1.1. مقدمه: جهانی که دیگر ساده نیست

یک نگرانی عمیق ذهن متخصصین قرن بیست‌ویکم را به خود مشغول کرده است. این نگرانی ناشی از جهل یا کمبود اطلاعات نیست، بلکه چیزی نگران‌کننده‌تر است. این شک فزاینده‌ که ابزارهای تحلیلی موروثی ما، همان چارچوب‌هایی که جهان مدرن را تولید کردند، ممکن است برای فهم جهان کنونی که خود تولید کرده‌اند ناکافی باشند. فیزیکدانی که می‌تواند رفتار ذرات زیراتمی را با دقت خارق‌العاده‌ای مدل‌سازی کند، خود را ناتوان از پیش‌بینی مسیر یک بازار مالی می‌یابد. اقتصاددانی که به مدل‌های اقتصادسنجی پیچیده مجهز است، پیش‌بینی‌هایش را وقتی با اثرات آبشاری اختلال در زنجیره تأمین مواجه می‌شود، شکست‌خورده می‌بیند. رهبر سازمانی که هنر برنامه‌ریزی استراتژیک را کسب کرده، در می‌یابد که مداخله در سیستم با ‌دقتی که در برنامه‌هایش است. پیامدهایی تولید می‌کند که هیچ‌کس پیش‌بینی نکرده و عده کمی می‌توانند توضیح دهند. این‌ها حکایت‌های منفرد شکست حرفه‌ای نیستند؛ آن‌ها نشانه‌های یک وضعیت ساختاری عمیق‌ترند.

این فصل با یک مشاهده بنیادین آغاز می‌شود: جهانی که ما در آن سکونت داریم به روش‌هایی پیچیده شده است که در برابر شیوه‌های سنتی تحلیل و مداخله که از انقلاب علمی به بعد بر زندگی فکری غرب مسلط بوده‌اند، مقاومت می‌کنند. مسئله این نیست که ما فاقد دانش هستیم. برعکس، ما بیش از هر نقطه قبلی در تاریخ بشر دانش، داده و قدرت محاسباتی داریم. مسئله این است که این دانش، که حول مرزهای رشته‌ای و مدل‌های علّی خطی سازمان یافته، به فهم بیشتر ما منجر نمی‌شود. ما بیشتر و بیشتر درباره کمتر و کمتر می‌دانیم، تا آنجا که همه‌چیز درباره هیچ‌چیز می‌دانیم. بحران فهم یک بحران اطلاعاتی نیست؛ یک بحران معرفت‌شناختی است—عدم تناسب میان ساختار دانش ما و ساختار واقعیتی که در پی فهم آن هستیم (Morin, 2008).

این فصل در سه مسیر حرکت می‌کند. نخست، ماهیت بحران فهم را توصیف می‌کنم، آن را در بستر تاریخی توسعه تفکر مدرن قرار می‌دهم و ریشه‌های فکری آن را در جهان‌بینی تقلیل‌گرا و مکانیکی که از قرن هفدهم مسلط بوده، شناسایی می‌کنم. دوم، ویژگی‌های خاص سیستم‌های پیچیده—وابستگی متقابل، غیرخطی بودن، ظهور، سازگاری و بازخورد—را بررسی می‌کنم که آن‌ها را در برابر رویکردهای تحلیلی سنتی مقاوم می‌کند. سوم، استدلال می‌کنم که پاسخ به این بحران نه صرفاً تکنیک‌های جدید یا داده‌های بیشتر، بلکه یک تغییر بنیادی در ادراک را می‌طلبد: پرورش آنچه من، به پیروی از سنت سیستمی، یک جهت‌گیری «تفکر سیستمی» می‌نامم که ما را قادر می‌سازد جهان را به‌عنوان شبکه‌ای از روابط ببینیم، نه مجموعه‌ای از اشیای منفصل. این تغییر در ادراک، ترکیبی از پیچیدگی روشنفکرانه نیست؛ یک ضرورت عملی برای هر کسی است که می‌خواهد در جهان معاصر مؤثر عمل کند.

این استدلال فراتر از گفتمان دانشگاهی است. مسائلی که بشریت در قرن بیست‌ویکم با آن‌ها مواجه است—تغییرات اقلیمی، همه‌گیری‌ها، بی‌ثباتی مالی، اختلال فناورانه، قطبی‌شدن اجتماعی، تخلیه منابع—ویژگی مشترکی دارند: آن‌ها مسائل سیستمی هستند که از دریچه هیچ رشته واحدی قابل فهم و از طریق هیچ مداخله واحدی قابل حل نیستند. آن‌ها از تعاملات بازیگران، فرایندها و حلقه‌های بازخورد متعدد که در مقیاس‌ها و افق‌های زمانی مختلف عمل می‌کنند، ظهور می‌کنند. رویکردهای سنتی به حل مسئله، که فرض می‌کنند مسائل را می‌توان به اجزای تشکیل‌دهنده تجزیه کرد و از طریق مداخلات هدفمند برطرف کرد، نه تنها در حل چنین مسائلی شکست می‌خورند، بلکه اغلب آن‌ها را تشدید می‌کنند و پیامدهای ناخواسته‌ای تولید می‌کنند که خود به مسائل جدیدی تبدیل می‌شوند (Forrester, 1971). فهم اینکه چرا این‌گونه است—و چه شیوه‌های جایگزین تفکر و عمل ممکن است در دسترس باشند—وظیفه مرکزی این فصل و، در واقع، کل پروژه فکری است که این فصل بخشی از آن است.

