به دنبال نظر بیل هریس در مورد “آیا نمودارهای حلقه علی مفید هستند؟“، من به دنبال نمودارهای تأثیر ترکیبی کویل گشتم. آنها را پیدا نکردم، اما به جای آن با این مکالمه جالب در SDR روبرو شدم:
سنت، می‌توان آن را ارتدکس نامید، در پویایی سیستم این است که یک مشکل فقط از طریق حمایت یک مدل کاملاً کمی قابل تجزیه و تحلیل و ارائه راهنمایی‌های سیاستی است. با این حال، در 15 سال گذشته، تعدادی مدل کاملاً کیفی شرح داده شده‌اند و در ادبیات مورد انتقاد قرار گرفته‌اند. این مقاله به طور خلاصه آن بحث را مرور می‌کند و سپس در مورد برخی از مشکلات و خطراتی که گاهی در کمی‌سازی دخیل هستند، بحث می‌کند. آن مشکلات با تجزیه و تحلیل یک مدل خاص نشان داده می‌شوند، که مشخص می‌شود ارتباط کمی با مشکل واقعی که ادعا می‌کرد تجزیه و تحلیل می‌کند، دارد. سپس برخی از مدل‌های کیفی بررسی می‌شوند تا نشان دهند که در واقع می‌توانند به بینش‌های سیاستی منجر شوند و پنج نقش برای مدل‌های کیفی شناسایی می‌شوند. در نهایت، یک دستور کار تحقیقاتی برای تعیین تعادل عاقلانه بین مدل‌های کیفی و کمی پیشنهاد می‌شود.
… در هیچ یک از این کارها بیان یا تلویح نشد که رفتار پویا را می‌توان به طور قابل اعتماد از یک نمودار پیچیده استنباط کرد؛ صرفاً استدلال شده است که توصیف یک سیستم، به خودی خود، کار مفیدی است و ممکن است منجر به درک بهتر مسئله مورد نظر شود. از سوی دیگر، تلویح شده است که در برخی موارد، کمی‌سازی ممکن است با چنان عدم قطعیت‌های زیادی مواجه شود که خروجی‌های مدل ممکن است آنقدر گمراه‌کننده باشند که استنباط‌های سیاستی حاصل از آنها ممکن است توهمی باشند. مسئله تحقیق این است که آیا شرایطی وجود دارد که عدم قطعیت‌های شبیه‌سازی ممکن است آنقدر بزرگ باشد که نتایج برای تحلیلگر و مشتری به طور جدی گمراه‌کننده باشد یا خیر.
… این جریان کاری نظرات مخالف را به خود جلب کرده است. لین تا آنجا پیش رفته است که ادعا کند پویایی سیستم بدون شبیه‌سازی کمی یک تناقض‌نما است و آن را “پویایی سیستم لایت (sic)” نامیده است. …
کویل (2000) مدل‌سازی کیفی و کمی در پویایی سیستم: برخی سوالات تحقیق
جک هومر و روگلیو اولیوا آن را نمی‌پذیرند:
جف کویل اخیراً این سوال را مطرح کرده است که آیا ممکن است موقعیت‌هایی وجود داشته باشد که شبیه‌سازی کامپیوتری ارزشی فراتر از آنچه از نقشه‌برداری کیفی حلقه علی به دست می‌آید، اضافه نکند. ما استدلال می‌کنیم که شبیه‌سازی تقریباً همیشه ارزش افزوده دارد، حتی در مواجهه با عدم قطعیت‌های قابل توجه در مورد داده‌ها و فرمول‌بندی متغیرهای نرم. این ارزش از این واقعیت ناشی می‌شود که مدل‌های شبیه‌سازی به طور رسمی قابل آزمایش هستند، و امکان استنباط قابل اعتماد رفتاری و سیاستی از طریق شبیه‌سازی را به گونه‌ای فراهم می‌کنند که با نقشه‌ها به تنهایی به ندرت امکان‌پذیر است. حتی در مواردی که عدم قطعیت‌ها برای رسیدن به نتایج قطعی از یک مدل بسیار زیاد است، شبیه‌سازی می‌تواند با نشان دادن اینکه کدام قطعات اطلاعاتی برای امکان‌پذیر کردن نتایج قطعی مورد نیاز است، ارزش ارائه دهد. اگرچه نقشه‌برداری کیفی برای توصیف یک وضعیت مشکل و علل و راه حل‌های احتمالی آن مفید است، ارزش افزوده مدل‌سازی شبیه‌سازی نشان می‌دهد که باید برای تجزیه و تحلیل پویا هر زمان که ریسک‌ها قابل توجه است و زمان و بودجه اجازه می‌دهد، استفاده شود.
