It Komplett Florian Kapmeier-1

Vom systemischen Denken zur Methode System Dynamics
Diplomarbeit
vorgelegt bei:
Professor Dr. Erich O.K. Zahn Betriebswirtschaftliches Institut der Universitt Stuttgart Abteilung IV, Lehrstuhl fr Allgemeine Betriebswirtschaftslehre und Betriebswirtschaftliche Planung
von:
Florian Kapmeier Dillmannstrae 29 70193 Stuttgart
Inhaltsverzeichnis Abbildungsverzeichnis............................................................................................................. IV Abkrzungsverzeichnis............................................................................................................ VI 1. Problemstellung ......................................................................................................................1 2. Systeme ...................................................................................................................................3 2.1 Systembegriff ....................................................................................................................3 2.2 Teil und Ganzheit..............................................................................................................5 2.3 Beziehung zwischen Systemelementen ............................................................................6 2.4 Systemstruktur ..................................................................................................................8 2.5 Systemeigenschaften.........................................................................................................8 2.5.1 berblick....................................................................................................................8 2.5.2 Offene und geschlossene Systeme .............................................................................9 2.5.3 Dynamisches Verhalten ...........................................................................................10 2.5.4 Komplexitt..............................................................................................................12 2.5.5 Lenkung ...................................................................................................................14 2.6 Systemarten.....................................................................................................................16 2.6.1 berblick..................................................................................................................16 2.6.2 Mechanische Systeme ..............................................................................................17 2.6.3 Organische Systeme.................................................................................................17 2.6.4 Soziale Systeme .......................................................................................................17 3. Modelle .................................................................................................................................19 3.1 Allgemeines und Zweck..................................................................................................19 3.2 Modellarten .....................................................................................................................20 3.2.1 Mentale Modelle ......................................................................................................20 3.2.2 Verbale Modelle.......................................................................................................23 3.2.3 Formale Modelle ......................................................................................................23 3.3 Modellvorstellungen sozialer Systeme ...........................................................................24 4. Systemisches Denken............................................................................................................28 4.1 Unzulnglichkeiten des linearen Denkens ......................................................................28 4.2 Systemisches Denken - Begriffsbestimmung .................................................................29 4.3 Abgrenzung von systemischem Denken zu System Dynamics ......................................32 4.4 Fhigkeiten zu systemischem Denken ............................................................................34 4.5 Heranfhrung an systemisches Denken ..........................................................................36 II
5. System Dynamics..................................................................................................................39 5.1 Begriffsbestimmung........................................................................................................39 5.2 Historischer Abri und Anwendungsgebiete von System Dynamics .............................42 5.3 System Dynamics Modellierung.....................................................................................44 5.3.1 Fhigkeiten zur Modellierung..................................................................................44 5.3.2 Modellierungsproze ...............................................................................................45 5.3.3 Informationsquellen fr den Modellierungsproze .................................................48 5.3.4 Ziele einer Modellierung..........................................................................................50 5.3.4.1 Lernen ...............................................................................................................50 5.3.4.2 Policies und Entscheidungen..........................................................................52 5.4 Qualitatives System Dynamics .......................................................................................55 5.4.1 berblick..................................................................................................................55 5.4.2 Kausaldiagramme.....................................................................................................56 5.4.3 Kausaldiagramme auf unterschiedlichen Aggregationsniveaus ..............................59 5.4.4 Systemarchetypen ....................................................................................................61 5.4.5 Grenzen von und Kritik an qualitativem System Dynamics....................................64 5.5 Quantitatives System Dynamics .....................................................................................67 5.5.1 berblick..................................................................................................................67 5.5.2 Fludiagramme ........................................................................................................68 5.5.3 Kritische Betrachtung von Fludiagrammen ...........................................................72 5.5.4 Mathematische Grundlagen .....................................................................................74 5.5.4.1 Notwendigkeit des Verstndnisses von System Dynamics Gleichungen .........74 5.5.4.2 Level-, rate- und auxiliary equations ........................................................75 5.5.4.3 Delays - Verzgerungen.................................................................................78 5.5.5 Simulationen und Lernmodelle................................................................................82 5.5.5.1 Begriffsbestimmungen ......................................................................................82 5.5.5.2 Kategorisierung unterschiedlicher Anwendungssoftware ................................85 5.5.5.3 Grenzen von und Kritik an Simulations- und Lernmodellen............................87 5.5.6 Validittstests...........................................................................................................89 5.5.7 Exkurs: Simulation-durch-wiederholte-Optimierung ..............................................90 6. Ausblick ................................................................................................................................95 Anhang .................................................................................................................................... VII Literaturverzeichnis ...............................................................................................................XIII Erklrung........................................................................................................................... XXVII III
Abbildungsverzeichnis
Abbildung 2-1: Abbildung 2-2: Abbildung 2-3: Abbildung 2-4: Abbildung 2-5: Abbildung 2-6:
System als Gesamtheit mit Elementen, Beziehungen und Umwelt ...............6 Beziehungsarten .............................................................................................7 Grundmodell des Regelkreises ....................................................................10 Kompliziertheit und Komplexitt ................................................................13 Steuerungsprinzip ........................................................................................15 Regelungsprinzip .........................................................................................16
Abbildung 4-1: Lineares Erklren und Handeln ...................................................................28 Abbildung 4-2: Additive Argumenteliste...............................................................................31 Abbildung 4-3: Rckkopplungskreislauf ..............................................................................31 Abbildung 4-4: Systems thinking und System Dynamics ..................................................32 Abbildung 5-1: Abbildung 5-2: Abbildung 5-3: Abbildung 5-4: Abbildung 5-5: Abbildung 5-6: Abbildung 5-7: Abbildung 5-8: Abbildung 5-9: Abbildung 5-10: Abbildung 5-11: Abbildung 5-12: Abbildung 5-13: Abbildung 5-14: Abbildung 5-15: Abbildung 5-16: Abbildung 5-17: Abbildung 5-18: Abbildung 5-19: Abbildung 5-20: System Dynamics Modellierungsphasen .....................................................45 Vertrauen und Kompetenz in System Dynamics .........................................46 Entwicklung geteilter mentaler Modelle durch Diskussionen und Debatten 47 Inhalt der mentalen Datenbank in Relation zu Komponenten und Verhalten von sozialen Systemen .................................................................................49 Kausaldiagramm fr ein Zentralheizungssystem ........................................57 Kausaldiagrammkegel .................................................................................60 Generische Strukturen .................................................................................61 Archetypisches Systemverhalten: Grenzen-des-Wachstums .......................63 Archetypisches Systemverhalten: Lastverteilung ........................................64 Fehlerhafte Dynamikinterpretation mit einem Kausaldiagramm ................65 Variablentypologie ......................................................................................70 Fludiagrammsymbolik ...............................................................................71 Fludiagramm der Bevlkerungs-Geburtenrate-Problematik .....................72 Fehlerhaftes und korrigiertes Hasenpopulationsmodell ..............................73 Generelle Simulationsabfolge ......................................................................75 Delays erster, zweiter und dritter Ordnung ...............................................79 Dynamik von Verzgerungen ......................................................................80 Sieben Niveaus von System Dynamics Erfahrung ......................................83 Klassifizierung der Computersimulations- und -lernprogramme ................86 Zielfunktionsgebirge ....................................................................................92
IV
Abbildung A-1: Abbildung A-2: Abbildung A-3: Abbildung A-4: Abbildung A-5: Abbildung A-6: Abbildung A-7:
System Dynamics Modellierungsproze nach COYLE .............................. VII Negative feedback-loops mit Anpassungsstrungen .............................VIII Archetypisches Verhalten .........................................................................VIII Generische Fludiagrammstruktur des S-Kurven-Wachstums .................. IX Verhalten der Bestandsvariablen im fehlerhaften Modell .......................... IX Graphische Funktion des Bevlkerungseffekts .........................................X Verhalten der Bestandsgre Hasen im korrigierten Modell ....................X
Abkrzungsverzeichnis
bzgl................................................................................................................................ bezglich D ....................................................................................................................................... delay durchschnittl. .................................................................................................. durchschnittliches L ........................................................................................................................................ level OR .............................................................................................................. operations research o.V. ...................................................................................................................... ohne Verfasser s.E. ..................................................................................................................... seines Erachtens STELLA ................ Structural Thinking, Experimental Learning Laboratory with Animation TM .............................................................................................................................trademark Wd ....................................................................................................................................world
VI
1. Problemstellung Die Menschheit sieht sich heutzutage zunehmend mit Problemen konfrontiert, die aufgrund ihrer Komplexitt nicht mehr durch einfache, lokal anwendbare Manahmen gelst werden knnen. Dazu zhlen beispielsweise die Problematiken der Zunahme von Kohlendioxid in der Erdatmosphre, der Entstehung von weltweiten Hungerkatastrophen, der Vernichtung der Regenwlder genauso wie der Entwicklung von angemessenen Geschftsstrategien fr Unternehmen.1 Die Welt hat sich zu einem System von interagierenden Subsystemen2 entwickelt.3 Obwohl es scheint, als wren diese Probleme typische Phnomene unserer schnellebigen Zeit, ist es wohl eher so, da Beziehungen zwischen einzelnen Teil- oder Subsystemen ehedem auch schon vorhanden aber lockerer waren. Aus diesem Grund wurden hier Zusammenhnge oftmals nicht erkannt. Folglich erschien es mglich, Probleme entweder - zeitlich betrachtet - in die Zukunft oder - rumlich gesehen - in Nachbars Garten zu verschieben.4 Der okzidentale Mensch ist aus evolutionren Grnden zum Denken in einfachen Ursache-Wirkungsbeziehungen trainiert.5 Das Erfordernis, ber eine bestimmte Situation hinauszudenken, bzw. eine Situation in einen bergeordneten Kontext hineinzubetten, war selten gegeben. Die Unfhigkeit des linearen menschlichen Denkens im Umgang mit dynamischer Komplexitt, wenn Ursache und Wirkung nicht in enger Beziehung innerhalb von Zeit und Raum stehen, fhrt zu keiner Problemlsung, sondern oftmals zu einem Handeln, das greren Schaden fr das entsprechende System bewirkt.6 Um Ursache und Wirkung in interagierenden Subsystemen verstehen zu knnen, mu der Mensch auch in solchen interagierenden Subsystemen denken. Soll ein kompliziertes dynamisches System also mit Hilfe von Entscheidungsregeln in eine bestimmte Richtung gelenkt werden, mu der Entscheidungstrger dazu die vorhandene Komplexitt durchschauen. Um herrschende Komplexitt erfassen zu knnen, bedarf es einer nicht-linearen Art des Denkens. Dieser Theorieansatz des nicht-linearen Denkens kann unter dem Begriff systems think-ing subsumiert werden.7 Dazu mssen die individuellen Denkstrukturen des Entscheidungstrgers externalisiert werden. Diese Externalisierung von mentalen Modellen8 ist
1 2
Vgl. Richmond (1993), S. 113 und Lyneis (1999), S. 37ff. Auf die Begriffe System und Subsystem wird in Kapitel 2 eingegangen. 3 Vgl. Drner (1989), S. 12 und 14. 4 Vgl. Richmond (1993), S. 113. 5 Vgl. Ossimitz (1995), S. 6. 6 Vgl. Senge (1990), S. 71f. Dieses Paradoxon wird auch kontraintuitives Verhalten von Systemen genannt und wird in Kapitel 3.3 errtert. Vgl. u.a. Forrester (1975), S. 211ff. und (1995a), S.1ff. 7 Vgl. Sterman (1994), S. 291 und Ossimitz (1995), S. 6. Systems thinking mit seinen unterschiedlichen Schulen wird in Kapitel 4 ausfhrlich diskutiert. 8 Vgl. u.a. Forrester (1971), S. 14. Mentale und formalen Modelle werden in Kapitel 3 ausfhrlich besprochen.
ein wesentlicher Bestandteil von System Dynamics, einer Methode zum besseren Verstndnis des Verhaltens komplexer Systeme.9 System Dynamics, ursprnglich Industrial Dynamics genannt, wurde von JAY W. FORRESTER10 Ende der 50er Jahre am Massachusetts Institute of Technology entwickelt, nimmt sich der Komplexitt, Nichtlinearitt und Rckkopplungsstrukturen an, die sozialen und physikalischen Systemen innewohnen.11 Aufgrund seiner Komplexitt ist System Dynamics ein Fachgebiet, mit dem sich bis dato nur eine begrenzte Anzahl von Interessierten beschftigten. Inzwischen wird System Dynamics aber an einer zunehmenden Zahl von Universitten gelehrt. Unternehmen und Regierungen nutzen System Dynamics zur Simulation von Management- bzw. Politikentscheidungen. Die System Dynamics society pldiert dafr, systemisches Denken einer breiten Masse von Anwendern zugnglich zu machen, da mittels ihrer Hilfe komplexe Systeme durchschaut werden knnen, was fr Entscheidungstrger von zunehmender Relevanz ist. Die Methode System Dynamics mit ihren unterschiedlichen Ausprgungen qualitativer und quantitativer Art, die im Anschlu vorgestellt werden sollen, knnte dabei untersttzen, die heutigen Probleme und die langzeitlichen Wirkungen des heutigen Handelns zu verstehen.
Vgl. Forrester (1994b), S. 245. Vgl. Forrester (1958), S. 37ff, (1961), (1969), (1971). 11 Vgl. Forrester (1994b), S. 245. System Dynamics wird ausfhrlich in Kapitel 5 erlutert.
10
2. Systeme 2.1 Systembegriff System Dynamics beschftigt sich mit dem Verhalten von gelenkten Systemen im Zeitablauf. Es verfolgt das Ziel, Systeme mit Hilfe qualitativer und quantitativer Modelle nicht nur zu beschreiben, sondern auch zu verstehen, wie Rckkopplungsstrukturen das Systemverhalten determinieren. Aus dem durch Simulationen Erlernten sollen Rckkopplungsstrukturen aktiv geschaffen und Entscheidungsregeln abgeleitet werden.12 Systeme stehen im Mittelpunkt von System Dynamics, weswegen einfhrend der Systembegriff darlegen wird. Der Systembegriff ist grundlegender Bestandteil der allgemeinen Systemtheorie. Die allgemeine Systemtheorie kann als die formale Wissenschaft von der Struktur, den Verknpfungen und dem Verhalten von Systemen verstanden werden.13 Damit geht der Begriff Systemtheorie weitgehend mit dem Begriff Kybernetik konform.14 Die Kybernetik beschftigt sich als eine rein formale Theorie15 mit Kommunikation und Regelung komplexer, sich selbst regelnder Systeme16. Systemtheorie und Kybernetik knnen bzgl. ihrer Problemannherung unterschieden werden. Die Kybernetik stammt vornehmlich von der Lenkungsproblematik und der Information ab, whrend die Systemtheorie eher von der Teile-Ganzheit-Problematik kommt.17 Auf beide Problemteile wird in System Dynamics zurckgegriffen. Mit Hilfe der Systemtheorie erffnet sich die Mglichkeit, Aspekte verschiedenster realer Bereiche, die im Normalfall Gegenstand unterschiedlicher Wissenschaften, wie beispielsweise Soziologie, Biologie, Technik oder auch Pdagogik, sind, zu beschreiben, zu erklren und zu gestalten.18 Die allgemeine Systemtheorie und die Kybernetik sind somit als interdisziplinre Theorieanstze zu betrachten.19 Aus diesem Grund wird der Begriff System auch in unterschiedlichen Fachdisziplinen auf divergierende Weise verwendet.20
Vgl. Coyle (1996), S. 10. Fr eine detailliertere und kritischere Definition des Begriffes System Dynamics siehe Kapitel 5.1. Vgl. Ulrich (1970), S. 105. 14 Vgl. Malik (1996), S. 23 und Schiemenz (1993), Sp. 4126. Begrnder der Kybernetik war u.a. N. Wiener (1952). 15 Eine Theorie wird als Informationstrger der wissenschaftlichen Erkenntnis verstanden. Mittels eines einheitlichen Begriffsapparates wird ein System geschaffen, dessen Nukleus Gesetzesaussagen bildet. Generell wird in Real- und Formaltheorien unterschieden. Whrend Realtheorien auf wissenschaftsinterne oder praktische Sachverhalte abzielen, ziehen Formaltheorien axiomatisch-deduktive Systeme nach sich. Vgl. Schanz (1994), S. 2086f. 16 Jedes kybernetisches System ist ein sog. Selbstregler, auch als Servo-Mechanismus oder Homostase bezeichnet. Vgl. Lffelholz (1975), Sp. 2599. 17 Vgl. Schiemenz (1993), Sp. 4128. 18 Vgl. Schiemenz (1993), Sp. 4128. 19 Vgl. Ulrich (1970), S. 104 und Schiemenz (1993), Sp. 4128. 20 Ossimitz hat in seinem Aufsatz Systemisches Denken und Modellbilden Systemanstze aus verschiedenen Wissenschaftszweigen herausgearbeitet. Vgl. hierzu Ossimitz (1995), S.2ff.
13
12
Der Begriff System, ursprnglich aus dem Griechischen stammend, bedeutet Zusammenstellung, Vereinigung und Ganzes.21 Daraus geht hervor, da Teile bzw. Elemente existieren mssen, die in einer bestimmten Ordnung, dem System, zueinander stehen. ULRICH versteht unter einem System die geordnete Gesamtheit von Elementen, zwischen denen bestimmte Beziehungen bestehen oder hergestellt werden knnen. Dabei merkt ULRICH an, da einige Autoren weitere Systemeigenschaften zustzlich in ihrer Definition auffhren, die s.E. als nicht zutreffend gelten. So schliet er aus, da die einem System innewohnende Ordnung in bezug auf den Systemzweck geplant sei. Es fllt ihm schwer, diese Vorstellung auf naturgegebene Systeme, wie bspw. Lebewesen oder Pflanzen, zu bertragen, wenn man sich nicht in Spekulationen ber den Plan des Schpfers usw. verlieren will.22 Hiergegen argumentiert OSSIMITZ, da biologische Systeme auf Selbsterhaltung, sprich Homostase, ausgerichtet und damit zweckgerichtet sind.23 FORRESTER unterstreicht auch, da die Anzahl miteinander in Beziehung stehender Elemente eines jeglichen Systems zu einem bestimmten Zweck miteinander operieren.24
TP PT TP PT TP PT TP PT
Nach ULRICHS Auffassung gibt es noch weitere Ausschludefinitionen fr den Systembegriff:25