1.2.بحران فهم در جهان پیچیده

1.2.1.ریشه‌های تاریخی یک وضعیت معاصر

برای فهم بحران فهم که لحظه کنونی ما را مشخص می‌کند، باید ابتدا ریشه‌های تاریخی آن را درک کنیم. چارچوب فکری که از قرن هفدهم بر تفکر غربی مسلط بوده—و که از طریق فرایندهای استعمار، جهانی‌سازی و انتشار فرهنگی، به شکل‌دهی تفکر در سراسر جهان انجامیده—بر مجموعه‌ای از مفروضات درباره ماهیت واقعیت و ماهیت دانش بنا شده است. این مفروضات، که به‌قوی‌ترین شکل در آثار دکارت، بیکن، نیوتن و جانشینانشان بیان شده‌اند، یک گسست انقلابی از جهان‌بینی‌های ارسطویی و قرون وسطایی که پیش از آن‌ها بودند، تشکیل دادند. خصلت انقلابی آن‌ها را نباید دست‌کم گرفت: جهان‌بینی مکانیکی، با تأکیدش بر قوانین جهانی، توصیف ریاضی و تأیید تجربی، دستاوردهای خارق‌العاده علم و فناوری مدرن را ممکن ساخت. اشتباه عمیقی خواهد بود اگر آن را صرفاً نادرست یا منسوخ بدانیم. با این حال، موفقیت بسیار همین چارچوب محدودیت‌های آن را آشکار کرده است—محدودیت‌هایی که با مقاومت پدیده‌هایی که خود تولید کرده (تمدن فناورانه، اقتصادهای جهانی‌شده، سیستم‌های اجتماعی پیچیده) در برابر مقولات تحلیلی که از طریق آن‌ها عمل می‌کند، فزاینده آشکار می‌شوند (Capra, 1996; Toulmin, 1990).

جهان‌بینی مکانیکی بر چند فرض بنیادین استوار است. نخست، فرض می‌کند که واقعیت را می‌توان با تجزیه آن به اجزای منفصل و جدایی‌پذیر که خواصشان ذاتی و مستقل از روابطشان با دیگر اجزاست، فهمید. دوم، فرض می‌کند که رفتار این اجزا تابع قوانین جهانی است که در اصل کاملاً قابل شناخت و پیش‌بینی‌پذیرند. سوم، فرض می‌کند که علیت خطی است: علت‌ها به‌طور یک‌طرفه و متناسب بر معلول‌ها اثر می‌گذارند، به‌طوری که فهم رفتار اجزای فردی امکان پیش‌بینی دقیق و کنترل مؤثر را فراهم می‌کند. چهارم، فرض می‌کند که ناظر را می‌توان از مشاهده‌شده جدا کرد، که دانش عینی و مستقل از زمینه است، و که همان روش‌هایی که جهان فیزیکی را روشن می‌کنند می‌توانند، با تغییرات مقتضی، به حوزه‌های زیستی، روان‌شناختی و اجتماعی گسترش یابند. این مفروضات صرفاً توصیفی از جهان نیستند؛ تجویزی برای نحوه مطالعه و عمل بر آن‌اند. آن‌ها آنچه را من در سراسر این کتاب «پارادایم تحلیلی سنتی» خواهم نامید، تشکیل می‌دهند (Ackoff, 1974; Bertalanffy, 1968).

محدودیت‌های این پارادایم در طول قرن بیستم فزاینده آشکار شد. در فیزیک، توسعه مکانیک کوانتومی و نسبیت، فرض جدایی ناظر از مشاهده‌شده، وجود خواص معین در اشیا مستقل از اندازه‌گیری، و عملکرد علیت به شیوه خطی ساده را تضعیف کرد. سپس در زیست‌شناسی، ظهور بوم‌شناسی، زیست‌شناسی سیستم‌ها و نظریه سیستم‌های تکوینی، اهمیت روابط، زمینه و ظهور در سیستم‌های زنده را برجسته کرد. در اقتصاد، شکست مدل‌های تعادل عمومی در پیش‌بینی بحران‌های مالی و تشخیص اینکه بازارها با دینامیک غیرخطی، حلقه‌های بازخورد و پدیده‌های ظهوری مشخص می‌شوند، مفروضات مکانیکی نظریه نئوکلاسیک را به چالش کشید. پس در مطالعات سازمانی، تشخیص اینکه سازمان‌ها سیستم‌های اجتماعی پیچیده‌اند نه ماشین، به توسعه رویکردهای جدید به مدیریت و تغییر انجامید. در سراسر رشته‌ها، پارادایم پیچیدگی به‌عنوان جایگزینی برای چارچوب تحلیلی سنتی سر برآورد و واژگان جدید و مجموعه جدیدی از ابزارهای مفهومی برای فهم جهانی که با غیرخطی بودن، ظهور، سازگاری و بازخورد مشخص می‌شود، ارائه داد (Holland, 1995; Kauffman, 1993; Mitchell, 2009).

