导图社区 商务动态分析方法：对复杂世界的系统思考与建模
- 306
- 10
- 3
- 举报
商务动态分析方法：对复杂世界的系统思考与建模
在建立管理模拟模型的过程中，如何对现实世界进行相对准确的抽象是一个关键问题。美国麻省理工学院的Jay Forrester教授所创立的系统动态学就是这样一个对现实世界进行抽象的方法，并随之受到了国际上学界和业界的广泛关注，在很多领域得到了有效的应用。尤其是在商务领域，MIT的John Sterman教授把它发展成为了商务动态学，并逐渐形成了一套实用的商务思维体系。商务动态学位现代管理者提供了一套可以遵循的思维模式和工具，因而受到了众多商务人士的欢迎，也成为了很多商学院相关课程的重要内容。
编辑于2021-05-03 16:49:15- 系统思考
- 相似推荐
- 大纲
商务动态分析方法： 对复杂世界的系统思考和建模
第一部分 观点和过程
第1章 在复杂的系统中学习复杂的系统
1.1 导言
系统动态学从根本上来讲是跨学科的。
认知心理学
社会心理学
经济学
其他社会科学
1.1.1 社会系统对政策的抵制、没有预见到的后果与反直观的情况
我们的政策可能会产生意想不到的副作用。我们为稳定系统所做的努力，可能会使系统更不稳定
1.1.2 产生政策抵制性的原因
我们行动的结果决定了我们将来要面对的处境。
副作用表现出我们对系统的理解是狭隘且有缺陷的
意料之外的副作用之所以产生，是因为我们绝大多数行为是建立在这样的认知之上的，即认为因果关系在时间和空间上是紧密相连的。
1.1.3 反馈
所有的动态变化都只产生于两种反馈回路的交互作用，即正（或自我加强的）和负（或自我调整的）反馈回路。
正反馈
正回路会自我增强。
因果回路路（causal loop diagram, CLD）。箭头表示因果关系。箭头处的+号表示结果和原因正向相关。
正回路极性标识为R
负反馈
负反馈回路会自我调整。它们会抵消并阻止变化。
回路当中的B表示一个平衡的反馈。
1.1.4 应用建议：反馈的意义
正反馈和负反馈分别代表自我增强和自我调整的过程。
1.2 学习是一个反馈的过程
单回路学习
单回路学习的过程中，我们学着在现存的心智模型中实现自己当前的目标。单回路学习不会导致我们的心智模型发生巨变，也不会导致我们的目标和价值观发生重大改变。
心智模型是指我们对系统的因果结构的理解，我们系统划定的边界，以及我们认为相关的时限。单回路学习不会改变我们的世界观。
在系统动态学中，“心智模型”一词包括了我们对因果关系网的看法，它描述了系统是怎样运转的，也包括了模型的边界（应该包含哪些变量，不应该包含哪些变量）以及我们认为相关的时限——我们对问题的构想和表述。
在更高层次的认识上建模同样不可避免且经常是无意识的。
双回路学习
在双回路学习中，对现实世界的信息反馈不仅会改变我们在现存框架和决策规则中的决策，而且还会改变我们的心智模型。
随着心智模型的改变，我们会改变自己系统的结构，创造不同的决策规则和新的战略。
1.3 学习的障碍
今天我们系统的变化速度要快得多，其复杂性程度也高得多。
例如，1970年“财富500强”企业的1/3在1983年已经消失了。
在大多数背景下，我们缺乏进行实验的能力，从进行干涉到出现结果之间的间隔就长得多。
学习反馈中的每个链环可能失败的主要情形
动态的复杂性
关于现实世界状态的信息不完全
含糊不清的变量
科学推理能力差
防守性的程序和其他有效群处理（group process）的障碍
实施失效
对反馈的错误理解
1.3.1 动态复杂性
动态复杂性产生是因为
动态
从很长的时间范围来看，那些看似不变的东西也在改变
紧密联系的
万事万物息息相关
受反馈的约束
我们的决定改变环境和其他行动者的变化，从而引发新的状况，而这个新的状况又会影响我们下一个决定。动态变化正源于这些反馈。
非线性特性
结果与成因鲜少成比例，发生在系统的某个局部（靠近当前的操作点）得事情，往往不能应用在遥远的区域（系统中的其他状态）
当决策制定中的多重因素相互作用时，也会产生非线性。
历史依赖性
选择一条路径就排除了另一条路径，并且往往决定了你的终点（路径依赖性）
许多行为是不可逆转的（热力学第二定律）
存量和流量（积累）以及长时间延迟经常意味着为与不为在时间常量上有根本差异。
自我构成
系统的动态变化自发地产生于系统的内部结构
适应性
复杂系统中行动者的能力和决策规则因时而异
与主观愿望不一致
在复杂的系统中，原因和结果在时间和空间上相隔遥远，但对于我们寻求解释的事物，我们倾向于寻找近因。
高杠杆作用的政策结果往往并不明显。
对政策的抵制性
我们所处系统的复杂性压倒了我们理解它们的能力。结果，许多效果看似显著的解决方案失败了，有些甚至使情况变得更糟。
换位的特征
反馈回路的时间延迟意味着系统对干预的长期的反应往往不同于它的短期反应。高杠杆作用的政策往往会产生变好之前先变坏的行为，低杠杆作用的政策则会在问题变糟之前出现短暂的改善。
系统中组成要素的数量，或者在制定决策时必须考虑的各种组合的数量导致复杂性
随着时间的推移，各角色间的相互作用导致了动态复杂性。
时间延迟引起系统动态的不稳定性。负反馈回路加上时间延迟，是系统趋于震荡。
震荡和不稳定削弱了我们控制混淆变量和洞悉因果的能力，此外还减缓了学习的速度。
1.3.2 信息的有限性
我们以前选择去定义、量度并关注的东西，限制了心智模型的变化。所见即所信，并且所信即所见。两者互为反馈。
有时候，正反馈通过磨炼我们感知环境特征的能力来帮助学习。
但是通常，预期和感知的相互反馈限制了学习，使我们对于那些可能改变我们心智模型的异常因素熟视无睹。
1.3.3 混淆变量和未知量
我们接收的多数信息都是混淆不明的。因为我们将自己决定引起的系统状态的变化与许多其他同时发生的变化混淆在一起。可能影响系统的变量的数目大大地压倒了可用来排除可选理论和竞争解释的信息的数量。这种辨识上的难题对定性和定量的方法都是一种困扰。
1.3.4 理性的有限性与对反馈的错误认识
人们通常采用一种基于事件的、因果关系的非回路的观点；忽视反馈的过程；未能意识到行动和反应之间的时间延迟；在报告信息的时候，未能理解存量和流量；并且对于在系统进化过程中可能改变不同反馈回路强度的非线性特性不敏感。
实验表明，一个环境的动态复杂性越高，相较于潜能而言，人类的表现越差。
心智模型的的不足
我们对系统因果结构的认知图与系统本身的复杂性相比是大大简化了的
除了最简单的因果图外，我们无法对所有动态做出正确的推断。
理性的有限性，也就是注意力、记忆力、回忆能力、信息处理能力，以及时间上的众多限制因素制约了人类的决策，直接导致了这两种状况。
1.3.5 错误的认知图
我们用以判断因果关系的直观推断形成了我们的认知图，这种认知图忽视反馈、多重相互联系、非线性、时间延迟以及动态复杂性的其他因素。
复杂系统中，原因与结果在时间和空间上往往相距甚远；每一种行动都可能产生多种结果；延迟、远期结果往往区别于近期结果，更不如即时出现的结果那样显著。
系统动态学的一个基本原理表明：系统的结构决定了它的行为。
1.3.6 对动态关系的错误判断
人们无法用脑力模拟即使是最简单的反馈系统：一阶线性正反馈回路。
人们极其严重地低估了指数增长，倾向于线性地推断而不是指数性地推断。
创业者看到的是指数增长，投资人期望看到指数增长。
理性的有限性也限制了认知图的复杂程度，并且限制了我们利用认知图来预见系统动态的能力。我们的心智模型把世界看成是连续的事件，而且缺少对反馈、非线性以及结果多样性的考虑。
1.3.7 不科学的推理：判断的错误和偏差
在无法进行科学推理的各种情况中，最不利于学习的是人们倾向于寻找与当前信念相一致的证据，而非可能的证明当前信念不成立的证据。
专注于确认目前信念的搜寻策略，会减慢产生和认识非常规的事物，而非常规的事物可能引起学习，尤其是双回路学习。
系统动态学的一个中心原则就是从多方透视来检验问题；扩展我们心智模型的边界，来考虑我们行为的长远效果和 “副作用”，包括它们对环境、风俗和道德的影响。
1.3.8 常规的防御性行为和人际关系对学习的阻碍
防御行为通常造成集体思维，从中，集体中的成员共同巩固他们当前的信念，压制异议，并且把他们自己与持不同观点的人或可能驳斥当前信念的证据相隔离。
集体学习甚至比个人学习的阻碍更大
1.3.9 实施失效
现实世界中，决策经常得不到完美的实施，从而进一步阻碍了学习。
在行为不可逆转和高赌注的现实世界中，对维持绩效的需求往往凌驾于对学习的需求，从而压制新的战略，担心它们可能对当前造成伤害，即使这些新的战略可能富有远见并预防未来的伤害。
1.4 复杂系统中成功学习的条件
1.4.1 改善学习的过程：虚拟世界的优点
首先，它为学习提供了一个低成本的实验室。
虚拟世界里可以采用那些在现实系统中危险、不可行或不道德的决定。
在虚拟世界中，可以尝试那些预期会带来糟糕的表现甚或灾难（模拟）的战略。比起逐渐调整以获得成功的战略，把系统放在极端的环境里往往可以暴露其更多的结构和动态变化。
虚拟世界提供高质量的结果反馈
1.4.2 虚拟世界的缺点
在实践中，从模型中获得有效学习发生得最好，或许也是唯一发生的情况，就是当决策制定者积极参与到建模过程中的时候。
建模涉及启迪参与者现有的心智模型，包括阐明议题（问题结构），选择模型的边界和时限，并描绘相关系统的因果结构。
1.4.3 为什么模拟是必需的
如果没有模拟，即使是最好的概念模型也只能通过现实世界的学习反馈来得到检验和改善。面对动态复杂性、时间延迟、不充分且模糊不明的反馈、糟糕的推理技巧、防御性的反应以及实验的成本，这样的反馈来的既慢又无效。这种情况下，模拟成了检验假设并评价政策所可能造成的影响的最可靠的方法。
模拟使得对行为准则和约束的严格检验成为了可能，而如果没有这些行为准则和约束，心智模型就太容易受到意识形态或无意识偏见的驱使。
如果实验在现实系统中不可实行，模拟就成了发现复杂系统如何运转的主要甚或唯一的方法。
1.5 小结
系统动态学是一种强大的方法，可以用来获取对动态复杂性和对政策抵制性的有用的洞察力。它被日益用来为公司和国家政策机构设计更为成功的政策。
第2章 应用系统动态学的实例
2.1 系统动态学的应用
客户必须通过积极参与建模过程来亲自找到洞察力
模型复制数据要有合适的理由，并且能用朴素的语言解释。任何建模项目的客户，只有在改变心智模型前提下，才能最终采取行动。
敞开模型让客户审阅对建模者来说是必要的，这样可以确信模型涉及了客户最关心的问题，并且确信建模者为此目的建造了最好的模型。
2.4 维修游戏
一旦模型按照历史数据得到充分校准，接下来的步骤就是要设计高杠杆作用的政策来摆脱事后补救的模式。
每个独立的政策合起来的影响大大超过了单独实施每个政策的影响总和。
先坏后好的行为在复杂系统中相当普遍。但如果管理者不了解为什么会出现这种情况，或者这种情况将会持续多久，那么他们会把这种短期的情况恶化视为某政策无用的证据并放弃
正式模型是最重要的，因为它使我们开始洞察到过程改善的动态变化和高杠杆政策所产生的增效作用。模型还使建模队伍能够开发这一游戏并使之变为现实。
小结：成功运用系统动态学的原则
1. 开发一个模型是为了解决特定问题，而不是为系统建模
建模者必须排除所有与问题不相关的因素，以确保项目范围的可行性以及结果的时效性。
要关注结果
2. 从一开始就把建模与整个项目整合起来
建模过程的价值早在对问题进行定义这个阶段就开始了。
3. 对建模的价值持怀疑态度，并从项目一开始就强制讨论“为什么我们需要如此”。
