Abbiamo chiesto al Prof. Piero Mella, Università di Pavia, uno tra i maggiori esperti in Italia di Systems Thinking, di aiutarci a comprendere qualcosa di più riguardo questo approccio allo studio dei sistemi e alla loro complessità.
Si tratta di un argomento cruciale per la vasta comunità internazionale di professionisti che si occupano di progetti. Poiché se nel passato pensavamo di scomporre i fenomeni organizzativi per poi ricondurli all’interno di meccanismi o schematismi fissi caratterizzati da regolarità, ripetibilità, controllabilità, oggi sappiamo che un progetto, come qualunque altro sistema, esige, al contrario, un approccio organico, sistemico, dinamico, aperto; poiché la sua vita si esplica sul filo di una serie innumerevole di reti fatte di interrelazioni, connessioni, comunicazioni, interdipendenze interne ed esterne. Gestione, reattività, adattabilità e personalizzazione sono possibili ma solo dove questa complessità viene investigata e compresa. Il che rende questa disciplina straordinariamente attuale e importante.
Il Prof. Piero Mella (http://www.pieromella.it/) ha rivestito diversi ruoli nell’ambito dell’Università di Pavia. E’ autore di numerosissime pubblicazioni, tra le quali, Mella, P. (2021, 1st Ed. 2014). The Magic Ring. Systems Thinking Approach to Control Systems (Second Edition). Springer Nature, Switzerland. E’ inoltre il direttore della Rivista ECONOMIA AZIENDALE ONLINE, www.economiaaziendale.it, pubblicata da Pavia University Press.
La Redazione
Non sbirciare oltre il muro dell’ignoranza.
Prendi la Scala del Systems Thinking …
Abstract
Italiano. Per sopravvivere in un “mondo” in continua evoluzione, dobbiamo sviluppare la nostra intelligenza, imparare rapidamente a costruire modelli per comprendere i processi di cambiamento e i loro effetti, a lungo o breve termine, vicini o lontani rispetto a noi, nello spazio, e, se possibile, per dominarli, cioè prevederli e controllarli. Questo breve articolo presenterà le idee principali di Peter Senge [1] sul pensiero sistemico, o Systems Thinking. Questo termine indica non solo una tecnica, ma, principalmente, una disciplina e un linguaggio per interpretare, spiegare e comunicare in modo efficiente ed efficace i fenomeni dinamici del nostro “mondo”.
Inglese. To survive in a world of change, we must develop our intelligence, to quickly learn to construct models to understand processes and their effects, long or short term, close or distant to us in space, and if possible, to dominate them, that is, predict and control them. This article will present the main ideas of Peter Senge [1] on Systems Thinking, which is considered not only as a technique but primarily as a discipline and a language for efficiently and effectively interpreting, explaining, and communicating the dynamics of our world.
1. Il linguaggio del Systems Thinking
Le cinque regole su cui si fonda la logica del pensiero sistemico, per quanto coerenti, sarebbero di utilità molto scarsa, se non nulla, per costruire facilmente “modelli del mondo” semplici da leggere, da modificare e da comunicare. Per questo, il Systems Thinking tuttavia utilizza un linguaggio convenzionale (con qualche “dialetto”), che fa uso di un limitato numero di simboli modulari, molto semplici e di veloce elaborazione, per costruire, anche con carta e matita, modelli di qualunque realtà, per quanto ampia e complessa.
Ecco il dizionario delle convenzioni e dei simboli.
Tipi di variabili. Possono essere di tutti i tipi:
– variabili flusso (flusso d’acqua del rubinetto, reddito nazionale, arrivi, partenze, nascite, morti, ecc.),
– variabili stock (livello dell’acqua, ricchezza nazionale, code d’attesa, stock di magazzino),
– variabili intensità (apertura rubinetto, produzione giornaliera, consegne orarie, pressione dei pedali dell’auto),
– variabili reali (dipendenti, assunzioni, reclami, finanziamenti),
– variabili mentali o psicologiche (paura, stress, soddisfazione, stanchezza), ecc.
