دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه
مشاور استراتژی و نوآوری

رفتار پویا

تفکر ایستا

اگرچه تفکر پویا یکی از ساده‌ترین مهارت‌های تفکر سیستمی برای تسلط است، اما برای اکثر افراد به طور طبیعی به وجود نمی‌آید. آنچه رایج تر به نظر می‌رسد تفکر ایستا است. برای متفکران ایستا، نقطه شروع برای درک تغییر جایی است که در حال حاضر هستند. یعنی وضعیت فعلی. این متفکران تمایل دارند که تغییر را به‌عنوان «پرش» از وضعیت فعلی به یک هدف آینده به روشی نسبتاً ساده ببینند. سیر تاریخی منتهی به وضعیت فعلی و باز شدن مسیر از وضعیت فعلی به وضعیت آینده معمولاً توجه زیادی را به خود جلب نمی‌کند.

برای شروع بررسی ساختار سیستم، ابتدا باید از رویدادهای خاص مرتبط با مسئله به تحلیل الگوهای رفتاری که وضعیت سیستم را مشخص می‌کند،‌ حرکت کنیم. این کار معمولاً مستلزم بررسی این موضوع است که چگونه یک یا چند متغیر مورد علاقه در طول زمان تغییر می‌کنند. (در یک محیط تجاری، متغیرهای مورد علاقه ممکن است مواردی مانند هزینه، فروش، درآمد، سود، سهم بازار و غیره باشند.) یعنی اینکه این متغیرها چه الگوهای رفتاری را نشان می‌دهند. رویکرد سیستمی بیشتر قدرت خود را به عنوان یک روش حل مسئله از این واقعیت به دست می‌آورد که الگوهای رفتاری مشابهی در موقعیت‌های مختلف ظاهر می‌شوند و ساختارهای سیستمی که باعث ایجاد این الگوهای مشخصه می‌شوند، شناخته شده‌اند. بنابراین، هنگامی که یک الگوی رفتاری را شناسایی کردید که مسئله ساز است، می‌توانید به دنبال ساختار سیستمی باشید که می‌دانید آن الگو را ایجاد می‌کند. با یافتن و اصلاح این ساختار سیستم، امکان حذف دائمی الگوی رفتاری مسئله را دارید.

تفکر پویا

چرا تفکر پویا را قبول کنیم؟ بیایید به برخی از مسائل مرتبط با تفکر ایستا نگاه کنیم و سپس ببینیم که تفکر پویا چه فرصت‌هایی برای بهبود عملکرد فراهم می‌کند. در تشریح آنچه برای سازمان‌ها رخ می‌دهد، مدیران تمایل دارند بر بحران فعلی تمرکز کنند – حاشیه سود بسیار کم است، نرخ گردش مالی بسیار بالاست، رضایت مشتری کاهش یافته است. سپس “پیروزی” به عنوان افزایش حاشیه سود به سطوح بالاتر، کاهش نرخ گردش مالی به یک مقدار خاص، یا افزایش رضایت مشتری تا حد مشخصی تعریف می‌شود. این نوع تمرکز که مبتنی بر تفکر ایستا است، دو مسئله اساسی دارد.

• مشاهده “رضایت مشتری رو به کاهش” چیزی در مورد مسیری که برای رسیدن به آنجا طی کرده است، نمی‌گوید. شاید چندین راه مختلف برای رسیدن به نقطه بحران فعلی وجود دارد. اگر رهبران و مدیران بخواهند دست به نوعی ابتکار بزنند که بتواند یک سیستم را با موفقیت از وضعیت فعلی به وضعیت مطلوب آینده منتقل کند، باید ماهیت روابطی را که سیستم را به جایی که اکنون است (و ممکن است حفظ کند) بررسی کنند. تفکر پویا افراد را تشویق می‌کند تا از مسیر تاریخی برای تحریک و هدایت تحقیق در مورد روابط زیربنایی که آن را ایجاد کرده است استفاده کنند. بینش‌هایی که از چنین تحقیقی ناشی می‌شوند می‌توانند به ما کمک کنند تا ابتکاری را طراحی کنیم که با موفقیت از تغییر مطلوب در عملکرد استفاده کند.
• دومین مسئله با تفکر ایستا این است که مسیر “مسیر رو به جلو” توجه نسبتا کمی را به خود جلب می‌کند. همانطور که تصویر نشان می‌دهد، مردم معمولاً مسیر “بحران فعلی” به “شرایط آینده” را به عنوان یک خط مستقیم تلقی می‌کنند، با این فرض که بهبود در یک جهت با سرعتی ثابت پیش می‌رود. فرض زیربنای چنین تلقی این است که بهبود را می‌توان “مهندسی” کرد با این فرض که که سیستم یک “موجود مکانیکی” است و از این رو منفعلانه تغییر را می‌پذیرد.