因为系统动态学对许多问题并不适用
4. 系统动态学并不是孤立的。在适当的时候，使用其他工具和方法。
有效的建模取决于强大的数据资源和对问题的充分了解。建模工作在与其他工具相互补充而不是取代其他工具时，效果最好。
5. 从项目一开始就留意决策的实施
模型将如何帮助制定决策？
利用模型来设定优先级，并决定政策实施的顺序。
6. 当客户和建模者共同对过程反复提出质疑的时候，建模最有效果。
建模目标是对问题如何产生这一点形成新的理解，然后用新的理解来设计高杠杆作用的政策，以求改善现实。
客户往往在事先就形成想法，认为事情该如何处理，不要把客户的这种想法加入模型中去
7. 避免黑箱建模
如果客户看不到建模过程，那么这个模型绝不会给深植脑海的心智模型带来任何改变，因此就无法改变客户的行为。应该让客户尽可能早、尽可能多地融入建模过程。
8. 检验是一个持续的过程，在其中测试模型并建立信心。
客户（和建模者）通过不断让模型面临数据和专家意见（建模者自己和其他专家）的挑战，逐步建立起对它的信心。
9. 尽快建立可用的初步模型。只在必要时才加入细节。
尽快建立一个可行的模拟模型。
模拟试验的结果提供了概念上的理解，并且帮助建立对结果的信心。最初的结果为客户提供了即时的价值，而且向他们证明继续投入时间是合理的。
10. 宽广的模型边界比大量的细节更为重要。
模型必须在两方面取得平衡
一方面是要对客户所处的机构和可用的杠杆政策做出有用且可操作的表述。
另一方面是要捕捉那些在客户中心智模型中未被解释的反馈。
当系统各组成部分交互作用时，系统就会出现动态变化——比起对各组成部分进行大量的细节表述，捕捉它们之间的反馈要重要的多。
11. 邀请建模专家，而不是初学者。
建模要求使用严谨的方法，对业务有深入的了解，还要有在学习和经验中形成的技能。
12. 实施不因一个单一项目的结束而结束。
建模工作在初始项目结束之后仍会持续产生很久的影响。模型和管理飞行器适用于其他系统中相同的问题。
第3章 建模过程
3.1 建模的目的：将经理变为组织设计者
太多的经理，特别是高层经理，花费太多的时间做飞行员——制定决策，从下属那里收回控制权——而不是创建一个同他们的远景和价值观一致的组织结构，这个结构可以由普通人很好地操作。
将你的建模工作关注于重要的问题，关注于能产生持久效益的问题，关注于你最关心的问题。
3.2 客户和建模者
你的客户是要使你的工作产生效果你所必须影响的人。他们是那些为了解决问题必须改变行为模式的人。
为了让建模更有效率，建模过程必须集中于客户的需求。你的模型一定要关注于那些让客户整晚睡不着觉的问题。
建模者有责任要求客户证明他们的观点，用数据支持他们的看法，并且考虑新的视角。
3.3 建模过程的步骤
（1）明确地表达要解决的问题，确定系统的边界
选择主题：问题是什么？为什么它是一个问题？
关键变量：关键变量是什么？我们必须考虑的概念是什么？
时限：问题的根源应追溯过去多久？我们应考虑多远的未来？
参考模式：关键变量的历史行为是什么？将来它们的行为会怎样？
（2） 提出关于问题因果关系的一个动态假说或理论
现有的理论解释：对存在问题的行为现有的理论解释是什么？
聚焦于系统的内部：提出一个由于系统内部的反馈结果导致动态变化的假设。
绘图：根据初始假设、关键变量、参考模式和其他可用的数据建立系统的因果结构图，这一过程中可以使用的工具包括：
系统边界图
子系统图
因果回路图
存量流量图
政策结构图
其他可以利用的工具
树立正确的择业观
（3）写方程来测试动态假说
明确结构、决策规则
估计参数、行为关系和初始化条件
测试目标和边界的一致性
（4）测试模型直到你满意地认为它已经达到你的目标
与参考模式比较：模型能完全再现过去的行为模式吗？
极端条件下的强壮性分析：在极端条件下模型的行为结果符合现实吗？
灵敏度：模型的各个参数、初始化条件、模型边界和概括程度的灵敏度如何？
（5）政策设计和评估
具体化方案：可能产生什么样的环境条件？
政策设计：在现实世界中我们可以实施哪些新的决策规则、策略和结构？它们怎样在模型中表示？
“如果——则”分析：如果实施这些政策，其效果如何？
灵敏度分析：不同的方案和不确定性条件下，各种政策的强壮性如何？
政策的耦合性：这些政策相互影响吗？它们是相互协同增效，还是相互抵消？
3.4 建模是反复的过程
模拟模型是基于我们的心智模型和从现实世界中搜集的信息而构建的。在现实世界中使用的策略、结构和决策规则可在模型代表的虚拟世界中被表达和测试。模型中所做的实验和测试反过来改变我们的心智模型，并导致新策略、新结构和新决策规则的设计。接着这些新的策略在现实世界中实施，它们的反馈效果引出我们新的洞察，并对定量模型和心智模型进一步改进。建模不是产生绝对答案的一次性活动，而是在模型代表的虚拟世界和行动代表的现实世界之间的持续循环过程。
3.5 建模过程概述
3.5.1 明确问题：目的的重要性
要让一个模型有用，它必须关注特定的问题并且简化而非试图详细反映整个系统。
模型的有用性在于它简化了现实，创造了我们能够理解的表达方式。
模型的目的提供标准来决定该忽视什么，从而只剩下为满足目的而需要的基本特性。
永远对问题建模，而别对系统建模。
确定问题
建立参考模式
参考模式，就是一套图形和其他描述数据显示出问题随时间的发展变化。 参考模式帮助你和你的客户打破大多数人具有的短视的、事件导向的世界观。
参考模式之所以这样称呼是因为将在建模过程中不断地引用它们
明确的设定时限
为了表明问题怎样发生和描述它的特征，时限应追溯到足够远的历史。时限还应当伸展到未来足够远以捕捉可能采取的政策的延迟和间接效应。
一个长期的时限是对我们事件导向的世界观的矫正方法，这种世界观削弱了我们辨识行为模式及产生行为模式的反馈结构的能力。
建模者必须警惕是否接受客户最初建议的合适时限。往往那些时限是基于里程碑或整数，而与问题的动态关系不大。一个好的指导原则是将时限设置为数倍于系统中最长的时间延迟，再加上一些。
3.5.2 提出动态假说
详尽阐述解释问题行为的假说，称作动态假说。假说是动态的，因为它必须以内在反馈和系统存量流量图的形式对问题的动态特征提出解释。
内生性解释
“内生性”意味着“从内部产生”。内生性理论通过模型中的变量和因素的交互作用产生系统的动态。
外生性解释根本不是解释，他们仅仅是回避问题。
系统动态学对内生变量的关注并不意味着模型中永远不能包含任何外生变量。但是外生变量的数量应当很小，并且必须仔细审查每个计划作为外生变量的变量以确保事实上没有任何从内生变量影响该变量的重要反馈。如果有重要反馈，那么模型边界必须扩展以把该外生变量变成内生变量。
模型边界过于狭窄并依赖于外生变量的后果往往非常严重。
设置足够宽的模型边界以抓住重要反馈比定义单个组成部分的众多细节更为重要。
绘制系统结构图
模型边界图
一个模型边界图通过列出内生变量、外生变量以及从模型中排除在外的关键变量概括了模型的范围。
通过明确地列出模型排除在外的变量，提供了一个关于模型结果局限性的明显警告。
子系统图
子系统图显示了模型的整体结构，包括子系统间的物流、资金流和信息流等。子系统图可以公司、客户或组织的子单位。
子系统图是概要，不应当包含太多细节。多个子系统图能被用于表达大型模型的等级结构。
因果回路图
因果回路图是显示变量之间因果链的简图，因果链用从原因到结果的箭头表示。
存量流量图
流量是存量增加或减少的速率。
存量表征了系统的状态并且产生作为决策基础的信息。
决策改变流量的速率，改变存量和闭合系统中的反馈回路。
政策结构图
是显示对特定决策规则的信息输入的因果图。
政策结构图关注于建模者假定决策制定者用以控制系统中流动速率的信息。
3.5.3 写方程
写方程是对你对问题理解程度的真正测试。
3.5.4 测试
将模型的模拟行为同系统的现实行为做比较。
每个变量必须对应于现实世界中一个有意义的概念。
每个方程式都必须检查量纲是否一致。
模型必须在极端条件下被测试。极端条件测试构成了发现模型缺陷的关键工具，并且为改进理解设定了舞台。
3.5.5 政策设计和评估
政策设计包括创建全新的战略、结构和决策规则。
因为系统的反馈结构决定了它的动态性，大多数时间高杠杆政策是通过以下方法对主要反馈回路作出改变
重新设计存量流量结构
消除时间延迟
在关键的决策点改变可得信息的质量和流动
或者从根本上重新制定系统中行为者的决策过程
3.6 小结
有效的建模一直在虚拟世界的模拟实验于现实世界的实验和数据搜集之间循环。
模型必须明确地专注一个目的。
当然，随着建模过程带给你更深的洞察，对问题的定义和描述可能变化。事实上，这样的彻底重构往往是模型最重要的所得。
建模者既需要第一流的分析技能，又要有出色的人际沟通和政治技巧。
建模者有道义上的责任来追求建模过程的严格和诚实。
第4章 动态系统的结构与行为
系统的行为由它的结构决定。这种结构包括由系统的物理和制度构造与系统主体的决策制定过程间相互作用所产生的反馈回路、存量与流量以及非线性。
4.1 动态行为的基本模式
4.1.1 指数增长
指数增长由正反馈结构产生。
看似线性增长的往往实际上是指数增长，只是观察时限太短以至于见不到加速。
4.1.2 寻的
负反馈回路追求将系统状态带到目标或设想状态
4.1.3 波动
在一个震荡系统中，系统状态持续调整过高（超调），逆转，然后又调整过低，以此类推。
过度（超调）是由负反馈回路中有显著时间延迟所产生。时间延迟导致纠偏行动在系统达到目标状态后仍然继续，迫使系统调整过度，并且引发反方向的新的纠偏。
4.1.4 应用建议
辨识主导回路的潜在变换是建模的一个有价值的工作。
即使数据中没有减缓的迹象，辨识增长的潜在约束是一个找到未来可能的瓶颈的限制的有效途径。
4.2 基本模式的相互作用
4.2.1 S形增长
增长最初是指数性的，但是逐渐减缓直到系统状态达到均衡水平。曲线的形状就像一个伸展的“S”。
通常，一个种群可能依赖于许多资源，其中每个都能产生限制增长的负反馈回路；最有约束力的限制决定了哪一个负反馈回路将在系统状态增长的过程中最具影响。
产生S形增长的两个关键条件
负反馈回路不应包括任何显著的时间延迟（如果包括，系统将围绕着承载能力过度调整和震荡）
承载能力必须固定，它不能随种群的增长而消耗，以免种群耗尽其资源而被迫绝灭。
曲线的转折点是系统尽管仍在增长，但是从加速变为减速的那个时刻；转折点标志着主导回路的变化，在该点追加系统的单位减少净增长速率比它增加种群净增长的幅度更大。
4.2.2 带有超调的S形增长
负反馈回路中的时间延迟可能导致系统状态围绕着承载能力过度调整和震荡。
4.2.3 过度调整（超调）并崩溃
种群增长能在两个方面降低资源充足性
减少个体平均资源
减少总资源
4.3 其他行为模式
4.3.1 静态平衡或均衡
恒定性既可能由于影响系统状态的动态变化非常缓慢以至于无法察觉，也可能因为存在强大的负反馈过程保持系统状态近乎恒定。
4.3.2 随机
在大多数情况下，随机性是我们无知的量度，不是系统的内在特性。
4.3.3 混沌
减幅震荡：局部稳定性
衰减摆动的均衡状态被称作局部稳定：扰动将引起系统振荡，但是最终它将回到同样的均衡。
扩张震荡和有限循环
有限循环：处于局部不稳定性平衡的震荡系统，如果被微微推理其平衡点，它的摆动将变得越来越大，直到它们被不同的非线性所限制。
在稳定态，任何初始扰动的影响逐渐消失之后，出现一个在状态空间中遵循特定轨道（闭合曲线）的有限循环。稳定状态轨道被称作吸引子，因为离它足够近的轨迹都会向它靠拢。