TP PT
! ber die Art der Systemelemente sowie der Beziehungen der Elemente zueinander sagt der Systembegriff nichts aus. Deswegen ist es mglich, da jeder Gegenstand mit jeglicher Art von Beziehung als Bestandteil von Systemen verstanden werden kann. ! Bezglich der Anordnung der im System existierenden Elemente ist keine bestimmte Struktur vorgegeben. Sie kann hierarchisch oder andersartig sein. ! Der Systembegriff sagt nichts ber Art und Zweck einer Ganzheit sowie ber die Art der Beziehungen nach auen aus. Deswegen kann es sich bei Systemen sowohl um konkret feststellbare26, um natrliche oder knstlich geschaffene Ganzheiten handeln. Dabei spielt die Intensitt der Beziehungen ber die Systemgrenze27 hinaus keine Rolle. ! Es werden weder Zweck oder Sinn, noch Bedeutung eines Systemverhaltens erwhnt, wobei diese fr unterschiedliche Systeme divergieren knnen.
TP PT TP PT
Aus dem Diskutierten lt sich zusammenfassen, da ein System die gedankliche Vorstellung einer gegliederten Ganzheit ist, die der Mensch auf ganz unterschiedliche Inhalte und Bereiche anwenden kann. Dies impliziert eine Denkweise, die es dem Menschen erlaubt, die ihn jeweils interessierenden Zusammenhnge zwischen beliebigen Objekten, als Elemente bezeichnet, und irgendeiner greren Gesamtheit, als System bezeichnet, zu erfassen. Auf die Bestandteile, deren
21
TP PT
Vgl. Flechtner (1966), S. 288. Ulrich (1970), S. 105. 23 Vgl. Ossimitz (1995), S. 2. Zum Prinzip der Homostase vgl. Malik (1996), S. 389ff. 24 Vgl. Forrester (1972), S. 9. 25 Vgl. Ulrich (1970), S. 106. 26 Konkret festellbare Systeme sind bspw. materielle oder physische Systeme. Vgl. Ulrich (1970), S. 106. 27 Der Begriff Systemgrenze wird im nchsten Kapitel erlutert.
22
TP PT TP PT TP PT TP PT TP PT TP PT
Beziehungen untereinander sowie die Anordnungsstruktur soll im folgenden Kapitel eingegangen werden.
2.2 Teil und Ganzheit In System Dynamics werden Systeme modelliert, um mit ihrer Hilfe Wissen und Erfahrungen ber das reale Systemverhalten zu sammeln. Dabei wird die zu untersuchende Ganzheit als System bezeichnet (siehe Abbildung 2-1). Dieses System mu fr eine Untersuchung von seinem Umfeld abgegrenzt werden; es mu eine Systemgrenze festgelegt werden, die ganz individuell von der Fragestellung und vom Beobachtungsstandpunkt des Untersuchenden abhngt.28 Infolgedessen mssen innerhalb der Systemgrenze alle wichtigen Faktoren liegen, die das beobachtete Systemverhalten beeinflussen. Wird die Systemgrenze dem Untersuchungszweck nicht angemessen gezogen, wird dadurch die Validitt der Untersuchung herabgesetzt.29 Ein System kann interagierender Bestandteil eines umfassenden, bergeordneten Super- oder bersystems sein, das auch als System hherer Ordnung bezeichnet wird.30 Um ein System verstehen und modellieren zu knnen, ist es notwendig, das System in kleinere, handhabbare Einheiten aufzubrechen.31 Das System selbst besteht aus einer Menge von Elementen, die Subsysteme genannt werden, wobei dabei beliebig viele Dekompositionsebenen betrachtet werden knnen (Subsystem 1. bis n-ter Ordnung). Entweder knnen oder sollen diese Elemente dann nicht weiter unterteilt werden. Sollen sie nicht weiter untersucht werden, dann setzen sie sich aus weiteren Teilen zusammen, deren Aufbau fr eine weitergehende Untersuchung als nicht sinnvoll erachtet wird.32 Angenommen, sie knnen nicht detaillierter untersucht werden, handelt es sich hierbei um Elemente. Auf sie trifft der Systembegriff nicht weiter zu. Elemente knnen in Indikatorelemente sowie in kritische Elemente differenziert werden.33 Kritische Elemente stehen mit anderen Elementen des Systems so in Beziehung, da sie einerseits selbst viele Elemente beeinflussen und andererseits von vielen beeinflut werden. Diese Elemente stellen die zentralen Elemente des Systems dar. Demgegenber hngen Indikatorelemente von vielen Systemelementen ab, beeinflussen andere jedoch nur geringfgig. Sie zeigen den Gesamtzustand des Systems an.34 Bei den Begriffen System, Sub- und Supersystem verhlt es sich so, da die Komponentenhierarchie niemals absolut sein kann, da selbst das primitivste Teil eines Systems
Vgl. Ulrich und Probst (1991), S. 33. Vgl. Shreckenghost (1985), S. 3. 30 Vgl. Ulrich (1970), S. 107 und Schiemenz (1993), Sp. 4128. 31 Vgl. Karnopp u.a. (1990), S. 7. 32 Vgl. Ulrich (1970), S. 107 und Schiemenz (1993), Sp. 4128. 33 Vgl. Drner (1989), S. 112. Drner spricht in diesem Zusammenhang auch von Variablen. Im Rahmen dieser Arbeit sollen die beiden Begriffe Element und Variable synonym gebraucht werden. 34 Vgl. Drner (1989), S. 112.
29
28
noch in solch einem Detaillierungsgrad modelliert werden kann, da es ein fr eine Untersuchung zu komplexes Subsystem ergebe.35
Umwelt Systemgrenze System Systemelement
Umweltelement
Teilsystem
Beziehungen
Subsystem Sub-Subsystem
Interface
Abbildung 2-1: System als Gesamtheit mit Elementen, Beziehungen und Umwelt 36
2.3 Beziehung zwischen Systemelementen Unter Beziehungen werden Verbindungen zwischen Elementen verstanden, die das Verhalten der Elemente und deshalb auch des ganzen Systems beeinflussen.37 Beim Thema dieser Arbeit handelt es sich um Systeme, die sich im Zeitablauf verndern, also dynamischer Natur sind.38 Es mssen aber nicht alle Elemente miteinander in Beziehung stehen, d.h. es mu keine sog. Interdependenz vorliegen. Beziehungen innerhalb von Systemen knnen strker oder schwcher ausgeprgt sein. Diese Intensitt kann durchaus variieren. Sie beeinflut die Komplexitt39 des Systems, wobei der Beziehungsreichtum zwischen den Elementen den Grad der Komplexitt determiniert.
Vgl. Karnopp u.a. (1990), S. 7. In Anlehnung an Ulrich und Probst (1991), S. 28. 37 Vgl. Ulrich (1970), S. 109. 38 Ulrich kritisiert die Auffassung, da die Dynamik Bestandteil eines jeden Systems ist. Als Beipiel fr ein System, in dem keine Prozesse ablaufen, nennt er das Periodensystem. Vgl. Ulrich (1970), S. 105f. Baetge macht aber darauf aufmerksam, da in der Realitt keine statischen Systeme existieren. Vgl. Baetge (1988), S. 510. 39 Der Begriff Komplexitt wird in Kapitel 2.5.4 erlutert.
36
35
Beziehungen zwischen Elementen haben zur Folge, da einzelne Aktivitten nicht unabhngig voneinander ablaufen.40 Es handelt sich also bei Beziehungen um Wirkungen auf Elemente, wobei verschiedene Wirkungsarten beobachtet werden knnen. Sind sie bekannt, lt sich dadurch auf das Verhalten des Gesamtsystems schlieen. Unterschieden wird bei der Untersuchung der Beziehungen zwischen Elementen in entgegengerichtete und gleichgerichtete Beziehungen (siehe Abbildung 2-2). Von entgegengerichteter Wirkung wird gesprochen, wenn eine nderung des einen Elementes in einer bestimmten Richtung zu einer gegenlufigen Vernderung des anderen Elementes fhrt. Bei einer gleichgerichtete Wirkung fhrt eine Zunahme des einen Elementes auch zu einer Zunahme des anderen Elementes und v.v.41 Damit ist etwas ber die Richtung von Wirkungen gesagt, jedoch noch nichts ber den Wirkungsverlauf.42 In diesem Zusammenhang ist darauf hinzuweisen, da solche Beziehungen bereits bestehen oder auch erst geschaffen werden knnen.43 Werden sie erst geschaffen, handelt es sich hierbei um eine beabsichtigte Systemgestaltung.
Entgegengerichtete Beziehung: je grer desto kleiner je kleiner desto grer je weniger desto mehr Gleichgerichtete Beziehung : je grer desto grer je strker desto strker je kleiner desto kleiner je weniger desto weniger
+ positiv
negativ
Abbildung 2-2: Beziehungsarten44
40 41
Vgl. Ulrich (1970), S. 109. Vgl. Ulrich und Probst (1991), S. 43f. 42 Hierauf wird in Kapitel 2.5.3 eingegangen. 43 Vgl. Flechtner (1966), S. 231. 44 Vgl. Ulrich und Probst (1991), S. 43.
2.4 Systemstruktur Da die Systemstruktur das Systemverhalten verursacht, ist Kenntnis ber die Systemstruktur fr eine System Dynamics Untersuchung notwendig. Dabei ist die Struktur und ihre Vernderlichkeit im Zeitablauf die Basis fr eine Interpretation von Systembeobachtungen.45 Die Anordnung von Elementen im System wird in der Literatur facettenreich beschrieben, bspw. als Gefge, Anordnungsmuster, Ordnung, Wechselbeziehungen oder Muster, wobei in dieser Arbeit die Bezeichnung Struktur in Anlehnung an ULRICH gebraucht wird.46 Hinter der Struktur verbirgt sich die Bestimmung einer Position von Elementen innerhalb des Systems. In dynamischen Systemen47 ist dieser Ort nicht dauerhaft. d.h. da sich die Systemstruktur mit einer bestimmten Geschwindigkeit verndert.48 Neben der rumlichen Auslegung des Begriffes Struktur wird darber hinaus eine zeitlichen Dimension bercksichtigt. Darunter wird eine bestimmte Anordnung bzw. Abfolge von Vorgngen aus zeitlicher Sicht innerhalb eines Systems verstanden, die als Prozestruktur interpretiert wird.49 Bei natrlichen dynamischen Systemen wird oftmals eine Art natrliche Ordnung beobachtet. Das heit, da diese Systeme sich von selbst in ihrer Struktur auf ihren spezifischen Endzustand hinzubewegen. Daraus lt sich schlieen, da sich das System unter diesen Umstnden in einem sog. Gleichgewichtszustand befindet. Dieser Zustand wird als natrliche Ordnung der Dinge bezeichnet. Ob dem Menschen ein bestimmter Zustand allerdings als Ordnung oder Unordnung erscheint, ist von den individuellen Zielen des jeweiligen Menschen abhngig. Entsprechen die menschlichen Ziele bezglich eines Systems nicht der natrlichen Ordnung, erscheinen dem Menschen natrliche Dinge als chaotisch.50
2.5 Systemeigenschaften 2.5.1 berblick
45 46
Vgl. Ulrich (1970), S. 110, Forrester (1972), S. 87 und Milling (1984), S. 3. Vgl. Ulrich (1970), S. 109, Forrester (1972), S. 87 und Ossimitz (1995), S. 1. 47 Auf den Begriff Dynamik wird unten besprochen. 48 Vgl. Ulrich (1970), S. 110. 49 Vgl. Ulrich (1970), S. 110. 50 Vgl. Ulrich (1970), S. 110.
Systeme knnen eine groe Zahl an zustzlichen Eigenschaften aufweisen, wobei auf unterschiedliche Ausmae hingewiesen wird. Generell ist es mglich, Systemeigenschaften in zwei Typen einzuteilen: 51 1. Eigenschaften, die entweder nur existent oder nicht existent sind, sind dichotomischer Art. Innerhalb dichotomischer Eigenschaften gibt es keine Differenzierungen. Sie sind trivial erkennbar. 2. Existieren Abstufungen innerhalb von Eigenschaften, bspw. von Minimum bis Maximum, dann handelt es sich hierbei um dimensionale Eigenschaften. Die Einordnung der unterschiedlichen Ausmae von dimensionalen Eigenschaften gestaltet sich vergleichsweise schwer. Nachfolgend sollen einige Systemeigenschaften vorgestellt werden.
2.5.2 Offene und geschlossene Systeme Wie in Kapitel 2.2 diskutiert, werden bei einem zu untersuchenden System Systemgrenzen definiert. Dieses Kapitel befat sich mit der Charakterisierung der Systemgrenzen, die offen oder geschlossen sein knnen. Ein System kann Bestandteil eines umfassenden Supersystems sein. In diesem Fall knnen bestimmte Beziehungen zwischen System und Supersystem in Erscheinung treten; man spricht von einem offenen System, wobei diese Offenheit in ganz unterschiedlichem Ausma auftreten kann.52 Folglich handelt es sich um eine dimensionale Eigenschaft. Offene Systeme sind durch Output- bzw. Ausgangsstrme charakterisiert, die wiederum Reaktionen auf zeitlich vorangegangene Input- bzw. Eingangsstrme sind. Es entsteht ein Austausch von Materie, Energie und/oder Informationen. Das Ausma der Out- und Inputs determiniert den Grad der Offenheit. Outputs sind isoliert zu betrachten und verfgen ber keinerlei Einflu auf Inputs.53 Weiterhin beobachtet ein offenes System nicht und reagiert nicht auf seinen Output. Das heit, da die Folgen von vorausgegangenen Aktionen zuknftige Aktionen nicht beeinflussen oder determinieren, und da das offene System nicht rckkoppelnd auf das eigene Verhalten reagiert. Ein Beispiel fr ein offenes System ist ein mechanisches Uhrwerk, das seine Ganggenauigkeit nicht beobachtet und sich folglich auch nicht selbst reguliert. Dies mu von auerhalb geschehen.54 Geschlossene Systeme beeinflussen ihr eigenes Verhalten infolge vorausgegangener Aktionen. Aus diesem Grund spricht man bei geschlossenen Systemen auch von Rckkopplungssystemen,
51 52
Vgl. Ulrich (1970), S. 111. Vgl. Ulrich (1970), S. 112. 53 Vgl. Rowell und Wormley (1997), S. 5. 54 Vgl. Ulrich (1970), S. 112 und Forrester (1972), S. 15.
Regelkreisen oder feedback-loops.55 Diese Ausdrcke entstammen der technischen Terminologie und beziehen sich auf die Entscheidungsfindung, die als kontinuierlicher Proze charakterisiert ist. Entscheidungen reprsentieren die Transformation von Information in Aktion, wobei sie als unbewute oder bewute Reaktion auf beobachtete Zustnde erfolgen. Sie beeinflussen diese Zustnde und schaffen wiederum neue Informationen fr zuknftige Handlungen.56 Solche Regelkreise weisen eine Struktur im Sinne einer geschlossenen Schleife auf (siehe Abbildung 2-3). Diese Art von Kausalkreislauf zwischen den Elementen findet sich bei allen Modalitten von Entscheidungsproblemen wieder, seien sie biologischer, sozialer, physiologischer oder neurologischer Natur.57
Entscheidung
Systemzustand Aktion
Abbildung 2-3: Grundmodell des Regelkreises58 Allerdings definiert die sozialwissenschaftliche Literatur im Sinne der Allgemeinen Systemtheorie offene und geschlossene Systeme anders als vom System Dynamics Paradigma59 gefordert. Nach erstem weisen geschlossene Systeme keinerlei Beziehungen zu ihrer Umwelt auf. In System Dynamics werden sog. causally-closed-systems als solche definiert, in denen Ursachen, die das Systemverhalten determinieren, innerhalb der Systemgrenze liegen. Die Systemgrenze ist jedoch in dem Sinne offen, da das System von auen Material, Energie, Strungen oder Testinputs empfangen kann. Diese von auen auf das System einwirkenden Elemente bleiben vom Verhalten innerhalb des Systems unbeeinflut.60
2.5.3 Dynamisches Verhalten
Vgl. Forrester (1972), S. 15 und Milling (1984), S. 4. Vgl. Milling (1984), S. 4. 57 Vgl. Malik (1992), S. 383. 58 Vgl. Milling (1984), S. 4. 59 Ein Paradigma beschreibt ein wissenschaftliches Modell, das von einer Gruppe von Wissenschaftlern gemeinsam genutzt und fr Probleme und Lsungen herangezogen wird. Vgl. Kuhn (1976), S. 25ff., S. 37ff. und S. 57ff. 60 Vgl. Forrester (1994b), S. 254 und Milling (1984), S. 11.
56
55
10
An dieser Stelle soll das am Ende von Kapitel 2.3 angedeutete dynamische Verhalten von Systemen erlutert werden. Das Verhalten eines Systems ist vom Verhalten seiner Elemente abhngig. Bedeutend ist der Aspekt, wie die Elemente untereinander agieren.61 Die oben besprochenen entgegen- oder gleichgerichteten Richtungen von Wirkungen zwischen Elementen werden hier im Zeitablauf betrachtet. Bei voranschreitender Zeit wird dynamisches Verhalten erkennbar. Der Systemzustand variiert dabei kontinuierlich. Die Verhaltensstruktur hngt vom Wirkungsverlauf zwischen den Elementen ab, der im Speziellen unterschiedlich ausgeprgt sein kann: Der Wirkungsverlauf kann linearer, pro- oder degressiver Art sein. Darber hinaus sind auch diffizilere Verlufe denkbar, so knnen bspw. einem linearen Verlauf chaotische Ausschlge folgen. Dabei bentigt jede Einwirkung eines Elementes auf ein anderes eine bestimmte Zeit, d.h. die Einwirkung kann langsam, schnell, aber auch positiv oder negativ beschleunigt ablaufen.62 Bezogen auf das Grundmodell eines Regelkreises wie in Abbildung 2-3 bedeutet dies, da Elemente sich gegenseitig beeinflussen, also Rckkopplungen vorliegen knnen. Je mehr Rckkopplungsaktivitten bzw. -prozesse in einem System existieren, desto grer ist seine sog. innere Dynamik. Diese Rckkopplungen knnen eskalierende Wachstums- oder Schrumpfungsprozesse (positive Rckkopplungen) oder zielsuchende, oszillierende bzw. stabilisierende Schwingungen (negative Rckkopplungen) zur Folge haben. Eskalierende Prozesse fhren zu Ergebnissen, die weitere Aktionen mit noch greren Wirkungen auslsen, whrend zielsuchende Feedbacksysteme auf Zielabweichungen reagieren, und um einen Zielwert schwanken.63 Bei Letzterem versucht das System, Abweichungen zwischen dem Soll- und IstWert der zu regelnden Gre durch kompensierende Aktionen zu reduzieren.64 Ein weiteres Verhalten von Rckkopplungen sind chaotische Reaktionen, die auftreten, wenn Wirkungen in ihrem langfristigen Verhalten unvorhersagbar sind. Als Beispiel fr einen Regelkreis mit negativer Rckkopplung wird oftmals der Thermostat eines Heizungssystems in einem Haus herangezogen.65 Der Thermostat reagiert auf die Raumtemperatur, die vormals vom Warmwasserbereiter erzeugt wurde. Beim Thermostat handelt es sich um ein zielsuchendes System, das die gemessene Temperatur durch entsprechende Variation von Khl- oder Heizleistungen auf den extern vorgegebenen Sollwert einzurichten bestrebt ist.
61 62
Vgl. Ackoff (1994), S. 180. Vgl. Ulrich und Probst (1991), S. 44f. 63 Vgl. Forrester (1972), S. 15. Das dynamische Verhalten negativer feedback loops kann in Abbildung A-2 im Anhang nachgesehen werden. 64 Vgl. Milling (1984), S. 5. 65 Vgl. Forrester (1972), S. 16, Milling (1984), S. 5 und Drner (1989), S. 111. Siehe herzu auch Abbildung 5-5.
11
Ein positives Rckkopplungssystem lt sich anhand einer Bakterienkolonie erlutern.66 Bakterien vermehren sich und lassen mehr Bakterien entstehen, was die Wachstumsrate der Bakterien vergrert. Das heit, da die Schaffungsrate junger Bakterien jeweils von der Anzahl der vorhandenen Bakterien, die aus der ehedem stattgefundenen Vermehrung hervorgegangen sind, abhngt. Zwischen zwei Systemelementen innerhalb eines Rckkopplungskreises lt sich ein lokaler Einflu von Ursache auf Wirkung identifizieren. Eine glatte Differenzierung von Ursache und Wirkung ist jedoch auf globaler Betrachtungsebene nicht mglich, weil jede Wirkung direkt bzw. indirekt zur Ursache neuer Wirkungen wird. Das kann als eine Ursache-Wirkungskette bezeichnet werden. Derartige dynamische Zeitgestalten knnen erst mit Hilfe einer angemessenen Kenntnis der inneren Systemstruktur erklrt bzw. vorausgesehen werden.67 Finden dagegen keine Prozesse statt, handelt es sich um ein statisches System. Das heit, da der derzeitige Output aus dem System ausschlielich vom derzeitigen Input abhngt, whrend der derzeitige Output aus einem dynamischen System auch von vergangenem Input bedingt wird. Darber hinaus verndert sich der Output bei einem statischen System nur dann, wenn der Input variiert.68 Ein statisches System ist zwar selten in der Realitt zu lokalisieren, dennoch stellt es einen Extremzustand auf der Skala der dimensionalen Eigenschaft der Dynamik dar.69 Neben dieser inneren Dynamik gibt es eine uere Dynamik. Sie liegt dann vor, wenn Beziehungen mit der Umwelt den Austausch von Information, Energie und Materie beeinflussen.
2.5.4 Komplexitt Eine weitere dimensionale Systemeigenschaft ist Komplexitt. Zu ihr fhren die in Kapitel 2.3 beschriebenen Beziehungen zwischen Systemen und Systemelementen. Von Komplexitt wird gesprochen, wenn etwas in seiner Zusammensetzung kompliziert ist und dazu noch seinen Zustand im Zeitablauf ndert (siehe Abbildung 2-4). Komplexitt bezeichnet die aus den Beziehungen hervorgehende Vielfltigkeit von Zustnden und Zustandskonfigurationen in Systemen whrend einer Zeitspanne.70 Dabei ist die Komplexitt um so grer, je mehr Elemente vorhanden und je mehr diese voneinander abhngig sind. Die bloe Existenz von Elementen reicht nicht aus, um ein System als komplex bezeichnen zu knnen, da bspw. Elemente nicht zwangslufig miteinander vernetzt sein mssen. Die Verknpfungen der Elemente untereinander macht eine gleichzeitige Betrachtung verschiedenartiger Ursache66
Vgl. Forrester (1972), S. 16. Fr andere Beispiele zu positiven Rckkopplungssystemen vgl. Milling (1984), S. 5 oder Drner (1989), S. 110. 67 Vgl. Ossimitz (1995), S. 6f. 68 Vgl. Ogata (1992), S. 1. 69 Vgl. Ulrich (1970), S. 113. 70 Vgl. Ulrich und Probst (1991), S. 58.
12
Wirkungsketten innerhalb des untersuchten Systems erforderlich. Da Systeme einfacher oder komplizierter aufgebaut sein knnen, gestaltet sich ihre Wahrnehmung und Beherrschung entsprechend leichter oder schwieriger.71 Demgegenber knnen Systeme auch nur dynamisch sein ohne jegliche Kompliziertheit. Diese Systeme werden einfache oder triviale Systeme genannt.72
Vernderlichkeit / Dynamik
Relative komplexes System
uerst komplexes System
Einfaches System
Kompliziertes System Vielzahl / Vielfalt
Abbildung 2-4: Kompliziertheit und Komplexitt73 DRNER merkt an, da Komplexitt keine objektive, sondern eine subjektive Gre sei.74 S.E. erscheinen bestimmte Situationen einigen Individuen als komplex, die andere als eher einfach wahrnehmen. Dabei zieht er als Beispiel das Autofahren in einer Grostadt mit seiner Vielzahl von miteinander in Beziehung stehenden Faktoren heran. Dem gebten Fahrer drfte das Fahren leichter fallen als dem unerfahrenen. Dagegen fhrt ULRICH an, da zur objektiven Bestimmung des Ausmaes der Komplexitt die Kennzahl Variett herangezogen werden kann, wobei er darauf hinweist, da der Begriff in der Literatur nicht eindeutig definiert sei.75 Er versteht die Variett als die Anzahl verschiedener Beziehungen zwischen den Elementen eines Systems. Dabei ist darauf zu achten, da zwischen zwei Elementen mehrere unterschiedliche Beziehungen existent sein knnen. Die Variett lt sich ber eine Formel quantifizieren, auf die in diesem Zusammenhang nicht weiter eingegangen werden soll, da sie fr den System Dynamics Kontext nicht weiter von Relevanz ist.76
71 72
Vgl. Ulrich (1970), S. 114. Vgl. Ulrich und Probst (1991), S. 58. 73 Quelle: Ulrich und Probst (1991), S. 61. Die Autoren merken an, da die Dynamik als wesentliches Merkmal der Komplexitt in einem statischen Bild nicht dargestellt werden kann. 74 Vgl. Drner (1989), S. 61f. 75 Vgl. Ulrich (1970), S. 116. 76 Zum weiterfhrenden Studium bzgl. Variett siehe Ulrich (1970), S. 116.
13
Die oben erklrte Komplexitt fllt laut SENGE unter den Begriff detail complexity. Sie sagt aus, da viele Elemente mit bestimmten Beziehungen zueinander in einem System existieren. S.E. reicht das Hinterfragen nach den Systembestandteilen nicht aus, um das systemische Verhalten77 von Systemen zu verstehen.78 SENGE ordnet der sog. dynamic complexity eine hhere Bedeutung zu.79 Dynamic complexity beschreibt Situationen, bei denen Ursache und Wirkung nicht offensichtlich in Zeit und Raum miteinander verbunden sind. Es kann vorkommen, da Auswirkungen von Interventionen in einem System nicht sofort erkennbar sind. Dabei ist denkbar, da es sich um unterschiedliche kurz- und langfristige Wirkungen handelt.80 Konventionelle Verhaltensprognosen gestalten sich daher beim Vorliegen von dynamic complexity als besonders schwierig.81 Diese Art der Komplexitt uert sich in dynamischen Systemen in einer hohen Anzahl denkbarer Systemzustnde, weswegen komplexe Systeme nicht vollstndig beschrieben werden knnen. Aus diesen Grnden wird zur Durchfhrung von Untersuchungen zum Systemverhalten mit Modellen82 gearbeitet, die in ihrer Struktur mit starken Abstraktionen versehen sind. ESPEJO macht darauf aufmerksam, da es nicht sinnvoll sei, sich ausschlielich auf eine Analyse der dynamic complexity zu konzentrieren.83 S.E. liegt in der detail complexity mehr als nur die oben angesprochene Variett. Die Variett untersttze vielmehr bei der Beurteilung der Charakterisierung der detail complexity. ESPEJO argumentiert, da SENGES dynamic complexity nichts weiter sei als das gleichzeitige Bercksichtigen von Konnektivitt und Zeit. Beides sollte der Entscheidungstrger ohnehin bei Entscheidungen einbeziehen, womit die dynamic complexity keinen besonderen Status verdiene. Er versteht dynamic complexity als von detail complexity umgeben.84
2.5.5 Lenkung Bis zu dieser Stelle wurde vornehmlich die Teile-Ganzes-Problematik von Systemen diskutiert. Im folgenden steht die Lenkungsproblematik, also der kybernetische Ansatz, im Vordergrund. In Kapitel 2.5.3 wurde darauf eingegangen, da sich der Zustand dynamischer Systeme im Zeitablauf verndert. Dabei ist erdenklich, da sie sich in mehr oder minder vielfltiger Weise verhalten; dennoch ist oftmals ein bestimmtes Verhaltensmuster erkennbar. Bei dynamischen
77 78
Der Begriff systemisch wird in Kapitel 4.1 ausfhrlich dargestellt. Vgl. Espejo (1994), S. 209. 79 Vgl. Senge (1990), S. 71f. 80 Vgl. Senge (1990), S. 71. 81 Vgl. Ulrich (1970), S. 115ff., Drner (1989), S. 60 und Malik (1996), S. 37. 82 Zum Begriff Modell siehe nachfolgendes Kapitel. 83 Vgl. Espejo (1994), S. 209. 84 Vgl. Espejo (1994), S. 210.
14
Systemen kristallisiert sich ein bestimmter Vorzugszustand heraus, der ber Einflunahmen, sog. Lenken, eingenommen wird. Da der Mensch danach strebt, Geschehnisse in der Auenwelt nach seinem Gutbefinden zu kontrollieren, verlangt er, da sich Dinge entsprechend seinen Absichten verhalten. Der Mensch sieht sich als Lenker von Dingen und Prozessen auerhalb des zu lenkenden Systems. Er zwingt dem System seinen Willen auf.85 Daraus liee sich folgern, die Lenkung nicht in die Kategorie der Systemeigenschaften zu gliedern. Beim Betrachten natrlicher Systeme wie bspw. des kosystems fllt aber auf, da, obwohl sie einen Vorzugszustand anstreben, kein Lenker auszumachen ist. Offenkundig pat hier die Annahme, da es sich um einem Menschen als personifiziertem Lenker handeln mu, nicht. Die Natur lenkt sich selbst. Unter Lenkung wird also die Fhigkeit des Systems verstanden, sich selbst unter Kontrolle zu halten.86 Aus diesem Grund lt sich die Lenkung zu den Systemeigenschaften zhlen.87 Um ein Verstndnis ber das Funktionieren des Systems zu erlangen, mu sich der Lenker selbst als Teil des Systems auffassen. In der Kybernetik wird in zwei Arten der Lenkung, in Steuerung und in Regelung, differenziert.88 Mit Hilfe von Steuerung und Regelung soll erreicht werden, da ein System zielorientiert handelt.89
Ziel (Sollgre) Steuereinrichtung Stellgre Input Strgre(n)
System (Steuerstrecke)
Output
Abbildung 2-5: Steuerungsprinzip90 Wird einem System von auen eine Anweisung vorgegeben, wie es sich zu verhalten hat, wird von Steuerung gesprochen (siehe Abbildung 2-5). Das Ziel wird dem System ebenso von auen vorgegeben wie Richtung und Verhaltensart zur Zielerreichung. Das System steht dementsprechend mit einer steuernden Instanz in Verbindung.
Beipiele hierfr sind Maschinen, die bestimmte Vorgnge aufgrund von Befehlen ausfhren, genauso wie Vorgesetzte in Unternehmen, die andere Menschen leiten. Vgl. Ulrich und Probst (1991), S. 78. 86 Vgl. Ulrich und Probst (1991), S. 78. 87 Vgl. Ulrich und Probst (1991), S. 78. 88 Darber hinaus wird noch weiter differenziert in Anpassung: Anpassung liegt dann vor, ein System sein Verhalten so variieren kann, da sich ein Gleichgewichtszustand zwischen System und Umwelt einstellt. Der dabei vom System selbst entwickelte Sollwert wird der nachfolgenden Regelung zugrundegelegt. Es existiert keine steuernde Instanz, sondern das System steht in einer wechselseitigen Beziehung mit seiner Umwelt. Vgl. Ulrich (1970), S. 121. Im Bereich System Dynamics nimmt diese Art der Zielerreichung eine untergeordnete Position ein, weshalb hierauf auch nicht weiter eingegangen wird. 89 Vgl. Ulrich (1970), S. 120 sowie Ulrich und Probst (1991), S. 78ff. 90 In Anlehnung an Baetge (1988), S. 517.
85
15
Eine Alternative zur Erreichung des zielorientierten Handelns des Systems ist die Regelung. Sie liegt vor, wenn das System den von auen vorgegebene Sollwert durch eigenstndige Verhaltensnderung, also durch informationelle Rckkopplung91, erreicht. Die steuernde Instanz beschrnkt sich hier ausschlielich auf die Vorgabe des Zieles (siehe Abbildung 2-6).
Regelabweichung
Ziel (Sollgre) Regelgre
Regler
Stellgre
Input
System (Regelstrecke)
Output
Strgre(n)
Abbildung 2-6: Regelungsprinzip92 Da beide Arten der Lenkung zielorientiert gestaltet sind, stellen sie zwei Wege zur Zielerreichung dar. In verschiedenen Situationen kann die Steuerung vorteilhafter als die Regelung sein und v.v. Der hauptschliche Unterschied zwischen beiden besteht darin, da die Regelung bestimmte Einflsse von auerhalb der Systemgrenze zult, diese jedoch schnellstmglich korrigiert und ihre Wirkung minimiert.93 Hierfr lt sich das in Kapitel 2.5.2 erklrte Heizungssystem als Beispiel heranziehen. System Dynamics Modelle befassen sich aufgrund der ihnen innewohnenden Rckkopplungsschleifen hauptschlich mit der Regelung.
2.6 Systemarten 2.6.1 berblick ACKOFF definiert drei unterschiedliche Arten von Systemen: Mechanische, organische und soziale Systeme.94 Dabei ist darauf hinzuweisen, da im Mittelpunkt von System Dynamics soziale Systeme stehen.
91 92
Zum Begriff der Rckkopplung siehe Kapitel 2.5.2. In Anlehnung an Baetge (1988), S. 517. 93 Vgl. Ulrich und Probst (1991), S. 81f. 94 Vgl. Ackoff (1994), S. 175ff.
16
2.6.2 Mechanische Systeme Mechanische Systeme arbeiten mit einer bestimmten Regelmigkeit, die von ihrer inneren Struktur ausgeht. Die Systeme erfllen einen bestimmten ihnen von auen vorgegeben Zweck, wobei Subsysteme ihrerseits bestimmte Aufgaben erfllen. Beispiele fr mechanische Systeme sind die Befrderung eines Menschen von Punkt A nach Punkt B mit Hilfe eines Kraftfahrzeuges. Indessen erfllen mechanische Systeme keinen Selbstzweck. So ist der Zweck der Kraftstoffpumpe ausschlielich die Versorgung des Motors mit Kraftstoff. Mechanische Systeme knnen offen oder geschlossen sein, wobei sie geschlossen sind, wenn ihr Verhalten nicht von externen Einflssen bestimmt wird und v.v.95 Beispielsweise betrachtet ACKOFF das Newtonsche Universum als ein geschlossenes mechanisches System, whrend unser Sonnensystem ein offenes System ist, dessen Verhalten von anderen umliegenden Sternen und Galaxien beeinflut wird.
2.6.3 Organische Systeme Im Vergleich zu mechanischen Systemen besitzen organische Systeme zumindest einen Selbstzweck, bspw. den der Selbsterhaltung, der fr das Wachstum bedeutungsvoll sein kann.96 Nichtsdestotrotz verfgen die Elemente von organischen Systemen ber keinen Selbstzweck. Ihnen wohnen Funktionen inne, die dem Ziel oder dem Zweck des Ganzen dienen.97 Organische Systeme sind notwendigerweise offen, wobei sie in anderen, speziellen Situationen auch geschlossen sein mssen, um bei wechselnden Umwelteinflssen berleben zu knnen.
2.6.4 Soziale Systeme Sozialen Systemen ist gemein, da sie offene Systeme sind, die (1) einen Selbstzweck erfllen, wobei im Vergleich zu mechanischen Systemen auch (2) Teile ber einen Selbstzweck verfgen
95 96
Wann ein System als offen oder geschlossen bezeichnet wird, wurde in Kapitel 2.5.2 diskutiert. Zur Errterung ber den Selbstzweck von Systemen siehe Kapitel 2.1. 97 Vgl. Ackoff (1994), S. 175.
17
knnen. Darber hinaus (3) sind sie Teil eines bergeordneten Ganzen, das wiederum ber einen Selbstzweck verfgt.98 Weil ein System ein Ganzes ist und nicht in voneinander unabhngige Teile aufgespalten werden kann, ist das Verhalten des Ganzen niemals gleich der Summe des Verhaltens seiner Elemente. bertragen auf einen Fuballverein wrde dies bedeuten, da ein Starensemble nicht notwendigerweise zu einer Optimierung der Leistung der gesamten Mannschaft und daher zur Saisonmeisterschaft fhren mu.99 Soziale - wie auch organische Systeme weisen darber hinaus eine hhere Komplexitt auf als mechanische Systeme.100 Sie bestehen aus einer Vielzahl von vermaschten Regelkreisen, wobei sich positive und negative Rckkopplungen berlagern und sich im Zeitablauf verschieben knnen.101 Dabei sind die Beziehungen zwischen den Elementen berwiegend nichtlinearer Art, was zu unterschiedlichen Verhaltensmustern eines Systems fhrt. Dies ist Ursache dafr, da soziale Systeme auf eine Flle von Einflssen und Eingriffen insensibel reagieren sowie Verhaltensweisen aufzeigen, die beachtlich von dem abweichen, was intuitiv erwartet wurde.102 Diese Verhaltensweisen sind darauf zurckzufhren, da soziale Systeme zu der Klasse der multi-loop non-linear feedback-loops zhlen.103 Systeme knnen demnach in lineare oder nichtlineare Systeme eingeteilt werden. Dabei sind lineare Systeme solche, bei denen externe Effekte ausschlielich additiv auf das Systemverhalten einwirken. Das Endergebnis ergibt sich dabei exakt aus der Summe der einzelnen Komponenten, was bei nichtlinearen Systemen nicht der Fall ist. Um solchen Verhaltensberraschungen entgegenzuwirken, werden in System Dynamics formale Modelle gebraucht, mit denen Systemverhalten bei Entscheidungen visualisiert werden soll. Die Klassifizierung und Bedeutung von Modellen wird im folgenden Abschnitt besprochen.
98 99
Beispiele fr soziale Systeme sind Organisationen, Institutionen oder Gesellschaften. Vgl. Ackoff (1994), S. 180. 100 Vgl. Ulrich (1970), S. 117. 101 Vgl. Milling (1984), S. 5. 102 Vgl. Milling (1984), S. 5. Dieses Verhalten wird kontrainuitives Verhalten genannt und wird in Kapitel 3.3. erlutert. 103 Vgl. Forrester (1995a), S. 2.
18
3. Modelle 3.1 Allgemeines und Zweck Prinzipiell existiert zwischen einem System und seinem Abbild, dem Modell, kein Unterschied.104 Selbst ein sog. reales System ist lediglich ein durch einen bestimmten Blickwinkel verzerrter und verkrzter Ausschnitt der Realitt. Modelle knnen unterschiedliche Formen annehmen und unterschiedlichen Zwecken dienen.105 Menschen konstruieren mentale, verbale und formale Modelle, um sozialen Systemen ihre hohe Komplexitt zu nehmen. Modelle eignen sich daher eher zum besseren Verstndnis vielschichtiger Verhaltenscharakteristika als dies durch reines Beobachten von realen Systemen mglich wre.106 Als Beispiel kann das menschliche Verhalten dienen. Das System Mensch kann sowohl auf Basis von Atomen und Moleklen, von Zellen und Organen oder von Individuen und Organisationen betrachtet werden. Sein Verhalten kann dann als chemisches, biologisches, wirtschaftliches oder soziologisches
TP PT TP PT TP PT
System untersucht werden. Was schlielich als System bestimmt wird, ist eine Abstraktion sonst nicht zu bezwingender Komplexitt. 107 Es entspricht folglich einem Modell.
TP PT
Relevant fr die Konstruktion von Modellen ist der Zweck der Modellerstellung. Einem Modell sollte fr eine bestimmte Problemlsung ein Sinn innewohnen. Dabei erweist sich ein eindeutiges Ziel108 als der wichtigste Bestandteil fr erfolgreiches Modellieren. Ein klares Ziel erlaubt den Erstellern eines Modells ein Hinterfragen, ob das Modell tatschlich die Problemstellung zu lsen vermag. Jedoch ist zu bercksichtigen, da selbst ein zielorientiertes Modell mit Fehlern behaftet, zu gro oder zu undurchsichtig sein kann.109 Darber hinaus sollte eine Zielgruppe, fr die das Modell generiert werden soll, identifiziert werden. So haben bspw. Manager eine bestimmte pragmatische Vorstellung ber die Leistung eines Modells. Der Modelltypus hngt somit von der Perspektive und den Zielen der Entscheidungstrger ab. Ein fr die Untersttzung von Strategieentwicklungen zu erarbeitendes Modell sollte weiter und aggregierter definiert werden als eines fr eine Marktanalyse. Ferner sollten Modelle Anforderungen in folgenden Bereichen erfllen:110 ! Modelle sollten realistisch und verllich gestaltet sein, d.h. sie sollen im Vergleich mit historischen Daten korrekte Ergebnisse erzeugen. Sie entsprechen einem Abbild der Realitt. ! Die in dem Modell verwendeten Variablen sollten nicht abstrakt sowie dem Nutzer vertraut sein, um Bedienungshemmschwellen zu vermeiden und Vertrauen aufzubauen.
TP PT TP PT TP PT
104
TP PT
Vgl. Milling (1984), S. 7. Vgl. Forrester (1972), S. 73 und (1977), S. 49. 106 Vgl. Forrester (1977), S. 49. 107 Vgl. Milling (1984), S. 8. 108 Die Formulierung eindeutiger und scharfer Ziele ist notwendig, da unscharfe Ziele tendenziell die zielorientierte Umsetzung von Plnen untergraben und bei den Beteiligten zur Richtungslosigkeit fhren knnen. Vgl. Goold und Campbell (1999), S.70. 109 Vgl. Sterman (1991), S. 5. 110 Vgl. Weil und Veit (1989), S. 70.
105
TP PT TP PT TP PT TP PT TP PT TP PT
19
! Das Modell sollte fr den Nutzungszweck relevant sein, d.h. der Darstellungslevel sollte den Ansprchen gengen. Hierdurch wird das pragmatische Merkmal eines Modells betont. Zusammenfassend sollte das erstellte Modell der Zielgruppe ein tiefgrndiges Verstndnis ber das beobachtete System vermitteln.111
TP PT
Im Fokus von System Dynamics steht die Modellierung von sozialen Systemen. FORRESTER merkt an, da soziale Systeme alltglich von allen Menschen modelliert werden. Jedes Individuum nutzt Modelle instinktiv als Entscheidungsgrundlage in seinem privaten und beruflichen Alltag.112 Die Frage dabei ist nur, welches Modell fr eine Entscheidung herangezogen wird.113 Das bei Entscheidungen zugrundeliegende, intuitive, implizite114 Wissen wohnt sog. mentalen Modellen inne. Bei Kommunizierung, also Externalisierung, des Wissens wird das mentale Modell zu einem sog. verbalen Modell. Durch weitere Strukturierung und Formalisierung der Sachverhalte ergibt sich ein sog. formales Modell. Dieser Klassifizierung liegt eine steigende Komplexittsreduktion zugrunde, wodurch sich oben angesprochene und
TP PT TP PT TP PT
unten diskutierte Hierarchie ergibt.115 Unterscheidungen liegen in bezug auf die Kommunikationsfhigkeit, die Anpassungsfhigkeit und die Informationswirkung der Modelle vor.116
TP PT TP PT
3.2 Modellarten 3.2.1 Mentale Modelle Viele der zu gestaltende Systeme im privaten, wirtschaftlichen und ffentlichen Sektor erfordern heute wissensintensive Prozesse, die von interdisziplinren Teams gefhrt und gelenkt werden mssen. Den hierbei anfallenden Entscheidungsprozessen liegen sowohl individuelle als auch geteilte117 implizite, geistige respektive mentale Modelle der Teammitglieder zugrunde.118
TP PT TP PT
Das geistige Bild der Welt um den Menschen herum entspricht einem Modell. Das bedeutet, da das Bild, das sich der Mensch von der Welt macht, seine eigene Konstruktion ist.119 Diese
TP PT
111
TP PT
Vgl. Forrester (1987), S. 136. Fr genauere Informationen zum Modellbegriff vgl. Berens und Delfmann (1995), S. 23ff. Vgl. Forrester (1971), S. 14, (1975), S. 213, (1977), S. 50, (1995a), S. 3 sowie Keough und Doman (1992), S. 18. 113 Vgl. Forrester (1995a), S. 3. 114 Das intuitive, implizite Wissen wird auch tacit knowledge genannt. Tacit knowledge beinhaltet weiche Wissensbestnde. Zum weiterfhrenden Studium vgl. bspw. Saint-Onge (1996) oder Nonaka und Takeuchi (1995). 115 Vgl. Forrester (1994c), S. 72ff. 116 Vgl. Zahn (1991), S. 48 117 Vgl. Kim und Senge (1994), S. 281. 118 Vgl. Milling (1984), S. 6. 119 Vgl. Malik (1996), S. 7.
112
TP PT TP PT TP PT TP PT TP PT TP PT TP PT TP PT
20
Vorstellung entspricht dem epistomologischen Hintergrund des Radikalen Konstruktivismus, nach dem sich jegliches Denken ausschlielich in mentalen Modellen vollzieht.120 Abgesehen vom Ausschlu einer Bedeutung fr die Philosophie haben DOYLE und FORD in ihrem Artikel Mental models concepts for system dynamics research den Begriff der mentalen Modelle fr den System Dynamics Bereich nhergehend untersucht.121 Sie weisen darauf hin, da er in der Literatur kaum explizit definiert ist, obwohl das Konzept der mentalen Modelle im Rahmen von System Dynamics einen bedeutsamen Stellenwert einnimmt. Die vorliegenden Begriffsbestimmungen seien tendenziell eher vage und generell formuliert.122 FORRESTER, der den Begriff fr System Dynamics geprgt hat, beschreibt mentale Modelle in seinen Werken folgendermaen: A mental image or a verbal description in English can form a model of corporate organization and its processes. The manager deals continuously with these mental and verbal models of the corporation. They are not the real corporation. They are not necessarily correct. They are models to substitute in our thinking for the real system that is being represented.123 The mental model is fuzzy. It is incomplete. It is imprecisely stated. Furthermore, within one individual a mental model changes with time and even during the flow of a single topic being discussed, each participant in a conversation employs a different mental model to interpret the subject.124 Fr FORRESTER ist es daher leicht verstndlich, da das Schlieen von Kompromissen aufgrund unterschiedlicher mentaler Modelle der Individuen viel Zeit in Anspruch nimmt. And it is not surprising that consensus leads to actions which produce unintended results.125 Aus den Umschreibungen folgt, da mentale Modelle sehr flexibel aufgebaut sind. Der menschliche Geist bildet mentale Modelle, mit deren Hilfe er Rume und Gegenstnde miteinander in Beziehung zu bringen versucht.126 Mentale Modelle knnen dabei mehr als nur numerische Daten aufnehmen und verarbeiten, um sich neuen Situationen schnell anzupassen. Falls neue Informationen zur Verfgung stehen, knnen sie ohne weiteres modifiziert werden. Mentale Modelle knnen als die Filter bezeichnet werden, durch die der Menschen Erfahrungen interpretiert, Vorhaben evaluiert sowie Alternativen abwgt.127 Sie verhindern, da sich der Mensch in einer Flut von Nebenschlichkeiten verliert.128
120 121
Vgl. Ossimitz (1995), S. 5. Vgl. Doyle und Ford (1998), S. 3ff. 122 Vgl. Doyle und Ford (1998), S. 4. 123 Forrester (1977), S. 49f. 124 Forrester (1975), S. 213. 125 Forrester (1971), S. 14. 126 Vgl. Forrester (1972), S. 74. 127 Vgl. Sterman (1991), S. 4. 128 Vgl. Milling (1984), S. 6.
21
Demgegenber weisen die den Entscheidungsprozessen als Basis dienenden mentalen Modelle einige markante Schwachstellen auf. Zum einen sind mentale Modelle schlecht definiert. Die oben angesprochenen fr die Modellbildung relevanten Ziele und Zwecke von mentalen Modellen sind oftmals unklar. Aus diesem Grund verndert sich das geistige Abbild der Realitt kontinuierlich unterbewut und nicht ganzheitlich, wodurch Widersprchlichkeiten innerhalb der Strukturen entstehen.129 Deshalb erscheinen mentale Modelle fr Auenstehende als schwer nachvollziehbar. Da der Mensch auch sein eigenes Modell nicht zu konstruieren, zu begreifen und es fr seine Entscheidungsfindung nicht hinreichend zu nutzen versteht, sind mentale Modelle nicht intersubjektiv bertragbar und keiner umfassenden objektiven Analyse zugnglich.130 Komplexe Situationen kann der menschliche Geist nur begrenzt verarbeiten. Die Anzahl von Variablen, die ein Mensch in seinem geistigen Modell schlssig miteinander in Verbindung bringen kann, ist relativ beschrnkt. Selbst das intuitive Beurteilungsvermgen eines erfahrenen Untersuchenden ist relativ unzuverlssig in bezug auf die Antizipation vom systemischen und dynamischen Verhalten eines einfachen Rckkopplungsprozesses, der fnf oder sechs Variablen beinhaltet.131 Die individuelle Perspektive des Entscheidenden mag engstirnig, die Zeit zum Treffen von Entscheidungen knapp bemessen und die Informationen eingeschrnkt oder zwischenzeitlich wertlos sein. Folglich resultieren aus diesen Unzulnglichkeiten viele fehlerhafte Entscheidungen.132 Neben FORRESTER haben sich auch andere System Dynamics Spezialisten, wie bspw. MORE133 134 CROFT , SENGE oder STERMAN135, mit dem Terminus mentales Modell auseinandergesetzt. Dabei ist festzustellen, da sie sich bzgl. der Vor- und Nachteile des Konzepts der mentalen Modelle einig sind. Obwohl eine Charakterisierung der mentalen Modelle also gemeinhin nicht variiert, existiert keine explizite einheitliche Definition.136 Dies behinderte in der Vergangenheit wohl den reibungslosen Informationsaustausch zwischen manchen Forschern.137 Aus dem Eruierten haben DOYLE und FORD deshalb eine eigene und ihrer Ansicht nach przise und umfassende Definition erarbeitet: a mental model of a dynamic system is a relatively enduring and accessible, but limited, internal conceptual representation of an external system whose structure maintains the perceived structure of that system.138 LANE geht auf DOYLES und
129 130
Vgl. Forrester (1972), S. 74ff. Vgl. Sterman (1991), S. 4. 131 Vgl. Forrester (1994c), S. 60 als auch Sterman (1994), S. 305. 132 Vgl. Sterman (1991), S. 4. Diese fehlerhaften Entscheidungen knnen auch auf das in Kapitel 3.3 besprochene kontraintuitive Verhalten von Systemen zurckgefhrt werden. 133 Vgl. Morecroft (1994), S. 7. 134 Vgl. Senge (1990), S. 8f. 135 Vgl. Sterman (1994), S. 294 und 305. 136 Vgl. Doyle und Ford (1998), S. 6. 137 Vgl. Doyle und Ford (1998), S. 21. 138 Doyle und Ford (1998), S. 17.
22
FORDS Artikel untersttzend ein und betont, da die Definition der beiden Autoren u.a. in ihrer Sichtweise durch die Betonung der Reprsentation eines externen Systems zu restriktiv sei. Das hiee, das System mte schon existent sein. Das modellierte System kann aber nach LANES Vorstellung auch erst geplant oder noch wnschenswert sein.139 Da der Mensch nicht in der Lage ist, die einfachsten mentalen Modelle im Geiste fehlerfrei zu simulieren, wurden Computerprogramme entwickelt, die ihn bei Entscheidungsfindungen untersttzen sollen.140 Um mit Computerprogrammen arbeiten zu knnen, mssen die in den mentalen Modellen gespeicherten intuitiven Informationen verbalisiert werden.
3.2.2 Verbale Modelle Um ein bestimmtes System modellieren zu knnen, mu das zugehrige implizite Expertenwissen ber Systemstruktur, policies141, Systemgrenzen, Variablenidentifikation zunchst externalisiert werden. Das heit, da mentale Modelle offengelegt werden mssen, wobei die Explikation der mentalen Modelle eine systematische Darstellung des beobachteten Systems erfordert.142 Schon einfache Ausfhrungen, selbst auf Flipcharts oder Tafeln visualisiert, reprsentieren verbale Modelle bzw. Darstellungen.143 Bei weiterer Strukturierung der Informationen, spricht man von formalen Modellen.
3.2.3 Formale Modelle Da mentale Modelle durch oben aufgefhrte Mngel charakterisiert sind, untersttzen formale Modelle, wie bspw. System Dynamics Modelle, die Entscheidungsfindung. Mit der Konstruktion von formalen Modellen erhlt die geistige Vorstellung von Systemen eine klare Gestalt. Das Modell auf der letzten Hierarchiestufe soll zu einem verbesserten Verstndnis ber komplexe soziale Systeme fhren und Eingriffe ber policies in das System auf ihre Konsequenzen hin untersuchen.144 Der hchste Formalisierungsgrad wird durch die Abbildung eines verbal beschriebenen Problems auf Basis eines mathematischen Modells erreicht.145 Vage mentale
139 140
Vgl. Lane (1999), S. 187 und 191. Vgl. Doyle und Ford (1998), S. 10. 141 Policy ist der englische Fachbegriff fr Entscheidungsregel. Vgl. u.a. Keough und Doman (1992), S. 8. Der Begriff policy soll aufgrund seiner weiten Verbreitung im deutschsprachigen Raum im Zusammenhang mit System Dynamics und Managemententscheidungen im Rahmen dieser Arbeit weiterhin verwendet werden. Siehe dazu auch Kapitel 5.3.4.2. 142 Vgl. Senge (1990), S. 174ff. 143 Vgl. Morecroft, (1994), S. 9. 144 Vgl Milling (1984), S. 6 sowie Ford und Sterman (1998), S. 309. 145 Vgl. Milling (1984), S. 6.
23
Konstatierungen bzgl. Gre, Bedeutung oder Einflu werden nunmehr durch numerische Werte abgebildet.146 Wie mentale Modelle verfgen auch formale Modelle ber bestimmte Strken und Schwchen. Sie verhalten sich gegenber genau spiegelbildlich. Formale Modelle sind explizit und przise in ihrer Darstellung. Ihre Annahmen sind in schriftlichen Dokumentationen dargelegt und allen Interessierten frei zugnglich. Die verwendete Sprache in formalen Modellen ist standardisiert, sie ist klarer und einfacher verstndlich als die gesprochene Sprache verbaler Modelle. Dadurch werden formale Modelle von nahezu allen Individuen eindeutig kommunizier- und nachvollziehbar, unabhngig von deren Ausbildungsstand.147 Sie sind umfassender als ihre mentalen Gegenstcke und eignen sich dazu, viele Faktoren simultan zu bercksichtigen. Formale Modelle erfassen vorhandenes Wissen in isolierten Abstraktionen und verbinden es schrittweise zu einem zusammenhngenden Ganzen. Mit Hilfe von System Dynamics Computerprogrammen knnen formalen Modelle auf ihre Konsistenz hin berprft werden.148 Als Schwche formaler Modelle stellt sich heraus, da sie in der Realitt nicht immer so przise dokumentiert sind wie erwnscht. Darber hinaus gestalten sie sich oftmals als sehr komplex, so da ihre zugrundeliegenden Annahmen schwer nachvollziehbar sind. Daher kann das Vertrauen des Anwenders in die Beschaffenheit des Modells untergraben werden. Auerdem tut er sich im Umgang mit diffizil quantifizierbaren wechselseitigen Einflssen von Elementen nicht leicht.149 Abschlieend ist anzumerken, da formalen Modellen die intuitive Plausibilittskontrolle von Relationen zwischen Elementen abgeht, die bei kognitiven Prozessen augenscheinlich abwegige Annahmen und Ergebnisse unterbinden.150
3.3 Modellvorstellungen sozialer Systeme Der menschliche Geist ist nicht besonders gut dazu geeignet, das dynamische Verhalten selbst eines einfachen Systems unmittelbar zu erkennen.151 In Kapitel 2.5.4 wurde die Schwierigkeit des Autofahrens im Zusammenhang mit Komplexitt erwhnt. Bei der Aufnahme und Verarbeitung vielseitiger, parallel eingehender Informationen einer verkehrsreichen Situation ist der menschliche Geist im Vergleich zu Computern schnell und flexibel, wobei hier der technische Fortschritt zgig voranschreitet und Computer die menschliche Leistung wohl in naher Zukunft imitieren knnen. Obwohl das obige Beispiel so scheint, als hebe es paralleles Denkvermgen des menschlichen Geistes hervor, bezieht es sich lediglich auf das parallel
146 147
Vgl. Forrester (1972), S. 77. Vgl. Forrester (1975), S. 214. 148 Vgl. Milling (1984), S. 7. 149 Vgl. Sterman (1991), S. 5. 150 Vgl. Milling (1984), S. 7. 151 Vgl. Richmond (1997), S. 133.
24
arbeitende mensch-liche Nervensystem. Das bewute menschliche Denken luft hingegen linear, also Schritt fr Schritt, ab.152 Um technologische Systeme, wie bspw. eine Maschine, zu durchschauen, gengt lineares Denken. Demgegenber sind die funktionalen Beziehungen in sozialen Systemen komplexer gestaltet und schwieriger zu verstehen, weil die Relationen vorwiegend nichtlinearer Art sind. Greift der Mensch nun aufgrund bestimmter Erwartungen in Systeme ein, zeigen diese oftmals nach den Eingriffen Verhaltens- und Reaktionsweisen, die von den auf Basis mentaler Modelle entstandenen Erwartungen abweichen.153 Die mentalen Modelle sind dabei oft in ihrer Struktur und in ihren Annahmen korrekt. Das heit, da die Fehleinschtzung nicht auf unzulngliche Informationen oder nicht mehr aktuelle Daten zurckzufhren sind. Die Schwierigkeit liegt darin, aus verfgbaren Informationen die richtigen Konsequenzen zu ziehen. Der menschliche Geist zieht aufgrund seines linearen Denkmusters oftmals falsche Rckschlsse auf das Systemverhalten.154 Der menschliche Geist ist nicht fhig, sein eigenes mentales Modell situationsgerecht einzusetzen. Augenscheinlich wird das, wenn der Mensch fr sich alleine oder in einer Gruppe ein formales Computermodell, aufbauend auf Grundlage der mentalen Modelle, generieren soll. Das Computermodell wird whrend der Modellierung solange verfeinert und umstrukturiert, bis es vollstndig mit dem mentalen Modell des Individuums oder der Gruppe bereinstimmt. Dieses Simulationsmodell wird dann stellvertretend fr das real existierende Systems zum Experimentieren herangezogen, um Informationen ber das dynamische Verhalten des realen Systems, vom nachgebildeten Modell reprsentiert, zu vermitteln.155 Bei der Simulation zeigt sich oftmals, da das Computermodell ein vom mentalen Modell vorausgesagtes abweichendes Verhalten aufweist. bertragen auf Probleme in einem Unternehmen verhlt es sich so, da die Mitarbeiter ihr Bestes geben und die erarbeiteten policies befolgen. Jedoch zeigt sich in einer Simulation oftmals, da gerade diese policies die vorliegende Situation erst geschaffen haben und den Status-quo noch verschlimmern. Es entwickelt sich eine abschssige Spirale, in der die angenommene Lsung das Problem weiter verschrft.156 Zurckzufhren ist das berraschende Systemverhalten auf interne Widersprche zwischen angenommener und vorausgesagter Systemstruktur in mentalen Modellen. Dies wird auch als kontraintuitives Verhalten sozialer Systeme bezeichnet.157
152 153
Vgl. Drner (1989), S. 288f. Vgl. Milling (1984), S. 5 und Forrester (1995a), S. 3. 154 Vgl. Forrester (1975), S. 214, (1995a), S. 5 und Kauffmann (1980), S. 17f. 155 Vgl. Forrester (1972), S. 80. Vgl. zu Simulation auch die nachstehenden Ausfhrung in Kapitel 5.5.5. 156 Vgl. Forrester (1975), S. 215. 157 Vgl. Forrester (1995a), S. 4.
25
FORRESTER hat drei verschiedene Arten von kontraintuitivem Verhalten sozialer Systeme herausgearbeitet:158
TP PT
! Sozialen Systemen wohnt inne, da sie gegenber vielen policy-Vernderungen zum Erreichen von Verhaltensvariationen insensitiv reagieren. In einfachen Systemen stehen sich Ursache und Wirkung in Raum und Zeit159 nahe. In dynamischen sozialen Systemen verhlt es sich dagegen so, da Ursache und Wirkung rumlich und zeitlich oftmals von einander entfernt liegen. Dann liegt die ursprngliche Ursache eines Verhaltens lange Zeit zurck und entstammt einem gnzlich anderen Ort des Systems. Als Beispiel lt sich das urban dynamics-Problem, von FORRESTER untersucht, heranziehen.160 Er greift dabei das Problem der verstrkten Arbeitslosigkeit in einer Grostadt verbunden mit menschlicher Armut auf. Beides geht oftmals auch mit unzulnglichen Wohnverhltnissen einher. Da viele Menschen auf Basis ihrer mentalen Modelle davon berzeugt sind, da die Armut erst von schlechten
TP PT TP PT
Wohnverhltnissen verursacht wird, erscheint es augenscheinlich, mittels staatlicher finanzielle Mittel zustzliche Sozialwohnungen zu bauen. Modellsimulationen und Realitt haben jedoch gezeigt, da sich das Problem so nicht lsen lt. Die Stdte verfgen schon ber mehr Sozialwohnungen als sie ohnehin tragen knnen. Die policy, mehr Sozialbauwohnungen zu bauen fhrt zur Okkupierung von Flche, die eigentlich genutzt werden kann, um Geschften und Unternehmen den Zuzug zu erleichtern, um so Arbeitspltze zu schaffen. Die grere Anzahl von Sozialwohnungen lockt allerdings noch mehr arbeitslose Menschen vom Land in die Stadt. Der vorangegangene Versuch, mehr Wohnungen zu schaffen und die Lebensqualitt zu erhhen, wird vereitelt, weil die Flche vom sozialen Wohnungsbau beansprucht wird. Die Folge ist stdtische berbevlkerung in ohnehin schon sozialschwachen Gebieten.161
TP PT
! Zweitens scheinen soziale Systeme einige sensitive Einflunahmepunkte zu haben, durch die das Systemverhalten gezielt verndert werden kann. Jedoch befinden sie sich hufig an Stellen, an denen sie niemand vermutet. Darber hinaus ist die Wahrscheinlichkeit gro, da der von Intuition geleitete Untersuchende die Stellgre in die falsche Richtung hin verndert. Zur Visualisierung soll am obigen Beispiel von urban dynamics angeknpft werden.162 System Dynamics Modelle zeigen, da die Anzahl der Wohnungen ein sensitiver Einflunahmepunkt ist. Soll die Wirtschaftslage einer Stadt wieder aufblhen und die Stadt
TP PT
158
TP PT
Vgl. Forrester (1975), S. 219f. und (1995a), S. 10f. Raum und Zeit werden auch als Artefakte bezeichnet, als von Menschenhand geschaffen. Vgl. Richmond (1993), S. 113. 160 Vgl. hierzu vertiefend Forrester (1969). 161 Vgl. Forrester (1995a), S. 7f., 10 und (1987), S. 140. 162 Als ein anderes Beispiel kann der weltweite Bevlkerungszuwachs mit zunehmender Ungleichheit zwischen entwickelten Lndern und Entwicklungslndern dienen. Forrester hat sich damit in seinem Buch World Dynamics befasst. Vgl. Forrester (1971).
159
26
ein Ort sowohl fr einkommensschwache als auch fr -starke Mitbrger werden, sollte die Anzahl von Sozialwohnungen entgegen der Intuition reduziert und nicht gesteigert werden. ! Auerdem zeigen soziale Systeme Spannungen zwischen kurz- und langfristigen Konsequenzen von policy-Vernderungen auf. Eine policy, die kurzfristig Problemverbesserungen hervorbringt, nimmt gewhnlicherweise einen langfristig negativen Einflu auf das System und v.v. Entscheidungstrger werden oftmals unter kurzfristigen Erfolgszwang gestellt, weshalb sie sich fr eine policy entscheiden, die ihnen kurzfristigen Erfolg verspricht, aber langfristig gesehen die unvernnftigere Alternative ist. FORRESTER stellt fest, da viele heutige Probleme das kumulative Ergebnis kurzfristiger Manahmen vergangener Perioden sind.163
TP PT
163
TP PT
Vgl. Forrester (1995a), S. 11. Siehe hierzu auch die Beschreibung das archetypische Verhalten der Lastverteilung in Kapitel 5.4.4.
27
4. Systemisches Denken 4.1 Unzulnglichkeiten des linearen Denkens Wie oben angesprochen, denkt der okzidentale Mensch in linearen Ursache-Wirkungsbeziehungen, obwohl sich die Realitt aus Kreislufen zusammensetzt.164 Die Grnde fr diese Beschrnkung des menschlichen Geistes ergibt sich aus der Evolution des Menschen. Zum berleben in der Prhistorie war es notwendig, aus dem Augenblick heraus Entscheidungen zu treffen. Es schien nicht erforderlich, eine Situation in einen zeitlich und rumlich weiteren Bezugsrahmen zu integrieren.165 Noch heute beeinflut die Sprache das menschliche Wahrnehmungs- und Denkvermgen. Die geradlinige westliche Subjekt-Verb-Objekt-Syntax untersttzt das lineare Denken.166 Folglich denkt der Mensch, da einer heute auftretenden Wirkung eine bestimmte singulre Ursache in der Vergangenheit zugrunde liegen mu, genauso wie bei einem bestimmten heutigen Handeln auch ein ganz bestimmtes zuknftiges Ergebnis beobachtbar sein wird (siehe Abbildung 4-1).
Vergangenheit
Erklren durch Suche nach der Wirkung
Gegenwart
Zukunft
Zeitachse
Ursache Ursache ? Wirkung