در مقابل، کسانی که از مهارت‌های تفکر پویا استفاده می‌کنند، شکل و مدت مسیر رو به جلو را با دقت در نظر می‌گیرند. فرض “سازمان به عنوان یک موجود زنده” است: سیستم هم با تغییرات سازگار می‌شود و هم در مقابل آن مقاومت می‌کند. در نتیجه، مسیرهایی که توسط متفکران پویا ترسیم می‌شود، معمولا طولانی تر و خطی تر از مسیرهایی هستند که توسط متفکران ایستا ترسیم شده است. به طور خاص، آنها اغلب بخش «بدتر-قبل از-بهتر» را در خود جای می‌دهند – که منعکس کننده این ایده است که برای بهبود وضعیت، ابتدا باید چیزی در تلاش سرمایه گذاری کنید. سرمایه گذاری، به نوبه خود، معمولاً مستلزم تحمل نوعی “ضربه” کوتاه مدت است.

رفتار درون زا و رفتار برون زا

در یک شبیه‌سازی پویا، سیستم با زمان تغییر می‌کند، و ما علاقه‌مندیم که پیش‌بینی کنیم که سیستم چگونه در طول زمان تکامل می‌یابد (و درک کنیم که چه کاری می‌توانیم برای تغییر آن رفتار انجام دهیم).

سیستم‌ها می‌توانند با گذشت زمان به دلیل تأثیرات خارجی و/یا تأثیرات داخلی تغییر کنند. تأثیرات خارجی بر رفتار یک مدل به عنوان برون زا نامیده می‌شود. رفتار برونزا چیزی است که از “خارج” مدل می‌آید و به دلیل یا توسط خود مدل توضیح داده نمی‌شود. این در واقع یک “عامل اجباری” خارجی است. به عنوان مثال، اگر ما در حال مدل سازی شرکتی هستیم که عملکرد آن به شدت تحت تأثیر قیمت یک کالا است (که شرکت کنترلی بر آن ندارد)، قیمت کالا یک عامل برونزا خواهد بود، به این معنا که با گذشت زمان در حال تغییر است (و در نتیجه باعث می‌شود عملکرد شرکت با گذشت زمان تغییر کند). مدل شرکت توضیحی نمی‌دهد یا بر قیمت کالا تأثیر نمی‌گذارد. قیمت کالا فقط یک ورودی خارجی خواهد بود. مثال دیگری از یک عامل برون زا، نرخ بارندگی در مدلی است که سعی در ردیابی حجم آب پشت یک سد را دارد. مدل آب پشت سد در مورد میزان بارندگی توضیح نمی‌دهد یا بر آن تأثیر نمی‌گذارد. میزان بارندگی فقط یک ورودی خارجی خواهد بود.

تأثیرات داخلی در تکامل یک مدل به عنوان عامل درون زا نامیده می‌شود. رفتار درون زا چیزی است که از “درون” مدل می‌آید و با روابط درون مدل توضیح داده می‌شود. یعنی اگر یک سیستم به صورت درونزا تکامل یابد، به این معنی است که ساختار مدل خود باعث تغییر متغیرهای مدل با زمان می‌شود. تغییرات از چیزی “خارج از” مدل ایجاد نمی‌شوند.

یادآوری این اصطلاحات خاص (برون زا و درون زا) مهم نیست. آنچه مهم است این است که مفهوم را درک کنید: سیستم‌ها می‌توانند با گذشت زمان به دلیل تأثیرات خارجی و/یا تأثیرات داخلی تغییر کنند. برخی از سیستم‌ها (بسیار ساده) ممکن است فقط رفتار برون زا از خود نشان دهند. بسیاری از آنها ممکن است تحت سلطه رفتار درون زا باشند. با این حال، اکثر سیستم‌های دنیای واقعی که مدل‌سازی می‌کنید، توسط عوامل درون‌زا و برون‌زا کنترل می‌شوند. اندکی تفکر شما را متقاعد می‌کند که واقعاً باید همینطور باشد. از آنجایی که «سیستمی» که ما شبیه‌سازی می‌کنیم همیشه زیرمجموعه بسیار کوچکی از جهان هستی خواهد بود، و بعید است که این سیستم کاملاً از بقیه جهان جدا باشد، عوامل برون‌زا همیشه وجود خواهند داشت. علاوه بر این،

برای نشان دادن این موضوع به چندین سیستم بسیار ساده نگاه می‌کنیم.