混沌震荡
混沌是震荡的一种形式，混沌系统波动不规则，从不准确重复自己，即使它的运动是完全准确的。
混沌系统的运动从不重复，相反，系统的轨道形成被称作奇异吸引子——一套紧密相关但是稍微不同的轨道而非单一闭合曲线。
混沌系统有对初始条件的敏感依赖性。两个相邻系统，无论多接近，将以指数级别分离，直到其中一个的状态对另外一个状态的影响等同于任何随机选择的影响。
敏感依赖性意味着对混沌系统的预测时限很短。
4.4 小结
系统的反馈结构决定其行为
三种基本模式
指数增长
寻旳
震荡
系统的结构产生其行为的原理能启发建模者去发现系统的反馈回路结构。当特定的行为被观察到时，你就知道在数据所覆盖的期间之内哪种基本反馈结构占主导地位。
建模者还必须仔细寻找：在其模型中包含着在形成动态方面至今还不重要，但随着系统演变也许被激活的反馈回路和结构。
第二部分 系统思考的工具
第5章 因果回路图
5.1 因果图中的记号
causal loop diagram, CLD是表示系统系统反馈结构的重要工具。适合于下列目的
迅速表达你关于系统动态形成原因的假说
引出并表达个体或团队的心智模型
可以用CLD将重要反馈传达给他人
一张因果图包含多个变量，变量之间由标出因果关系的箭头所连接。
每条因果链都具有极性，或者为正（+）或者为负（-），该极性指出了当独立变量变化时，相关变量会如何随之而变。
重要回路用回路标识符特意标出，以显示回路为正反馈还是为负反馈。注意回路标识符用相关回路朝同一个方向绕圈。
5.2 构建因果回路图的指导方针
5.2.1 因果关系与相关关系
所作图中每个链条都必须代表（你所认为的）变量之间的因果关系。不应包含变量之间的相关关系
模型和因果图必须只包括那些你认为表达了系统背后因果结构的关系。
5.2.2 标注因果链的极性
一定要为图中的每一个因果链标注极性
正反馈回路也称作增强回路，并由”+“或R所标识，而负反馈回路有时被称作平衡回路，由”-“或B所标识。
5.2.3 判断回路的极性
快速方法：数负因果链的数目
如果负因果链的数目是偶数，回路为正；如果负因果链的数目是奇数，回路为负。
正确方法：沿回路跟踪变化的影响
如果反馈效果加强了原来的变化，它就是正回路；如果反馈效果抵消了原来的变化，它就是负回路。
所有因果链都应当有明确的极性
如果在为一条因果链确定清晰和明确的极性时有困难，通常意味着这两个变量之间有多条因果路径。
将极性有明显歧义的因果链分割成不同路径能够加深对因果结构、延迟和系统行为的理解。
5.2.4 命名你的回路
对回路进行命名，可以帮助听众理解回路的作用，并且为讨论提供有用的简称。
回路的名称方便了对反馈回路复杂部分的引用。
5.2.5 指出因果链中的重要延迟
延迟使系统产生惰性，可能导致震荡，并且往往使政策的短期效果和长期效果刚好相反。
5.2.6 变量名
变量名应当是名词或名词短语
行动（动词）则由连接变量的因果链所表达
变量名必须有清晰的方向感
即可以变大或变小的变量。
如果变量没有清晰的方向感，无法为因果链指定明确的极性。
选择从常规意义上说方向为正的变量
避免使用包含否定前缀的变量名
5.2.7 有关因果回路图布局的告诫
1. 使用曲线来代表信息反馈。曲线会帮助读者对反馈回路形成视觉形象。
2. 让重要回路遵循圆形或椭圆路径。
3. 合理组织图形，将交叉线减到最少。
4. 没有意义的符号仅仅带来杂乱无章和注意力的分散。
5. 反复尝试，以找到最好的布局。
5.2.8 选择合适的概括的程度
太多的细节将使我们很难看到总的反馈回路结构以及不同回路如何相互作用。
太少的细节会使你的听众很难理解其中的逻辑，并评估模型的合理性和现实性。
如果你的听众无法理解一条因果链中的逻辑，应当明确表达其中的一些中间变量。
5.2.9 不要将所有的回路放入一个大图
将一个复杂因果图一次表达出来会使人们很难识别回路、理解何者重要或去理解它们如何产生动态。
分阶段建立模型，伴随一系列较小的因果回路图。每个图应当对应于动态问题的一部分。
为每个重要回路作一张单独的图。这些图可以具备足够的细节来显示流程实际如何运作。然后将图结块成一个较简单的、高度概括的图，来显示回路之间如何相互作用。
5.2.10 明确表示出负回路的目标
目标是系统想要达到的状态，并且所有的负回路通过把实际状态同目标状态进行比较，然后对差异进行修正来发挥作用。
5.2.11 分清实际状况和察觉到的状况
讨论如何缩短延迟以及消除失真
5.3 应用建议：从访谈数据中形成因果图
搜集数据的技术包括调查、访谈、实地观察、历史数据等
半规范式的访谈（在里面建模者有一套预定的问题要问，但是可以自由地偏离谈话脚本以追寻感兴趣的方向）特别有效
建模者必须通过对尽可能多的数据源做三角校验，才能获得对问题结构和其中参与者决策过程的洞察和了解。
访谈形成的变量名要紧密对应于你所访谈的人所使用的实际单词，同时坚持上面所述正确变量名的选取原则（名词短语，清晰和正面的方向感）。
因果链应当直接由访谈记录中的某段文字所支持。
对相关者展示最初的图形并邀请他详细说明及添加任何丢失的因果链。
5.4 概念化的案例：管理你的工作负荷
5.4.1 问题描述
蚂蚁策略
今天能做的事决不要推到明天
蚂蚱策略
能推到明天的事决不在今天做
5.4.2 辨识关键变量
作业布置速率
作业完成速率
未完成的作业
分数
每周完成作业花费的时间
体力水平
5.4.3 形成参考模式
时限是明确规定的
为避免凌乱，用几个不同的图
单位相同的变量画在同一个轴上
不需要用定量数据来表达参考模式中的动态
对参考模式中的每个特性都应该有对应的数据（数值或描述）来支持
即使现有的描述并未定义变量的幅度和步调，它们仍应当同你关于系统的知识相一致。
确认你的图与变量之间的任何存量和流量关系保持一致
5.4.4 形成因果图
使用系统的描述和参考模式来形成反馈过程的因果图，并用该因果图来解释产生动态的根源。
5.4.5 因果图的局限
因果图随着理解的深化和建模工作的目的推移而变化。
5.5 亚当·斯密得无形的手以及市场的反馈结构
5.5.1 市场失灵、逆向选择以及死亡螺旋
因为信息有限、进入和退出成本以及资源的不灵活性，真实世界中的许多市场是不完美的。这些不完美产生出反馈，有时超过平衡供需的负反馈，导致市场作用的低效甚至完全无效。
市场失灵的一个原则是逆向选择。在销售者和购买者所处的市场具备不同信息时可能发生逆向选择。
5.6 解释政策抵制：交通阻塞
一个好的模型需要一个有实际意义并且能被衡量的变量。
构建因果图时计量单位的一致有助于澄清变量定义和变量关系。
Paikinson法则——工作会自己扩展，填满其完工日期前的所有可用时间。
Parkinson法则来自负反馈结构
5.6.5 补偿性反馈：政策抵制的来源
针对问题表征的政策往往失败，因为它们激发补偿反馈，而补偿反馈会削弱政策的预想效果。
第6章 存量和流量
6.1 存量、流量和累积
存量使得系统产生惰性并具备记忆功能。存量通过对一个过程入流和出流之间的差异进行累积而产生延迟。通过对流量的解耦，存量成为系统中动态失衡的源泉。
无法理解存量和流量之间的区别往往导致对时间延迟的低谷、短视以及政策抵制。
6.1.1 存量和流量的绘图符号
6.1.2 存量和流量的数学表达
6.1.3 存量对动态的贡献
1. 存量表征了系统的状态并提供行动的基础
2. 存量让系统出现惯性和记忆
3. 存量是延迟的来源
4. 存量解耦入流、出流间的联系并产生不均衡的动态
一旦两个相耦合的活动由不同的决策制定者所控制，涉及不同的资源，并且受不同的随即波动所影响，那么它们之间就必须存在一个缓冲或存量，将差异累积起来。
6.2 辨识存量和流量
存量是物料的数目或其他累积。它们是系统的状态。
流量是这些系统状态变化的速率。
6.2.1 存量和流量的计量单位
存量通常是一个数目
相应的流量必须以每时段同样的单位来衡量。
6.2.2 快照测试
存量刻画着系统的状态
存量是那些可以在图像中计数或衡量的东西。
6.2.3 存量和流量网络中物质的守恒
6.2.4 由状态决定的系统
常数是变化非常缓慢的存量，以至于在模型所感兴趣的时间内被认为恒定。
外生变量是那些不打算明确建模的变量，因而它们位于模型边界之外。
模型边界由圆角方框表示。
6.2.5 辅助变量
辅助变量由存量（以及常数或外生输入）的函数所构成。
使用辅助变量能将回路区分开来，并能明确标出链接和回路的极性
6.2.6 存量只能通过它们的速率而变化
不可能有直接指向存量的因果链
6.2.7 连续时间和瞬间的流动
从数学上说，进入存量的净流量（入流减去出流）就是存量变化的瞬间速率——其导数。
随着缩短测量间隔的长度，所报告的平均速率将变成瞬间速率的更好近似。
6.2.8 流量的连续和离散
大多数流量实际上是离散的，意味着它们由独立个体的集合组成，这些独立个体无法被分成任意小的单位。
因为员工可以兼职、工作于任务分享的环境或被分配到多个项目中，所以谈论分数个人（比如105.3个人）是有意义的。
将存量和流量表达为连续还是离散取决于模型的目的。
6.2.9 应当使用哪种建模方法
建模技术和软件的选择取决于关于存量和流量的哪种假定适合你的目的。在任何情况下都要确保你的建模软件和方法能包括你认为重要的反馈过程。
6.2.10 应用建议：描绘存量和流量的一些实践做法
存量和流量图于更数学化的正规符号包含着相同的信息，但更容易理解和随时修改。
6.3 绘制存量流量图
6.3.1 因果回路图中何时应当明确显示存量和流量结构
通常，应当包括表达物理过程、延迟或者在动态行为中占据重要地位的存量和流量结构。
6.3.2 绘制存量流量图时的概括
一般是首先辨识系统中的主要存量，然后辨识改变这些存量的流量。
必须为这些存量和流量的描绘选择一个合适的概括程度和合适的边界。
概括的程度指的是所代表的内部类别或存量的数目
边界指的是我们选择表达物流和模型中其他数量时向其上游和下游伸展多远。
最好始于一个较高的层次，进行概要的表达，在需要强调特定目的时才加入细节。
6.3.3 概要表达时应遵循的指导
相对于我们所研究动态的时间尺度来说，驻留时间短的存量通常不需要被明确表达，或者可以被忽略或者被合并入相邻的存量。
如果每个流量由相类似的决策规则所控制，并且如果不同物品驻留在每个存量上的时间是类似的，那么并行的活动可以被合理地合并在一起。
你必须同客户一起工作，来让客户理解为何过多的细节是不必要的。往往是，模型最终包含了过多的细节，但随着客户获得信心并理解了产生动态的重要反馈，多余的结构可以被消除，产生一个更简单、更容易维护、并且更有用的模型。
你必须提供足够细节，使得客户相信你已经正确地考虑了他的困难、他的问题、他所关注的层次。否则他不会相信你构建的模型，他不会接受它，并且他不会使用它。
6.3.4 应用系统动态学的案例：对大型建筑项目进行建模
尽管模型用很高的概括水平来对项目进行表达，建模小组仍构建了许多更为详细的图。这些更详细的图能帮助建模者和客户小组发现思想中的缺陷，更好地对参数进行估计，并且加深他们对流程的理解。由此他们对概括程度更高的图才有信心，而更详细的存量和流量结构却不需要被融入模型之中。
6.3.5 设定模型边界：“质疑云团”
我们假定源和漏具有无限能力，永远不会限制它们所支持的流量。
当你用云团切断存量和流量链时，就设置了模型的边界——超过该点的存量和流量被忽略；排除了所有来自边界之外存量的反馈和交互。