Nomi delle Variabili. Occorre impiegare un nome (corto, scritto senza inserirlo in qualche figura o box) che evochi immediatamente la variabile, evitando nomi che non abbiano significato di variabili, ma rappresentino oggetti fissi. Esempio: non “sole” ma “irraggiamento solare”; non “pioggia” ma quantità, durata, intensità della pioggia.
Connessione causale tra variabili. Per rappresentarla, si può utilizzare una semplice freccia orientata, di qualsiasi forma,che unisca la variabile “causa” alla variabile “effetto”, come indicato in Figura 1. Consiglio di usare frecce sottili.
Figura 1. Le frecce come espressione delle connessioni causali
Direzione del collegamento. Se due variabili possono essere connesse in due opposte direzioni, occorre scegliere quella che si ritiene ammissibile e significativa per indicare le cause e gli effetti, come negli esempi di Figura 2. Alcune direzioni sono inammissibili, in quanto non coerenti con le nostre attuali conoscenze, come nell’ultimo esempio.
Figura 2. Le frecce come espressione delle connessioni causali e della loro direzione
Senso di variazione. Specifica se la variazione della “causa” X, in aumento (+Δx), o in diminuzione (–Δx), produce la variazione (concordante) in aumento (+Δy), o diminuzione (–Δy) dell’”effetto” Y, oppure la variazione di segno invertita (discordante). Nel primo caso, il collegamento tra le variabili X e Y presenta lo “stesso senso”, indicato con “s” sulla freccia; nel secondo caso, presenta “opposto senso”, indicato con “o”. A chiarimento, si vedano gli esempi in Figura 3 che si rivelano di immediata comprensione, non appena il segno “+” si legga come “aumenta” e il segno ”–“ come “diminuisce”. Nota. Alcuni autori scrivono “+” al posto di “s” e “-“ al posto di “o”, creando, a mio giudizio, qualche incertezza interpretativa.
Figura 3. I due possibili “sensi” delle variazioni delle relazioni causali (da non confondersi con le direzioni) [Nota: i grafici posti sopra le frecce sono riportati solo per maggiore chiarezza, ma non vengono mai rappresentati nelle catene causali dei modelli effettivi].
Catene causali aperte e loro senso. Connettendo, in successione, diverse variabili tra le quali si osserva o si ipotizza un legame causale, si forma una catena causale aperta, che può essere anche molto lunga. In Figura 4 riporto alcuni esempi.
Figura 4. Catene causali aperte e loro “senso” di variazione complessivo
Senso di variazione delle Catene causali aperte. Le catene causali presentano un “senso di variazione complessivo”, determinato dai segni delle variazioni della prima e dell’ultima variabile della catena. Per individuare il senso di un’intera catena causale, c’è una regola semplice: contare le “o” scritte sulle frecce che formano la catena. Se non ci sono “o”, o se le “o” sono in numero pari, allora il senso della catena causale è “stesso senso”, cioè “s“, qualunque sia il segno di (Δx), come nella catena causale [3] in Figura 4. Altrimenti, se le “o” sono in numero dispari, il senso della catena causale è “opposto senso”, cioè “o”, come nelle catene causali [1] e [2]. Verifichiamo la regola, interpretando la catena [3] in due ipotesi, come nella Tabella 1. [Nota: i sensi di variazione, “s“ e “o“, si scrivono solo sulle frecce ma mai per le catene causali intere].
