De fleste af vores indlæg indeholder årsagssløjfediagrammer, fordi nogle ting er bedre udtrykt med en visuel model end med ord alene. Systemtænkning tager udgangspunkt i komplekse, dynamiske systemer, og hvordan de opfører sig over tid, hvilket kræver en anden form for sprog. Denne hurtige vejledning vil lære dig det grundlæggende om at læse kausale loopdiagrammer gennem en populationsmodel.

Kausale loopdiagrammer består af variabler (ting, handlinger eller følelser), der er forbundet af kausale forbindelser (pile) med polariteter (+ og – tegn) og forsinkelser (||). Tilsammen skaber disse positive og negative feedback loops, der beskriver de cirkler af årsag og virkning, der får deres eget liv. Lad os hoppe ind i vores eksempel for at gøre dette mere konkret:

Befolkningsmodel

De to ting, der får befolkningen til at ændre sig, er fødsler og dødsfald, så vi bruger pile til at repræsentere disse årsagssammenhænge. Vi ved, at flere fødsler fører til en større befolkning, og at færre fødsler vil føre til en lavere befolkning, alt andet lige. Vi vil sige, at denne sammenhæng har en positiv polaritet, hvilket betyder, at de to variabler bevæger sig i samme retning: mere fører til mere, eller mindre fører til mindre. Vi angiver, at en årsagssammenhæng har en positiv polaritet ved at placere et +-tegn ved siden af pilespidsen.

Vi ved også, at flere dødsfald fører til en lavere befolkning, og færre dødsfald fører til en større befolkning. Variablerne bevæger sig i den modsatte retning, mere fører til mindre, eller mindre fører til mere, så vi vil sige, at denne sammenhæng har en negativ polaritet. Vi repræsenterer dette ved at mærke pilehovedet med et -tegn.

Disse årsagssammenhænge er sande uafhængigt af hinanden, og de er også begge sande på samme tid. Hver for sig fortæller de os ikke, hvad der rent faktisk sker med befolkningen. Retningen af ændringen i befolkningen bestemmes af, hvilken af disse to sammenhænge der er den dominerende. Så længe fødslerne overstiger dødsfaldene, vil befolkningen vokse, og når dødsfaldene overstiger fødslerne, vil befolkningen skrumpe.

Nu skal vi indføre noget Feedback i modellen. Mens flere fødsler fører til en større befolkning, fører en større befolkning også til flere fødsler, da flere mennesker laver flere børn, forudsat at en fødselsrate forbliver konstant (det er derfor, vi siger “alt andet lige”, fordi vi kun tager hensyn til de to variabler, som vi forbinder, når vi tænker på polaritet). Derfor tegner vi en positiv årsagssammenhæng fra befolkning tilbage til fødsler.

Denne forbindelse danner vores første feedback-sløjfe, som er vist i venstre side af billedet ovenfor. Et feedbackloop er det, vi kalder et sæt af relationer, hvor en variabel fører til en ændring i en anden variabel, som i sidste ende fører til en ændring i den oprindelige variabel. For at aflæse et feedback loop vælger man en variabel til at starte med og vælger vilkårligt en retning – enten Mere eller Mindre.

Så lad os aflæse dette loop og starte med Befolkning og Mere. Mere befolkning fører til flere fødsler, som fører til mere befolkning. Dette kaldes et forstærkende feedback loop (markeret med et R), fordi flere fødsler i dag fører til flere fødsler i fremtiden – fødsler forstærker fødsler. På samme måde ville færre fødsler føre til en lavere befolkning, hvilket ville føre til færre fødsler i fremtiden; den forstærkende proces virker også i den modsatte retning. Hvis dette var det eneste Feedback Loop i Befolkningssystemet, og folk ikke døde, ville vi se en eksponentiel vækst i antallet af mennesker.

Vi ser en anden type Feedback Loop, når vi undersøger Dødsfald. Flere dødsfald i dag fører til færre dødsfald i fremtiden. Det skyldes, at flere dødsfald i dag vil få befolkningen til at falde, hvilket betyder, at færre mennesker vil være til stede til at dø senere. Disse typer sløjfer kaldes balancerende feedback-sløjfer (markeret med et B), da mere fører til mindre eller mindre fører til mere – den oprindelige ændring balanceres af en ændring i den modsatte retning.

Feedback-sløjfer får deres eget liv. Vi ser et sæt relationer, der altid sker igen og igen, og som genererer en adfærd, der udfolder sig over tid. Disse to feedback-loops kan forårsage nogle få forskellige former for adfærd baseret på fødselsraten og den forventede levetid – vi vil observere, at befolkningen vokser og vokser stadig hurtigere, så længe den forstærkende fødselssløjfe dominerer, og at den udjævner sig, hvis dødssløjfen er dominerende.

