Vol. 13/ Núm. 3 2026 pág. 2033
https://doi.org/10.69639/arandu.v13i3.2520
Ecosistema emprendedor y comportamiento emprendedor en
estudiantes universitarios: simulación mediante un modelo
basado en agentes con inteligencia artificial
Entrepreneurial ecosystem and entrepreneurial behavior in university students:
simulation using an agent-based model with artificial intelligence
Gaby Vargas Vargas
https://orcid.org/0000-0002-4383-3200
gvargasv@unmsm.edu.pe
Universidad Nacional Mayor de San Marcos
Perú -Lima
Juan Victoriano Castillo Maza
https://orcid.org/0000-0002-6576-9203
jcastillom@unmsm.edu.pe
Universidad Nacional Mayor de San Marcos
Perú -Lima
José Ernesto Ventocilla Maestre
https://orcid.org/0000-0001-7598-5308
jose.ventocilla@unmsm.edu.pe
Universidad Nacional Mayor de San Marcos
Perú -Lima
Artículo recibido: 10 julio 2026- Aceptado para publicación:16 agosto 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El emprendimiento universitario constituye una trayectoria dinámica en la que interactúan
capacidades psicológicas, condiciones empresariales y mecanismos del ecosistema universitario.
El objetivo del estudio fue desarrollar y evaluar un modelo computacional basado en agentes para
simular el comportamiento emprendedor de estudiantes universitarios y examinar cómo distintas
configuraciones del ecosistema modifican las trayectorias desde la formación hasta el
crecimiento, la consolidación, el fracaso y el reintento. El modelo fue implementado en NetLogo
6.4.0 con una población inicial de 60 agentes y nueve estados secuenciales o contingentes. Se
incorporaron intención, autoeficacia, actitud, motivación empresarial, conocimiento, motivación
de logro, obstáculos, riesgo, desempeño y liquidez, junto con cinco componentes institucionales:
apoyo universitario, investigación, incubación, transferencia y vinculación. Se configuraron cinco
escenarios: base, universidad fuerte, incubación intensiva, ecosistema integral y crisis/barreras
altas. Las corridas diagnósticas observadas muestran que los escenarios de mayor apoyo
institucional favorecen trayectorias hacia crecimiento y consolidación, mientras que el escenario
de crisis incrementa la permanencia en estados de fracaso y reintento y reduce la presencia de
empresas activas. En la calibración temporal del escenario base, la consolidación aumentó de
Vol. 13/ Núm. 3 2026 pág. 2034
68.33 % en el tick 112 a 75.00 % en el tick 212 y se mantuvo en ese nivel hasta el tick 509,
mientras el riesgo promedio descendió de .155 a .078. Los resultados respaldan la utilidad del
enfoque basado en agentes para representar mecanismos no lineales, heterogeneidad y
dependencia temporal. El modelo constituye una plataforma experimental reproducible; la
estimación inferencial definitiva entre escenarios requiere completar y analizar las 500 réplicas
configuradas en BehaviorSpace.
Palabras clave: ecosistema emprendedor, comportamiento emprendedor, estudiantes
universitarios, simulación basada en agentes, inteligencia artificial
ABSTRACT
University entrepreneurship constitutes a dynamic trajectory in which psychological capabilities,
business conditions, and university ecosystem mechanisms interact. The objective was to develop
and evaluate an agent-based computational model to simulate entrepreneurial behavior among
university students and examine how ecosystem configurations modify trajectories from training
to growth, consolidation, failure, and retry. The model was implemented in NetLogo 6.4.0 with
an initial population of 60 agents and nine sequential or contingent states. It incorporated
intention, self-efficacy, attitude, e ntrepreneurial motivation, knowledge, achievement
motivation, obstacles, risk, performance, and liquidity, together with five institutional
components: university support, research, incubation, transfer, and linkage. Five scenarios were
configured: baseline, strong university, intensive incubation, integrated ecosystem, and
crisis/high barriers. Diagnostic runs indicate that stronger institutional support favors trajectories
toward growth and consolidation, whereas crisis increases persistence in failure and retry. In
baseline temporal calibration, consolidation increased from 68.33% at tick 112 to 75.00% at tick
212 and remained stable through tick 509, while average risk decreased from .155 to .078.
Definitive inferential estimation requires completing the 500 BehaviorSpace replications.
Keywords: entrepreneurial ecosystem, entrepreneurial behavior, university students,
agent-based simulation, artificial intelligence
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
68.33 % en el tick 112 a 75.00 % en el tick 212 y se mantuvo en ese nivel hasta el tick 509,
mientras el riesgo promedio descendió de .155 a .078. Los resultados respaldan la utilidad del
enfoque basado en agentes para representar mecanismos no lineales, heterogeneidad y
dependencia temporal. El modelo constituye una plataforma experimental reproducible; la
estimación inferencial definitiva entre escenarios requiere completar y analizar las 500 réplicas
configuradas en BehaviorSpace.
Palabras clave: ecosistema emprendedor, comportamiento emprendedor, estudiantes
universitarios, simulación basada en agentes, inteligencia artificial
ABSTRACT
University entrepreneurship constitutes a dynamic trajectory in which psychological capabilities,
business conditions, and university ecosystem mechanisms interact. The objective was to develop
and evaluate an agent-based computational model to simulate entrepreneurial behavior among
university students and examine how ecosystem configurations modify trajectories from training
to growth, consolidation, failure, and retry. The model was implemented in NetLogo 6.4.0 with
an initial population of 60 agents and nine sequential or contingent states. It incorporated
intention, self-efficacy, attitude, e ntrepreneurial motivation, knowledge, achievement
motivation, obstacles, risk, performance, and liquidity, together with five institutional
components: university support, research, incubation, transfer, and linkage. Five scenarios were
configured: baseline, strong university, intensive incubation, integrated ecosystem, and
crisis/high barriers. Diagnostic runs indicate that stronger institutional support favors trajectories
toward growth and consolidation, whereas crisis increases persistence in failure and retry. In
baseline temporal calibration, consolidation increased from 68.33% at tick 112 to 75.00% at tick
212 and remained stable through tick 509, while average risk decreased from .155 to .078.
Definitive inferential estimation requires completing the 500 BehaviorSpace replications.
Keywords: entrepreneurial ecosystem, entrepreneurial behavior, university students,
agent-based simulation, artificial intelligence
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 3 2026 pág. 2035
INTRODUCCIÓN
El emprendimiento universitario constituye un fenómeno multidimensional cuya
explicación no puede reducirse a la decisión individual de crear una empresa. Las universidades
participan en entornos donde convergen formación, investigación, incubación, transferencia de
conocimiento, vinculación y acceso a redes. En consecuencia, la emergencia y continuidad de una
iniciativa empresarial dependen de interacciones entre capacidades personales, decisiones,
recursos y condiciones institucionales. La revisión sistemática de Correia et al. (2024) muestra
que los ecosistemas de emprendimiento académico constituyen un campo creciente, aunque
todavía existe pluralidad conceptual respecto de sus componentes, límites y mecanismos de
funcionamiento.
Una parte importante de la literatura universitaria se ha concentrado en la intención
emprendedora. Maheshwari et al. (2023), al revisar investigaciones publicadas entre 2005 y 2022,
identificaron siete grandes grupos de determinantes: cognitivos, de personalidad, ambientales,
sociales, educativos, contextuales y demográficos. Xanthopoulou y Sahinidis (2024) también
señalan que la evidencia sobre los factores asociados con la intención no es completamente
homogénea. Esta diversidad sugiere que el comportamiento emprendedor requiere modelos
capaces de representar la interacción entre niveles explicativos y no únicamente relaciones
aisladas entre variables.
La teoría del comportamiento planificado proporciona uno de los marcos más influyentes
para comprender la formación de intenciones. Ajzen (1991) sostiene que la intención constituye
un antecedente próximo de la conducta y se relaciona con la actitud, la norma subjetiva y el control
conductual percibido. En emprendimiento, sin embargo, intención y acción no son equivalentes.
Kautonen et al. (2015), utilizando datos longitudinales, aportaron evidencia sobre la capacidad de
la teoría para predecir tanto intenciones de inicio empresarial como conducta posterior, y al mismo
tiempo subrayaron la relevancia metodológica de estudiar la transición entre ambas.
Esta distinción es central para el presente estudio. Un estudiante puede manifestar
intención de emprender sin llegar a crear una empresa; una empresa creada puede no superar la
fase de operación; una organización en crecimiento puede consolidarse o experimentar deterioro;
y el fracaso puede convertirse en un estado terminal o anteceder a un reintento. Por ello, la
trayectoria emprendedora debe concebirse como una secuencia de estados condicionada por
capacidades, restricciones y retroalimentaciones.
Entre los mecanismos individuales, la autoeficacia ocupa una posición relevante. Bandura
(1997) conceptualizó la autoeficacia como las creencias sobre la propia capacidad para organizar
y ejecutar cursos de acción. En el dominio emprendedor, Miao et al. (2017) sintetizaron evidencia
que vincula la autoeficacia emprendedora con el desempeño de la empresa, aunque dicha relación
depende de condiciones y moderadores. La autoeficacia, por tanto, no representa un resultado
INTRODUCCIÓN
El emprendimiento universitario constituye un fenómeno multidimensional cuya
explicación no puede reducirse a la decisión individual de crear una empresa. Las universidades
participan en entornos donde convergen formación, investigación, incubación, transferencia de
conocimiento, vinculación y acceso a redes. En consecuencia, la emergencia y continuidad de una
iniciativa empresarial dependen de interacciones entre capacidades personales, decisiones,
recursos y condiciones institucionales. La revisión sistemática de Correia et al. (2024) muestra
que los ecosistemas de emprendimiento académico constituyen un campo creciente, aunque
todavía existe pluralidad conceptual respecto de sus componentes, límites y mecanismos de
funcionamiento.
