A maior parte dos nossos posts inclui diagramas de malhas causais porque algumas coisas são melhor expressas com um modelo visual do que apenas em palavras. O pensamento de sistemas assume sistemas complexos e dinâmicos e como eles se comportam ao longo do tempo, o que exige um tipo diferente de linguagem. Este tutorial rápido irá ensinar-lhe o básico sobre a leitura de diagramas de loop causal através de um modelo de População.

Diagramas de loopausal consistem em variáveis (coisas, acções ou sentimentos) ligadas por ligações causais (setas) com polaridades (sinais + e -) e atrasos (||). Juntos, estes criam laços de feedback positivos e negativos que descrevem os círculos de causa e efeito que assumem uma vida própria. Vamos saltar para o nosso exemplo para tornar isto mais concreto.

Modelo de População

As duas coisas que fazem a População mudar são Nascimentos e Mortes, por isso usamos setas para representar estes elos causais. Sabemos que mais nascimentos levam a uma População maior, e menos nascimentos levam a uma População menor, tudo o resto igual. Diríamos que esta relação tem uma polaridade positiva, o que significa que as duas variáveis se movem na mesma direção: mais leva a mais, ou menos leva a menos. Indicamos que uma relação causal tem uma polaridade positiva colocando um sinal + ao lado da ponta da seta.

Sabemos também que mais mortes levam a uma População menor, e menos mortes levam a uma População maior. As variáveis vão no sentido oposto, mais leva a menos, ou menos leva a mais, então diríamos que esta relação tem uma polaridade negativa. Representamos isto rotulando a cabeça da seta com um – sinal.

Estas ligações causais são verdadeiras independentemente, e também são ambas verdadeiras ao mesmo tempo. Sozinhos, eles não nos dizem o que está realmente acontecendo com a população. A direção da mudança na população é determinada por qualquer uma destas duas relações que seja dominante. Enquanto os nascimentos excederem as mortes, a população crescerá, e sempre que as mortes excederem os nascimentos, a população diminuirá.

Agora vamos introduzir alguns feedbacks no modelo. Enquanto mais nascimentos levam a uma maior População, uma maior População também leva a mais nascimentos, uma vez que mais pessoas fazem mais bebês, dado que uma taxa de natalidade permanece constante (é por isso que dizemos “todos os outros iguais”, porque só consideramos as duas variáveis que estamos ligando quando pensamos em polaridade). Portanto, traçamos um link causal positivo da População de volta aos nascimentos.

Este link forma o nosso primeiro ciclo de feedback, mostrado no lado esquerdo da imagem acima. Um loop de feedback é o que chamamos de um conjunto de relações onde uma variável leva a uma mudança em outra variável que eventualmente leva a uma mudança na variável original. Para ler um loop de feedback, você escolhe uma variável para começar e arbitrariamente escolhe uma direção – ou Mais ou Menos.

Então vamos ler esta começando com População e Mais. Mais população leva a mais nascimentos, o que leva a mais população. Isto é chamado de Laço de Feedback Reforçador (marcado com um R) porque mais nascimentos hoje levam a mais nascimentos no futuro – os nascimentos reforçam os nascimentos. Da mesma forma, menos nascimentos levariam a uma população menor, o que levaria a menos nascimentos no futuro; o processo de reforço também funciona na direção oposta. Se este fosse o único Loop de Feedback no sistema populacional e as pessoas não morressem, então veríamos um crescimento exponencial no número de pessoas.

Vemos um tipo diferente de Loop de Feedback quando examinamos Mortes. Mais Mortes hoje leva a menos Mortes no futuro. Isto é porque mais mortes hoje causarão a queda da população, o que significa que menos pessoas estarão por perto para morrer mais tarde. Estes tipos de loops são chamados de Loops de Feedback de Equilíbrio (marcados com um B) já que mais leva a menos ou menos leva a mais – a mudança original é equilibrada por uma mudança na direção oposta.

Lops de Feedback ganham vida própria. Vemos um conjunto de relacionamentos que estão sempre acontecendo uma e outra vez gerando comportamentos que se desdobram ao longo do tempo. Estes dois loops de feedback podem causar alguns comportamentos diferentes baseados na taxa de natalidade e na expectativa de vida – vamos observar a População crescendo e crescendo cada vez mais rápido enquanto o loop de Reforço de Nascimentos dominar, e nivelando se o loop de Balanceamento de Mortes for dominante.

Nota na imagem acima que há duas marcas de hash, || , nas ligações causais entre População e Nascimentos e entre População e Mortes. As marcas de hash representam um atraso, uma situação em que leva tempo até que o efeito se produza. Leva tempo para que um indivíduo seja da idade de ter um filho e é por isso que existe um atraso entre a População e os Nascimentos. Esse atraso é maior em alguns países como a Nova Zelândia, onde a mulher média tem filhos aos 29 anos de idade, sendo que em alguns países em desenvolvimento é menos de 20 anos.

