พลวัตของระบบ — การสร้างแบบจำลองแบบสต็อก-โฟลว์
- ผู้เสนอ
- Jay W. Forrester
- ปี
- 1961
- ประเภท
- Continuous simulation / feedback modelling
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
พลวัตของระบบ (System dynamics) เป็นวิธีการจำลองแบบต่อเนื่อง ซึ่งพัฒนาโดย เจย์ ดับเบิลยู. ฟอร์เรสเตอร์ ที่ MIT ในปี 1961 โดยเป็นการแสดงระบบที่ซับซ้อนผ่านสต็อก (การสะสม) โฟลว์ (อัตราการเปลี่ยนแปลง) และวงรอบป้อนกลับ การแสดงความสัมพันธ์เหล่านี้เป็นสมการเชิงอนุพันธ์สามัญ (ordinary differential equations) ที่เชื่อมโยงกัน ทำให้สามารถจำลองพฤติกรรมของระบบที่ขับเคลื่อนโดยนโยบาย ความล่าช้า และการป้อนกลับแบบไม่เชิงเส้นเมื่อเวลาผ่านไป ทำให้เป็นเครื่องมือหลักในการวิเคราะห์นโยบาย การสร้างแบบจำลององค์กร และการวิจัยความยั่งยืน
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพอ่างอาบน้ำ: ระดับน้ำคือสต็อก ก๊อกน้ำคือโฟลว์เข้า และท่อระบายน้ำคือโฟลว์ออก หากก๊อกน้ำไหลเร็วกว่าท่อระบาย ระดับน้ำจะสูงขึ้น หากช้ากว่า ระดับน้ำจะลดลง พลวัตของระบบขยายภาพนี้ไปยังระบบที่ซับซ้อนใดๆ — ประชากร ห่วงโซ่อุปทาน การระบาดของโรค เศรษฐกิจ — โดยการเชื่อมต่อถังจำนวนมากเหล่านี้เข้าด้วยกันด้วยวาล์วที่ตอบสนองต่อระดับน้ำปัจจุบันผ่านวงรอบป้อนกลับ วงรอบเสริมกำลัง (reinforcing loop) ขับเคลื่อนการเติบโตแบบทวีคูณหรือการล่มสลาย วงรอบปรับสมดุล (balancing loop) ผลักดันระบบไปสู่เป้าหมาย วิธีการนี้ช่วยให้คุณถามว่า 'จะเกิดอะไรขึ้นเมื่อเวลาผ่านไปหากเราเปลี่ยนแปลงนโยบายนี้?' โดยไม่จำเป็นต้องทำการทดลองจริง
ประวัติศาสตร์
พลวัตของระบบก่อตั้งขึ้นโดย เจย์ ดับเบิลยู. ฟอร์เรสเตอร์ ที่ MIT ผู้ซึ่งตีพิมพ์หลักการใน Industrial Dynamics (1961) ต่อมาได้นำกรอบการทำงานไปใช้กับการวางผังเมือง (Urban Dynamics, 1969) และขีดจำกัดทรัพยากรโลก (World Dynamics, 1971) Business Dynamics (2000) ของ จอห์น สเตอร์แมน กลายเป็นตำราเรียนระดับบัณฑิตศึกษาที่สมบูรณ์แบบ โดยบูรณาการการคิดเชิงป้อนกลับ วิธีการสร้างแบบจำลอง และกรณีศึกษาที่ครอบคลุม วิธีการนี้เป็นพื้นฐานของรายงาน Limits to Growth ของ Club of Rome (1972) และตั้งแต่นั้นมาก็ถูกนำไปใช้ในการสร้างแบบจำลองระบาดวิทยา การจัดการห่วงโซ่อุปทาน นโยบายสภาพภูมิอากาศ และระบบสุขภาพ
ควรใช้เมื่อใด
พลวัตของระบบมีความเหมาะสมเมื่อพฤติกรรมที่สนใจเกิดขึ้นจากวงรอบป้อนกลับและการสะสมเมื่อเวลาผ่านไป — ตัวอย่างเช่น การแพร่ระบาดของโรค การแกว่งตัวของสินค้าคงคลัง การเติบโตของประชากร หรือผลกระทบระยะยาวของนโยบายองค์กร เหมาะสำหรับปรากฏการณ์ต่อเนื่องและโครงสร้างอนุกรมเวลา หากระบบประกอบด้วยธุรกรรมที่ไม่ต่อเนื่องซึ่งขับเคลื่อนด้วยเหตุการณ์ การจำลองแบบเหตุการณ์ไม่ต่อเนื่อง (discrete-event simulation) จะเป็นทางเลือกที่ดีกว่า ไม่จำเป็นต้องมีขนาดตัวอย่างขั้นต่ำ: วิธีการนี้ขับเคลื่อนด้วยสมการมากกว่าขับเคลื่อนด้วยข้อมูล การตรวจสอบความถูกต้องกับข้อมูลในอดีตได้รับการแนะนำอย่างยิ่ง แต่ก็ไม่สามารถทำได้เสมอไปในงานวิเคราะห์นโยบายในอนาคต