Una parte importante de la literatura universitaria se ha concentrado en la intención
emprendedora. Maheshwari et al. (2023), al revisar investigaciones publicadas entre 2005 y 2022,
identificaron siete grandes grupos de determinantes: cognitivos, de personalidad, ambientales,
sociales, educativos, contextuales y demográficos. Xanthopoulou y Sahinidis (2024) también
señalan que la evidencia sobre los factores asociados con la intención no es completamente
homogénea. Esta diversidad sugiere que el comportamiento emprendedor requiere modelos
capaces de representar la interacción entre niveles explicativos y no únicamente relaciones
aisladas entre variables.
La teoría del comportamiento planificado proporciona uno de los marcos más influyentes
para comprender la formación de intenciones. Ajzen (1991) sostiene que la intención constituye
un antecedente próximo de la conducta y se relaciona con la actitud, la norma subjetiva y el control
conductual percibido. En emprendimiento, sin embargo, intención y acción no son equivalentes.
Kautonen et al. (2015), utilizando datos longitudinales, aportaron evidencia sobre la capacidad de
la teoría para predecir tanto intenciones de inicio empresarial como conducta posterior, y al mismo
tiempo subrayaron la relevancia metodológica de estudiar la transición entre ambas.
Esta distinción es central para el presente estudio. Un estudiante puede manifestar
intención de emprender sin llegar a crear una empresa; una empresa creada puede no superar la
fase de operación; una organización en crecimiento puede consolidarse o experimentar deterioro;
y el fracaso puede convertirse en un estado terminal o anteceder a un reintento. Por ello, la
trayectoria emprendedora debe concebirse como una secuencia de estados condicionada por
capacidades, restricciones y retroalimentaciones.
Entre los mecanismos individuales, la autoeficacia ocupa una posición relevante. Bandura
(1997) conceptualizó la autoeficacia como las creencias sobre la propia capacidad para organizar
y ejecutar cursos de acción. En el dominio emprendedor, Miao et al. (2017) sintetizaron evidencia
que vincula la autoeficacia emprendedora con el desempeño de la empresa, aunque dicha relación
depende de condiciones y moderadores. La autoeficacia, por tanto, no representa un resultado
Vol. 13/ Núm. 3 2026 pág. 2036
aislado, sino un mecanismo que puede influir en persistencia, decisión y respuesta frente a
dificultades.
La educación y el soporte universitario tampoco deben asumirse como intervenciones de
efecto uniforme. Bae et al. (2014), en un metaanálisis de 73 estudios y 37,285 participantes,
encontraron una asociación positiva pero pequeña entre educación emprendedora e intención
emprendedora; al controlar la intención previa, la relación dejó de ser significativa. Este hallazgo
advierte contra interpretaciones lineales según las cuales una mayor exposición educativa
produciría automáticamente mayor intención o creación empresarial. El efecto puede depender
de características previas del estudiante, diseño de la intervención y condiciones del contexto.
Desde una perspectiva ecosistémica, el problema se amplía. Los apoyos universitarios
pueden actuar en momentos diferentes de la trayectoria: la formación puede fortalecer
conocimiento; la investigación puede ampliar oportunidades basadas en conocimiento; la
incubación puede reducir barreras de planificación y creación; la transferencia puede facilitar el
paso desde conocimiento a aplicación; y la vinculación puede ampliar redes y recursos durante la
operación y el crecimiento. La revisión de Correia et al. (2024) respalda la necesidad de analizar
las instituciones de educación superior como componentes de ecosistemas emprendedores y no
como actores aislados.
El carácter temporal y heterogéneo del fenómeno plantea una limitación para
aproximaciones exclusivamente transversales. Un modelo estadístico puede estimar relaciones
promedio entre variables, pero no necesariamente representa de manera explícita cómo agentes
heterogéneos cambian de estado, cuánto permanecen en cada fase, qué condiciones producen
fracaso o qué mecanismos favorecen un reintento. La simulación basada en agentes ofrece una
estrategia complementaria porque permite formalizar reglas micro, ejecutar trayectorias
temporales y observar patrones agregados emergentes.
Los modelos basados en agentes requieren, sin embargo, transparencia y
reproducibilidad. Grimm et al. (2020) actualizaron el protocolo ODD —Overview, Design
concepts and Details— como estándar para describir la estructura y dinámica de modelos
individuales y basados en agentes. El protocolo enfatiza propósito, entidades, variables, escalas,
procesos, inicialización y submodelos, y promueve una descripción suficientemente precisa para
facilitar comprensión, evaluación y replicación. Estudios recientes de replicación muestran que
la combinación de ODD y NetLogo puede mejorar la coherencia de la documentación y revelar
omisiones en parámetros, reglas o programación (Grimm et al., 2024).
En paralelo, el concepto de gemelo digital ha ampliado el interés por representaciones
virtuales capaces de reflejar sistemas reales. No obstante, la denominación exige cautela. Fuller
et al. (2020) destacan la relación entre entidad física, representación digital y tecnologías de
conexión como elemento central de los gemelos digitales. En consecuencia, una simulación
autónoma no debe presentarse automáticamente como un gemelo digital plenamente operativo.
aislado, sino un mecanismo que puede influir en persistencia, decisión y respuesta frente a
dificultades.
La educación y el soporte universitario tampoco deben asumirse como intervenciones de
efecto uniforme. Bae et al. (2014), en un metaanálisis de 73 estudios y 37,285 participantes,
encontraron una asociación positiva pero pequeña entre educación emprendedora e intención
emprendedora; al controlar la intención previa, la relación dejó de ser significativa. Este hallazgo
advierte contra interpretaciones lineales según las cuales una mayor exposición educativa
produciría automáticamente mayor intención o creación empresarial. El efecto puede depender
de características previas del estudiante, diseño de la intervención y condiciones del contexto.
Desde una perspectiva ecosistémica, el problema se amplía. Los apoyos universitarios
pueden actuar en momentos diferentes de la trayectoria: la formación puede fortalecer
conocimiento; la investigación puede ampliar oportunidades basadas en conocimiento; la
incubación puede reducir barreras de planificación y creación; la transferencia puede facilitar el
paso desde conocimiento a aplicación; y la vinculación puede ampliar redes y recursos durante la
operación y el crecimiento. La revisión de Correia et al. (2024) respalda la necesidad de analizar
las instituciones de educación superior como componentes de ecosistemas emprendedores y no
como actores aislados.
El carácter temporal y heterogéneo del fenómeno plantea una limitación para
aproximaciones exclusivamente transversales. Un modelo estadístico puede estimar relaciones
promedio entre variables, pero no necesariamente representa de manera explícita cómo agentes
heterogéneos cambian de estado, cuánto permanecen en cada fase, qué condiciones producen
fracaso o qué mecanismos favorecen un reintento. La simulación basada en agentes ofrece una
estrategia complementaria porque permite formalizar reglas micro, ejecutar trayectorias
temporales y observar patrones agregados emergentes.
Los modelos basados en agentes requieren, sin embargo, transparencia y
reproducibilidad. Grimm et al. (2020) actualizaron el protocolo ODD —Overview, Design
concepts and Details— como estándar para describir la estructura y dinámica de modelos
individuales y basados en agentes. El protocolo enfatiza propósito, entidades, variables, escalas,
procesos, inicialización y submodelos, y promueve una descripción suficientemente precisa para
facilitar comprensión, evaluación y replicación. Estudios recientes de replicación muestran que
la combinación de ODD y NetLogo puede mejorar la coherencia de la documentación y revelar
omisiones en parámetros, reglas o programación (Grimm et al., 2024).
En paralelo, el concepto de gemelo digital ha ampliado el interés por representaciones
virtuales capaces de reflejar sistemas reales. No obstante, la denominación exige cautela. Fuller
et al. (2020) destacan la relación entre entidad física, representación digital y tecnologías de
conexión como elemento central de los gemelos digitales. En consecuencia, una simulación
autónoma no debe presentarse automáticamente como un gemelo digital plenamente operativo.
Vol. 13/ Núm. 3 2026 pág. 2037
En este artículo se utiliza la expresión prototipo de modelo de gemelo digital basado en agentes
para indicar que la arquitectura computacional está diseñada para representar y experimentar con
un sistema de referencia, pero aún requiere calibración y validación mediante datos externos antes
de afirmar sincronización con una contraparte real.
A partir de esta literatura se identifica una oportunidad de integración. En el plano teórico,
resulta pertinente vincular mecanismos psicológicos, condiciones empresariales y apoyos
universitarios dentro de una misma trayectoria. En el plano metodológico, se requiere representar
explícitamente transición, permanencia, heterogeneidad, fracaso y reintento. En el plano aplicado,
un entorno virtual permite comparar configuraciones institucionales antes de trasladar decisiones
al sistema real. Estas oportunidades no sustituyen la investigación empírica; la complementan
mediante experimentación computacional controlada.
En consecuencia, la pregunta de investigación es: ¿cómo interactúan las capacidades
psicológicas del estudiante emprendedor y los apoyos del ecosistema universitario para configurar
sus trayectorias desde la formación y la intención hasta la creación, el crecimiento, la
consolidación, el fracaso y el reintento? El objetivo general fue desarrollar y evaluar un modelo
computacional basado en agentes que simule el comportamiento emprendedor en estudiantes
universitarios e integre factores psicológicos, empresariales y ecosistémicos bajo escenarios
alternativos de apoyo y restricción. De manera específica, se buscó: (a) formalizar las reglas de
transición entre etapas; (b) representar la influencia diferencial de los componentes del
ecosistema; (c) verificar la coherencia funcional del modelo; y (d) comparar patrones emergentes
observables bajo cinco configuraciones experimentales.