| Ipotesi 1 – l’Efficienza della Pubblica Amministrazione aumenta: (“+”) | Ipotesi 2 – l’Efficienza della Pubblica Amministrazione si riduce: (“–”) |
| Se “+” Efficienza PA, allora “+” Qualità servizi offerti | Se “–” Efficienza PA, allora “–” Qualità servizi offerti |
| Se “+” Qualità servizi, allora “+” Soddisfazione contrib. | Se “–” Qualità servizi, allora “–” Soddisfazione contrib. |
| Se “+” Soddisfazione contrib., allora “–” Evasione fisc. | Se “–” Soddisfazione contrib., allora “+” Evasione fisc. |
| Se “–” Evasione fisc., allora “+” Imposte incassate | Se “+” Evasione fisc., allora “–” Imposte incassate |
| Senso complessivo della catena: “s” perché: se “+” Efficienza PA, allora “+” Imposte incassate | Senso complessivo della catena: “s” perché: se “–” Efficienza PA, allora “–” Imposte incassate |
Tabella 1 – Esempio di lettura delle catene causali e senso di variazione
Loop. Un “loopelementare”è formato da due variabili collegate in doppia direzione [Nota: è possibile costruire loop collegando in forma circolare due catene casuali, anziché due variabili]. Parafrasiamo la “Regola 4” presentata al Paragrafo 3: “Dobbiamo sforzarci di concatenare le variabili fino a trovare i legami circolari che le uniscono, cioè dobbiamo individuare i loop tra le loro variazioni. I loop sono gli elementi fondamentali dei “sistemi” nel Systems Thinking”. Dobbiamo abbandonare il pensiero lineare (catene di cause e di effetti) e abituarci al pensiero circolare, individuando i loop. Il modello che evidenzia le relazioni circolari tra le variabili e i loro loop si può definire Sistema dinamico causale, Diagramma causale, o anche Causal Loop Diagram (CLD) [2]. Nota importante: il loop deve essere pensato non come la rappresentazione statica di una relazione reciproca tra variabili, bensì come un modello dinamico ripetitivo che, in cicli successivi, modifica il valore delle variabili, secondo i tempi scanditi dalla situazione rappresentata. Generalizzando, il Systems Thinking riconosce che, se vogliamo davvero “capire” il mondo e i suoi cambiamenti, non è sufficiente ragionare in termini di catene di cause ed effetti tra variabili; dobbiamo riconoscere che, in cicli successivi, gli effetti possono, a loro volta, diventare le cause delle loro cause, creando, così, una connessione circolare, un anello. Ci sono solo due tipi di “loop elementari”: loop di “rinforzo” e loop di “bilanciamento”. La loro individuazione costituisce l’essenza del Systems Thinking.
Loop di rinforzo: [R]. Il loop tra le variabili X e Y si definisce di “rinforzo” [R], se, in successivi cicli, porta a una espansione o a una riduzione reciproca delle variabili. Un loop è [R], se nelle relazioni tra le variabili che lo costituiscono non vi sono “o”, o se le “o” sono in numero pari. In Figura 5 riporto il tipico esempio di loop elementare indicato da Peter Senge (il libro è del 1990).
Figura 5. Esempio di loop di rinforzo (fonte: Senge, 1990)
Il loop di sinistra evidenzia come un aumento degli Armamenti USA porti all’aumento degli Armamenti URSS (arco superiore), ma, in cicli successivi, l’aumento degli Armamenti URSS porterà all’aumento degli Armamenti USA (arco inferiore). Ciascuna variabile (Armamenti USA e Armamenti URSS) aumenta perché aumenta l’altra e, ciclo dopo ciclo, si manifesta un’espansione di entrambe. Sembra di vedere un Uroboros, un serpente che si morde la coda, o un Mehen egizio, un serpente arrotolato. Nessuna sorpresa: poiché il loop è un modello ripetitivo di una situazione che “opera” in cicli successivi, appare evidente che il ciclo di incremento degli armamenti è destinato a far crescere sempre più l’arsenale militare delle due superpotenze, cosa che è avvenuta, sta avvenendo e, secondo il modello, avverrà in futuro. Ma perché le due superpotenze accettano questo “gioco” al rialzo dei propri armamenti? Il “motore” del loop è la “paura”, come si legge nel modello più esplicito di destra, in Figura 5. Vi sembra un esempio non più valido, dopo la “distensione”? Che ne dite di sostituire la coppia [“Armamenti USA” e “Armamenti URSS”] con la coppia [“Dazi USA” e “Dazi UE”], o con la coppia [“Potenza di calcolo dei computer” e “Fabbisogni computazionali e grafici dei software”]? O, ancora, per fare un esempio caro a Charles Darwin, perché non cambiamo “Armamenti USA” in “Armi d’attacco dei predatori” e “Armamenti URSS” in “Difese delle prede”? Non siamo forse in presenza dello stesso Uroboros?