ข้อจำกัดและข้อควรพิจารณา
- สมมติฐานเวลาต่อเนื่องไม่เหมาะสมสำหรับระบบที่ขับเคลื่อนด้วยเหตุการณ์ที่ไม่ต่อเนื่องหรือความแตกต่างระดับบุคคล
- คุณภาพของแบบจำลองขึ้นอยู่กับความถูกต้องของโครงสร้างเชิงสาเหตุเป็นอย่างมาก: วงรอบป้อนกลับที่มองข้ามไปหรือขอบเขตที่ไม่ถูกต้องไม่สามารถแก้ไขได้ด้วยการปรับเทียบเพียงอย่างเดียว
- การประมาณค่าพารามิเตอร์มักไม่แน่นอน: ผลลัพธ์ควรอยู่ภายใต้การวิเคราะห์ความไวเสมอ และรายงานเป็นช่วงแทนการคาดการณ์ค่าจุด
- วิธีการนี้สร้างเส้นแนวโน้มพฤติกรรมภายใน (endogenous behaviour trajectories) ไม่ใช่การคาดการณ์เชิงความน่าจะเป็น: การวัดปริมาณความไม่แน่นอนต้องใช้การห่อหุ้มแบบ Monte Carlo หรือ Latin-hypercube เพิ่มเติม
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับพลวัตป้อนกลับแบบไม่เชิงเส้นและความล่าช้าของเวลาที่มองไม่เห็นในแบบจำลองแบบสถิติหรือแบบถดถอย
- ไม่จำเป็นต้องมีขนาดตัวอย่างขั้นต่ำ — วิธีการนี้ใช้ได้แม้ในขณะที่ข้อมูลในอดีตมีน้อย โดยอาศัยความรู้เชิงโครงสร้างของระบบ
- สนับสนุนการทดลองนโยบายที่โปร่งใส: การเปลี่ยนแปลงพารามิเตอร์หรือโครงสร้างวงรอบจะทำให้เกิดการเปลี่ยนแปลงพฤติกรรมที่สามารถติดตามและตีความได้
- สามารถนำไปใช้ได้ในหลากหลายสาขาวิชา — ระบาดวิทยา ธุรกิจ นิเวศวิทยา วิศวกรรม นโยบายสาธารณะ — ทุกที่ที่สต็อกและโฟลว์อธิบายระบบ
การประยุกต์ใช้
- การสร้างแบบจำลองทางระบาดวิทยาของการแพร่ระบาดของโรคติดเชื้อ (แบบจำลองกลุ่มอาการ SIR)
- การแกว่งตัวของห่วงโซ่อุปทานและการจัดการสินค้าคงคลังในการวิจัยการดำเนินงาน
- การวิเคราะห์นโยบายระยะยาวในด้านสาธารณสุข ความยั่งยืนด้านสิ่งแวดล้อม และระบบพลังงาน
- การศึกษาการเรียนรู้ขององค์กรและการวางแผนกำลังการผลิตในวิทยาการจัดการ
- การวางผังเมืองและภูมิภาค รวมถึงพลวัตประชากรและกำลังการผลิตโครงสร้างพื้นฐาน
วิธีการทำงาน
วิธีการทำงาน
นักวิเคราะห์จะระบุตัวแปรสำคัญที่สะสมเมื่อเวลาผ่านไป (สต็อก) วาดแผนภาพวงรอบเชิงสาเหตุ (causal-loop diagram) เพื่อแมปวงรอบป้อนกลับแบบเสริมกำลัง (R) และปรับสมดุล (B) และกำหนดขอบเขตของปัญหา — ตัดสินใจว่าอะไรอยู่ภายในและภายนอกแบบจำลอง ขั้นตอนเชิงคุณภาพนี้เป็นแกนหลักทางปัญญาของพลวัตของระบบ: ขอบเขตที่วาดผิดพลาดหรือวงรอบป้อนกลับที่มองข้ามไปจะทำให้ผลลัพธ์ปลายน้ำทั้งหมดเสียหาย