Emprendimiento como trayectoria y no como evento aislado
El enfoque adoptado considera el emprendimiento como un proceso de transición entre
estados. Esta decisión conceptual permite distinguir antecedentes psicológicos, acciones de
preparación, creación organizacional y resultados posteriores. La secuencia no implica
determinismo: establece un orden lógico mínimo para que la creación y consolidación no
aparezcan sin etapas antecedentes. En el modelo, todos los agentes comienzan en formación y
deben cumplir condiciones de permanencia y umbrales antes de avanzar.
La separación entre intención y acción es consistente con la literatura que advierte una
brecha entre ambas. Kautonen et al. (2015) mostraron que la intención puede predecir conducta
posterior, pero su traducción en acción requiere seguimiento temporal. En términos
computacionales, esta idea se representa evitando que la intención sea equivalente a creación: el
agente debe transitar por planificación y satisfacer condiciones adicionales antes de crear una
empresa.
El fracaso se incorpora como estado contingente y no como fase obligatoria. Esta decisión
evita imponer artificialmente una experiencia negativa a todos los agentes. El reintento, a su vez,
representa una trayectoria de recuperación: después de un período mínimo en fracaso, un agente
En este artículo se utiliza la expresión prototipo de modelo de gemelo digital basado en agentes
para indicar que la arquitectura computacional está diseñada para representar y experimentar con
un sistema de referencia, pero aún requiere calibración y validación mediante datos externos antes
de afirmar sincronización con una contraparte real.
A partir de esta literatura se identifica una oportunidad de integración. En el plano teórico,
resulta pertinente vincular mecanismos psicológicos, condiciones empresariales y apoyos
universitarios dentro de una misma trayectoria. En el plano metodológico, se requiere representar
explícitamente transición, permanencia, heterogeneidad, fracaso y reintento. En el plano aplicado,
un entorno virtual permite comparar configuraciones institucionales antes de trasladar decisiones
al sistema real. Estas oportunidades no sustituyen la investigación empírica; la complementan
mediante experimentación computacional controlada.
En consecuencia, la pregunta de investigación es: ¿cómo interactúan las capacidades
psicológicas del estudiante emprendedor y los apoyos del ecosistema universitario para configurar
sus trayectorias desde la formación y la intención hasta la creación, el crecimiento, la
consolidación, el fracaso y el reintento? El objetivo general fue desarrollar y evaluar un modelo
computacional basado en agentes que simule el comportamiento emprendedor en estudiantes
universitarios e integre factores psicológicos, empresariales y ecosistémicos bajo escenarios
alternativos de apoyo y restricción. De manera específica, se buscó: (a) formalizar las reglas de
transición entre etapas; (b) representar la influencia diferencial de los componentes del
ecosistema; (c) verificar la coherencia funcional del modelo; y (d) comparar patrones emergentes
observables bajo cinco configuraciones experimentales.
Emprendimiento como trayectoria y no como evento aislado
El enfoque adoptado considera el emprendimiento como un proceso de transición entre
estados. Esta decisión conceptual permite distinguir antecedentes psicológicos, acciones de
preparación, creación organizacional y resultados posteriores. La secuencia no implica
determinismo: establece un orden lógico mínimo para que la creación y consolidación no
aparezcan sin etapas antecedentes. En el modelo, todos los agentes comienzan en formación y
deben cumplir condiciones de permanencia y umbrales antes de avanzar.
La separación entre intención y acción es consistente con la literatura que advierte una
brecha entre ambas. Kautonen et al. (2015) mostraron que la intención puede predecir conducta
posterior, pero su traducción en acción requiere seguimiento temporal. En términos
computacionales, esta idea se representa evitando que la intención sea equivalente a creación: el
agente debe transitar por planificación y satisfacer condiciones adicionales antes de crear una
empresa.
El fracaso se incorpora como estado contingente y no como fase obligatoria. Esta decisión
evita imponer artificialmente una experiencia negativa a todos los agentes. El reintento, a su vez,
representa una trayectoria de recuperación: después de un período mínimo en fracaso, un agente
Vol. 13/ Núm. 3 2026 pág. 2038
con motivación, intención y apoyo suficientes puede ingresar en reintento y regresar a
planificación. Así, el modelo permite estudiar resiliencia procesual sin asumir que el fracaso
conduce necesariamente a salida definitiva.
Capacidades psicológicas del emprendedor
La arquitectura psicológica integra intención, autoeficacia, actitud, motivación
empresarial, conocimiento, obstáculos percibidos y motivación de logro. Estas variables no
pretenden agotar la psicología del emprendimiento; constituyen una selección funcional para
representar mecanismos relevantes en las transiciones. La intención se modela como una función
de capacidades facilitadoras y obstáculos, mientras que otras variables cambian por experiencia
y apoyo del ecosistema.
Ajzen (1991) ofrece el fundamento para considerar la intención como antecedente
proximal de la conducta planificada. La actitud forma parte de esa arquitectura y expresa una
valoración favorable o desfavorable hacia la acción. La autoeficacia se incorpora desde la teoría
social cognitiva de Bandura (1997), dado que la percepción de capacidad puede afectar
persistencia y ejecución. La evidencia metaanalítica de Miao et al. (2017) respalda su relevancia
para resultados empresariales, sin justificar por sí sola una relación determinista.
La motivación y el conocimiento se incorporan como recursos internos que pueden
evolucionar. Esta decisión permite representar que la experiencia acumulada y el soporte
institucional modifican capacidades del agente. Los obstáculos operan en dirección contraria:
elevadas barreras reducen la intención y, junto con la volatilidad del mercado, contribuyen al
riesgo. La combinación produce una representación dinámica en la que la misma configuración
institucional puede generar trayectorias distintas según el estado inicial de cada agente.
Ecosistema universitario como arquitectura de apoyo
El ecosistema universitario se desagrega en cinco componentes: apoyo universitario,
investigación, incubación, transferencia y vinculación. La desagregación evita tratar a la
universidad como una variable monolítica. Correia et al. (2024) muestran que la investigación
sobre ecosistemas de emprendimiento académico comprende múltiples actores, mecanismos y
niveles; por ello, la modelización debe permitir configuraciones alternativas.
En el modelo, los apoyos actúan de manera contingente al estado. Universidad e
investigación tienen mayor influencia durante formación e intención; incubación e investigación
operan durante planificación; incubación y transferencia intervienen en creación; vinculación y
transferencia afectan operación, crecimiento y consolidación; y apoyo al reinicio e incubación
intervienen durante reintento. Esta estructura constituye una hipótesis computacional que deberá
calibrarse con evidencia empírica.
Las relaciones programadas no se interpretan como efectos causales empíricamente
demostrados. Son mecanismos formalizados para explorar consecuencias lógicas. La utilidad
con motivación, intención y apoyo suficientes puede ingresar en reintento y regresar a
planificación. Así, el modelo permite estudiar resiliencia procesual sin asumir que el fracaso
conduce necesariamente a salida definitiva.
Capacidades psicológicas del emprendedor
La arquitectura psicológica integra intención, autoeficacia, actitud, motivación
empresarial, conocimiento, obstáculos percibidos y motivación de logro. Estas variables no
pretenden agotar la psicología del emprendimiento; constituyen una selección funcional para
representar mecanismos relevantes en las transiciones. La intención se modela como una función
de capacidades facilitadoras y obstáculos, mientras que otras variables cambian por experiencia
y apoyo del ecosistema.
Ajzen (1991) ofrece el fundamento para considerar la intención como antecedente
proximal de la conducta planificada. La actitud forma parte de esa arquitectura y expresa una
valoración favorable o desfavorable hacia la acción. La autoeficacia se incorpora desde la teoría
social cognitiva de Bandura (1997), dado que la percepción de capacidad puede afectar
persistencia y ejecución. La evidencia metaanalítica de Miao et al. (2017) respalda su relevancia
para resultados empresariales, sin justificar por sí sola una relación determinista.
La motivación y el conocimiento se incorporan como recursos internos que pueden
evolucionar. Esta decisión permite representar que la experiencia acumulada y el soporte
institucional modifican capacidades del agente. Los obstáculos operan en dirección contraria:
elevadas barreras reducen la intención y, junto con la volatilidad del mercado, contribuyen al
riesgo. La combinación produce una representación dinámica en la que la misma configuración
institucional puede generar trayectorias distintas según el estado inicial de cada agente.
Ecosistema universitario como arquitectura de apoyo
El ecosistema universitario se desagrega en cinco componentes: apoyo universitario,
investigación, incubación, transferencia y vinculación. La desagregación evita tratar a la
universidad como una variable monolítica. Correia et al. (2024) muestran que la investigación
sobre ecosistemas de emprendimiento académico comprende múltiples actores, mecanismos y
niveles; por ello, la modelización debe permitir configuraciones alternativas.
En el modelo, los apoyos actúan de manera contingente al estado. Universidad e
investigación tienen mayor influencia durante formación e intención; incubación e investigación
operan durante planificación; incubación y transferencia intervienen en creación; vinculación y
transferencia afectan operación, crecimiento y consolidación; y apoyo al reinicio e incubación
intervienen durante reintento. Esta estructura constituye una hipótesis computacional que deberá
calibrarse con evidencia empírica.
Las relaciones programadas no se interpretan como efectos causales empíricamente
demostrados. Son mecanismos formalizados para explorar consecuencias lógicas. La utilidad
Vol. 13/ Núm. 3 2026 pág. 2039
científica de la simulación reside precisamente en hacer explícitos esos supuestos, someterlos a
análisis de sensibilidad y contrastarlos posteriormente con datos observados.
Hipótesis de simulación
H1: Mayores niveles de apoyo universitario e investigación favorecerán la progresión desde
formación e intención hacia planificación mediante el fortalecimiento del conocimiento y la
actitud.
H2: La incubación y la transferencia favorecerán la transición desde planificación y
creación hacia operación al fortalecer conocimiento, autoeficacia y motivación de logro.