Loop di bilanciamento: [B]. Il loop tra le variabili X e Y si definisce di “bilanciamento” [B], se una variazione della X viene controbilanciata da una variazione della Y, così che ogni variazione di una variabile viene, ben presto, annullata o attenuata dalla reazione dell’altra variabile. Il loop [B], è di bilanciamento, se vi è un numero dispari di “o” tra le variabili. I loop di bilanciamento si presentano in numerosi fenomeni: nelle interazioni tra popolazioni di prede e predatori; nella maggior parte dei processi fisiologici, biologici, sociali, e meccanici; oppure nell’azione dei sistemi, di controllo e di regolazione. In Figura 6 viene presentato un tipico sistema di bilanciamento che normalmente si osserva tra le popolazioni di prede e predatori che convivono nello stesso ambiente.
Figura 6. Esempio di loop di bilanciamento
In Figura 6, l’arco superiore del loop di sinistra chiarisce come un aumento della popolazione delle “prede” porti (o si suppone che porti) all’aumento di quella dei “predatori”, che hanno più disponibilità di cibo e maggiore facilità nel procurarselo, potendo, quindi, mantenere in vita una prole numerosa (+prede, allora: + predatori). In cicli successivi, tuttavia, come rivela l’arco inferiore, il progressivo incremento dei predatori in modo inevitabile molto probabilmente produce un decremento del numero delle prede (+predatori, allora: – prede); ridotta la popolazione di prede, il cibo scarseggia e i predatori riducono, piano piano, il loro numero, consentendo alla popolazione di prede di incrementarsi nuovamente (- predatori, allora: + prede) Subentra, però, nuovamente l’arco superiore, cui segue ancora l’azione dell’arco inferiore, cui segue l’azione dell’arco superiore, ecc. ecc., in cicli che si ripetono. L’effetto è che le due popolazioni presentano oscillazioni nel tempo, mantenendo, però, la loro esistenza reciproca. Il loop [B], salvo altri fattori esterni, “bilancia nel tempo”, le variazioni delle due popolazioni. Il loop di destra indica un esempio concreto, dimostrando come sia possibile un bilanciamento tra le popolazioni di sardine e di squali che convivono nel Mare Adriatico [3].
Sistema dinamico. Il Systems Thinking denomina “sistema dinamico” un complesso unitario di variabili interconnesse da loop, del quale si indaga la struttura logica, che è in grado di sviluppare macro-dinamiche “emergenti”, non coincidenti con alcuna delle micro-dinamiche delle singole variabili, o di loro parziali sottosistemi, o dei singoli loop.
2. Le tecniche di simulazione
Il pensiero sistemico costruisce modelli qualitativi per comprendere le dinamiche del “mondo”. Per simulare i comportamenti dei sistemi esaminati, si possono impiegare differenti strumenti, tra i quali menziono solamente, come campione:
• Powersim (www.powersim.com)
• MyStrategy (www.strategydynamics.com/mystrategy/)
• ithink e stella (www.iseesystems.com/index.aspx)
• Vensim (www.vensim.com)
• Excel Software (www.excelsoftware.com/)
La simulazione quantitativa dei modelli del Systems Thinking rientra nella logica denominata “System Dynamics”, che è stata sviluppata come “Industrial Dynamics” da Jay Forrester nel 1961 ed esposta in: Forrester, J. W. (1961). Industrial dynamics. Waltham, MA: Pegasus Communications.
Sulla web-page della Systems Dynamics Society, viene evidenziato lo stretto rapporto della disciplina della simulazione con il Systems Thinking.
System Dynamics è un approccio assistito da computer per la progettazione di strategie e politiche. L’obiettivo principale è aiutare le persone a prendere decisioni migliori quando si confrontano con sistemi complessi e dinamici. Utilizza modelli di simulazione basati sulla teoria dei sistemi di feedback che integrano gli approcci di pensiero sistemico. Si applica a problemi dinamici che sorgono in complessi sistemi … sociali, gestionali, economici, ecologici e fisiologici.