ابتدا سیستمی را در نظر می‌گیریم که می‌توانیم با استفاده از این معادله مدل سازی کنیم:

نتیجه = X + Y

که در آن X و Y خارج از سیستم هستند. یعنی مدل به سادگی دو متغیر برونزا را اضافه می‌کند. اگر X و Y با زمان تغییر نمی‌کردند، مدل اصلاً رفتار دینامیکی از خود نشان نمی‌داد (نتیجه در زمان ثابت می‌ماند). با این حال، اگر X و/یا Y با زمان تغییر می‌کردند، مدل واقعاً رفتار پویا از خود نشان می‌داد. برای مثال ممکن است به شکل زیر باشد:

اگرچه نتیجه پیچیده به نظر می‌رسد، درک این نکته مهم است که این یک رفتار دینامیکی کاملاً برون زا است. مدل هیچ رفتار درون زا از خود نشان نمی‌دهد زیرا برای انجام این کار، ساختار مدل (روابط عملکردی) باید “حافظه” یا “اینرسی” را با توجه به گذشته منتقل کند. در این مورد، نتایج تابعی از مقادیر آنی X و Y است (که در خارج از مدل در حال تغییر هستند). در نتیجه، مقادیر گذشته X و Y هیچ تاثیری بر مقدار فعلی نتایج ندارند. از این رو، این مدل ساده نمی‌تواند رفتار درون زا ایجاد کند.

حال بیایید یک سیستم کمی پیچیده تر را در نظر بگیریم (با مدلی به نسبت پیچیده تر که آن را توصیف می‌کند). مخزنی را در نظر بگیرید که یک شیر ورودی و یک شیر خروجی دارد. داخل مخزن آب نیز تفاوت ورودی و خروجی را انباشت می‌کند. از نظر ریاضی، می‌توانیم آن سیستم را با استفاده از این معادله مدل‌سازی کنیم:

یعنی حجم مخزن در هر زمانی در آینده برابر با حجم اولیه به اضافه انتگرال زمانی جریان ورودی منهای خروجی است. از آنجا که مدل به خودی خود تابعی از زمان است (این یک انتگرال زمانی است)، می‌دانیم که این مدل رفتار پویا درون‌زا را نشان می‌دهد.

نکته کلیدی این است که حجم فقط تابعی از مقدار لحظه ای ورودی و خروجی نیست. تابعی از تمام مقادیر گذشته ورودی و خروجی است. مدل دارای “حافظه” است.

حال بیایید فرض کنیم که جریان ورودی (و جریان خروجی) ثابت است (یعنی با زمان تغییر نمی‌کند). در چنین حالتی، هیچ عامل برون زا کنترل کننده دینامیک وجود ندارد. نتیجه چیزی شبیه به این خواهد بود:

حجم مخزن تا زمانی که به یک مقدار حالت ثابت برسد افزایش می‌یابد. این یک رفتار دینامیکی درون زا است. یعنی رفتار پویا به طور کامل توسط روابط تابع مدل (یعنی انتگرال زمانی) توضیح داده می‌شود.

حال بیایید فرض کنیم که جریان ورودی با زمان در نوسان است. نتیجه چیزی شبیه به این خواهد بود:

رفتار پویا در اینجا به دلیل ترکیبی از عوامل درونزا (ساختار مدل) و برونزا (جریان ورودی) است. این چیزی است که دنیای واقعی به نظر می‌رسد.

مطالعات موردی در مورد الگوهای رفتار پویا

مفیدترین ابزار برای تقویت مهارت‌های تفکر پویا، مدل رفتار طی زمان یا الگوی رفتار مرجع است که نوعی نمودار رفتار در طول زمان است. این یک نمودار در طول زمان از متغیری است که به بهترین شکل مسئله یا چالش مورد نظر را نشان می‌دهد. در ابتدای هر تلاش برای بهبود عملکرد یا طراحی استراتژی، یکی از بهترین راه‌ها برای تمرکز انرژی گروه است، در حالی که دیدگاه تفکر پویا را نیز تشویق می‌کند. در اینجا نمونه‌هایی از نحوه استفاده موثرتر از این ابزار آورده شده است.