1.2.2.محدودیت‌های تقلیل‌گرایی

نخستین و شاید بنیادی‌ترین ویژگی پارادایم تحلیلی سنتی، تقلیل‌گرایی است: این فرض که پدیده‌های پیچیده را می‌توان با تجزیه آن‌ها به اجزای سازنده ساده‌تر و تحلیل رفتار آن اجزا در انزوا فهمید. این رویکرد در بسیاری از حوزه‌ها ثمربخش بوده است. تجزیه اتم به ذرات زیراتمی، تجزیه سلول به اجزای مولکولی، تجزیه اقتصاد به معاملات فردی—هر یک از این تحلیل‌ها بینش‌های عمیقی به ارمغان آورده و مداخله مؤثر را ممکن کرده است. با این حال، رویکرد تقلیل‌گرا یک محدودیت بنیادین دارد: فرض می‌کند که رفتار کل را می‌توان به‌طور کامل بر حسب رفتار اجزا توضیح داد، که روابط میان اجزا به‌قدری ساده و پایدارند که می‌توان آن‌ها را نادیده گرفت یا به‌عنوان شرایط پس‌زمینه تلقی کرد، و که تجزیه پدیده مورد بررسی را تحریف نمی‌کند (Wimsatt, 2007).

در سیستم‌های پیچیده، هیچ‌یک از این فرض‌ها برقرار نیست. رفتار کل صرفاً جمع رفتار اجزا نیست؛ در معنایی دقیق، بیش از جمع است—ظهوری است. روابط میان اجزا ساده و پایدار نیستند؛ آن‌ها با حلقه‌های بازخورد، تعاملات غیرخطی و پاسخ‌های سازگارانه مشخص می‌شوند. و تجزیه یک عملیات تحلیلی خنثی نیست؛ پدیده مورد بررسی را تغییر می‌دهد، فرایندهایی را که در واقعیت با دیگران درهم‌تنیده‌اند جدا می‌کند و در نتیجه فهم ما از نحوه کار واقعی سیستم را تحریف می‌کند. مثال آگاهی این نکته را به‌وضوح نشان می‌دهد. ما می‌توانیم همبسته‌های عصبی آگاهی را مطالعه کنیم، مغز را به شبکه‌ها، مناطق و نورون‌های فردی تجزیه کنیم. می‌توانیم تجربه ذهنی آگاهی را مطالعه کنیم، آن را به حالات ذهنی، نگرش‌ها و کیفیت‌های پدیداری خاص تجزیه کنیم. اما رابطه میان عصبی و پدیداری—آنچه فیلسوفان «مسئله دشوار» آگاهی می‌نامند—با تجزیه هیچ‌یک از دو طرف رابطه قابل فهم نیست. این رابطه از تعامل سطوح متعدد سازمان‌یافتگی ظهور می‌کند و در برابر تقلیل تحلیلی که پارادایم مکانیکی تجویز می‌کند، مقاومت می‌کند (Chalmers, 1996).

محدودیت‌های تقلیل‌گرایی به معماهای فلسفی درباره آگاهی محدود نمی‌شود. آن‌ها در شکست‌های عملی پیش‌بینی و کنترل در طیف وسیعی از حوزه‌ها آشکار می‌شوند. شکست مدل‌های اقتصادی در پیش‌بینی بحران‌های مالی، شکست مداخلات پزشکی در پرداختن به تعامل پیچیده عوامل ژنتیکی، زیست‌محیطی و اجتماعی سلامت، شکست اصلاحات آموزشی در تولید بهبودهای پایدار در نتایج یادگیری—این شکست‌ها ساختار مشترکی دارند. در هر مورد، چارچوب تحلیلی یک سیستم پیچیده را به اجزای منفصل تجزیه می‌کند، روابط علّی میان آن اجزا را شناسایی می‌کند و مداخلاتی را بر اساس آن روابط طراحی می‌کند. اما مداخلات شکست می‌خورند زیرا سیستم به روش‌هایی پاسخ می‌دهد که مدل پیش‌بینی نمی‌کند: حلقه‌های بازخورد مداخله را تضعیف یا تقویت می‌کنند، تعاملات میان اجزا اثرات ظهوری تولید می‌کنند و سیستم خود را با مداخله به روش‌هایی سازگار می‌کند که هدف مقصود آن را تضعیف می‌کند (Meadows, 2008; Sterman, 2000).

1.2.3.مسئله وابستگی متقابل

دومین ویژگی سیستم‌های پیچیده که پارادایم تحلیلی سنتی را به چالش می‌کشد، وابستگی متقابل است: این ویژگی که اجزای یک سیستم به‌گونه‌ای به هم متصل‌اند که تغییر در یک جزء بر اجزای دیگر اثر می‌گذارد، اغلب به روش‌هایی که فوراً آشکار نیست. در سیستم‌های ساده، وابستگی متقابل ضعیف یا ناموجود است: اجزا را می‌توان به‌عنوان موجودیت‌های مستقل تلقی کرد و تغییر در یک جزء اثر قابل‌توجهی بر دیگران ندارد. در سیستم‌های پیچیده، وابستگی متقابل قوی و فراگیر است: اجزا متقابلاً سازنده یکدیگرند و تغییر در یک جزء در سراسر سیستم منتشر می‌شود به روش‌هایی که پیش‌بینی‌شان دشوار و اغلب کنترل‌شان ناممکن است (Perrow, 1984).

