Skip to content
بازگشت به نتایج جست‌وجو

پویایی‌شناسی سیستم — مدل‌سازی جریان-انباشت

معرفی‌شده توسط
Jay W. Forrester
سال
1961
نوع
Continuous simulation / feedback modelling

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

پویایی‌شناسی سیستم (System dynamics) یک روش شبیه‌سازی پیوسته است که توسط جی. دبلیو. فارستر در اِم.آی.تی در سال ۱۹۶۱ توسعه یافت و یک سیستم پیچیده را از طریق انباشت‌ها (ذخایر)، جریان‌ها (نرخ‌های تغییر) و حلقه‌های بازخورد نمایش می‌دهد. این روش با بیان این روابط به صورت معادلات دیفرانسیل معمولی کوپل‌شده، چگونگی تأثیر سیاست‌ها، تأخیرها و بازخوردهای غیرخطی بر رفتار سیستم در طول زمان را بازتولید می‌کند — که آن را به ابزاری اساسی در تحلیل سیاست‌گذاری، مدل‌سازی سازمانی و تحقیقات پایداری تبدیل کرده است.

شهود پشت روش

یک وان حمام را تصور کنید: سطح آب یک انباشت است، شیر آب یک ورودی و تخلیه یک خروجی است. اگر شیر آب سریع‌تر از تخلیه کار کند، سطح آب بالا می‌رود؛ اگر کندتر باشد، پایین می‌آید. پویایی‌شناسی سیستم این تصویر را به هر سیستم پیچیده‌ای — جمعیت‌ها، زنجیره‌های تأمین، اپیدمی‌ها، اقتصادها — تعمیم می‌دهد، با اتصال بسیاری از این مخازن با شیرهایی که از طریق حلقه‌های بازخورد به سطوح فعلی آب واکنش نشان می‌دهند. یک حلقه تقویت‌کننده باعث رشد یا فروپاشی نمایی می‌شود؛ یک حلقه متعادل‌کننده سیستم را به سمت یک هدف سوق می‌دهد. این روش به شما امکان می‌دهد بپرسید «اگر این سیاست را تغییر دهیم، در طول زمان چه اتفاقی می‌افتد؟» بدون نیاز به اجرای یک آزمایش واقعی.

تاریخ

پویایی‌شناسی سیستم توسط جی. دبلیو. فارستر در اِم.آی.تی پایه‌گذاری شد که اصول آن را در کتاب «دینامیک صنعتی» (Industrial Dynamics) در سال ۱۹۶۱ منتشر کرد و بعدها این چارچوب را در برنامه‌ریزی شهری (Urban Dynamics, 1969) و محدودیت‌های منابع جهانی (World Dynamics, 1971) به کار برد. کتاب «دینامیک کسب‌وکار» (Business Dynamics) جان استرمن (۲۰۰۰) به متن قطعی در سطح تحصیلات تکمیلی تبدیل شد که تفکر بازخورد، روش‌شناسی مدل‌سازی و مطالعات موردی گسترده را یکپارچه می‌کرد. این روش زیربنای گزارش «محدودیت‌های رشد» (Limits to Growth) باشگاه رم (۱۹۷۲) بود و از آن زمان در اپیدمیولوژی، مدیریت زنجیره تأمین، سیاست آب و هوا و مدل‌سازی سیستم‌های مراقبت بهداشتی استفاده شده است.

چه زمانی استفاده شود

پویایی‌شناسی سیستم زمانی مناسب است که رفتار مورد نظر از حلقه‌های بازخورد و انباشت در طول زمان پدیدار شود — برای مثال، گسترش اپیدمی، نوسانات موجودی، رشد جمعیت، یا اثرات بلندمدت یک سیاست سازمانی. این روش برای پدیده‌های پیوسته و ساختارهای سری زمانی مناسب است؛ اگر سیستم شامل تراکنش‌های گسسته و رویدادمحور باشد، شبیه‌سازی رویداد گسسته انتخاب بهتری است. حداقل اندازه نمونه مورد نیاز نیست: این روش معادله‌محور است تا داده‌محور. اعتبارسنجی در برابر داده‌های تاریخی به شدت توصیه می‌شود اما همیشه در کارهای سیاست‌گذاری آینده‌نگر امکان‌پذیر نیست.