作为建模者，必须严格检验这些边界假定，必须“质疑云团”，对你的目的而言，将某个存量排除在模型边界之外是否合适？流量源是否会耗尽？漏是否会被填满？
6.3.6 应用系统动态学的案例：汽车回收
6.4 小结
存量是其流入量和流出量之差的累积。存量是系统状态，决策和行动基于此而作出，是惰性和系统记忆的来源，会产生延迟，并且通过解耦流速而产生不均衡的动态。
快照测试中，可以想象在某个时刻冻结系统——那些可度量的数量就是存量，而流量是不能立刻被观察或量度的。计量单位也能帮助辨识存量和流量。如果一个存量以个数来衡量，其流量必须以单位时间内的个数来衡量。
网络中相邻的一系列存量可被合并在一起，如果它们相对于时限和感兴趣的动态来说比较短命的话。
系统中的源和漏具有无限的能力，因此它们代表了模型的边界。建模者应当总是质疑有关边界的假定，以及对模型目的来说，假定源有无限的供应能力而漏有无限的吸收能力是否合适。
第7章 流量与存量的动态
7.1 存量和流量的关系
从数学的角度， 存量是净流量的积分，净流量是存量的导数。
7.1.1 静态均衡和动态均衡
动态平衡
流入量和流出量相等
静态平衡
存量的流入量和流出量均为零
7.1.2 非数学运算
图形积分
画出随时间变化的流量变化图，就可以分析出存量的特征
存量的增加量就是等于净变化曲线和时间轴所构成的区域的面积。使用图形积分就是估计曲线下区域的面积的过程。
图形微分
通过分析存量的变化轨迹，可以得出净改变值
7.1.3 使用图形积分
7.1.4 用图形进行微分
7.3.1 1990后的可卡因传播特征
过分追求模型与实际数据相吻合是没有必要的，这会造成模型的过适应现象。
选取外生变量的标准时看这个变量是否对实际问题显著影响，并且外生变量也能较好地拟合模型的历史数据。
同模型的目标相关的显著的反馈循环，应该被定义为模型的内在结构。
7.4 小结
系统的累积过程从微积分的角度看就是积分的过程。某个时期存量的增加量等于这个时间段存量的改变量的变化曲线所扫过的面积。
存量曲线每一点的切线的斜率表示的就是该时间点系统存量的净变化率。
利用图形，只要给定任何时间段中系统存量的变化情况，我们就可以导出存量的特征；给定了存量曲线的任何一点的切线，我们就可以算出此刻系统存量的净变化率。
第8章 闭合反馈回路：简单结构的动态变化
一阶系统：最简单的反馈系统，只有一个存量结构
一阶系统将导致指数级的增长，并总具有寻的特征。非线性一阶系统随着主导回路的变化而变化，一般形成S级增长
8.1 一阶系统
系统动态学中的讲的阶（order）是指系统中状态变量（或存量）的个数。一阶系统仅包括一个存量。
系统的线性（linear）指的是系统的状态变化速率（状态变量的导数）是状态变量的线性组合的函数。
8.2 正反馈过程和指数增长
8.2.3 正反馈的力量：随时间翻番
70规则：如果每年的投资收益率为7%，则经过10年，投资总额将会翻一番。
8.2.4 误察的指数增长
大多数人总是低估了指数增长的为例，倾向于用线性增长的方式取代指数增长。
现实中，这种正反馈过程很快就会达到系统容纳的限制，并且令人措手不及。
8.2.5 应用建议：学会克服过分自信
克服过度自信需要我们承认自己专业知识的缺乏。
克服过度自信
把可以造成观点错误的原因列出来
试着定义概念模型中所有假设所导致的影响。考虑如果改变了假设，会出现什么问题。
广泛听取别人的意见
必须对那些看起来十分正确、不容置疑或者万分之一可能才会发生的条件特别留心。
尤其是这些条件涉及人为因素
或者人们对此进行判读时需要用脑子思考复杂的系统动态学问题。
模型假设性错误比抽样错误严重的多
模型假设性错误：来自于错误界定模型边界和错误使用统计方法中的假设。
如果形式模型可得，应对模型进行广泛的敏感性测试。不仅要分析对参数不确定性的反应，更要了解对模型边界、反馈结构和其他结构假设的不确定性的反应。
8.3 负反馈过程与指数级衰减
负反馈系统能够对系统扰动自我纠正
从理论上讲，系统调整会一直进行下去。不管经过多长的时间，系统总会剩下一部分待调整存量。但是，在实际案例中，一般经过3到4个调整时间后，就可以认为系统调整过程结束了。
8.4 多回路反馈系统
8.5 非线性一阶系统：S形增长
当系统资源达到饱和之后，线性系统就开始向非线性系统转变，同时，正反馈过程向负反馈过程变化。
8.5.1 主导回路的定义
8.5.2 一阶系统不会出现振荡
8.6 小结
一阶线性反馈系统只可能出现三种变化模式
指数增长
正反馈占主导
指数衰减
负反馈占主导
平衡态
正反馈和负反馈效果相互抵消
非线性一阶正反馈系统呈现S形增长模式。这是因为，随着系统状态量的增长，占主导作用的反馈会随之变化。
第三部分 增长的动态学
第9章 S形增长：流行风潮、创新传播和新产品生产
疾病的动态学建模：对疾病的传播建模
9.2.3 模型行为特征：引爆点
引爆点：任何给定的易感人群都具有一个接触速率、感染比例和疾病持续时间的临界组合。越过这个临界组合，正反馈效果就会强于负反馈效果。我们称这个阈值为引爆点。
9.2.5 群体免疫
群体免疫：如果接触速率、感染比例和传染持续期都小于引爆点的话，不会发生传染病的流行，系统是稳定的。
9.3 创新传播：新观念和新产品建模
可以将谣言的散布过程、新观点的传播过程、新技术的应用过程和新产品的增长过程都视为传染病的传播过程：那些吸收创新的人”传染“了那些尚未接受创新的人。
9.3.2 应用建议：历史数据的拟合程度与模型的合理性
模型对历史数据的拟合程度并不能说明模型的参数和反馈过程真正切合问题的实际特性。
大量的数据并不能更好地解决问题
建模的主要目的是为了测试政策有效性
一个模型可能由于其他原因而完全地拟合数据。
模型重复历史数据的能力并不意味着模型就很有效。模型对个别历史数据的拟合效果差，也不意味着模型就没有用。
模型优劣更重要的判断指标是模型的结构和实际问题的结构是否相等。
实际问题的结构由模型的使用者根据业务经验来定义。为实现这一点，建模者需要同模型的使用者一起工作，详细考查模型假设的每一个条件，进行相关领域的学习，最后作出正确的决策。同时还要通过添加新的假设条件来测试模型的灵敏度。
使用历史数据证明模型的合理性是建模者的一种防御性的策略，利用这一点，建模者能够逃避来自于模型使用者和专家的批评。
9.3.3 Bass传播模型
9.3.4 Bass模型的行为特征
Bass模型假设初始的接纳者来自于系统外的广告而不是接纳者自身的影响。
实际情况：初始的接纳者并不是受人际传播驱动，而是受外在的市场推广等活动所影响。
模型是否具有鲁棒性
检验模型的鲁棒性的最常用方法是极端值检验。进行这样的检验，我们通常假设模型的某些输入值属于极端情况。模型需要在这样极端的条件下仍保持合理性。
小结
模型不是用来精确拟历史曲线，而是用来准确预测未来发展态势和帮助修正决策。
第10章 路径依赖与正反馈
10.1 路径依赖
路径依赖是一种发展模式，系统平衡的最终结果取决于初始条件和随机变动。在存在路径依赖的系统中，微小的、无法预知的事件往往能够决定系统运行的最终结果。
10.2 路径依赖的一个简单模型：Polya过程
一开始的随机事件决定了系统以何种方式行进。
系统锁定于历史选择。
胜者赢得一切
10.3 经济活动中的路径依赖
正反馈过程导致市场的领导者最终会占据整个市场
10.4 正反馈：企业发展的引擎
随着正反馈过程占据主导作用，路径依赖也越来越明显。在企业发展壮大的过程中，流行性较强的正反馈过程更容易形成路径依赖。
10.4.1 产品的吸引力
潜在的消费者通过四种渠道成为某一品牌的忠实顾客：广告、直销、人际传播和媒体关注。每一种方式都构成正反馈过程。
广告宣传和直销提高了产品对消费者的吸引力
人际传播和媒体宣传造就热门产品
10..4.2 研发成本
将开发成本分摊到大量的低价产品有助于迅速扩大产品销量。
产品的单位固定成本在很大程度上取决于产品预期的销售规模。如果产品的销售被正反馈过程所主导，那么，单位固定成本的确定主要来自于这一产品的销售预期，这就是所谓的自我满足型（self-fulfilling）
10.4.3 产品定价与生产成本
规模经济
在绝大多数工业生产活动中，单位产品的成本随着经济规模的不断扩大而降低。
规模经济的另一个来源是拉动分工。较大规模的企业，才能将工作划分为日益专业化的任务。
范围经济
当企业能够在多个产品线和业务单位之间分享生产能力、劳动力、先进技术知识和其他资源时，范围经济的作用就显现了。
学习曲线
随着工人和管理者生产经验的积累，学习曲线不断升高。工人的生产经验越丰富，他们的生产效率就越高，犯错就越少。
流程创新
企业的规模越大，为流程创新而投入的研发资金就越多，从而降低成本。
10.4.4 网络效应和互补品
产品的效用往往取决于
网络效应
有多少人在使用它
互补品
与其一起使用的兼容产品是否容易取得
10.4.5 产品差异化
随着企业不断发展壮大，可以花费更多的资金用于提高产品的吸引力。企业可以从产品的质量、设计、适用性、使用性、功能等方面入手，来满足消费者当前和潜在的需求。此外，企业还可以投资开发新的客户需求，还可以投资完善售后服务。
例如：IBM的产品可靠性，尤其是客户服务和支持。
10.4.6 新产品开发
新产品开发创造新的需求，又促进了研发资源的增加
例如：intel
只有不断跟踪消费者最新的需求，不断开发出新产品以满足消费者的需求，企业才能不断盈利。企业需要明白消费者可能会有哪些未知的需求。如果企业能开发出满足这些未知需求的新产品，他们就能迅速地、低成本地打开市场，赢得丰厚的回报。为了实现这样的战略，企业不仅要关注研发预算，更需要在市场上占有足够的份额。
10.4.7 市场影响力
对消费者、供应商和劳动力的独占，导致寡头企业自我加强。
大企业总是能够通过其强大的分销渠道和广泛的消费群获得优惠的市场待遇。
10.4.8 兼并和收购
通过收购竞争对手（横向扩张）以及供应商和客户（垂直整合），企业可以进一步地扩张。企业的规模越大，进行资产并购的能力也越大。
如果通过并购，企业仍能维持市场主导地位的话，企业对劳动力、供应商、消费者和生产资源的独占水平进一步提高，利润就更大。
通过垂直整合，企业能够降低生产成本，占据更大的市场份额，从而进一步刺激需求。
资产并购还能扩大规模经济和范围经济，或使企业拥有稳定的互补供应渠道。
通过资产并购，企业并不能降低单位生产成本，也不能刺激范围规模的扩大，也不能实现独占。参与并购的企业文化不同，过度集权化，失去业务重心……这些都会削弱合并后的公司的盈利能力，最终导致剥离分散的业务单位。
10.4.9 劳动力素质和忠诚度
企业的利润越高，支付给员工的工资越多，就可以留住更多优秀的员工。企业发展越快，给员工的职业生涯所创造的发展机会也就越多，为员工带来的就业保障也就越强。
利润增长可以吸引和留住更多优秀员工
10.4.10 资金成本
企业利润越高、对未来收益的预期就越高，其市场价值也就越高。市价和股价越高，企业从产权投资市场获取资本的成本就越低。
10.4.11 游戏规则
组织规模越大、经营越成功，它们对所处的制度和政治环境的影响力就越大。大型组织可以通过修改游戏规则来保证其统治地位。于是，强者愈强。
黄金律：强者制定规则
10.4.12 雄心和热情
随着企业不断实现一个个既定目标，新的更高目标出现了。
从小处着眼的态度可以更好地实现总体目标。
风险
不断制定更高目标意味着领导者总是不满足于现状，总是使自己处于压力之下。压力既可以成为不断进取的动力，也可以成为阻力。压力过大是人感到挫折，心有余而力不足。
