le interpretazioni del comportamento dei sistemi sviluppate
nell’ambito della SD si fondano particolarmente sul concetto di circuito di retroazione
(feedback loop).
L’analisi condotta nell’ambito della SD si basa su due ipotesi fondamentali. Da una parte,
la SD postula che dall’intreccio di processi decisionali, flussi informativi e relazioni
interpersonali all’interno dei "sistemi" (p.es. azienda, territorio, gruppi sociali, etc.),
27
Bonabeau, Eric (2002). "Agent-based modeling: methods and techniques for simulating human systems".
Proceedings of the National Academy of Sciences 99 (3): 7280–7287.
28
Epstein, Joshua M.; Axtell, Robert (1996). Growing artificial societies: social science from the bottom up.
Brookings Institution Press. p. 224. ISBN 978-0-262-55025-3.
29
Samuelson, Douglas A.; Macal, Charles M. (2006). "Agent-Based Modeling Comes of Age". OR/MS Today
(Institute for Operations Research and the Management Sciences).
30
Sun, Ron (2006). Cognition and Multi-Agent Interaction: From Cognitive Modeling to Social Simulation.
Cambridge University Press. ISBN 0-521-83964-5.
infrastr_20140122_1533.doc
27
Author: P
emergono strutture costituite da circuiti di retroazione concatenati. In secondo luogo,
l’approccio ipotizza che i comportamenti dei sistemi siano la conseguenza delle
caratteristiche strutturali che assumono tali aggregazioni di circuiti di retroazione.
La struttura fondamentale di un circuito generico di retroazione consiste in una decisione
che guida un’azione, la quale modifica lo stato del sistema che a sua volta influisce sulla
decisione (Figura 2).
Mondo
Esterno
DECISIONI
Informazioni sullo
Stato del Sistema
Stato del Sistema
Figura 2 - Struttura di base di un modello decisionale System Dynamics
Il concetto di circuito di retroazione (feedback loop), mutato dagli studi sui
servomeccanismi per il controllo dei sistemi meccanici ed elettrici, è, quindi, il primo
pilastro su cui si basa la metodologia della Dinamica di Sistemi.
Il secondo pilastro, di estrema importanza, è costituito dal bagaglio di studi, sviluppato
negli anni Cinquanta e Sessanta, sul comportamento decisionale nelle organizzazioni.
infrastr_20140122_1533.doc
28
Author: P
L’interesse emerso per la rappresentazione dei processi decisionali nella loro versione più
realistica, caratterizzati proprio dalle incoerenze, dalle imprecisioni, dalle pressioni culturali
ed emotive, è collegato alla System Dynamics in due modi:
1.
se è vero che la spiegazione del comportamento delle organizzazioni si basa
sull’analisi dei circuiti di retroazione che si vengono a formare nelle pieghe della
struttura dei processi decisionali, diventa allora fondamentale che tale struttura sia
descritta fedelmente in modo da conservare le sue caratteristiche;
2.
In secondo luogo, l’ipotesi che le decisioni siano inevitabilmente e pesantemente
influenzate dall’ambiente da cui vengono carpite costituisce la giustificazione teorica
dell’utilizzo del concetto di circuito di retroazione per spiegare il comportamento
dinamico dei sistemi. Dal momento che anche le decisioni influenzano lo stato del
sistema da cui sono prese, allora l’evoluzione di un’azienda è animata dal motore
costituito dal circuito di retroazione che si crea tra lo stato del sistema e le decisioni
degli attori in esso coinvolti.
L’analisi del comportamento dei sistemi dinamici è stato sempre limitato dal fatto che la
soluzione analitica delle equazioni differenziali che ne descrivono il comportamento
diventa problematica o addirittura talvolta impossibile anche per i sistemi relativamente
poco complessi. Sulla base di tale importante limitazione, negli anni Cinquanta, soprattutto
nell’ambito delle ricerche condotte per creare efficienti sistemi di difesa antiaerea e, in
generale, nei dipartimenti di ingegneria delle università americane, si è sviluppato un
approccio allo studio dei sistemi dinamici fondato sull’analisi numerica del loro
comportamento, condotto tramite simulazione al computer. Questa evoluzione, resa
possibile anche dallo sviluppo portentoso della capacità computazionale dei calcolatori,
negli anni immediatamente successivi, ha costituito un punto di partenza fondamentale per
System Dynamics, anch’esso caratterizzato da un approccio sperimentale, basato sulla
costruzione di modelli di simulazione, al computer, del comportamento dei sistemi
aziendali, ambientali, sociali e politici.
A seconda delle esigenze strategiche oppure gestionali, i modelli di simulazione costruiti
con la metodologia di SD possono essere utilizzati sia come sistemi di supporto alle
infrastr_20140122_1533.doc
29
Author: P
decisioni per i centri direzionali delle organizzazioni oppure per la creazione dei
"Micromondi" e Business Game nella valutazione degli scenari nell’ambito formativo e/o
promozionale.
Come si sviluppa un modello System Dynamics
Gli elementi base della Dinamica dei sistemi possono essere enunciati nei seguenti punti:

è necessaria una chiara identificazione di tutti i fenomeni emergenti da quella realtà
che si vuole rappresentare come sistema;

ogni fenomeno preso in esame trova le sue origini e il suo sviluppo entro i confini del
sistema stesso;

nella descrizione del sistema vanno evidenziati i circuiti di retroazione;

nella trasposizione da sistema a modello vanno utilizzate tutte le informazioni
ottenibili;

l’intero sistema si compone di parti, per ognuna delle quali deve essere possibile una
descrizione completa;