(System Dynamics Society, on line: https://systemdynamics.org/what-is-system-dynamics/)
Rilevo che i modelli della Systems Dynamics, proprio in quanto fanno ricorso a strumenti di simulazione aventi una specifica logica e sintassi, sono meno intuitivi e “leggibili” dei “Causal Loop Diagrams”.
3.6. Utilizzo corretto del Systems Thinking
Spero che le sintetiche nozioni di sintassi che ho presentato siano utili al lettore, per comprendere i numerosi testi che fanno ricorso a modelli di sistemi dinamici costruiti con la logica del Systems Thinking; ma siano utili anche per riconoscere i “falsi modelli” di sistemi che, pur presentati come derivanti dal Systems Thinking, rispondono ad altre logiche o a sintassi formali differenti. Ricercando su Google la voce “Causal Loop Diagrams” vengono indicati centinaia di esempi che sono per la maggior parte errati, o imprecisi, perché collegano tra loro, con frecce, “oggetti” di varia natura, e non solo “variabili”. La prova per verificare se una freccia colleghi veramente due variabili è porsi la domanda: l’oggetto scritto “in coda” alla freccia può variare in aumento/diminuzione? Può far aumentare/diminuire l’oggetto scritto “in testa” alla freccia? Se la risposta è negativa, è probabile che la freccia non rappresenti un legame causale tra variabili.
Il più rilevante limite di questa breve sintesi è evidente: non ho presentato esempi significativi, a parte quelli funzionali alle nozioni di base. Rinvio a prossimi interventi l’esame di alcuni interessanti Causal Loop Diagrams e, in particolare, quelli che indicano “archetipi sistemici”.
Queste prime nozioni non sono, ovviamente, sufficienti a trasformare il lettore in un systems thinker, ma spero possano suscitare il desiderio di approfondire questa “disciplina”, che si affina sempre più con l’applicazione.
“Dammi una freccia e costruirò un ‘mondo’ per te; non un mondo reale, naturalmente, ma una mappa strutturale di una parte di esso” (Senge, 2006, p. 3) .
APPENDICE. Esempi di loop con diverse variabili
Presento, senza commenti, tre Causal Loop Diagrams non molto complicati. Sono certo che il lettore saprà leggerli e interpretarli con le regole indicate al Paragrafo 4.
Il CLD in Figura 7 è ottenuto “chiudendo” la catena causale aperta n. [3] di Figura 4.
Quello di Figura 8 rappresenta, in modo semplice, l’azione di un regolatore di velocità a due leve: acceleratore e freno.
In Figura 8 si cerca di interpretare la difficoltà di crescita della domanda per insufficienza di investimenti nella produzione.
Figura 7. Modernizzazione della Pubblica Amministrazione
Figura 8. Sistema a doppio loop conosciuto come regolatore di velocità a due leve
Figura 9. Rallentamento alla crescita della domanda
Note
[1] Senge, P. (2006, 2^ Ed.). The Fifth Discipline: The Art and Practice of the Learning Organization (1^ Ed. 1990). New York: Doubleday/Currency.
[2] Si veda, ad esempio: Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. New York: McGraw-Hill.
[3]. Il loop di bilanciamento tra popolazioni di sardine e squali nell’Adriatico descrive, nella logica del Systems Thinking, un modello matematico fondamentale ottenuto da Vito Volterra. È stata proprio l’esigenza di dare risposta alla domanda – perché il numero delle sardine nel mare Adriatico presentasse un andamento ciclico – postagli da suo genero, lo zoologo Umberto D’Ancona, che il grande matematico Vito Volterra pose le basi delle sue celeberrime equazioni di dinamica delle popolazioni che legavano il numero delle prede (sardine) al numero dei predatori (squali). Queste equazioni sono la rappresentazione matematica del loop di bilanciamento presentato in Figura 6. Si veda: Volterra, V. (1926). Variazioni e fluttuazioni del numero d’individui in specie animali conviventi. Atti Acc. Naz. Lincei:31–113. La simulazione della dinamica di due popolazioni con l’uso di loop [B], tramite le equazioni di Volterra, è in Mella P., Beretta V. (2018). Quantitative and Qualitative Dynamics of Interacting Populations. Systems Research and Behavioral Science, 35(4), pp. 427-457.