Zeitachse
Wirkung
Wirkung
Handeln als Ursache einer Wirkung
Ursache
Wirkung
Handlung
Ergebnis
Abbildung 4-1: Lineares Erklren und Handeln167 Nun ist es durchaus mglich, da in realen Systemen eine Wirkung verschiedene Ursachen und v.v. haben kann, solche, die zeitlich und rumlich versetzt sind. Dementsprechend wrden sich
164 165
Vgl. Senge (1990), S. 73 und Ossimitz (1998), S.6. Vgl. Drner (1989), S. 13f. 166 Viele fernstliche Sprachen, wie etwa Japanisch oder Tibetanisch, nicht aber Vietnamesisch, sind bspw. nicht nach dieser Subjekt-Verb-Objekt-Syntax aufgebaut. Vgl. Crystal (1987), S. 98 oder Siewierska (1992), S. 4994 und 4998. 167 Quelle: Ulrich und Probst (1991), S. 38.
28
die geraden Linien in Abbildung 4-1 immer mehr verzweigen, bis sie in Kreislufe bergehen wrden.168 Wissenschaftler, die sich mit dieser Thematik beschftigen, argumentieren, da Menschen mit Hilfe einer holistischen Sichtweise vernetzte Systeme erfassen und die in Kapitel 2.5.3 angesprochenen direkten sowie indirekten Wirkungen wahrnehmen knnten.169
4.2 Systemisches Denken - Begriffsbestimmung Der in diesem Kapitel im Mittelpunkt stehende und von ULRICH und PROBST propagierte Begriff systemisches Denken170 ist in der Literatur nicht einheitlich definiert. SENGE bezeichnet systems thinking als die Disziplin, die es dem Menschen ermglicht, Dinge ganzheitlich zu betrachten.171 S.E. ist systems thinking ein Rahmenkonstrukt, mit dessen Hilfe der Mensch Wechselbeziehungen anstelle der oben genannten linearen Ursache-Wirkungsketten identifizieren kann, und das eine Kollektion von spezifischen Anwendungswerkzeugen und techniken beinhaltet. Systems thinking ist der cornerstone, der personal mastery, mental models, shared vision sowie team learning in einen zusammenhngenden, verstndlichen theoretischen und praktischen Rahmen zusammenfat und verschmelzt, mit dem Ziel, eine lernende Organisation zu schaffen.172 Nach SENGE soll systemisches Denken es ermglichen, detail und dynamic complexity zu erfassen.173 Dabei verhlt es sich jedoch so, da viele Menschen flschlicherweise denken, da auftretende Komplexitt auch mit Komplexitt erwidert werden mu. ESPEJO dagegen ist der Meinung, da es nicht widersinnig sei, zunehmend komplexe Lsungen fr zunehmend komplexe Probleme zu finden. Falsch sei es s.E., aus SENGES Auffassung zu folgern, da die dem mentalen Modell zum Verstndnis der Situation innewohnende Komplexitt genauso gro sein mu wie die der Situation selbst. Der Mensch soll die vorhandene Komplexitt mit der Komplexitt der Situation bekmpfen und nicht mit seiner eigenen.174 DRNER betrachtet die Problematik von einem psychologischen Standpunkt, der zur Relativierung der oben angefhrten Diskussion herangezogen werden kann. Er spricht von systemischem Denken als einem Bndel von Fhigkeiten. Dabei ist es im wesentlichen die Fhigkeit, sein ganz normales Denken, seinen gesunden Menschenverstand auf die Umstnde
168 169
Vgl. Ulrich und Probst (1991), S. 37. Vgl. u.a. Sterman (1994), S. 291 und Ossimitz (1995), S. 6. 170 Vgl. Ulrich und Probst (1991), S. 33. 171 Vgl. Senge (1990), S. 68. 172 Vgl. Senge (1990), S. 12 und 68f. 173 Vgl. Senge (1990), S. 69. Zu den Begriffen detail und dynamic complexity siehe Kapitel 2.5.4. 174 Vgl. Espejo (1994), S. 209.
29
der jeweiligen Situation einzustellen.175 Insofern ist s.E. systemisches Denken das situationsgerechte Denken in einer komplexen, systemischen Situation.176
TP PT TP PT
FORRESTER dagegen sieht in systems thinking nur eine eher generelle und oberflchliche Bewutseinserlangung der Existenz von Systemen. Dabei sieht er drei mgliche Wirkungen von systems thinking, von denen die ersten beiden als positive Einflsse betrachtet werden knnen:177 ! Systems thinking kann konstruktiven Einflu ausben, indem es auf die Existenz und die Brisanz von Systemen aufmerksam macht. ! Systems thinking kann zwar als door-opener fr System Dynamics und fr ein tieferes Systemverstndnis agieren, aber ! risikobehaftet ist hierbei jedoch derjenige, der davon berzeugt ist, da er mit systems thinking Systeme und ihre Verhaltensweisen vollkommen verstanden hat. Some people feel they have learned a lot from systems thinking, but they have gone less than 5 percent of the way toward a genuine understanding of systems. The other 95 percent lie in the rigorous system
TP PT
dynamics-driven structuring of these models and in the simulations based on those models.178 FORRESTER begrndet seine Denkweise damit, da systems thinkers zur Visualisierung mit Wirkungskreislufen arbeiten, in denen nicht wie in Fludiagrammen in levels und rates179 unterschieden wird. Wirkungskreislufen ist s.E. die Identifikation dynamischen Verhaltens von Systemen versagt.
TP PT TP PT
Grundstzlich besteht nach FORRESTER die Gefahr, da systems thinking ein weiteres Glied in der Reihe von Managementinstrumenten und -methoden werden knnte, die kommen und gehen, um Unternehmen nur zu operativer Verbesserung mit Hilfe neuer bester Praktiken zu verhelfen.180
TP PT
Dagegen betrachtet RICHMOND systems thinking als einzigartig und weitlufig einsetzbar in der Art des Denkens und Lernens. It is also capable of being quite transparent, seamlessly leveraging the way we learn biology, manage our business, or run our personal lives.181 RICHMONDS Ansicht nach liegt die Strke von systems thinking im Erkennen von gegenseitigen Abhngigkeiten.182 Systems thinkers sehen ihr Wesensmerkmal im Verstehen der Dynamik, die von Rckkopplungskreislufen ausgeht. Zur Unterstreichung seiner Ansicht zieht RICHMOND folgendes Beispiel heran: Eine Person, gefragt nach den Grnden fr die globale
TP PT TP PT
175 Drner (1989), S. 309. Ossimitz hat erarbeitet, da sich die empirische Erfassung von Fhigkeiten im systemischen Denken schwierig gestaltet. Vgl. Ossimitz (1995), S. 8. 176 Vgl. Ossimitz (1995), S. 4. 177 Vgl. Forrester (1994b), S. 252 sowie Keough und Doman (1992), S. 17. 178 Keough und Doman (1992), S. 17. 179 Bestandsgren bzw. stocks oder levels und Flugren bzw. flows oder rates sind Bestandteile der quantitativen System Dynamics Modelierung. Siehe hierzu Kapitel 5.5. 180 Vgl. Forrester (1994b), S. 251f. und Porter (1997), S. 58. 181 Richmond (1994), S. 135f. 182 Vgl. Richmond (1993), S. 113.
30
berbevlkerungsproblematik, gibt meist eine laundry list respektive additive Liste von Argumenten an (siehe Abbildung 4-2).
Armut Unzureichende Ausbildung Mangelnde Geburtenkontrolle Religise Sanktionen
berbevlkerung
Abbildung 4-2: Additive Argumenteliste183

TP PT
RICHMONDS Auffassung nach sehen viele okzidentale Menschen die berbevlkerung als eine Konsequenz von verschiedenen additiven Ursachen, die von jedem Individuum individuell gewichtet werden. Dahinter stehen Annahmen wie: ! Jeder Ursachenfaktor liefert einen Beitrag zur Wirkung, d.h. die Kausalitt luft immer nur in einer Richtung. ! Jeder Faktor wirkt von den anderen unabhngig. ! Der Gewichtungsfaktor ist vorgegeben. ! Die Art, wie jeder Faktor den anderen beeinflut, ist nur implizit erklrt, wird also nicht explizit angegeben. Das systems thinking Paradigma bietet nach RICHMOND die Mglichkeit, zirkulre Zusammenhnge zwischen den einzelnen Faktoren zu reprsentieren (siehe Abbildung 4-3). Der bergang
Armut Unzureichende Ausbildung
berbevlkerung
Abbildung 4-3: Rckkopplungskreislauf184