محدودیت‌ها و ملاحظات

  • فرض زمان پیوسته برای سیستم‌هایی که توسط رویدادهای گسسته یا ناهمگونی در سطح فردی هدایت می‌شوند، نامناسب است.
  • کیفیت مدل به شدت به صحت ساختار علّی بستگی دارد؛ یک حلقه بازخورد از دست رفته یا مرز اشتباه را نمی‌توان تنها با کالیبراسیون جبران کرد.
  • تخمین پارامتر اغلب نامطمئن است؛ نتایج همیشه باید تحت تحلیل حساسیت قرار گیرند و به صورت محدوده‌ها و نه پیش‌بینی‌های نقطه‌ای گزارش شوند.
  • این روش مسیرهای رفتار درون‌زا را تولید می‌کند، نه پیش‌بینی‌های احتمالی؛ کمی‌سازی عدم قطعیت به بسته‌بندی مونت کارلو یا لاتین-هایپرمکعب اضافی نیاز دارد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • دینامیک‌های بازخورد غیرخطی و تأخیرهای زمانی را که در مدل‌های ایستا یا مبتنی بر رگرسیون نامرئی هستند، ثبت می‌کند.
  • به حداقل اندازه نمونه نیاز ندارد — این روش حتی زمانی که داده‌های تاریخی کمیاب هستند، با تکیه بر دانش ساختاری سیستم کار می‌کند.
  • از آزمایش شفاف سیاست‌گذاری پشتیبانی می‌کند: تغییر یک پارامتر یا ساختار حلقه، تغییرات قابل ردیابی و قابل تفسیر در رفتار ایجاد می‌کند.
  • قابل استفاده در رشته‌های مختلف — اپیدمیولوژی، کسب‌وکار، اکولوژی، مهندسی، سیاست‌گذاری عمومی — هر جا که انباشت‌ها و جریان‌ها سیستم را توصیف می‌کنند.

کاربردها

  • مدل‌سازی اپیدمیولوژیک گسترش بیماری‌های عفونی (مدل‌های محفظه‌ای از نوع SIR).
  • نوسان زنجیره تأمین و مدیریت موجودی در تحقیقات عملیاتی.
  • تحلیل سیاست‌گذاری بلندمدت در بهداشت عمومی، پایداری محیط زیست و سیستم‌های انرژی.
  • یادگیری سازمانی و مطالعات برنامه‌ریزی ظرفیت در علم مدیریت.
  • برنامه‌ریزی شهری و منطقه‌ای، شامل دینامیک جمعیت و ظرفیت زیرساخت.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیلگر متغیرهای کلیدی را که در طول زمان انباشته می‌شوند (انباشت‌ها) شناسایی می‌کند، یک نمودار حلقه علّی برای ترسیم حلقه‌های بازخورد تقویت‌کننده (R) و متعادل‌کننده (B) رسم می‌کند و مرز مسئله را تعریف می‌کند — تصمیم می‌گیرد چه چیزی در داخل و خارج مدل قرار دارد. این گام کیفی هسته فکری پویایی‌شناسی سیستم است: یک مرز ضعیف ترسیم شده یا یک حلقه بازخورد از دست رفته، هر نتیجه بعدی را فاسد خواهد کرد.

2

نمودار حلقه علّی به یک نمودار انباشت-جریان تبدیل می‌شود. هر انباشت با یک معادله سطح و هر جریان با یک معادله نرخ نشان داده می‌شود که سرعت تغییر انباشت را تعیین می‌کند. متغیرهای کمکی و توابع جدولی روابط غیرخطی و تأخیرهای زمانی را کدگذاری می‌کنند. نتیجه مجموعه‌ای از معادلات دیفرانسیل معمولی کوپل‌شده است که سیستم را به طور رسمی توصیف می‌کند.

3

مقادیر عددی به هر پارامتر در معادلات نرخ اختصاص داده می‌شود: سطوح اولیه انباشت، ضرایب، زمان‌های تأخیر و مقادیر جستجوی تابع جدولی. پارامترها می‌توانند از داده‌های تجربی، ادبیات منتشر شده یا استخراج از خبرگان به دست آیند. حساسیت به انتخاب پارامترها باید مورد توجه قرار گیرد تا بتوان آن را در مرحله تحلیل بررسی کرد.

4

سیستم معادلات با استفاده از یک حل‌کننده عددی — معمولاً اویلر یا رونگه-کوتا — در یک گام زمانی ثابت که به اندازه کافی کوچک انتخاب شده تا سریع‌ترین دینامیک‌ها را در مدل ثبت کند، در طول زمان به جلو یکپارچه می‌شود. حل‌کننده مسیرهای سری زمانی را برای هر انباشت و جریان در مدل در افق شبیه‌سازی مشخص شده تولید می‌کند.

5

مدل در برابر داده‌های تاریخی (آزمون بازتولید رفتار) آزمایش می‌شود و تحت آزمون‌های ساختاری قرار می‌گیرد: آزمون‌های شرایط حدی، بررسی‌های سازگاری ابعادی و آزمون‌های کفایت مرزی. کالیبراسیون پارامترها را تنظیم می‌کند تا مسیرهای شبیه‌سازی شده با داده‌های مشاهده شده در محدوده‌های قابل قبول مطابقت داشته باشند. مدلی که در آزمون‌های ساختاری شکست می‌خورد، حتی اگر تاریخ را بازتولید کند، قابل اعتماد نیست.

6

پس از اعتبارسنجی، مدل برای تحلیل سناریو و سیاست‌گذاری استفاده می‌شود. پارامترها یا مفروضات ساختاری برای نمایش سیاست‌های جایگزین تغییر داده می‌شوند و مسیرهای حاصل مقایسه می‌شوند. تحلیل حساسیت مشخص می‌کند که کدام پارامترها بیشترین تأثیر را بر نتایج دارند. نتایج بر اساس ساختار بازخورد زیربنایی و نه برآوردهای نقطه‌ای تفسیر می‌شوند.