مسئله وابستگی متقابل به‌ویژه در سیستم‌های اجتماعی حاد است، جایی که رفتار هر کنشگر به رفتار دیگر کنشگران بستگی دارد و تعاملات میان کنشگران outcomesی تولید می‌کند که هیچ کنشگر واحدی قصدش را ندارد یا کنترلش نمی‌کند. مثال ترافیک شهری را در نظر بگیرید. رویکرد سنتی به ترافیک، افزودن ظرفیت است: ساخت جاده‌های بیشتر، افزودن خطوط، گسترش حمل‌ونقل عمومی. اما تجربه شهرهای سراسر جهان نشان می‌دهد که افزودن ظرفیت اغلب ترافیک را کاهش نمی‌دهد و ممکن است آن را بدتر کند. دلیل، وابستگی متقابل است: افزودن ظرفیت انگیزه‌های رانندگان را تغییر می‌دهد، الگوهای کاربری زمین را دگرگون می‌کند، بر قابلیت دوام شیوه‌های جایگزین حمل‌ونقل اثر می‌گذارد و الگوهای جدید تقاضا تولید می‌کند که ممکن است ظرفیت اضافی را جبران یا حتی از آن فراتر رود. سیستم یک خط لوله ساده نیست که در آن افزودن ظرفیت ترافیک را کاهش دهد؛ یک شبکه پیچیده از کنشگران و فرایندهای وابسته به هم است که در آن مداخلات اثرات بازخوردی تولید می‌کنند که می‌توانند هدف مقصود آن‌ها را تضعیف کنند (Downs, 1962; Sterman, 2000).

مسئله وابستگی متقابل به سیستم‌های حمل‌ونقل محدود نمی‌شود. این یک ویژگی عمومی سیستم‌های پیچیده است و پیامدهای عمیقی برای نحوه تفکر ما درباره علیت، مسئولیت و مداخله دارد. در سیستمی که با وابستگی متقابل قوی مشخص می‌شود، اغلب ناممکن است که یک outcome را به یک علت واحد نسبت داد یا یک نقطه مداخله واحد را شناسایی کرد که اثر مطلوب تولید کند. علت‌ها در سراسر سیستم توزیع شده‌اند؛ آن‌ها متعدد، درهم‌کنش‌کننده و اغلب متقابلاً سازنده‌اند. رویکرد تحلیلی سنتی، که در پی شناسایی علت یک مسئله و مداخله در آن نقطه است، بنابراین اساساً برای ساختار سیستم‌های پیچیده ناکافی است. آنچه در عوض لازم است، یک رویکرد سیستمی است که علیت را توزیع‌شده، دایره‌ای و ظهوری می‌فهمد و در پی مداخله در الگوهای رابطه‌ای است که outcomes مشکل‌ساز تولید می‌کنند، نه در اجزای فردی که از دیدگاه تقلیل‌گرا به‌عنوان علت ظاهر می‌شوند (Senge, 1990; Meadows, 2008).

1.2.4.چالش غیرخطی بودن

سومین ویژگی سیستم‌های پیچیده که پارادایم تحلیلی سنتی را به چالش می‌کشد، غیرخطی بودن است: این ویژگی که رابطه میان علت و معلول متناسب نیست، که تغییرات کوچک می‌توانند اثرات بزرگ تولید کنند و که تغییرات بزرگ می‌توانند اثرات کوچک تولید کنند. در سیستم‌های خطی، رابطه میان ورودی و خروجی متناسب است: دو برابر کردن ورودی خروجی را دو برابر می‌کند و اثر ورودی‌های متعدد جمع اثرات فردی آن‌هاست. در سیستم‌های غیرخطی، این روابط برقرار نیستند. رفتار سیستم با آستانه‌ها، نقاط اوج و ناپیوستگی‌ها مشخص می‌شود؛ اختلالات کوچک می‌توانند در سراسر سیستم آبشار شوند تا تحولات بزرگ‌مقیاس تولید کنند، در حالی که مداخلات بزرگ می‌توانند با اثر کمی توسط سیستم جذب شوند (Gladwell, 2000; Strogatz, 1994).

چالش غیرخطی بودن توسط پدیده تغییرات اقلیمی نشان داده می‌شود. رابطه میان انتشار گازهای گلخانه‌ای و دمای جهانی خطی نیست: اثر انتشار به غلظت گازهای گلخانه‌ای در جو بستگی دارد، که به توازن میان انتشار و جذب توسط چاهک‌های طبیعی بستگی دارد، که به عملکرد اکوسیستم‌هایی بستگی دارد که خود تحت تأثیر تغییرات اقلیمی قرار دارند. سیستم با حلقه‌های بازخورد مشخص می‌شود: گرمایش ظرفیت جنگل‌ها و اقیانوس‌ها را برای جذب دی‌اکسید کربن کاهش می‌دهد، که غلظت گازهای گلخانه‌ای را افزایش می‌دهد، که گرمایش را افزایش می‌دهد. با آستانه‌ها مشخص می‌شود: ذوب صفحات یخی قطبی ممکن است پس از عبور از یک آستانه دمایی مشخص برگشت‌ناپذیر شود و تغییر ناپیوسته‌ای در سطح دریا تولید کند. و با دینامیک غیرخطی مشخص می‌شود: اثرات تغییرات اقلیمی متناسب با انتشار نیستند و سیستم ممکن است با عبور از آستانه‌های بحرانی، انتقال‌های ناگهانی و غیرقابل پیش‌بینی را تجربه کند (Lenton et al., 2008; Steffen et al., 2018).