TP PT
183
TP PT
Vgl. Richmond (1993), S. 117. Vgl. Richmond (1993), S. 118. Auf dieses Beispiel wird an spterer Stelle bei der Diskussion um qualitatives und quantitatives System Dynamics noch einmal eingegangen.
184
TP PT
31
von der Einweglogik zur zirkulren Logik ist laut RICHMOND ein wesentlicher Schritt zum Verstndnis vom systemischen Denken.185
4.3 Abgrenzung von systemischem Denken zu System Dynamics RICHMOND betont im Zusammenhang mit systems thinking folgende Punkte: Zum einen ist, wie auch von FORRESTER hervorgehoben, systems thinking nicht mit System Dynamics gleichzusetzen, obwohl die berschneidung s.E. wesentlich ist und die Divergenzen eher in der individuellen Auffassung und Akzentuierung als im tatschlichen Inhalt liegen. Und zum anderen definiert RICHMOND systems thinking anders als FORRESTER. Anhand der oben beschriebenen Definition FORRESTERS hat RICHMOND folgenden Unterschied herausgearbeitet: Seiner Meinung nach betrachtet FORRESTER systems thinking als Teil von System Dynamics bzgl. dessen, was das System Dynamics Paradigma zum Verstndnis globaler Zusammenhnge anbietet (siehe Abbildung 4-4a).186
Systems Thinking
Systems Thinking
System Dynamics
System Dynamics
a) FORRESTERS Sichtweise
b) RICHMONDS Sichtweise
Abbildung 4-4: 'Systems thinking' und System Dynamics187 RICHMOND hingegen beschreibt systems thinking als System Dynamics zuzglich einer Aura (siehe Abbildung 4-4b). Mit der Aura bezieht er sich auf eine nahe Orientierung von systems thinking an die Praxis. Whrend es so schien, als wre der Zugang zu System Dynamics ursprnglich nur einer geistigen Elite vorbehalten, vertritt RICHMOND die Auffassung, systemische Einblicke einem Groteil der Bevlkerung zu gewhren, damit dieser umfassende Zusammenhnge leichter erfassen und sein Handeln daran ausrichten kann.188 RICHMOND prferiert aus diesem Grund den Begriff systems thinking gegenber System Dynamics. Er definiert systems thinking als the art and science of making reliable inferences about
185 186
Vgl. Richmond (1993), S. 118. Vgl. Richmond (1994), S. 136. 187 Vgl. Richmond (1994), S. 137. 188 Vgl. Richmond (1994), S. 138. Aus diesem Grund ist die Entwicklung der System Dynamics Software STELLA , die jedermann einfach verstndlich ist, fr Richmond von groer Bedeutung.
32
behavior by developing an increasingly deep understanding of underlying structure.189 Dabei sieht er systems thinking zugleich als Paradigma und Lernmethode fr mentale Modelle. Es besteht insofern eine Wechselwirkung zwischen beiden, als da das Paradigma die Lernmethode bedingt und umgekehrt die Lernmethode das Paradigma untersttzt. Bestandteile vom Paradigma sind thinking skills und sog. vantage point. Letzterer liee sich mit Sichtweise bersetzen. Daneben bestimmt das Paradigma Proze, Sprache und Technologie als Komponenten der Lernmethode. 190 Mit Sichtweise ist gemeint, da die gewhlte Positionierung zum untersuchenden System eine spezifische, problemorientierte Auseinandersetzung mit dem System ermglicht. Aufgrund unterschiedlicher Positionierungsmglichkeiten werden verschiedene, individuell relevante, Strukturen und Verhaltensmodi mit Hilfe von thinking skills wahrgenommen. Auf der strukturellen Ebene wird das Denken anhand generischer Strukturen von Rckkopplungskreislufen fixiert. Dazu zhlt bspw. exponentielles Wachstum oder Oszillation um einen Basiswert. Daneben soll das spezifische Denken das Erkennen von individuellen Systemstrukturen ermglichen. Die Verhaltensperspektive beinhaltet die Fhigkeit, auftretende Dynamik wahrzunehmen. RICHMOND hat dies als dynamic thinking gekennzeichnet. Dynamic thinking is the ability to see and deduce behavior patterns rather than focusing on, and seeking to predict, events. Its thinking about phenomena as resulting from ongoing circular processes unfolding through time rather than as belonging to a set of factors.191 Patterns sind hufig wiederkehrende Verhaltensmuster von Systemen, die sog. archetypischem Verhalten zugeordnet werden knnen. Unter events werden individuell auftretende Ereignisse, wie bspw. Ausbrche aus einem Verhaltensmuster verstanden, die gegebenenfalls bei einer Untersuchung nicht vernachlssigt werden drfen. LANE macht darauf aufmerksam, da sich neben System Dynamics noch andere Forschungsgebiete mit der systems thinking Problematik beschftigen. Eines davon ist im Zusammenhang mit Operations Research192, kurz OR193, zu sehen. In diesem Kontext wird an dieser Stelle der soft systems methodology-Ansatz von CHECKLAND vorgebracht.194 CHECKLAND differenziert in zwei Arten von systems thinking: hard systems thinking und soft systems thinking.
189 190
Richmond (1994), S. 139. Vgl. Richmond (1994), S. 139f. Auf die Lernmethode soll in diesem Kontext nicht eingegangen werden. 191 Richmond (1993), S. 122. 192 Zum einfhrenden Studium in Operations Research siehe bspw. Ellinger (1990) oder Mller-Merbach (1992). 193 Die Abkrzung OR steht im britischen Englisch fr operational research und im Amerikanischen fr operations research. Vgl. Lane (1994), S. 126. System Dynamics und hard OR waren Ende der 1950er Jahre verwandte Forschungsgebiete, die sich beide mit dem Verhalten von Systemen beschftigten. Forrester sah aber in hard OR einige Defizite fr die Anwendbarkeit und Brauchbarkeit fr Manger von Unternehmen. Deswegen entschied er sich fr die Vertiefung in System Dynamics. Vgl. Forrester (1968), S. 399. 194 Vgl. hierzu Lane (1994), S. 108ff. und 116 sowie Checkland (1985), S. 757ff.
33
S.E. konzentriert sich hard systems thinking, das er auch als hard OR bezeichnet, auf die Optimierung von Struktur und Verhalten von Systemen, die zielorientiert gestaltet werden knnen. Fr die Optimierung bietet sich folgende Vorgehensweise an:195 ! Definition des zu untersuchenden Systems. ! Definition der Systemziele. ! Gestaltung der Systemstruktur zur Zielerreichung.
TP PT
Das bedeutet, da hard systems thinking fr Systeme angewandt werden kann, die aktiv gestaltet werden knnen. Mit Hilfe der Modelle sollen Lsungen fr bestimmte real auftretende Probleme gefunden werden. Dabei hat sich herausgestellt, da die zielorientierte Gestaltung von sozialen Modellen nicht realittsnah ist, da Ziele in der Praxis variieren knnen.196 Daraufhin wurde die soft systems methodology entwickelt. Die Methodologie der Systemgestaltung, die auf Definition von Zielen beruht, hat sich fr messy, ill-structured, real-world problems197 als nicht geeignet herauskristallisiert. Soft systems thinking oder soft OR betrachtet die Zielorientierung als nicht adquat fr soziale Problemstellungen. Es setzt nicht voraus, da ein
TP PT TP PT
systemisches Modell die vielschichtige Komplexitt der Realitt fassen kann. Whrend nach hard systems thinking models of X existieren, betrachtet soft systems thinking models of the logic of X. Hence, the soft tradition regards system models as models relevant to arguing about the world, not models of the world; this leads to learning replacing optimizing or satisficing; this tradition talks the language of issues and accomodations rather than solutions.198
TP PT
Die Verhltnis zwischen hard und soft systems thinking erklrt CHECKLAND wie folgt: Sie reprsentieren zwei verschiedene Sichtweisen und stehen nebeneinander. Jedoch zerlegt hard systems thinking das Ganze in Teile, whrend soft systems thinking consists of conceptualizing the thing you want to understand as being part of one or more large wholes; seeking to understand the larger containing system; and explaining the system you want to understand in terms of its role or function in the containing system.199
TP PT
4.4 Fhigkeiten zu systemischem Denken In einem 1993 verffentlichten Beitrag definiert RICHMOND sieben verschiedene systems thinking skills. Er stellt sie nebeneinander in einem greren Zusammenhang mit critical thinking
195
TP PT
Vgl. Checkland (1985), S. 759. Vgl. Checkland (1985), S. 760 und 765. 197 Checkland (1985), S. 763. 198 Checkland (1985), S. 765. 199 Lane (1994), S. 107.
196
34
skills dar.200 Davon abweichend subsumiert er diese im Rahmen eines Artikels fr das System Dynamics Review Sonderheft Systems thinkers, systems thinking im Jahr 1994 zu drei thinking skills, die an einem Verstehensproze orientiert sind. Sie werden im folgenden beschrieben.201 System-as-cause thinking Was RICHMOND 1993 noch als Argumentation unter closed-loop thinking zusammenfat, differenziert er in einem spteren Artikel in system-as-cause thinking und closed-loop thinking.202 System-as-cause thinking bedeutet, da die Systemstruktur selbst als Ursache fr das Systemverhalten betrachtet wird. people will look to the loops themselves (i.e., the circular cause-effect relations) as being responsible for generating the behavior patterns exhibited by a system. This is in contrast to holding some set of external forces responsible: external forces tend to be viewed as precipitators rather than causes. This is a subtle, but extremely important, shift in viewpoint.203 Indem fr das Systemverhalten keine externen Krfte mehr verantwortlich gemacht werden, bernimmt der im System Stehende die Verantwortung fr das Systemverhalten. Closed-loop thinking Closed-loop thinking steht in engem Zusammenhang mit system-as-cause thinking und dem oben erwhnten dynamic thinking. Da das Systemverhalten von innen heraus, von der Systemstruktur determiniert wird, untersucht closed-loop thinking den Aufbau der Struktur, also die Elemente sowie die Beziehungen der Elemente untereinander. In dynamischen Systemen liegen geschlossene Ursache-Wirkungskreislufe vor, die nicht in eine Richtung ablaufen, sondern reziprok. Operational thinking Operational thinking untersucht den Aufbau der mittels closed-loop thinking erfaten Rckkopplungskreislufe. Es werden Schlsselanordnungen von Bestands- und Flugren innerhalb der Rckkopplungskreislufe betrachtet. Die Konzentration auf die Anordnung von levels und rates erzeugt laut Richmond einen bedeutenden Einblick in bzw. Verstndnis fr systems thinking. RICHMOND nimmt, wie FORRESTER auch, sehr demonstrativ Bezug auf die quantitative systemdynamische Modelliermethode. Diese macht ein Denken in quantitativen Strukturen und die von RICHMOND geforderte Unterscheidung in levels und rates erforderlich. Fr ein eher qualitatives Modellieren im Sinne des von SENGE propagierten Ansatzes, in dem auf das Konstruieren von Kausaldiagrammen Wert gelegt wird, ist dies nicht von Belang.204 Dabei
200
Bei den sieben systems thinking skills handelt es sich um: dynamic thinking, closed-loop thinking, generic thinking, structural thinking, operational thinking, continuum thinking und scientific thinking. Vgl. Richmond (1993), S. 122ff. 201 Vgl. Richmond (1994), S. 139ff. 202 Vgl. Richmond (1993), S. 124 und (1994), S. 140. 203 Richmond (1993), S. 124. 204 Zu qualitativem und quantitativem Modellieren siehe Kapitel 5.
35
wre noch zu untersuchen, ob es einer breiten ffentlichkeit, der nach RICHMOND systems thinking zugnglich gemacht werden soll, leicht fllt, in den physikalischen Flu- und Bestandsgren zu denken, oder ob diese Forderung die fr das Durchschauen von Systemstrukturen und -verhalten notwendige Kreativitt unterdrckt. Neben dem theoretischen Hintergrund von systems thinking haben sich GOODMAN und KARASH darber Gedanken gemacht, wie Menschen an das Systemische Denken herangefhrt werden knnen.
4.5 Heranfhrung an systemisches Denken GOODMAN und KARASH haben sechs Schritte herausgearbeitet, die dazu verhelfen sollen, Sensitivitt dafr zu entwickeln, wie systems thinking zur Problemidentifikation und -lsung und Ergebnisberprfung herangezogen werden kann. In den einzelnen Phasen wird auf oben angesprochene Begriffe Bezug genommen. Der Proze besteht aus folgenden sechs Punkten:205 1. Tell the story. 2. Draw Behavior over time graphs. 3. Create a focusing statement. 4. Identify the structure. 5. Going deeperTM into the issues.206 6. Plan an intervention. Tell the story Laut GOODMAN und KARASH ist es fr den Untersuchenden notwendig, den Proze mit einem Nachdenken ber das vorliegende Problem zu beginnen anstatt mit stndigem Einwirken auf das System fortzufahren. Da sich meist mehrere Menschen mit einem bestimmten Problem beschftigen, besteht die Mglichkeit, smtliche Beteiligte zusammenzubringen. Sie sollen dann die Problemsituation mit ihren Worten aus ihrer Sicht beschreiben. Auf diese Weise werden die individuellen mentalen Modelle verbalisiert. Am Ende dieser Phase soll eine in sich logisch konsistente Hypothese stehen, die Aufschlu ber die Ursache(n) des Problems gibt. Nicht erwnscht ist hierbei die einfache Definition eines problem statements, zu dem schnell die richtige Lsung gefunden werden kann. 207
205
Vgl. Goodman und Karash (1995), S. 6ff. und o.V. (1999c). Hilfreich hierbei knnen die von Kim erarbeiteten systems thinking tools sein, auf die jedoch nicht weiter eingegangen werden soll. Vgl. Kim (1990). 206 Going DeeperTM ist eine Handelsmarke der Innovation Associates, Incorporated. 207 Vgl. Senge (1994), S. 105.
36
Draw Behavior over time graphs. In der ersten Phase wird sich eher auf die momentane Problemsituation konzentriert. In der zweiten Phase soll durch ein Aufzeichnen des Systemverhaltens im Zeitablauf die Vergangenheit mit der Zukunft verbunden werden. So sollen nicht nur pltzliche events, sondern auch zeitlich sich entwickelnde patterns erkannt werden. Create a focusing statement. An dieser Stelle soll eine klare Aussage ber das Prozeziel getroffen werden, um Krfte in eine Richtung zu bndeln. Identify the structure. In dieser Phase wird die das Systemverhalten determinierende Systemstruktur beschrieben. Nach RICHMONDS Definition steht hierbei das closed-loop thinking, das den Aufbau der Struktur untersucht, im Vordergrund. Die in der ersten Phase erzhlte Geschichte stellt die Grundlage fr diese Phase dar. Die Geschichte sollte aus Rckkopplungen aufgebaut sein, die Problematik aus verschiedene Sichtweisen (vantage points) beleuchten und Schlsselthemen sowie wiederkehrende Muster identifizieren. 208 GOODMAN und KARASH schlagen vor, auf die in Kapitel 5.4.4 beschriebenen Verhaltensarchetypen zurckzugreifen. Sie seien nach SENGE und entgegen RICHMOND und FORRESTER ein guter Ansatz, um Strukturen bestimmten Verhaltensweisen zuzuordnen.209 Going deeperTM into the issues. Existiert ein gutes Verstndnis ber das System und seinen Aufbau, soll ein tieferer Einblick in die zugrundeliegenden Zusammenhnge gewhrt werden, um den Schritt zur Umsetzung des Erarbeiteten berhaupt erst mglich zu machen. GOODMAN und KARASH bestimmen vier Gebiete, die nherer Untersuchung bedrfen. Purpose of the system soll den tatschlichen Existenzgrund des Systems hinterfragen. Mental models sollen bei Entscheidungen durch Sprechblasen ergnzt werden, um die Verstndlichkeit zu erhhen. Die Frage nach the larger system bettet das untersuchende System in ein bergeordnetes Supersystem ein. Durch personal role soll die eigene Position im System verstanden werden. Hier kann eine Verbindung zu RICHMONDS system-as-cause thinking gezogen werden. Plan an intervention
208 209
Vgl. Senge (1994), S. 105. Siehe hierzu die Diskussion ber den Einsatz von Wirkungs- und Fludiagrammen im vorhergehenden Kapitel.
37
Steht ein Eingriff in das System bevor, soll auf Basis des in den vorhergehenden Phasen generierten Wissens ber das System eine Interventionsmglichkeit herausgearbeitet werden. Dabei soll das System strukturell so verndert werden, da es die Ergebnisse hervorbringt, die der Untersuchende erwartet. Folglich knnen bspw. neue Rckkopplungsschleifen eingefhrt oder alte herausgestrichen werden. Laut GOODMAN und KARASH sind jene Vernderungen am einschneidensten, die ein Denken der im System Stehenden verursacht.210
210
Vgl. Goodman und Karash (1995), S. 7.
38
5. System Dynamics 5.1 Begriffbestimmung Wie aus der beschriebenen Problematik des Umganges mit sozialen Systemen hervorgeht, gestaltet sich die Systemanalyse, genauso wie auch die Gestaltung von policies zur zielorientierten Einflunahme auf das Systemverhalten schwierig. Es bedarf hierfr einer Methode, die es vermag, die Komplexitt zu bewltigen und die Voraussetzungen fr die Erforschung von Ursachen beobachteter Verhaltensformen zu schaffen. Eine solche Methode stellt System Dynamics dar. Im Unterschied zum linearen menschlichen Denken nimmt sich System Dynamics der den sozialen Systemen innewohnenden Komplexitt, ihrer Nichtlinearitt und den Rckkopplungsstrukturen an.211 Um eine einheitliche, allgemeingltige System Dynamics Definition zu erhalten, sollen zunchst die in der Literatur vorherrschenden Begriffsbestimmungen aufgezeigt werden. Dabei ist anzumerken, da die Autoren von unterschiedlichen Ansatzpunkten ausgehen und verschiedenartige Aspekte als bedeutsam herausstellen.212 FORRESTER war der Erste, der System Dynamics grundlegend beschrieben hat. Zum damaligen Zeitpunkt nannte er die Disziplin noch Industrial Dynamics. Industrial Dynamics is the investigation of the information-feedback character of industrial systems and the use of models for the design of improved organizational form and guiding policy.213 ROBERTS definiert System Dynamics ber die Mglichkeit seiner Anwendungsgebiete, denen das gleiche Grundproblem immanent ist: System Dynamics is the application of feedback control systems principles and techniques to managerial, organizational, and socioeconomic problems.214 Auch COYLE hat sich mit der Definition von System Dynamics auseinandergesetzt, wobei er zwar die Zeitkomponente, nicht aber die Rckkopplungsstrukturen bercksichtigt: A method of analysing problems in which time is an important factor, and which involve the study of how a system can be defended against, or made to benefit from, the shocks which fall upon it from the outside world.215
211 212
Vgl. Forrester (1994b), S. 245. Es werden hier nur die wichtigsten Definitionen genannt. 213 Forrester (1977), S. 13. 214 Roberts (1978), S. 3. 215 Coyle (1977), S. 2.
39
Eine alternative Definition bietet COYLE im Zusammenhang mit dem Einsatz im Managementbereich an: System Dynamics is that branch of control theory which deals with socio-economic systems, and that branch of Management Science which deals with problems of controlability.216 WOLSTENHOLME bezieht die quanititative Simulation mit ein: A rigorous method for qualitative description, exploration and analysis of complex systems in terms of their processes, information, organizational boundaries and strategies; which facilitates quantative simulation modelling and analysis for the design of system structure and control.217 COYLE offeriert eine Definition von System Dynamics, in die er neben der Simulationsmethodik auch die Optimierung mit einbezieht: System Dynamics deals with the time-dependent behavior of managed systems with the aim of describing the system and understanding, through qualitative and quantitative models, how information feedback structures and control policies through simulations and optimization.218 Fat man die verschiedenen Definitionen zusammen, so kann, abstrahierend von den unterschiedlichen Ansatzpunkten, das ihnen Gemeinsame aufgezeigt werden. Hiernach ist System Dynamics eine Methode, mit deren Hilfe der Mensch seine Wahrnehmungsfhigkeit verbessern, was zu einem tiefgrndigeren Verstndnis der ihn umgebenden komplexen Systeme fhren kann. Andere Wissenschaften konzentrieren sich darauf, Ganzheiten in kleine und kleinste Einheiten zu zerlegen, um das Ganze zu verstehen. System Dynamics dagegen versucht die Welt als ganzheitliches System zu betrachten. Dementsprechend liegt der Schwerpunkt auf einer holistischen und nicht atomistischen Sichtweise. Die Aufmerksamkeit wird darauf gelenkt, zu erfagen, aus welchen Elementen ein spezifisches System besteht und wie diese Elemente innerhalb des Systems miteinander agieren.219 Die daraus gewonnenen Erkenntnisse sollen anschlieend auf andere, formal hnliche Systeme bertragen werden knnen. Daher erhebt das System Dynamics Paradigma laut MILLING den Anspruch des Status einer Strukturtheorie sozialer Systeme.220 System Dynamics fordert die Allgemeingltigkeit der Strukturhierarchie sozialer Systeme. Dementsprechend wird eine ausgewhlte Modellstruktur als Gruppe abstrakter Systeme interpretiert und auf das von ihr verursachte Verhalten hin untersucht. Sind die Verhaltensweisen einer Struktur bekannt, kann das generierte Wissen auf smtliche Situationen bertragen werden, die durch jene oder vergleichbare Strukturen vertreten werden.221 Als Beispiel lt sich hierfr
216 217
Coyle (1977), S. 2. Wolstenholme (1990), S. 3. 218 Coyle (1996), S. 10. 219 Vgl. o.V. (1999a), S. 1. 220 Vgl. Milling (1984), S. 9. 221 Vgl. Milling (1984), S. 9.
40
die gleichartige Struktur der Dynamik des internationalen Wettrstens222 und die des Konkurrenzkampfes von Unternehmen heranziehen. Die Gelegenheit der bertragung von Erkenntnissen zwischen formal vergleichbaren Problemstellungen erleichtert die Konstruktion von Modellen, deren Analyse sowie die Erarbeitung von policies.223 Mit System Dynamics hat FORRESTER eine gemeinsame Sprache zum Verstndnis von sozialen Systemen geschaffen, da generelle Aussagen ber den strukturellen Aufbau von sozialen Systemen formuliert werden knnen.224 Die spiegeln sich in folgenden Hierarchieebenen wider:225 Auf der obersten Ebene (1) befat sich System Dynamics mit geschlossenen Systemen, wobei das zu betrachtende Sysem so von seiner Umwelt abzugrenzen ist, da die relevanten Verhaltensweisen ausschlielich von endogenen Elementen erzeugt werden. Innerhalb der Systemgrenze (2) wird den Elementen Aufmerksamkeit geschenkt, da sie das Systemverhalten erzeugen. Durch die Beziehungen zwischen den Elementen entstehen feedback-loops (3), die generell aus zwei Gren, den Zustands- und den Flugren, bestehen. Die unterste Ebene der Strukturhierarchie (4) bildet der interne Aufbau der policies, ber die Einflu auf die Aktivitten des Systems genommen werden kann.226 Ein Unternehmen und seine Umgebung werden nach dem System Dynamics Paradigma als eine Sammlung von Entscheidungstrgern, deren Entscheidungen und Aktionen miteinander verknpft sind, verstanden.227 Jedes Individuum wird durch eine Entscheidungsfunktion, die Informationsinput und -output in Form von Information oder Aktion beinhaltet, dargestellt. Die Informationen, die ein Individuum erhlt, hngen von dessen Position innerhalb des Systems und von dessen Beziehungen und Zielen ab. System Dynamics untersucht, wie die Individuen miteinander im Zeitablauf agieren, wie policies Problemsituationen geschaffen haben und wie diesen entgegengetreten werden kann.228 Bevor auf die Modellierung von Systemen im Sinne von System Dynamics eingegangen wird, soll vorab ein historischer Abri die Entwicklung und die Anwendungsgebiete von System Dynamics aufzeigen.
222
Mit der Dynamik des internationalen Wettrstens hat sich insbesondere Coyle beschftigt. Vgl. Coyle (1981), S.203ff., (1996), S. 67ff. und 169ff., (1998), S. 349ff., Coyle u.a. (1999), S. 372 ff. wie auch Wolstenholme (1990), S. 173ff. 223 Vgl. Milling (1984), S. 9. 224 Vgl. Forrester (1994a), S. 10. 225 Auf die ersten drei Ebenen wurde in vorhergehenden Kapiteln eingegangen. Zustands- und Flugren der vorletzten und die letzte Hierarchiestufe werden unten nher erlutert. 226 Vgl. Milling (1984), S. 9ff. 227 Vgl. Morecroft (1988), S. 304. 228 Vgl. Morecroft (1994), S. 15.
41
5.2 Historischer Abri und Anwendungsgebiete von System Dynamics Die Disziplin System Dynamics hat ihren Ursprung in der Ingenieurwissenschaft. Ihr Begrnder JAY W. FORRRESTER studierte Elektroingenierwesen, ein Bereich, in dem er sich mit theoretischer Dynamik befasste. Nachdem er auf diesem Gebiet sein theoretisches Wissen festigen und auch darber hinaus praktische Erfahrung sammeln konnte, wandte er sich, als ALFRED P. SLOAN 1952 die Sloan Management School am Massachusetts Institute of Technology grndete, dem Bereich der Wirtschaftswissenschaften zu.229 FORRESTER sah darin die einmalige Chance, Ingenieur- mit Wirtschaftswissenschaften in Forschung und Lehre zu kombinieren. Zunchst dachte FORRESTER daran, sich mit operations research zu beschftigen. Schlielich entschied er sich dagegen, weil er der Meinung war, da diese Disziplin keine praktische Relevanz fr Manager beinhalte. S.E. beschftigt sich operations research nicht genug mit der Problematik des Scheiterns oder des Erfolgs eines Unternehmens.230 Ausschlaggebend fr FORRESTERS weiterfhrende Ttigkeit am Massachusetts Institute of Technology war eine Zusammenarbeit mit dem Management von General Electric. Es fiel FORRESTER auf, da ihm bei der Suche nach Grnden fr die Auslastungschwierigkeiten eines Werkes, also einem betriebswirtschaftlichem Problem, sein Wissen aus dem Ingenieurwesen half. Die Problemsituation von General Electric wurde in einem formalen Modell abgebildet und ihre zeitliche Entwicklung mit Hilfe eines Computers simuliert. Dabei kristallisierte sich neben den bekannten Geschftszyklen die Struktur eines schwingenden, instabilen Systems heraus, bei dem trotz konstanter Auftragseingnge instabile Beschftigungsverhltnisse als Konsequenz vorliegender policies auftraten. Man fand heraus, da es, diese Systemstruktur einmal verstanden, keiner groen Anstrengung bedarf, andere hnliche Systemstrukturen zu durchschauen. FORRESTER beschftigte sich intensiv mit diesem neuen Gedanken und verffentlichte sein selbst aus heutiger Sicht immer noch aktuelles Werk Industrial Dynamics231. Aufgrund der Erkenntnis, da mit Hilfe dieser Methode smtliche soziale Systeme modelliert und diese Modelle anschlieend simuliert werden knnen, lag es nahe, den speziellen Begriff Industrial Dynamics in den allgemeineren Ausdruck System Dynamics umzubenennen. FORRESTER dehnte sein Interessenfeld aus und verffentlichte 1969 sein Buch Urban Dynamics232, in dem er staatliche policies im Zusammenhang mit urbaner Armut untersuchte.
Vgl. Keough und Doman (1992), S. 10f. sowie Forrester (1989) und (1995b), S. 4ff. Vgl. Forrester (1968), S. 399, (1989), S. 5 wie auch (1995b), S. 9. Dabei ist darauf hinzuweisen, da in letzter Zeit zunehmend das Verhltnis von OR zu System Dynamics neu beurteilt worden ist. Es wurde argumentiert, da groe Gemeinsamkeiten zwischen System Dynamics und der gegenwrtigen zu Operations Research zhlenden Arbeit auf dem Gebiet der Modellstrukturen und dem group decision support bestehen. Vgl. dazu Forresters Vorwort bei Wolstenholme (1990), S. XIII, Lane (1994) und (1995b). Zu genaueren Informationen bzgl. group decision support vgl. Vennix u.a. (1990), sowie Vennix u.a. (1996). 231 Vgl. Forrester (1958), S. 37ff. 232 Vgl. Forrester (1969) und Kapitel 3.3.
230
229
42
Er
stellte fest, da die Subvention von Sozialwohnungen die Lebensbedingungen in den Stdten verschlechterten und nicht, wie zunchst beabsichtigt, verbesserten. Nach Urban Dynamics befasste sich FORRESTER mit World Dynamics233 und leitete das Limits to Growth Projekt234. World Dynamics wurde nicht nur in der Fachpresse, sondern in allen Medien ausgiebig diskutiert und Limits to Growth zog noch mehr Interesse auf sich. Bis zum heutigen Zeitpunkt ist das Interesse an System Dynamics und damit die Anzahl der Mitglieder der System Dynamics Society gewachsen.235 In den 80er Jahren sahen involvierte Akademiker das Bedrfnis, system dynamicists zu einem regelmigen Meinungsaustausch auf Kongressen zusammenzubringen und somit ein internationales Netzwerk aufzubauen. Die System Dynamics Society hat heute ihre Zentrale an der State University of New York at Albany.236 Ferner wurde 1985 die Fachzeitschrift System Dynamics Review237 ins Leben gerufen, um ein Kommunikationsforum zu schaffen. Inzwischen hat sich auf beiden Seiten des Atlantiks eine professionelle Infrastruktur etabliert, die neben dem akademischen aus einem kommerziellem Segment, Kunden und einem Ideenmarkt besteht.238 An verschiedenen Universitten wird System Dynamics auf unterschiedlichen Leistungsebenen gelehrt. Auch in Kindergrten und Schulen soll ein Gefhl fr systems thinking vermittelt werden.239 Ein akademischer Hhepunkt ist die Einrichtung des Lehrstuhls fr Informationswissenschaft an der Universitt Bergen, Norwegen. Hier wird ein 2jhriger Philosophiediplomstudiengang in System Dynamics angeboten.240 Zum kommerziellen Segment zhlen viele Beratungsfirmen wie McKinsey, Andersen Consulting oder Price WaterhouseCoopers, die an System Dynamics interessiert sind. Aber auch unternehmensinterne Projekte, die im Zusammenhang mit System Dynamics stehen, sind bekannt. Unternehmen wie Royal/Dutch Shell, BBC World Services oder BMW beschftigen sich mit System Dynamics.241 Auf der Kundenseite stehen neben den Studenten die policymakers, die sich Einblicke in Systemverhaltensweisen erhoffen.
233 234
Vgl. Forrester (1971). Vgl. Meadows u.a. (1972). 235 Vgl. Keough und Doman (1992), S. 4f. 236 Die Internetadresse der System Dynamics Society lautet: http://www.albany.edu/cpr/sds/. 237 Die System Dynamics Review erscheint bei John Wiley & Sons mit Sitz in Chichester, England. 238 Vgl. Moreroft (1999a), S. 302. 239 Mit der Lehre von System Dynamics in Schulen befassen sich vor allem Forrester (1992), (1993), (1994a), Brown (1992), Davidson u.a. (1993) sowie Ossimitz (1997). 240 Vgl. Davidson (1999), S. 311ff. Fr nhere Informationen zum Studiengang siehe im Internet http://www.ifi.uib.no/courses/masters-program.html oder schriftlich bei Prof. Pl I. Davidsen, Department of Information Science, University of Bergen, N - 5020 University of Bergen, Norway bzw. telefonisch unter ++47 55 58 08. 241 Vgl. Moreroft (1999a), S. 303 und Richardson (1999), S. 446.
43
Inzwischen wird System Dynamcis erfolgreich zur Untersuchung auf sehr unterschiedlichen Gebieten wie Unternehmensentwicklung242, Medizin243, Fischerei244, Psychiatrie, 245 246 Energieversorgung und -preisgestaltung , Volkswirtschaften , stdtischem Wachstum247, Umweltverschmutzung, Bevlkerungswachstum248, Managementtraining249 sowie Pdagogik250 herangezogen.251
5.3 System Dynamics Modellierung 5.3.1 Fhigkeiten zur Modellierung Soll ein dynamisches System modelliert werden, mssen die am Modellierungsproze Beteiligten bestimmte Fhigkeiten aufweisen. Daneben sollten die zugnglichen Informationsquellen kritisch untersucht werden. Wie schon von GOODMAN und KARASH im Zusammenhang mit tell the story252 gefordert, ist es auch fr eine System Dynamics Modellierung sinnvoll, eine Arbeitsgruppe zusammenzustellen. Ziel der Arbeitsgruppe soll die Identifikation von Schlsselgren, die die Strungen in den Rckkopplungssschleifen verursachen, sein. Fr die Teamzusammenstellung, so FORRESTER, biete es sich an, Personen aus einem weiten Umfeld in den Modellierungsproze einzubinden.253 Bei einer Modellierung in einem Unternehmen knnen dazu durchaus Abteilungs-, Hierarchieund auch Firmengrenzen berschritten, sowie Personen aus der vor- und nachgelagerten Wertschpfungskette mit einbezogen werden. Gefhrt werden sollte das Team von einem Mitglied der obersten Fhrungsschicht. Denn nur mit Untersttzung des Top-Managements knnen auch schnelle Ergebnisse garantiert werden, da es dazu befugt ist, Entscheidungen zu treffen und Vernderungen im realen System durchzufhren.254 Einige Mitglieder des Teams sollten mit den Strukturen und policies des realen Systems vertraut sein, whrend zumindest ein Mitglied die System Dynamics Symbolik beherrschen und die dynamischen Wirkungen von
242
Vgl. bspw. Lyneis (1980), S. 325ff., Achi u.a. (1995), S. 5ff., Mass und Berkson (1995), S. 19ff., Desmet u.a. (1998), S. 106ff., Glucksman und Morecroft (1998), S. 118ff., Liehr u.a. (1999), S. 1ff. wie auch Westkmper u.a. (1999), S. 29ff. 243 Vgl. u.a. Richmond (1981), S. 173 und Dangerfield (1999), S. 345ff. 244 Vgl. Hannon und Ruth (1994), S. 175ff. sowie Ruth und Hannon (1997), S. 260ff. 245 Vgl. zu nheren Informationen bzgl. der Energieversorgung Naill (1992), S. 1ff. oder Radzicki (1996), S. 1ff. 246 Vgl. zu Beispielen im volks- und finanzwirtschaftlichen Kontext bspw. Heij u.a. (1997) und zu Wirkungsbeziehungen am Heroinmarkt vgl. Ossimitz (1998), S. 9ff. 247 Vgl. Forrester (1969). 248 Vgl. bspw. Drner (1989), S. 8ff. und insbesondere S. 22ff. 249 Vgl. dazu bspw. Rodrigues und Williams (1998), S. 2ff., Rosenrn und Kofoed (1998), S. 432ff. oder Warren und Langley (1999), S. 369ff. 250 Siehe hierzu Funote 239. Vgl. zustzlich Coyle (1999), S. 296ff., Morecroft (1999a), S. 302 und (1999b), S. 305ff., Milling (1999), S. 309 wie auch Davidsen (1999), S. 311ff. 251 Vgl. Forrester (1992), S. 9. 252 Siehe Kapitel 4.5. 253 Vgl. Keough und Doman (1992), S. 19f. 254 Vgl. Keough und Doman (1992), S. 19.
44
policies erfassen sollte. Der System Dynamics Spezialist hat die Aufgabe, die spezifischen, bspw. betrieblichen Informationen der Teammitglieder aufzunehmen und in die Zeichen von System Dynamics zu bersetzen und die qualitative Modellstruktur zu konstruieren. Soll das Modell simuliert werden, mu zumindest der Systen Dynamics Spezialist die Fhigkeiten besitzen, die gesammelten Informationen in mathematische Gleichungen bertragen, um anschlieend Simulationen durchfhren zu knnen. Schlielich mu der System Dynamics Spezialist imstande sein, die gesammelten Simulationsergebnisse zu interpretieren und als Moderator die Entscheidungstrger zu Debatten und Diskussionen zu bewegen, wodurch ein Lernproze angeregt werden soll.255 Um einen information overload zu vermeiden, sollte darauf geachtet werden, nicht zu viele Menschen zu befragen. Das folgende Kapitel befat sich mit dem Modellierungsproze von sozialen Systemen.
5.3.2 Der Modellierungsproze FORRESTER schlgt einen sechsphasigen iterativen Modellierproze vor, nach dem vorgegangen werden sollte, um vom Problem zur Lsung zu gelangen.256 Der hier dargestellte Proze ist um einen Schritt, Phase 2, erweitert (siehe Abbildung 5-1).
Phase 1: Beschreibung des Systems.
Phase 2: Erstellung eines Kausaldiagrammes.
Phase 3: Konvertierung der Beschreibung in Fludiagramme.
Phase 4: Simulation des Modells.
Phase 5: Entwerfen von alternativen policies und Strukturen.
Phase 6: Diskussionen und Debatten.
Phase 7: Implementierung von policy- und Strukturvernderungen.
Abbildung 5-1: System Dynamics Modellierungsphasen257 Im ersten Schritt erfolgt eine verbale Beschreibung eines spezifischen Systems, das sich unerwnscht verhlt und dessen Verhalten verstanden und korrigiert werden soll. Es soll eine
255 256
Siehe hierzu Kapitel 5.3.4. Vgl. Forrester (1994b), S. 245ff. 257 Nach Forrester (1994b), S. 245. Der von Coyle entwickelte Proze ist dem von Forrester hnlich und kann im Anhang (Abbildung A-1) dieser Arbeit gefunden werden.
45
Theorie aufgestellt werden, die Aufschlu darber gibt, warum jenes Verhalten auftritt. Dem Systemverstndnis folgt zu spterem Zeitpunkt die Verbesserung des Systemverhaltens als eigentliches Ziel.
Die zweite Phase - Erstellung eines Kausaldiagrammes - ist in FORRESTERS Proze nicht enthalten. Kausaldiagramme zhlen zur qualitativen Modellierungsmethode.258 Wie in Kapitel 4.3 erklrt, propagieren FORRESTER und RICHMOND ausschlielich die Anwendung des quantitativen Ansatzes zur Modellierung, da ihrer Meinung nach das dynamische Verhalten von Systemen nur auf diese Weise verstanden werden kann. COYLE hlt auf der anderen Seite die Entwicklung von Kausaldiagrammen fr sehr wichtig. Sie stehen s.E. am Anfang und Ende eines Modellierungsprozesses.259 Kausaldiagrammen erleichtern System Dynamics-Unkundigen, sich in die Materie einzuarbeiten und ein Gefhl fr Ursache und Wirkung zu bekommen. Aus diesen Grnden soll dieser Schritt an dieser Stelle in den Proze integriert werden. Dabei ist weiterhin anzumerken, da von jeder Modellierungsphase eine Rckkopplung zum vorhergehenden Schritt existiert, durch die Fehler und Inkonsistenzen aufgedeckt und korrigiert werden knnen. Ist ein Kausaldiagramm erstellt, steigt das Vertrauen in die Fhigkeit, systemisch zu denken sehr viel schneller als es die Fachkompetenz zugestehen wrde (siehe Abbildung 5-2).
Vertrauen
Ko mpetenz
Bewutsein Diagramme
Gleichungen
Simu lation
Test
Abbildung 5-2: Vertrauen und Kompetenz in System Dynamics260 Aus Abbildung 5-2 wird deutlich, da fr ein greres Verstndnis fr System Dynamics das Erstellen von mathematischen Gleichungen sowie das Simulieren und Testen ausschlaggebend ist. Dafr mssen die Voraussetzungen geschaffen werden. Die Formulierung von Simulationsmodellen, die mit Phase 3 beginnt, bringt die Modellierer einen Schritt nher an ihr Ziel, dynamische Kompliziertheit zu verstehen. Systembeschreibungen und Erkenntnisse aus
258 259
Vgl. bspw. Wolstenholme (1990), S. 4 oder Coyle (1996), S. 14. Vgl. Coyle (1998), S. 345. 260 Nach Peterson und Eberlein (1994), S. 161.
46
dem Kausaldiagramm werden in Fludiagramme bersetzt. Mit Hilfe dieses Modells wird dann auch die Simulation durchgefhrt.261 Mit der vierten Phase - Simulation des Modells - kann erst begonnen werden, wenn die vorhergehenden Phase sorgfltig durchgearbeitet und abgeschlossen sind. Das heit, es mu ein funktionstchtiges Modell mit exakt definierten Variablen und in sich konsistenten Einheiten vorliegen. Als Simulationsergebnis werden die verbalen Beschreibungen und die Kausaldiagramme, falls notwendig, korrigiert und die mathematischen Gleichungen verfeinert. Die Simulation sollte die Schwierigkeiten aufzeigen, die bei der Implementierung von Vernderungen in das reale System auftreten knnen. Dieser Schritt ist fr das System Dynamics Paradigma von besonderer Bedeutung.262 System Dynamics zeigt nicht nur die Entwicklung bis zur Gegenwart, sondern auch den zuknftig zu beschreitenden Weg auf.263 Im fnften Schritt werden alternative policies und Strukturen fr das Testen identifiziert. Die Ideen hierfr knnen intuitiver Natur sein, aus dem Erfahrungsschatz der Teammitglieder stammen oder durch iteratives Einsetzen von Paramentern in die Gleichungen herausgearbeitet werden.264 In der sechsten Phase - Diskussionen und Debatten - arbeiten die Teammitglieder auf eine allseitige bereinstimmung ihrer Ansichten hin. Mentale Modelle werden durch mit den Debatten einhergehende Lernprozesse berein gebracht. Durch diese kollektiven Diskussionen entstehen geteilte mentale Modelle als Basis fr gemeinsames Verstndnis und gemeinsames Treffen von Entscheidungen (siehe Abbildung 5-3).265
M entales M odell von Individuum A. B D
Geteiltes mentales M odell aller Teammitglieder Diskussionen
A B
und Debatten
D Sich berlappende individuelle mentale M odelle.
Gemeinsames mentales M odell.
Abbildung 5-3: Entwicklung geteilter mentaler Modelle durch Diskussionen und Debatten266
261 262
Vgl. Forrester (1994b), S. 245. Vgl. Forrester (1994b), S. 246. 263 Vgl. Forrester (1994b), S. 246f. 264 Vgl. Forrester (1994b), S. 247. 265 Vgl. Langfield-Smith (1992), S. 361f. 266 Nach Langfield-Smith (1992), S. 361f.
47
Dieser Schritt stellt auch die grte Herausforderung an die Fhrungsqualitten dar, denn die Implementierung der im vorhergehenden Schritt herausgearbeiteten policy- und Strukturvernderungen bedrfen einer breiten Zustimmung bei allen, auch der indirekt Beteiligten. So mssen die Mitarbeiter in einem Unternehmen diese neuen policies und Strukturen bernehmen und danach ihre Entscheidungen treffen. Jedoch tendieren Mitarbeiter oftmals dazu, an bestimmten Traditionen festzuhalten. Das gefhrdet die Umsetzung der Erkenntnisse aus der System Dynamics Modellierung.267 Im Verlauf der letzten Phase werden die entwickelten policies und Strukturen implementiert. Hierbei knnen laut FORRESTER aus Unzulnglichkeiten whrend der vorangegangenen Schritte heraus Schwierigkeiten entstehen: Voraussetzung fr eine flieende und glatte Einfhrung ist die Erstellung eines korrekten und berzeugenden Modelles und eine ausreichende Ausbildung in Phase 6. Dabei ist zu bercksichtigen, da die Ergebnisse der Vernderungen nicht zwangslufig sofort, sondern gegebenenfalls erst nach mehreren Jahren erkennbar werden. Es braucht auch Zeit, alte policies zunchst einmal abzulegen.268 Eine Beurteilung der Implemtentierungen gestaltet sich schwierig, da eventuell sichtbare Ergebnisse der policy- und Strukturvernderungen auch durch bis dato unbekannte nichtlineare Ursache-Wirkungsbeziehungen verzerrt werden knnen. Selbst wenn Verbesserungen wahrzunehmen sind, werden einige Beteiligte dafr pldieren, da diese Ergebnisse auf externen Wandel und nicht auf interne Vernderungen zurckzufhren sind. Daraus kann geschlossen werden, da Evaluationen in diesem Kontext tendenziell subjektiver Art sind.269
5.3.3 Informationsquellen fr den Modellierungsproze Grundlage fr den oben beschriebenen Modellierungsproze sind Informationen. Sie sind in mentalen Datenbanken gespeichert, liegen in schriftlichen und numerischen Datenbanken vor.270 Die Menge der verfgbaren Daten nimmt von mentaler ber schriftliche zu numerischer
267 268
Vgl. Forrester (1994b), S. 247. Vgl. Forrester (1994b), S. 247. 269 Vgl. Forrester (1994b), S. 247. 270 Vgl. Forrester (1994c), S. 72. Obwohl Forrester hier den Begriff Datenbank gebraucht, ist der Inhalt nicht auf quantitative Daten beschrnkt, sondern ist um qualitative Informationen ergnzt.
48
Datenbank ab. Darber hinaus schrumpft der Informationsgehalt ber die Systemstruktur und die angewandten policies. Mentale Datenbanken Mentale Datenbanken sind in ihren strukturellen Details vielfltig. Sie beinhalten Wissen darber, welche Informationen zu bestimmten Entscheidungssituationen herangezogen werden mssen. Das heit, mentale Modelle befassen sich intensiv mit policies. Den Inhalt von mentalen Modellen beschreibt FORRESTER wie folgt (siehe Abbildung 5-4):271
Beobachtungen ber policies und Struktur Erwartungen ber das Systemverhalten Aktuelles beobachtetes Systemverhalten
Abbildung 5-4: Inhalt der mentalen Datenbank in Relation zu Komponenten und Verhalten von sozialen Systemen272 Die erste Kategorie von mentalen Informationen stellen die vorhandenen Informationen ber policies und Systemstruktur dar. Diese Informationen sind dazu geeignet, direkt von einem System Dynamics Modell bernommen zu werden, da sie generell als zuverlssig angesehen werden knnen. Policies und Struktur werden von unterschiedlichen Menschen grtenteils bereinstimmend wahrgenommen. Demgegenber sind die Informationen der zweiten Kategorie - Erwartungen ber Systemverhalten - nicht zuverlssig. Erwartungen ber Systemverhalten haben mentale Simulationen zum Inhalt, die dynamische Konsequenzen detaillierter Informationen der ersten Kategorie reprsentieren. Sie stellen intuitive Lsungen nichtlinearer Problemstellungen dar. Diese Art von intuitiven Lsungen im Zusammenhang mit Problemen komplexer dynamischer Systeme sind berwiegend falsch. Die Informationen der dritten Kategorie mentaler Modelle sind hingegen wieder fr den Modellerstellungsproze interessant: Hier sind Informationen ber Beobachtungen vergangener Verhaltensweisen realer Systeme abgespeichert. Nach der Modellerstellung kann das Verhalten
271 272
Vgl. Forrester (1987), S. 137f. und (1994c), S. 76f. Nach Forrester (1987), S. 137 und (1994c), S. 76.
49
des Modells partiell mit dem Wissen ber vergangene Verhaltenscharakteristika des realen Systems verglichen und beurteilt werden. Allgemein ist die mentale Datenbank aufgrund ihrer Vielschichtigkeit von groer Bedeutung fr den Modellierungsproze.
Schriftliche Datenbank Informationen der schriftlichen Datenbank weisen zwei Ausprgungen auf: Zum einen liegen schriftlich verfasste Informationen der mentalen Datenbank vor, und zum anderen existieren Vorstellungen und Abstraktionen, die andere Informationsquellen interpretieren.273 Schriftlich verfasste Daten sind geeignete Quellen zur Erweiterung der individuellen Kenntnisse ber Systemstrukturen und fr Entscheidungsantriebe. Jedoch sind diese Informationen oftmals nur beschrnkt fr eine Modellierung geeignet. Um tatschlich ntzlich zu sein, mten spezielle Informationen aus verschiedenen Literaturquellen zusammengesetzt werden, Entscheidungen mssen in policies hineininterpretiert werden und Strukturen und policies mssen als die ber mehrere Jahre anhaltende das Systemverhalten determinierende Ursachen betrachtet werden.274 Numerische Datenbank Die numerische Datenbank betrifft ein im Vergleich zu den beiden anderen Datenbanken eingeschrnktes Gebiet. Informationen dieser Datenbank fehlt der direkte Herkunftsbeweis von verfgbaren Daten, die durch Struktur und policies geschaffen wurden. Numerische Daten offenbaren auch keine Richtung der Ursache-Wirkungsbeziehungen zwischen den Variablen, was gerade fr die Modellierung dynamischer Modelle von hoher Bedeutung ist. Dagegen eignen sich Informationen der numerischen Datenbank zur Erarbeitung von statistischen Analysen. Bei ihnen mu nicht auf interne Rckkopplungsstrukturen geachtet werden. Zwei verschiedene Arten von numerischen Daten sind fr eine System Dynamics Modellierung von Interesse: Parameter, wie bspw. in einem Unternehmensmodell Lieferzeiten oder Arbeitsproduktivitt und zeitkritische numerische Informationen, die zum Validittsprfung zu den in System Dynamics Modellen generierten zeitkritischen Daten herangezogen werden knnen.275
5.3.4 Ziele einer Modellierung 5.3.4.1 Lernen
273 274
Vgl. Forrester (1994c), S. 73. Vgl. Forrester (1994c), S. 73ff. 275 Vgl. Forrester (1994c), S. 75.
50
Ein in einem formalen Modell dargestelltes System ist ein bedeutendes Instrument zur Untersttzung des Lernens. Durch eine formale Beschreibung werden unbewute Auffassungen explizit und der Informationsaustausch erleichtert. Auf Grundlage formaler Modelle knnen die Modellierer debattieren und diskutieren, was zu einer Vernderung der Strukturen ihrer mentalen Modellen fhren kann. Es findet ein Lernproze statt. Der Lernproze ist ein Rckkopplungsproze auf zwei unterschiedlichen Niveaus: Wenn sich die Struktur des mentalen Modelles beim Debattieren und Diskutieren nicht verndert, wird das Verhalten und die Erwartung der Situation angepat. Dies fhrt zu einer einfachen Adaption des Verhaltens an die ueren Umstnde und zu einer passiven Sichtweise in bezug auf den individuellen Handlungsspielraum. Dies wird als single-loop-learning bezeichnet. Eine andere, hherstufige Form des Lernens ist das double-loop-learning. Es erfordert eine umfassendere Sichtweise der eigenen Situation, wodurch die mentalen Modelle der Individuen verndert bzw. erneuert werden. Dieser Lernproze kann auf bestimmten Erfahrungen mit dem System selbst, oder mit Systemreaktionen auf Verhaltensnderungen sowie auf Abweichungen zwischen erwarteten und beobachteten Systemreaktionen beruhen. Wiederholte Differenzen veranlassen den Entscheidungstrger dazu, entweder seine Ziele neu zu definieren oder sein mentales Modell zu korrigieren, um sich fr die Zukunft auf eine solide Ausgangsbasis fr seine Entscheidungen und Erwartungen sttzen zu knnen.276 Ferner kann durch Simulation formaler Modelle das Lernen selbst verbessert werden. ARGYRIS und SCHN sprechen in diesem Zusammenhang von deutero learning.277 Um von mglichen Verbesserung ihrer mentalen Modelle oder vom Lernen dynamischen und systemischen Denkens zu profitieren, sollten die Entscheidungstrger direkt in den Modellierungsproze eingebunden werden. Dies ist bspw. gerade im Zusammenhang mit der Strategieentwicklung von Unternehmen relevant, wenn das systemische Denken erlernt und nicht von auen eingekauft werden soll.278 SENGE und STERMAN haben drei kognitive Aktivittsstufen herausgearbeitet, die im direkten Zusammenhang mit dem Lernproze stehen. Die drei Aktivittsstufen umfassen mapping mental models, challenging mental models und improving mental models.279 Mapping mental models In der ersten Phase sollen die Beteiligten ihre Vorstellung ber die Struktur von Systemen darlegen. Sie explizieren ihre mentalen Modelle.280 Challenging mental models
276
Vgl. Argyris und Schn (1978), S. 18ff. und 139ff., Morecroft (1994), S. 6 und 21., Kim und Senge (1994), S. 279ff., Zahn und Greschner (1996), S. 55 sowie Milling (1998), S. 3ff. 277 Vgl. Argyris und Schn (1978), S. 26ff. 278 Vgl. Zahn (1999), S. 3. 279 Vgl. Senge und Sterman (1994), S. 199ff. 280 Vgl. hierzu ausfhrlich Kapitel 3.2.2.
51
In der zweiten Phase sollen mit Hilfe von Simulationen die Annahmen der mentalen Modelle auf ihre Validitt hin berprft werden. Durch Offenlegung der mentalen Modelle werden die Teammitglieder auf Inkonsistenzen innerhalb ihrer mentalen Modellstrukturen aufmerksam. Dieser Punkt zielt vor allem auf die Schwierigkeiten von individuellen Verhaltensvorstellungen im Zusammenhang mit der Dynamik sozialer Systeme ab. Der grte Lerneffekt wird hierbei erzielt, wenn den Managern die Mglichkeit erffnet wird, Modelle eigenstndig zu konstruieren und zu simulieren.281 Diese Phase kann insofern problematisch sein, als da Entscheidungstrger eigene Schwchen erkennen und zugeben mssen. Wichtige Voraussetzung fr ein erfolgreiches Herausfordern mentaler Modelle ist deshalb Offenheit und Vertrauen zwischen den Teammitgliedern. Improving mental models Schlielich soll die Struktur der mentalen Modelle durch kontinuierliches Testen entweder verbessert oder erneuert werden. Diese Phase ist ein sich stndig wiederholender Proze von Erklren, Testen und berarbeiten von mentalen Annahmen. Das Verstehen von Dynamik steht im Vordergrund. Durch Simulationen generierte Ideen sollen im realen System auf Basis der verbesserten mentalen Strukturen auch umgesetzt werden. Der Lernproze kann nicht innerhalb kurzer Zeit stattfinden, sondern bedarf einer Vision, Geduld und Durchhaltevermgens. Whrend dieses Prozesses gibt die Vision den Beteiligten eine Orientierung.282
5.3.4.2 Policies und Entscheidungen Der angesprochene Lernproze umfat auch die Entwicklung eines Verstndnisses fr die rumlich und zeitlich versetzten Wirkungen von policies innerhalb eines komplexen Systems. Dies ist gerade im Zusammenhang mit kontraintuitivem Verhalten von Systemen283 fr Entscheidungstrger ein wichtiger Zweck. Der Unterschied zwischen policies und Entscheidungen soll im folgenden erklrt werden. Abbildung 2-3 beschreibt das Grundmodell des Regelkreises, das fr Managemententscheidungen herangezogen wird. Generell beschftigt sich Management mit Steuerung und Regelung sozialer Systeme. Dabei ist Management als der kontinuierliche Proze anzusehen, der Informationen in Aktionen transformiert.284 Aus einer groen Menge von Informationen greift ein Entscheidungstrger nur auf einen bestimmten, fr ihn aus individueller Sicht relevanten Teil zurck, von dem er wiederum auch nur unvollstndig und oftmals
Eine Simulationssoftware, die sich hierzu anbietet, ist STELLA. Vgl. Zahn und Greschner (1996), S. 57. 283 Vgl. hierzu Kapitel 3.3. 284 Vgl. Forrester (1994c), S. 57. Der in Abbildung 3 erwhnte Systemzustand entspricht den verfgbaren Informationen ber denselben.
282 281
52
fehlerhaft Gebrauch macht. Das heit, da der Managementerfolg stark davon abhngt, welche Informationen herangezogen werden und auf welche Weise die Umwandlung von Information in Aktion erfolgt. Dieser Proze wird als Entscheidungsproze bezeichnet und durch die Existenz von impliziten und expliziten policies determiniert.285 Policies sind Richtlinien bzw. Regeln, die die alltglichen Entscheidungsfindungen untersttzen. Sie stellen eine Aussage des Verhltnisses zwischen einer Informationseingabe und dem daraus resultierendem Entscheidungsstrom dar.286 Der Begriff policy wird im Deutschen mit Entscheidungsregel bersetzt. FORRESTER differenziert in zwei formale Ausprgungen von policies: Zum einen gibt es nicht-formale Entscheidungsregeln. Sie ergeben sich aus bestimmten Verhaltensweisen, Gewohnheiten, sozialem Druck oder auch persnlichem Interesse von Entscheidungstrgern. Damit sind sie eher intuitiver Natur. Zwar resultieren auch sie aus verfgbaren Informationsstrmen, jedoch ist das Verstndnis von Systemstruktur und Ausgangspunkten fr Aktionen keine Voraussetzung fr ihre Anwendung. Daraus schliet FORRESTER, da implizite policies vor allem die Aktionen von niederen Tieren determinieren.287 Des weiteren existieren formale, explizite policies in Form von schriftlicher Fixierung, in denen festgelegt wird, wie bspw. in einem Unternehmen Mitarbeiter zu fhren sind. Mit Hilfe von policies werden nicht nur Entscheidungen getroffen, sondern mit ihrer Hilfe entwickeln Entscheidungstrger ein Bewutsein fr die Prsenz von Hintergrnden fr Entscheidungen. Die Entscheidungstrger antizipieren die Reaktionen anderer, wenn sich aufgrund eigener Entscheidungen deren Umwelt verndert. Es lt sich folgern, da sich jegliche Aktionen in der menschlichen Vergangenheit und Gegenwart auf bestimmte policies zurckfhren lassen. Die Menschen sind sich mittels policies ihrer selbst bewut; sie lassen sich aus diesem Grund laut FORRESTER von niederen Tieren unterscheiden.288 Ein oft zitiertes Beispiel ist die von Jack Welch bei General Electric implementierte explizite Entscheidungsregel, in allen von General Electric besetzten Marktbereichen entweder Nummer eins oder zwei zu sein.289 Entscheidungen sind klar von policies zu trennen.290 Sie stellen Aktionen dar, die zu einer bestimmten Zeit durchgefhrt werden und resultieren aus angewandten policies in einem bestimmten Handlungskontext.291 Entscheidungen kontrollieren Vernderungsprozesse. Mit ihnen wird versucht, Abweichungen zwischen Soll- und Istwert zu minimieren, wie bspw. die Entscheidung, den Thermostat etwas hher zu stellen mit dem Ziel die Raumtemperatur zu erhhen. Das heit, da mehr Wasser erhitzt werden soll, damit die Raumtemperatur durch das
285 286
Vgl. Forrester (1977), S. 93 und (1994c), S. 52. Vgl. Forrester (1977), S. 97 und (1994c), S. 58. 287 Vgl. Forrester (1977), S. 97 und (1994c), S. 58. 288 Vgl. Forrester (1977), S. 97 und (1994c), S. 59. 289 Vgl. Hunger und Wheelen (1996), S. 13. 290 Vgl. Forrester (1975), S. 97. 291 Vgl. Forrester (1977), S. 93 und (1994c), S. 52.
53
warme Wasser in den Heizkrpern steigt. Es handelt sich hierbei also um die Kontrolle des Flieens von warmem Wasser. Eine Entscheidung determiniert immer Flugren, die durch Vernderung das Niveau von Bestandsgren beeinflussen. Dabei hngt die Anzahl der Aktionen vom Miverhltnis zwischen Zielen und observiertem Systemzustand ab.292 Fr die Planung von policies eignen sich System Dynamics Modelle, da deren Aufbau als eine policy-Struktur aufgefat werden kann. Mit Hilfe der Modelle lt sich visualisieren, welche Folgen alltgliche Entscheidungen, auf policies basierend, nach sich ziehen.293 Um ein Modell erst einmal aufstellen zu knnen, mssen die vorhandenen Entscheidungsregeln beschrieben werden. Dies ist laut STERMAN ein potentieller Unruheherd in einem Simulationsmodell.294 Das Modell mu in prziser Weise wiedergeben, wie die Akteure im System ihre Entscheidungen fllen, selbst dann, wenn die Entscheidenden davon berzeugt sind, da ihre policies suboptimal sind. Das System Dynamics Modell mu also die tatschlichen Entscheidungsstrategien der Akteure inklusive der Beschrnkungen und Fehler dieser Strategien im modellierten System reflektieren. Dabei gestaltet sich die Identifizierung der policies oftmals schwierig. Da policies nicht wie statistische Daten in dokumentierter Form vorliegen, mssen sie zuverlssig analysiert werden. Der Modellierer mu herausfinden, welche Informationen im realen System welchem Akteur zugeordnet werden knnen, untersuchen, welche Genauigkeit den Informationen innewohnt und dann folgern, wie daraus eine Entscheidung hervorgebracht wird.295 Fr eine Modellierung ist zu bercksichtigen, da zwischen dem Zulauf von Informationen bis zur Entscheidungsfindung, genauso wie bei der sich anschlieenden Realisation der Entscheidung Zeit vergeht, also eine Verzgerung vorliegt. FORRESTER unterscheidet policies in low- und high-leverage policies.296 Low-leverage policies Die Bezeichnung low-leverage policies trifft fr solche policies zu, die in komplexen Systemen nur geringe Auswirkungen nach sich ziehen. Trotz ihrer geringen Relevanz nehmen sie laut FORRESTER einen sehr hohen Anteil unter den policies ein.297 Weil sie einen so hohen Prozentanteil in Systemen haben, wird auch berwiegend ber sie diskutiert. Fr FORRESTER ist dies reine Zeitverschwendung, weil sich in den Diskussionen und Debatten nicht auf die wesentlichen Dinge konzentriert wird und weil die Aufmerksamkeit von den ausschlaggebenden policies abgelenkt wird.298
292 293
Vgl. Forrester (1994c), S. 54 und 57. Vgl. Keough und Doman (1992), S. 8f. 294 Vgl. Sterman (1991), S. 12. 295 Vgl. Sterman (1991), S. 12. 296 Vgl. Forrester (1994a), S. 15. 297 Forrester spricht von einem 98%igen Anteil, wobei aber darauf aufmerksam gemacht werden mu, da aus der Quelle nicht hervorgeht, ob diese Zahl auf eine empirische Studie oder hnliches zurckzufhren ist. 298 Vgl. Forrester (1994a), S. 15.
54
High-leverage policies High-leverage policies haben einen bedeutenden Einflu auf das Systemverhalten. Dennoch geht FORRESTER davon aus, da eine groe Anzahl von Anwendern diese policies in bezug auf die tatschlich angestrebten Zielen intuitiv und falsch einsetzt.299 Daraus folgt dann das in Kapitel 3.3 aufgezeigte kontraintuitive Verhalten sozialer Systeme. Nachfolgend sollen die System Dynamics Instrumente der Modellierungsphasen 2 und 3 beleuchtet werden.
5.4 Qualitatives System Dynamics 5.4.1 berblick An dieser Stelle werden die verschiedenen Diagrammarten vorgestellt, die schon in den System Dynamics Definitionen von WOLSTENHOLME und COYLE angesprochen wurden.300 Danach umfasst die Methode System Dynamics zwei unterschiedliche Modellierungsphasen, in qualitatives und quantitatives System Dynamics differenziert, die zur Problemuntersuchung angewandt werden knnen.301 System Dynamics basiert auf der Annahme, da Systeme aus Prozestruktur und Informationsstruktur bestehen. Diese Strukturen werden in den Diagrammen durch Ressourcen- respektive Informationsstrme abgebildet. Der Begriff Ressource wird in seinem weitesten Sinne im Zusammenhang mit Material, Menschen, Gtern, Auftragseingngen, Wissen etc. gebraucht.302 System Dynamics konzentriert sich also auf die Verwendung von Diagrammen als Medium zur bermittlung und Vernderung von mentalen Modellen. Dieser Kommunikationstrger eignet sich deshalb, weil er eine weniger vieldeutige und gleichzeitig komprimiertere Form der Verstndigung bereitstellt als es eine schriftliche Beschreibung.303 Das heit, da mit Hilfe der Visualisierung durch Diagramme auch kaum bewute Meinungen und Annahmen ber das beobachtete System in nutzbare Ideen tranformiert werden, die allen Individuen zugnglich und von ihnen nachvollziehbar sind.
299
Hier argumentiert Forrester mit 90% der Anwender, die high-leverage policies falsch anweden. Vgl. Forrester (1994a), S.
15.
300 301
Vgl. hierzu Kapitel 5.1 Begriffliches. Vgl. Wolstenholme (1990), S. 3 und S. 11. 302 Vgl. Wolstenholme (1990), S. 12 und (1994), S. 178. 303 Ossimitz zhlt auch verbale Beschreibungen zu den Grundtypen systemischer Darstellungsformen. Er betont, da sie sich zwar zu einer qualitativen Modellbeschreibung eignen, jedoch wenig eindeutig sind. Da Diagramme im Mittelpunkt von System Dynamics stehen, soll von dieser Klassifizierung abgesehen werden. Vgl. Ossimitz (o.J.), S. 1.
55
5.4.2 Kausaldiagramme Kausaldiagramme304 sind ein wichtiges Werkzeug des System Dynamics Paradigmas. Wie aus dem Modellierungsproze ersichtlich, knnen Kausaldiagramme als die Grundlage fr die quantitative Modellierung betrachtet werden. Sie bernehmen die wertvolle Aufgabe, Menschen das Beschreiben und Verstehen von Systemen im Sinne von systems thinking nherzubringen.305 Der Aufbau von Kausaldiagrammen schliet an die in Kapitel 2.3 und 2.5.3 vorgestellte Darstellung von Beziehungen zwischen Elementen im Zeitablauf an. Kausaldiagramme sind mit gerichteten Knoten-Kanten-Graphen zu vergleichen.306 Die Knoten stellen die Systemelemente dar, whrend die Kanten die Wirkungen von einem Element auf ein anderes angeben. Auch hier wird entweder eine positive oder negative Wirkungsrichtung bestimmt (siehe Abbildung 2-2). Das fhrt in geschlossenenen Rckkopplungskreislufen zu eskalierenden oder zielsuchenden Reaktionen. Als Beispiel fr ein Kausaldiagramm kann das in Kapitel 2.5.3 angesprochene Zentralheizungssystem dienen (siehe Abbildung 5-5). Im Vordergrund stehen zunchst die Wirkungen, die die Ursache fr das dynamische Verhalten des Systems darstellen. Laut Diagramm bevorzugen die Bewohner eine bestimmte Wunschtemperatur, die auf dem Thermostat eingestellt wird. Wenn die tatschlich vorherrschende Temperatur bspw. geringer als die gewnschte Raumtemperatur ist, besteht hier eine Differenz, die das Thermostat dazu veranlat, den Warmwasserbereiter einzuschalten. Warmes Wasser strmt mit einer bestimmten Rate in die Heizungsrohre. Mit einer gewissen Verzgerung DHS erreicht das Wasser den Heizkrper im Raum, wodurch sich die Luft im Raum erwrmt und die vorhandene Warmluftmenge im Raum ansteigt. Abhngig von der Gre des Raumes nehmen der Mensch und das Thermostat die Warmluftmenge als eine bestimmte Temperatur wahr. Stimmt diese mit der gewnschten Temperatur berein, stoppt das Thermostat die Warmwasserzufuhr. Darber hinaus ergibt sich aus der aktuellen Raumtemperatur und der
304
Im Englischen werden Kausaldiagramme influence diagrams oder causal loop diagrams genannt, wobei die Begriffe in der Regel synonym gebraucht werden. Wenn Nuancen herausgearbeitet werden sollen, dann lieen sich causal loop diagrams als weniger detaillierte und influence diagrams als fein detaillierte Darstellungsniveaus definieren. Vgl. Coyle (1996), S. 18. Nach Wolstenholme werden die Begriffe dagegen regional unterschiedlich angewandt, nmlich influence diagrams innerhalb, und causal-loop-diagrams auerhalb von Grobritannien. Vgl. Wolstenholme (1999), S. 422. Im Rahmen dieser Arbeit soll der deutsche Begriff Kausaldiagramm gebraucht werden. 305 Vgl. Coyle (1996), S. 18. 306 Vgl. Ossimitz (o.J.), S. 1.
56
Auentemperatur eine Differenz, die dazu fhrt, da bspw. bei schlechter Dmmung warme Luft mit einer gewissen Rate aus dem Raum entweicht. Dadurch wird die Warmluftmenge im Raum reduziert, d.h. die tatschliche Raumtemperatur sinkt wieder. Dies wird vom Thermostat wahrgenommen, wodurch der Warmwasserbereiter wieder angeschaltet wird.307 In diesem Kausaldiagramm liegen also zwei negative, bzw. zielsuchende Rckkopplungskreislufe vor.308
Desired Temperature on Thermostat
Heat to Temperature Conversion Factor
Temperature Discrepancy
System Policy
Actual Temperature in Room