H3: La vinculación y la transferencia favorecerán el desempeño y la continuidad durante
operación, crecimiento y consolidación.
H4: Mayores obstáculos y volatilidad incrementarán el riesgo y la probabilidad de fracaso,
reduciendo crecimiento y consolidación.
H5: El apoyo al reinicio favorecerá la transición desde fracaso hacia reintento y el retorno
a planificación.
H6: El ecosistema integral generará trayectorias más favorables hacia crecimiento y
consolidación que el escenario base, mientras que crisis/barreras altas generará mayor fracaso y
reintento.
MATERIALES Y MÉTODOS
Diseño
Se desarrolló un estudio metodológico de simulación computacional basado en agentes.
La finalidad del modelo es explicativa y experimental: representar mecanismos hipotetizados de
la trayectoria emprendedora y evaluar cómo configuraciones alternativas del ecosistema
modifican patrones agregados. El modelo fue implementado en NetLogo 6.4.0. Para su
documentación se adoptan los principios del protocolo ODD propuesto por Grimm et al. (2020),
con énfasis en propósito, entidades, variables, procesos, inicialización y submodelos.
Entidades, unidad de análisis y escala temporal
La unidad computacional es el agente emprendedor. Cada ejecución se inicializa con 60
agentes. Todos comienzan en el estado FORMACIÓN y evolucionan en tiempo discreto medido
en ticks. Un tick representa un período abstracto de actualización y no se equipara todavía a días,
semanas o meses; dicha equivalencia requiere calibración empírica. En cada tick se actualizan
capacidades, condiciones empresariales, riesgo, apoyo recibido y reglas de transición.
científica de la simulación reside precisamente en hacer explícitos esos supuestos, someterlos a
análisis de sensibilidad y contrastarlos posteriormente con datos observados.
Hipótesis de simulación
H1: Mayores niveles de apoyo universitario e investigación favorecerán la progresión desde
formación e intención hacia planificación mediante el fortalecimiento del conocimiento y la
actitud.
H2: La incubación y la transferencia favorecerán la transición desde planificación y
creación hacia operación al fortalecer conocimiento, autoeficacia y motivación de logro.
H3: La vinculación y la transferencia favorecerán el desempeño y la continuidad durante
operación, crecimiento y consolidación.
H4: Mayores obstáculos y volatilidad incrementarán el riesgo y la probabilidad de fracaso,
reduciendo crecimiento y consolidación.
H5: El apoyo al reinicio favorecerá la transición desde fracaso hacia reintento y el retorno
a planificación.
H6: El ecosistema integral generará trayectorias más favorables hacia crecimiento y
consolidación que el escenario base, mientras que crisis/barreras altas generará mayor fracaso y
reintento.
MATERIALES Y MÉTODOS
Diseño
Se desarrolló un estudio metodológico de simulación computacional basado en agentes.
La finalidad del modelo es explicativa y experimental: representar mecanismos hipotetizados de
la trayectoria emprendedora y evaluar cómo configuraciones alternativas del ecosistema
modifican patrones agregados. El modelo fue implementado en NetLogo 6.4.0. Para su
documentación se adoptan los principios del protocolo ODD propuesto por Grimm et al. (2020),
con énfasis en propósito, entidades, variables, procesos, inicialización y submodelos.
Entidades, unidad de análisis y escala temporal
La unidad computacional es el agente emprendedor. Cada ejecución se inicializa con 60
agentes. Todos comienzan en el estado FORMACIÓN y evolucionan en tiempo discreto medido
en ticks. Un tick representa un período abstracto de actualización y no se equipara todavía a días,
semanas o meses; dicha equivalencia requiere calibración empírica. En cada tick se actualizan
capacidades, condiciones empresariales, riesgo, apoyo recibido y reglas de transición.
Vol. 13/ Núm. 3 2026 pág. 2040
Estados del ciclo emprendedor
Tabla 1
Estados y permanencia mínima del modelo
Estado Permanencia mínima Función en el modelo
Formación 4 Desarrollo inicial de
conocimiento y actitud.
Intención 4 Maduración de disposición
emprendedora.
Planificación 5 Preparación de la iniciativa
antes de creación.
Creación 5 Constitución/inicio; expuesta
a riesgo y fracaso.
Operación 6 Funcionamiento empresarial
previo al crecimiento.
Crecimiento 8 Escalamiento previo a
consolidación.
Consolidación 10 antes de evaluar crisis
extrema
Estado productivo final;
puede deteriorarse bajo crisis
extrema.
Fracaso 5
Estado contingente por
pérdidas, baja liquidez o
riesgo elevado.
Reintento 5
Reconfiguración que retorna a
planificación si se cumplen
condiciones.
Nota. La permanencia mínima se expresa en ticks del modelo.
Variables y formalización psicológica
La intención se calcula mediante una combinación lineal limitada al intervalo [0,1]. En
la versión actual, la ecuación programada es: intención = 0.22(autoeficacia) + 0.18(actitud) +
0.15(motivación empresarial) + 0.15(conocimiento) - 0.12(obstáculos) + 0.20(motivación de
logro). Los coeficientes son provisionales y constituyen parámetros teóricos del prototipo; no
deben interpretarse como estimaciones empíricas. Su reemplazo futuro por coeficientes obtenidos
mediante datos observados forma parte del plan de calibración.
El uso de coeficientes provisionales es metodológicamente admisible en una fase de
prototipado siempre que se haga explícito y se someta a análisis de sensibilidad. La validez del
modelo no depende de la complejidad de su interfaz, sino de la trazabilidad entre teoría, regla
programada, comportamiento emergente y evidencia externa.
Reglas de transición
Tabla 2
Reglas de transición del ciclo emprendedor
Transición Condición principal
Formación → Intención tiempo ≥ 4 e intención ≥ .38
Intención → Planificación tiempo ≥ 4, intención ≥ .46 y conocimiento ≥
.34
Planificación → Creación tiempo ≥ 5, intención ≥ .50 y autoeficacia ≥
.40
Estados del ciclo emprendedor
Tabla 1
Estados y permanencia mínima del modelo
Estado Permanencia mínima Función en el modelo
Formación 4 Desarrollo inicial de
conocimiento y actitud.
Intención 4 Maduración de disposición
emprendedora.
Planificación 5 Preparación de la iniciativa
antes de creación.
Creación 5 Constitución/inicio; expuesta
a riesgo y fracaso.
Operación 6 Funcionamiento empresarial
previo al crecimiento.
Crecimiento 8 Escalamiento previo a
consolidación.
Consolidación 10 antes de evaluar crisis
extrema
Estado productivo final;
puede deteriorarse bajo crisis
extrema.
Fracaso 5
Estado contingente por
pérdidas, baja liquidez o
riesgo elevado.
Reintento 5
Reconfiguración que retorna a
planificación si se cumplen
condiciones.
Nota. La permanencia mínima se expresa en ticks del modelo.
Variables y formalización psicológica
La intención se calcula mediante una combinación lineal limitada al intervalo [0,1]. En
la versión actual, la ecuación programada es: intención = 0.22(autoeficacia) + 0.18(actitud) +
0.15(motivación empresarial) + 0.15(conocimiento) - 0.12(obstáculos) + 0.20(motivación de
logro). Los coeficientes son provisionales y constituyen parámetros teóricos del prototipo; no
deben interpretarse como estimaciones empíricas. Su reemplazo futuro por coeficientes obtenidos
mediante datos observados forma parte del plan de calibración.
El uso de coeficientes provisionales es metodológicamente admisible en una fase de
prototipado siempre que se haga explícito y se someta a análisis de sensibilidad. La validez del
modelo no depende de la complejidad de su interfaz, sino de la trazabilidad entre teoría, regla
programada, comportamiento emergente y evidencia externa.
Reglas de transición
Tabla 2
Reglas de transición del ciclo emprendedor
Transición Condición principal
Formación → Intención tiempo ≥ 4 e intención ≥ .38
Intención → Planificación tiempo ≥ 4, intención ≥ .46 y conocimiento ≥
.34
Planificación → Creación tiempo ≥ 5, intención ≥ .50 y autoeficacia ≥
.40
Vol. 13/ Núm. 3 2026 pág. 2041
Creación → Operación
tiempo ≥ 5, autoeficacia ≥ .46, motivación de
logro ≥ .46 y liquidez > .28, sin condición de
fracaso
Operación → Crecimiento tiempo ≥ 6, intención ≥ .56, desempeño ≥
.52, liquidez ≥ .30 y riesgo < .62
Crecimiento → Consolidación
tiempo ≥ 8, intención ≥ .62, conocimiento ≥
.54, autoeficacia ≥ .54, desempeño ≥ .55 y
liquidez ≥ .36
Fracaso → Reintento tiempo ≥ 5, motivación de logro ≥ .42,
intención ≥ .38 y apoyo al reinicio ≥ .35
Reintento → Planificación tiempo ≥ 5, intención ≥ .44, autoeficacia ≥
.38 y liquidez ≥ .20
El fracaso puede activarse en creación, operación o crecimiento cuando se cumplen
condiciones de pérdidas acumuladas, liquidez insuficiente o riesgo elevado. En consolidación
solo se evalúa después de una permanencia mínima y bajo condiciones extremas. El código
incorpora una validación de transiciones permitidas para impedir saltos de estado y registra como
máximo una transición por tick.
Escenarios experimentales
Tabla 3
Configuración de los cinco escenarios experimentales
Escenari
o
Universid
ad
I+
D
Incubaci
ón
Transferen
cia
Vinculaci
ón
Presión
obstácul
os
Volatilid
ad
Base .70 .60 .70 .60 .65 .35 .35
Universid
ad fuerte .95 .85 .75 .65 .70 .22 .30
Incubació
n
intensiva
.75 .70 1.00 .90 .75 .25 .30
Ecosiste
ma
integral
.95 .90 .95 .90 .95 .15 .22
Crisis /
barreras
altas
.40 .35 .35 .30 .35 .90 .90
Nota. Los parámetros se expresan en una escala de 0 a 1.