چالش غیرخطی بودن پیامدهای عمیقی برای پیش‌بینی و کنترل دارد. در سیستم‌های خطی، پیش‌بینی نسبتاً سرراست است: اگر روابط میان ورودی‌ها و خروجی‌ها را بدانیم، می‌توانیم اثرات مداخلات را با دقت معقولی پیش‌بینی کنیم. در سیستم‌های غیرخطی، پیش‌بینی اساساً محدود است: رفتار سیستم به شرایط اولیه به روش‌هایی بستگی دارد که مشخص کردنشان دشوار است، تعاملات میان اجزا اثرات ظهوری تولید می‌کنند که از دانش اجزا به‌تنهایی قابل پیش‌بینی نیستند، و سیستم ممکن است حساسیت به اختلالات کوچک نشان دهد که پیش‌بینی بلندمدت را در اصل ناممکن می‌کند. این محدودیت دانش یا ظرفیت محاسباتی ما نیست؛ این یک ویژگی بنیادین سیستم‌های غیرخطی است. «اثر پروانه‌ای»—این ایده که بال زدن یک پروانه در برزیل می‌تواند گردبادی در تگزاس ایجاد کند—استعاره‌ای برای محدودیت‌های پیش‌بینی نیست؛ توصیفی از رفتار سیستم‌های غیرخطی است (Lorenz, 1972).

1.2.5.مسئله ظهور

چهارمین ویژگی سیستم‌های پیچیده که پارادایم تحلیلی سنتی را به چالش می‌کشد، ظهور است: این ویژگی که سیستم به‌عنوان یک کل، خواص و رفتارهایی از خود نشان می‌دهد که در هیچ‌یک از اجزای فردی آن وجود ندارد. ظهور شاید چالش‌برانگیزترین ویژگی فلسفی سیستم‌های پیچیده باشد، زیرا به‌ظاهر اصل فوق‌تحت‌الشعاع بودن را نقض می‌کند—این اصل که خواص کل توسط خواص اجزا و روابط آن‌ها تعیین می‌شود. در سیستم‌های ظهوری، خواص کل واقعاً توسط خواص اجزا و روابط آن‌ها تعیین می‌شود، اما از آن خواص قابل پیش‌بینی نیست و نمی‌توان آن را به آن‌ها تقلیل داد. کل، بیش از جمع اجزا است، نه در معنایی عرفانی، بلکه در معنایی دقیق: سیستم خواصی را نشان می‌دهد که در اجزای منفرد وجود ندارند (Anderson, 1972; Bedau, 1997).

پدیده ظهور توسط رفتار کلنی مورچه‌ها نشان داده می‌شود. مورچه‌های فردی موجوداتی نسبتاً ساده‌اند که از قواعد محلی رفتار بر اساس سیگنال‌های شیمیایی و شرایط زیست‌محیطی فوری پیروی می‌کنند. با این حال، کلنی مورچه‌ها رفتارهای جمعی پیچیده‌ای از خود نشان می‌دهد—جست‌وجوی غذا، ساخت لانه، تقسیم کار، دفاع—که به‌نظر می‌رسد محصول یک هوش متمرکز باشد، اما در واقع خواص ظهوری تعاملات میان مورچه‌های فردی است. هیچ مورچه‌ای رفتار کلنی را نمی‌فهمد؛ هیچ کنترل‌کننده مرکزی آن را هدایت نمی‌کند. هوش کلنی در تعاملات اعضایش توزیع شده و از آن تعاملات ظهور می‌کند به روش‌هایی که از رفتار مورچه‌های فردی در انزوا قابل پیش‌بینی نیست (Hölldobler & Wilson, 1990).

ظهور به حشرات اجتماعی محدود نمی‌شود. این یک ویژگی عمومی سیستم‌های پیچیده است و در هر سطحی از سازمان‌یافتگی ظاهر می‌شود، از ظهور حیات از فرایندهای شیمیایی تا ظهور آگاهی از فرایندهای عصبی تا ظهور فرهنگ از فرایندهای اجتماعی. چالشی که ظهور برای پارادایم تحلیلی سنتی ایجاد می‌کند، عمیق است. اگر خواص کل از خواص اجزا قابل پیش‌بینی نباشند، آنگاه استراتژی تقلیل‌گرای فهم پدیده‌های پیچیده با تجزیه آن‌ها به اجزای سازنده اساساً محدود است. ما می‌توانیم اجزا را بفهمیم، اما نمی‌توانیم کل را فقط با فهم اجزا بفهمیم. فهم کل نیازمند فهم تعاملات میان اجزا، الگوهایی که از آن تعاملات ظهور می‌کنند و روش‌هایی است که آن الگوها رفتار اجزا را محدود و ممکن می‌کنند (Mitchell, 2009; Holland, 1998).