دام‌های رایج

  • انتخاب گام زمانی که نسبت به سریع‌ترین جریان در مدل بیش از حد بزرگ باشد، باعث بی‌ثباتی عددی و مسیرهای گمراه‌کننده می‌شود؛ گام را به خوبی زیر کوتاه‌ترین ثابت زمانی در مدل نگه دارید.
  • نادیده گرفتن اعتبارسنجی ساختاری — آزمون‌های شرایط حدی و بررسی‌های سازگاری ابعادی — و تنها تکیه بر بازتولید رفتار به این معنی است که مدل ممکن است به دلایل اشتباه با تاریخ مطابقت داشته باشد.
  • اشتباه گرفتن انباشت‌ها و جریان‌ها: انباشت کمیتی است که انباشته می‌شود (مثلاً سطح موجودی)؛ جریان یک نرخ است (مثلاً واحد در هفته). طبقه‌بندی اشتباه یک متغیر ساختار معادله را فاسد می‌کند.
  • پارامترسازی بیش از حد مدل با بسیاری از متغیرهای کمکی نامحدود، مدل را به اندازه کافی انعطاف‌پذیر می‌کند تا با هر داده‌ای مطابقت داشته باشد، اما از نظر ساختاری بی‌معنی و برای استفاده در سیاست‌گذاری غیرقابل اعتماد است.

پرسش‌های متداول

پویایی‌شناسی سیستم چه تفاوتی با شبیه‌سازی رویداد گسسته دارد؟

پویایی‌شناسی سیستم، سیستم را به عنوان جریان‌های پیوسته توصیف شده توسط معادلات دیفرانسیل در نظر می‌گیرد و برای پدیده‌های تجمعی و بازخورد-محور مانند گسترش اپیدمی یا نوسانات موجودی مناسب‌تر است. شبیه‌سازی رویداد گسسته، موجودیت‌های فردی را که در یک سیستم حرکت می‌کنند — صف‌ها، تراکنش‌ها، کارهای ماشین — ردیابی می‌کند و زمانی بهتر است که زمان‌بندی و توالی رویدادهای فردی اهمیت دارد. این دو روش مکمل یکدیگر هستند: پویایی‌شناسی سیستم رفتار ساختاری بلندمدت را ثبت می‌کند؛ شبیه‌سازی رویداد گسسته جزئیات عملیاتی کوتاه‌مدت را ثبت می‌کند.

آیا برای ساخت یک مدل پویایی‌شناسی سیستم به داده‌های زیادی نیاز دارم؟

خیر. پویایی‌شناسی سیستم معادله‌محور است تا داده‌محور، بنابراین می‌تواند با داده‌های کمیاب که با دانش ساختاری و استخراج از خبرگان تکمیل شده‌اند، ساخته شود. داده‌های تاریخی برای کالیبراسیون و اعتبارسنجی بازتولید رفتار مورد نیاز است، اما این روش حداقل اندازه نمونه را مانند مدل‌های آماری تحمیل نمی‌کند. زمانی که داده‌ها در دسترس هستند، باید برای کالیبراسیون پارامترها و آزمایش اعتبار مدل استفاده شوند.

تفاوت بین حلقه بازخورد تقویت‌کننده (R) و متعادل‌کننده (B) چیست؟

یک حلقه تقویت‌کننده تغییر را در یک جهت تقویت می‌کند — رشد مثبت یا کاهش شتاب‌دار. یک حلقه متعادل‌کننده با تغییر مقابله می‌کند و سیستم را به سمت یک هدف یا تعادل سوق می‌دهد. بیشتر سیستم‌های واقعی شامل هر دو نوع هستند: رشد توسط حلقه‌های تقویت‌کننده هدایت می‌شود و در نهایت توسط حلقه‌های متعادل‌کننده (محدودیت‌های منابع، اثرات اشباع) کنترل می‌شود. شناسایی این حلقه‌ها اولین گام در ترسیم نمودار حلقه علّی است.

اعتبار مدل در پویایی‌شناسی سیستم چگونه برقرار می‌شود؟

اعتبار بر دو ستون مکمل استوار است: آزمون‌های ساختاری (آزمون‌های شرایط حدی، سازگاری ابعادی، کفایت مرزی) تأیید می‌کنند که معادلات مدل به خودی خود منطقی هستند؛ آزمون‌های رفتاری (بازتولید رفتار، تحلیل حساسیت) تأیید می‌کنند که مدل مسیرهایی سازگار با داده‌های مشاهده شده تولید می‌کند. مدلی که آزمون‌های رفتاری را پشت سر می‌گذارد اما در آزمون‌های ساختاری شکست می‌خورد، معتبر تلقی نمی‌شود — ممکن است تاریخ را به دلایل اشتباه بازتولید کند.

روش‌های مرتبط

منابع

  1. Sterman, J.D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. Irwin McGraw-Hill.

    شابک: 978-0072389159
    کپی شد.
  2. Forrester, J.W. (1961). Industrial Dynamics. MIT Press.

    شابک: 978-0262060035
    کپی شد.