Además de los parámetros mostrados, cada escenario configura apoyo al reinicio,
intensidad de IA e influencia de pares. El escenario base funciona como referencia; universidad
fuerte intensifica especialmente universidad e investigación; incubación intensiva eleva
incubación y transferencia; ecosistema integral combina niveles altos de apoyo con menores
barreras; y crisis/barreras altas reduce apoyos e incrementa presión de obstáculos y volatilidad.
Creación → Operación
tiempo ≥ 5, autoeficacia ≥ .46, motivación de
logro ≥ .46 y liquidez > .28, sin condición de
fracaso
Operación → Crecimiento tiempo ≥ 6, intención ≥ .56, desempeño ≥
.52, liquidez ≥ .30 y riesgo < .62
Crecimiento → Consolidación
tiempo ≥ 8, intención ≥ .62, conocimiento ≥
.54, autoeficacia ≥ .54, desempeño ≥ .55 y
liquidez ≥ .36
Fracaso → Reintento tiempo ≥ 5, motivación de logro ≥ .42,
intención ≥ .38 y apoyo al reinicio ≥ .35
Reintento → Planificación tiempo ≥ 5, intención ≥ .44, autoeficacia ≥
.38 y liquidez ≥ .20
El fracaso puede activarse en creación, operación o crecimiento cuando se cumplen
condiciones de pérdidas acumuladas, liquidez insuficiente o riesgo elevado. En consolidación
solo se evalúa después de una permanencia mínima y bajo condiciones extremas. El código
incorpora una validación de transiciones permitidas para impedir saltos de estado y registra como
máximo una transición por tick.
Escenarios experimentales
Tabla 3
Configuración de los cinco escenarios experimentales
Escenari
o
Universid
ad
I+
D
Incubaci
ón
Transferen
cia
Vinculaci
ón
Presión
obstácul
os
Volatilid
ad
Base .70 .60 .70 .60 .65 .35 .35
Universid
ad fuerte .95 .85 .75 .65 .70 .22 .30
Incubació
n
intensiva
.75 .70 1.00 .90 .75 .25 .30
Ecosiste
ma
integral
.95 .90 .95 .90 .95 .15 .22
Crisis /
barreras
altas
.40 .35 .35 .30 .35 .90 .90
Nota. Los parámetros se expresan en una escala de 0 a 1.
Además de los parámetros mostrados, cada escenario configura apoyo al reinicio,
intensidad de IA e influencia de pares. El escenario base funciona como referencia; universidad
fuerte intensifica especialmente universidad e investigación; incubación intensiva eleva
incubación y transferencia; ecosistema integral combina niveles altos de apoyo con menores
barreras; y crisis/barreras altas reduce apoyos e incrementa presión de obstáculos y volatilidad.
Vol. 13/ Núm. 3 2026 pág. 2042
Figura 1
Configuración comparativa del apoyo ecosistémico por escenario
Nota. El índice corresponde al promedio simple de universidad, I+D, incubación, transferencia y vinculación; se
utiliza únicamente como síntesis descriptiva de la configuración.
Verificación computacional
La verificación se realizó de forma iterativa mediante revisión del código, controles
internos y pruebas de ejecución. Se comprobaron: conservación de la población en nueve estados;
consistencia de perfiles; correspondencia entre causas de fracaso y fracasos acumulados;
restricción de indicadores al intervalo esperado; correspondencia de la etapa dominante con el
máximo real; ausencia de una etapa crítica artificial cuando no existen agentes en las etapas de
flujo; y bloqueo de transiciones no permitidas. Asimismo, se corrigieron referencias espaciales
fuera del mundo configurado y se reorganizó la inicialización del contador de ticks.
Calibración temporal
Antes de fijar el horizonte de BehaviorSpace se efectuó una corrida manual de
calibración. Se registraron estados e indicadores aproximadamente a 112, 212, 312 y 509 ticks.
El propósito no fue estimar efectos poblacionales, sino identificar un horizonte suficientemente
largo para capturar estabilización estructural sin prolongar innecesariamente la simulación.
Figura 1
Configuración comparativa del apoyo ecosistémico por escenario
Nota. El índice corresponde al promedio simple de universidad, I+D, incubación, transferencia y vinculación; se
utiliza únicamente como síntesis descriptiva de la configuración.
Verificación computacional
La verificación se realizó de forma iterativa mediante revisión del código, controles
internos y pruebas de ejecución. Se comprobaron: conservación de la población en nueve estados;
consistencia de perfiles; correspondencia entre causas de fracaso y fracasos acumulados;
restricción de indicadores al intervalo esperado; correspondencia de la etapa dominante con el
máximo real; ausencia de una etapa crítica artificial cuando no existen agentes en las etapas de
flujo; y bloqueo de transiciones no permitidas. Asimismo, se corrigieron referencias espaciales
fuera del mundo configurado y se reorganizó la inicialización del contador de ticks.
Calibración temporal
Antes de fijar el horizonte de BehaviorSpace se efectuó una corrida manual de
calibración. Se registraron estados e indicadores aproximadamente a 112, 212, 312 y 509 ticks.
El propósito no fue estimar efectos poblacionales, sino identificar un horizonte suficientemente
largo para capturar estabilización estructural sin prolongar innecesariamente la simulación.
Vol. 13/ Núm. 3 2026 pág. 2043
Figura 2
Evolución de consolidación y crecimiento durante la calibración temporal
Nota. La estabilización de la distribución de estados ocurre antes que la estabilización de todas las variables internas
Tabla 4
Calibración temporal observada en el escenario base
Tick Consolidación Crecimiento Operación Riesgo Avance
promedio
112 68.33 % (41) 30.00 % (18) 1.67 % (1) .155 6.67
212 75.00 % (45) 25.00 % (15) 0 .108 6.75
312 75.00 % (45) 25.00 % (15) 0 .090 6.75
509 75.00 % (45) 25.00 % (15) 0 .078 6.75
Nota. Valores procedentes de una corrida de calibración temporal; no son medias de las 100 réplicas.
Diseño experimental con BehaviorSpace
El protocolo definitivo se configuró mediante BehaviorSpace, herramienta integrada en
NetLogo para ejecutar múltiples repeticiones y registrar métricas. Se definieron cinco
experimentos, uno por escenario, con 100 réplicas independientes y un límite de 500 ticks por
réplica, para un total previsto de 500 ejecuciones. BehaviorSpace permite repetir
sistemáticamente un modelo y registrar resultados, lo que facilita explorar el espacio de
comportamientos y cuantificar variabilidad entre ejecuciones.
Las métricas programadas incluyen ticks, empresa activa, consolidación, fracaso,
reintento, avance promedio, fracasos acumulados, reintentos activados, transiciones, intención,
autoeficacia, actitud, motivación empresarial, conocimiento, obstáculos, motivación de logro,
riesgo, desempeño, liquidez e índice del ecosistema.
Estrategia de análisis
Una vez disponibles los archivos de BehaviorSpace, el análisis definitivo deberá verificar
integridad de las 100 réplicas por escenario, datos faltantes y ejecuciones anómalas. Para cada
Figura 2
Evolución de consolidación y crecimiento durante la calibración temporal
Nota. La estabilización de la distribución de estados ocurre antes que la estabilización de todas las variables internas
Tabla 4
Calibración temporal observada en el escenario base
Tick Consolidación Crecimiento Operación Riesgo Avance
promedio
112 68.33 % (41) 30.00 % (18) 1.67 % (1) .155 6.67
212 75.00 % (45) 25.00 % (15) 0 .108 6.75
312 75.00 % (45) 25.00 % (15) 0 .090 6.75
509 75.00 % (45) 25.00 % (15) 0 .078 6.75
Nota. Valores procedentes de una corrida de calibración temporal; no son medias de las 100 réplicas.
Diseño experimental con BehaviorSpace
El protocolo definitivo se configuró mediante BehaviorSpace, herramienta integrada en
NetLogo para ejecutar múltiples repeticiones y registrar métricas. Se definieron cinco
experimentos, uno por escenario, con 100 réplicas independientes y un límite de 500 ticks por
réplica, para un total previsto de 500 ejecuciones. BehaviorSpace permite repetir
sistemáticamente un modelo y registrar resultados, lo que facilita explorar el espacio de
comportamientos y cuantificar variabilidad entre ejecuciones.
Las métricas programadas incluyen ticks, empresa activa, consolidación, fracaso,
reintento, avance promedio, fracasos acumulados, reintentos activados, transiciones, intención,
autoeficacia, actitud, motivación empresarial, conocimiento, obstáculos, motivación de logro,
riesgo, desempeño, liquidez e índice del ecosistema.
Estrategia de análisis
Una vez disponibles los archivos de BehaviorSpace, el análisis definitivo deberá verificar
integridad de las 100 réplicas por escenario, datos faltantes y ejecuciones anómalas. Para cada
Vol. 13/ Núm. 3 2026 pág. 2044
métrica se calcularán media, desviación estándar, mediana, rango intercuartílico e intervalos de
confianza. Las comparaciones entre escenarios deberán acompañarse de tamaños de efecto y
análisis de distribución, evitando limitar la interpretación a diferencias de medias. Dado que los
resultados provienen de simulación, la inferencia se referirá al comportamiento del modelo bajo
sus supuestos y no directamente a una población humana.
El análisis de sensibilidad evaluará la robustez de los resultados frente a cambios
razonables en coeficientes psicológicos, umbrales de transición, intensidad de apoyos y
condiciones de riesgo. Esta fase es indispensable porque los parámetros actuales no han sido
estimados empíricamente.