一味追求目标会使人产生偏执。过分偏执会破坏友谊、亲情和爱情。
10.4.13 为公司发展创造协同优势
以上的正反馈过程之间协调发展，相互促进，形成了一种协同优势。
经理人和企业家需要认识到影响市场的最关键正反馈过程是什么，哪些正反馈过程是相互协调的，如何利用企业现有的资源和能力进行发展。
10.5 正反馈、利润增长和经济规模增长
在现实中，由于早期的国际分工的影响，通过国际贸易，每个经济实体的生产分工是历史形成的，而这正好是典型的路径依赖过程。
知识并不像物质材料一样因使用而消耗。结果是，一个公司在研发和培训方面的投资，不仅使该公司受益，而且使其他公司受益。在经济学语言中，这种作用产生外部性，也就是产生该公司意外的收益。
10.6 经济是否锁定在较差的技术上
路径依赖导致系统早期发生的随机事件对系统的发展路径产生决定性的影响。
正反馈的放大作用导致这些随机事件最终成为系统发展的标准，主导了整个系统发展的进程。
对习惯的适应也是一种强有力的反馈过程。
10.7 锁定的局限性
就像经济物种灭绝之后新的生物重新占据地球一样，大萧条和战争导致新经济模式取代旧经济模式。
研究发现，在技术进步的结构性变化中，在原先的行业领导性企业中，几乎没有一家企业能够适应这种变化。它们被新企业所取代。
10.8 为路径依赖建模及其标准形式
10.8.1 模型的结构
10.8.2 模型的行为特征
产品的市场保有量越大，对消费者的吸引力就越大
更为重要的是，产品的保有量对消费者的吸引力并不是来源于相对数量，而是来源于绝对数量。
公式采用指数形式的原因：当产品的保有量较低时，产品对消费者的吸引力较低；当产品的保有量增加到一定程度的时候，指数形式能放大产品对消费者的吸引力。
当市场规模较小的时候，网络效应的作用不明显。当产品的保有量比较低的时候，网络效应不明显。
企业占50%市场份额这一平衡点是稳定的。在一定区间内，随机扰动对市场份额的影响可以自我修正：企业市场份额的变动可以不断得到补偿，使参与竞争的两家企业的市场份额之比始终在1：1。
市场份额为90%时的不稳定平衡点
当整个市场的产品保有量比较小的时候，企业1如果想占据市场的主导地位，需要在初始的时候拥有市场总保有量90%的产品。
市场份额为100%的稳定平衡点。
10.8.3 政策启示
如果一种新产品进入市场的时候，在此之前没有类似的产品出现，那么，这时的网络效应的反馈效果是很弱的。
随着市场的进一步发展，网络效应的反馈作用变得更加强大。
10.9 小结
动态学系统中正反馈过程占主导，这个系统就容易出现路径依赖。
系统锁定一直存在，直到系统发生结构性的变化或者系统外部力量对系统的平衡产生重大影响。
系统中正反馈过程能够使企业发展出现路径依赖现象，并最终使企业成为市场主导。成功企业的成功之处就在于它们能很好利用这些正反馈过程。
经济领域内的路径依赖之所以普遍存在，是因为商业社会正是靠各种各样的正反馈过程才逐渐发展的。
规模效应
学习曲线
网络效应
营销力量
……
成功的企业能够将这些正反馈有机地结合起来形成协同效应。依靠这种协同效应，企业才能取得更大的成功。
但是，这些正反馈作用有时还会起到反面的作用，导致企业发展出现惯性和僵化，从而使企业不能应对社会、政策、技术和经济环境的变化。
第四部分 动态系统建模工具
第11章 延迟
有的延迟因为制造不稳定性和振荡而孕育着危险。有的延迟则因为过滤掉了不必要的可变性而提供了更清晰的视角，从而帮助经理从杂乱的数据中分辨出有用的信息。
11.1 延迟：引言
11.1.1 延迟的定义
延迟是一个过程，它的输出以某种形式落后于它的输入。任何一个延迟至少包括一个存量。
很多延迟描述着感知或认定的逐渐调整，这就是信息延迟。延迟的存量是一种存在于头脑中的心理状态。
11.2 物料延迟：结构和行为
11.2.1 平均延迟时间是多久
在任何实际应用中，延迟的时间长度都是一个需要调查的实证问题，需要通过数据收集和现场研究才能得到答案。
11.2.2 输出流在平均延迟时间附近的分布式怎样的
要估计出这一分布，有时能通过观察数据得到；有的时候需要直接剖析延迟过程，看看里面是否存在某些混合，还是严格遵守FIFO原则，以及单个单位的处理时间是个常数还是随机变化。
11.2.3 管道延迟
在一个管道延迟中，每个物品都经过同样长的时间后，按照同样的顺序离开，就像装配线上匀速运动的装配件。
11.2.4 一阶物料延迟
输出流域运输线上物料存量成比例。存量中的物品任何时候都是完美混合，故其中任何物品都具有均等的离开概率，这个概率与其进入的时间无关。
11.2.5 高阶物料延迟
高阶延迟可以看成一系列一阶延迟的组合
延迟的阶数越高，混合就越少，输出的差异就越小。
无穷阶延迟保留了物品的进入顺序，不存在混合：无穷阶延迟等价于管道延迟。
11.2.6 延迟中有多少物料存量？Little法则
达到平衡的时候，运输线上的物料存量完全可以由平均延迟时间和输入速率来刻画。
Little法则有助于解释延迟如何给系统带来惯性。
11.3 信息延迟：结构和行为
11.3.1 为感知建模：自适应预期和指数平滑
自适应预期是指判断向该变量的实际值逐渐地调整。
输入的感知值随着实际输入而调整，调整量与你判断中的错误量成比例。调整时间决定了判断对错误做出反应的速率。
在自适应预期里，当判断是错误的时候，即实际情况与感知情况存在差距时，判断发生调整。这个错误越大，你调整判断的速率越快。
这个结构被称为一阶信息延迟，或者一阶指数平滑
指数平滑法是最常用的预测工具之一
对于人类做预期和改变判断的过程，一阶自适应预期经常是极好的模型。
11.3.2 高阶信息延迟
包含多个阶段的信息延迟类似于包含多个阶段的物料延迟，都需要相似的高阶延迟。
11.4 对可变的延迟时间的反应
不管是物料延迟还是信息延迟，延迟时间都有可能变化。
延迟时间的变化的原因可能来自系统外部也可能来自系统内部。
11.4.1 非线性调节时间：为棘轮效应建模
11.5 估计延迟的长度及其分布
11.5.1 当数值数据可知时估计延迟
11.5.2 当数值数据不可知时估计延迟
实际延迟越长，被人们低估的越多。
把延迟过程分解是一个有效地减少低谷延迟时间的策略。不要估计延迟的总长度，而是把延迟过程分解成不同的阶段，然后估计每个阶段的延迟长度。
过程的分解也帮助我们更好地研究各个小延迟过程的输出流分布。
11.5.3 应用建议：沿着实际过程走一遍
11.6 应用系统动态学的案例：预测半导体需求
供应链中的每个角色都使得需求波动放大，导致半导体的订单和生产都剧烈地波动。
模型总是处于不断完善之中，模型使用者必须不停地问当情况发生变化时，模型的假设是否仍然合理。模型持续的成功使用，取决于建立一个持续地完善模型的过程。
11.7 延迟的数学描述：考伊克滞后和爱尔朗分布
11.8 小结
所有延迟都至少包含一个存量
物料流中的延迟与信息反馈中的延迟必须区别对待：物料流是守恒的，信息流则不是。这一区别决定了这两种延迟在延迟时间变化时的不同表现。
每个延迟都有两个主要属性：平均延迟时间和围绕着平均延迟时间的延迟的输出分布。
一阶延迟在脉冲输入下的输出呈指数递减。最大的输出出现在脉冲输入刚开始的时候。
由一系列一阶延迟组成的高阶延迟的输出一开始为0，增长到最大值，然后减小到0。
管道延迟保留了输入流进入的顺序，因此输出流域输入流完全一样，只是往后推延了一段时间。
一阶延迟假设运输线上的物流存量在任何时候都是完美混合的，因此输出流域输入流的顺序完全无关。
延迟的阶数越高，假设混合的程度越小；管道延迟假设运输线上的存量内容完全没有混合。
延迟的结束越高，输出分布的方差越小。
当数值数据可得时，计量经济学工具能够帮助估计延迟的长度和分布。当数值数据不可得时，对相关过程的直接分析可以得到较好的估计结果。
如果通过主观判断来进行估计，最好把延迟过程分解为独立的数个阶段，然后逐一估计每阶段的延迟，这样的结果比笼统地估计结果更加准确。
应该使用各种信息源来帮助确定延迟（和其他的模型参数），而且只要条件允许，就直接调查整个过程。
第12章 协流和老化链
协流：被用来说明这些流经一个存量流量网络的物品的属性。
老化链：在某个存量流量结构中，物品的死亡速率与其年龄相关。
老化链可为任何存量的年龄结构的变化建模
12.1 老化链
12.1.1 老化链的一般结构
一个老化链可以包含任意多个存量，被称为群，每个群都可以拥有任意多个输入流或者输出流。
就像一个高阶的物料延迟，一个n群的老化链的整体行为与n阶物料延迟相似。
老化链可以应用于任何总体之中，只要离开总体的概率取决于个体在总体中的停留时间。
12.1.4 老化链和人口惯性
替代速率， 人们哺育合适数量的后代从而刚好替代自己
12.1.5 应用系统动态学的案例：世界人口和经济增长
期望的家庭规模趋向减小，因为抚养孩子的成本升高了，而且孩子对于家庭的经济贡献减小了。
但是实际上，人口出生速率下降得很慢，因为人们对于家庭规模的标准、适婚年龄以及其他影响生育率的决定因素已经深深扎根于传统文化、宗教信仰和其他社会结构中；夫妻双方并不是基于经济利益最大化原则来决定是否生育孩子的。
因此，在人口生育率迁移进程中，因为死亡率下降而出生率居高不下，人口加速增长。
12.2 协流：为存量的属性建模
协流结构被用来记录一个系统的存量流量结构中流动的不同物品的属性
协流完整的记录着主存量的属性，就像主存量的镜子。
每个进入主存量的物品都携带一定数量的属性并送到属性存量中。
不同输入流中的物品可以携带不同数量的属性。
主存量的每一个输出流也伴随有一个属性存量的减少。每当一个物品离开主存量，属性存量就减少物品平均属性。
可以在模型中使用任意多种属性，每种属性用一个独立的协流来表示。
12.2.1 非守恒协流
属性存量是不守恒的协流结构中，属性存量包括额外的流入属性存量的输入流和流出属性存量的输出流，而在主存量中，没有与之对应的输入输出流。
例：新员工能带来一定的工作经验，离职的员工将带走一定的经验。另外，工作时间的积累能增加工作经验；工作经验也可能因为工人忘记知识或者技术更新而减少。
12.2.2 将协流和老化链结合起来
小结
老化链被广泛用于描述一个总体的人口统计学结构。这里的总体不仅指人类群体，还可以是一家工厂的机器的存量、公路上运行的汽车的数量、一家公司的应收账款的存量。任何时刻系统中的物品离开存量流量结构的速率跟物品的年龄有关，也就是说，任何时刻存量中个体的死亡速率是由年龄决定的，当模型的目的要求足够高的准确度时会需要使用老化链。
协流用来记录存量流量网络中物品的属性。属性指的是与存量流量网络中的物品相关的任何特性，可以是物品年龄、工人的生产率和经验、厂房和设备对能源的需求及其包含的技术水平、产品开发中设计错误的数量，等等。当一个系统中物品的质量和数量都对系统使用者的决策有影响，应该使用协流。
第13章 决策建模
13.1 决策建模的基本概念
任何模型总是包括两部分：对模型的基本结构和执行环境的假设，以及对模型的执行者行为的假设
13.1.1 决策和决策规则
决策（decision）：使用决策规则所得到的结果
决策规则（decision rules）：决策制定者处理可用信息的方式。
模型中每一个存量和流量结构都包括一个决策点，建模者需要关注这些决策点，并得到相应的决策规则。
决策处理过程的输入是各种各样的信息，或者被称为线索。决策指定人将这些线索进行合理的解释，从而得到各种决策。
存在于决策制定者头脑中的组织观念、政治观念、个人观念以及其他因素，决定了决策制定者会从现有的信息中提取何种信息用于建立模型。