แผนภาพวงรอบเชิงสาเหตุจะถูกแปลงเป็นแผนภาพสต็อก-โฟลว์ (stock-and-flow diagram) แต่ละสต็อกจะแสดงด้วยสมการระดับ (level equation) และแต่ละโฟลว์จะแสดงด้วยสมการอัตรา (rate equation) ที่กำหนดว่าสต็อกเปลี่ยนแปลงเร็วเพียงใด ตัวแปรเสริม (auxiliary variables) และฟังก์ชันตาราง (table functions) เข้ารหัสความสัมพันธ์แบบไม่เชิงเส้นและความล่าช้าของเวลา ผลลัพธ์คือชุดสมการเชิงอนุพันธ์สามัญที่เชื่อมโยงกันซึ่งอธิบายระบบอย่างเป็นทางการ
กำหนดค่าตัวเลขให้กับทุกพารามิเตอร์ในสมการอัตรา: ระดับสต็อกเริ่มต้น สัมประสิทธิ์ เวลาหน่วง และค่าการค้นหาในฟังก์ชันตาราง พารามิเตอร์สามารถมาจากข้อมูลเชิงประจักษ์ วรรณกรรมที่ตีพิมพ์ หรือการสอบถามผู้เชี่ยวชาญ ควรสังเกตความไวต่อการเลือกพารามิเตอร์เพื่อให้สามารถตรวจสอบได้ในขั้นตอนการวิเคราะห์
ระบบสมการจะถูกรวมเข้าด้วยกันเมื่อเวลาผ่านไปโดยใช้วิธีการแก้สมการเชิงตัวเลข (numerical solver) — โดยทั่วไปคือ Euler หรือ Runge-Kutta — ที่ช่วงเวลาที่กำหนดซึ่งเล็กพอที่จะจับพลวัตที่เร็วที่สุดในแบบจำลอง ตัวแก้สมการจะสร้างเส้นแนวโน้มอนุกรมเวลาสำหรับทุกสต็อกและโฟลว์ในแบบจำลองในช่วงเวลาจำลองที่กำหนด
แบบจำลองจะถูกทดสอบกับข้อมูลในอดีต (การทดสอบการจำลองพฤติกรรม) และอยู่ภายใต้การทดสอบโครงสร้าง: การทดสอบเงื่อนไขสุดขั้ว การตรวจสอบความสอดคล้องของมิติ และการทดสอบความเพียงพอของขอบเขต การปรับเทียบ (Calibration) จะปรับพารามิเตอร์จนกว่าเส้นแนวโน้มจำลองจะตรงกับข้อมูลที่สังเกตได้ภายในขอบเขตที่ยอมรับได้ แบบจำลองที่ล้มเหลวในการทดสอบโครงสร้างไม่ควรเชื่อถือได้ แม้ว่าจะสามารถจำลองประวัติศาสตร์ได้ก็ตาม
เมื่อได้รับการตรวจสอบความถูกต้องแล้ว แบบจำลองจะถูกนำไปใช้สำหรับการวิเคราะห์สถานการณ์และนโยบาย พารามิเตอร์หรือสมมติฐานโครงสร้างจะถูกเปลี่ยนแปลงเพื่อแสดงถึงนโยบายทางเลือก และเส้นแนวโน้มที่เกิดขึ้นจะถูกเปรียบเทียบ การวิเคราะห์ความไว (Sensitivity analysis) จะระบุว่าพารามิเตอร์ใดมีอิทธิพลต่อผลลัพธ์มากที่สุด ผลลัพธ์จะถูกตีความในแง่ของโครงสร้างป้อนกลับพื้นฐาน แทนที่จะเป็นการประมาณค่าจุด
ข้อผิดพลาดที่พบบ่อย
- การเลือกช่วงเวลาที่ใหญ่เกินไปเมื่อเทียบกับโฟลว์ที่เร็วที่สุดในแบบจำลองจะทำให้เกิดความไม่เสถียรเชิงตัวเลขและเส้นแนวโน้มที่ทำให้เข้าใจผิดได้: ให้ช่วงเวลาต่ำกว่าค่าคงที่เวลาที่สั้นที่สุดในแบบจำลอง
- การข้ามการตรวจสอบความถูกต้องของโครงสร้าง — การทดสอบเงื่อนไขสุดขั้วและการตรวจสอบความสอดคล้องของมิติ — และอาศัยเพียงการจำลองพฤติกรรม หมายความว่าแบบจำลองอาจดูเหมือนตรงกับประวัติศาสตร์ด้วยเหตุผลที่ผิด
- การสับสนระหว่างสต็อกและโฟลว์: สต็อกคือปริมาณที่สะสม (เช่น ระดับสินค้าคงคลัง) โฟลว์คืออัตรา (เช่น หน่วยต่อสัปดาห์) การจัดประเภทตัวแปรผิดจะทำให้โครงสร้างสมการเสียหาย
- การกำหนดพารามิเตอร์มากเกินไปในแบบจำลองด้วยตัวแปรเสริมที่ไม่มีข้อจำกัดจำนวนมาก ทำให้แบบจำลองมีความยืดหยุ่นเพียงพอที่จะปรับให้เข้ากับข้อมูลใดๆ แต่ไม่มีความหมายเชิงโครงสร้างและไม่น่าเชื่อถือสำหรับการใช้งานด้านนโยบาย