+ +
Difference Between Internal and External Temperatures

+
Negative Feedback Loop 2
Negative Feedback Loop 1
Rate of Supplying Heat
Quantity of Heat in Room + Rate of Losing Heat Rate of Arrival of Heat in Room
DHS +
Power of the System
External Temperature Temperatur Difference to Rate of Loss of Heat Conversion Factor
Abbildung 5-5: Kausaldiagramm fr ein Zentralheizungssystem309 An diesem Beipiel wird deutlich, da es notwendig ist, im Zusammenhang mit dem Begriff Ressource physikalisch zu denken: In all cases, therefore, something flows 310, sei es
Vgl. Coyle (1996), S. 18f. Das Beipiel fr ein Heizungssystem kann auch fr ein Khlsystem herangezogen werden, ohne da die Vorzeichen gendert werden mssen. Die Beschriftungen sind entsprechend dafr geeignet. 309 Quelle: Coyle (1996), S. 19. 310 Coyle (1996), S. 19; die kursive Schriftauszeichnung ist im Original gebraucht.
308 307
57
Wasser, Strom, gefertigte Gter, rekrutierte Mitarbeiter oder auch schwankende Kundenzufriedenheit. Es knnen also durchaus auch qualitative Mae, die fr die Beurteilung der Unternehmensperformance einen immer greren Stellenwert einnehmen, in Kausaldiagrammen bercksichtigt werden. Die Vorstellung, da Ressourcen flieen, wird anhand des Beipiel Rohrleitungssystem einfacher verstndlich. Wasser strmt durch Rohrleitungen von einem Behlter in den nchsten usw. Daraus wird deutlich, da im Heizungssystem nicht die Temperatur selbst, wohl aber die Ressource Warmwasser strmt.311
TP PT
Ist bisher nur von den Wirkungen innerhalb des Sytems gesprochen worden, werden folgend die allgemein verbindlichen Darstellungskonventionen vorgestellt, die mittels Abbildung 5-5 nachvollzogen werden knnen.312 ! Massive Pfeile stehen fr physikalische Strme, was zu Mengenkonsequenzen an anderer Stelle im Diagramm fhrt.
TP PT
! Demgegenber verkrpern gestrichelte Pfeile Wirkungen, die nicht im Zusammenhang mit physikalischen Strmen, aber mit Informationen und daraus resultierenden Aktionen stehen (siehe Abbildung 2-3). ! Der Grobuchstabe D im Kausaldiagramm steht als Abkrzung fr den englischen Ausdruck delay, zu deutsch Verzgerung. Tiefbuchstaben knnen aus Grnden der Verstndlichkeit fr Diskussionen angehngt werden, um Unterscheidungen zu anderen Verzgerungen herauszustreichen.313
TP PT
! Schwarze Ksten reprsentieren externe Einflugren, auf die das System keinen Einflu nehmen kann, jedoch reagieren mu. So wird bspw. die Einstellung der gewnschten Temperatur am Thermostat vom menschlichen Temperaturempfinden determiniert. Das System verhlt sich entsprechend, kann aber nicht selbstndig die Einstellung korrigieren. ! Die + Beschriftung an den Pfeilen bedeutet, da sich bei Variation der Gre am Anfang des Pfeiles die beeiflute Gre am Pfeilende in dieselbe Richtung verndert. Je grer die Warmluftmenge im Raum ist, desto hher ist auch die tatschliche Raumtemperatur. ! Das - Zeichen steht fr gegenstzliches Verhalten. So sinkt bei zunehmender Rate abflieender Wrme die Menge an Warmluft im Raum.
311
TP PT
Vgl. Coyle, (1996), S. 19. Vgl. Coyle (1996), S. 20f. 313 Auf die Problematik mit delays wird in Kapitel 5.5.4.3 eingegangen.
312
TP PT TP PT
58
! Kursive, fette Beschriftungen drcken konstante Einflufaktoren bzw. Parameter aus, die das System beeinflussen. Der Einflu auf das System ist durch gestrichelte Linien gekennzeichnet. ! Feedback loops werden durch gestrichelte Kreise dargestellt und mit einem Namen versehen. Das erleichtert die Identifikation bei Diskussionen. Ein loop liegt vor, wenn von einem willkrlich gewhlten Startelement in Pfeilrichtung wieder zu ihm zurckgekehrt werden kann, ohne da andere Elemente mehr als einmal passiert werden. ! Das formale Erkennungsmerkmal Polaritt eines Kreislaufes lt sich aus der Multiplikation der vorhandenen Vorzeichen erfassen: Ist das Ergebnis der multiplizierten Beziehungsrichtungen der Pfeile ungerade (gerade), dann ist der Rckkopplungskreislauf stabilisierender (eskalierender), also negativer (positiver) Art. Dies bedeutet fr den feedback loop 1, ausgehend von temperature descrepancy: (+) (+) (+) (+) (-) = (-) Das heit, der loop ist negativ, also schwankt die Raumtemperatur um den von auen vorgegebenen Sollwert. COYLE hat drei verschiedene Modellierungstechniken fr Kausaldiagramme herausgearbeitet, auf die aber in diesem Zusammenhang nicht weiter eingegangen werden soll.314 Darber hinaus macht er darauf aufmerksam, da bei Kausaldiagrammen unterschiedliche Aggregationsniveaus in der Darstellung existieren. Dies soll weiter ausgefhrt werden.
TP PT
5.4.3 Kausaldiagramme auf unterschiedlichen Aggregationsniveaus Das obige Kausaldiagramm besteht aus einer geringen Anzahl von Elementen bzw. Einflugren und erscheint deshalb bersichtlich, ist deswegen leicht verstndlich und nachvollziehbar. Es exisitieren aber auch kompliziertere Diagramme, die zwar in ihrer Struktur durchaus korrekt sind, gegenber Auenstehenden, wie bspw. Auftraggebern aber schwer zu kommunizieren sind. Deswegen bietet es sich an, fr unterschiedliche Interessenten bzw. Kunden verschiedene Detaillierungsniveaus heranzuziehen.315 Das heit, da ein und dasselbe Problem auf unterschiedliche Weise in einem Kausaldiagramm modelliert werden kann. Hier spielt die oben angesprochene Notwendigkeit der Identifikation der Zielgruppe eine Rolle. Zu bercksichtigen ist dabei, da die Aussagekraft des Modells nicht unter zu starker Aggregation leidet. Die Hauptmerkmale des Problems mssen dennoch eindeutig zum Ausdruck gebracht sein. Diese Argumentation fhrt zu der Kegel-Darstellung in Abbildung 5-6. Danach ist die
TP PT
314
TP PT
Coyle unterscheidet in die list extension method, die entity/state/transition method und die common modules method. Im Umgang mit der Modellierung wenig Erfahrene verwenden oftmals die list extension method, whrend erfahrene Modellierer auf die common modules method zurckgreifen. Vgl. Coyle (1996), S. 31ff. 315 Vgl. Coyle (1996), S. 40.
TP PT
59
Erstellung mehrerer Diagramme fr ein Problem nicht nur legitim und durchfhrbar, sondern auch wnschenswert und notwendig.316 Jede der Ellipsen symbolisiert ein Kausaldiagramm, wobei ihre Gre die den Diagrammen inhrente Datenmenge reprsentiert, nach unten hin zunehmend. Die diagonale Ellipse umschreibt ein Kausaldiagramm, das einige Teile in besonderem Detail und andere grob beschreibt. In der Abbildung wird in die Sichtweise des Auftraggebers und die des Analysten unterschieden, abhngig von ihren aufgabenbezogenen Zielen und Intentionen. Der Auftraggeber ist eher an Informationen interessiert, die ihn in bezug auf das Finden von Entscheidungsregeln vorwrtsbringen, whrend der Analyst seine Aufmerksamkeit relevanten Informationen fr die Modellierung widmet. COYLE stellt heraus, da es mig sei, darber zu argumentieren, ob es drei, vier oder mehrere Aggregationsniveaus gibt oder welchem Niveau das eine oder andere Diagramm zuzuordnen ist. S.E. sind Kausaldiagramme flexible Werkzeuge, die auf ihren Zweck hin individuell angepat werden sollen.317
Sichtweise des Auftraggebers Sichtweise des Analysten
Konzeptuelle Konsistenz, Variablendetailliertheit
Fundamentale Einblicke
Bedeutendste Ergebnisse
Betroffene Symptome
Hauptmerkmale des Problems
Wichtigste Betriebsablufe
Meistbeschriebene Variablen
Detaillierte Darstellung
Computerkodierungsebene
Abbildung 5-6: Kausaldiagramm-Kegel318 Der senkrechte Pfeil durch den Kegel unterstreicht die Tatsache, da keine Notwendigkeit besteht, Variablen auf smtlichen Niveaus dieselbe Bezeichnung zu geben. Auf
316 317
Vgl. Coyle (1996), S. 43 und (1998), S. 345. Vgl. Coyle (1996), S. 44. 318 Nach Coyle (1996), S. 44 und (1998), S. 346.
60
unterschiedlichen Niveaus bieten sich verschiedene Namen an; nur sollte auf konzeptuelle Konsistenz geachtet werden. Bei einer Modellierung, bspw. mit Untersttzung eines externen Beraters, wrde man sich dem Problem wahrscheinlich von Stufe 2 aus annhern. Ausgehend von einem Systemverhalten, das der Auftraggeber beobachtet hat und genauer analysiert haben mchte, werden die mentalen Modelle der Teammitgliedert expliziert und in einem Kausaldiagramm visualisiert. Weitere Analysen fhren zu einem Stufe-3-Kausaldiagramm, in dem ein Groteil der Elemente identifiziert ist, das aber fr eine Simulation noch nicht geeignet ist. Viele Analysen enden auf dieser Stufe.319 Da in dieser Arbeit aber davon ausgegangen wird, den System Dynamics Modellierungsproze zum vollstndigen Verstndnis von Systemverhalten durchzuarbeiten, wird auch ein Stufe-4-Diagramm erstellt.320 Das heit, da ein Stufe-4-Kausaldiagramm ausreichend detailliert ist, um als Basis fr die Erstellung unten beschriebener quantitativer Fludiagramme zu fungieren. Dabei wird sich jedoch zeigen, da es trotzdem nicht jedes kleine, aber notwendige Detail fr die Erstellung von Gleichungen beinhaltet. Ein Stufe-1-Diagramm des Kegels wird am Ende des Prozesses erstellt, um die Hauptergebnisse und Einsichten festzuhalten. Es ist einfach zu berblicken und sehr stark aggregiert.321 M.E. eignet es sich besonders fr Prsentationen am Ende des gesamten Modellierungsprozesses gegenber Auenstehenden, die nicht in die Modellierung integriert waren. Da es mglich ist, aus den Kausaldiagrammen Ursache und Wirkung anhand der Beschriftungen der Wirkungsrichtungen + und -, direkt abzulesen, kann die Struktur des Modelles bzw. des Systems schnell verstanden werden. Diese Eigenschaft ist den unten erluterten Fludiagrammen vorenthalten.
5.4.4 Systemarchetypen In System Dynamics will man Erkenntnisse aus untersuchten Systemen auf andere, formal hnliche Systeme bertragen. Das heit, da die Existenz von generischen Strukturen ein zentraler Gegenstand von System Dynamics ist. PAICH bietet eine Definition von generischen Strukturen an, wobei hier mit system model gemeint ist: Danach sind generische Strukturen dynamic feedback systems that support particular but widely applicable behavioural insights.322 LANE hat drei unterschiedliche Arten von generischen Strukturen herausgearbeitet: Canonicle situation model, abstracted micro-structure und counter-intuitive system archetype (siehe Abbildung 5-7).
319 320
Vgl. Coyle (1998), S. 345. Vgl. Coyle (1996), S. 44. 321 Coyle setzt ein Stufe 1 influence diagramm mit einem causal loop diagramm gleich. 322 Paich (1985), S. 127.
61
Generische Strukturen
Canonical Situation Model
Abstracted Micro-structure
Counter- intuitive System Archetype
Abbildung 5-7: Generische Strukturen323 Unter canonicle situation models versteht LANE generelle Modelle einer bestimmten Situation, die vollstndig ausformuliert und kalibriert sind, wobei sie unterschiedliche Verhaltensmodi aufzeigen. Dazu zhlt bspw. FORRESTERS urban dynamics model324, das Anwendung in unterschiedlichen Stdten fand. Abstracted micro-structures sind Modelle, die aus Kombinationen von Bestands- und Flugren bestehen.325 Diese Modelle zeigen ein besonderes Verhalten, wie etwa exponentieller Verfall, exponentielles oder S-frmiges Wachstum. Als letzte Kategorie hat LANE counter-intuitive system archetypes aufgestellt. Dies sind qualitative, simplifizierte Kausaldiagramme, die mit einer bestimmten Geschichte kombiniert sind und systemisches Denken frdern soll. Nachfolgend wird auf den dritten Typus von generischen Strukturen eingegangen, spter, im Rahmen von quantitativem System Dynamics, noch auf die abstracted micro-structures. Obwohl LANE in seinem Artikel ausschlielich kontraintuitive Archetypen wie Tragik-gemeinsamer-Ressourcen oder Zielerosion eingeht, sollen in dieser Arbeit zwei der von Innovation Associates herausgearbeiteten generischen Strukturen bzw. Archetypenherausgearbeitet. Laut SENGE stellen diese Archetypen den Schlssel zum Wahrnehmen von Strukturen im natrlichen Umfeld des Menschen dar, d.h. selbst systems thinker-Anfnger knnen sie anwenden, ohne von einer Vielzahl von System Dynamics relevanten Informationen berlastet zu sein.326 Mit ihrer Hilfe knnen z.B. Manager einfach und schnell berzeugende wie auch konsistente Hypothesen ber die Strukturen ihrer Systeme erstellen. Archetypen offenbaren eine geschickte Simplizitt im Umgang mit komplexen Managementsituationen. Gleichzeitig knnen sie zur berprfung von mentalen Modellen herangezogen werden. Die Vorgehensweise ergibt sich aus der Beobachtung von Verhaltensweisen ber die Zeit und dem anschlieenden Vergleich mit bereits identifizierten Mustern. SENGE ist der Meinung, da wahrscheinlich etwa 20 dieser generischen Strukturen existieren, die ihre Anwendung in 80% aller
323 324
Nach Lane (1998), S. 937. Vgl. Forrester (1969). 325 Zu Bestands- und Flugren siehe Kapitel 5.5. 326 Vgl. Senge (1990), S. 94 und (1994), S. 121.
62
Managementprobleme finden.327 Zwei von ihnen sollen hier vorgestellt werden, Grenzen-desWachstums und Lastverteilung.328 Der Grenzen-des-Wachstums-Archetyp (siehe Abbildung 5-8) findet seine Anwendung im Verstehen von den allgemeinen Situationen, wenn Wachstum an Grenzen stt, also positiv abnehmendes Grenzwachstum vorliegt: (1) Individuen wachsen in ihrer Persnlichkeit bevor sie auf einem erreichten Niveau verharren; (2) High-Tech-Unternehmen weisen zweistelliges Wachstum aus, bis dieses stagniert oder sogar einbricht, also negative Wachstumsraten vorliegen.329 Welches Beispiel sich aus diversen Bereichen auch heranziehen lt, die Grenzendes-Wachstums-Struktur sieht immer gleich aus: Im Anschlu an eine Phase steigenden Wachstums werden die Beteiligten oftmals durch Verhaltensstagnation oder Umkehrung ins Gegenteil des bisherigen Verlaufes bis hin zu einem sich beschleunigenden Kollaps berrascht. Die Wachstumsperiode erklrt sich ber den linken, sich selbstverstrkenden positiven Rckkopplungsproze. Dieser Proze verzgert sich oder schlgt ins Gegenteil um, wenn der Systemzustand auf eine bestimmte Grenze stt, reprsentiert durch die einschrnkende Bedingung in der Abbildung, die den rechten, negativen feedback loop bedingt. Ursache hierfr knnen bspw. die Erschpfung begrenzter Ressourcen oder externe/interne Auwirkungen des Wachstums sein.330 Daraus lt sich schlieen, da Wachstum niemals ohne Grenzen mglich ist.
x
(1) (2)
Einschrnkende Bedingung
Wachstums(+) aktivitt
Zustand
(-)
Behindernde Aktivitt
Zeit
Abbildung 5-8: Archetypisches Systemverhalten: Grenzen-des-Wachstums331 Ein anderes archetypisches Systemverhalten wird durch die Lastverteilungsstruktur332 reprsentiert (siehe Abbildung 5-9). Ein zugrundeliegendes Problem erzeugt ein Symptom, das Aufmerksamkeit auf sich zieht. Jedoch ist das zugrundeliegende Problem fr die Beteiligten
327 328
Vgl. Meen und Keough (1992), S. 75. Die anderen herausgearbeiteten Archetypen sind bei Senge detailliert aufgefhrt. Vgl. dazu Senge (1990), S: 93ff., 378ff. sowie (1994), S. 121ff. 329 Vgl. Senge (1990), S. 96 und 379 sowie Meen und Keough (1992), S. 74. M.E. knnen hierfr auch die in der Mikrokonomie oftmals herangezogenen Beipiele des positiv abnehmenden Grenznutzens von Einkommen (Fall 1 in obiger Abbildung) und des positiv abnehmenden und dann negativen (bei berdngung des Ackers) Grenzertrages (Fall 2) herangezogen werden. Vgl. dazu bspw. Schneider (1986), S. 54 und 163f. 330 Vgl. Senge (1990), S. 379. 331 Nach Senge (1990), S. 97 sowie (1994), S. 122 und 132. 332 Der Archetyp Lastverteilung wird im Englischen mit shifting the burdon umschrieben. Vgl. Senge (1990), S. 104ff.
63
schwer zu erkennen, sei es, weil es im Verborgenen liegt oder sei es, weil es zu aufwendig ist, ihm entgegenzutreten. Folglich wird Last verteilt zugunsten anderer Lsungen, die leichter bzw. effizienter zu bearbeiten sind. Diese neuen Lsungen verbessern jedoch nur die sichtbaren Symptome und greifen nicht das eigentliche Problem an.333 Diese Art von Systemstruktur findet sich bspw. bei fallenden Marktanteilen oder individuellem Streverhalten.334 Die Lastverteilung besteht u.a. aus zwei sich stabilisiernden Rckkopplungsprozessen. Beide versuchen, dasselbe Problemsymptom zu korrigieren. Der rechte Rckkopplungskreislauf nimmt bezug auf das eigentliche Symptom, ist also ursachenbezogen und entspricht einem fundamentalen Lsungsansatz. Dessen Wirkungen werden erst mit einer gewissen Verzgerung augenscheinlich, weshalb dieser feedback loop einen delay-Vermerk trgt. Der linke feedback loop reprsentiert eine kurzfristig angelegte Problemlsung, den quick-fix, der allerdings nur an Symptomen ansetzt. Dabei wird zwar die eigentliche Ursache bergangen, auf der anderen Seite verspricht er aber schnell sichtbaren, wenn auch nur kurzfristig anhaltenden Erfolg. Deswegen wird dieser Ansatz auch wiederholt durchgefhrt, mit dem Ziel, das Problem vermeintlich zu lsen. Oftmals ist eine symptomatische Lsung mit einem sich verstrkenden Nebeneffekt mit Einflu auf die ursachenbezogene Lsung verknpft. Durch abermaligen Einsatz der symptomatischen Lsung schwindet die Wahrnehmungsfhigkeit fr die tatschliche Lsung.335 Der Verla auf die kurzfristige (Problem-) Behebung wird strker, whrend die Bemhungen zur grundtzlichen Lsung des eigentlichen Problems schwcher werden. Dadurch alterniert der Zustand des Symptoms. Als Beipiel hierfr kann die Verabreichung von Arznei an einen Patienten in schlechter gesundheitlicher Verfassung dienen. Fhrt der Patient allerdings einen ungesunden Lebensstil, dann lge die ursachenbezogene Problemlsung im Wandel des Lebensstiles; die Arznei entsprche dann der symptomatische Lsung. Die Arznei beeinflut die Symptome zwar positiv, jedoch entsteht auch die Nebenwirkung, da noch schlimmere Gesundheitsprobleme auftauchen, weil die Fhigkeit der Wahrnehmung der tatschlichen Ursache weiter verkmmert.336
333 334
Vgl. Senge (1990), S. 104 und S. 380f. Vgl. Meen und Kough (1992), S. 74. 335 Vgl. Senge (1990), S. 106 und S. 381 sowie o.V. (1999b), S. 3. 336 Vgl. Senge (1990), S. 106.
64

Quick fix Problemsymptom Bemhungen
Nebeneffekt
D e lay
(+)
Fhigkeit zur Wahrnehmung fundamentaler Lsungen
Symptomatische (-) Lsung
Problemsymptom
(-)
Fundamentale Lsung
Zeit
Abbildung 5-9: Archetypisches Systemverhalten: Lastverteilung337
5.4.5 Grenzen von und Kritik an qualitativem System Dynamics Die in diesem Kontext zu stellende Frage ist, ob qualitatives System Dynamics und das Erkennen von Archetypen ausreichen, die menschliche unmittelbare Erkenntnis ber komplexe Dynamik so entscheidend zu verbessern, da die Anwendung von quantitativem System Dynamics berflssig wird.338 Kausaldiagramme berzeugen durch ihre Simplizitt und ihre Eigenschaft als Kommunikationsinstrument, fr das kein tiefgrndiges Wissen ber System Dynamics Simulationstechniken erforderlich ist.339 Dies ermglicht es, bei Schlern und somit einer greren Bevlkerungsgruppe das Interesse fr System Dynamics zu wecken, was fr eine Verbreitung von System Dynamics von groer Bedeutung wre. Deshalb pldieren bspw. WOLSTENHOLME und COYLE dafr, die qualitative Analyse in Form von Kausaldiagrammen als ausreichende Voraussetzung anzusehen.340 RICHARDSON hebt hervor, da die Simplizitt aber auch als Nachteil betrachtet werden kann. Er hat drei verschiedene Arten von Mideutungen im Zusammenhang mit Kausaldiagrammen herausgearbeitet: rate to level links, hidden loops und net rates. Es soll nicht auf alle drei eingegangen werden, sondern nur auf die Miverstndnisse, die bei Verbindungen zwischen Bestands- und Flugren, den Komponenten der quantitativen Fludiagramme, entstehen knnen.341 Dies soll am folgenden Beispiel eines einfachen Kausaldiagramms verdeutlicht werden (siehe Abbildung 5-10).
337 338
Nach Senge (1990), S. 106 sowie (1994), S. 123 und 136. Diese Argumentation schliet das Begreifen von Wirkungen von implemtierten policies, einem Ziel von System Dynacmis, ein. 339 Vgl. Richardson (1986), S. 158, Jackson (1994), S. 219f. und Coyle (1996), S. 45. 340 Vgl. Wolstenholme und Coyle (1983), S. 569ff. 341 Alle drei Quellen fr Miverstndnisse werden ausfhrlich bei Richardson besprochen. Vgl. Richardson (1986), S. 164ff.
65
Geburten pro Jahr +
+ (+)
Bevlkerung
Abbildung 5-10: Fehlerhafte Dynamikinterpretation mit einem Kausaldiagramm342 Die beiden Elemente Bevlkerung und Geburten pro Jahr bedingen sich gegenseitig. Mit Zunahme der Geburten pro Jahr steigt die Bevlkerung entsprechend, was auch wieder die Geburtenrate positiv beeinflut. Bis hierher treten keine Verstndnisschwierigkeiten auf. Dies ndert sich im Fall einer rcklufigen Geburtenrate. Dann nimmt laut Diagramm die Bevlkerungsanzahl aus unerklrlichen Grnden ab: Selbst wenn die jhrlichen Geburten sinken sollten, wchst dadurch die Bevlkerung trotzdem, wenn auch nicht so schnell. Dieses Relation lt sich eindeutiger in quantitativen System Dynamics Modellen in Form von Flu- und Bestandsgren eines Fludiagrammes darstellen. Daraus lt sich schlieen, da, entgegen der Definition, nicht jeder positive feedback loop tatschlich einen positiven oder negativen Wachstumsproze bzw. jeder negative feedback loop einen sich einschwingenden Proze darstellt. Die ursprngliche Definition hinsichtlich Verhalten ber der Zeit beruht auf der Annahme, da alle Relationen in einem Kausaldiagramm proportional zueinander sind und nicht in einem akkumulierenden Verhltnis, wie oben gezeigt, stehen. 343
Darber hinaus betrachtet auch RICHMOND die Verwendung von Kausaldiagrammen, wie schon in Kapitel 4.3 angedeutet, kritisch. S.E. sollten Kausaldiagramme erst erstellt werden, wenn mit Hilfe von Fludiagrammen die Interpretation und das Verstndnis der Strukturen geschaffen wurde. Andernfalls frdern sie nur das laundry list thinking anstelle von systemischem Denken.344 RICHMOND schliet sich RICHARDSONS Meinung in dem Sinne an, da das Erstellen von Kausaldiagrammen das Verstndnis von Bestands- und Flugren behindert. Using causal-loop diagrams to make inferences about behavior is a treacherous business.345 Auch RICHMOND pldiert dafr, systems thinking einer breiten Masse von Anwendern zugnglich zu machen. Zweifelsohne untersttzten die von SENGE aufgestellten Archetypen dieses Anliegen. Er warnt allerdings vor einer unkritischen Verwendung dieser Archetypen. Es
342 343
Nach Richardson (1986), S. 165. Vgl. Richardson (1986), S. 165. 344 Vgl. Richmond (1994), S. 143 und Kapitel 4.2 dieser Arbeit. 345 Richmond (1994), S. 144.
66
bestehe das Risiko, da die Anwender die archetypischen Strukturen leichtglubig als gegeben hinnehmen und sich ihren Problemen nhern, indem sie nach passenden Situationen in ihrem Umfeld suchen, die Archetypen als Lsung darauf anwenden und dies systems thinking nennen.346 Gleichermaen lehnt STERMAN die ausschlieliche Anwendung von qualitativem System Dynamics ab und propagiert die Simulation als einzige Methode zum tatschlichen Systemverstehen. Even if children learn to think in systems terms - a goal I believe is vitally important - it will still be necessary to develop formal models, solved by simulation, to learn about such systems. Most important, when experimentation in the real system is unfeasible, simulation becomes the main, and perhaps the only, way learners can discover for themselves how complex systems work.347 FORRESTER hat die Bedeutung des Aufsprens von high-leverage policies herausgestellt. Mit Hilfe von Modellen soll herausgefunden werden, wie man sie einsetzen sollte. S.E. bedarf es dazu eines quantitativen System Dynamics Modells, da die qualitativen Anstze dem Anspruch der Notwendigkeit dynamischer Simulation nicht genge tun.348 Die quantitative System Dynamics Modellierung soll im folgenden errtert werden.
5.5 Quantitatives System Dynamics 5.5.1 berblick In der 3. Phase des von FORRESTER vorgeschlagenen Modellierungsprozesses sollen die bisher eruierten Erkenntnisse in ein Fludiagramm bertragen werden. Fludiagramme zhlen zu quantitativem System Dynamics und stellen die traditionelle Modellierungstechnik von System Dynamics dar. Quantitatives System Dynamics beinhaltet die Erarbeitung der Beziehungen zwischen den Elementen innerhalb des Diagramms, die Kalibration der Parameter und die Konstruktion der Simulationsgleichungen und Experimente.349 Das heit, da quantitatives System Dynamics neben der 3. auch die 4. Phase des Modellierungsprozeses einschliet:
346 347
Vgl. Richmond (1994), S. 144. Sterman (1994), S. 322; die kursive Schriftauszeichnung ist im Original gebraucht. 348 Vgl. Forrester (1994a), S. 15f. 349 Vgl. Wolstenholme (1990), S. 5.
67
Fludiagramme sind der Ausgangspunkt fr die anschlieende Computersimulation in Phase 4.350 Am Ende dieser Phasen sollen weder Vorhersagen noch konkrete Lsungen stehen. Sollte das der Fall sein, wrde dies bedeuten, da sich die Strukturen und Entscheidungsregeln der Zukunft nicht allzu sehr von denen der Vergangenheit unterscheiden. Quantitatives System Dynamics dagegen beschftigt sich mit der zeitlichen Vernderung von Variablen.
TP PT
In einem quantitativen System Dynamics Modell wird ein System in Form mathematischer Gleichungen reprsentiert. Da diese Gleichungen zu kompliziert sind, nur mit Bleistift und Papier gelst werden zu knnen, ist man auf die Untersttzung von Computern angewiesen. Die Gleichungen werden aufgestellt und anschlieend durchgerechnet. Daraus ergeben sich gewisse Anforderungen an die Computerhard- und -software.351 Beide Bereiche wurden whrend der letzten Dekade stark weiterentwickelt, soda die Rechenleistung zugenommen hat, whrend die Nutzungskosten zugleich fielen. Deshalb sind Computer, auf denen System Dynamics Programme installiert werden knnen, inzwischen einer breiten Masse zugnglich.
TP PT
Das Simulationsergebnis wird auf dem Computerbildschirm dargestellt, woraus der Modellierer Rckschlsse auf das tatschliche Systemverhalten ziehen kann.352 Ziel soll dabei also die Verstndnisentwicklung fr systemisches Verhalten und ein sich damit nderndes Wahrnehmungsvermgen der Akteure sein. Mit Anwendung von rechnergesttzten Simulationsprogrammen kann das systemische Verstehen signifikant verbessert und und der Lernproze beschleunigt werden.353 Infolgedessen sollen die Akteure besser fr das Einschtzen zuknftiger komplexer Problemsituationen gewappnet sein.354
TP PT TP PT TP PT
Generell sollten quantitative Modelle folgende Charakteristika aufweisen: Sie sollen355 ! jegliche in Frage kommenden Ursache-Wirkungsansichten widerspiegeln knnen, ! mathematisch einfach aufgebaut sein, ! in ihrer Terminologie nah an der der konomischen, industriellen und sozialen Realitt sein, ! in ihrem Aufbau zu einer Vielzahl von Elementen ausdehnbar sein und ! in Simulationen prinzipiell das gleiche Verhalten aufweisen wie das reale System.
TP PT
5.5.2 Fludiagramme
350
TP PT
Vgl. zu den Modellierungsphasen Kapitel 5.3.3. Vgl. Berens und Delfmann (1995), S. 141. 352 Vgl. Coyle (1996), S. 84. 353 Vgl. Wolstenholme (1990), S. 6. 354 Vgl. Wolstenholme (1990), S. 6. 355 Vgl. Forrester (1977), S. 67 und Coyle (1996), S. 84.
351
TP PT TP PT TP PT TP PT TP PT
68
Fludiagramme sind den oben beschriebenen Kausaldiagrammen hnlich. Sie sind Voraussetzung fr das Aufstellen der mathematischen Gleichungen, die zur Simulation herangezogen werden. Gleichzeitig stellen sie eine diagrammartige Reprsentation von mathematischen Gleichungen dar, die fr kommunikative Zwecke genutzt werden kann. Die Systemelemente werden in einem Fludiagramm durch Standardsymbole, mit Wasserbehltern und Wasserrohren vergleichbar, reprsentiert.356 Unterschieden wird bei den Systemelementen in levels bzw. Zustands- oder Bestandsvariable und in (flow) rates bzw. Fluvariable.357 Auerdem werden noch auxiliaries bzw. Hilfsvariable definiert. Zustandsvariable Zustandsvariable knnen mit Akkumulationen verglichen werden. Levels, wie bspw. Anzahl der Mitarbeiter, Firmenimage oder Produktqualitt beschreiben den Systemzustand zu einem bestimmten Zeitpunkt. Sie werden allmhlich im Zeitablauf entweder auf- oder abgebaut. Dabei ist anzumerken, da die Maeinheit der Variablen nicht Aufschlu darber gibt, ob es sich bei dem Element um eine Bestands- oder Flugre handelt. Auch Bestandsgren knnen in zeitlich orientierten Dimensionen erfat werden, bspw. in Einheiten pro Woche. Hilfreich ist dagegen zu hinterfragen, ob das Element auch bei zeitlichem Stillstand weiterhin existiert, also zeit-stabil ist. Im Gegensatz zu Fluvariablen bestehen Zustandsvariablen bei zeitlicher Unterbrechung weiter. So beeinflut bspw. das Anhalten von Annahme und Versenden von Gtern zwar die Hhe, nicht jedoch die Existenz der Zustandsvariablen Lagerbestand. Folglich sind, wenn alle Aktivitten in einem System zum Stillstand kommen, also ein stationres System vorliegt, ausschlielich Zustandsvariable wahrnehmbar.358 Die Anzahl der levels in einem Modell determiniert auerdem die Hhe der Systemordnung. So sind bspw. in einem System 2. Ordnung zwei Zustandsvariable gegenwrtig, wodurch dem System bestimmte typische Verhaltensdynamiken immanent sind.359 Fluvariable Fluvariablen reprsentieren den gegenwrtigen Strom zwischen den levels. Nur durch Variation einer Fluvariablen wird eine Zustandsvariable verndert. Fluvariable knnen mit Akti-onen gleichgesetzt werden, whrend levels den aus Aktionen resultierenden Zustand beschreiben. Folglich liegt ein Kreislauf vor: Die Hhe der flow rates wird von den
Vgl. Coyle (1996), S. 45. Vgl. Keough und Doman (1992), S. 16. Die Begriffe Bestandsgre und -variable bzw. Flugre und -variable werden in dieser Arbeit synonym gebraucht. Ossimitz differenziert Flugren weitergehend: S.E. sollte zwischen Bewegungs- und Flugren unterschieden werden. Danach sind Bewegungsgren absolute nderungen eines Bestandes in einem bestimmten Zeitintervall, whrend Flugren mittlere nderungsraten sind, also eine nderung pro Zeiteinheit reprsentieren. Vgl. Ossimitz (o.J.), S. 8. 358 Vgl. Forrester (1977), S. 68. 359 Vgl. o.V. (1999d), S. 5. Fr Systeme 2. Ordnung sind bspw. exponentielles, asymptotisches Wachstum, oder auch gedmpfte, gleichfrmige oder explodierende Schwingungen typisch.
357
356
69
Bestandsvariablen entsprechend der policies determiniert. Daraus folgt wiederum eine Bestimmung der Bestandsvariablen, die ihrerseits die Hhe weiterer Flugren bestimmt.360 Die Unterscheidung in zwei Hauptgruppen hat einen sachlogischen Hintergrund. Bei zeitlich ablaufenden Prozessen wird in Gren, die zu einem bestimmten Zeitpunkt einen Wert haben (Bestandsgren) und solchen, die whrend eines Zeitraumes einen bestimmten Wert annehmen (Flugren), unterschieden.361 FORRESTER fhrt an, da diese Unterscheidung auch fr Manager einfach zu verstehen sein mte, da bspw. der Jahresabschlu von Unternehmen aus Bestandteilen beider Gren besteht: Eine Bilanz mu zu einem bestimmten Stichtag erstellt werden. Sie enthlt Bestandsgren. Die Gewinn- und Verlustrechnung wird zwar zum Stichtag aufgestellt, ist aber eine Zeitraumrechnung. Das heit, sie bercksichtigt smtliche Vernderungen der Bewegungs- bzw. Flugren innerhalb eines Geschftsjahres.362 Ein anderes Beispiel bezieht sich auf die Elemente der Abbildung 5-10. Das Element Bevlkerung ist eine Bestandsgre, whrend die Variable Geburten pro Jahr eine Flugre ist. Eine Vernderung der Bevlkerungszahl ergibt sich lediglich durch Variation einer Flugre, reprsentiert duch die Geburtenrate.363 Die Existenz dieser beiden Gren ist allen komplexen Systemen immanent.364 Hilfsvariable Hilfsvariable sind weder der Gruppe der Bestands- noch der Fluvariablen zuzuordnen. Sie geben jene Schritte wieder, durch die Informationen ber den aktuellen Zustand, reprsentiert durch Bestandsgren, in Flugren transformiert werden. Dadurch sollen zuknftige Vernderungen herbeigefhrt werden. Die Bedeutung von Hilfsvariablen wird weiter unten bei der Beschreibung der mathematischen Gleichung deutlicher.
Die Beziehungen zwischen den drei beschriebenen Variablen sind in Abbildung 5-11 visualisiert: Die rechte, gestrichelte Seite des inneren Kreislaufes beschreibt die Transformation von Information in Aktion des in Abbildung 2-3 beschriebenen Managementkreislaufes. Die linke Seite des inneren Kreislaufes in Abbildung 5-11 verdeutlicht den physikalischen Flu innerhalb eines Modellkreislaufes. Um zu dokumentieren, da bei groer und lang andauernder ffnung einer Flugre die Bestandsgre wchst, ist dort ein Integrationssymbol eingezeichnet. Die ueren Pfeile in Abbildung 5-11 veranschaulichen den zeitlichen Kontext: Die Bestandsvariable wird zum gegenwrtigen Zeitpunkt betrachtet. Auf der linken Seite wird durch einen Blick in die Vergangenheit erklrt, warum und auf welche Weise sich die
360 361
Vgl. Forrester (1977), S. 68. Vgl. Ossimitz (o.J.), S. 2. 362 Vgl. Forrrester (1992), S. 16, Ossimitz (o.J.), S. 2 wie auch Lck (1990), S. 577, Randziffer 637. 363 Fr die Erstellung eines realeren Modelles mu hierbei auch die Sterberate bercksichtigt werden. 364 Vgl. Forrester (1992), S. 16.
70
gegenwrtige Situation eingestellt hat. Entsprechend determiniert die gegenwrtige Situation die Zukunft. Dies ist durch die ueren Pfeile auf der rechten Seite dargestellt.365 Bestandsvariable verndern sich also in Zeitschritten, whrend Fluvariable Schwellen zwischen den Zeitschritten darstellen. Hilfsvariable sind zwischenliegende Schritte, durch die Bestandsvariable Fluvariablen determinieren.
TP PT
Vergangenheit
Gegenwart Gegenwrtige Position
Zukunft
Wie sind wir hierhergekommen?
"
Bestandsvariable Hilfsvariable Fluvariable Vernderungskrfte
Wo gehen wir als nchstes hin?
Abbildung 5-11: Variablentypologie366