le parti del sistema sono connesse fra loro da una rete di tipo informativo che ne
costituisce il tessuto connettivo.
Ciò che traspare nei punti enunciati è asserzione che la realtà, intesa come sistema da cui
traggono origine i fenomeni osservati, possa essere delimitata attraverso una precisa
identificazione dei fenomeni stessi. Il sistema così evidenziato è la sede dove si generano
tutti i fenomeni percepiti e descritti dall’osservatore.
La Dinamica di Sistemi suggerisce un approccio per far convivere due aspetti,
apparentemente separati, nell’analisi di un qualsiasi processo complesso, e cioè:
1.
analisi di tipo quantitativo-matematico applicata alle problematiche dei processi di un
sistema organizzativo, e
2.
descrizione del fenomeno attraverso un approccio qualitativo strettamente legato alla
realtà complessa.
infrastr_20140122_1533.doc
30
Author: P
Le fasi di sviluppo di un modello di SD possono essere cosi' rappresentate:
Delimitazione del
confine del Sistema
Identificazione delle
variabili principali
Sviluppo delle
mappe causali
Associazione del
tipo di variabile
Sviluppo della mappa
di Flussi e Livelli
Costruzione e
Revisione del modello
di simulazione
Definizione delle
equazioni dei Flussi e
identificazione delle leve
del sistema
Calibrazione e
Validazione del modello
Figura 3 - Le fasi di sviluppo di un modello con l’approccio System Dynamics
infrastr_20140122_1533.doc
31
Author: P
Cenni Storici
SD nasce verso la fine degli anni ’50 all’MIT (Massachusetts Institute of Technology) e la
sua origine è indissolubilmente legata alla storia di un uomo, Jay W. Forrester31, che
diventa assistente di Gordon Brown32 - uno dei pionieri degli studi sul controllo dei circuiti
di retroazione. Durante la II guerra mondiale il lavoro di Brown e Forrester si concentra
sull’utilizzo della teoria del controllo dei circuiti di retroazione per la costruzione di sistemi
antiaerei e, in particolare, di sistemi di controllo di antenne e cannoni.
Dopo la guerra, tra la lista di progetti che Gordon Brown propone a Forrester, quest’ultimo
sceglie ciò che riguarda la costruzione di un simulatore di volo per i piloti americani.
Il progetto viene sviluppato e sfocia nella costruzione di un computer per lo sviluppo
sperimentale di sistemi informativi da utilizzare in combattimento. Una volta sviluppato,
esso costituisce la base da cui nasce il sistema di difesa aerea del Nord America
denominato SAGE (Semi-Automatic Ground Environment).
Il punto di svolta arriva quando all’ MIT viene fondata la Sloan School of Management.
Forrester abbandona allora il dipartimento di ingegneria dove dal 1952 al 1956 è stato
direttore della Digital Computer Division del Lincoln’s Laboratory e, nel 1956, entra nella
Sloan School. Il primo progetto di cui si occupa riguarda l’analisi di un problema che
affligge la General Electric: quest’ultima non riesce a spiegare l’origine delle oscillazioni
che caratterizzano l’utilizzo della capacità produttiva nel business degli elettrodomestici.
La spiegazione di questo problema dà vita alla nascita di System Dynamics poiché
Forrester comprende, analizzando la struttura organizzativa dell’azienda, che le
oscillazioni nell’utilizzo della capacità produttiva sono endogenamente generate e trovano
la propria causa nei ritardi temporali e nella struttura dei circuiti di retroazione che sottende
ai processi decisionali.
La necessità di confermare questa intuizione spinge Forrester e i suoi assistenti a
costruire un modello matematico per simulare il comportamento del sistema. Dal modello
di simulazione si arriva presto alla costruzione di un programma (DYNAMO) con il quale è
possibile costruire modelli di simulazione con la metodologia SD.
La creazione di questo programma ovviamente costituisce un forte stimolo allo sviluppo
del SD che ha ora un valido strumento per la costruzione di modelli e la loro simulazione al
31
32
Jay Wright Forrester nato in Nebraska (USA) nel 1918 è stato professore all’ MIT
Management. Forrester è conosciuto come il fondatore della System Dynamics,
Gordon S. Brown (1907–1996 ) è stato professor di Ingegneria elettrica all’MIT.
infrastr_20140122_1533.doc
32
Sloan School of
Author: P
computer. Sulla scia del lavoro per la General Electric, Forrester comincia a sviluppare, in
modo sistematico, la sua metodologia di analisi dei comportamenti delle aziende basato
sull’applicazione al management delle teorie sui servomeccanismi e sul controllo dei
circuiti di retroazione. A seguito di questo sforzo di sistematizzazione, esce, nel 1961,
Industrial Dynamics, un vero e proprio manuale - tuttora principale punto di riferimento per
chi vuole avvicinarsi allo studio del SD. Al MIT, il gruppo di SD cresce rapidamente e
Forrester, portando avanti il suo lavoro di ricerca acquista popolarità, ma anche aspre
critiche, soprattutto a seguito di due progetti. Il primo riguarda lo studio delle dinamiche dei
centri urbani per la valutazione di politiche alternative, in particolare, relative alla gestione
del problema della costruzione di abitazioni per le classi meno abbienti. Questo progetto
ha come risultato la pubblicazione del libro Urban Dynamics (1969), che riscuote critiche
negative soprattutto a causa del fatto che, tramite gli esperimenti di simulazione condotti
sul modello, Forrester fa emergere forti dubbi sulla validità a lungo termine di molte delle
politiche che caratterizzano l’intervento pubblico nelle grandi città statunitensi.
Nel 1970, Forrester ha i primi contatti con Aurelio Peccei, fondatore del Club di Roma
(un_gruppo di 75 persone, provenienti da 25 nazioni, che sponsorizzano progetti di ricerca
volti all’analisi di temi che riguardano le prospettive di sviluppo economico e sociale).
Dal rapporto tra Forrester e il Club di Roma scaturisce l’idea di un progetto di ricerca con
lo scopo di studiare la sostenibilità dello sviluppo economico sul nostro pianeta.
Il problema nasce dalle perplessità che emergono all’indomani del boom degli anni ’60
quando si comincia a parlare di problemi quali l’inquinamento atmosferico e l’esaurimento
delle scorte di petrolio. Forrester utilizza il SD per costruire un modello di simulazione atto
a studiare le prospettive di sviluppo e illustrare una serie di possibili scenari futuri.
Il modello, dà origine alla pubblicazione di World Dynamics (1971) e descrive come
l’evoluzione del sistema-mondo può essere studiato analizzando l’interazione tra tre sottosistemi: il sistema della produzione industriale, il sistema della popolazione umana, con le
dinamiche demografiche che lo caratterizzano e il sistema della produzione agricola.
Anche questo progetto, oltre a dare a Forrester e al gruppo del MIT una certa popolarità,
scatena forti opposizioni, soprattutto di carattere metodologico, da parte di alcuni
economisti. Forrester, in effetti, usa un metodo di ricerca nuovo che trova giustificazione
nella logica pragmatica che sin da allora anima il SD.
infrastr_20140122_1533.doc
33
Author: P
Nel lavoro di Forrester, il pregio consiste non tanto nella capacità del modello di prevedere
particolari stati puntuali del sistema o sul rigore con cui le ipotesi del modello sono state
testate empiricamente, quanto sulla possibilità che il modello offre di comprendere la
logica con cui le variabili rilevanti interagiscono, il ruolo che ciascuna di esse gioca, i punti
in cui il sistema è sensibile agli interventi e gli scenari che emergono come conseguenza
di ipotesi alternative circa lo stato del sistema.
I citati studi sulle dinamiche dei centri urbani e le problematiche relative allo sviluppo
sostenibile sono, ovviamente, solo alcuni dei progetti cui Forrester si è dedicato nei suoi
anni di attività. Sono stati ricordati, tuttavia, perché costituiscono dei punti di svolta nella
crescita della metodologia SD. Sia per le critiche che per gli elogi ricevuti, infatti, questi
studi hanno contribuito a portare alla ribalta il lavoro che viene svolto alla Sloan School del
MIT. Inoltre, questi imponenti progetti di ricerca contribuiscono a fornire esempi di
riferimento e svolgono una funzione da catalizzatore per il gruppo di ricercatori che si sta