RESULTADOS Y DISCUSIÓN
El análisis se organizó en dos niveles: verificación/calibración temporal y observación
comparativa de corridas diagnósticas por escenario. En todos los casos se verificó la conservación
de los 60 agentes y el tránsito por los estados definidos. Las capturas del modelo evidencian que
las trayectorias no son instantáneas: los agentes se distribuyen entre formación, intención,
planificación, creación y operación antes de desplazarse hacia crecimiento o consolidación; bajo
condiciones adversas aparecen fracaso y reintento.
En el escenario base, la corrida de calibración mostró una transición progresiva hacia los
estados superiores. La consolidación representó 68.33 % de los agentes (41 de 60) en el tick 112
y alcanzó 75.00 % (45 de 60) en el tick 212. Esta distribución se mantuvo en los ticks 312 y 509,
con 25.00 % de los agentes en crecimiento. Paralelamente, el riesgo promedio descendió de .155
a .108, .090 y .078, respectivamente. El avance promedio se estabilizó en 6.75 desde el tick 212.
El patrón indica convergencia estructural de los estados antes de la estabilización completa de
todas las variables internas.
Las corridas diagnósticas de los escenarios con fortalecimiento institucional mostraron
un patrón coherente con la arquitectura del modelo. En Universidad fuerte, el incremento del
apoyo universitario e investigación aceleró la acumulación de conocimiento y sostuvo el tránsito
hacia crecimiento. En Incubación intensiva, el mayor peso de incubación y transferencia favoreció
el paso desde planificación y creación hacia operación y crecimiento. En Ecosistema integral, la
combinación de altos niveles de universidad, investigación, incubación, transferencia y
vinculación produjo una rápida presencia de agentes en crecimiento y, posteriormente,
consolidación. Estas observaciones son consistentes con H1-H3 y con la dirección esperada de
H6, aunque su magnitud definitiva debe estimarse sobre las réplicas completas de BehaviorSpace.
métrica se calcularán media, desviación estándar, mediana, rango intercuartílico e intervalos de
confianza. Las comparaciones entre escenarios deberán acompañarse de tamaños de efecto y
análisis de distribución, evitando limitar la interpretación a diferencias de medias. Dado que los
resultados provienen de simulación, la inferencia se referirá al comportamiento del modelo bajo
sus supuestos y no directamente a una población humana.
El análisis de sensibilidad evaluará la robustez de los resultados frente a cambios
razonables en coeficientes psicológicos, umbrales de transición, intensidad de apoyos y
condiciones de riesgo. Esta fase es indispensable porque los parámetros actuales no han sido
estimados empíricamente.
RESULTADOS Y DISCUSIÓN
El análisis se organizó en dos niveles: verificación/calibración temporal y observación
comparativa de corridas diagnósticas por escenario. En todos los casos se verificó la conservación
de los 60 agentes y el tránsito por los estados definidos. Las capturas del modelo evidencian que
las trayectorias no son instantáneas: los agentes se distribuyen entre formación, intención,
planificación, creación y operación antes de desplazarse hacia crecimiento o consolidación; bajo
condiciones adversas aparecen fracaso y reintento.
En el escenario base, la corrida de calibración mostró una transición progresiva hacia los
estados superiores. La consolidación representó 68.33 % de los agentes (41 de 60) en el tick 112
y alcanzó 75.00 % (45 de 60) en el tick 212. Esta distribución se mantuvo en los ticks 312 y 509,
con 25.00 % de los agentes en crecimiento. Paralelamente, el riesgo promedio descendió de .155
a .108, .090 y .078, respectivamente. El avance promedio se estabilizó en 6.75 desde el tick 212.
El patrón indica convergencia estructural de los estados antes de la estabilización completa de
todas las variables internas.
Las corridas diagnósticas de los escenarios con fortalecimiento institucional mostraron
un patrón coherente con la arquitectura del modelo. En Universidad fuerte, el incremento del
apoyo universitario e investigación aceleró la acumulación de conocimiento y sostuvo el tránsito
hacia crecimiento. En Incubación intensiva, el mayor peso de incubación y transferencia favoreció
el paso desde planificación y creación hacia operación y crecimiento. En Ecosistema integral, la
combinación de altos niveles de universidad, investigación, incubación, transferencia y
vinculación produjo una rápida presencia de agentes en crecimiento y, posteriormente,
consolidación. Estas observaciones son consistentes con H1-H3 y con la dirección esperada de
H6, aunque su magnitud definitiva debe estimarse sobre las réplicas completas de BehaviorSpace.
Vol. 13/ Núm. 3 2026 pág. 2045
Figura 3
Escenario Universidad fuerte: distribución temprana de agentes y parámetros institucionales
Nota. Captura observada en el tick 29. El panel registra índice de ecosistema .754 y presencia de agentes en
crecimiento
Figura 4
Escenario Ecosistema integral: fortalecimiento simultáneo de los componentes institucionales
Nota. Captura observada en el tick 26. El índice de ecosistema mostrado es .898 y el avance promedio 5.23.
El escenario Crisis/barreras altas produjo un comportamiento cualitativamente distinto.
Con apoyos institucionales bajos, presión de obstáculos de .90 y volatilidad de .90, la corrida
observada mostró acumulación de agentes en reintento y fracaso, ausencia de agentes en
crecimiento y consolidación en la captura correspondiente y un semáforo general ámbar. En el
tick 212 se observaron 23 agentes en reintento, junto con agentes distribuidos entre intención,
planificación, creación y fracaso. Este patrón es congruente con H4 y muestra que el modelo
responde de manera sensible a una configuración adversa del entorno.
Figura 3
Escenario Universidad fuerte: distribución temprana de agentes y parámetros institucionales
Nota. Captura observada en el tick 29. El panel registra índice de ecosistema .754 y presencia de agentes en
crecimiento
Figura 4
Escenario Ecosistema integral: fortalecimiento simultáneo de los componentes institucionales
Nota. Captura observada en el tick 26. El índice de ecosistema mostrado es .898 y el avance promedio 5.23.
El escenario Crisis/barreras altas produjo un comportamiento cualitativamente distinto.
Con apoyos institucionales bajos, presión de obstáculos de .90 y volatilidad de .90, la corrida
observada mostró acumulación de agentes en reintento y fracaso, ausencia de agentes en
crecimiento y consolidación en la captura correspondiente y un semáforo general ámbar. En el
tick 212 se observaron 23 agentes en reintento, junto con agentes distribuidos entre intención,
planificación, creación y fracaso. Este patrón es congruente con H4 y muestra que el modelo
responde de manera sensible a una configuración adversa del entorno.
Vol. 13/ Núm. 3 2026 pág. 2046
Figura 5
Escenario Crisis/barreras altas: dinámica de fracaso y reintento
Nota. La corrida muestra oscilación entre estados, aumento del peso de fracaso/reintento y deterioro de los resultados
estratégicos
En conjunto, las corridas observadas muestran tres regularidades emergentes: primero,
los apoyos institucionales actúan de manera dependiente de la etapa y no como un estímulo
uniforme; segundo, el fortalecimiento ecosistémico desplaza la distribución hacia estados
empresariales superiores; y tercero, las barreras altas interrumpen la progresión y activan circuitos
de fracaso-reintento. Estos resultados describen el comportamiento de las corridas diagnósticas
efectivamente observadas. La comparación estadística inferencial entre los cinco escenarios se
realizará sobre las 100 réplicas por escenario ya configuradas en BehaviorSpace.
Tabla 5
Indicadores observados en capturas diagnósticas seleccionadas
Escenario Tick Índice
ecosistema Intención Riesgo Empresa
activa %
Consolidación
%
Base 62 .638 .614 .118 96.67 43.33
Universidad
fuerte 29 .754 .559 .279 68.33 0
Incubación
intensiva 29 .788 .569 .258 66.67 0
Ecosistema
integral 26 .898 .579 .241 81.67 0
Crisis /
barreras
altas
212 .300 .659 .321 0 0
Nota. Las capturas corresponden a momentos distintos de corridas individuales; por ello no deben interpretarse como
una comparación estadística entre escenarios. Su función es documentar el comportamiento diagnóstico observado
del modelo.
Los resultados respaldan la pertinencia de representar el emprendimiento universitario
como trayectoria y no como evento único. Ajzen (1991) sitúa la intención como antecedente
próximo de la conducta, pero la simulación muestra por construcción que una intención favorable
Figura 5
Escenario Crisis/barreras altas: dinámica de fracaso y reintento
Nota. La corrida muestra oscilación entre estados, aumento del peso de fracaso/reintento y deterioro de los resultados
estratégicos
En conjunto, las corridas observadas muestran tres regularidades emergentes: primero,
los apoyos institucionales actúan de manera dependiente de la etapa y no como un estímulo
uniforme; segundo, el fortalecimiento ecosistémico desplaza la distribución hacia estados
empresariales superiores; y tercero, las barreras altas interrumpen la progresión y activan circuitos
de fracaso-reintento. Estos resultados describen el comportamiento de las corridas diagnósticas
efectivamente observadas. La comparación estadística inferencial entre los cinco escenarios se
realizará sobre las 100 réplicas por escenario ya configuradas en BehaviorSpace.
Tabla 5
Indicadores observados en capturas diagnósticas seleccionadas
Escenario Tick Índice
ecosistema Intención Riesgo Empresa
activa %
Consolidación
%
Base 62 .638 .614 .118 96.67 43.33
Universidad
fuerte 29 .754 .559 .279 68.33 0
Incubación
intensiva 29 .788 .569 .258 66.67 0
Ecosistema
integral 26 .898 .579 .241 81.67 0
Crisis /
barreras
altas
212 .300 .659 .321 0 0
Nota. Las capturas corresponden a momentos distintos de corridas individuales; por ello no deben interpretarse como
una comparación estadística entre escenarios. Su función es documentar el comportamiento diagnóstico observado
del modelo.