هومر و اولیوا (2001) نقشه‌ها و مدل‌ها در پویایی سیستم: پاسخی به کویل
کویل پاسخ می‌دهد:
این پاسخ روشن می‌کند که بین موضع من و موضع هومر و اولیوا که در پاسخ آنها تشریح شده است، توافق قابل توجهی وجود دارد. جایی که ما اختلاف نظر داریم، عمدتاً در این است که کمی‌سازی تا چه اندازه مزیت ارزشمندی فراتر از تجزیه و تحلیل از تجزیه و تحلیل کیفی (نمودارها و گفتمان) به تنهایی ارائه می‌دهد. کمی‌سازی ممکن است در واقع در بسیاری از موارد ارزش بالقوه ارائه دهد، اگرچه حتی در اینجا ممکن است واقعاً “ارزش در ازای پول” را نشان ندهد. با این حال، حتی نگران‌کننده‌تر این است که در موارد دیگر، خطرات مرتبط با تلاش برای کمی‌سازی روابط نرم متعدد و ضعیف درک شده احتمالاً از هر مزیت بالقوه‌ای که ممکن است وجود داشته باشد، بیشتر است. برای پشتیبانی از این پیشنهادات، من ارجاعات بیشتری به کارهای منتشر شده اضافه می‌کنم که مطالعات موثر مبتنی بر کیفی صرف را شرح می‌دهند، و یک مثال دنیای واقعی دیگر ارائه می‌دهم که در آن هر گونه تلاش برای کمی‌سازی “نرمی متعدد” می‌تواند منجر به سردرگمی به جای روشنگری شود. پیشنهاد من همچنان این است که این مسئله‌ای است که شایسته تحقیق واقعی برای آزمایش مواضع هومر و اولیوا، خودم و بدون شک دیگران است، که در این مرحله عمدتاً مبتنی بر تجربیات شخصی و شواهد حکایتی است.
نظر فیدمن:
من با کویل موافقم که مدل‌های کیفی اغلب می‌توانند منجر به بینش شوند. با این حال، من استدلال نمی‌کنم که خطرات کمی‌سازی متغیرهای نرم ضعیف درک شده از مزایا بیشتر است. اول، اگر متغیرهای مورد نظر واقعاً آنقدر مبهم باشند که نتوان آنها را درک کرد، آن بخش از تلاش مدل‌سازی شکست خواهد خورد. با این وجود، مدل‌ساز قطعات کاری دیگری خواهد داشت که فیزیکی‌تر یا قطعی‌تر هستند، و بینشی در مورد زمینه‌ای که متغیرهای نرم در آن عمل می‌کنند، ارائه می‌دهد. دوم، تا زمانی که مدل‌ساز کارها را به درستی انجام دهد، که به معنای صرف تلاش کافی برای اعتبار سنجی و تحلیل حساسیت است، خطر کمی‌سازی نادرست خود را به عنوان عدم قطعیت‌های بزرگ در رفتار منوط به فرضیات مورد نظر نشان می‌دهد. سوم، صرف تلاش برای کمی‌سازی کیفی احتمالاً بینشی در مورد متغیرهای نامطمئن ایجاد می‌کند، که از رویکرد صرفاً کیفی فراتر می‌رود. در واقع، من استدلال می‌کنم که خطر بزرگتر در رویکرد کیفی نهفته است، زیرا کاملاً محتمل است که ساختارهای ظاهراً معقول در یک نمودار بدون چالش باقی بمانند، در حالی که مشکلات مفهومی عمیقی را در خود جای می‌دهند که توسط مدل‌سازی آشکار می‌شوند.
من این را به عنوان یک سوال هزینه-فایده می‌بینم. با منابع نامحدود، یک مدل همیشه یک نمودار را شکست می‌دهد. مشکل این است که در بسیاری از موارد زمان، پول و اراده شرکت‌کنندگان کم است، یا با توجه به مقیاس کوچک یک مشکل قابل توجیه نیست. اغلب در آن موارد یک رویکرد کیفی توجیه می‌شود، و نمودارسازی یا استخراج ساختار دیگر احتمالاً نتیجه بهتری نسبت به صحبت صرف خواهد داشت. همچنین، در جایی که منابع محدود است، یک تلاش مدل‌سازی بیش از حد مشتاقانه می‌تواند منجر به تمرکز محدود، تأکید بیش از حد بر مفاهیم به راحتی قابل کمی‌سازی، و شکست در پیاده‌سازی به دلیل مدل بیش از حد و فرآیند ناکافی شود. اگر خطری برای مدل‌سازی وجود دارد، این است – اما این خطر مدل‌سازی بد است، و بسیاری از آنها وجود دارد.