مثال ۱: تیم‌های “کلاس جهانی”

گروهی از مدیران ارشد از یک گروه محصول سخت افزاری در یک شرکت با فناوری پیشرفته به دنبال راه حلی برای مسائل عملکردی گروه خود بودند. در یک جلسه، آنها به اجماع رسیدند که پاسخ، توسعه تیم‌های «کلاس جهانی» است. برای بررسی این سوال، گروه نیاز به پاسخگویی به چند سوال دیگر داشت: تیم‌های گروه در آن لحظه چقدر «در کلاس جهانی» بودند؟ چگونه “کلاس جهانی” در طول زمان تغییر کرده است؟ آنها فکر می‌کردند چقدر می‌توانند این متغیر را بهبود بخشند و در چه بازه زمانی؟ تا زمانی که گروه نتواند چالش را به عنوان یک مسئله پویا در نظر بگیرد، همه این سؤالات بی نتیجه ماندند.

سوالی که مدیران را به تفکر پویا واداشت این بود: از کجا می‌دانستید که تیم‌هایی در سطح جهانی داشته باشید (یعنی چه شاخص‌های عملکردی چنین تیم‌هایی را مشخص می‌کند)؟ این پرس و جو گروه را به شناسایی یک سری اقدامات عملیاتی سوق داد – مانند زمان چرخه توسعه محصول، نرخ نقص تولید، و غیره – که آنها می‌توانند در طول زمان نمودار آن را رسم کنند تا یک مسیر تاریخی را تحلیل کنند، وضعیت فعلی را مشخص کنند و از آنها برای تصور آینده استفاده کنند. مسیرها بینش‌های به‌دست‌آمده تیم را قادر می‌سازد تا در مورد ابتکاراتی که می‌توانستند برای بهبود عملکرد اجرا کنند، به‌صورت غیرانتزاعی فکر کنند.

مثال ۲: کاهش درآمد

مثال دوم شامل گروهی در یک بانک است که در آن تعداد دارندگان کارت، میزان درآمد و تعداد تراکنش‌ها همگی در حال افزایش بودند. در ابتدا، نمودارها نشان می‌داد که تقریباً تمام اقدامات کلیدی شرکت به سمت بالا است. اما وقتی گروه درآمد سالانه را بر تعداد دارندگان کارت تقسیم کرد، همه چیز جالب شد. این منحنی برای چند سال افزایش یافت، اما سپس به سمت پایین رفت و در پنج سال گذشته به کاهش ادامه داد. کاهش درآمد به ازای هر دارنده کارت نشان می‌دهد که شرکت مشتریانی را جذب می‌کند که تمایل کمتری به استفاده از کارت‌های خود دارند یا درآمد کمی داشتند که هر دو نشانه‌ای از اشباع بالقوه بازار هستند. این مثال چیز دیگری را نشان می‌دهد که در تحلیل رفتار پویا باید به خاطر بسپارید. اغلب تمرکز بر یک شاخص عملکرد نسبی به جای مطلق مفید است.

این مثال‌ها روشن می‌سازند که محور زمان نقش زیادی در رفتار دینامیکی دارد. بنابراین، در ساخت یکی از این نمودارها، به دقت فکر کنید که آیا موضوع مورد نظر در عرض چند دقیقه، هفته یا سال آشکار می‌شود. به عنوان مثال، افراد شرکت برق با نوسانات بار ساعت به ساعت و نوسانات قیمت خرید مرتبط با آن “زندگی می‌کنند”. اما دوام اقتصادی بلندمدت یک شرکت به تصمیمات ظرفیتی بستگی دارد که می‌توانند با ریتم سالانه اجرا شوند. زمانی که می‌خواهید روندهای چند ماهه یا چند ساله را بررسی کنید، رسم یک نمودار رفتار در طی زمان در چند ساعت منطقی نیست! توجه دقیق به واحدهای زمانی یک راه عالی برای حفظ جنبه‌های تاکتیکی و استراتژیک در چشم انداز مناسب و ایجاد بینش بسیار واضح تر در مورد راه‌های بهبود عملکرد است.