formando attorno a Forrester. Dall’impegno di Forrester, infatti, si sviluppa al MIT un filone
importante di studi che darà vita al System Dynamic Group del MIT. Tra i componenti di
tale gruppo, alcuni ricercatori hanno un ruolo particolarmente importante nella diffusione
del SD. Peter Senge33, per esempio, con il suo libro, La Quinta Disciplina, (1990), spiega,
in modo comprensibile e divulgativo, come i principi del SD possono essere applicati alla
gestione dei sistemi aziendali. John Sterman34, invece, continua il lavoro di Forrester al
MIT utilizzando i principi del SD per studiare i problemi legati ai processi decisionali nelle
aziende. Sterman fornisce uno stimolo essenziale allo sviluppo di un metodo di analisi dei
sistemi economici e delle scelte aziendali imperniato sull’utilizzo di simulatori di volo.
I simulatori di volo (nel linguaggio di studiosi di SD Microworld – Micromondi) sono modelli
matematici che riproducono un particolare sistema. Tramite un’interfaccia grafica,
all’utente è data la possibilità di definire strategie e attuare scelte, osservandone le
conseguenze.
33
34
Peter Michael Senge nato in California (USA) nel 1947, è il direttore del “Center for Organizational
Learning” all’ MIT Sloan School of Management, autore del libro “La quinta disciplina: L'arte e la pratica
dell'apprendimento organizzativo”, ISBN 88-200-1350-932-I-97, Sperling & Kupfer 1992.
John David Sterman è il direttore del System Dynamics Group all’MIT Sloan School of Management,
autore del libro “Business Dynamics: Systems thinking and modeling for a complex world”, McGraw Hill
2000.
infrastr_20140122_1533.doc
34
Author: P
Infine, John Morecroft35 analizza i legami tra SD e gli studi sulla razionalità limitata e
sull’approccio comportamentistico alle decisioni indagando il ruolo dei modelli SD come
strumento a supporto delle scelte strategiche. Morecroft, dopo aver lasciato MIT diventa
professore associato alla London Business School dove contribuisce alla diffusione del SD
in Europa, rinvigorendo il legame tra SD e gli studi di "Strategic management".
35
John Morecroft è il professore di Management Science and Operations a London Business School,
autore del libro “Strategic Modelling and Business Dynamics: A Feedback Systems Approach”, Wiley
2007.
infrastr_20140122_1533.doc
35
Author: P
PARTE 2:
SPECIALISTICA / DI SUPPORTO / BIBLIOGRAFICA
infrastr_20140122_1533.doc
36
Author: P
5
Capitolo 5
Proposta dello Strumento
E per concludere ecco le caratteristiche di base di un possibile
strumento innovativo che dovrà essere configurato e quindi
sviluppato con l’obiettivo di rispondere alle esigenze dello studio
preliminare oggetto della ricerca.
5.1.
La piattaforma metodologica auspicabile
Gli strateghi militari tendono a riconoscere sempre di più che gli interventi pianificati
qualche volta falliscono l’obiettivo predefinito, specialmente per le decisioni a lungo
termine. Ciò è dovuto principalmente a tre ragioni problematiche:
1.
limitata consapevolezza di risultati alternativi piuttosto che opportunità di poter
valutare innumerevoli soluzioni;
2.
prospettive settoriali piuttosto che "sistemiche";
3.
analisi lineare e ricerca della soluzione ottima piuttosto che analisi dinamica della
complessità delle decisioni con la ricerca delle soluzioni "ottimali".
Alla prima problematica bisogna corrispondere con uno strumento di simulazione che
permetta oltretutto di poter definire un set di "leve" decisionali e quindi verificare l’impatto
della varietà di queste sul processo di interesse. La seconda problematica è facilmente
gestibile se si adotta l’approccio del pensiero sistemico (System Thinking).
La terza problematica corrisponde verosimilmente alle caratteristiche delle due
metodologie / tecniche (System Dynamics / Agent Based Modelling) identificate per
effettuare l’analisi e la costruzione del modello di simulazione.
infrastr_20140122_1533.doc
37
Author: P
Il cosiddetto approccio "miope" è presente nei diversi metodi di pianificazione e
valutazione dei "decisori" militari36
37
. Gli strumenti tradizionali di pianificazione e controllo
a supporto decisionale sono generalmente poco adatti per governare situazioni dove
azioni tattico-operative hanno effetti conflittuali e impatti multipli. Spesso da ciò
scaturiscono effetti collaterali non previsti che hanno conseguenze superiori agli effetti
primari38.
Le situazioni sopradescritte evidenziano le complessità dinamiche che sovente
racchiudono i ritardi temporali fra le cause e gli effetti delle variabili in gioco e possono
comprendere gli obiettivi multipli e qualche volta anche conflittuali 39. In queste circostanze
diventa difficile definire l’orizzonte temporale e pianificare le attività degli interventi
identificati (necessari) poiché le azioni possono avere conseguenze imprevedibili ed
incontrare interessi opposti oppure essere vincolati dalle risorse e/o capacità limitate.
La metodologia di analisi sistemica nella modellizzazione prescelta (System Dynamics) in
sinergia con la tecnica di simulazione identificata (Agent Based Modelling) può gestire
problemi dinamici complessi come quelli presenti nel contesto militare e sono quindi
proponibili per la realizzazione di uno strumento di simulazione rivolto ad una migliore
dislocazione infrastrutturale delle unità – oggetto del presente studio.
L’approccio "Dinamica di Sistemi" analizza i sistemi attraverso processi di accumulazione
(stocking) e di gestione di effetti di retroazione (feedback loops) sviluppando modelli
predisposti ad essere validati (tested) per le politiche desiderate al fine di raggiungere i
risultati desiderati. La metodologia (vedi Capitolo 4) implica lo sviluppo di diagrammi di
causa-effetto (Causal-Loop Diagrams-CLD), denominati anche diagrammi di influenza
(Influence Diagrams), nonché e la identificazione delle leve decisionali (Policy Levers) per
la costruzione di modelli quantitativi orientati alla simulazione delle dinamiche d’interesse.
I modelli SD, seguendo un percorso metodologico (Figura 3, nel Capitolo 4), vengono
sviluppati ad hoc per una realtà da rappresentare e costruiti utilizzando un ambiente di
sviluppo software per essere poi dotati di un’interfaccia amichevole (user friendly) e messi
a disposizione di chi dovrà valutare scenari alternativi e quindi sulla base dei risultati
ottenuti dalle simulazioni effettuare le decisioni opportune.
36
Bensahel, N. (2006). Mission Not Accomplished: What Went Wrong with Iraqi Reconstruction.
Byman (2005). Going to War with the Allies You Have: Allies, Counterinsurgency, and the War on
Terrorism: The Strategic Studies Institute of the U.S. Army War College.
38
Davis & Henninger (2007) Analysis, Analysis Practices, and Implications for Modeling and Simulation.
39
Sterman (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World.
37
infrastr_20140122_1533.doc
38
Author: P
La principale dottrina dei modelli SD è quella di rilevare che è la struttura di un sistema a
causare il suo comportamento. La struttura del sistema consiste nel modello quantitativo
che viene costruito attraverso l’identificazione di livelli (stocks) e flussi (flows) che causano
l’aumento e la diminuzione dei livelli e l’interazione dei cicli di retroazioni (feedback loops)
che governano l’equazione dei flussi (rates).
Figura 4 - Simbologia di mappa causale della metodologia System Dynamics
Il comportamento del sistema viene generalmente rappresentato dagli andamenti
(patterns) temporali delle variabili descritte nel sistema. Formalmente un modello SD è un
sistema di equazioni differenziali non lineari che viene tipicamente costruito attraverso un
insieme "semplice" di equazioni algebriche intrecciate e che rappresentano in maniera
trasparente la struttura causale del modello globale.
infrastr_20140122_1533.doc
39
Author: P
I modelli di comportamento delle variabili possono essere fondamentalmente di quattro
tipologie, sintetizzate nella Figura 5. Essi presentano, in maniera schematica, il risultato
del comportamento di una variabile o del sistema.
Gli andamenti possono essere:

Crescita esponenziale, si ha quando al crescere di una quantità iniziale aumenta
esponenzialmente, il suo tasso di crescita;

Crescita ad S, allorché la variabile presenta una prima crescita esponenziale non
seguita da ulteriori aumenti significativi nel tempo e verifca un livellamento naturale;

Goal-Seeking, la quantità di interesse inizia al di sopra o al di sotto di un certo livello
target (obiettivo) e la curva tende verso lo stesso con il passare del tempo.
(Può verificarsi il caso in cui il valore iniziale sia inferiore al goal per cui l’andamento
sarà crescente o, al contrario, il caso in cui il valore iniziale è maggiore del valore
obiettivo e quindi l’andamento sarà decrescente);

Oscillazioni, si ha invece quando le quantità di interesse oscillano rispetto al livello
target.
Figura 5 – I modelli fondamentali di comportamento delle variabili
nella metodologia System Dynamics
infrastr_20140122_1533.doc
40
Author: P
Combinando l’oscillazione con le altre tipologie si possono presentare modelli di
comportamento che tendono a rappresentare meglio i casi reali:

Crescita esponenziale combinata con l’oscillazione;

Goal-Seeking combinato con l’Oscillazione;

Crescita ad S combinato con l’Oscillazione.
Le caratteristiche tecniche della Dinamica di Sistemi, appena illustrate, e l’approccio
sistemico della SD, descritto nel Capitolo 4, rappresentano un quadro metodologico
adatto ad affrontare operativamente le sfide nei diversi casi di complessità dinamica
nell’analisi e pianificazione di problematiche militari. Le scienze sociali in generale si sono
servite spesso dei concetti di retroazione e di accumulazione e gli studiosi del mondo
militare, in particolare, hanno impiegato questi concetti in diversi contesti. L’approccio SD
è una applicazione semplice, pratica ed efficace che utilizza le caratteristiche sopraccitate
come fondamenti per la costruzione di modelli di simulazione che possono essere
prevalentemente utilizzati per comprendere come la struttura del processo in esame
evidenzi il comportamento del sistema; poter quindi verificare, con un approccio sistemico,
vari scenari e politiche alternative nel raggiungimento degli obiettivi preposti.
Purtroppo le applicazioni di questa metodologia, in Italia, non sono così diffuse come in
altri paesi e, in particolare, nel mondo militare mentre si possono citare diverse
applicazioni militari della metodologia SD, particolarmente nel mondo anglosassone, sin
dal 1980:

La dinamica dei conflitti (Coyle 1981).

