建立模型来理解系统

究其本质，系统建模仅仅意味着将因果联系起来。你把一个苹果从树上摇下来之后，重力会使它落到地上。如果一个组织花的比赚的多，它的现金储备就会耗尽。这些都是不可抗拒的直接的一阶效应。在一个定义明确的系统中，一阶效应是可以预测的，几乎没有什么随机性。

一旦加入了多重因果、可变性或随机性（这些在人类系统中是不可避免的），因果关系就变得更加复杂。与孟德尔的豌豆实验不同，一个组织、一个市场或一个金融系统的特征通常不是独立的，它们会相互影响。例如，通货膨胀和利率波动对现金流具有足够大的影响，因此必须与直接成本和收入一同考虑。

随着这些复杂因素的不断累积，人们和组织往往会做两件事中的一件。他们可能会使用一阶思维，希望那些不太可预测的部分不会对结果产生太大影响。他们可能还会认命地表示：“如果我都觉得建模太复杂，那么其他人也会觉得太复杂，所以何必费这个劲儿呢？”

因此，这些组织几乎总是有可能开发出一个聊胜于无的模型。如果无法创建任何类型的模型，你就容易遭到能够成功建模的人的攻击。这就是为何具有抗风险能力的组织往往热衷于建模。你能猜到美国招募经济学博士人数最多的私营公司是哪一家吗？答案是亚马逊。这些经济学家几乎完全专注于对可能的未来进行建模。

从金融业到制造业再到交通管理，许多领域都出现了系统模型。虽然使用的术语不同，但它们或多或少都包含相同的要素。本书将其称作：节点、链路、输入、输出、速率和频率（表 4.1）。

表 4.1 系统模型要素

续表

换一个比喻，人类的循环系统包括：

·一个心脏（节点）；

·通过血管（链路）输送血液；

·每分钟搏动 60 次（频率）；

·每分钟有 5 品脱[2]的血液在系统中流动（速率）；

·输送到其他器官（其他节点）。

循环系统还有一个通常十分重要的特征——方向：

·血液从心脏流向肺部，从那里获得供给器官的氧气，然后流回心脏（方向）。

逐渐变小的子系统嵌套在这些节点中。例如，心脏包括左、右心室，每一个心室之中都嵌套着更小的子系统，如本身就由细胞组成的肌肉群和神经。

各种控制系统都是用这种方法设计的，商业领域尤其如此。分销链就是一个常见的例子：

·工厂将新产品运至分销链中（输入）；

·位于分销链不同位置的多个仓库储存库存（节点）；

·车辆沿着供给线运输产品（链路）；

·根据所需的速率与频率，选择适当的运输工具，如飞机、火车、船只等；

·产品到达最终目的地（输出）时，卖家获得报酬。

这种方法，我们称之为系统模型，其威力未必是它的预测能力，而是清晰度。你可以在笔记本或电子表格中列出各种要素，在餐巾纸上画出模型。就采取何种控制措施而言，仍需要做出许多决定。但是在这个结构中列出变量，可以帮助你把注意力集中在能产生最大影响的微小变化上。

所有需要弄清楚复杂性的地方几乎都会出现系统模型。这就是科学家模拟气候变化的方式、情报分析人员确定本·拉登驻地位置的方式，也是埃隆·马斯克决定他可以通过建造火箭来获利的方式。

在所有输入均已知的情况下，这些模型是有效的。当一系列的理论数值被输入系统时，它们也能发挥作用。如果统计学家想要了解可能出现的结果范围，他们会将所有可能的变量组合都输入模型（蒙特卡洛模拟）。

然而，随着系统变得越来越复杂，这种方法可能会耗费大量时间和计算，最终得到一个糟糕的结果。道格拉斯·亚当斯（Douglas Adams）的科幻小说《银河系搭车客指南》中就有一个特别令人震惊的例子：一台名为“深思”的超级计算机用了 750万年来计算生命、宇宙和万物的终极答案，结果是 42。

因此，尽管系统模型的底层结构非常有用，但它也存在一些真正的局限性。我们将在下一节中了解到，“远见”与“实用”思维模式之间常见的冲突往往可以归结为尽管存在这些限制，有远见的人仍然能够创建一个可理解的有用模型。