Bemærk på billedet ovenfor, at der er to hash-tegn, || , på de kausale forbindelser mellem befolkning og fødsler og mellem befolkning og dødsfald. Hashmærker repræsenterer en forsinkelse, en situation, hvor det tager tid, før virkningen slår igennem. Det tager tid, før et individ er i den alder, hvor det er muligt at få et barn, og derfor er der en forsinkelse mellem befolkning og fødsler. Denne forsinkelse er længere i nogle lande som New Zealand, hvor den gennemsnitlige kvinde får børn i en alder af 29 år, hvorimod den er mindre end 20 år i visse udviklingslande.

Den forsinkelse i forbindelse med dødsfald er et område, hvor vi ser store forskelle på tværs af forskellige lande. I Japan er den forventede levealder over 80 år, mens den kun er 49 år i Afghanistan. Forsinkelser har vigtige konsekvenser, så når du støder på en, så tænk ved dig selv: “Hvor lang er denne forsinkelse?”. Hvis forsinkelserne er relativt lange, kan det føre til en forsinkelse i reaktionsevnen eller manglende evne til at tilpasse sig (dvs. du kan simpelthen ikke ændre befolkningen med det samme), mens hvis forsinkelserne er meget korte eller ikke-eksisterende, kan systemet være mere sporadisk.

Den forsinkelse, det tager for folk at ændre deres holdninger, er meget kort hos et lille barn og meget lang hos voksne (nogle voksne ændrer aldrig deres verdenssyn efter en vis alder).

Et ressourcebegrænset fattigt land

Nu skal vi se på en model, der indfanger et ressourcebegrænset, fattigt land nedenfor. Kan du spore de to nye balancerings- og forstærkningssløjfer og finde en mening med dem? Lad os prøve!

Vi begynder med det nye balancerende loop nederst til højre. Når befolkningstallet stiger, falder antallet af ressourcer pr. person, og når dette sker, vil den gennemsnitlige levealder også falde, da færre ressourcer betyder mindre mad, en svagere økonomi, færre læger og færre job. Når levealderen falder, stiger antallet af dødsfald, hvilket får befolkningstallet til at falde. Dette balanceringskredsløb giver mening, men det vil kun komme i spil, hvis ressourcebegrænsninger er et alvorligt problem.

En anden interessant ting udspiller sig i forhold til forventet levetid i det nye forstærkende kredsløb nederst til venstre. Når den forventede levetid falder, og børnedødeligheden stiger, kan folk ønske at få større familier. Dette fører i sidste ende til flere børn i hver husstand, hvilket øger befolkningens størrelse, forværrer ressourcebegrænsningerne og sænker forventet levetid yderligere. Dette forstærkende kredsløb udgør en ond cirkel, hvor folk i bund og grund får, hvad de ønsker i nutiden på bekostning af fremtiden. Giver denne mekanisme mening? Den ville bestemt ikke gælde i alle sammenhænge, men i nogle situationer kunne man forestille sig, at en mor, der forventer, at flere af hendes børn vil dø, inden de når en moden alderdom, ville ønske at få flere børn i forventning om en tidlig død. Modellen er sand i forbindelse med et gældende sæt af faktorer (ressourcebegrænsninger betyder noget) og overbevisninger (at få mange børn er den bedste måde at sikre, at man har familie i fremtiden).

Sammenhængen er afgørende

Hold dig for øje, at dette blot er en forenklet befolkningsmodel for en hypotetisk befolkning. Den kan repræsentere nogle lande mere end andre. Nogle vil f.eks. hævde, at forbindelsen mellem ressourcer og levealder er svag, så længe de teknologiske fremskridt og innovationer gør det muligt for os at opretholde vores forbrugsvaner uden at udvinde ressourcerne i for høj grad. Men andre hævder, at teknologien kun kan gøre et vist omfang, og at selv USA på et tidspunkt vil nå sine grænser. Nogle mener, at vi bruger olie, som om vi henter vand fra en brønd – vi aner ikke, hvor meget der er tilbage, så vi opfører os, som om den er bundløs.

Den særlige problemstilling og kontekst, som en model indgår i, bør altid være klar. Modeller bruges til at indramme problemer og besvare spørgsmål. De er eksplicitte teorier om, hvorfor noget opfører sig på den måde, som det gør. De bør bidrage til at klarlægge, hvad der tages i betragtning, og hvad der udelukkes, og give mulighed for at foreslå rettelser, tilføjelser og forbedringer.

Summarum

Så næste gang du ser et kausalloopdiagram:

1. Spørg, hvilket problem dette beskriver
2. Gå gennem de vigtigste feedback-loops, identificer hvilken type de er, og kog dem ned til den proces, de indfanger
3. Optimer forsinkelserne for at få en idé om tidsskalaen for hvert feedbackloop
4. Identificer hvilke variabler og loops der er dominerende
5. Tænk over, hvad der mangler

Træn nu det, du har lært, i denne korte quiz om årsagssløjfediagrammer!

Øv dig i at læse flere kausale loop-diagrammer (eller se den fulde liste over essays med CLD’er):

• Smartphone-industriens vækst
• San Franciscos huslejestigning
• Forbud mod aborter
• Hvordan beskidte tallerkener hober sig op

Lær grundlaget:

• Fundamenter
• Arketyper
• Tænk som en modelbygger