Azioni governative di prevenzione di guerriglie (Coyle 1985; Anderson 2007).

Modelli di combattimenti (Wolstenhome, 1990).

Gestione di spese della difesa e di manutenzione (Coyle & Gardiner 1991; Coyle
1992)

Project management nell’appalto delle attività della difesa (Cooper 1980; Lyneis,
Cooper e Els 2001; Lyneis & Ford 2007)

Stabilità degli stati in relazione alla crescita delle sfide terroristiche (Choucri 2006)

…
infrastr_20140122_1533.doc
41
Author: P
Le caratteristiche della metodologia di analisi System Dynamics appena descritte sono
generali, ma la loro implementazione richiede l'utilizzo di ambienti di sviluppo configurati
per poter ospitare le applicazioni, facilitare lo sviluppo dei modelli, poter effettuare delle
simulazioni circoscritte o interfacciare altri ambienti/tecniche modellistiche (per esempio
ABM). Esistono differenti pacchetti software disponibili sul mercato per sviluppare modelli
SD. Uno di questi ambienti con maggiore apertura verso altri software e in grado di
sviluppare facilmente, anche autonomamente, delle interfacce amichevoli (user friendly) è
Powersim40.
A differenza della Dinamica di Sistemi la tecnica di Modelli Basati su Agenti (ABM) non ha
un linguaggio standard. Gli ABM possono presentarsi con diverse architetture, tipi di
comportamento, numero di agenti, spazi, etc.. La metodologia di SD può essere utilizzata
all’interno oppure all’esterno degli agenti. Tuttavia esistono schemi concettuali che sono
comuni a molti ABM:

Architettura basata su oggetti (object based architecture);

Gestione della variabile "tempo": asincrono oppure sincrono;

Gestione spazio di mobilità (continuo, discreto, geografico);

Rete e legami fra agenti;

Comunicazione fra agenti e fra agenti e l’ambiente circostante(environment);

Creazione e distruzione dinamica di agenti;

Raccolta statistica sulla popolazione di agenti.
40
http://www.powersim.no/
infrastr_20140122_1533.doc
42
Author: P
Struttura di un modello basato su agenti
Un tipico modello basato su agenti contiene tre elementi:
1.
un insieme di Agenti (comprendente i loro attributi e comportamenti);
2.
un insieme di relazioni e metodi di interazione degli agenti: una topologia di
connessione che definisce "come" e con "chi" gli agenti interagiscono;
3.
l’ambiente .
Si dovranno quindi identificare almeno questi elementi per poter costruire un ABM, la cui
tipica struttura è riportata nella Figura 6:
Figura 6 - Struttura generica di un ABM – fonte Epstein e Axtell41.
41
Epstein JM e Axtell R (1996). Growing Artificial Societies: Social Science from the Bottom Up. MIT Press:
Cambridge, MA.
infrastr_20140122_1533.doc
43
Author: P
Da un punto di vista prettamente pratico, basato su come e perché vengono costruiti gli
ABM con valenza applicativa, si possono evidenziare le caratteristiche essenziali degli
"agenti":

Un agente è autosufficiente (self contained) e modulare e identifica in maniera
univoca un elemento individuale. Il requisito modulare implica che un agente ha un
ben preciso confine. Si può facilmente determinare se qualcosa fa o non fa parte
dell’agente oppure è un attributo comune. Gli agenti possiedono attributi che
permettono di distinguerli ed essere riconoscibili da altri agenti.

Un
agente
è
autonomo
e
auto-direzionale
(self
directed).
Può
agire
indipendentemente nel suo ambiente e in relazione ad altri agenti, almeno in un
limitato raggio di situazioni di interesse del modello. Il comportamento di un agente
può essere specificato da regole semplici fino a modelli astratti come, per esempio,
reti neurali oppure programmi genetici che rilegano gli input agli output di agenti a
meccanismi adattivi.

Un agente ha uno stato che varia nel tempo e che rappresenta la sua situazione
corrente. Lo stato di un agente consiste in un insieme o un sottoinsieme di suoi
attributi. Lo stato di un ABM è rappresentato dagli stati globali di tutti gli agenti,
compreso quello dell’ambiente (environment). I comportamenti di un agente sono
condizionati dallo stato dell’agente stesso. Più ricco è l’insieme possibile degli stati di
un agente, tanto più ricco è l’insieme dei comportamenti che l’agente può avere.
In una simulazione ABM lo stato rappresenta, ad ogni istante di tempo, tutta
l’informazione necessaria per muovere il sistema complessivo da quel punto in
avanti.