คำถามที่พบบ่อย
พลวัตของระบบแตกต่างจากการจำลองแบบเหตุการณ์ไม่ต่อเนื่องอย่างไร
พลวัตของระบบถือว่าระบบเป็นโฟลว์ต่อเนื่องที่อธิบายด้วยสมการเชิงอนุพันธ์ และเหมาะสมที่สุดสำหรับปรากฏการณ์แบบรวมกลุ่มที่ขับเคลื่อนด้วยการป้อนกลับ เช่น การแพร่ระบาดของโรคหรือการแกว่งตัวของสินค้าคงคลัง การจำลองแบบเหตุการณ์ไม่ต่อเนื่องจะติดตามเอนทิตีแต่ละรายการที่เคลื่อนที่ผ่านระบบ — คิว ธุรกรรม งานเครื่องจักร — และเหมาะสมกว่าเมื่อเวลาและลำดับของเหตุการณ์แต่ละรายการมีความสำคัญ วิธีการทั้งสองมีความสมบูรณ์ซึ่งกันและกัน: พลวัตของระบบจับพฤติกรรมเชิงโครงสร้างระยะยาว การจำลองแบบเหตุการณ์ไม่ต่อเนื่องจับรายละเอียดการดำเนินงานระยะสั้น
ฉันต้องใช้ข้อมูลจำนวนมากเพื่อสร้างแบบจำลองพลวัตของระบบหรือไม่
ไม่ พลวัตของระบบขับเคลื่อนด้วยสมการมากกว่าขับเคลื่อนด้วยข้อมูล ดังนั้นจึงสามารถสร้างขึ้นได้ด้วยข้อมูลที่เบาบางเสริมด้วยความรู้เชิงโครงสร้างและการสอบถามผู้เชี่ยวชาญ จำเป็นต้องมีข้อมูลในอดีตสำหรับการปรับเทียบและการตรวจสอบการจำลองพฤติกรรม แต่วิธีการนี้ไม่ได้กำหนดขนาดตัวอย่างขั้นต่ำเหมือนกับแบบจำลองทางสถิติ เมื่อมีข้อมูล ควรใช้เพื่อปรับเทียบพารามิเตอร์และทดสอบความถูกต้องของแบบจำลอง
อะไรคือความแตกต่างระหว่างวงรอบป้อนกลับแบบเสริมกำลัง (R) และแบบปรับสมดุล (B)
วงรอบเสริมกำลังจะขยายการเปลี่ยนแปลงในทิศทางเดียว — การเติบโตเชิงบวกหรือการลดลงที่เร่งขึ้น วงรอบปรับสมดุลจะต่อต้านการเปลี่ยนแปลง โดยผลักดันระบบไปสู่เป้าหมายหรือจุดสมดุล ระบบส่วนใหญ่ในความเป็นจริงมีทั้งสองประเภท: การเติบโตขับเคลื่อนโดยวงรอบเสริมกำลังและในที่สุดก็ถูกจำกัดโดยวงรอบปรับสมดุล (ขีดจำกัดทรัพยากร ผลกระทบการอิ่มตัว) การระบุวงรอบเหล่านี้เป็นขั้นตอนแรกในการสร้างแผนภาพวงรอบเชิงสาเหตุ
การสร้างความถูกต้องของแบบจำลองในพลวัตของระบบทำได้อย่างไร
ความถูกต้องอาศัยเสาหลักที่สมบูรณ์สองประการ: การทดสอบโครงสร้าง (การทดสอบเงื่อนไขสุดขั้ว ความสอดคล้องของมิติ ความเพียงพอของขอบเขต) ยืนยันว่าสมการของแบบจำลองมีความสมเหตุสมผลในตัวเอง การทดสอบพฤติกรรม (การจำลองพฤติกรรม การวิเคราะห์ความไว) ยืนยันว่าแบบจำลองสร้างเส้นแนวโน้มที่สอดคล้องกับข้อมูลที่สังเกตได้ แบบจำลองที่ผ่านการทดสอบพฤติกรรมแต่ล้มเหลวในการทดสอบโครงสร้างจะไม่ถือว่าถูกต้อง — อาจจำลองประวัติศาสตร์ด้วยเหตุผลที่ผิด
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Sterman, J.D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. Irwin McGraw-Hill.
ISBN: 978-0072389159คัดลอกแล้วForrester, J.W. (1961). Industrial Dynamics. MIT Press.
ISBN: 978-0262060035คัดลอกแล้ว