La maggior parte dei nostri post include i diagrammi dei cicli causali perché alcune cose sono espresse meglio con un modello visivo che con le sole parole. Il pensiero sistemico si occupa di sistemi complessi e dinamici e di come si comportano nel tempo, il che richiede un diverso tipo di linguaggio. Questo rapido tutorial vi insegnerà le basi della lettura dei diagrammi dei cicli causali attraverso un modello di Population.

I diagrammi dei cicli causali consistono in variabili (cose, azioni o sentimenti) collegate da collegamenti causali (frecce) con polarità (segni + e -) e ritardi (||). Insieme, questi creano anelli di feedback positivi e negativi che descrivono i cerchi di causa ed effetto che prendono vita propria. Saltiamo nel nostro esempio per rendere questo più concreto.

Modello della popolazione

Le due cose che causano il cambiamento della popolazione sono le nascite e le morti, quindi usiamo le frecce per rappresentare questi legami causali. Sappiamo che più nascite portano ad una popolazione maggiore, e meno nascite porteranno ad una popolazione minore, a parità di condizioni. Diremo che questa relazione ha una polarità positiva, il che significa che le due variabili si muovono nella stessa direzione: più porta a più, o meno porta a meno. Indichiamo che una relazione causale ha una polarità positiva mettendo un segno + accanto alla punta della freccia.

Sappiamo anche che più morti portano a una popolazione inferiore, e meno morti portano a una popolazione maggiore. Le variabili si muovono nella direzione opposta, più porta a meno, o meno porta a più, quindi diremmo che questa relazione ha una polarità negativa. Lo rappresentiamo etichettando la punta della freccia con un segno -.

Questi nessi causali sono veri indipendentemente, e sono anche entrambi veri allo stesso tempo. Da soli, non ci dicono cosa sta realmente accadendo alla popolazione. La direzione del cambiamento della popolazione è determinata da quale di queste due relazioni è dominante. Finché le nascite superano le morti la popolazione crescerà, e ogni volta che le morti superano le nascite, la popolazione si ridurrà.

Ora introduciamo qualche feedback nel modello. Mentre più nascite portano a una maggiore popolazione, una maggiore popolazione porta anche a più nascite poiché più persone fanno più bambini, dato che il tasso di natalità rimane costante (questo è il motivo per cui diciamo “a parità di condizioni”, perché consideriamo solo le due variabili che stiamo collegando quando pensiamo alla polarità). Pertanto, tracciamo un collegamento causale positivo dalla Popolazione alle Nascite.

Questo collegamento forma il nostro primo ciclo di feedback, mostrato sul lato sinistro dell’immagine sopra. Un ciclo di feedback è quello che chiamiamo un insieme di relazioni in cui una variabile porta ad un cambiamento in un’altra variabile che alla fine porta ad un cambiamento nella variabile originale. Per leggere un ciclo di feedback, si sceglie una variabile da cui partire e si sceglie arbitrariamente una direzione – o più o meno.

Quindi leggiamo questo iniziando con Popolazione e più. Più popolazione porta a più nascite che portano a più popolazione. Questo è chiamato un ciclo di feedback rinforzante (contrassegnato da una R) perché più nascite oggi portano a più nascite in futuro – le nascite rinforzano le nascite. Allo stesso modo, meno nascite porterebbero ad una popolazione più bassa che porterebbe a meno nascite in futuro; il processo di rinforzo funziona anche nella direzione opposta. Se questo fosse l’unico ciclo di feedback nel sistema della popolazione e le persone non morissero, allora vedremmo una crescita esponenziale del numero di persone.

Vediamo un diverso tipo di ciclo di feedback quando esaminiamo le morti. Più morti oggi portano a meno morti in futuro. Questo perché più morti oggi causano un calo della popolazione, il che significa che meno persone saranno in giro a morire in seguito. Questi tipi di loop sono chiamati Balancing Feedback Loops (contrassegnati da una B) poiché più porta a meno o meno porta a più – il cambiamento originale è bilanciato da un cambiamento nella direzione opposta.

I loop di feedback prendono una vita propria. Vediamo un insieme di relazioni che si ripetono in continuazione generando un comportamento che si sviluppa nel tempo. Questi due cicli di feedback possono causare alcuni comportamenti diversi in base al tasso di natalità e all’aspettativa di vita – osserveremo la Popolazione crescere e crescere sempre più velocemente finché domina il ciclo di rinforzo delle Nascite, e livellarsi se il ciclo di bilanciamento dei Decessi è dominante.

Nota nell’immagine sopra che ci sono due segni di hash, || , sui collegamenti causali tra Popolazione e Nascite e tra Popolazione e Decessi. I segni di hashish rappresentano un Ritardo, una situazione in cui ci vuole del tempo prima che l’effetto si manifesti. Ci vuole tempo perché un individuo abbia l’età per avere un figlio ed è per questo che c’è un ritardo tra Popolazione e Nascite. Questo ritardo è più lungo in alcuni paesi come la Nuova Zelanda, dove la donna media ha figli a 29 anni, mentre è meno di 20 anni in alcuni paesi in via di sviluppo.