Gli agenti hanno dei protocolli specifici (comunicazione, movimento, capacità di
rispondere all’ambiente, etc.) per interagire con altri agenti. Essi possiedono l’abilità
di riconoscere e quindi distinguere le caratteristiche di altri agenti.
infrastr_20140122_1533.doc
44
Author: P
Una tipica struttura di agente è riportata nella Figura 7.
Figura 7 - Struttura tipica di un agente42
Ad oggi in campo militare sono presenti decine di applicazioni di ABM principalmente
sviluppate dal Dipartimento della Difesa Americano (DoD – Department of Defense) per
simulare problemi militari.
Soltanto a scopo esemplicativo si possono citare:

il progetto MANA ( Map Aware Non-uniform Automata): un modello costruito per
esplorare la capacità delle prestazioni della futura rete di telecomunicazioni della
U.S. Army a fronte del degrado generale delle comunicazioni;

il modello Pythagoras: studio per analizzare come veicoli di superficie senza pilota
(USV – Unmanned Surface Vehicle) possono essere utilizzati a supporto della
difesa;

uno studio integrativo di progetti precedenti e l’ambiente di sviluppo JANUS43 per
"standardizzare" la dimensione di un plotone integrativo di difesa.
42
C M Macal e M J North – Tutorial on agent-based modelling and simulation. Journal of Simulation (2010).
43
JANUS – Una piattaforma open-source multi-agente - http://www.janus-project.org
infrastr_20140122_1533.doc
45
Author: P
5.2. Caso di studio:
Infrastrutture Critiche e la dislocazione infrastrutturale delle unità
Nell’ambito delle applicazioni della metodologia System Dynamics - attinenti alla
problematica generale della gestione delle infrastrutture critiche - esistono diversi studi
interessanti:

Critical Infrastructure Disruptions: A Holistic System Dynamics Approach for Decision
Support (Münzberg, Comes, Schultmann - 2012);

On the Vulnerability of Critical Infrastructures (Gheorghe - 2005);

Critical National Infrastructure Reliability Modeling and Analysis (Conrad, LeClaire,
O’Reilly, Uzunalioglu - 2006);

Managing Critical Civil Infrastructure Systems: Improving Resilience To Disasters
(Croope – 2005);

Modeling Economic Impacts to Critical Infrastructures in a System Dynamics
Framework (Dauelsberg, Outkin- 2005);

Comparative Evaluation of Modeling and Simulation Techniques for Interdependent
Critical Infrastructures (Eusgeld, Henzi, Kröger - 2008);

A Systems Approach To Determining Critical Infrastructures & Appropriate
Technology (Nyamvumba, Kumile,Trimbl – 2008);

Modeling and Simulation of Critical Infrastructure Systems for Homeland Security
Applications (DHS/NIST Workshop on Homeland Security Modeling & Simulation –
2011).
Tutti questi studi sottolineano la potenzialità e l’efficacia della metodologia di analisi
nonché l’implementazione sistemica dell’approccio SD nell’ambito della gestione delle
infrastrutture critiche.
In particolare il progetto CIP/DSS (Critical Infrastructure Protection Decision Support
System), sviluppato dal laboratorio di Los Alamos44 e sponsorizzato dal dipartimento della
Sicurezza interna (DHS – Department of Homeland Security), mette in risalto il ruolo della
metodologia SD poiché evidenzia l’analisi della dinamica di ciascun elemento individuale
44
Los Alamos – National Laboratory è un laboratorio dell' United States Department of Energy gestito dalla
Los Alamos National Security LLC, situato a Los Alamos Nuovo Messico. Il laboratorio è uno dei più ampi
istituti multidisciplinari del pianeta.
infrastr_20140122_1533.doc
46
Author: P
delle infrastrutture critiche e le interdipendenze delle coppie di elementi all’interno
dell’ambiente globale. Ovviamente, in questo progetto l’obbiettivo primario è quello della
sicurezza, ossia la protezione delle infrastrutture critiche. Il progetto mira ad utilizzare un
approccio in grado di meglio comprendere il livello di sicurezza delle infrastrutture critiche
e valutare scenari di possibili rischi di vulnerabilità del sistema, attraverso uno strumento di
simulazione. L’approccio scelto ha permesso di valutare l’evolversi di possibili minacce
(incerte) simulando una varietà di risorse e infrastrutture.
Gli obiettivi puntuali del progetto CIP/DSS si avvicinano alle esigenze generali del
presente studio preliminare:

Costruzione: sviluppo e implementazione di uno strumento di simulazione per
assegnare le priorità degli interventi e la definizione delle strategie di allocazione
delle risorse nell’analisi delle valutazioni del rischio di vulnerabilità e successive
conseguenze.