1.2.6.مسئله سازگاری

پنجمین ویژگی سیستم‌های پیچیده که پارادایم تحلیلی سنتی را به چالش می‌کشد، سازگاری است: این ویژگی که اجزای سیستم به تغییرات محیط، از جمله تغییرات ناشی از مداخلات، به روش‌هایی پاسخ می‌دهند که رفتار کل سیستم را تغییر می‌دهد. سازگاری به‌ویژه در سیستم‌های اجتماعی مشخص است، جایی که کنشگران نیات، ترجیحات و ظرفیت یادگیری و تنظیم رفتار خود را در پاسخ به شرایط متغیر دارند. اما در سیستم‌های زیستی و بوم‌شناختی نیز وجود دارد، جایی که موجودات و جمعیت‌ها در پاسخ به فشارهای زیست‌محیطی تکامل می‌یابند، و حتی در برخی سیستم‌های فیزیکی، جایی که اجزا به تغییرات محیط به روش‌هایی پاسخ می‌دهند که رفتار سیستم را تغییر می‌دهد (Holland, 1995).

مسئله سازگاری توسط پدیده مقاومت آنتی‌بیوتیکی نشان داده می‌شود. هنگامی که آنتی‌بیوتیک‌ها وارد جمعیت باکتریایی می‌شوند، باکتری‌های حساس را می‌کشند اما باکتری‌های مقاوم را زنده می‌گذارند تا بقا یابند و تولیدمثل کنند. جمعیت در پاسخ به مداخله تکامل می‌یابد: فراوانی باکتری‌های مقاوم افزایش می‌یابد و آنتی‌بیوتیک کم‌اثرتر می‌شود. مداخله سیستم را تغییر داده و سیستم خود را با مداخله به روش‌هایی سازگار کرده که هدف مقصود آن را تضعیف می‌کند. این شکست آنتی‌بیوتیک نیست؛ این یک ویژگی بنیادین تعامل میان مداخلات و سیستم‌های سازگار است. همان دینامیک در سیستم‌های اقتصادی رخ می‌دهد، جایی که شرکت‌ها با یافتن راه‌های جدید برای دور زدن مقررات به آن‌ها سازگار می‌شوند؛ در سیستم‌های سیاسی، جایی که کنشگران با توسعه استراتژی‌های جدید به قواعد انتخاباتی سازگار می‌شوند؛ و در سیستم‌های اجتماعی، جایی که جوامع با توسعه اشکال جدید سازمان و مقاومت به مداخلات خارجی سازگار می‌شوند (Levy, 2010).

سازگاری چالش عمیقی برای پارادایم تحلیلی سنتی ایجاد می‌کند زیرا فرض اینکه سیستم یک شیء منفعل است که می‌توان از طریق مداخله خارجی دستکاری کرد را تضعیف می‌کند. در سیستم‌های سازگار، سیستم به مداخله پاسخ می‌دهد و پاسخ ممکن است شرایطی را که مداخله را در وهله اول مؤثر می‌کرد، تغییر دهد. رویکرد سنتی به حل مسئله، که فرض می‌کند مسئله یک هدف ثابت و مداخله راه‌حلی است که می‌توان بر آن اعمال کرد، بنابراین اساساً برای سیستم‌های سازگار ناکافی است. آنچه در عوض لازم است، رویکردی است که سیستم را به‌عنوان مشارکت‌کننده فعال در فرایند مداخله به رسمیت می‌شناسد، روش‌هایی را که سیستم خود را سازگار خواهد کرد پیش‌بینی می‌کند و مداخلاتی طراحی می‌کند که در برابر سازگاری مقاوم‌اند یا با ظرفیت‌های سازگاری سیستم کار می‌کنند نه علیه آن‌ها (Axelrod & Cohen, 2000).

۱.۳ پیچیدگی به‌عنوان چالش فهم انسانی

1.3.1.تمایز پیچیدگی و پیچیده‌سازی

پیش از ادامه، لازم است تمایزی را روشن کنم که اغلب در گفتمان دانشگاهی و عمومی مبهم می‌ماند: تمایز میان «پیچیده» (complicated) و «پیچیده‌ساز» .(complex) یک سیستم زمانی پیچیده است که اجزای زیادی دارد و روابط زیادی میان آن اجزا وجود دارد، اما روابط ثابت‌اند، رفتار سیستم قابل پیش‌بینی است و سیستم را می‌توان با تحلیل اجزا و تعاملاتشان فهمید. یک موتور جت پیچیده است: هزاران قطعه دارد و فهم نحوه کارش مستلزم دانش دقیق آن قطعات و روابطشان است. اما رفتار موتور جت قابل پیش‌بینی است و اگر خراب شود، علت خرابی قابل شناسایی و رفع است. یک سیستم زمانی پیچیده‌ساز است که اجزای زیادی دارد و روابط زیادی میان آن اجزا وجود دارد، اما روابط ثابت نیستند، رفتار سیستم به‌طور دقیق قابل پیش‌بینی نیست و سیستم را نمی‌توان به‌طور کامل با تحلیل اجزا در انزوا فهمید. یک اکوسیستم پیچیده‌ساز است: گونه‌های زیادی دارد و تعاملات میان آن‌ها با حلقه‌های بازخورد، دینامیک غیرخطی و پاسخ‌های سازگارانه مشخص می‌شود. رفتار اکوسیستم به‌طور دقیق قابل پیش‌بینی نیست و مداخلات در آن اغلب پیامدهای ناخواسته تولید می‌کند (Cilliers, 1998; Snowden & Boone, 2007).