مطالعه موردی از نمودار رفتار

رویدادها

ما در دنیای رویدادها زندگی می‌کنیم: “بازار سهام امروز ۲۵۰ واحد افت کرد… آمار قربانیان در تصادفات جاده‌ای تعطیلات عید سال ۱۴۰۲ به تعداد ۶۲۹ نفر بوده است… دستگاه ویدیو پروژکتور ما در ساعت 3 خراب شد… درآمد سه ماهه اول ما 20٪ کاهش یافت. .. عرضه آخرین محصول جدید با 10 هفته تاخیر…”. هنگامی که رویدادها (مانند خرابی ماشین) تأثیر مستقیمی بر کار یا زندگی ما دارند، باید در سریع ترین زمان ممکن به آنها واکنش نشان دهیم. اما اگر فقط در سطح رویدادها بمانیم، هیچ اهرم بلندمدتی برای ایجاد تغییر در یک سازمان وجود ندارد.

به عنوان مثال، مدیران شرکت نیمه‌هادی، در مورد یک سری اتفاقاتی که در سه ماهه اخیر آنها رخ داده است، گیج شده اند. آنها رکورد فروش را برای سه ماهه به ثبت رساندند، با اکثریت بخش‌های فروش که جلسه داشتند از اهداف فروش فراتر رفتند. همه محصولات طبق برنامه به بازار عرضه شده اند و محصولات جدیدی هم برای عرضه اولیه در سه ماهه آینده آماده شدند. با این حال، در همین دوره، سود در واقع برای اولین بار در تاریخ شرکت کاهش یافت، زیرا هزینه‌های سربار به عنوان درصدی از فروش به بالاترین حد خود رسید.

الگوهای رفتاری مرتبط

سرعت حرکت شرکت باعث شد تا کارکنان به راحتی درگیر فعالیت‌های روزمره کسب و کار نیمه‌هادی شوند. مدیران تا زمانی که سود آنها کاهش نیافته بود، هیچ تصوری از وجود مسئله مالی نداشتند. برای پرداختن به موضوع کاهش سود، آنها تصمیم گرفتند تا داده‌هایی را در مورد عملکرد گذشته خود جمع‌آوری کنند و در یک دوره زمانی به گذشته نگاه کنند تا الگوهای رفتاری مهم را شناسایی کنند. به عنوان مثال، الگوی عرضه محصولات در دو سال گذشته چگونه بوده است؟ یا تعداد محصولات جدید؟ تعداد مهندسان محصول؟ میانگین سطح تجربه مهندسان؟

داده‌هایی که آنها پیدا کردند به شرح زیر بود: درآمد فروش در 10 سال گذشته هر سه ماهه افزایش یافته بود، اما رشد سود در چند فصل گذشته کاهش یافته بود. از آنجایی که موفقیت‌های گذشته این شرکت بر اساس محصولات جدید بود، تعهد مستمری برای عرضه محصولات جدید هر ساله وجود داشت. آنها در هر سه ماه فروشندگان جدیدی را برای دستیابی به اهداف فروش تهاجمی تر اضافه می‌کردند.

نمودار اولیه این رویدادها در طی یک دوره چند ساله براساس “عملکرد در طی زمان” رسم شد. با این حال، فقط رسم داده‌ها، بینش کمی در مورد دلیل رخ دادن روندها ارائه کرد.

تحلیل داده‌ها و تئوری سازی

ابزارها و روش‌های زیادی برای تحلیل داده‌های سری زمانی وجود دارد که مدیران در آنها استفاده می‌کنند. به عنوان مثال، حوزه‌های بهبود کیفیت، نمودارهای روند، نمودارهای پراکندگی و روش‌های کنترل فرآیند آماری، برای تحلیل روندها، روابط متقابل و قابلیت سیستم توسعه یافته است. ابزارهای مختلف رگرسیون یا تحلیل روند نیز برای شناسایی همبستگی بین متغیرها موجود است. اما استفاده از این ابزارها محدودیت‌هایی دارد.

درآمد فروش در در 10 سال گذشته هر سه ماهه افزایش یافته است، اما رشد سود در چند فصل گذشته کاهش یافته است. در همین حال، عرضه محصولات جدید و تعداد کارکنان فروش هر سال افزایش یافته است.

یک محدودیت آشکار این است که رگرسیون یا هر ابزار دیگر تحلیل داده بدون داده بی فایده است. با این حال، اغلب اطلاعات کمی برای تحلیل یک مسئله جدید در دسترس است و معضل در اینجا نهفته است. اگر فقط از ابزارهای تحلیل داده‌ها استفاده کنیم، این خطر را دارد که فقط بر روی متغیرهایی تمرکز کنیم که داده‌هایی برای آنها داریم. از سوی دیگر، این غیر واقعی است که سعی کنید داده‌ها را برای همه چیز از قبل ردیابی کنید. ابزارها و روش‌های تحلیل داده‌ها زمانی بسیار مفید هستند که به عنوان بخشی از فرآیند تئوری‌سازی مورد استفاده قرار گیرند.