Fornitura di uno strumento operativo di supporto decisionale durante periodi di crisi e
di emergenza.
Nella Figura 8 è messa in evidenza la relazione fra il sistema di protezione delle
infrastrutture critiche (CIP), le previste tipologie di decisioni e il sistema di supporto
proposto con il progetto CIP/DSS.
Figura 8 – Relazioni fra CIP, decisori e CIP/DSS
infrastr_20140122_1533.doc
47
Author: P
Lo strumento sviluppato viene utilizzato per valutare situazioni di malfunzionamento,
interruzione
e/o
sospensione
di
infrastrutture
in
diversi
ambienti
(Sanità,
Telecomunicazione, Inquinamento ambientale, etc.).
L’architettura del sistema CIP/DSS è composta da una serie di modelli per tutte le
infrastrutture critiche identificate, legate fra di loro attraverso gli elementi di maggiore
interdipendenza. Inoltre sono presenti l’accoppiamento (legame strutturale) che si crea fra
le infrastrutture su scala nazionale e quelle metropolitane (vedi Figura 9).
Figura 9 – l’architettura generale del sistema CIP/DSS
La corretta rappresentazione delle interdipendenze fra le infrastrutture è la caratteristica
più emblematica dei modelli CIP/DSS; il sistema traccia la propagazione (per esempio) di
una defezione nel settore delle telecomunicazioni sui settori di fonte energetica, bancaria e
amministrativo/governativa. Infine, rispettando i differenti aspetti nazionali e metropolitani,
il sistema permette di risolvere sia gli impatti intra-regionali che quelli intra-urbani.
I modelli presenti nel sistema simulano la dinamica di ciascuna infrastruttura identificata e
quindi accoppiano le diverse infrastrutture in relazione alle loro interdipendenze.
infrastr_20140122_1533.doc
48
Author: P
Per esempio, la riparazione di un danneggiamento alla rete elettrica in una città richiede il
trasporto del personale sul posto, la fornitura di pezzi di ricambio, l’utilizzo della
telecomunicazione per la diagnosi del guasto a distanza e, ovviamente, il coordinamento
del lavoro. La riparazione del guasto coinvolge inoltre la diagnostica, l’ordinazione dei
pezzi di ricambio, la spedizione di una squadra per la riparazione e infine la riparazione.
La rete elettrica reagisce al guasto riparato con la verifica dei cambiamenti nella capacità
operativa. I processi dinamici come questo or ora descritto vengono analizzati con una
serie di mappe causali.
Nella Figura 10 è riportato l’esempio di una mappa causale che si riferisce alla gestione
dell’interruzione di una rete di telecomunicazione.
Figura 10 – Esempio di una mappa causale della gestione dell’interruzione
di una rete di telecomunicazione
infrastr_20140122_1533.doc
49
Author: P
Come già descritto nel Capitolo 4, una volta completata, la mappa causale viene
trasformata in un modello System Dynamics attraverso la costruzione del diagramma
flussi e livelli (vedi Figura 11) comprendente delle equazioni differenziali che
rappresenteranno il comportamento dell’evoluzione delle variabili del modello.
Idle capacity includes ancillary
services. Current model does not
include fuel used in providing these
services
Initial Generation
Capacity
Idle Power
Generation
Capacity
Idle Generation
Becomming
Disconnected
Available
Generation
<Time>
Maximum Rate of
Increasing Load Serving
Total Idle
Capacity
Interruption
Duration
<TIME STEP>
Interruption
Start Time
Failed Generation
Capacity Repair Time
Total Available
Generation
Reserve Margin
Time to Activate
Generation
Generation
Becomming
Reconnected
Disconnection Rate
During Interruption
Net Rate of Increasing
Load Serving
Switching Load
Serving
Generation to
Idle
Generation
Reconnection Time
Generation
Disconnection Rate
Bringing Generation
on Line
<Relative Generation
Capacity without
SCADA>
Repairing Failed Generation
Capacity
<Effect of
Communications on
Power SCADA>
Total Generation
Serving Load
Maximum Controllable
Generation
Effect of Power SCADA
on Control of Generators
Disconnection Rate due
to Control Limitations
Generation
Disconnected
from
Transmission
System
<TIME STEP>
Generation
Serving Load
Fuel Required for
Serving Load
Load Serving Generation
Becomming Disconnected
Emissions Rate
Emissions per Unit
Generation
Failed
Generation
Capacity
Load Serving
Generation Failing
Generation
Failure Time
Figura 11 – Esempio di modello SD della rete di generazione elettrica
infrastr_20140122_1533.doc
50
Author: P
Infine viene costruito un’interfaccia "amichevole" per l’utente finale: un pannello di controllo
(Dashboard) che permette all’utilizzatore di effettuare delle simulazioni muovendo delle
leve in grado di evidenziare possibili scenari critici (Figura 12).
Figura 12 – Esempio di pannello di controllo per la gestione delle infrastrutture critiche
in un sistema di gestione della struttura sanitaria
In conclusione, lo strumento di simulazione (rispetto ad una tradizionale tecnica di ricerca
operativa) sviluppabile per la risoluzione di una problematica militare che valuti possibili
futuri scenari alternativi e selezioni la soluzione "ottimale" richiede, nel caso specifico di
dislocazione infrastrutturale delle unità, l’identificazione di sotto-sistemi pertinenti al
processo globale da analizzare.
infrastr_20140122_1533.doc
51
Author: P
In un’analisi preliminare questi sotto-sistemi possono essere ipotizzati nei seguenti settori
comprendenti un elenco di macro variabili (non esaustivi):
1.
2.
3.
Settore Trasporti:
a.
Aeroporti (Airport of Disembarkation - APOD)
b.
Ferrovie
c.
Porti Navali ( Sea Port of Disembarkation – SPOD)
d.
Autostrade
e.
…
Settore Fonti:
a.
Energia Elettrica
b.
Risorse Idriche
c.
Reti di telecomunicazioni
d.
…
Settore Servizi:
a.
Ospedali
b.
Scuole
c.
Banche
d.
Supermercati
e.
Strutture sportive
f. …
4.
Settore Strutture:
a.
Aree di addestramento
b.
Poligoni
c.
Aree per alloggi (foresteria)
d.
Aree edificabili
e.
…
Il modello System Dynamics auspicabile dovrà analizzare nel dettaglio ciascun sottosistema e verificare tutte le relazioni plausibili fra ciascun sotto-sistema.
Lo strumento di simulazione potrà fornire dei risultati autonomi del modello SD
sviluppato, e al tempo stesso estendere tali risultati ad un ambiente ABM per poter
maggiormente dettagliare (singoli individui, squadre, collettività) le soluzioni proposte.