تمایز میان سیستم‌های پیچیده و پیچیده‌ساز صرفاً معنایی نیست؛ پیامدهای عمیقی برای نحوه رویکرد ما به فهم و مداخله دارد. در سیستم‌های پیچیده، رویکرد تحلیلی سنتی مناسب است: می‌توانیم سیستم را به اجزایش تجزیه کنیم، روابط میان آن‌ها را تحلیل کنیم، علت یک مسئله را شناسایی کنیم و مداخله‌ای طراحی کنیم که آن علت را برطرف کند. در سیستم‌های پیچیده‌ساز، رویکرد تحلیلی سنتی ناکافی است: سیستم را نمی‌توان بدون تحریف تجزیه کرد، روابط میان اجزا ثابت نیستند و مداخلات اثرات ظهوری تولید می‌کنند که از دانش اجزا به‌تنهایی قابل پیش‌بینی نیستند. آنچه در عوض لازم است، شیوه متفاوتی از فهم است—شیوه‌ای که با عدم قطعیت راحت است، محدودیت‌های پیش‌بینی و کنترل را به رسمیت می‌شناسد و در پی تأثیرگذاری بر رفتار سیستم است نه تعیین آن (Kurtz & Snowden, 2003).

شکست در تمایز میان سیستم‌های پیچیده و پیچیده‌ساز منبع فراگیری از خطا در حل مسئله معاصر است. سیاست‌گذاران، مدیران و تحلیل‌گرانی که در پارادایم تحلیلی سنتی آموزش دیده‌اند اغلب با سیستم‌های پیچیده‌ساز طوری رفتار می‌کنند که گویی صرفاً پیچیده‌اند: سیستم را به اجزایش تجزیه می‌کنند، علت مسئله را شناسایی می‌کنند و مداخله‌ای طراحی می‌کنند که آن علت را برطرف کند. وقتی مداخله شکست می‌خورد—همان‌طور که اغلب می‌خورد—شکست را به داده‌های ناکافی، مدل‌های ناکافی یا اجرای ضعیف نسبت می‌دهند و با جمع‌آوری داده‌های بیشتر، ساخت مدل‌های پیچیده‌تر یا بهبود اجرا پاسخ می‌دهند. اما شکست، شکست داده، مدل یا اجرا نیست؛ شکست در تشخیص این است که سیستم پیچیده‌ساز است، نه صرفاً پیچیده، و که سیستم‌های پیچیده‌ساز رویکرد متفاوتی می‌طلبند (Meadows, 2008).

1.3.2.پدیدارشناسی بحران

بحران فهم که جهان معاصر را مشخص می‌کند صرفاً یک مسئله فکری نیست؛ یک تجربه زیسته است که در کار روزانه متخصصان در طیف وسیعی از حوزه‌ها آشکار می‌شود. به‌عنوان تجربه عدم قطعیت در مواجهه با مسائلی که به‌نظر می‌رسد به‌خوبی فهمیده شده‌اند آشکار می‌شود، به‌عنوان تجربه شگفتی وقتی مداخلات پیامدهایی تولید می‌کنند که هیچ‌کس پیش‌بینی نکرده، به‌عنوان تجربه ناکامی وقتی راه‌حل‌هایی که در گذشته کار می‌کردند در حال حاضر شکست می‌خورند، و به‌عنوان تجربه درماندگی وقتی مسائلی که به‌نظر می‌رسد حل شده‌اند در اشکال جدید بازمی‌گردند. این تجربیات نشانه‌های ناتوانی حرفه‌ای نیستند؛ آن‌ها نشانه‌های عدم تناسب ساختاری میان چارچوب‌های شناختی که متخصصان به ارث برده‌اند و ماهیت مسائلی که با آن‌ها مواجه‌اند، هستند (Schön, 1983).

پدیدارشناسی بحران شاید در حوزه سیاست عمومی زنده‌تر باشد. قرن بیستم شاهد ظهور علوم سیاست بود، رشته‌هایی اختصاص‌یافته به تحلیل نظام‌مند مسائل عمومی و طراحی مداخلات مؤثر. علوم سیاست بر این فرض بنا شده بودند که مسائل عمومی را می‌توان از طریق کاربرد روش‌های علمی فهمید—که می‌توان آن‌ها را به اجزای سازنده تجزیه کرد، که علل مسائل را می‌توان از طریق پژوهش تجربی شناسایی کرد، و که مداخلات مؤثر را می‌توان بر اساس آن دانش طراحی کرد. این فرض در بسیاری از حوزه‌ها تصدیق شده است: مداخلات بهداشت عمومی مرگ‌ومیر و بیماری را کاهش داده‌اند، سیاست‌های اقتصادی رشد را ترویج کرده و فقر را کاهش داده‌اند، و مداخلات نظارتی از مصرف‌کنندگان و محیط زیست محافظت کرده‌اند. اما همچنین بارها و بارها ناامید شده است: جنگ‌های علیه فقر، مواد مخدر و ترور پیامدهای ناخواسته‌ای تولید کرده‌اند که اغلب از اثرات مقصودشان فراتر رفته‌اند؛ سیاست‌های اقتصادی بحران‌هایی تولید کرده‌اند که قرار بود از آن‌ها جلوگیری کنند؛ و مداخلات نظارتی مسائل جدیدی ایجاد کرده‌اند در حالی که در حل مسائلی که برای آن‌ها طراحی شده بودند ناکام مانده‌اند (Scott, 1998).