13.1.2 五个基本原则
建模人类行为的建模标准
baker准则：模型中所有决策规则的输入都必须仅限于现实生活中的决策者可以获得的信息
没有人能准确预知未来。对未来的所有推测和想法都基于历史信息。这些推测和想法因此会出现错误。
测量和报告延迟会造成实际情况和感知到的情况不一致。想法并不能随着最新的信息而发生即时改变。感知情况和实际情况总有差别。
偶然性总是不可知的。对诸如“如果这样，会发生什么”之类的情况的预期是根据那些已知和可能是错误的情况所推断的，因为它们从来未曾发生过。
决策模型中的决策规则应当遵循现实中的管理实践
模型中的所有变量和关系都必须在现实生活中有相应的载体和意义。
方程中所使用的单位必须在不使用主观校准因子的情况下，就能使方程左右两边平衡。
不能刻意假定决策规则符合任何先前的理论，而是应该对其进行第一手的调查。
我们应该区分期望条件和实际条件，模型必须表达出对实现理想状态的约束条件。
期望条件和实际条件应该被区分开来。
期望的变化率和实际的变化率应该被区分开来。
在极端情况下，决策规则仍要具有强壮性
模型不能假设平衡状态。平衡状态和稳定性可能会由于系统中各元素之间的交互而出现（也可能不会出现）
baker标准
模型中所有决策规则的输入都必须受现有信息的约束，并且实际决策的执行者能够获得这些信息。
只有当建模者能够掌握所有的信息，并且在实际问题中使用这些信息，建模者所建立的模型才能真实地模拟现实问题，并且得到有价值的决策。
决策模型导出的决策规则应当同管理实践相吻合
模型中任何一个变量和参数都应当对应实际问题中的一个方面。
建模者必须好好研究模型中的角色做决策的实际过程。
我们要区分是什么理想条件，什么是实际条件。模型需要表达现实情况对理想状态的约束。
模型得到的决策规则应该能够解释模型中的决策所遇到的问题、 不足、压力等情况。
在极端情况下，决策规则仍需要具有可行性
要求决策规则具有鲁棒性，也就是说，当模型的输入值取极端情况的时候，使用决策规则得到的输出仍然处在合理的取值范围内。
模型不能假设存在平衡状态。平衡状态和稳定性来自模型中各种元素之间的交互。
13.2 建立速率方程式
13.2.1 增长速率的变化比例
存量S以增长速率g的速度增加，g既可以是常量，也可以是变量
R=gS
如果变化比例g是常量，那么以上公式所表达的系统就退化为线性一阶正反馈系统。
13.2.2 减少速率的变化比例
流出速率是存量的一定比率。这样的流出速率既可以被描述为存量的S的一定比例，也可以按照时间进行划分
R=dS=S/L
以上两个公式都表示一阶线性负反馈系统。等价于一阶物料延迟。
13.2.3 对目标的调整
R=差异/AT=(S* - S)/AT
差异表示系统某存量的期望值S*与实际值S之间的差距。调整时间AT表示实现目标所需要的时间。
“期望值减去实际值，再除以调整时间”，就是线性负反馈系统的典型描述，它导致系统按照指数规模趋近于目标值。
在一般情况下，系统某存量的期望值是难以估计的，经理人经常需要根据实践经验和自己的判断来预测这些存量的期望值。
13.2.4 存量的调整结构：速率 = 正常速率 + 调整值
13.2.5 流量 = 资源 x 生产率
13.2.6
通过标准化，我们可以确保当X 取某一标准值 X* 的时候，Y 也可以同时取到标准值 Y* 。并且，经过标准化处理之后，自变量和因变量都变成了无量纲的数据，建模者可以通过这样的方式消除原始数据带来的偏差。作为标准的因变量 X* 和 自变量 Y* ，既可以是系统达到平衡时的输入和输出值，也可以是系统的某个状态的取值；既可以常量，也可以是变量。
乘积表达式
13.2.7 线性累积表达式
线性累积模式的表达式比较常见，因为形式简单，解析性强，并且可以通过线性回归进行分析。
累积表达式意味着每一个函数输入独立地影响函数输出：每一个输入对其他输入都不产生影响。这样的特征不能合理估计极端值。
描述极端值离不开乘积表达式
13.2.8 Fuzzy MIN 函数
很多变量和参数的取值取决于几种资源的最小值。
Y = MIN（X，Y*），其中 Y* 是某个因变量的基本值。
随着输入值得逐渐增加，函数输出逐渐逼近约束
13.2.9 Fuzzy MAX 模型
Y = Y* × X对Y的作用
Fuzzy MAX函数使用于如下情形，决策者发现随着X的不断减少，他很难将Y减少到零。
13.2.10 浮动目标
一般来说，表达式都会根据系统期望状态与实际状态之间的差距进行相应的调整。
目标调整是一个一阶线性负反馈过程，通过修正目标而不是改变客观世界来消除系统期望状态和实际状态之间的差距。
人们在估计数量进行判断时，往往是从一个已知的参考点出发，然后根据具体情况对估计或判断进行调整。由于这种调整不会很充分，从而导致人们最终的估计和判断偏向于最初的参考点。
自适应是一种目标导向的调整行为，以适应自身当前的环境。
如果每个企业都通过寻找外部参考点来制定自身目标的话，就可能出现整个行业的目标降低的情况。
13.2.11 非线性加权平均
变量一般是围绕某个可行点，把附近的多个线索进行折中和加权得到，并且受到极端情况下的最大值和最小值的约束。
最大值和最小值分别表示了决策者不愿意或者不能将目标设定得离以往绩效太远。
13.2.12 对搜索进行建模：爬山法优化
爬山法会导致局部最优化
13.2.13 资源分配
乘积形式的鲁棒性比加和形式要强。
资源分配公式必须保证每一项资源所占份额都介于0和1之间，并且所有资源分配加起来应当等于资源总量。
13.3 常见错误
13.3.1 所有的输出都需要一阶控制
一阶控制意味着输出被一阶负反馈循环所控制，当存量减为零的时候，输出也随之停止。
这些负反馈必须为一阶，因为任何的时间延迟都会导致当存量为零的时候输出仍然不为零。
最常见保持存量取非负值的表达式为：出流 = MIN （期望出流，最大出流）
在存量足够时，出流等于期望出流。但如果存量减少很严重，出流将会受到约束，存量会以指数规模减少到零。需要确保模型中所有存量的出流都具有一阶控制。
13.3.2 避免出现“if...then..else”形式的表达式
条件语句会使得模型过于离散，而离散的模型是不恰当的。
个体的决策很少会是“要么……要么……”的形式。在很多情况下，决策是一种折衷或考虑到多方面因素后的一种加权平均（可能是非线性的）。
而且在实践中，“if....then..else”这种条件语句在理解上也比较困难。
13.3.3 分解净流量
需要对每个存量描述其入流和出流，而不是简单用一个净流量来描述。
原因
首先，在实际问题中，影响各种流量的决策过程各不相同。这些不同包括决策时输入信息的差别以及决策规则的区别等。时间延迟也可能会有区别。
其次，要建立鲁棒的、清晰的净流量一般是很困难的。
将入流和出流归结为一个净流量的另一个问题就是难以精确地描述成本。
最后，一般很难建立鲁棒的净流量公式。
每个表达式只包含一个思想。每一个表达式都可以随实际问题具体情况而作出适当的调整。
小结
决策规则和模型都需要具备很强的健全性，不论输入条件多么极端都不能出现违背常识的情况。所有表达式都必须保持维度上的一致，不能出现没有任何实际意义的要素。模型中的决策规则所使用的信息必须是决策者能够掌握的信息。关于未来、假想的偶然事件以及只有经过一定时间延迟之后才能知道的变量取值的信息，不能用来作为决策的依据。
第14章 为非线性关系建模
14.1 表函数
表函数中，函数值被各种独立或非独立变量所描述。
14.1.1 定义表函数
表函数建立指南
建立表函数之前，标准化输入和输出。
可以设定一个输入的标准值X*，将其他输入值同这个值相除，得到一个无量纲的数值作为输入值。
设定一个输出的标准值Y*，将其他输出值同这个值相除，得到一个无量纲的数值作为输出值。
函数表达式：Y= Y* f( X/X*)
定义参考点
通常需要规定Y= Y* f( X/X*)过（1，1）点
定义参考曲线
参考曲线是为了定义函数形状而刻画的曲线。一般都描述了函数在极端或特殊情况下的取值状态。
可以使用参考曲线来排除不可能的区域
考察极端情况
如果函数包含好几种非线性关系，对这些非线性关系作极端值的组合测试，以保证每种极端情况下，函数都是合理的。
确定每个独立变量的值域
独立变量的值域不仅包括正常的取值范围，还包括极端值等情况。
根据以上定义的参考点、参考曲线、极端值检验等概念，就可以画出非线性函数关系曲线的大概形状
寻找函数的最佳估计值
可以使用增量法使函数曲线变得圆滑。
执行模型，观察模型的合理性。随着变量的变化，核对函数取值是否合理。
测试建立的模型的参数敏感度。如果模型的敏感度不是很大，就不需要再收集更多的数据了。
14.1.2 案例：建立非线性函数
1. 标准化
对函数关系标准化，意味着函数所有的输入、输出值都变成了无量纲的比值。
2. 参考点
只要不改变参数的定义，可以任意正规化参数和确定参考点。
3. 定义参考曲线
4. 极端情况
5. 确定独立变量的值域
6. 画出函数的大致形状
通过刻画函数的参考曲线、参考点和变量的值域，我们基本可以将模型所考察的函数限定在一个较小的范围内。
为了进一步界定非线性关系，需要借助于实际数据。
通过实地研究和访谈，可以得到许多有用的定量数据。
7. 确定函数取值
即便不能用统计的手段得到非线性函数的确切关系，也可以用估计的函数进行合理的推理。
8. 测试函数表达式
观察模型的执行结果
9. 灵敏度分析
所有的非线性函数都需要做参数的灵敏度分析，这样才能减少模型的不确定性。
包含复杂反馈过程的系统一般对大量参数的敏感性不强。
大多数模型都包括许多交互的负反馈过程，它们导致函数对参数不敏感。事实上，向模型中添加负反馈过程的一个很重要目的就是减少函数对参数的灵敏度。负反馈过程能够调整模型中各种变量之间的关系。
在路径依赖等正反馈占主导的系统中，参数微小的变化就会导致系统发生重大变化。
三点警告
1. 几乎所有的系统中，总有几个参数对系统产生显著的影响。它们往往是影响模型发展的重要参考指数。请把这些参数作为灵敏度分析的重点。
2. 实际系统具有显著的非线性特征。在这样的情况下，随着系统从一种状态过渡到另一种状态，参数灵敏度也会发生显著的变化。
在系统变化的某些区域，参数的灵敏度这可能不明显，但是换到另外一种情况下的时候，它们可能又十分敏感。
因此，我们在对系统进行灵敏度分析的时候，需要综合考虑不同阶段、不同情况下的系统变化模式
3. 对模型结论产生决定性影响的评判标准来自于建立模型的本意。
如果一个模型随着假设条件的比变化，特征也发生明显变化，这个模型被称为行为模式敏感性模型。
随着策略而发生显著变化的模型被称为策略敏感性模型。
14.1.3 采用过程的角度看问题：表函数和解析函数孰优孰劣
首先，解析函数不如表函数灵活。
其次，很多模型的使用者理解解析函数比较困难
14.2 案例讨论：偷工减料还是加班工作
14.2.1 加班工作：进度压力对劳动时间的影响
14.2.2 偷工减料：缩短每项任务的处理时间
14.3 案例分析：使用定性和定量数据来评估非线性方程
14.4 常见的缺陷
14.4.1 使用错误的输入数据
14.4.2 错误的标准化
14.4.3 避免驼峰状的函数
“不管什么样的模型，其函数曲线最好保持相同的走势”
如果出现驼峰或者S型曲线的话，这就意味着影响模型的多个反馈过程的作用力发生了此消彼长的现象。在建立非线性模型的时候，你需要保证每一个反馈过程所造成的函数曲线的变化，其极性是确定的。
14.5 抽取模型中的交互关系