TP PT
Weitere Gren Wie in Kausal- wird auch in Fludiagrammen graphisch zwischen Informations- und Ressourcenstrmen unterschieden (siehe Abbildung 5-12). Es kann vorkommen, da eine Flugre von einer exogenen Gre, einer Gre, die auerhalb der relevanten Modellgrenze liegt, beeinflut wird, und v.v. Diese Gren werden als Quellen und Senken bezeichnet und durch wolkenartige Symbole reprsentiert.367 Beipielsweise kann der Auftragseingang als eine exogene Quelle fr ein Unternehmensmodell betrachtet werden. Dann ist es nicht von Wichtigkeit, von welchem Kunden Auftrge erteilt werden, sondern die Erteilung selbst ist von Interesse. Daneben gibt es auch konstante Gren, sog. Parameter. Ihr Wert variiert whrend eines Simulationslaufes nicht. Sie mssen vor einem Simulationslauf vom Modellierer bestimmt werden. Durch eine Parametervariation ndert sich bei gleichbleibender Systemstruktur das Systemverhalten. Anhand der Variation von Parametern und den daraus ersichtlichen Verhaltensnderungen des Systems ist es dem Modellierer mglich, ber das System zu lernen.
TP PT
Da Verzgerungen in diesem Zusammenhang einen besonderen Stellenwert einnehmen, wird auf sie in einem spteren Kapitel eingegangen.368
TP PT
365
TP PT
Vgl. Coyle (1996), S. 85f. Nach Coyle (1996), S. 85. 367 Vgl. Forrester (1977), S. 82. 368 Siehe hierzu Kapitel 5.5.4.3.
366
TP PT TP PT TP PT
71
Zustandsvariable Fluvariable
Verzgerung
Hilfsvariab le
Informationsstrme Ressourcenstrme
Zuflsse aus externen Bereichen
Abflsse in externe Bereiche
Parameter
Informationsentnahme
Einflu von und auf andere Bereiche
Abbildung 5-12: Fludiagrammsymbolik369 Das oben angesprochene Problem bei der Erstellung eines Kausaldiagramms des BevlkerungsGeburten-loops kann nun als Fludiagramm ohne Irrititationen formuliert werden. Aus den Informationen der laundry list kann ein einfach zu verstehendes und bersichtliches Diagramm erstellt werden (siehe Abbildung 5-13). In einem Fludiagramm fhrt eine Abnahme der Geburten nur zu einer nachlassenden Rate, mit der die Bevlkerungsanzahl steigt, und nicht zu einer abnehmenden Bevlkerungszahl.
Bevlkerung
Geburten Kinder pro Paar Durchschnittl. Ausbildungsniveau
Todesflle
Durchschnittl. Lebensdauer
Armutsniveau Religise Sanktionen Durchschnittl. Zunahme Zunahme der Armut
Abbildung 5-13: Fludiagramm der Bevlkerung-Geburtenrate-Problematik370
369 370
Nach Forrester (1977), S. 81ff. Nach Richmond (1993), S. 119.
72
5.5.3 Kritische Betrachtung generischer Fludiagrammstrukturen Zur Untersttzung der Modellierung von Fludiagrammen knnen abstracted micro-structures, generische Strukturen, die aus Kombinationen von Bestands- und Flugren bestehen, herangezogen werden. hnlich wie bei der Verwendung von Kausaldiagramm-Archetypen ist aber auch hier Vorsicht geboten. Ist der Modellierer davon berzeugt, da sich bspw. das Wachstum einer Hasenpopulation im Zeitablauf S-frmig entwickelt, liegt es nahe, die generische Struktur einer S-Kurve heranzuziehen (siehe Abbildung 5-14a).371 Wenn der Modellierer die generische Struktur kritisch hinterfragt, bemerkt er, da diese Struktur das reale System nicht entsprechend reprsentiert. Nach der generischen Struktur existieren Hasen auf zwei verschiedene Arten: Zum einen als Bestandsvariable Hasen und zum anderen als Bestandsgre Zustzliche Hasen, die das Gebiet aufnehmen kann. Bei der zweiten Bestandsgre, Zustzliche Hasen, die das Gebiet aufnehmen kann, handelt es sich eigentlich nicht um eine Akkumulation.
Das fehlerhafte Modell besagt, da Hasen ber die Fluvariable Geburten aus der Bestandsgre Zustzliche Hasen, die das Gebiet aufnehmen kann herausgeboren werden. Das wrde bedeuten, da ein Hase, bevor er geboren wird, schon als zustzlicher Hase exisitiere. Entsprechend flieen tote Hasen ber die Fluvariable Todesflle zurck in Zustzliche Hasen, die das Gebiet aufnehmen kann. Diese Sichtweise entspricht nicht realen Vorgngen.372
371 Zu den generischen Strukturen, die S-frmiges Wachstum reprsentieren, vgl. Duhon und Glick (1994). Ein S-frmiges Wachstum zeigt ein zeitliches Verhalten in Form des Buchstaben S. Es entsteht durch einen Wechsel in der Dominanz eines loops von positivem zu negativem feedback. Vgl. o.V. (1999d), S. 7. Die generische Fludiagrammstruktur eines S-frmigen Wachstums ist in Abbildung A-3 im Anhang abgebildet. 372 Vgl. Breierova (1996), S. 5.
73
Sterbeanteil
Hasen
Geburten
Todesflle
Todesflle
Gerburtenanteil
Zustzliche Hasen, die das Gebiet aufneh men kann
Hasen
Sterbeanteil
Geburten Geburtenanteil
Normale Hasenbevlkerung
Bevlkerungseffekt Normaler Sterbeanteil
a) Fehlerhaftes Hasenpopulationsmodell
b) Korrigiertes Hasenpopulationsmodell
Abbildung 5-14: Fehlerhaftes und korrigiertes Hasenpopulationsmodell373
Nicht jedes System, da bspw. ein S-frmiges Wachstum produziert, kann durch eine generische Fludiagrammstruktur abgebildet werden. Der Modellierer mu sein eigenes Modell konstruieren, auch dann, wenn er das Systemverhalten richtig eingeschtzt hat. Deshalb sollte er die Bestands- und Flugren identifizieren bevor er das Modell kreiert.374 Im korrigierten Modell (siehe Abbildung 5-14b) gibt es mit Hasen nur eine Bestandsgre. Determiniert wird sie duch die Flugren Geburten und Todesflle. Der Anteil der Todesflle ergibt sich aus Multiplikation des Normalen Anteils der Todesflle mit dem Bevlkerungseffekt, der durch eine nicht-lineare Funktion des Verhltnisses von Hasen und Normale Hasenbevlkerung beschrieben wird. Wie sich der Hasenbestand in der Simulation beider Modelle im Zeitablauf entwickelt (siehe Abbildungen A-4 bis A-6) und die dazugehrigen DYNAMO-Programme knnen im Anhang nachgesehen werden.
5.5.4 Mathematische Grundlagen 5.5.4.1 Notwendigkeit des Verstndnisses von System Dynamics Gleichungen Im originren Konzept war System Dynamics eine reine Comptersimulationsmethode.375 Dabei standen mathematische Gleichungen376 im Mittelpunkt des ursprnglichen System Dynamics.
373 374
Nach Breierova (1996), S. 4f. Vgl. Breierova (1996), S. 8. 375 Vgl. Wolstenholme (1999), S. 422.
74
Sie determinierten den Modellentwicklungsproze. Durch das Aufstellen von Gleichungen erscheint dem Modellierer das mittels Computer simulierte Modell nicht als sog. black box. Der Modellierer versteht die Modellstruktur und das damit in Zusammenhang stehende dynamische Verhalten der Elemente folglich besser als durch das Konstruieren eines qualitativ aufgebauten Kausaldiagrammes. Dadurch knnen zufllige oder absichtliche Fehlinterpretationen umgangen werden: Der Entscheidungstrger kann sich bei Entscheidungen, die sich im Nachhinein als falsch erweisen, nicht auf das vermeintlich unrealistische Computermodell sttzen; schlielich hat er es selbst mit konstruiert.377 Aus diesem Grund pldieren FORRESTER und RICHMOND dafr, stock and flow-diagrams zu gebrauchen, um die Komplexitt sozialer Systeme zu erlernen und zu verstehen. Mit ihrer Hilfe werden die zugrundeliegenden Gleichungen reprsentiert.378 Die Gleichungen nehmen also auch heute noch einen vordringlichen Stellenwert ein, weswegen sie an dieser Stelle erklrt werden. Dabei werden ausschlielich die Basisgleichungen vorgestellt, damit existierende Programme verstanden werden knnen.379
TP PT TP PT TP PT
In der System Dynamics Literatur lt sich laut PETERSON kein expliziter Algorithmus finden, aus dem der Proze der Erstellung von System Dynamics Gleichungen hervorgeht.380 S.E. nutzen Modellierer unterschiedliche Methoden, wie z.B:381 ! Kopieren von Standardformen, ! bernehmen von Gleichungen aus anderen Modellen, ! Kombinieren standardisierter mathematischer Funktionen zur Erstellung neuer Gleichungen, ! Schlieen von unterstelltem, optimalem Systemverhalten auf optimale Gleichungen.
TP PT TP PT
Da der Groteil der verfgbaren Daten aber qualitativer Natur ist, ist es schwierig, diese Daten fr ein Simulationsmodell zu quantifizieren. Quantitative Simulationsmodelle sollten eine mglichst realittsnahe Imitation des Systemverhaltens darstellen. Da sich weiche Variable wie Produktqualitt, Bedrfnisse, Ansehen oder Optimismus als kritisch fr das Systemverhalten herausstellen, sollten sie bei der Modellierung bercksichtigt werden. Sie zu bergehen, nur weil die quantitative Grundlage fehlt, ist dabei als weniger wissenschaftlich anzusehen, als sie zu bercksichtigen und dafr ihren Wert angemessen zu schtzen.382 Bei einer solchen Schtzung knnte bspw. eine Sensitivittsanalyse383 behilflich sein.
TP PT TP PT
Bei mathematischen Gleichungen kann in Differential-, Differenzengleichungen und Warteschlangenmodelle unterschieden werden. Die folgenden Gleichungen beziehen sich auf die Simulationssprache DYNAMO, die zu den Differenzengleichungen gezhlt wird. Vgl. Patzak (1982), S. 340. 377 Vgl. Sterman (1991), S. 3. 378 Siehe hierzu auch Kapitel 4.3. 379 Fr weiterfhrende Literatur auf dem Gebiet des Modellierens mit Gleichungen vgl. Forrester (1977), S. 73ff., Wolstenholme (1990), S. 47ff., Coyle (1996), S. 84ff. wie auch Hannon und Ruth (1994) sowie Ruth und Hannon (1997). 380 Vgl. Peterson und Eberlein (1994), S. 172. 381 Vgl. Peterson und Eberlein (1994), S. 161. 382 Vgl. Sterman (1991), S. 12. 383 Fr weiterfhrende Informationen bzgl. Sensitivittsanalyse vgl. bspw. Berens und Delfmann (1995), S. 251 und insbesondere S. 259ff.
376
75
5.5.4.2 Level-, rate- und auxiliary equations In Kapitel 5.5.2 wurde auf den Unterschied zwischen levels, rates und auxiliaries im zeitlichen Kontext aufmerksam gemacht. Diese Unterschiede sind in Abbildung 5-15 fr System Dynamics Gleichungen visualisiert. Auf der Zeitachse sind drei Zeitpunkte angegeben, die traditionell J, K und L benannt werden.
LEVEL.K AUXILIA RY.K
LEVEL.J
RATE.KL
RATE.JK
JK
DT
KL
DT
Zeit
Vergangenheit
Gegenwart
Zukunft
Abbildung 5-15: Generelle Simulationsabfolge384 Der Schritt von Zeitpunkt J nach K wird als JK bezeichnet; entsprechend der von K zu L als KL. Die Dauer des Zeitabstandes DT zwischen den Punkten kann abhngig von der jeweiligen Simulation individuell gewhlt werden. Man knnte davon ausgehen, da nach Verstreichen des Zeitpunktes K die Zeitpunkte der nchsten Simulationssequenz weiter fortlaufend bezeichnet werden, also KLM hieen usw. Dies wrde jedoch nach einigen Simulationsdurchlufen zur Unbersichtlichkeit fhren. In System Dynamics Gleichungen stehen die drei Buchstaben fr die Bezeichnung eines Zeitfensters. Bei fortschreitender Zeit werden die drei Zeitpunkte Vergangenheit, Gegenwart und Zukunft wieder mit JKL bezeichnet.
Den verschiedenen Zeitpunkten kann eine Bestandsgre nur einmal zugeordnet werden, je nachdem also LEVEL.J oder LEVEL.K. Eine System Dynamics Variable setzt sich folglich aus zwei Teilen zusammen, dem Namen selber und der zugehrigen Zeitbeschriftung. Entsprechendes gilt fr die Fluvariablen: Sie werden RATE.JK oder RATE.KL genannt. Da Hilfsvariablen die gegenwrtige Bewegungsrichtung anzeigen, wird ihnen der Name AUXILIARY.K gegeben. Aus Abbildung 5-15 ist ersichtlich, da der LEVEL whrend der
384
Nach Forrester (1977), S. 74, Wolstenholme (1990), S. 49 und Coyle (1996), S. 87.
76
Zeitspanne DT von J bis K mit einer konstanten RATE ansteigt.385 Aus diesen Informationen kann die erste fundamentale System Dynamics Gleichung, die sog. level equation, abgeleitet werden. Die Hhe des LEVELS zum Zeitpunkt K ergibt sich aus dem LEVEL zum Zeitpunkt J zuzglich der whrend des Zeitintervalls JK zuflieenden Menge. Die zugeflossene Menge ergibt sich aus der Multiplikation der Fluvariablen RATE mit der Zeitdauer. Um anzuzeigen, da es sich bei der Gleichung um eine Bestandsvariablengleichung handelt, wird dies durch ein L vor der Gleichung gekennzeichnet: L LEVEL.K=LEVEL.J+DT*RATE.JK Ferner ist bei der Erstellung von mathematischen Gleichungen, wie auch bei Flu- und Kausaldiagrammen zu bercksichtigen, da die Maeinheiten innerhalb der Gleichung bzw. zwischen den Elementen der Diagramme in sich schlssig bleiben. Die in eine Bestandsgre hineinflieenden Quantitten mssen dieselbe Maeinheit haben wie die Bestandsgre selbst.386 Bei der Aufstellung von Gleichungen mu folglich auf beiden Seiten des Gleichheitszeichens dieselbe Einheit stehen. Diese Bedingung wird dimensionale Identitt genannt und lt sich an der folgenden Gleichung am Beispiel einer sich mit Wasser fllenden Badewanne illustrieren.387 LEVEL.K = LEVEL.J + DT * RATE.JK Liter = Liter + Minute * Liter/Minute Der LEVEL Wassermenge hat die Maeinheit Liter. Die Menge Wasser, die durch den Wasserhahn zufliet (RATE) wird in Liter-pro-Minute gemessen. DT gibt die Zeitspanne an, whrend der der Hahn geffnet ist; diese Zeitspanne wird in der Einheit Minute gemessen. Folglich sind die Einheiten in sich konsistent. Dies lt sich weiterfhren, indem folgende Variablengleichung aufgestellt wird, die entsprechend umgeformt werden kann:388 [LEVEL] = [RATE] * [TIME] bzw. [RATE] = [LEVEL ]/ [TIME]
Zu jeder level equation gehrt auch eine sog. initial condition. Sie gibt an, mit welchem Wert die level equation zum Zeitpunkt TIME = 0 startet. Deshalb wird sie auch nicht mit einem time label J oder K versehen.389 Im unten aufgefhrten Beispiel beginnt die level equation
385 386
DT kann in diesem Fall als sehr kurz angenommen werden, weshalb die RATE konstant ist. Vgl. Coyle (1996), S. 86. Vgl. Richmond (1993), S. 126. 387 Vgl. Forrester (1977), S. 76f. und Coyle (1996), S. 87. Die untere Gleichung besteht aus den entsprechenden Einheiten zu den Gren der obenstehenden Gleichung. Bei System Dynamics Gleichungen handelt es sich folglich immer um dimensionsrichtige Grengleichungen. 388 Die Klammerzeichen stehen fr die Dimensionen der verschiedenen Variablen. 389 Vgl. Coyle (1996), S. 90.
77
zum Zeitpunkt TIME = 0 mit einem Ausgangswert von 20 Einheiten zu rechnen. Ihre Bezeichnung lautet N und sieht bspw. folgendermaen aus: N LEVEL=20 Die zweite fundamentale System Dynamics Gleichung ist die rate equation, die auch als Entscheidungsfunktion bezeichnet wird.390 Die rate equation wird vom LEVEL des Zeitpunktes K beeinflut und determiniert ihrerseits die folgenden LEVELS. Eine rate equation wird zum Zeitpunkt K im Anschlu an die level equations errechnet, um Entscheidungen bzgl. des Ressourcenflusses fr das kommende Zeitintervall KL zu treffen. Rate equations werden wie level equations unabhngig voneinander zu jedem Zeitschritt berechnet. Rate equations knnen sich zu einem Zeitpunkt nicht direkt gegenseitig beeinflussen. Einflu kann eine rate equation nur indirekt whrend der Zeitspanne DT ber levels auf andere rate equations ausben. Dies ist insofern offensichtlich, als in der Realitt eine Entscheidung eine andere Entscheidung, die zum selben Zeitpunkt an anderer Stelle im System getroffen wird, auch erst nach Verstreichen eines Zeitintervalles beeinflussen kann. Ist das Intervall DT sehr kurz, wirkt auch der Einflu entsprechend unmittelbar. Aus dem Besprochenen und der Abbildung 5-11 folgt, da eine rate equation von mehreren Einflugren abhngig ist, was durch die folgende Funktionsgleichung ausgedrckt wird:391 R RATE.KL=f(LEVEL.K,AUXILIARY.K,PARAMETERS) Hilfsvariable sind dagegen immer mit der Einheit versehen, die ntig ist, um die dimensionale Konsistenz zwischen levels und rates zu gewhrleisten.392 Da Gleichungen von Bestandsvariablen in groen Modellen oftmals sehr komplex werden knnen, erscheint es bersichtlicher, diese in kurze sog. Komponentengleichungen aufzugliedern. Diese Komponentengleichungen werden auxiliary equations genannt. Laut FORRESTER sind auxiliary equations eine groe Hilfe in der Formulierung eines Gleichungsmodelles, weil dadurch das Modell in enge bereinstimmung mit dem realen System gebracht werden kann. Mittels auxiliary equations werden unterschiedliche Faktoren, die in die Entscheidungsfindung eingehen, separat definiert.393 Errechnet werden auxiliary equations zum Zeitpunkt K, jedoch nach den level equations, weil aus diesen bestimmte Werte in die auxiliary equation eingehen. Des weiteren werden sie vor den rate equations bestimmt, da ihre Werte zur Substitution von Werten in rate equations herangezogen werden. Dabei kann es durchaus
390
Vgl. Forrester (1977), S. 77. Der Inhalt von Entscheidungen und die Abgrenzung zu Entscheidungsregeln wurde in Kapitel 5.3.4.2 ausfhrlich diskutiert. 391 Vgl. Coyle (1996), S. 88. 392 Vgl. Coyle (1996), S. 88. 393 Vgl. Forrester (1977), S. 78.
78
vorkommen, da eine rate equation eine andere bedingt, so da sie durchaus Ketten bilden knnen.394
5.5.4.3 Delays - Verzgerungen Delays bzw. Verzgerungen, in Kausal- und Fludiagrammen mit D abgekrzt, haben einen nicht zu vernachlssigenden Einflu auf das Systemverhalten. Verzgerungen treten gewhnlich in der Realitt bei allen Strmen auf. Sie wirken subtil, weshalb sie oftmals fr selbstverstndlich gehalten, deswegen unterschtzt oder einfach ignoriert werden. Jedoch wrden delay-Markierungen an smtlichen Strmen in den Modellen zur Unbersichtlichkeit fhren, und das, obwohl nicht allen ein intensiver Einflu innewohnt. Deswegen konzentriert sich System Dynamics vornehmlich auf starke Verzgerungen.395 Um der Gefahr der Vernachlssigung von Verzgerungen Einhalt zu gebieten, werden diese in Kausal- und Fludiagrammen gekennzeichnet sowie in Gleichungen erfasst. Die in komplexen Systemen ermittelten Verzgerungen sind deshalb von groer Wichtigkeit fr den Systemgestalter, weil sie eine Hauptquelle fr Instabilitt sind:396 Tritt eine nicht erkannte Verzgerung auf, reagieren Systemgestalter oftmals unruhig, da sie die Situation nicht einschtzen knnen. Bei positiv eskalierenden Rckkopplungssystemen wrden Verzgerungen das Vertrauen in das Modell untergraben, weil der Wachstumsproze nicht in erwarteter Geschwindigkeit abluft. In oszilierenden Systemen mnden Verzgerungen in einer Verstrkung und Wiederholung von Bemhungen, den erwarteten Sollwert zu erreichen, was zu heftigen Ausschlgen um den Zielwert fhrt. Als Beipiele fr ein solches Verhalten kann Staubildung (beschleunigen/ abbremsen) oder Trunkenheit (noch eine Runde bestellen) herangezogen werden.397 Darber hinaus machen Verzgerungen auf Eleminierungspotentiale existierender zeitlicher Verschwendung aufmerksam.398 Im Rahmen von quantitativem System Dynamics mssen die Verzgerungen auch quantifiziert werden. Dabei mu bercksichtigt werden, da durch ein delay der tatschliche Transport von Ressourcen oder Informationen zwischen level und level verzgert wird.399 Dieser Sachverhalt soll am Beispiel rekrutierter Mitarbeiter errtert werden (siehe Abbildung 5-16). Entspricht z.B. INFLOW der Rate, mit der Mitarbeiter rekrutiert werden und OUTFLOW der Rate, mit der die Mitarbeiter ihre Einfhrungsschulungen beendet haben, dann korrespondiert der Inhalt der Verzgerung delay mit der Anzahl der Mitarbeiter, die gerade geschult werden.
394 395
Vgl. Forrester (1977), S. 78. Vgl. Forrester (1977), S. 86. 396 Vgl. Sterman (1991), S. 9 sowie (1994), S. 299. 397 Vgl. Sterman (1994), S. 299. 398 Vgl. Senge (1994), S. 119. 399 Vgl. Coyle (1996), S. 98.
79
Die Hhe der Verzgerung schwankt mit Variation des Zu- und Abflusses von Mitarbeitern, ist also von den rate equations abhngig. Da diese, wie oben gezeigt, von level equations determiniert werden, bestehen delays folglich aus einer Kombination von level equations und rate equations.400 Da sowohl levels wie rates nach Abbildung 5-11 die Grundbausteine von System Dynamics Gleichungen darstellen, gilt Entsprechendes fr delays. Der CONTENT ist eine Zustandsvariable, die vom INFLOW gefttert und vom OUTFLOW entleert wird.
+ a) INFLOW CONTENT OUTFLOW + DELAY
+ b) INFLOW CONT1
TRANSITION RATE +
+ CONT2
OUTFLOW + DELAY/2
DELAY/2
+ c) INFLOW CONT1
TRANSR1 +
+ CONT2
TRANSR2 +
+ CONT3
OUTFLOW + DELAY/3
DELAY/3
DELAY/3
Abbildung 5-16: Delays erster, zweiter und dritter Ordnung401 Verzgerungen knnen in der Hhe ihres exponentiellen Ausmaes variieren: Die Grundlage bildet ein delay erster Ordnung, das durch ein Kausaldiagramm wie in Abbildung 5-16a abgebildet werden kann. Der Name first order delay ist auf die Anzahl der vorhandenen Bestandsvariablen im Modell zurckzufhren; hier ist mit CONTENT nur eine Bestandsvariable vorhanden. Der OUTFLOW entspricht laut rate equation dem CONTENT, dividiert durch die Lnge der Verzgerung. Die dazugehrigen mathematischen Gleichungen fr Bestands- und Flugre lauten:402 L CONTENTS.K=CONTENTS.J+DT*(INFLOW.JK-OUTFLOW.JK)403 R OUTFLOW.KL=CONTENTS.K/DELAY
Die standardisierte Schreibform fr einen delay erster Ordnung lautet:

Vgl. Forrester (1977), S. 86f. und Coyle (1996), S. 98. Nach Coyle (1996), S. 99. Es wre auch mglich gewesen, die Struktur der delays als Fludiagramm darzustellen. Da bei Kausaldiagrammen die Wirkungen der Gren untereinander besser abzulesen sind, hat sich der Autor dieser Arbeit fr diese Darstellungsform entschieden. 402 Vgl. Coyle (1996), S. 99. 403 Der Aufbau dieser level equation unterscheidet sich nur vordergrndig von der oben dargestellten Struktur. Dies ist darauf zurckzufhren, da hier der level von zwei rates, INFLOW und OUTFLOW, determiniert wird. Entsprechend der Pfeile im Diagramm der Abbildung 5-16a wirkt der INFLOW positiv auf den level und der OUTFLOW negativ. Vgl. Coyle (1996), S. 92.
401 400
80
R OUT.KL=DELAY1(IN.KL,DEL)404 Stellt sich diese Form der Verzgerung fr bestimmte Systembeschreibungen als zu einfach heraus, dann gibt es die Mglichkeit, die Basisstruktur zu delays zweiter, dritter und hherer Ordnung zu erweitern (siehe Abbildung 5-16b und c). Abbildung 5-17 zeigt die unterschiedlichen Entwicklungen der diskutierten Verzgerungen im Zeitablauf. In der Ausgangssituation ist ein sprunghafter Anstieg des INPUTS zu erkennen. Zum Beispiel werden zu einem Zeitpunkt 20 neue Mitarbeiter eingestellt. Tritt der seltene Fall ein, da es zu keiner Verzgerung kommt, dann entspricht der Output- dem Inputverlauf. In anderen Fllen setzen die dargestellten Verzgerungsverhaltensweisen ein. Dauert die nach der Rekrutierung von Mitarbeitern durchgefhrte Schulung bspw. durchschnittlich 20 Tage, so variiert das individuelle Schulungsende in Abhngigkeit vom Aufnahmevermgen der Mitarbeiter. Das heit, da einige Mitarbeiter durchaus sofort mit ihrer Arbeit beginnen knnen, whrend anderen das Lernen sehr schwerfllt. Bei einem delay erster Ordnung reagiert das System relativ schnell auf die ersten Abgnger aus der Schulung. Es schliet sich eine trge Entwicklung mit einer asymptotischen Annherung an den Inputverlauf an.
Abbildung 5-17: Dynamik von Verzgerungen405
Entsprechendes gilt fr die anderen Verzgerungen. Es mu nur die Zahl hinter DELAY an die gewnschte Verzgerungsordnung angepat werden. Das Krzel DEL steht fr delay. Weitere Standardisierungen sind von der jeweils herangezogenen Software abhngig. Vgl. Coyle (1996), S. 101. 405 Quelle: Coyle (1996), S. 100.
404
81
In Abbildung 5-16b ist die Struktur eines delays zweiter Ordnung dargestellt, der durch zwei interne Bestandsvariablen, CONT1 und CONT2, getrennt durch eine transition rate, TRANS, geprgt ist. Dabei ist zu beachten, da die gesamte Verzgerungsdauer halbiert ist (DELAY/2).406 L CONT1.K=CONT1.J+DT*(INFLOW.JK-TRANSR.JK) R TRANSR.KL=CONT1.K/(DELAY/2) L CONT2.K=CONT2.J+DT*(TRANSR.JK-OUTFLOW.JK) R OUTFLOW.KL=CONT2.K/(DELAY/2) Die dynamische Entwicklung des delays 2. Ordnung ist in Abbildung 5-17 abzulesen. Im Anschlu an den INFLOW reagiert das System kurzzeitig berhaupt nicht, bevor OUT2 antwortet. Das System spricht im Vergleich zum delay erster Ordnung schneller an, wobei die Anzahl der Mitarbeiter, die die Schulung nach 20 Tagen abgeschlossen haben, nur etwas ber der Hlfte liegt. Ein hnliches, nur strker ausgeprgtes Verhalten ist fr ein delay dritter Ordnung zu beobachten. Zu Beginn ist ber eine lngere Zeitspanne hinweg keine Reaktion zu verzeichnen. Dennoch ist die Steigung der Kurve im Vergleich zum delay zweiter Ordnung grer. Nach 20 Tagen sind vergleichsweise wenige Mitarbeiter, am Ende werden alle Mitarbeiter aus der Schulung frher entlassen als beim delay zweiter Ordnung. Der Vollstndigkeit wegen sind im folgenden die Gleichungen fr ein delay dritter Ordnung aufgefhrt.407 L CONT1.K=CONT1.J+DT*(INFLOW.JK-TRANSR1.JK) R TRANSR1.KL=CONT1.K/(DELAY/3) L CONT2.K=CONT2.J+DT*(TRANSR1.JK-TRANSR2.JK) R TRANSR2.KL=CONT2.K/(DELAY/3) L CONT3.K=CONT3.J+DT*(TRANSR2.JK-OUTFLOW.JK) R OUTFLOW.KL=CONT3.K/(DELAY/3) Neben diesen drei Verzgerungen ist in Abbildung 5-17 die Dynamik eines sog. pipeline days aufgefhrt. Ein pipeline day steht in diesem Beispiel fr die gemeinsame Entlassung aller Mitarbeiter aus der Schulung nach exakt 20 Tagen. Diese mathematischen Gleichungen sind die Grundlage fr das Erstellen von Simulations- und Lernmodellen. In einer Simulation wird das Verhalten der verschiedenen Variablen im Zeitablauf wie in Abbildung 5-17 auf dem Computerbildschirm visualisiert. Das Verhalten des zugrundeliegenden Systems wird imitiert, um es zu erforschen und daraus zu lernen.408 Neben
406 407
Vgl. Coyle (1996), S. 99. Vgl. Coyle (1996), S. 99. 408 Vgl. Sterman (1994), S. 321.
82
der Simulation existieren noch weitere Mglichkeiten, quantitative System Dynamics Modelle fr Lernprozesse anzuwenden. Diese werden im nchsten Kapitel erlutert.
5.5.5 Simulationen und Lernmodelle 5.5.5.1 Begriffsbestimmungen Da eine Flle von unterschiedlichen Begrifflichkeiten, wie Simulation, games, management flight simulators, microworld u.s.w. existieren, sollen diese vorgestellt und anschlieend die Vielzahl der Anwendersoftware klassifiziert werden.409 Simulationen Die Simulationsmethodik zhlt neben der Optimalplanungsmethode und der Methodik der heuristischen Programmierung zu den Methoden der quantitativen Planung. Um den Rahmen dieser Arbeit nicht zu sprengen, wird hier vornehmlich die Simulationsmethodik behandelt.410 Da COYLE allerdings in seiner System Dynamics Definition411 auch die Optimierung anspricht, soll an spterer Stelle auch hierauf eingegangen werden. Generell wird unter einer Simulation die experimentelle Nachahmung von Ablufen realer oder gedachter Systeme mit Hilfe von formalen Modellen412 verstanden. Mittels Simulation sollen Aussagen ber das Verhalten des nachgebildeten Systems gewonnen werden, die anschlieend auf die Realitt bertragen werden knnen. Eine Simulation kann zum Begriff games ber die Mglichkeit der menschlichen Intervention und der Entscheidungsfindung abgegrenzt werden.413 Danach ist eine Simulation die fr den Beobachter sichtbar gemachte Zusammenstellung von Informationen und Beziehungen in Regeln, Algebra und Logik.414
409 410
Vgl. Maier und Grler (1998), S. 1. Mit Hilfe von Optimalpanungsmethoden werden Optimallsungen von Problemen angestrebt. Vgl. hierzu genauer Berens und Delfmann (1995), S. 110ff. Mittels Heuristiken wird dagegen ein Problem prozessual mit Prinzipien, die Merkmale von Algorithmen aufweisen, analysiert. Vgl Berens und Delfmann (1995), S. 126ff. 411 Siehe Kapitel 5.1. 412 Pagenkopf (1988), S. 539. 413 Als eine zweite Definitionsgrundlage zieht Lane die Wahrscheinlichkeit heran. Danach ist eine Simulation eine spezifische Sequenz von Wahrscheinlichkeitsaktivitten, die darauf abgestellt sind, Spielern das Verhalten der realen Welt zu bermitteln. Games sollen danach den Spielern dagegen amsieren. Vgl. Lane (1995a), S. 606. Von dieser Definition soll in diesem Kontext Abstand genommen werden. 414 Vgl. Lane (1995a), S. 605.
83
Games Eng im Zusammenhang mit Simulationen im Bereich der Wirtschafts- und Sozialwissenschaften stehen sog. management games.415 Dabei ist anzumerken, da die Begriffe game und simulation selbst im Englischen nicht immer einheitlich gebraucht werden: LANE macht darauf aufmerksam, da einige Autoren sie synomym verwenden.416 FARIA vermischt sie sogar miteinander zu simulation games.417 In bezug auf die Mglichkeit der menschlichen Intervention und der Entscheidungsfindung ist die Definition eines games der Simulation hnlich. Ein game entspricht einer Simulation, nur sind die gegebenen Informationen unvollstndig. Der Anwender wird deswegen in den Ablauf des game involviert: Nachdem die Daten fr ihn aufbereitet und ihm prsentiert worden sind, wird von ihm ein Informationsinput erwartet. Whrend also eine Simulation keine Intervention des Beobachters erfordert, bentigt ein game Informationen von seinem Benutzer, bevor weitergespielt werden kann.418 Im deutschen Sprachraum hat sich fr games der Begriff Lernmodell etabliert.419 Die Basis fr Lernmodelle bilden Simulationsmodelle. Der Fortschritt in der Hard- und Softwareentwicklung schafft die Voraussetzung, Simulationsmodelle in interventionsnotwendige Computerlernmodelle auf der Grundlage graphischer Oberflchen zu transformieren.420 Durch die Prsentation der Simulationsmodelle auf benutzerfreundlichen Bildschirmoberflchen wird es dem Modellierer ermglicht, sich indirekt mit dem Simulationsmodell zu beschftigen. Er mu jedoch nicht die dem System immanenten Strukturen zuvor verstanden zu haben.421 Das heit, da der Anwender den schwierigen und zeitaufwendigen Proze der Modellerstellung nicht bewltigen mu.422 MEADOWS veranschaulicht diesen Unterschied mit Hilfe der von ihm aufgestellten sieben Erfahrungsniveaus, die s.E. im Zusammenhang mit System Dynamics stehen (siehe Abbildung 5-18).
Niveau 1 2 3 4 5 6 7 Erfahrung Systemverstndnis Ausfhren einer spezifischen Entscheidung Implementierung einer vorgeschlagenen policy Modifizierung eines Modelles Konstruktion eines neuen Modelles Lehren des Modellkonstruktionsprozesses Durchfhren von organisationaler Vernderung
Abbildung 5-18: Sieben Niveaus von System Dynamics Erfahrung423
415 416
Vgl. Lane (1995a), S. 604ff. Vgl. Lane (1995a), S. 605. 417 Vgl. Faria (1998), S. 295ff. 418 Vgl. Lane (1995a), S. 605f. 419 Vgl. Greschner (1996), S. 186. 420 Vgl. Greschner (1996), S. 186. 421 Vgl. Vennix u.a. (1994), S. 35 und Ossimitz (1999), S. 7. 422 Vgl. Meadows (1989), S. 636 und Grler (1999), S. 2. 423 Nach Meadows (1989), S. 636.
84
Nach MEADOWS Ansicht sind zum Erreichen des hchsten, siebten Niveaus mehrere Jahre Erfahrung notwendig. Da sich jedoch nur wenige an System Dynamics Interessierte so lange und intensiv damit beschftigen knnen, ist es s.E. durchaus sinnvoll, gegebenenfalls auf Simulationen und Lernmodelle zurckzugreifen. Dadurch knnen dann zwar nur ein zweites oder drittes Niveau erreicht werden, jedoch ist dies u.U. schon das Ziel des Anwenders. Denn durch das Anwenden eines in ein game eingebetteten System Dynamics Modelles trainieren die Entscheidungstrger das Verhalten in komplexen Entscheidungssituationen. Sie erlangen mit Hilfe von Lernmodellen die Fhigkeit zum Management komplexer sozialer Systeme.424 Ein weiterer Begriff, der oftmals mit der computerbasierten Fallstudie auf Basis eines System Dynamics Modelles der 1987 bankrott gegangenen Fluggesellschaft People Express in Verbindung gebracht wird, ist management flight simulator.425 Eine Gruppe von zwei oder drei Personen versetzt sich in die Position des chief executive officers der Fluggesellschaft und mu quartalsweise Entscheidungen bzgl. Rekrutierung, Flugzeugkauf, usw. treffen, die sie direkt in den Computer eingibt. Die Auswirkungen der Entscheidungen auf Aktienkurs, Profitabilitt usw. errechnet der Computer. Dadurch wird dem Anwender veranschaulicht, da die Unternehmensfhrung aufgrund des mglichen Einflusses auf viele Stellrder in einem komplexen System wie einem Unternehmen einwirken kann. Er mu Situationen einschtzen, beurteilen und dafr auf eine Vielzahl von Informationsquellen zugreifen knnen. Ein weiterer Lerneffekt liegt in der Vermeidung vom quick-fix und der Ausarbeitung von Langzeitstrategien und deren Konsequenzen.426 Dabei verwirrt die Bezeichnung management flight simulator, weil das management mittels des Programmes weder fliegen lernt, noch sich selbst simuliert. Simuliert wird vielmehr das Unternehmen und sein Umfeld, also das business.427 Da die Spieler whrend des Spieles nach Informationen gefragt werden und Entscheidungen treffen mssen, wird das Spiel der Kategorie game zugeordnet. Deswegen bietet sich fr management flight simulators die Bezeichnung business game an. Diese Art von game wird oftmals auch mit dem Begriff microworlds gleichgesetzt. Dieser Ausdruck wurde von PAPERT geprgt, der damit eine eher konstruktivistische Idee verfolgte:428 S.E. sind microworlds als learning tools zu verstehen, mit denen sich Kinder ihr Wissen selbst zusammenstellen. Kinder entwickeln beim Spielen Fhigkeiten, die ber das reine Spielen hinausgehen und auf die Realitt bertragbar sind.429 Der Anwender von microworlds kann demnach selbst entscheiden, was er lernen mchte. Aus diesem Grund eignet sich der Begriff microworlds nach Meinung von MAIER und GRLER eher fr ein Softwarepaket, mit dem der
424 425
Vgl. Greschner (1996), S. 189. Vgl. Sterman (1988). Die Software kann unter folgender Adresse bezogen werden: E52-562, Sloan School of Management, Cambridge, Massachusetts 02139, U.S.A. 426 Siehe hierzu die unterschiedlichen Lsungsmglichkeiten eines Problems bei dem Lastverteilungs-Archetyp in Kapitel 5.4.4. 427 Vgl. Maier und Grler (1998), S. 1f. 428 Vgl. Papert (1980), insbesondere S. 120ff. Dort beschreibt er microworlds als incubators for knowledge. 429 Vgl. Senge (1990), S. 314.
85
Anwender Modelle selbst konstruieren kann.430 In einer anderen Deutung des Begriffes microworld wird dem Entscheidungstrger durch das business game ein Experimentiermodell zur Verfgung gestellt, mit dem er die Auswirkungen seiner Entscheidungen in sicherer, modellierter Umgebung beobachten kann. So wird dem Anwender ermglicht, seine daraus gewonnenen Erfahrungen in die reale Welt, die macroworld, zu bertragen.431 In Anlehnung and diese Interpretation liee sich ein business game doch als microworld deuten. Abschlieend sollen learning laboratories, auch als interactive learning environment bezeichnet, genannt werden. Sie umfassen ein Computermodell und zustzlich Hintergrundinformationen, Quellenmaterial und Arbeitsanweisungen. Ein sog. Lernlabor entspricht demnach einem business game zuzglich bestimmter Komponenten, die die Effizienz432 des Lernens erhhen sollen.433
5.5.5.2 Kategorisierung unterschiedlicher Anwendungssoftware Nach dem Kriterium der Interaktionsnotwendigkeit des Anwenders knnen die vielfltigen Softwareprodukte folglich entweder in Simulationen oder in Lernmodelle klassifiziert werden (siehe Abbildung 5-19). Simulationen knnen weiter nach dem Merkmal der Struktur (rckkopplungsorientiert oder prozeorientiert) und der Art des Simulationstaktes (kontinuierlich oder diskret) unterschieden werden. Das oben angesprochene DYNAMOSoftwareprogramm fllt bspw. unter die Kategorie der rckkopplungsorientierten, kontinuierlich ablaufenden Simulationen. Lernmodelle werden nach Modellen differenziert, die alleine (1Personenlernmodelle) oder in Gruppen (Gruppenlernmodelle) gespielt werden knnen. Des weiteren kann in Lernmodelle untergliedert werden, die auf den betriebswirtschaftlichen Aspekt fokussieren und solchen, die andere Fachgebiete abdecken, wie etwa SimCity, ein Lernmodell, in dem der Anwender den Aufbau einer Stadt simuliert. Obgleich das oben angesprochene People Express business game hier unter der Kategorie der 1-Personenlernmodelle aufgefhrt ist, kann es auch in einer Gruppe gespielt werden, die sich fr das Treffen von Entscheidungen beratschlagt. Die in diesem Fall entstehende Gruppendynamik kann das gemeinsame Lernen frdern.434
430 431
Vgl. Maier und Grler (1998), S. 2. Vgl. Senge (1990), S. 314 und 335 sowie Greschner (1996), S. 189. 432 Der Begriff Effizienz beschreibt die Koordination smtlicher Teilschritte eines Prozesses. Das Ergebnis wird mit minimalem Zeit-, Ressourcen- und Kostenaufwand erreicht. Vergleiche dazu die Definition des Terminus Effektivitt, der beschreibt, da die ursprngliche Zielsetzung und die Ergebnisse eines Prozesses zum Erfolg fhren werden. Vgl. Horvth (1996), S. 561f. 433 Vgl. Lane (1995a), S. 614 sowie Maier und Grler (1998), S. 2f. Zu interactive learning environment vgl. Grler u.a. (1999), S. 1ff. 434 Vgl. Maier und Grler (1998), S. 5f.
86
Der zeitliche Verlauf in Simulations- und Lernmodellen kann allgemein in zeit- und ereignisgesteuert unterschieden werden.435 Dabei berwiegen in der Praxis die ereignisgesteuerten Lernmodelle: Nachdem der Anwender seine Entscheidungen einer Periode dem Computer bermittelt hat, schafft der Computer daraus ein Ereignis, und die Simulation schreitet in gleichmigen Zeitintervallen fort. Die variierende Dauer des Entscheidungsvorganges unterscheidet sich also von den simulierten Zeitintervallen. Hiermit wird bezweckt, da sich der Anwender zwischen seinen Entscheidungen die Zeit nimmt, die hinter dem Modell stehende Struktur zu durchschauen, um daraus zu lernen. Dieses Ausdehnen der Zeit ist genauso wichtig wie das mgliche Straffen. Durch eine Straffung kann der Anwender die Langzeitwirkungen seiner Entscheidungen im Modell erfahren.436 In einem ereignisgesteuerten Lernmodell ist die Zeit folglich variabel.
Computerbasierte Simulationen und Lernmodelle Simulationen Rckkopplungsorientierte kontinuierliche Simulationen DYNAM O Powersim ... Prozeorientierte diskrete Simulationen Taylor Simple++ ... People Express LEARN! Copy Shop ... Vensims Wd Dynamcis SimCity M arga kopology ... ... Lobster Topic Fish banks ... 1-Personenlernmodelle Unternehmenslernmodelle XXXlernmodelle Lernmodelle Gruppenlernmodelle Unternehmenslernmodelle XXXlernmodelle
Abbildung 5-19: Klassifizierung der Computersimulations- und -lernprogramme437 Auf der anderen Seite existieren zeitgesteuerte Lernmodelle. Sie sind dadurch charakterisiert, da eine lernmodellinterne Uhr die Dauer der Zeit, die dem Anwender fr Entscheidungen zur Verfgung steht, in gleichmiger Taktung determiniert.438 Auch hier unterscheidet sich die Dauer der Simulationsintervalle von der zur Entscheidungsfindung zur Verfgung stehenden Zeit. Im Gegensatz zum ereignisgesteuerten Lernmodell schreiten sie jedoch beide gleichmig
435 436
Vgl. Grler (1999), S. 1. Vgl. Kim und Senge (1994), S. 286 sowie Grler u.a. (1999), S. 2. 437 In Anlehnung an Maier und Grler (1998), S. 7. 438 Vgl. Grler u.a. (1999), S. 4.
87
voran. Dadurch wird die Schwierigkeit fr den Anwender erhht, weil der fr die Entscheidungsfindung notwendige mentale Proze frher beendet sein mu als bei ereignisgesteuerten Lernmodellen. Darber hinaus wird der Anwender, wie auch in der Realitt einer Stresituation ausgesetzt.439
TP PT
5.5.5.3 Grenzen von und Kritik an Simulations- und Lernmodellen In Kapitel 5.4.5 wurde dargelegt, da fr STERMAN die Simulation die einzige Mglichkeit ist, dynamisches Verhalten sozialer Systeme zu erfassen.440 Entsprechend Phase 4 des System Dynamics Modellierungsprozesses werden in einer Simulation die Variablenwerte ber eine festgelegte Zeitspanne, der sog. Simulationsdauer, fr festgelegte Perioden berechnet.441
TP PT TP PT
Oftmals wird der Einsatz von Simulationsmodellen in Frage gestellt, da, so wird behauptet, Beobachtungen auch an realen Systemen durchgefhrt werden knnten. Hier lassen sich folgende Gegenargumente anfhren:442 ! Trotz des erheblichen Aufwandes fr Erstellung und Analyse eines Simulationsmodells sind die hierfr anfallenden Kosten geringer als bei real durchgefhrten Experimenten. In der realen Welt knnen bspw. erhebliche Kosten durch irreversible Schden aufgrund ungeeigneter Parameterbestimmung verursacht werden. Dadurch wird auch das menschliche Risiko reduziert. ! Auch wenn die Erstellung eines Simulationsmodells zeitaufwendig ist, erlaubt es, komplexes Systemverhalten ber einen langen Zeitraum durch Raffen oder Strecken des Taktes der Simulationsuhr zu analysieren. So ist es mglich, die oben beschriebenen oftmals zeitlich und rumlich weit auseinanderliegenden Ursachen und Wirkungen innerhalb eines Systems in einem einheitlichen Rahmen zu untersuchen. Zum einen werden also in einer Simulation dynamische Effekte bercksichtigt, weshalb diese Methode gerade fr System Dynamics Modellierungen geeignet ist. Und zum anderen werden den Entscheidungstrgern die Konsequenzen ihrer Aktionen vorgefhrt. Oftmals ist es den Entscheidungstrgern in der Realitt nicht mglich, die Wirkungen ihrer Aktionen zu erkennen. Sei es, weil sie inzwischen in einem anderen Bereich ttig sind, oder weil die Folgen ihres Handelns erst lngerfristig deutlich werden. Hier steht also der Lernaspekt der Entscheidungstrger im Vordergrund. ! Auerdem knnen einmal erstellte Simulationsmodelle beliebig oft fr Simulationszwecke in gewnschter Umgebung443 vor bestimmtem Publikum wiederholt werden. Dies ist gerade fr
TP PT TP PT
439
TP PT
Vgl. Grler u.a. (1999), S. 5f. Vgl. Sterman (1994), S. 322. 441 Vgl. Berens und Delfmann (1995), S. 147ff. 442 Vgl. Berens und Delfmann (1995), S. 143f. und Lane (1995a), S. 613. 443 Die gewnschte Umgebung spielt eher bei natur- als bei sozialwissenschaftlichen Experimenten eine vordergrndige Rolle. Vgl. Berens und Delfmann (1995), S. 144.
440
88
Experimente im wirtschaftswissenschaftlichen Bereich von Bedeutung, weil sich hier bestimmte Auswirkungen von Strategien unter ceteris paribus-Bedingungen beobachten lassen. ! Schlielich knnen mittels Simulationen Belastbarkeitsgrenzen von Systemen durch Herbeifhren extremer Situationen ermittelt werden. So ist es in der Realitt aufgrund mglicher irreversibler Schden fr das System selbst, wie auch fr die Systemumwelt, nicht mglich, die aus einem realen Test resultierenden Folgen rckgngig zu machen. Zudem wird an Simulationen bemngelt, da durch einen einzelnen Simulationslauf keine generelle Lsung geliefert wird, sondern nur eine Alternative von vielen dargeboten wird. Dies kann dazu fhren, da die Suche nach einer gnstigen Alternative frhzeitig zum Abbruch fhrt, weil das gefundene Optimum nur lokal und nicht global ist. Aus diesem Grund pldiert COYLE dafr, Simulationen mit wiederholender Optimierung durchzufhren, worauf weiter unten eingegangen wird.444 Das Argument, da die Hard- und Software den Ansprchen einer Simulation nicht gengen wrden, ist inzwischen aufgrund des rasanten Fortschritts von der
TP PT
Hand zu weisen. Sie untersttzen inzwischen die Anwendung fortwhrend. Darber hinaus macht die Literatur auf bestimmte Risiken bei unreflektierter Anwendung von Simulationen und Lernmodellen aufmerksam. So ist es wichtig, da bestimmte Lernziele vorgegeben werden, die sich sowohl die Modellersteller als auch die Anwender von Lernmodellen bewut machen mssen. Bei dem Lernziel kann es sich um ein einzelnes Ziel, oder um mehrere Ziele auf unterschiedlichen Stufen der Anwendung von Simulation oder Lernmodell handeln.445
TP PT
Da gerade die Simulation eine attraktive und auch wirksame Lehrmethode ist, zeigt sich bei Moderatoren zunehmend die Tendenz, ausschlielich diese Methode anzuwenden. Dies sollte jedoch vermieden werden, da sich Simulationen und Lernmodelle nur zur Erweiterung und evtl. auch zum selektiven Ersetzen von konventionellen Lehrmethoden eignen.446
TP PT
Fr ein effizientes Simulieren bzw. Spielen ist ein angemessenes briefing vor der Programmanwendung von Bedeutung. Whrend des briefing sollte den Teilnehmern gengend Informationen gegeben und Regeln erklrt werden, um einen reibungslosen Ablauf zu garantieren und hhere (Lern-) Ziele zu erreichen. Entsprechend verhlt es sich mit einem tiefgrndigen debriefing im Anschlu an die Simulation. Dadurch werden die Teilnehmer indirekt aufgefordert, ihre Erfahrungen zu reflektieren und diese mit den anderen Spielern zu teilen. Mit Hilfe eines effizienten debriefing wird versucht, das sog. video arcade syndrome zu vermeiden.447
TP PT
444
TP PT
Vgl. Coyle (1996), S. 236ff. und (1999), S. 249ff. Vgl. Lane (1995a), S. 615. 446 Vgl. Meadows (1989), S. 639 und Lane (1995a), S. 615. 447 Vgl. Meadows (1989), S. 638 und Lane (1995a), S. 616.
445
TP PT TP PT TP PT
89
Schlielich ist eine intensive Vorbereitung des Moderators, der die Simulation oder das Lernmodell begleitet, ein nicht zu vernachlssigender Aspekt. Das briefing und das debriefing erfordert Erfahrung im Umgang mit der Materie. Es ist notwendig, viel Zeit in das Verstehen von Simulationen und Lernmodellen zu investieren, weil sie, wie die ihnen zugrundeliegende Realitt, zu komplex sind, um sie ad hoc vortragen zu knnen.448 In diesem Zusammenhang sollte darber reflektiert werden, ob die erstellten Simulations- und Lernmodelle, mittels denen double-loop-learning stattfinden soll, berhaupt korrekt konstruiert sind. Damit befat sich das folgende Kapitel.
5.5.6 Validittstests Wie aus Abbildung 5-2 abzulesen ist, kann selbst das Aufstellen von mathematischen Gleichungen, als Grundlage fr Simulations- und Lernmodelle, kein fehlerfreies Modell garantieren. Die Schwierigkeit der quantitativen System Dynamics Modellierung liegt also im Erstellen von fehlerfreien, validen Modellen.449 Dabei ist zu bercksichtigen, da kein Modell hundertprozentig valid sein kann, weil ein Modell immer nur ein simplifiziertes Abbild der Realitt darstellt. Deswegen steht im Mittelpunkt der System Dynamics Modellierung die Ntzlichkeit von Modellen.450 Und die Ntzlichkeit ist wiederum vom Modellzweck abhngig.451 PETERSON und EBERLEIN merken an, da wiederholte Validittstests quantitativer System Dynamics Modelle die Kompetenz in systemischem Denken bedeutend steigern knnen. Mit Hilfe von Validittstests wird das vom mentalen Modell unterstellte Systemverhalten berprft. Das Verhalten des realen Systems wird durch Gedankenexperimente, basierend auf dem mentalen Modell, offengelegt. Das Modellverhalten wiederum wird mittels Simulationen offenbart. Die Vergleiche der Vorstellungen seines mentalen Modells mit den Ergebnissen aus den Simulationen ermglichen dem Modellierer, Wissen ber das Verhalten komplexer Systeme zu erlangen.452 Um die Validitt bzw. die Ntzlichkeit zu berprfen lassen sich unterschiedliche Tests heranziehen, die sich zum einen auf die Modellstruktur und zum anderen auf das Modellverhalten konzentrieren. Zur Untersuchung der Modellstruktur eignen sich bspw. Tests, bei denen bei bestimmten Parameterbestimmungen das Modellverhalten mit den Reaktionen des realen Systems bereinstimmen sollte. Auerdem kann berprft werden, ob die Systemgrenze
448 449
Vgl. Meadows (1989), S. 639 und Lane (1995a), S. 616. Vgl. Peterson und Eberlein (1994), S. 160f. 450 Vgl. Shreckenghost (1985), S. 1. 451 Vgl. hierzu Kapitel 3.1. 452 Vgl. Peterson und Eberlein (1994), S. 162 und S. 172. Siehe hierzu auch Abbildung 5-2.
90
die fr das Systemverhalten relevanten Einflugren einschliet und das vorliegende Aggregationsniveau dem Modellerstellungszweck entspricht. Ferner sollte, wie schon oben erwhnt, darauf geachtet werden, da die Dimensionen der Modellgleichungen in sich schlssig sind.453 In Verhaltenstests kann der Modellierer bspw. untersuchen, ob die Simulationsergebnisse mit den historischen Daten des realen Systems bereinstimmen.454 Repliziert das Modell diese Daten nicht, dann knnen Modellstruktur, Parameterwerte, Systemgrenzen angezweifelt werden. Auerdem knnen Tests zur Sensitivitt von Parameternderungen durchgefhrt werden. Neben diesen angesprochenen Tests existieren andere, auf die im Rahmen dieser Arbeit nicht eingegangen wird.455 Abschlieend soll in einem Exkurs der u.a. von COYLE an Simulationen bemngelte Umstand aufgegriffen werden, da durch einzelne Simulationslufe keine allgemeingltigen Lsungen geliefert werden.
5.5.7 Exkurs: Simulation-durch-wiederholte-Optimierung Rckkopplungen bezeichenen in Modellen jene Strukturen, denen whrend einer System Dynamics Untersuchungen besondere Aufmerksamkeit gewidmet wird. Obwohl groe Modelle wie bspw. FORRESTERS Weltmodell456 nur aus etwa hundert Gleichungen bestehen, setzt es sich aus fast 2000 Rckkopplungskreislufen zusammen, die zum Teil nur schwer visuell zu erfassen sind. Mittels Simulationen kann der Modellierer das Modellverhalten auf experimentelle Art durch Variation der Parameter untersuchen.457 Aus den Erkenntnissen kann er auf den Schwankungsbereich des Systemverhaltens schlieen, was dem Modellierer Ideen fr das Erkennen von potentiellen Eingriffsmglichkeiten ber policies in das Modell liefern soll. Wie oben angesprochen liefern Simulationen nach einem einzelnen Lauf keine eindeutige Lsung, sondern bieten nur eine von vielen Alternativen an. Deswegen existiert durch Parametervariation immer noch ein zustzlicher Simulationslauf, der das Ergebnis verbessern knnte. Um Parameter gezielt mit einer gewnschten Wirkung zu verndern, wre ein automatisiertes Verfahren wnschenswert. Da ein solches Verfahren jedoch nicht existiert, kommt nach COYLE die dynamische Optimierung der Problemlsung am nchsten.458 Er schlgt deshalb vor, Simulationen mit wiederholender Optimierung durchzufhren.
453 454
Vgl. Shreckenghost (1985), S. 2ff. Vgl. Shreckenghost (1985), S. 4ff. 455 Vgl. zum weiterfhrenden Studium bspw. Forrester (1977), Peterson und Eberlein (1994) sowie Shreckenghost (1985). 456 Vgl Forrester (1971). 457 Vgl. Coyle (1996), S. 197. 458 Vgl. Coyle (1996), S. 236ff. und (1999), S. 429ff.
91
Whrend eine Simulation Beobachtungswerte des Modellverhaltens liefert, strebt die Optimierung das Auffinden globaler Optima an. Fr das Auffinden eines solchen Optimums mu eine durch operationale Kriterien przisierte Zielfunktion formuliert werden. Anhand dieser wird das Optimum, das einem extremalen Ergebnis entspricht, mittels Algorithmen bestimmt.459 Da mit der Optimalplanungsmethodik auch dynamische Modelle untersucht werden knnen, eignet sich diese Methode folglich fr System Dynamics Modelle.460
TP PT TP PT
Hilfreich zur Visualisierung der Vorgehensweise bei der Optimalplanung ist Abbildung 5-20. In ihr ist das zweidimensionale Abbild eines dreidimensionalen Gebildes, vergleichbar mit einem Gebirge, dargestellt. Auf den beiden Abszissenachsen sind zwei Parameter des Modelles abgetragen. COYLE betont, da diese Annahme der so abgebildeten Modellreaktion, gleichgltig ob mit zwei oder mehreren Parameter in der Parameterebene, richtig ist. Der Unterschied liege bei der Bercksichtigung einer Vielzahl von Parametern nur in einer erschwerten visuellen Darstellung auf dem Papier.461 Die Parameter knnen sowohl policy- als auch Strukturparameter sein. Sie sind durch eine Bandbreite, innerhalb derer sie schwanken,
TP PT
charakterisiert. Dies ist in der Abbildung durch P1UPPER und P1LOWER dargestellt. Auf der Ordinate findet sich die Qualitt der Modellreaktionen von bad bis good.
B B B B
Ausgangspunkt des ersten Simulationslaufes sind die Parameterwerte P11 und P21. Werden diese beiden Punkte in der parameter plane abgetragen, treffen sie sich in Punkt A. Die Reaktion des Modelles mit diesen beiden Parametern entspricht laut Graphik einer vergleichsweise niedrigen Leistungsqualitt (Pfeilspitze ber Punkt A). Werden anstatt P11 und P21 zwei neue Parameter, P12 und P22, ausgesucht, zeigt sich bei der vertikalen Abtragung der Leistung, da diese Parameterkombination zu einem entsprechend besseren Ergebnis fhrt.
B B B B B B B B B B B B
Wie die Abbildung vermuten lt, ist die Oberflche der mglichen Modellreaktionen, das sog. Zielfunktionsgebirge oder dieresponse surface, nicht glatt, sondern zerklftet. Diese Unregelmigkeiten sind laut COYLE auf die Komplexitt des zugrundeliegenden Systems und die damit in Zusammenhang stehenden Nicht-Linearitten zurckzufhren.462 Das Zielfunktionsgebirge ist in COYLES Darstellung nichtkonvex und nichtkonkav463 geformt, weshalb # und $ zwar zwei Extrempunkte sind, aber auf unterschiedlich hohem Niveau liegen. Dabei ist # eindeutig besser einzustufen als $. Um zum Hochpunkt # zu gelangen, ist es jedoch
TP PT TP PT TP PT
459
TP PT
Vgl. Berens und Delfmann (1995), S. 110f. Vgl. Berens und Delfmann (1995), S. 113. Daneben lassen sich zur Optimalplanung Modelle mit verschiedenen Merkmalen der Typologien Linearitt/Nichtlinearitt, Stetigkeit/Ganzzahligkeit bzw. Diskretheit der Variablen und deterministischer, stochastischer und verteilungsfreier Fall heranziehen. Vgl. hierzu Berens und Delfmann (1995), S. 112f. 461 Vgl. Coyle (1996), S. 237 und (1999), S. 430. 462 Vgl. Coyle (1996), S. 239 und (1999), S. 430. 463 Eine Funktion ist konvex, wenn die Punkte der Verbindungsstrecke zweier Kurvenpunkte stets oberhalb oder auf der Kurve liegen. Ellinger (1990), S. 191; die kursive Schriftauszeichnung ist im Original gebraucht. Bei konkaven Funktionen verhlt es sich genau umgekehrt: Die Funktion ist konkav, wenn die Punkte unter oder auf der Kurve liegen. Eine lineare Funktion ist demnach zugleich konvex und konkav. Vgl. Ellinger (1990), S. 191f.
460
92
nicht notwendig, die gesamte Struktur der Oberflche zu erkunden, sondern es gengt, einen Weg nach oben zu finden.
Abbildung 5-20: Zielfunktionsgebirge464 COYLE nennt dies eine hill-climbing optimisation und zieht dafr das Beipiel eines blinden Wanderers heran, der den Weg zum Gipfel finden will.465 Dabei wird der Wanderer immer die Wegmglichkeit mit dem steilsten Anstieg whlen. Auf diese Weise wird er sich, von A ausgehend, fr den Pfad ber zum Gipfel entscheiden. Diese Analogie findet sich in System Dynamics Software Paketen in iterativ vorgehenden hill-climbing-Algorithmen wieder: Nach einem Simulationslauf wird die fr die Optimierung notwendige Zielfunktion466 ausgerechnet. An ihr wird gemessen, ob der Simulationslauf gut oder schlecht war. Die Parameterkombinationen, die gute Ergebnisse liefern, werden fr weitere Rechenschritte herangezogen. Das Programm speichert diese guten Parameterkombinationen, um gegebenenfalls auf sie zurckzugreifen, falls im folgenden Lauf ein schlechteres Ergebnis erzielt wird. Mittels dieser guten Parameterkobinationen schliet das Programm darauf, wie die Parameterwerte verndert werden mssen, sich dem Extremwert zu nhern. Folglich wird das Modell durch jeden Simulationslauf optimiert. Es handelt sich also eigentlich um eine Optimierung-durch-wiederholte-Simulationen. Da hier aber auf eine reduzierte Anzahl von Parametern P1 und P2 zurckgegriffen wird und die Parameter innerhalb von vorgegebenen Bandbreiten schwanken, nennt COYLE dieses Vorgehen Simulation-durch-wiederholte-
464 465
Quelle: Coyle (1996), S. 240 und (1999), S. 430. Coyle (1996), S. 239 und (1999), S. 430. 466 Auf die mathematische Darlegung der Problematik soll in dieser Arbeit verzichtet werden. Vgl. dazu Coyle (1996), S. 242ff. und (1999), S. 432.
93
Optimierung:467 Das Modell wird optimiert, wodurch der Anwender und das Programm ber das Modellverhalten und die -struktur lernen. Anschlieend wird weiter optimiert und dazu gelernt, usw. Der entstehende Mehrwert durch Anwendung dieser Methode uert sich in einer wirksamer gefhrten Parameterbestimmung als es durch gewhnliche Experimentierungen erreicht werden knnte.468 Obwohl COYLES469 sowie KIVIJAVI und TUOMINENS470 erste Artikel ber die Optimierung von System Dynamics Modellen auf die 80er Jahre zurckgehen, fllt es der System Dynamics society schwer, sich dieser Idee anzunehmen.471 Dabei eignet sich dieser Ansatz zur Anpassung der Modellstruktur an das reale System mit Hilfe des Vergleichs von Daten der Simulationslufe mit realen Daten. Aber es ist den System Dynamics Praktikern wahrscheinlich vertrauter, ein Modell mit Parameterwerten auszustatten, dessen Bedeutung und Wert sie kennen. Wenn das Modell dann im Simulationslauf die erwnschten Ergebnisse prsentiert, steigt das Vertrauen in die korrekte Konstruktion des Modelles. Wird die Optimierung zur Bestimmung der zeitkritischen Daten herangezogen, vermindert sich das Vertrauen der Modellierer in das Modell, da die Parameter nicht unabhngig von der Modellstruktur bestimmt werden, sondern durch das Modell selbst. Die von COYLE vorgeschlagene Optimierungsmethode eignet sich aufgrund der automatisierten Parameterbestimmung zum Einsatz als formale policy-Optimierung.472 Hiergegen bringen System Dynamics Praktiker vor, da sie die Struktur nur mit Hilfe mehrerer experimenteller Simulationslufe, sog. re-runs, und Validittstests das Modell vollstndig durchschauen und daraus policies ableiten knnen.473 COYLE und RICHARDSON halten dieses Vorgehen hingegen fr ineffizient.474 Wie die Simulationsmethodik ist auch die Optimierungsmethodik mit formalen Beschrnkungen behaftet.475 So stellt sich bspw. die Bestimmung der Zielfunktion als schwierig heraus. In eine Zielfunktion gehen u.a. Prferenzen unterschiedlicher Interessengruppen ein. Dabei stellt sich die Frage, wie diese Prferenzen gleichzeitig bercksichtigt werden knnnen. Auch ergibt sich die Schwierigkeit, mgliche qualitative Daten in mebare Komponenten aufzugliedern und einzubeziehen. Ferner wird gegen die Optimierungsmethodik angebracht, da sie ausschlielich Linearitt bercksichtigt und dabei die Existenz von Rckkopplungen und Dynamik nicht beachtet.476 Da das zugrundeliegende Modell in COYLES Ansatz aber ein System Dynamics
467 468
Vgl. Coyle (1996), S. 247 und (1999), S. 435. Vgl. Coyle (1996), S. 247 und (1999), S. 435. 469 Vgl. Coyle (1985). 470 Vgl. Kivijava und Tuominen (1986). 471 Vgl. Richardson (1999), S. 443. 472 Vgl. Wolstenhlme (1990), S. 157 und 159. 473 Siehe hierzu Abbildung 5-2 und Kapitel 5.5.6. 474 Vgl. Richardson (1999), S. 443. 475 Vgl. Sterman (1991), S. 6. 476 Vgl. Sterman (1991), S. 7ff.
94
Modell ist, sind diese Bemngelungen m.E. nicht haltbar. Des weiteren ist anzumerken, da die hill-climbing-method kein Garant fr optimale Lsungen ist. Das jedoch ist laut COYLE nicht so brisant, da soziale Systeme in der Realitt oftmals so unvermittelt reagieren, da jede Verbesserung s.E. im Modell willkommen sei. Dazu sei der Unterschied zwischen den Optima auch geringer als die zugrundeliegende Zielfunktion vermuten liee.477 Allerdings liegt fr COYLE die Schwche der Simulation-durch-wiederholte-Optimierung darin, da der Gedanke der Optimierung an sich so verfhrerisch auf den Modellierer wirken knnte, da er nicht mehr ber den Modellzweck reflektiert und die Modellstruktur daher nicht hinterfragt.478
477 478
Vgl. Coyle (1996), S. 248 und (1999), S. 438. Vgl. Coyle (1996), S. 248 und (1999), S. 438.
95
6. Ausblick In der vorliegenden Arbeit wurden u.a. die Schwierigkeiten, die im Zusammenhang mit den menschlichen linearen Denkstrukturen beim Erfassen von komplexen Problemstrukturen bestehen, dargelegt. Um die herrschende Komplexitt interagierender Subsysteme begreifen zu knnen, bedarf es systemischen Denkens. Bei der Definition des hiermit im Zusammenhang stehenden Begriffes systems thinking ist auf die unterschiedlichen Betrachtungsweisen aufmerksam gemacht worden. Abgesehen von den herausgearbeiteten Nuancen in den Definitionen stimmen die Autoren dahingehend berein, da das Erfassen von komplexen Situationen im Vordergrund steht. Dabei soll System Dynamics die Wahrnehmungsfhigkeit des Menschen verbessern, was zu einem tiefgrndigeren Verstndnis der ihn umgebenden komplexen Systeme fhren kann. Um von mglichen Verbesserungen ihrer mentalen Modelle oder vom Lernen dynamischen Denkens zu profitieren, sollten die Menschen direkt in den Modellierungsproze eingebunden werden. Der System Dynamics-Modellierungsproze beinhaltet zwei unterschiedliche Modellierungsarten, qualitatives und quantitatives System Dynamics, deren mgliche zuknftige Entwicklung an dieser Stelle aufgezeigt werden. Es ist zu beobachten, da sich ein Trend zu einer ausschlielichen Anwendung von qualitativem System Dynamics abzeichnet. In der Tat ist die Erstellung von Kausaldiagrammen schneller, einfacher und deswegen auch kostengnstiger als die von aufwendigen Simulationsmodellen. Von gebten System Dynamics Praktikern bspw. fr interessierte Klienten oder von Interessierten selbst erstellt, knnen sie Einsichten in das dynamische Verhalten komplexer Systeme vermitteln. Dabei kann beim Klienten single- oder im besten Fall auch double-looplearning stattfinden. Allerdings steigt die berzeugung, systemisch denken zu knnen strker an als die tatschliche Fhigkeit dazu. Daher besteht das Risiko, da unerfahrene Modellierer durch Kausaldiagramme bei ihrer Entscheidungsfindung irregeleitet werden. Dennoch ist die Nutzung von Kausaldiagrammen einer additiven Argumenteliste vorzuziehen, weshalb unter diesen Umstnden der Gebrauch von Kausaldiagrammen wieder positiv zu beurteilen ist. RICHARDSON schlgt vor, bestimmte Grundstze des qualitativen System Dynamics herauszuarbeiten.479 Damit soll erreicht werden, qualitatives System Dynamics in komplexen Situationen anzuwenden, die einerseits das potentielle Risiko von falschen Einsichten vermindern. Andererseits sollen dadurch die Chancen fr eine zuverlssige Interpretation von Rckkopplungsstrukturen ohne weitere quantitative Analyse steigen. In diesen Grundstzen knnten u.a. die Situationen festgelegt werden, in denen bspw. eine kombinierte Darstellung von Kausaldiagrammen mit Flu- und Bestandsvariablen angemessen wre. Durch eine selektive Aufnahme von Flu- und Bestandsvariablen, bspw. als generische Struktur eines Systems zweiter Ordnung, in ein Kausaldiagramm werden bestimmte Rckkopplungsstrukturen fr den Modellierer
