Тюнинг причинно-следственных диаграмм (CLD)
Диаграммы причинно-следственной связи — важный инструмент для представления структуры обратной связи систем. Они отлично подходят для:
- быстрой фиксации ваших гипотез о корневых причинах какой-либо динамики внутри системы;
- выявления и фиксации ментальных моделей людей и групп внутри системы;
- демонстрации важных процессов обратной связи, которые, по вашему мнению, являются причинами проблем в системе.
Для составления CLD понадобится ряд простых условных обозначений. При этом, важно строго их придерживаться. Представьте, будто CLD, это набор нот: сначала может быть трудно строить и интерпретировать эти диаграммы, но со временем вы начнете читать их с листа. В этой заметке мы разберем несколько важных рекомендаций, которые помогут убедиться, что построенные вами CLD действительно отражают структуры обратной связи ваших систем.
Избегайте двусмысленности в причинно-следственных связях
Бывает, что конкретная связь в CLD может быть, как положительной, так и отрицательной, в зависимости от других связей или от контекста системы. Например, мы могли бы нарисовать диаграмму, которая связывает доход со стоимостью продукта, а затем утверждать, что связь между стоимостью и доходом компании может быть как положительной, так и отрицательной, в зависимости от эластичности спроса. Более высокая цена означает меньший доход, если повышение цены на 1 процент приводит к падению спроса более чем на 1 процент. Такая связь будет помечена знаком минус. Но менее эластичный спрос может означать, что повышение цены на 1 процент приведет к падению спроса менее чем на 1 процент, поэтому тогда доходы вырастут и это приведет к положительной полярности связей.
Обычно, когда у вас возникают проблемы с установлением однозначного обозначения связи, это означает, что существует несколько причин, связывающих эти две переменные. Отобразите эти пути на диаграмме. Правильная диаграмма влияния стоимости товара на доход покажет, что цена имеет, как минимум, два эффекта на доход: (1) она определяет, сколько дохода генерируется на проданную единицу (положительная связь), и (2) она влияет на количество проданных единиц (обычно отрицательная связь).
‘+’ и ‘-’ VS. ‘S’ и‘O’ в обозначении связей
При моделировании системной динамики полярность причинно-следственных связей обозначается знаком «+» или «-». В последние годы все чаще можно встретить (в том числе на THE SYSTEMS THINKER.com) использование обозначений «S» и «O». Существуют целые обсуждения плюсов и минусов каждого из подходов. Если следовать стандартной практике системной динамики, то рекомендуются обозначения «+» и «-», поскольку они одинаково правильно применимы к обычным причинно-следственным связям и к связям между потоками и запасами, присутствующими во всех системах, в то время как «S» и «O» применяются только для причинно-следственных связей. Дополнительную информацию по обозначениям можно найти у George Richardson, “Problems in Causal Loop Diagrams Revisited,” System Dynamics Review 13(3), 247–252 1997), and Richardson and Colleen Lannon, “Problems with Causal-Loop Diagrams,” TST V7N10.
Усиливающая или уравновешивающая петля?
Существует два способа определения того, является ли петля усиливающей или уравновешивающей: быстрый и правильный.
С быстрым способом, вы, возможно, познакомились, когда впервые начали работать с CLD, — это подсчитать количество отрицательных связей— обозначенных «-» или «О» — в цикле. Если число четное, петля является усиливающей; если число нечетное, цикл уравновешивается. Однако этот способ может давать сбои, потому что достаточно легко ошибиться и неправильно указать полярность связи, либо неправильно подсчитать количество отрицательных связей.
Правильный способ — отследить влияние небольшого изменения на одну из переменных цикла. Выберите любую переменную в вашем цикле. Представьте, что она изменилась (увеличилась или уменьшилась), проследите эффект этого изменения на цикл. Если обратной связью вашей петли будет укрепление внесенного изменения, это усиливающая петля. Если, наоборот, ослабление это уравновешивающая петля. Этот метод работает независимо от количества переменных в цикле и независимо от того, с какого места вы начинаете.
Формируйте явные цели уравновешивающих петель
У всех уравновешивающих циклов существуют цели, представляющие желаемое состояние систем. Уравновешивающие циклы существуют, демонстрируя фактическое состояние системы и целевое. Они помогают инициировать корректирующие действия в ответ на несоответствия между фактическим и целевым. Крайне полезно обозначать цели ваших уравновешивающих циклов, например отобразив новую переменную «Desired product quality».
На диаграмме выше показан уравновешивающий цикл, который влияет на качество продукции компании: чем он ниже, тем больше программ повышения качества запускает компания, пытаясь устранить дефицит качества.
Четкое определение целей побуждает людей интересоваться тем, как они формируются; например, кто определяет желаемое качество продукции и какие критерии используют для его определения? Гипотезы ответов на эти вопросы могут быть добавлены на саму диаграмму. Также цели могут меняться с течением времени, адаптируясь под давлением окружающей среды (например, отзывы клиентов или качество конкурирующих продуктов).
Явное определение целей уравновешивания циклов особенно важно, когда вы строите циклы отражающие человеческое поведение — демонстрация целей побуждает задуматься и запустить обсуждение стремлений и мотивов действующих лиц.
Работайте с причинно-следственными связями, а не корреляцией
Каждая связи на вашей диаграмме должна отражать то, что вы и ваши коллеги считаете причинно-следственной связью между переменными. В таких связях одна переменная оказывает прямое влияние на другую. Например, изменение рождаемости изменяет количество населения в целом. Остерегайтесь корреляций в своих диаграммах. Они отражают прошлое поведение системы, а не ее основную структуру. Если обстоятельства изменятся и, прежде бездействующие, петли обратной связи станут доминирующими, или если вы экспериментируете с новыми решениями и политиками, ранее надежные связи между переменными могут нарушиться.
Например, не смотря на существующую положительную корреляцию между продажей мороженого и уровнем убийств, вы не можете указать между ними прямую связь. Причинно-следственная связь, в данном случае, предполагает, что сокращение потребления мороженого сократит количество убийств и позволит обществу сократить бюджет на полицию и тюрьмы. Очевидно, что это не так. Как потребление мороженого, так и преступления с применением насилия, как правило, возрастают в жаркую погоду. Этот пример демонстрирует, как запутанные корреляции с причинно-следственной связью могут привести к ужасным неверным суждениям и серьезным ошибкам.
Многие научные исследования ищут причинно-следственные связи в огромном стоге корреляций: может ли употребление овсяных отрубей снизить уровень холестерина, и если да, то снизится ли риск сердечного приступа? Приводит ли экономический рост к снижению рождаемости, или ее низкий уровень объясняется грамотностью, образованием женщин и увеличением затрат на воспитание детей?
Все ли компании с крупными программами повышения качества получают превосходную прибыль для своих акционеров?
Ученые на собственном опыте убедились, что на подобные вопросы трудно найти надежные ответы. Требуется приверженность научным методам — контролируемые эксперименты, рандомизированные слепые исследования, большие выборки, статистические обоснования и так далее. В социальных системах такие эксперименты труднореализуемы, поэтому редки и часто невозможны. Проявляйте особую осторожность, определяя в ваших CLD причинно-следственные отношения. С другой стороны, CLD является отражением представлений только тех, кто непосредственно участвует в ее создании.
Заметка является моим вольным переводом статьи Джона Стермана.
John D. Sterman is the J. Spencer Standish Professor of Management at the Sloan School of Management of the Massachusetts Institute of Technology and director of MIT’s System Dynamics Group.