Los resultados respaldan la pertinencia de representar el emprendimiento universitario
como trayectoria y no como evento único. Ajzen (1991) sitúa la intención como antecedente
próximo de la conducta, pero la simulación muestra por construcción que una intención favorable
Vol. 13/ Núm. 3 2026 pág. 2047
no equivale automáticamente a creación ni a consolidación. Esta separación es compatible con la
evidencia longitudinal de Kautonen et al. (2015), quienes distinguen entre intención y acción
emprendedora. El modelo amplía esa lógica al incorporar estados posteriores y contingentes,
incluidos crecimiento, consolidación, fracaso y reintento.
La dinámica observada también permite interpretar la autoeficacia como un mecanismo
de persistencia y transición. Bandura (1997) plantea que las creencias de eficacia influyen en la
organización y ejecución de cursos de acción, mientras que Miao et al. (2017) documentaron una
relación positiva entre autoeficacia emprendedora y desempeño empresarial. En el modelo, la
autoeficacia no opera de forma aislada: interactúa con conocimiento, intención, motivación de
logro, liquidez y riesgo. Esta arquitectura evita atribuir el resultado empresarial a una sola
disposición psicológica.
Los escenarios institucionales refuerzan una interpretación ecosistémica. Correia et al.
(2024) muestran que el emprendimiento académico depende de configuraciones de actores,
recursos y mecanismos de apoyo. En las corridas diagnósticas, Universidad fuerte, Incubación
intensiva y Ecosistema integral generaron trayectorias más favorables que la configuración de
crisis. El hallazgo no debe interpretarse como una estimación causal del mundo real, sino como
evidencia de coherencia interna: cuando se fortalecen los mecanismos programados, emergen
patrones agregados congruentes con las relaciones teóricas formalizadas.
El contraste entre Ecosistema integral y Crisis/barreras altas es especialmente
informativo. El primero combina apoyos altos y menor presión contextual; el segundo reduce los
apoyos y eleva simultáneamente obstáculos y volatilidad. La aparición de fracaso y reintento en
el escenario adverso muestra que el sistema no está diseñado para producir consolidación de
manera automática. Esta propiedad es importante porque una simulación útil debe responder a
perturbaciones y generar resultados diferenciados bajo condiciones alternativas.
Desde la perspectiva metodológica, la estabilización de estados antes que la estabilización
completa de las variables internas indica que la dinámica tiene escalas temporales diferentes. Un
agente puede permanecer en crecimiento o consolidación mientras continúan cambiando riesgo,
conocimiento, motivación o liquidez. Esta característica justifica el uso de simulación temporal y
advierte que una fotografía transversal podría ocultar mecanismos de adaptación.
La incorporación de componentes de inteligencia artificial en la interfaz —intensidad de
IA, alertas y reglas de apoyo a la decisión— se interpreta como una capa de asistencia
computacional dentro del prototipo, no como evidencia de aprendizaje autónomo del modelo.
Asimismo, la denominación de gemelo digital debe mantenerse prudente. Fuller et al. (2020)
destacan la conexión entre entidad física y representación digital; por ello, la arquitectura
presentada es un prototipo orientado a gemelo digital y requerirá calibración, actualización y
validación con datos empíricos externos para alcanzar esa condición en sentido estricto.
no equivale automáticamente a creación ni a consolidación. Esta separación es compatible con la
evidencia longitudinal de Kautonen et al. (2015), quienes distinguen entre intención y acción
emprendedora. El modelo amplía esa lógica al incorporar estados posteriores y contingentes,
incluidos crecimiento, consolidación, fracaso y reintento.
La dinámica observada también permite interpretar la autoeficacia como un mecanismo
de persistencia y transición. Bandura (1997) plantea que las creencias de eficacia influyen en la
organización y ejecución de cursos de acción, mientras que Miao et al. (2017) documentaron una
relación positiva entre autoeficacia emprendedora y desempeño empresarial. En el modelo, la
autoeficacia no opera de forma aislada: interactúa con conocimiento, intención, motivación de
logro, liquidez y riesgo. Esta arquitectura evita atribuir el resultado empresarial a una sola
disposición psicológica.
Los escenarios institucionales refuerzan una interpretación ecosistémica. Correia et al.
(2024) muestran que el emprendimiento académico depende de configuraciones de actores,
recursos y mecanismos de apoyo. En las corridas diagnósticas, Universidad fuerte, Incubación
intensiva y Ecosistema integral generaron trayectorias más favorables que la configuración de
crisis. El hallazgo no debe interpretarse como una estimación causal del mundo real, sino como
evidencia de coherencia interna: cuando se fortalecen los mecanismos programados, emergen
patrones agregados congruentes con las relaciones teóricas formalizadas.
El contraste entre Ecosistema integral y Crisis/barreras altas es especialmente
informativo. El primero combina apoyos altos y menor presión contextual; el segundo reduce los
apoyos y eleva simultáneamente obstáculos y volatilidad. La aparición de fracaso y reintento en
el escenario adverso muestra que el sistema no está diseñado para producir consolidación de
manera automática. Esta propiedad es importante porque una simulación útil debe responder a
perturbaciones y generar resultados diferenciados bajo condiciones alternativas.
Desde la perspectiva metodológica, la estabilización de estados antes que la estabilización
completa de las variables internas indica que la dinámica tiene escalas temporales diferentes. Un
agente puede permanecer en crecimiento o consolidación mientras continúan cambiando riesgo,
conocimiento, motivación o liquidez. Esta característica justifica el uso de simulación temporal y
advierte que una fotografía transversal podría ocultar mecanismos de adaptación.
La incorporación de componentes de inteligencia artificial en la interfaz —intensidad de
IA, alertas y reglas de apoyo a la decisión— se interpreta como una capa de asistencia
computacional dentro del prototipo, no como evidencia de aprendizaje autónomo del modelo.
Asimismo, la denominación de gemelo digital debe mantenerse prudente. Fuller et al. (2020)
destacan la conexión entre entidad física y representación digital; por ello, la arquitectura
presentada es un prototipo orientado a gemelo digital y requerirá calibración, actualización y
validación con datos empíricos externos para alcanzar esa condición en sentido estricto.
Vol. 13/ Núm. 3 2026 pág. 2048
Finalmente, la reproducibilidad constituye un componente central. El uso de NetLogo, la
explicitación de reglas y la configuración de BehaviorSpace permiten repetir los experimentos y
someter parámetros y umbrales a sensibilidad. Esta práctica es consistente con el protocolo ODD
propuesto por Grimm et al. (2020), cuyo propósito es mejorar claridad, replicabilidad y
evaluación estructural de modelos basados en agentes.
Implicaciones teóricas
El modelo propone integrar tres niveles —psicológico, empresarial y ecosistémico—
dentro de una trayectoria temporal. Su valor teórico potencial radica en desplazar la explicación
desde una relación estática entre intención y antecedentes hacia un sistema de mecanismos que
producen transiciones. Esta arquitectura permite formular hipótesis sobre cuándo y cómo un
apoyo universitario puede modificar capacidades y, posteriormente, estados empresariales.
Implicaciones metodológicas
La principal implicación metodológica es la formalización explícita de supuestos. Cada
umbral, coeficiente y regla puede ser inspeccionado, modificado y sometido a sensibilidad. El
modelo ofrece además una plataforma para combinar evidencia empírica futura con
experimentación in silico. La adopción del protocolo ODD y la conservación del código fuente
son recomendables para asegurar reproducibilidad.
Implicaciones para la gestión universitaria
Para la gestión universitaria, el modelo permite explorar políticas hipotéticas antes de su
implementación: fortalecer formación e investigación, intensificar incubación, ampliar
transferencia y vinculación, o activar mecanismos de reinicio. La finalidad no es predecir de
manera determinista el destino de un estudiante, sino comparar distribuciones de trayectorias bajo
supuestos explícitos y detectar puntos críticos donde una intervención institucional podría tener
mayor utilidad.
CONCLUSIONES
El estudio desarrolló un modelo basado en agentes que representa el comportamiento
emprendedor de estudiantes universitarios como una trayectoria dinámica configurada por
capacidades psicológicas, condiciones empresariales y apoyos del ecosistema. La arquitectura
distingue formación, intención, planificación, creación, operación, crecimiento y consolidación,
e incorpora fracaso y reintento como estados contingentes.
Las corridas observadas muestran que el fortalecimiento de los apoyos universitarios se
asocia, dentro de la lógica formal del modelo, con mayor progresión hacia crecimiento y
consolidación, mientras que una configuración de barreras altas interrumpe la trayectoria y activa
fracaso y reintento. En el escenario base, la calibración temporal mostró estabilización de la
consolidación en 75 % desde el tick 212 hasta el tick 509 y una reducción sostenida del riesgo
promedio.
Finalmente, la reproducibilidad constituye un componente central. El uso de NetLogo, la
explicitación de reglas y la configuración de BehaviorSpace permiten repetir los experimentos y
someter parámetros y umbrales a sensibilidad. Esta práctica es consistente con el protocolo ODD
propuesto por Grimm et al. (2020), cuyo propósito es mejorar claridad, replicabilidad y
evaluación estructural de modelos basados en agentes.
Implicaciones teóricas
El modelo propone integrar tres niveles —psicológico, empresarial y ecosistémico—
dentro de una trayectoria temporal. Su valor teórico potencial radica en desplazar la explicación
desde una relación estática entre intención y antecedentes hacia un sistema de mecanismos que
producen transiciones. Esta arquitectura permite formular hipótesis sobre cuándo y cómo un
apoyo universitario puede modificar capacidades y, posteriormente, estados empresariales.