ترسیم نمودارهای رفتار در طول زمان (BOT) (که «حالت‌های مرجع» نیز نامیده می‌شود) می‌تواند با ایجاد نظریه‌های علّی قبل از جمع‌آوری داده‌های لازم، به رفع معضل در دسترس بودن داده کمک کند. از BOT‌ها می‌توان برای ارتباط رفتار مشاهده شده گذشته با رفتار آینده استفاده کرد، به گونه ای که بینشی در مورد ساختارهای علّی بنیادین و البته پنهان ارائه دهد. توسعه چنین تئوری‌های علّی، خطر غلبه بر محدودیت‌های داده ایی را که به راحتی در دسترس هستند، کاهش می‌دهد.

ساخت یک نظریه

مدیران شروع به تحلیل رفتار اولیه نمایش داده شده در نمودار کردند و برای این کار یک تیم چند وظیفه ای از بخش‌های مختلف را تکشیل دادند تا آنها مشخص کنند که چه چیزی در حال رخ دادن است. این تیم تصمیم گرفت داده‌ها را برای یک افق زمانی پنج ساله جمع آوری کند.

تیم برای درک اینکه چرا علی رغم رشد درآمدها و معرفی محصولات جدید، سود در حال کاهش است، اقدام به تعریف یک فرضیه در مورد رابطه بین تعداد محصولات جدید و هزینه آنها مطرح کرد. اگرچه تعداد محصولات در کاتالوگ آنها به طور پیوسته در حال افزایش بود، اما آنها با این چالش مواجه بودند که آیا هزینه عرضه محصولات با سرعت بیشتری در حال افزایش است یا خیر. یک نفر این فرضیه را مطرح کرد که تعداد محصولات جدید با درآمد کمتر از 10 هزار دلار احتمالاً در حال افزایش و میانگین قیمت فروش در حال کاهش است.

این احتمال به توضیح این موضوع کمک می‌کند که چگونه آنها می‌توانند با وجود شکستن رکورد فروش واحد محصول و درآمد پولی، با کاهش سود مواجه شوند. شخص دیگری مطرح کرد که افزایش فشار درآمد ممکن است بر توسعه محصول جدید فشار بیاورد تا محصولات جدید بیشتری تولید شود. این فشارها ممکن است باعث شود بخش طراحی به جای محصولات نوآورانه تر و بالقوه سودآورتر، روی ایجاد محصولاتی کار کنند که توسعه و عرضه آن به بازار آسان تر باشد. این نظریه علّی در حال ظهور در «فشار بر توسعه محصول جدید» تجلی می‌یابد.

مراجع:

Aurell, E., & Del Ferraro, G. (2016, March). Causal analysis, correlation-response, and dynamic cavity. In Journal of Physics: Conference Series (Vol. 699, No. 1, p. 012002). IOP Publishing.

Ding, Y., & Toulis, P. (2020, June). Dynamical systems theory for causal inference with application to synthetic control methods. In International Conference on Artificial Intelligence and Statistics (pp. 1888-1898). PMLR.

Cavaleri, S., & Sterman, J. D. (1997). Towards evaluation of systems‐thinking interventions: a case study. System Dynamics Review: The Journal of the System Dynamics Society, 13(2), 171-186.

Rahmandad, H., & Sterman, J. D. (2012). Reporting guidelines for simulation-based research in social sciences.

Shaker, F., Shahin, A., & Jahanyan, S. (2022). Investigating the causal relationships among failure modes, effects and causes: a system dynamics approach. International Journal of Quality & Reliability Management, 39(8), 1977-1995.

Sliva, A., Reilly, S. N., Casstevens, R., & Chamberlain, J. (2015). Tools for validating causal and predictive claims in social science models. Procedia Manufacturing, 3, 3925-3932.

Sterman, J. D. (2010). Does formal system dynamics training improve people’s understanding of accumulation?. System Dynamics Review, 26(4), 316-334.

Sugihara, G., May, R., Ye, H., Hsieh, C. H., Deyle, E., Fogarty, M., & Munch, S. (2012). Detecting causality in complex ecosystems. science, 338(6106), 496-500.