infrastr_20140122_1533.doc
52
Author: P
infrastr_20140122_1533.doc
53
Author: P
BIBLIOGRAFIA / SITOGRAFIA
SVILUPPO DI UNOSTUDIO PRELIMINARE
PER LA REALIZZAZIONE DI UNO STRUMENTO DI SIMULAZIONE,
PER UNA MIGLIORE DISLOCAZIONE INFRASTRUTTURALE DELLE UNITA'
"Guida alla Simulazione; Metodi, linguaggi e modelli di ricerca operativa per simulare
processi ed eventi"; Martinoli B.; Franco Angeli; 1993.
"Modelli per Decidere"; Santoni M.; Franco angeli; 1995.
"Analisi dinamica dei sistemi aziendali"; Mollona E.; EGEA; 2000.
"La quinta disciplina, L’arte e la pratica dell’apprendimento organizzativo"; Senge P.;
Sperling & Kupfer Editori; 2006.
"System Dynamics and Intelligent Agent-Based Simulation:Where is the Synergy?";
Sedehi H. Pourdehnad J. Maani K.: International System Dynamics Conference
Proceedings; 2002.
"Industrial Dynamics"; Forrester J.W., The M.I.T. Press, Cambridge MA, 1961.
"Urban Dynamics"; Forrester J.W., Pegasus Communications, 1969.
"Limits to Growth (traduzione Italiano I Limiti dello Sviluppo)" Meadows D.H. Dennis L.
Meadows D.L. Randers J.; William W. Behrens III J.W., 1972.
"La Simulazione come Strumento addestrativo", Genzardi A.; Rivista Militare; 2001.
"Dynamic Complexity in Military Planning: A Role for System Dynamics"; Morrison, J.,
Goldsmith D.; Siegel M.; International System Dynamics Conference Proceedings; 2008.
"Evoluzione dei concetti applicativi dei sistemi di Modeling & Simulation (M&S) e possibili
architetture distribuite finalizzate alla sinergica utilizzazione di risorse in ambito nazionale,
alleato ed europeo"; Iovane, G.; DIIMA – Università degli Studi di Salerno; 2007.
infrastr_20140122_1533.doc
54
Author: P
"Critical Infrastructure Interdependency Modeling: A Survey of U.S. and International
Research"; Pederson P. Dudenhoeffer D.,Hartley S. Permann M.; The INL is a U.S.
Department of Energy National Laboratory operated by Battelle Energy Alliance; 2006.
"Research and Development Trends in Critical Infrastructure Protection in the U.S."; FUJII
A.; Information and Communications Research Unit: Quarterly Review n. 24; 2007.
"Comparative Evaluation of Modeling and Simulation Techniques for Interdependent
Critical Infrastructures"; Scientific Report; Eusgeld I., Henzi D., Kröger W.; Der orliegende,
sprachlich überarbeitete Bericht ersetzt gemäss Beschluss an der Sitzung den ersten
Entwurf vom 21; 2008.
" Extending Opinion Polls through the Combination of Analytical and Simulation Models";
Skarin B., Yohai I., McCormack R. International System Dynamics Conference
Proceedings. 2013.
"Agent-based and System Dynamics Modeling : A Call for Cross Study and Joint
Research"; Scholl H. System Sciences, 2001. Proc. of the 34th Annual Hawaii Int. Conf.
on System Sciences,
"Use of modelling paradigms: an explanatory Study of SD and ABM models"; Ortiz A.,
Sveen F., Sarriegi J. Santos J. International System Dynamics Conference Proceedings.
2008.
"Modelling and Simulation of Interdependencies between the Communication and
Information Technology Infrastructure and other Critical Infrastructures"; Abdur Rahman H.
The University Of British Columbia; 2009.
"Setting the Scene for Human Resource Development: Modelling and Simulation of
Dislocated Organisations"; Semling C. Wittmann N.; Nato Otan. 2011.
"Modeling and Simulation of Critical Infrastructure Interdependencies"; Jason Min H.,
Beyeler W., Brown T. The National Infrastructure Simulation and Analysis Center (NISAC)
Sandia National Laboratories; 2008.
infrastr_20140122_1533.doc
55
Author: P
"Modeling Economic Impacts to Critical Infrastructures in a System Dynamics Framework";
Dauelsberg L., Outkin A.; International System Dynamics Conference Proceedings; 2005.
"Agent-based models"; Gilbert N.; University of Surrey The Centre for Research in Social
Simulation; 2007.
"Tutorial on agent-based modelling and simulation" Macal C., North M.; Journal of
Simulation; 2010.
"Military Applications Of Agent-Based Simulations"; Cioppa T., Lucas T.; Proceedings of
the Winter Simulation Conference; 2004.
"Agent based modeling. Technology overview"; The Big Book of Simulation Modeling;
Anylogic;
www.wikipedia.org
www.systemdynamics.org
www.anylogic.com
www.systemdynamics.it
infrastr_20140122_1533.doc
56
Author: P
Ce.Mi.S.S.45
Il Centro Militare di Studi Strategici (Ce.Mi.S.S.) e' l'Organismo che gestisce, nell'ambito e
per conto del Ministero della Difesa, la ricerca su temi di carattere strategico.
Costituito nel 1987 con Decreto del Ministro della Difesa, il Ce.Mi.S.S. svolge la propria
opera valendosi si esperti civili e militari, italiani ed esteri, in piena liberta' di espressione di
pensiero.
Quanto contenuto negli studi pubblicati riflette quindi esclusivamente l'opinione del
Ricercatore e non quella del Ministero della Difesa.
Habib SEDEHI46
Habib Sedehi è stato fino al 2012 Professore
d’Informatica e titolare dei corsi di Laboratorio di
"Teoria dei Sistemi per la Simulazione dei processi
d’Impresa" e "Project Management per la gestione di
progetti d’Impresa" alla Facoltà di Scienze della
Comunicazione presso l’Università "La Sapienza" di
Roma. E’ stato il fondatore e il presidente eletto del
Chapter Italiano della System Dynamics Society
(SDS), nonché il referente Italiano fino al 2011.
Ha ricoperto il ruolo di membro del Comitato Direttivo dell’Associazione Italiana delle
Metriche del Software (GUFPI-ISMA) fino al 2012. Infine, ha rivestito il ruolo di Presidente
della Commissione "Rapporti Internazionali" all’Ordine degli Ingegneri della Provincia di
Roma (2010-2012). Attualmente è docente e libero professionista; svolge attività di
consulenza, è autore del libro "Ingegneria Economica del Software" ed altri testi.
45
http://www.difesa.it/SMD_/CASD/IM/CeMiSS/Pagine/default.aspx (ultima visita 2014 Gen 22)
46
http://it.linkedin.com/pub/habib-sedehi/3/a30/3a3 (ultima visita 2014 Gen 22)
infrastr_20140122_1533.doc
57
Author: P

SIMNOVA Cup 2015

ELENCO ELABORATI PROGETTO ESECUTIVO

红葡萄酒白葡萄酒起泡酒 - Vinitaly International

Elenchi Elettori.pdf - istituto comprensivo cavezzo

Circuito RLC serie 1415

C4B Doc

Author Index

Lista Vini Sfusi 2015 Listino prezzi (€/l)

Scaricare il libro Ecstasy