Implicaciones metodológicas
La principal implicación metodológica es la formalización explícita de supuestos. Cada
umbral, coeficiente y regla puede ser inspeccionado, modificado y sometido a sensibilidad. El
modelo ofrece además una plataforma para combinar evidencia empírica futura con
experimentación in silico. La adopción del protocolo ODD y la conservación del código fuente
son recomendables para asegurar reproducibilidad.
Implicaciones para la gestión universitaria
Para la gestión universitaria, el modelo permite explorar políticas hipotéticas antes de su
implementación: fortalecer formación e investigación, intensificar incubación, ampliar
transferencia y vinculación, o activar mecanismos de reinicio. La finalidad no es predecir de
manera determinista el destino de un estudiante, sino comparar distribuciones de trayectorias bajo
supuestos explícitos y detectar puntos críticos donde una intervención institucional podría tener
mayor utilidad.
CONCLUSIONES
El estudio desarrolló un modelo basado en agentes que representa el comportamiento
emprendedor de estudiantes universitarios como una trayectoria dinámica configurada por
capacidades psicológicas, condiciones empresariales y apoyos del ecosistema. La arquitectura
distingue formación, intención, planificación, creación, operación, crecimiento y consolidación,
e incorpora fracaso y reintento como estados contingentes.
Las corridas observadas muestran que el fortalecimiento de los apoyos universitarios se
asocia, dentro de la lógica formal del modelo, con mayor progresión hacia crecimiento y
consolidación, mientras que una configuración de barreras altas interrumpe la trayectoria y activa
fracaso y reintento. En el escenario base, la calibración temporal mostró estabilización de la
consolidación en 75 % desde el tick 212 hasta el tick 509 y una reducción sostenida del riesgo
promedio.
Vol. 13/ Núm. 3 2026 pág. 2049
El principal aporte es teórico-metodológico: integrar en una misma plataforma la
psicología emprendedora, el ecosistema universitario y la dinámica empresarial, haciendo
explícitas las reglas que conectan microdecisiones y resultados agregados. El modelo permite
formular y contrastar hipótesis de simulación, identificar mecanismos y comparar escenarios
institucionales reproducibles.
La evidencia presentada corresponde a verificación, calibración y corridas diagnósticas
observadas. La siguiente etapa consiste en procesar las 500 réplicas configuradas en
BehaviorSpace, estimar diferencias entre escenarios y realizar análisis de sensibilidad.
Posteriormente, la calibración y validación con datos de estudiantes y emprendimientos reales
permitirá evaluar su evolución desde un prototipo de simulación hacia un gemelo digital
empíricamente sincronizado.
El principal aporte es teórico-metodológico: integrar en una misma plataforma la
psicología emprendedora, el ecosistema universitario y la dinámica empresarial, haciendo
explícitas las reglas que conectan microdecisiones y resultados agregados. El modelo permite
formular y contrastar hipótesis de simulación, identificar mecanismos y comparar escenarios
institucionales reproducibles.
La evidencia presentada corresponde a verificación, calibración y corridas diagnósticas
observadas. La siguiente etapa consiste en procesar las 500 réplicas configuradas en
BehaviorSpace, estimar diferencias entre escenarios y realizar análisis de sensibilidad.
Posteriormente, la calibración y validación con datos de estudiantes y emprendimientos reales
permitirá evaluar su evolución desde un prototipo de simulación hacia un gemelo digital
empíricamente sincronizado.
Vol. 13/ Núm. 3 2026 pág. 2050
REFERENCIAS
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision
Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
Bae, T. J., Qian, S., Miao, C., & Fiet, J. O. (2014). The relationship between entrepreneurship
education and entrepreneurial intentions: A meta-analytic review. Entrepreneurship Theory
and Practice, 38(2), 217–254. https://doi.org/10.1111/etap.12095
Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
Correia, M. P., Marques, C. S., Silva, R., & Ramadani, V. (2024). Academic entrepreneurship
ecosystems: Systematic literature review and future research directions. Journal of the
Knowledge Economy, 15, 17498–17528. https://doi.org/10.1007/s13132-024-01819-x
Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital twin: Enabling technologies, challenges
and open research. IEEE Access, 8, 108952–108971.
https://doi.org/10.1109/ACCESS.2020.2998358
Grimm, V., Railsback, S. F., Vincenot, C. E., Berger, U., Gallagher, C., DeAngelis, D. L.,
Edmonds, B., Ge, J., Giske, J., Groeneveld, J., Johnston, A. S. A., Milles, A., Nabe-Nielsen,
J., Polhill, J. G., Radchuk, V., Rohwäder, M.-S., Stillman, R. A., Thiele, J. C., & Ayllón,
D. (2020). The ODD protocol for describing agent-based and other simulation models: A
second update to improve clarity, replication, and structural realism. Journal of Artificial
Societies and Social Simulation, 23(2), Article 7. https://doi.org/10.18564/jasss.4259
Kautonen, T., van Gelderen, M., & Fink, M. (2015). Robustness of the theory of planned behavior
in predicting entrepreneurial intentions and actions. Entrepreneurship Theory and Practice,
39(3), 655–674. https://doi.org/10.1111/etap.12056
Maheshwari, G., Kha, K. L., & Arokiasamy, A. R. A. (2023). Factors affecting students’
entrepreneurial intentions: A systematic review (2005–2022) for future directions in theory
and practice. Management Review Quarterly, 73(4), 1903–1970.
https://doi.org/10.1007/s11301-022-00289-2
Maza-Ávila, F. J., Pérez-Suárez, M., & Murillo-Ferrer, D. (2024). Intención emprendedora en el
alumnado universitario: Una revisión sistemática. Revista de Ciencias Sociales, 30(1),
166–187. https://doi.org/10.31876/rcs.v30i1.41645
Miao, C., Qian, S., & Ma, D. (2017). The relationship between entrepreneurial self-efficacy and
firm performance: A meta-analysis of main and moderator effects. Journal of Small
Business Management, 55(1), 87–107. https://doi.org/10.1111/jsbm.12240
Rubio Hernández, F. J., & Lisbona Bañuelos, A. M. (2022). Intención emprendedora en
estudiantes universitarios: Revisión sistemática de alcance de la producción científica.
Universitas Psychologica, 21, 1–17. https://doi.org/10.11144/Javeriana.upsy21.ieeu
REFERENCIAS
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision
Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
Bae, T. J., Qian, S., Miao, C., & Fiet, J. O. (2014). The relationship between entrepreneurship
education and entrepreneurial intentions: A meta-analytic review. Entrepreneurship Theory
and Practice, 38(2), 217–254. https://doi.org/10.1111/etap.12095
Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
Correia, M. P., Marques, C. S., Silva, R., & Ramadani, V. (2024). Academic entrepreneurship
ecosystems: Systematic literature review and future research directions. Journal of the
Knowledge Economy, 15, 17498–17528. https://doi.org/10.1007/s13132-024-01819-x
Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital twin: Enabling technologies, challenges
and open research. IEEE Access, 8, 108952–108971.
https://doi.org/10.1109/ACCESS.2020.2998358
Grimm, V., Railsback, S. F., Vincenot, C. E., Berger, U., Gallagher, C., DeAngelis, D. L.,
Edmonds, B., Ge, J., Giske, J., Groeneveld, J., Johnston, A. S. A., Milles, A., Nabe-Nielsen,
J., Polhill, J. G., Radchuk, V., Rohwäder, M.-S., Stillman, R. A., Thiele, J. C., & Ayllón,
D. (2020). The ODD protocol for describing agent-based and other simulation models: A
second update to improve clarity, replication, and structural realism. Journal of Artificial
Societies and Social Simulation, 23(2), Article 7. https://doi.org/10.18564/jasss.4259
Kautonen, T., van Gelderen, M., & Fink, M. (2015). Robustness of the theory of planned behavior
in predicting entrepreneurial intentions and actions. Entrepreneurship Theory and Practice,
39(3), 655–674. https://doi.org/10.1111/etap.12056
Maheshwari, G., Kha, K. L., & Arokiasamy, A. R. A. (2023). Factors affecting students’
entrepreneurial intentions: A systematic review (2005–2022) for future directions in theory
and practice. Management Review Quarterly, 73(4), 1903–1970.
https://doi.org/10.1007/s11301-022-00289-2
Maza-Ávila, F. J., Pérez-Suárez, M., & Murillo-Ferrer, D. (2024). Intención emprendedora en el
alumnado universitario: Una revisión sistemática. Revista de Ciencias Sociales, 30(1),
166–187. https://doi.org/10.31876/rcs.v30i1.41645
Miao, C., Qian, S., & Ma, D. (2017). The relationship between entrepreneurial self-efficacy and
firm performance: A meta-analysis of main and moderator effects. Journal of Small
Business Management, 55(1), 87–107. https://doi.org/10.1111/jsbm.12240
Rubio Hernández, F. J., & Lisbona Bañuelos, A. M. (2022). Intención emprendedora en
estudiantes universitarios: Revisión sistemática de alcance de la producción científica.
Universitas Psychologica, 21, 1–17. https://doi.org/10.11144/Javeriana.upsy21.ieeu
Vol. 13/ Núm. 3 2026 pág. 2051
Wilensky, U. (1999). NetLogo. Center for Connected Learning and Computer-Based Modeling,
Northwestern University.
Xanthopoulou, P., & Sahinidis, A. (2024). Students’ entrepreneurial intention and its influencing
factors: A systematic literature review. Administrative Sciences, 14(5), Article 98.
https://doi.org/10.3390/admsci14050098
Wilensky, U. (1999). NetLogo. Center for Connected Learning and Computer-Based Modeling,
Northwestern University.
Xanthopoulou, P., & Sahinidis, A. (2024). Students’ entrepreneurial intention and its influencing
factors: A systematic literature review. Administrative Sciences, 14(5), Article 98.
https://doi.org/10.3390/admsci14050098