479
einfacher
ablesbar.
Es
ist
auerdem
leichter,
die
Einflugren
von
Vgl. Richardson (1999), S. 441f.
96
verhaltensdeterminierenden Flugren zu identifizieren. Dies ist gerade deswegen von Relevanz, weil die Fhigkeit des Menschen, dynamische Komplexitt aus einem Kausaldiagramm und daraus Vernderungsgeschwindigkeiten der Gren abzulesen, beschrnkt ist.480 Diese Aussage ist jedoch laut RICHARDSON nicht empirisch belegt, weshalb sie von anderen Wissenschaftlern abgelehnt wird. Da aber die Anwendung von qualitativem System Dynamics generell groe Zustimmung erlangt, mu man sich hier in Zukunft auf Anwendungsgrundstze einigen. Laut FORRESTER und RICHMOND eignet sich dagegen nur die Konstruktion von Fludiagrammen mit ihren Flu- und Bestandsvariablen im Rahmen des quantitativen System Dynamics dazu, systemisches Denken zu erlernen und komplexe Systeme zu erfassen. Das Erstellen von Fludiagrammen erfordert aber bei den Modellierern im Vergleich zur Modellierung von Kausaldiagrammen grere physikalische Vorstellungskrfte. Auf der anderen Seite ist die Mglichkeit, mit Hilfe der im Rahmen von quantitativem System Dynamics erstellten mathematischen Gleichungen, Simulationen und damit verschiedene Zukunftsszenarien durchzuspielen, gerade fr das double-loop-learning von groer Bedeutung. Die Umstrukturierung mentaler Modelle steht auch bei der Lernmodellsoftware, wie bspw. interactive learning environments im Vordergrund, obwohl der Anwender solcher Software das Modell nicht erst zeitaufwendig erstellen mu. Um mittels Lernmodellen zu lernen, ist es notwendig, die Anwender ausreichend zu briefen. Aufgrund verstndlicher und bersichtlich gestalteter neuer Anwendungssoftware wie bspw. STELLA, iThink oder Vensim ist eine weitere Verbreitung von quantitativem System Dynamics zu erwarten. Es ist zu vermuten, da der Fortschritt in der Computertechnologie die Anwendungsmglichkeiten auch in Zukunft erweitert. Zudem wird sich die System Dynamics society laut RICHARDSON aufgrund der in Kapitel 5.5.5.3 aufgefhrten Argumente mit dem Bereich der Optimierung von System Dynamics Modellen strker befassen. Da im Rahmen dieser Arbeit auf die vielfltigen Anwendungsmglichkeiten von System Dynamics nicht eingegangen wurde, sollen sie an dieser Stelle ansatzweise aufgezeigt werden. Zu den ursprnglichen Anwendungsgebieten der Methode System Dyamics gehrten die Beobachtung der dynamischen Entwicklung von Lagerbestand, Unternehmenswachstum oder Stdten; also eine Reihe von typischen Unternehmens- und sozio-konomischen Problemen. Da Manager ihr Umfeld besser verstehen lernen wollen und sie dabei von System Dynamics untersttzt werden knnen, werden auch in Zukunft unternehmensspezifische Themen im Mittelpunkt stehen. Es knnten in diesem Zusammenhang auch zunehmend Fragen qualitativer Art beantwortet werden.481 Ferner knnte die Frage nach den Klienten von System Dynamics Modellen ein weiteres Bettigungsfeld ffnen: Gerade die global ausgerichteten Modelle sollten
480 481
Vgl. Warren und Langley (1999), S. 398. Vgl. dazu insbesondere Winch (1999).
97
ein breites Publikum ansprechen. Gruppen von Interessierten sowie Unternehmen, die ihre eigene Zukunft eng verknpft mit der Entwicklung kologischer Nachhaltigkeit482 sehen, mten aus eigener Neugierde die Forschung auf diesem Gebiet untersttzen.483 Ein groes Potential zur Verbreitung von System Dynamics sieht RICHARDSON auch im Zusammenhang mit der Management- sowie der Schulausbildung.484 Wie in Kapitel 5.2 angesprochen, hat die System Dynamics society im Rahmen der Managementausbildung mit der Schaffung des System Dynamics-Diplomstudiengang an der Universitt Bergen in Norwegen als Partner des Socrates-Austauschprogrammes einen wissenschaftlichen Meilenstein gesetzt. Hiermit wird sich eine weitere Expansion der Methode System Dynamics unter den Interessierten bzgl. Lernen und Lehren versprochen. Im privatwirtschaftlichen Sektor beschftigen sich vornehmlich Unternehmensberatungsgesellschaften zunehmend mit System Dynamcis. Sie bilden ihre Berater verstrkt mit Fhigkeiten auf dem Gebiet des systemischen Denkens aus, damit sie die Probleme ihrer Klienten besser bzw. schneller einordnen und erfassen knnen.485 Das Massachusetts Institute of Technology bietet hierfr im Internet fr jedermann weltweit zugnglich einen Leitfaden fr acht Unterrichtseinheiten an, nach dem System Dynamics gelehrt bzw. (selbst) erlernt werden kann. Dieser Leitfaden umfat u.a. Literaturzusammenstellungen auch aus z.T. verffentlichten, wegweisenden Artikeln sowie Anwendungsbeispiele fr Gruppen- und Einzelarbeiten.486 Zusammengestellt wurde der Leitfaden von Studenten unter FORRESTERS Leitung. GORDON S. BROWN, vormals Dekan am Massachusetts Institute of Technology, hat in Zusammenarbeit mit einer Schule in den U.S.A. den Ansto dazu gegeben, Schlern systemisches Denken zu vermitteln und System Dynamics in Verbindung mit dem Anwendungsprogramm STELLA frhzeitig in den Unterricht zu integrieren.487 Zur Zeit werden Fcher wie Physik, Biologie, Geschichte, Literatur488, Kunst, Sozialkunde usw. unterrichtet, als wren sie in der Realitt nicht miteinander verflochten. Ziel von BROWNS Bemhungen ist es, bisher getrennte Unterrichtseinheiten der Realitt entsprechend zusammenzufhren, da sich bestimmte Ereignisse oder bestimmtes Verhalten unterschiedlicher Disziplinen auf gemeinsame Konzepte sttzen. Die dynamische Struktur der Bewegung eines Pendels (Physik) entspricht bspw. der einer zeitlichen Entwicklung der Arbeitslosenquote (Sozialkunde).489
482 483
Vgl. zum Thema kologische Nachhaltigkeit bspw. Schmid (1997); auerdem vgl. Nakamura (1999). Vgl. Richardson (1999), S. 445. 484 Vgl. Richardson (1999), S. 446f. 485 Vgl. Glucksman und Morecroft (1998), S. 120. Vgl. zu Verffentlichen von Unternehmensberatern in Zusammenarbeit mit Wissenschaftlern auerdem Rodrigues und Williams (1998). 486 Informationen finden sich unter folgender Internetadresse: www.http://sysdyn.mit.edu/ftp/sdep/Roadmaps/. 487 Vgl. Brown (1992). 488 Selbst in der Literatur lt sich ein dynamischer Rahmen einsetzen. Pamela Hopkins hat ein STELLA-Modell erarbeitet, anhand dessen Hamlets Rache fr den Tod seines Vaters untersucht wurde. Vgl. dazu Hopkins (1992). 489 Vgl. Forrester (1992), S. 6.
98
Wenn von Managern in Unternehmen verlangt wird, dynamische Strukturen zu erfassen, kann es nur dann gelingen, wenn schon frhzeitig begonnen wurde, systemisches Denken zu vermitteln. Vorhandene Lernkonzepte in Schulen, bei denen der Lehrer im Mittelpunkt steht, sog. teacherdirected-learning, stellen sich hierbei als hinderlich heraus. Sie untersttzen den eigenen Lernproze bei Schlern im Sinne von Erleben und daraus Lernen nicht, sie aktivieren die Schler nicht ausreichend und integrieren sie nicht in den Lernproze.490 Es mu ein Wandel dahingehend stattfinden, da Schler in Gruppen arbeiten und Lehrer zu Lernpartnern werden. Dieses Lehrkonzept wird learner-directed-learning genannt.491 Dieses Konzept in Kombination mit qualitativem und quantitativem System Dynamics wird ansatzweise bereits mit Schlern aller Altersstufen praktiziert, wobei die Jngsten gerade sechs bis sieben Jahre alt sind.492 Gerade im Schulbereich gibt es somit ein groes Entwicklungspotential fr den Einsatz von System Dynamics, um Systemverstndnis zu vermitteln. Nach ca. 40 Jahren Forschung auf dem Gebiet befindet sich System Dynamics nicht in der Reifephase, sondern auf der Schwelle zur grten Verbreitung mit gnzlich unterschiedlichen Anwendungsmglichkeiten im sozialen, schulischen und im Managementbereich. Um zu vermeiden, da diese aufgezeigten Trends aber nur in kurzfristig ausgerichteten Bemhungen mnden, mu sich jeder System Dynamics-Interessierte selbst mit einbringen. we must push toward long-term benefit, both for ourselves and our field and for those we strive to aid with the system dynamics perspective.493
490 491
Vgl. Richmond (1993), S. 115f. Vgl. Forrester (1992), S. 10f. 492 Vgl. Draper (1993) und Hight (1995). Aktuelle Informationen ber die Bemhungen der Einfhrung von System Dynamics an Schulen in den U.S.A. kann auf der Internetseite http://sysdyn.mit.edu/cle/home.html abgerufen werden. 493 Richardson (1999), S. 448.
99
Anhang
Phase Problemfindung und -definition
Ergebnis
Systembeschreibung (Kausaldiagramm)
Verstehen und Ideen
Simulationsmodell
berprfung und Ideen
Policy design
Widerstandsfhige policies
Abbildung A-1: System Dynamics Modellierungsproze nach COYLE494
494
Nach Coyle (1996), S. 14.
VII
Legende: Normale asymptotische Anpassung Gleichfrmige Schwingung Gedmpfte Schwingung Explodierende Schwingung
Abbildung A-2: Negative feedback-loops mit Anpassungsstrungen495
Abbildung A-3: Archetypisches Verhalten496
495 496
In Anlehnung an Ulrich und Probst (1991), S.44. In Anlehnung an Senge (1994), S. 122f.
VIII
System Dynamics Fludiagramm-Beispiel: Hasenpopulationsmodell
FRACTION 2
flow 2 flow 1 stock 1 stock 2
FRACTION 1
Abbildung A-4: Generische Fludiagrammstruktur des S-Kurven-Wachstums497
Abbildung A-5: Verhalten der Bestandsvariablen im fehlerhaften Modell498
497 498
Quelle: Breierova (1996), S. 3. Quelle: Breierova (1996), S. 4.
IX
Abbildung A-6: Graphische Funktion des Bevlkerungseffekts499
Abbildung A-7: Verhalten der Bestandsgre Hasen im korrigierten Modell500 Der Bevlkerungseffekt hat einen Wert von 1, wenn die Bevlkerung der Hasen niedrig ist. Der Bevlkerungseffekt steigt auf einen Wert von 3 wenn die Anzahl der Hasen gleich der Normalen Hasenpopulation (Hasen im Verhltnis zu Normale Hasenpopulation ist gleich 1).501 Darber hinaus steigt der Bevlkerungseffekt weiterhin, wenn der Bruch aus Hasen im Verhltnis zu Normaler Hasenpopulation grer als 1 ist. Wenn also der Bruch aus Hasen und Normale Hasenpopulation 1 ist, sind alle Ressourcen aufgebraucht. Der Bevlkerungseffekt-Graph gibt einen Wert von 3, und der Sterbeanteil ist gleich dem Geburtenanteil. Dabei ist zu bercksichtigen, da Geburtenanteil dreimal so gro ist wie Normaler Todesanteil. Die Geburten sind gleich gro wie die Todesflle, was bedeutet, da sich das System bei 1000 Hasen stabilisiert. Im folgenden sind die mathematischen Gleichungen dokumentiert. Sie sind mit Originalbezeichnungen versehen, um 502 bersetzungsfehler zu umgehen.
499 500
Quelle: Breierova (1996), S. 6. Quelle: Breierova (1996), S. 7. 501 Der Wert von 3 wurde durch die Division von Geburtenanteil durch Normaler Todesanteil determiniert. 502 Nach Breierova (1996), S. 9f.
1) Modelldokumentation des fehlerhaften Hasenpopulationsmodells Additional_Rabbits_The_Area_Can_Support(t) = Additional_Rabbits-The _Area_Can_Support(t - dt) + (deaths - births) * dt INIT Additional_Rabbits-The _Area_Can_Support = 998 DOCUMENT: Additional number of rabbits that the area can support. It is equal to the maximum number of rabbits the area can support (1000) minus the currest number of rabbits. Units: Rabbits INFLOWS: deaths = Rabbits * death_fraction DOCUMENT: Number of rabbits dying every month. Units: Rabbits/month Outflows: births = Rabbits * BIRTH_FRACTION DOCUMENT: Number of rabbits born every month. Units: Rabbits/month RABBITS (t) = Rabbits(t - dt) + (births - deaths) *dt INIT Rabbits = 2 DOCUMENT: Total number of rabbits in the population. Units: Rabbits INFLOWS: births = Rabbits * BIRTH_FRACTION DOCUMENT: Number of rabbits born every month, Units: Rabbits/month OUTFLOWS: deaths = Rabbits * death_fraction DOCUMENT: Number of rabbits dying every month. Units: Rabbits/month BIRTH_FRACTION = 0.25 DOCUMENT: Number of rabbits born per rabbit and month. Units: 1/month death_fraction = 0.25 * Rabbits/(Rabbits+Additionsl_Rabbits_The _Area_Can_Support) DOCUMENT: Number of rabbits dying per rabbit and month. It is equal to 25% of the ratio of rabbits to the maximum rabbit population. Units: 1/month XI
2) Modelldokumentation des korrigierten Hasenpopulationsmodells Rabbits (t) = Rabbits (t - dt) + (births - deaths) * dt INIT Rabbit = 2 DOCUMENT: Total number of rabbits in the population. Units: Rabbits INFLOWS: births = Rabbits * BIRTH_FRACTION DOCUMENT: Number of rabbits born each month. Units: Rabbits/month OUTFLOWS: deaths = Rabbits * death_fraction DOCUMENT: Number of rabbits dying each month. Units: Dabbits/month BIRTH_FRACTION = 0.3 DOCUMENT: Number of rabbits born per rabbit and month. Units: 1/month death_fraction = NORMAL_DEATH_FRACTION * effect_of_crowding DOCUMENT; Number of rabbits dying per rabbit and month. Units: 1/month NORMAL_DEATH_FRACTION = 0.1 DOCUMENT: Number of rabbits dying per rabbit and month when there is no shortage of resources. Units: 1/month NORMAL_RABBIT_POPULATION = 1000 DOCUMENT: Number of rabbits that the area can support under normal conditions. Units: rabbits effect_of_crowding = GRAPH(Rabbits/NORMAL_RABBIT_POPULATION) (0.00, 1.00), (0.2, 1.00), (0.4, 1.10), (0.6, 1.30), (9.8, 2.00), (1.00, 3.00), (1.20, 4.20), (1.40, 5.62), (1.60, 7.80), (1.80, 11.1), (2.00, 15.0) DOCUMENT: Effect of the ratio of rabbits to the normal number of rabbits on the death fraction. Units: dimensionless XII
Literaturverzeichnis
Achi, Z., Doman, A., Sibony, O., Sinha, J. und Witt, St. (1995), The paradox of fast growing tigers, in: The McKinsey Quarterly, 31, 1995, 3, S. 5 - 17 Ackoff, R.L. (1994), Systems thinking and thinking systems, in: System Dynamics Review, 10, 1994, 2 - 3, S. 175 - 188 Albers, W., Born, K.E., Drr, E., Hesse, H., Kraft, A., Lampert, H., Rose, K., Rupp, H.-H., Scherf, H., Schmidt, K., Wittmann, W. (Hrsg., 1988), Handbuch der Wirtschaftswissenschaften, Neuauflage (10 Bnde), 6. und 7. Band, Stuttgart, New York u.a. 1988 Argyris, C. und Schn, D. (1978), Organizational learning: a theory of action perspective, Reading 1978 Asher, R.E. und Simpson, J.M.Y (Hrsg., 1992), The encyclopedia of language and linguistics (10 Bnde), Band 9, Oxford, New York u.a. 1992 Baetge, J. (1988), Systemtheorie, in: Albers u.a. (Hrsg., 1988), Band 7, S. 510 -534 Berens, W. und Delfmann, W. (1995), Quantitative Planung, 2. Auflage, Stuttgart 1995 Breierova, L. (1996), Mistakes and misunderstanding: use of generic structures and reality of stocks and flows, Arbeitspapier D-4646 des Massachusetts Institute of Technology, 1996, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM8/D-4646.pdf, 23.06.1999 Brown, G.S. (1992), Improving education in public schools: innovative teachers to the rescue, in: System Dynamics Review, 8, 1992, 1, S. 83 - 89 Brgel, H.D. (Hrsg., 1998), Wissensmanagement, Schritte zum intelligenten Unternehmen, Berlin, Heidelberg u.a. 1998 Bullinger, H.-J. (Hrsg., 1996), Lernende Organisationen - Konzepte, Methoden und Erfahrungsberichte, Hochschulgruppe: Arbeits- und Betriebsorganisation Forschungsberichte, Band 8, Stuttgart, 1996 XIII
Checkland, P. (1985), From optimizing to learning: a development of systems thinking for the 1990s, in: Journal of the Operational Research Society, 36, 1985, 9, S. 757 - 767 Coyle, R.G. (1977), Management System Dynamics, London, New York u.a. 1977 Coyle, R.G. (1981), A model of the dynamics of the Third World War - An exercise in technology transfer, in: Paulr (Hrsg., 1981), S. 203 - 214 Coyle, R.G. (1985), The use of optimisation for policy design in a system dynamics model, in: System Dynamics Review, 1, 1985, 1, S. 81 - 91 Coyle, R.G. (1996), System Dynamics modelling - A practical approach, London, Glasgow u.a. 1996 Coyle, R.G. (1998), The practice of system dynamics: milestones, lessons and ideas from 30 years experience, in: System Dynamics Review, 14, 1998, 4, S. 343 - 365 Coyle, R.G. (1999), System dynamics at Bradford University: a silver jubilee review, in: Journal of the Operational Research Society, 50, 1999, 4, S. 296 - 301 Coyle, R.G., Exelby, D. und Holt, J. (1999), System dynamics in defence analysis: some case studies, in: Journal of the Operational Research Society, 50, 1999, 4, S. 372 - 382 Crystal, D. (1987), The Cambridge encyclopedia of language, Cambridge, New York u.a. 1987 Dangerfield, B.C. (1999), System dynamics applications to European health care issues, in: Journal of the Operational Research Society, 50, 1999, 4, S. 345 - 353 Davidsen, P.I. (1999), Graduate programmes in system dynamics at the Universtiy of Bergen, Norway, in: Journal of the Operational Research Society, 50, 1999, 4, S. 311 - 313 Davidsen, P.I., Njurklo, M. und Wikstrm, H. (1993), Introducing system dynamicsin schools: the Nordic experience, in: System Dynamics Review, 9, 1993, 2, S. 165 181 Desmet, D., Finskud, L., Glucksman, M., Marshall, N.H., Reyner, M.J. und Warren, K. (1998), The end of voodoo brand management, in: The McKinsey Quarterly, 34, 1998, 3, S.106 - 117
XIV
Dichtl, E. und Issing, O. (Hrsg., 1994), Vahlens Groes Wirtschaftslexikon (4 Bnde), Band 4, 2. Auflage, Mnchen 1994 Drner, D. (1989), Die Logik des Milingens - Strategisches Denken in komplexen Situationen, Reinbeck 1989 Doyle, J.K. und Ford, D.N. (1998), Mental models concepts for system dynamics research, in: System Dynamics Review, 14, 1998, 1, S. 3 - 29 Draper, F. (1993), A proposed sequence for developing systems thinking in a grades 4 - 12 curriculum, in: System Dynamics Review, 9, 1993, 2, S. 207 - 214 Duhon, T. und Glick, M. (1994), S-Shaped Growth I, Arbeitspapier D-4432 des Massachusetts Institute of Technology, 1994, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM5/D4432.pdf, 26.08.1999 Ellinger, Th. (1990), Operations Research - Eine Einfhrung, 3. Auflage, Berlin, Heidelberg u.a. 1990 Espejo, R. (1994), What is systemic thinking?, in: System Dynmics Review, 10, 1994, 2-3, S. 199 - 212 Faria, A.J. (1998), Business simulation games: current usage levels - an update, in: Simulating & Gaming, 29, 1998, 3, S. 295 - 308 Flechtner, H.J. (1966), Grundbegriffe der Kybernetik: Eine Einfhrung, Stuttgart 1966 Ford, D.N. und Sterman, J.D. (1998), Expert knowledge elicitation to improve formal and mental models, in: System Dynamics Review, 14, 1998, 4, S. 309 - 340 Forrester, J.W. (1958), Industrial dynamics: a major breakthrough for decision makers, in: Harvard Business Review, 36, 1958, 4, S. 37 - 66 Forrester, J.W. (1961), Industrial dynamics, Portland 1961 Forrester, J.W. (1968), Industrial dynamics: after the first decade, in: Management Science, 14, 1968, 7, S. 398 - 415 Forrester, J.W. (1969), Urban dynamics, Portland 1969 XV
Forrester, J.W. (1971), World dynamics, Cambridge 1971 Forrester, J.W. (1972), Grundzge einer Systemtheorie (Principles of Systems), Wiesbaden 1972 Forrester, J.W. (1975), Collected papers of Jay W. Forrester, Cambridge 1975 Forrester, J.W. (1977), Industrial dynamics, 9. Auflage, Cambridge 1977 Forrester, J.W. (1987), Lessons from system dynamics modeling, in: System Dynamics Review, 3, 1987, 2, S. 136 - 149 Forrester, J.W. (1989), The beginning of system dynamics; Banquet talk at the international meeting of the System Dynamics Society in Stuttgart, Germany, July 13, 1989 Forrester, J.W. (1992), System dynamics and learner-centered-learning in kindergarten through 12th grade education, Arbeitspapier D-4337 des Massachusetts Institute of Technology, 1992, in: FTP://sysdyn.mit.edu/ftp/sdep/papers/D-4337.pdf, 16.05.1999 Forrester, J.W. (1993), System dynamics as an organizing framework for pre-college education, in: System Dynamics Review, 9, 1993, 2, S. 183 - 194 Forrester, J.W. (1994a), Learning through system dynamics as preperation for the 21st century; Keynote address for Systems Thinking and Dynamics Modeling Conference for K12 education at Concord Acadamy, Concord, MA, USA, June 27 29, 1994, Arbeitspapier D-4434-1 des Massachusetts Institute of Technology, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM8/D-4434-1.pdf Forrester, J.W. (1994b), System dynamics, systems thinking, and soft OR, in: System Dynamics Review, 10, 1994, 2, S. 245 - 256 Forrester, J.W. (1994c), Policies, decisions, and information sources for modeling, in: Morecroft, J.D.W. und Senge, J.D. (Hrsg., 1994), S. 51 - 84 Forrester, J.W. (1995a), Counterintuitive behavior of social systems, Arbeitspapier D-44681des Massachusetts Institute of Technology, 1995, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM1/D-4468-1.pdf, 23.06.1999
XVI
Forrester, J.W. (1995b), The begining of system dynamics, in: The McKinsey Quarterly, 31, 1995, 4, S. 4 - 16 Glucksman, M. und Morecroft, J. (1998), Managing metamorphosis, in: The McKinsey Quarterly, 34, 1998, 2, S. 118 - 129 Goodman, M. und Karash, R. (1995), Six steps to thinking systematically, in: The Systems Thinker, 6, 1995, 2, S. 6 - 8 Goold, M. und Campbell, A. (1999), Synergien suchen - um jeden Preis?, in: Harvard Business manager , 21, 1999, 2, S. 65 - 77 Greschner, J. (1996), Lernfhigkeit von Unternehmen: Grundlagen organisationaler Lernprozesse und Untersttzungstechnologien fr Lernen im strategischen Management, Frankfurt am Main 1996 Grler, A. (1999), The influence of decision time on performance in use of a business simulator, Arbeitspapier System Dynamics 99-1 des Industrieseminars der Universitt Mannheim, 1999, in: http://iswww.bwl.unimannheim.de/lehrstuhl/mitarbeiter/agroe/a_sd99_1.htm, 26.08.1999 Grler, A., Notzon, I. und Shehzad, A. (1999), Constructing an interactive learning environment (ILE) to conduct evaluation experiments, Arbeitspapier System Dynamics 99-2 des Industrieseminars der Universitt Mannheim, 1999, in: http://iswww.bwl.uni-mannheim.de/lehrstuhl/mitarbeiter/agroe/a_sd99_2.htm, 26.08.1999 Hannon, B. und Ruth, M. (1994), Dynamic modeling, New York, Berlin u.a. 1994 Heij, Chr., Schumacher, H., Hanzon, B. und Praagman, K. (Hrsg., 1997), System dynamics in economic and financial models, Chichester, New York u.a. 1997 Hight, J. (1995), System dynamics for kids, Arbeitspapier D-4489-1 des Massachusetts Institute of Technology, 1995, in: FTP://sysdyn.mit.edu/ftp/sdep/papers/D-4489-1.pdf, 26.08.1999 Hopkins, P.L. (1992), Classroom implementation of STELLA to illustrate Hamlet, in: System Dynamics Review, 8, 1992, 1, S. 91 - 98
XVII
Horvth, P. (1996), Controlling, 6. Auflage, Mnchen 1996 Hunger J.D. und Wheelen, T.L. (1996), Strategic management, 5. Auflage, Reading, New York u.a. 1996 Jackson, M.C. (1994), Critical systems thinking: beyond the fragments, in: System Dynamics Review, 10, 1994, 2 - 3, S. 213 - 229 Karnopp, D.C., Margolis, D.L. und Rosenberg, R.C. (1990), System dynamics: a unified approach, 2. Auflage, New York, Chichester u.a. 1990 Kauffman, D.L.Jr. (1980), Systems one: an introduction to systems thinking, Minneapolis 1980 Keough, M. und Doman, A. (1992), The CEO as an organization designer; An interview with Professor Jay W. Forrester, in: The McKinsey Quarterly, 28, 1992, 2, S. 3 30 Kim, D.H. (1990), A palette of systems thinking tools, in: The Systems Thinker, Reprint, Vol. 1, No. 3, Cambridge 1990 Kim, D.H. und Senge, P.M. (1994), Putting systems thinking into practice, in: System Dynamics Review, 10, 1994, 2 - 3, S. 277 - 290 Kivijava, H. und Tuominen, M (1986), Solving economic optimal control problems with system dynamics, in: System Dynamics Review, 2, 1986, 2, S. 138 - 150 Kuhn, T.S., (1976), Struktur wissenschaftlicher Revolution, 2. Auflage, Frankfurt am Main 1976 Langfield-Smith, K. (1992), Exploring the need for a shared cognitive map, in: Journal of Management Studies, 29, 1992, 3, S. 349 - 367 Lane, D.C. (1994), With a little help from our friends: how system dynamics and soft OR can learn from each other, in: System Dynamics Review, 10, 1994, 2 - 3, S. 101 - 134 Lane, D.C. (1995a), On a resurgence of management simulations and games, in: Journal of the Operational Research Society, 46, 1995, 5, S. 604 - 625 Lane, D.C. (1995b), Trying to think systematically about systems thinking, in: Journal of the Operational Research Society, 46, 1995, 9 , S. 1158 - 1162
XVIII
Lane, D.C. (1998), Can we have confidence in generic structures?, in: Journal of the Operational Research Society, 49, 1998, 9, S. 936 - 947 Lane, D.C. (1999), Friendly amendment: a commentary on Doyle and Fords proposed redefinition of mental models, in: System Dynamics Review, 15, 1999, 2, S. 185 194 Liehr, M., Grler, A. und Klein, M. (1999), Understanding business cycles in the airline market, Arbeitspapier System Dynmics 99-3 des Industrieseminars der Universitt Mannheimin, 1999, in: http://iswww.bwl.unimannheim.de/lehrstuhl/mitarbeiter/agroe/a_sd99_3.htm, 26.08.1999 Lffelholz, J. (1975), Kybernetik, in: Sellien, R. und Sellien, H. (Hrsg., 1975), Band 1, Sp. 2598 - 2602. Lck, W. (1990), Rechnungslegung nach Handels- und Steuerrecht, 4. Auflage, Bonn 1990 Lyneis, J.M. (1980), Corporate planning and policy design: a system dynamics approach, Cambridge und London 1980 Lyneis, J.M. (1999), System dynamics for business strategy: a phased approach, in: System Dynamics Review, 15, 1999, 1, S. 37 - 70 Maier, F.H. und Grler, A. (1998), A taxonomy for computer simulations to support learning about socio-economic systems, Arbeitspapier System Dynamics 98-2 des Industrieseminars der Universitt Mannheim, 1998, in: http://iswww.bwl.unimannheim.de/lehrstuhl/mitarbeiter/agroe/p_agsd98_2_proc.pdf, 31.08.1999 Malik, F. (1996), Strategie des Managements komplexer Systeme, 2. Auflage, Bern, Stuttgart und Wien 1996 Mass, N.J. und Berkson, B. (1995), Going slow to go fast, in: The McKinsey Quarterly, 31, 1995, 4, S. 19 - 29 Meadows, D.L. (1989), Gaming to implement System Dynamics Models, in: Milling und Zahn (Hrsg., 1989), S. 635 - 640 Meadows, D.L., Meadows, D.H., Landers, J. und Behrens, W.W.III., (1972), The limits to growth, New York 1972
XIX
Meen, D.M. und Keough, M. (1992), Creating the learning organization: an interview with Peter Senge, in: McKinsey Quarterly, 28, 1992, 1, S. 58 - 86 Milling, P. (1984), System Dynamics - Konzeption und Anwendung einer Systemtheorie, Universtitt Osnabrck, Fachbereich Wirtschaftswissenschaften, Osnabrck 1984 Milling, P. (Hrsg., 1991), Systemmanagement und Managementsysteme, Berlin 1991 Milling, P. (1998), Managementsimulationen im Proze der Organisationalen Lernens, Arbeitspapier 9802 des Industrieseminars der Universtit Mannheim, 1998, in: http://iswww.bwl.uni-mannheim.de/lehrstuhl/publikationen/MgtSimul.pdf, 23.06.1999 Milling, P. (1999), System dynamics at Mannheim University, in: Journal of the Operational Research Society, 50, 1999, 4, S. 309 - 310 Milling, P. und Zahn, E.O.K. (Hrsg., 1989), Computer-based management of complex systems, Berlin, Heidelberg u.a. 1989 Morecroft, J.D.W. (1988), System dynamics and microworlds for policymakers, in: European Journal of Operational Research, 35, 1988, 3, S. 301 - 320 Morecroft, J.D.W. (1994), Executive knowledge, models, and learning, in: Morecroft and Sterman (Hrsg., 1994), S. 3 - 28 Morecroft, J.D.W. (1999a), System Dynamics in Europe today: a review of professional infrastructure and academic programmes, in: Journal of the Operational Research Society, 50, 1999, 4, S. 302 - 304 Morecroft, J.D.W. (1999b), System dynamics in MBA education at London Business School, in: Journal of the Operational Research Society, 50, 1999, 4, S. 305 - 308 Morecroft, J.D.W. und Sterman, J.D. (Hrsg., 1994), Modeling for learning organizations, Portland 1994 Mller-Merbach, H. (1992), Operations Research: Methoden und Modelle der Optimalplanung, 3. Auflage, Mnchen 1992 Nakamura, S. (1999), An interindustry approach to analyzing economic and environmental effects of the recycling of waste, in: Ecological Economics, 28, 1999, 1, S. 133 - 145 XX
Naill, R.F. (1992), A system dynamics model for national energy policy planning, in: System Dynamics Review, 8, 1992, 1, S. 1 - 19 Nonaka, I. und Takeuchi, H. (1995), The knowledge creating company. How Japanese companies create the dynamics of innovation, Oxford 1995 Ogata, K. (1992), System Dynamics, 2. Auflage, London, Sydney u.a. 1992 o.V. (1999a), Was ist System Dynamics?, in: http://prod-org.bwl.uni-mainz.de/sd/lulinfo.htm, 07.05.1999 o.V. (1999b), System dynamics, in: http://www.dpsnet.com/system/system.htm, 17.05.1999 o.V. (1999c), Thinking systematically, in: http://www.dpsnet.com/system/example.htm, 17.05.1999 o.V. (1999d), Road maps glossary, Arbeitspapier D-4498 des Massachusetts Institute of Technology, 1999, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RMGlossary/D4498.pdf, 23.06.1999 Ossimitz, G. (o.J.), Qualitatives und quantitatives systemdynamisches Modellieren, Arbeitspapier des Instituts fr Mathematik, Statistik und Didaktik der Mathematik der Universitt Klagenfurt, o.J., in: http://www.uniklu.ac.at/users/gossimit/pap/qualqua.htm, 23.06.1999 Ossimitz, G. (1995), Systemisches Denken und Modellbilden, Arbeitspapier des Instituts fr Mathematik, Statistik und Didaktik der Mathematik der Universitt Klagenfurt, 1995, in: http://www.uni-klu.ac.at/users/gossimit/pap/go95dhtm, 18.05.1999 Ossimitz, G. (1997), Entwicklung vernetzten Denkens, Arbeitspapier des Instituts fr Mathematik, Statistik und Didaktik der Mathematik der Universitt Klagenfurt, 1997, in: http://www.uni-klu.ac.at/users/gossimit/proj/entvd.htm, 23.06.1999 Ossimitz, G. (1998), Systemisches Denken und systemisches Management, Arbeitspapier des Instituts fr Mathematik, Statistik und Didaktik der Mathematik der Universitt Klagenfurt, 1998, in: http://www.uni-klu.ac.at/users/gossimit/pap/sysdenk2.htm, 18.05.1999
XXI
Ossimitz, G. (1999), The development of systems thinking skills using system dynamics modeling tools, Arbeitspapier des Instituts fr Mathematik, Statistik und Didaktik der Mathematik der Universitt Klagenfurt, 1999, in: http://www.uniklu.ac.at/users/gossimit/sdyn/gdm_eng.htm, 17.05.1999 Pagenkopf, J. (1998), Simulation, in: Albers u.a. (Hrsg., 1988), Band 6, S. 536 - 549 Paich, M. (1985), Generic structures, in: System Dynamics Review, 1, 1985, 1, S. 126 - 132 Papert, S. (1980), Mindstorms. Children, computers, and powerful ideas, New York 1980 Patzak, G. (1982), Systemtechnik, Planung komplexer innovativer Systeme: Grundlagen, Methoden, Techniken, Berlin 1982 Paulr, E. (Hrsg., 1981), System dynamics and the analysis of change, Amsterdam, New York und Oxford 1981 Peterson, D.W. und Eberlein, R.L. (1994), Reality check: a bridge between systems thinking and system dynamics, in: System Dynamics Review, 10, 1994, 2 - 3, S. 159 - 174 Porter, M.E. (1997), Nur Strategie sichert auf Dauer hohe Ertrge, in: Harvard Business manager, 19, 1997, 3, S. 42 - 58 Radzicki, M.J. (1996), A system dynamics analysis of restructuring in the New York State Electric Power Industry, Arbeitspapier der Sustainable Solutions, Worcester Massachusetts, U.S.A., 1996, in: http://www.tiac.net/users/sustsol/electric.htm, 17.05.1999 Richardson, G.P. (1986), Problems with causal-loop diagrams, in: System Dynamics Review, 2, 1986, 2, S. 158 - 170 Richardson, G.P. (1999), Reflections for the future of system dynamics, in: Journal of the Operational Research Society, 50, 1999, 4, S. 440 - 449 Richmond, B. (1981), Toward a structural theory of cancer, in: Paulr (Hrsg., 1981), S. 173 199 Richmond, B. (1993), Systems thinking: critical thinking skills for the 1990s and beyond, in: System Dynamics Review, 9, 1993, 2, S. 113 - 133 XXII
Richmond, B. (1994), Systems thinking/system dynamics: lets just get on with it, in: System Dynamics Review, 10, 1994, 2 - 3, S. 135 - 157 Richmond, B. (1997), The Strategic Forum: aligning objectives, strategy and process, in: System Dynamics Review, 13, 1997, 2, S. 131 - 148 Roberts, E.B. (1978), System dynamics - an introduction, in: Roberts (Hrsg., 1978), S. 3 - 35 Roberts, E.B. (Hrsg., 1978), Managerial applications of system dynamics, Cambridge und London 1978 Rodrigues, A.G. und Williams, T.M. (1998), System dynamics in project management: assessing the impacts of client behaviour on project performance, in: Journal of the Operational Research Society, 49, 1998, 1, S. 2 - 15 Rosenrn, T. und Kofoed, L. B. (1998), Reflection in learning processes through simulating/gaming, in: Simulation & Gaming, 29, 1998, 4, S. 432 - 440 Rowell, D. und Wormley, D.N. (1997), System dynamics: an introduction, Upper Saddle River, London u.a. 1997 Ruth, M. und Hannon, B. (1997), Modeling dynamic economic systems, New York, Berlin und Heidelberg 1997 Saint-Onge, H. (1996), Tacit knowledge - The key to the strategic alignment of intellectual capital, in: Strategy & Leadership, 24, 1996, 3 - 4, S. 10 - 14 Schanz, G. (1994), Theorie, in: Dichtl und Issing (Hrsg., 1994), Band 4, S. 2086 - 2087 Schiemenz, B. (1993), Betriebswirtschaftliche Systemtheorie, in: Wittmann u.a. (Hrsg., 1993), Band 3, Sp. 4127 - 4140 Schmid, U. (1997), Produzieren im Zeichen kologischer Nachhaltigkeit, in: UmweltWirtschaftsForum, 5, 1997, 2, S. 21 - 28 Schneider, H. (1986), Mikrokonomie, 4. Auflage, Mnchen 1986
XXIII
Sellien, R. und Sellien, H. (Hrsg., 1975), Dr. Gablers Wirtschafts-Lexikon (2 Bnde), Band 1, 9. Auflage, Wiesbaden 1975 Senge, P. (1990), The fifth discipline: the art and practice of the learning organization, New York, London u.a. 1990 Senge, P. (1994), The fifth discipline fieldbook - strategies and tools for building a learning organization, New York 1994 Senge, P.M. und Sterman, J.D. (1994), Systems thinking and organizational learning: acting locally and thinking globally in the organization of the future, in: Morecroft und Sterman (Hrsg., 1994), S. 195 - 216 Shreckengost, R.C. (1985), Dynamic simulation models: How valid are they?, Arbeitspapier D4463 des Massachusetts Institute of Technology, 1985, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM5/D-4463.pdf, 23.06.1999 Siewierska, A. (1992), Word order and linearization, in: Asher und Simpson (Hrsg., 1992), Band 9, S. 4993 - 4999 Sterman, J.D. (1988), Mannual of People Express - management flight simulator, Cambridge 1988 Sterman, J.D. (1991), A skeptics guide to computer models, Arbeitspapier D-4101-1 des Massachusetts Institute of Technology, 1991, in: ftp://sysdyn.mit.edu/ftp/sdep/Roadmaps/RM9/D-4101-1.pdf, 23.06.1999 Sterman, J.D. (1994), Learning in and about complex systems, in: System Dynamics Review, 10, 1994, 2 - 3, S. 291 - 330 Ulrich, H. (1970), Dir Unternehmung als produktives soziales System, 2. Auflage, Bern und Stuttgart 1970 Ulrich, H. und Probst, G.J.B. (1991), Anleitung zum ganzheitlichen Denken und Handeln: Ein Brevier fr Fhrungskrfte, 3. Auflage, Bern und Stuttgart 1991 Vennix, J.A.M., Gubbels, J.W. Post, D. und Poppen, H.J. (1990), A structured approach to knowledge elicitation in conceptual model building, in: System Dynamics Review, 6, 1990, 2, S. 194 - 208
XXIV
Vennix, J.A.M., Andersen, D.F., Richardson, G.P. und Rohrbauch, J. (1994), Model building for group decision support: issues and alternatives in knowledge elicitation, in: Morecroft und Sterman (Hrsg., 1994), S. 29 - 49 Vennix, J.A.M., Akkermans, H.A., Rouwette, E.A.J.A. (1996), Group model-building to facilitate organization change: an exploratory study, in: System Dynamics Review, 12, 1996, 1, S. 39 - 58 Warren, K. und Langley, P. (1999), The effective communication of system dynamics to improve insight and learning in management education, in: Journal of the Operational Research Society, 50, 1999, 4, S. 396 - 404 Weil, H.B. und Veit, K.P. (1989), Corporate Strategic Thinking: The Role of System Dynamics, in: Milling, P.M. (Hrsg., 1989), S. 66 - 74 Westkmper, E., Zahn, E., Aupperle, G., Gagsch, B. und Herbst, C. (1999), Simulation als Instrument zur ganzheitlichen Marktausrichtung, in: Zeitschrift fr wirtschaftlichen Fabrikbetrieb, 94, 1999, 1-2, S. 29 - 32 Wiener, N. (1952), Mensch und Menschmaschine, Frankfurt am Main 1952 Winch, G. (1999), Dynamic visioning for dynamic environments, in: Journal of the Operational Research Society, 50, 1999, 4, S. 354 - 361 Wittmann, W., Kern, W., Khler, R., Kpper, H.-U., v. Wysocki, K. (Hrsg., 1993), Handwrterbuch der Betriebswirtschaft (3 Bnde), Band 3, 5. Auflage, Stuttgart 1993 Wolstenholme, E.F. (1990), System enquiry - A system dynamics approach, Chichester, New York u.a. 1990 Wolstenholme, E.F. (1994), A systematic approach to model creation, in: Morecroft und Senge (Hrsg., 1994), S. 175 - 194 Wolstenholme, E.F. (1999), Qualitative vs quantitative modelling: the evolving balance, in: Journal of the Operational Research Society, 50, 1999, 4, S. 422 - 428
XXV
Wolstenholme, E.F. und Coyle, R.G. (1983), The development of system dynamics as a methodology for system description and qualitative analysis, in: Journal of the Operational Research Society, 34, 1983, 7, S. 569 - 581 Zahn, E.O.K. (1991), Strategieuntersttzungssysteme, in: Milling (Hrsg., 1991), S. 43 - 79 Zahn, E.O.K. (1998), Wissen und Strategie, in: Brgel (Hrsg., 1998), S. 41 - 52 Zahn, E.O.K. (1999), Strategizing needs systems thinking, Arbeitspapier 3-99 des Lehrstuhls fr Allgemiene Betriebswirtschaft und Betriebswirtschaftliche Planung der Universitt Stuttgart, 1999, erscheint in: Systems thinking for the next millenium, Prodeedings of the 17th International Conference of the System Dynamics Society & Australian New Zealand Systems Conference, Wellington, New Zealand, 20 - 23 July 1999 Zahn, E.O.K. und Greschner, J. (1996), Strategische Erneuerung durch organisationales Lernen, in: Bullinger (Hrsg., 1996), S. 41 - 74
XXVI
Ich erklre, die vorliegende Arbeit selbstndig verfat und keine anderen als die angegebenen Hilfsmittel benutzt zu haben.
Stuttgart, den 19.09.1999
XXVII

It Komplett Florian Kapmeier-1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

It Komplett Florian Kapmeier-1

Hochgeladen von

Copyright:

Verfügbare Formate

Vom systemischen Denken zur Methode System Dynamics

Florian Kapmeier Dillmannstrae 29 70193 Stuttgart

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Nach ULRICHS Auffassung gibt es noch weitere Ausschludefinitionen fr den Systembegriff:25

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Abbildung 2-2: Beziehungsarten44

Vom systemischen Denken zur Methode System Dynamics

2.5 Systemeigenschaften 2.5.1 berblick

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

2.5.3 Dynamisches Verhalten

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Relative komplexes System

uerst komplexes System

Kompliziertes System Vielzahl / Vielfalt

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Ursache Ursache ? Wirkung

Handeln als Ursache einer Wirkung

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Armut Unzureichende Ausbildung Mangelnde Geburtenkontrolle Religise Sanktionen

Abbildung 4-2: Additive Argumenteliste183

Abbildung 4-3: Rckkopplungskreislauf184

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vgl. Goodman und Karash (1995), S. 7.

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics

Vom systemischen Denken zur Methode System Dynamics