O atraso nas mortes é aquele em que vemos enormes diferenças entre os vários países. No Japão, a esperança de vida é superior a 80 anos, enquanto no Afeganistão é de apenas 49 anos. Os atrasos têm implicações importantes, portanto, sempre que você se deparar com um, pense em si mesmo, “quanto tempo é esse atraso?”. Se os atrasos são relativamente longos, isso pode levar a um atraso na capacidade de resposta ou incapacidade de adaptação (ou seja, você simplesmente não pode mudar a população instantaneamente), enquanto que se os atrasos são muito curtos ou inexistentes, o sistema pode ser mais esporádico.

O atraso necessário para que as pessoas mudem de opinião é muito curto numa criança pequena, e muito longo em adultos (alguns adultos nunca mudam suas visões de mundo após uma certa idade).

Um país pobre com limitações de recursos

Agora vamos dar uma olhada num modelo que captura um país pobre com limitações de recursos abaixo. Você pode rastrear os dois novos Loops de Equilíbrio e Reforço e dar sentido a eles? Vamos tentar!

Comecemos com o novo loop de balanceamento no canto inferior direito. À medida que a População aumenta, o número de Recursos por Pessoa diminui, e quando isso acontece, a Expectativa de Vida média também cai, pois menos recursos significa menos comida, uma economia mais fraca, menos médicos, e menos empregos. À medida que a Expectativa de Vida cai, a taxa de Mortes aumenta, o que faz com que a População caia. Este ciclo de equilíbrio faz sentido, mas só entrará em jogo dado que as restrições de recursos são um problema sério.

Outra coisa interessante é a que se relaciona com a Expectativa de Vida no novo ciclo de reforço na parte inferior esquerda. Quando a Expectativa de Vida cai e as taxas de mortalidade infantil aumentam, as pessoas podem desejar ter famílias maiores. Isso acaba levando a mais crianças em cada família, o que aumenta o tamanho da população, exacerba as restrições de recursos e diminui ainda mais a Expectativa de Vida. Este ciclo de reforço representa um ciclo vicioso em que as pessoas conseguem essencialmente o que querem no presente à custa do futuro. Será que este mecanismo faz sentido? Certamente não se aplicaria em todos os contextos, mas em algumas situações, você poderia imaginar como uma mãe, esperando que vários de seus filhos morram antes de atingirem uma idade madura, gostaria de ter mais filhos em antecipação às mortes precoces. O modelo é verdadeiro no contexto de um conjunto prevalecente de fatores (restrições de recursos importam) e crenças (ter muitos filhos é a melhor maneira de garantir que você tenha família no futuro).

Contextos são chaves

Condição de que este é apenas um modelo populacional simplificado de uma população hipotética. Ele pode representar alguns países mais do que outros. Por exemplo, alguns argumentariam que a ligação entre Recursos e Expectativa de Vida é fraca, desde que o progresso tecnológico e as inovações nos permitam suportar os nossos hábitos de consumo sem extrair recursos a um ritmo demasiado elevado. Mas outros argumentam que a tecnologia só pode fazer muito, e que até mesmo os EUA acabarão por atingir os seus limites. Alguns acreditam que estamos a usar petróleo como se estivéssemos a ir buscar água a um poço – não temos ideia de quanto nos resta, por isso comportamo-nos como se não tivesse fundo.

O problema particular e o contexto de um modelo deve ser sempre claro. Os modelos são usados para enquadrar problemas e responder a perguntas. Eles são teorias explícitas do porquê de algo se comportar como ele se comporta. Eles devem ajudar a esclarecer o que está sendo considerado e o que está sendo excluído e apresentar oportunidades para sugerir correções e adições e melhorias.

Sumário

Então, da próxima vez que você vir um diagrama de laço causal:

1. Ask que problema é que isto descreve
2. Passar pelos principais loops de feedback, identificar que tipo são, e resumi-los ao processo que eles estão capturando
3. Estime os atrasos para ter uma idéia da escala de tempo de cada ciclo de feedback
4. Identifique quais variáveis e ciclos são dominantes
5. Pense no que está faltando

Agora pratique o que você aprendeu neste pequeno Quiz do Diagrama do Laço Causal!

Prática de Leitura de Mais Diagramas de Laços Causais (ou veja a lista completa de ensaios com CLDs):

• Crescimento da Indústria de Telemóveis
• Crescimento do Aluguel de San Francisco
• Banning Abortions
• Como os Pratos Sujos se Empilham

Aprenda os Fundamentos:

• Fundações
• Archetipos
• Pense como um Modelador