Il ritardo nelle morti è uno in cui vediamo enormi differenze tra i vari paesi. In Giappone, l’aspettativa di vita è di oltre 80 anni, mentre è di soli 49 anni in Afghanistan. I ritardi hanno implicazioni importanti, quindi ogni volta che ne incontrate uno, pensate a voi stessi, “quanto è lungo questo ritardo?” Se i ritardi sono relativamente lunghi, ciò potrebbe portare a un ritardo nella risposta o all’incapacità di adattarsi (cioè non si può semplicemente cambiare la popolazione all’istante), mentre se i ritardi sono molto brevi o inesistenti, il sistema potrebbe essere più sporadico.

Il ritardo necessario alle persone per cambiare le loro opinioni è molto breve in un bambino piccolo, e molto lungo negli adulti (alcuni adulti non cambiano mai la loro visione del mondo dopo una certa età).

Un paese povero con risorse limitate

Ora diamo un’occhiata a un modello che cattura un paese povero con risorse limitate, qui sotto. Puoi rintracciare i due nuovi Balancing and Reinforcing Loops e dargli un senso? Proviamo!

Iniziamo con il nuovo ciclo di bilanciamento in basso a destra. Quando la popolazione aumenta, il numero di risorse per persona diminuisce, e quando questo accade, anche la speranza di vita media diminuisce, poiché meno risorse significa meno cibo, un’economia più debole, meno medici e meno posti di lavoro. Quando la speranza di vita diminuisce, il tasso di mortalità aumenta, il che fa diminuire la popolazione. Questo ciclo di bilanciamento ha senso, ma entrerà in gioco solo se la limitazione delle risorse è un problema serio.

Un’altra cosa interessante gioca in relazione alla speranza di vita nel nuovo ciclo di rinforzo in basso a sinistra. Quando l’aspettativa di vita scende e il tasso di mortalità infantile aumenta, le persone possono desiderare di avere famiglie più numerose. Questo alla fine porta a più bambini in ogni famiglia, il che aumenta la dimensione della popolazione, esacerba i vincoli delle risorse e diminuisce ulteriormente l’aspettativa di vita. Questo ciclo di rinforzo rappresenta un circolo vizioso in cui la gente essenzialmente ottiene ciò che vuole nel presente a spese del futuro. Ha senso questo meccanismo? Certamente non si applicherebbe in ogni contesto, ma in alcune situazioni, si potrebbe immaginare come una madre, aspettandosi che molti dei suoi figli muoiano prima di raggiungere un’età matura, vorrebbe avere più figli in previsione di morti precoci. Il modello è vero nel contesto di un insieme prevalente di fattori (i vincoli delle risorse contano) e credenze (avere molti figli è il modo migliore per assicurarsi una famiglia in futuro).

Context Is Key

Tenete a mente che questo è solo un modello di popolazione semplificato di una popolazione ipotetica. Può rappresentare alcuni paesi più di altri. Per esempio, alcuni potrebbero sostenere che il legame tra risorse e aspettativa di vita è debole finché il progresso tecnologico e le innovazioni ci permettono di sostenere le nostre abitudini di consumo senza estrarre risorse a un ritmo troppo elevato. Ma altri sostengono che la tecnologia non può fare molto, e che anche gli Stati Uniti alla fine raggiungeranno i loro limiti. Alcuni credono che stiamo usando il petrolio come se andassimo a prendere l’acqua da un pozzo – non abbiamo idea di quanto ne sia rimasto, quindi ci comportiamo come se fosse senza fondo.

Il problema particolare e il contesto di un modello dovrebbero essere sempre chiari. I modelli sono usati per inquadrare i problemi e rispondere alle domande. Sono teorie esplicite del perché qualcosa si comporta nel modo in cui si comporta. Dovrebbero aiutare a chiarire cosa si sta considerando e cosa si sta escludendo e presentare opportunità per suggerire correzioni e aggiunte e miglioramenti.

Sommario

Quindi la prossima volta che vedete un diagramma di loop causale:

1. Chiediti quale problema sta descrivendo
2. Passa attraverso i principali cicli di feedback, identifica che tipo sono, e riducili al processo che stanno catturando
3. Stima i ritardi per avere un’idea dei tempi di ogni ciclo di feedback
4. Identifica quali variabili e cicli sono dominanti
5. Pensa a ciò che manca

Ora metti in pratica ciò che hai imparato in questo breve Quiz sul Diagramma dei cicli causali!

Pratica di lettura di altri Diagrammi dei cicli causali (o vedi la lista completa dei saggi con i CLD):

• Crescita dell’industria degli smartphone
• Crescita degli affitti a San Francisco
• Vietare gli aborti
• Come si accumulano i piatti sporchi

Impara le basi:

• Fondamenti
• Archetipi
• Pensa come un modellista