从专家、客户这些有第一手经验的人群那里得到的数据大多数是定性的。它们表示了这些人对模型的主观看法。
从专家那里抽取到非线性关系的定性数据
任务布置
需要明确建立工作组的目标。
尽管所建立的模型包括许多非线性的反馈过程，但是每次只能重点分析其中的一个
详细地介绍案例的细节有助于专家们进行正确而明晰的推理
问题描述
过程刻画：请每一个专家花上几分钟时间认真勾画一下模型的执行过程。
问题描述的记录：让每一个专家把模型的变化过程写下来。（此阶段不要求得到的结论是非常精确和正确的）
定位点的确定：让专家确定所有的参考点。（定位点或参考点，就是那些对模型有重要影响的关键点。）
非线性关系的图形表达
首先，在工作文档上画出坐标系，在坐标系上标定出参考点，根据参考曲线确定函数曲线的变动区域。
其次，结合定位点，利用合理的推理在坐标图中画出函数曲线。
集体讨论
整合所有专家对模型的描述，对模型进行测试、理解和改善。
14.5.1 案例分析：如何确定产品研发过程中的优先关系
在大多数情况中，我们很难得到足够的定量数据用于建模，或者需要花费高昂的成本才能收集到这些数据。
采取分布走的策略逐步得到结论，这样做的目的是为了降低认知过程的难度。
专家对问题的认识出现差异有助于确定函数的关键点取值和灵敏度分析。
14.6 小结
在建模的时候，我们需要尽可能收集全方面数据，包括极端值、参考曲线和其他定量数据。这些数据有助于确定函数的典型形状和合理变动区域。
如果模型包括很多负反馈过程，这个模型对数据的灵敏度比较低。我们不需要对那些敏感度较低的参数做进一步的分析。
通过对参数进行反复的分析讨论，我们可以加深对模型的认识，也有助于找到真正起作用的那些因素。
第15章 对人类行为建模：有限理性还是理性预期
实验和实证研究指出，人在做决策的时候所表现出来的理性是有限的
人们往往用各种启发式规则——也就是经验法则——来形成自己的判断及做出决策，但是在带有一定程度的动态复杂性的系统中——会导致一些持续地、系统性地背离理性的行为发生。
15.1 人类的决策制定：有限理性还是理性预期
人们制定决策的过程总是介于不经过大脑的机械行为和经济学理论所叙述的完全理性行为这两种极端之间。
有限理性产生于我们的知识、认知能力以及时间的限制。
我们的感觉是有选择性的，我们对真实世界的认识是不完全的，我们的心智模型是非常简单而不完善的，我们的推断和演绎能力很弱，还经常会出错。情绪化、下意识和其他非理性的因素都影响着我们的行为。思考需要时间，可我们常常必须在考虑成熟之前就做出决定。
15.2 认知局限
人们处理信息的能力是有限的
“对信息的感知和理解不是全面的，而是有选择性的”（Hogarth 1987）
事实上，人们在作出决策的时候只是重视其中很少的一些信号。
人们的认知能力同样是有限的
人们在因果关系和相关性上分析上的辨别能力较弱，并会系统地为这些变量建立基于已知情况的思维模型，所以有时候，我们的期望会引导我们去关注那些具有较弱诊断能力的信号，而不是那些更有价值的。
15.3 个人和组织对有限理性理论的响应
15.3.1 习惯、惯例和经验法则
习惯和惯例是那些重复进行的、不经过特别考虑的行为过程
惯例近乎于被特定情况所触发的自动程序，它们是组织的标准运作流程。惯例经常由经验发展而来，一个组织的惯例通常会融入和反映这个组织的传统、文化和信仰。
经验法则是为了简单、快捷地产生一个相当好的决策而设计的程序。经验法则，或者被叫做决策制定启发式规则，是基于一些针对具体问题情况建立的简化而不完善的模型。它们通常依赖于决策制定者所能获得的相对确定的信息。
15.3.2 管理注意力
既然注意力是一种稀缺资源，那么，控制人们获得和关注的信息就是非常重要的能力来源。
方法包括正式的报告制度、议程设置、组织的地理结构和物理布局的便利性，以及会计系统和信息系统等。也包括非正式的沟通网络
15.3.3 目标的形成和满足
另外一个降低决策制定工作复杂性的策略是目标设定
设置明确目标的这种方法为决策制定者提供了一个明确的参照物，他们可以因此将实际系统的表现同这个参照系统进行比较，当发现于参照系统出现偏差时，可以及时纠正。目标越具体明确，人们就越容易判断众多信息中的哪些信号是重要的，哪些是可以被忽略的，从而能更加容易地采取正确的行动来达到目标。
15.3.4 问题分解和分散的决策制定
信息处理能力的限制迫使人们将整个决策制定的工作分解为许多个较小的单元，通过为这些小单元建立子目标的方式，就能将整个问题的复杂程度大大降低了。
将决策问题分解成很多子目标的方法同样是组织专门化的重要动力之一。
在问题分解和分散制定决策中，隐含着一个假定前提，即达到每个子目标就能让决策者和决策机构达到他们的总体目标。而这个假设通常是不正确的。
15.4 预期理性
一个决策是局部理性或者说预期理性的，是指如果实际情况同决策者假设的一样简单的话，那么决策就会得到一个理性而明智的结果。也就是说，如果假设成立，就会有满意的结果。
15.4.1 对预期理性的检测：局部模型检验
在局部模型检验中，模型的每一个方程或每一个决策变量都会从系统的总环境中进行剥离，直到剩下的系统与心智模型中所假设的相一致，能够作为决策规则的基础。剩下的子系统于是可以用大量的外生变量作为输入项进行检验。
15.5 案例研究：建模高科技成长型企业
成功和失败企业不同的结果是由管理企业时所用的不同决策规则，以及独立来看是理性和出于好意的一些政策所带来得出人意料的副作用所导致的。
简化假设：公司产品的市场是无限的
15.5.1 模型结构：概述
模型反映了，企业及其所处的市场是由独立组织结构单元所组成的互相影响的生态系统，每个单元都有自己的目标和决策规则。
用有限理性的基本原则一致，独立组织单元中的管理者被假设为不知道整个反馈结构的运行方式。每个子单元都被假定为只能使用一小部分信息信号，而不是全部的潜在可供信息。
15.5.2 订单执行
15.5.3 产能获得
15.5.4 销售人员
15.5.5 市场
15.5.6 整体系统行为
每一个组织单元内部的管理者都相信他们所做出的决策是明智而理性的。他们的心智模型将那些他们方程之外的变量都当做外生输入项来处理——即他们所处环境的一些给定值。
但由于每个单元都与其他单元在回馈网络中互相连接，这些输入项其实不是外生给定的，而是受他们自身行为很强的影响。因为每一个独立单元中的管理者都没有考虑这些反馈环，所以他们作出的决策不可避免地带有副作用。
这些系统原因和问题的表象相差较大。更可怕的是，针对这些问题表象所制定的决策在短期看起来是有作用的。
爬山启发式规则的推广：局部理性决策允许组织或个人在不知道全局知识的情况下搜索系统最优状态。
15.6 小结
模拟模型是描述性的。模型中用到决策规则必须同客观实际和具体实践相一致。于是建模者可以进一步设计策略来改善模型的性能。
很多证据表明，人在决策制定过程中所表现出来的理性是有限的。有限理性理论来源于我们所处系统的复杂性，以及我们必须在有限能力的水平下制定决策的情况。
因此，我们会应用很多的启发式规则——即经验法则——使自己在限定的时间内作出合理的决策。然而，有时候这些启发式规则也会导致一些系统性的误差，造成决策质量和理性行为相差甚远。行为决策理论研究已经对大量的启发式规则进行了归纳，并指出了它们经常会导致的那些错误和偏差。
局部模型检验使我们能够在给定的思维模型、局部激励和系统知识的情况下来评判虚拟决策者和组织子单元是否是局部理性的。
局部模型检验可以帮助我们发现模型方程的缺陷，确保系统中人们的决策规则的表达是明智的，与我们对他们思维和行为的认识相一致。
同样，局部模型检验还可以帮助我们判定在何种情况下，那些明智的人们运用预期理性的决策会在整个系统中互相影响而导致系统功能失调的现象产生。
第16章 预测和蒙混因素：对期望结构建模
建模者们必须能够描述出他们模型中的那些决策者对于预测的反映，以及他们对于自己期望值的修正。
16.1 对期望结构建模
我们所有的决策都依赖于我们在相应情况下的主观思维模型。而我们对于系统将来行为的期望值正是这些思维模型的一个重要组成部分。我们一般通过预测将要发生什么来形成我们的期望值，并且，这些期望值将会指导我们的行动。
预测的社会性和政治性意味着主观判断的启发规则以及其他一些有限理性的表现方式都可能影响预测形成的过程，并将会导致持续的、系统的预测失误。
16.1.1 对增长期望建模：TREND函数
TREND反映的行为理论：人们是如何形成期望的，并在这个过程中考虑了人们收集和分析数据所需要的时间以及他们所参考的历史时间跨度。
TREND函数将预测表现为一个有限理性的过程，有限理性体现在预测者对近期数据进行平滑和对近期趋势进行映射的过程中。
16.1.2 TREND函数的行为表现
TREND函数的参数决定了它对增长速度变化的瞬时反应。
建立参考状况所需的时间跨度越大，或者决策者感知趋势所需的时间越长，反应的速度也就越慢。
16.2 案例研究：能源消费
16.3 案例研究：商品定价
16.4 通货膨胀
海锚锚定模型理论上比固定锚定模型更满足实际情况，也更健壮
实际预测和海锚锚定模型之间高度的一致性表明，其他潜在的相关经济变量对于专业小组预测的影响是相对较弱的。
16.5 对预测用户的意义
1. 大多数的预测都不是很好的。当存在趋势变化、噪声以及其他的干扰源时，各种预测方法就变得很差。
2. 大多数预测方法都经常会错过趋势变化和周期循环的转折点，总是滞后于它们而不能预测它们。
3. 直觉由于受到判断性启发式规则的影响，经常是有偏差的，而且经常受到近期趋势的强烈锚定作用。
4. 预测者倾向于在他们的预测中低估不确定性，经常不能提供可供选择的方案或者列出与他们的预测有敏感联动作用的各项因素。
5. 建模的实际价值不在于去预计周围环境中存在的问题，并对其作出反应，而是通过改变系统的潜在结构来从根本上消除这些问题。
16.6 TREND函数的初始化和稳态响应
16.7 小结
TREND函数对人们通过一个变量自身的历史数据来形成其增长率期望的过程进行了建模
预测经常会错过拐点，对趋势变化反应过度以及造成其他系统误差
一个变量的历史值和过去的发展趋势对人们的判断会起很强的锚定作用，并且约束着人们认为合理的该变量的取值范围。在系统变量之间的关系是有噪声的、不稳定的或者是模糊的情况下，目标变量的发展趋势将隐藏在预测过程中，并影响预测者们的预测效果。
预测者们经常对他们模型中的输入值进行调整，以使输出项能满足他们的直觉判断，或者满足社会和政策方面的压力
第五部分 不稳定与震荡
第17章 供应链和振荡起因
供应链是一个组织用来将其产出交付给顾客所用的结构和流程的集合。
一个完整的供应链由（1）为获得流程所需的输入量而建立的存量和流量结构以及（2）控制各种流量的管理策略所组成。
振荡的产生需要两个条件
在控制系统状态的负反馈中存在时间延迟
决策制定者没有办法解决这些延迟——忽略那些已经开始但没有还发挥作用的修正过程。
17.1 企业外部的供应链
供应链是由将输入转化为输出的一系列获取、存储和转化的存量及流量结构和控制这些流量的决策规则所组成的。
17.1.1 振荡、放大和相位滞后
由于供应链通常会包含明显得时间延迟，所以，它们具有产生振荡的倾向——产量和库存总是高于或低于合适的水平。
通常，波动的振幅在从消费者传递到供应商的过程中会逐级增加，而供应链中的每一个上游参与者都有滞后于其下家的倾向
17.2 存量管理问题
17.2.1 管理存量：结构
17.2.2 稳态误差
17.2.3 管理存量：行为
17.3 存量管理结构
17.4 震荡起源
没有时间延迟的负反馈系统不会产生振荡。只有在负反馈环的至少一个因果联系上存在时间延迟的时候，才有可能产生振荡。
要产生振荡，时间延迟必须被（至少是部分地）忽视。管理者们必须继续对感知到的期望水平和实际水平之间的差距进行修正，即使在实际供给线上的产品已经足够弥补差距的时候仍然是这样。只有这样，才会产生振荡。
17.4.1 供给线管理不当：啤酒分销游戏
17.4.2 为什么我们会忽略供给线
学习认识和考虑这些时间延迟的过程就是学习耐心的过程，学习推迟得到满足的时间的过程，学着用短期的牺牲来换取长期回报的过程。这些能力是不能够自动获得的，他们是缓慢的成熟过程的一部分。时间延迟越长，我们对于经过多久才能看到修正效果也就越不确定，也就越难来考虑供给线。
原因和效果都是晦涩的，而这就造成了模棱两可和不确定性。系统的动态变化非常缓慢，所需的学习时间经常超过决策制定者个人的***。
每一个投资人都将市场情况当做外生变量，从而忽略了其他人的反应。当所有投资者对当前获利机会的反应都十分相似的时候，就会产生投资过度和不稳定。
17.4.3 案例研究：房地产市场的繁荣和衰退
开放商和投资者们不理解房地产市场的反馈结构，并且没有充分地考虑到时间延迟和未决项目的供给线。他们明显被当前的情况所影响，并且趋向于对近期趋势进行外推。
小结
振荡产生于负反馈中的时间延迟和决策者未考虑时间延迟并存的情况。试验和实证研究表明，人们经常忽略很多系统中的时间延迟。
不考虑供给线反映了我们对于复杂系统理解的深度不足，忽略时间延迟是一种基本的对反馈的感知错误，它会造成我们在具有高度动态复杂性的系统中表现拙劣。不理解时间延迟作用加重了我们所面对的不稳定性，会导致更多的意外，从而进一步加剧了对世界本质上是多变和不可预测的信念，也使得人们进一步将注意力集中到短期行为上。
第18章 制造供应链
第19章 劳动力供应链和商业周期起源
第20章 “无形的手”有时会颤抖：商品周期
20.1. 商品周期：从飞机到锌
适当的商品周期模型应该像所有的动态模型一样，体现出存量和流量结构、时间延迟和市场的行为决策过程。延迟应被设定为实际值，而不应是一些主观臆测的时间周期的倍数，模型本身也应该基于连续的时间来构建。
20.4 小结
市场经济中，价格在一个致力于消除供需失衡的负反馈网络中处于中心地位，会促使资源的有效分配：这就是无形的手。但在很多市场中，供需对价格的反作用是非常缓慢的。带有时间延迟的负反馈倾向于振荡和不稳：无形的手有时会颤抖。
第六部分 模型测试
第21章 真和美：有效性与模型测试
21.1 完全的有效性和检验师不可能的
所有的模型，不管是心智模型还是定量模型，都是真实世界带有局限性、经过简化的再现。
验证是不可能的，而且所有模型都是错误的，但是我们需要模型，不管是主观还是定量模型，它们会帮助我们做出重要的决策。
好的建模者利用多种数据来源和一系列广泛的测试来寻求模型和现实之间的多点接触，而不仅仅通过单个有效性测试，来检验模型是否通过。理论的建立和测试之间联系紧密并相互交织成一个循环圈，而不会把验证视为模型构建完毕之后的一个测试环节。
好的建模者重视让客户了解模型的局限性，而不是卖力地提供事实依据来证明模型有效，因为这样才能真正有助于提高模型的质量，而客户也不会误用模型。
21.2 模型使用者应该问的问题——但通常都没有问
目的、适用性和边界
物理和决策的结构
强壮性和对于其他假设的敏感度
模型使用的技巧和策略
21.3 模型使用的技巧和策略
模型的边界决定了哪些变量被当做内部变量，哪些被当做外部变量，而哪些根本不考虑。与目的相关的因素必须被当做内部变量。而把一个概念当做外部变量，或是省略它不考虑，都会切断所有涉及这个变量的反馈。
太小的模型边界是系统对政策产生抗拒的主要原因之一
21.3.1 数据种类
软变量：数值信息不可得的变量，包括诸如目标、观察和预期之类的因素
硬变量：数值数据比定性数据更为精确和真实
因为数值数据不可得而省去明知是重要的结构或数据，比尽你所能去估计它们的值更不科学、更不精确。
很多显然是软性的变量，如顾客察觉到的质量、雇员士气、投资者信心和政治因素，往往可以用诸如内容分析、问卷调查和焦点小组等工具进行量化。
在建模的最初始阶段，使用经验性数据和主观臆测参数值往往是有价值的，这样可以使你尽快进行模型的初始运行。然后，对初始模型的灵敏度分析可以帮助确定，哪些参数和结构对系统行为和推荐使用的策略是敏感的。对哪些不会明显影响结果的参数，不需要估计得很精确，这样就可以集中有限的资源来攻克那些至关重要的因素，使它们得到更为精确的模拟的估计。
21.3.2 文本描述
我们需要文本描述来确保模拟结果可以被其他人理解、重复、批评和拓展。
边建模边描述可以帮助你发现一些本来要很久以后才会被发现的错误，从而减少昂贵的重复劳动。
模型文本描述的准则
你的结果必须是完全可重复的
记住你是为读者而写
21.3.3 可重复性
重复能使其他人在你的模型上继续工作，这是一种重要的检查，可以揭露错误，提高模型的透明度和效用，也能发现少数的欺诈行为。
21.3.4 保护性建模与反思性建模的对比
用反思的方式来使用他们的模型，设计测试去发现缺陷和潜在的假设、去挑战预先的设想，使假设得到评判和改善。这种为发现缺陷而设计的反思性测试过程反而可以帮助建立对模型的信心，并最终提高持续地成功应用该模型的可能性。
21.4 模型测试的实践
21.4.1 边界充分测试
第一步要确定什么是边界。
在模型方程中检索外部输入，来确认外生变量的列表是完整的。
如果一个外加结构对模型的行为或政策含义有显著影响，那么你必须将其纳入模型的边界之内。如果它没什么影响，你就可以选择省略它，从而使你的模型更小，当需要建立客户信心的时候，也显得更容易解释或维护。
21.4.2 结构评估测试
结构评估着重于模型概括程度、模型与诸如守恒定律之类的基本物理原理的一致和代理人决策准则的真实性。
必须存在一个一阶的、限制所有流出量的负反馈回路，从而能确保当存量为零时其流出量为零。
21.4.3 量纲一致性测试
在构建模型时，应该总是为每个变量确定测量单位。不要等到以后才去专门填写单位和检查一致性。
21.4.4 参数评估
首先确保每个常量和变量都有一个清楚的、实际生活中的意义。然后必须决定如何估计每一个参数的值。基本的选择是根据数值数据进行正式的统计预测或作主观估测。
21.4.5 极端条件测试
在极端情况下的强壮性意味着，不管输入值或加在模型上的政策多么极端，模型的表现都应该符合现实。
在极端条件测试中，当输入值取极限值（如零或无穷大）的时候，模型的表现是否恰当。
当一次极端条件模拟运行生成了不合理的行为，就应该检查那些受波及结构的方程，找到缺陷的确切根源。
如果一个模型连重要的极端条件测试都通不过，那么它是否能很好地重现历史数据就不重要了。
极端条件测试提供了一项关键性测试，测试模型在多大程度上抓住了影响过去未察觉的系统行为的相关物理事实和限制条件。
21.4.6 积分错误测试
模型的结果不应该对运算间隔或积分方式的选择很敏感。
21.4.7 行为重现测试
最常见的是用描述性的统计数据来进行逐点拟合的分析。
行为重现测试不可能证明一个模型是正确或可靠的。
发现一个与数据相符的模型并不能证明，实际系统中的行为就是由这个特定的结构产生的。
引入旨在提高模型与历史数据匹配度的伪变量或外部变量的方法是不可取的
21.4.8 行为异常测试
行为异常测试通过询问某关系的被删除或被修改是否会导致异常行为的发生，来检验这些结构的重要性。如果异常行为的确发生，那么就有理由相信这种关系的重要性。
回路中断分析是寻找行为异常的一种常用方法。由中断测试导致的异常行为告诉我们该回路的重要性，并可能帮助我们建立起参数和关系的合理范围。
很多时候，一个回路在正常状态运行条件下并不活跃，而在非常态环境中却开始起主导作用。
21.4.9 家族成员测试
家族成员测试询问模型是否可以生成与其旨在模拟的系统始出同宗的其他案例的行为
一个模型能代表的系统例子越多样化，那么它所表达的理论就越为通用
21.4.10 惊异行为测试
当模型生成某种之前没有意识到的行为，而它的确在现实系统中存在的时候，模型就通过了这惊异行为测试。
21.4.11 灵敏度分析
灵敏度分析询问当假设在合理的不确定范围内发生变动时，你结论的变化是否事关重大。
三种形式的灵敏度
数值：假设中的一次变动会改变结果的数值
行为模式：指假设中的一次变动会改变模型的行为模式
政策：假设中的一次变动会颠覆一项被提议政策的影响或诉求
给定任何项目中有限的时间和资源，灵敏度分析必须着重于那些你认为既高度不确定又可能起决定作用的关系和参数。
21.4.12 系统改进测试
系统改进测试询问建模过程是否帮助我们改善了整个系统
评价模型
建模项目从一开始的设计就应该受到人们的主观评估。前瞻性评估要比回顾性研究更为有效。评估资源应该在设定项目预算、人员和时间进度表的时候得以分配。
建模干预可以改变人们的信念和态度、他们的行为、正式的组织性政策，以及系统的实际表现。应该对所有这些方面的变化进行测量，以评估表现中的任何变化在多大程度上得益于模型的干预。
尽可能把模型干预设计为一项实验。创建控制和处理小组。寻找进行自然实验的机会，比如，将干预后的表现同没有实施建模过程的公司表现进行比较。没有严格的后续研究，任何管理干预的效果都只是道听途说，未经实践检验的。没有严格的后续研究，建模者和客户就很难知道哪些工具和过程是起作用的以及如何来改进它们。
21.5 小结
选择最为恰当的模型总是从模型目的出发的一次有价值的判断。
模型失败，是因为我们没有问更为基本的问题——模型对其目的的适用性，是因为模型违反了诸如质量守恒之类的基本物理定律，是以为太窄的模型边界切断了关键的反馈，是因为建模者向客户掩盖了模型的假设，或者因为建模者没有在建模过程中包括重要的参与者。
为避免模型失败，必须坚决保证高质量的文本描述。模型必须是完全可重复的，并且可以受到他人的批评回顾。使用模型的文本描述来分析模型边界是否充分以及它潜在的关于系统物理结构和系统中人们决策行为的假设的合理性。
测试你的结论对你假设中不确定因素的强壮性。尽管参数的灵敏度测试非常重要，模型结果通常对有关模型边界、概括程度和决策准则方面的假设更为敏感。
把建模过程再最广泛的范围内公开。在建模过程中，客户必须成为你的伙伴。
第七部分 结束语
未来的挑战
22.1 理论
非线性动态学与复杂系统
基于主体的建模
在一个基于主体的模型中种群的个体成员都被清楚地描绘而不是作为一个集合的群体。重要的主体属性和决策规则的多样性都被描绘出来。
心智模型、制定动态决策与学习
组织和社会的进化
22.2 技术
自动确定变量空间
自动进行灵敏度分析
自动进行极端条件测试
自动的交互的变量估计、校准与政策寻优
自动识别主导回路与反馈结构
自动的帮助
模型行为的可视化
把行为和产生行为的结构联系起来
数据输入
22.3 实施
沟通建模洞察力
改进团队建模
加速建模过程
结合其他建模方法
创建管理的实验室
评价结果
22.4 教育
既保持专业化研究的活力，与此同时又注重对复杂性和跨学科交流进行注重实效和严格的教育——使用系统思考能力来解决我们职业和个人生活中面临的紧迫问题。
22.5 应用
仍有数不清的问题，我们对其缺乏理解，主要的理论是以个别事件为导向的、外生的和静止的，而不是结构化的、内生的和动态的。结果是政策抵制、缺乏对将来的希望和无能为力的感觉，使今天许多人苦恼。