شکست علوم سیاست در تحقق وعده‌شان شکست علم یا دانشمندانی که آن را practice می‌کنند نیست. شکست در تشخیص این است که مسائلی که آن‌ها به آن‌ها می‌پردازند پیچیده‌سازند، نه صرفاً پیچیده، و که مسائل پیچیده‌ساز شیوه متفاوتی از فهم را می‌طلبند. علوم سیاست بر این فرض بنا شده بودند که جهان ماشینی است که رفتارش را می‌توان از طریق کاربرد دانش علمی پیش‌بینی و کنترل کرد. اما جهان ماشین نیست؛ یک سیستم پیچیده‌ساز سازگار است که رفتارش با غیرخطی بودن، ظهور و سازگاری مشخص می‌شود. علوم سیاست بنابراین با یک انتخاب بنیادین مواجه‌اند: می‌توانند به کاربرد پارادایم تحلیلی سنتی بر مسائلی که در برابر آن مقاومت می‌کنند ادامه دهند و مداخلاتی تولید کنند که به روش‌هایی شکست می‌خورند که فزاینده دشوار است نادیده گرفته شوند؛ یا می‌توانند پارادایم جدیدی—یک پارادایم سیستمی—توسعه دهند که برای ماهیت مسائلی که به آن‌ها می‌پردازند کافی است. این کتاب استدلالی برای انتخاب دوم است (Morçöl, 2012).

1.3.3.پارادوکس دانش تخصصی

یکی از چشمگیرترین ویژگی‌های بحران فهم این است که با انباشت دانش تسکین نمی‌یابد؛ تشدید می‌شود. هرچه بیشتر می‌دانیم، بیشتر درمی‌یابیم که چقدر نمی‌دانیم و ادغام دانشمان در یک فهم منسجم از کل دشوارتر می‌شود. این پارادوکس دانش تخصصی است: تقسیم کار فکری که دستاوردهای خارق‌العاده علم مدرن را تولید کرده، تجزیه فهم را نیز تولید کرده که مقابله با مسائلی را که از مرزهای رشته‌ای عبور می‌کنند، فزاینده دشوار می‌سازد. متخصص یک حوزه اغلب از دانش تولیدشده در حوزه‌های دیگر بی‌خبر است و حتی وقتی متخصصان حوزه‌های مختلف همکاری می‌کنند، اغلب فاقد زبان مشترک و چارچوب مشترکی برای ادغام دانش خود هستند (Wilson, 1998).

پارادوکس دانش تخصصی توسط چالش پرداختن به تغییرات اقلیمی نشان داده می‌شود. فهم تغییرات اقلیمی مستلزم دانشی از فیزیک جو، اقیانوس‌شناسی، بوم‌شناسی، اقتصاد، علوم سیاسی، جامعه‌شناسی و اخلاق است. هر یک از این رشته‌ها دانش مهمی درباره جنبه‌های خاصی از مسئله تولید کرده‌اند، اما هیچ رشته‌ای نمی‌تواند فهم جامعی از مسئله به‌عنوان یک کل ارائه دهد. ادغام دانش میان رشته‌ها بنابراین ضروری است، اما همچنین فوق‌العاده دشوار. متخصصان رشته‌های مختلف مفروضات، روش‌ها و معیارهای متفاوتی برای آنچه دانش معتبر می‌شمارند دارند. آن‌ها اغلب از کنار هم می‌گذرند و حتی وقتی مؤثر ارتباط برقرار می‌کنند، ممکن است درباره پرسش‌های بنیادین اختلاف داشته باشند. نتیجه، تجزیه فهمی است که توسعه پاسخ‌های مؤثر به مسئله را دشوار می‌کند (Pielke, 2007).

پارادوکس دانش تخصصی به تغییرات اقلیمی محدود نمی‌شود. این یک ویژگی عمومی زندگی فکری معاصر است و پیامدهای عمیقی برای نحوه آموزش متخصصان و سازمان‌دهی پژوهش دارد. مدل سنتی آموزش حرفه‌ای، که دانشجویان را در یک رشته غوطه‌ور می‌کند و آن‌ها را برای کاربرد روش‌های آن رشته بر مسائل در حوزه آن آموزش می‌دهد، برای چالش‌های جهان پیچیده ناکافی است. متخصصان قرن بیست‌ویکم نه تنها به دانش رشته‌ای، بلکه به ظرفیت ادغام دانش میان رشته‌ها، فهم روابط میان حوزه‌های مختلف و کار مشارکتی با متخصصان رشته‌های دیگر نیاز دارند. این موضوع افزودن یک یا دو درس درباره روش‌های میان‌رشته‌ای نیست؛ نیازمند بازجهت‌گیری بنیادین آموزش حرفه‌ای حول توسعه تفکر سیستمی—ظرفیت دیدن جهان به‌عنوان یک کل به‌هم‌پیوسته—است (Senge, 1990).

۱.۴ مسائل ساده، پیچیده و پیچیده‌ساز

1.4.1.گونه‌شناسی مسائل

تمایز میان مسائل ساده، پیچیده و پیچیده‌ساز چارچوبی سودمند برای فهم ماهیت بحران فهم و شناسایی شرایطی است که تحت آن شیوه‌های مختلف حل مسئله مناسب‌اند. مسائل ساده با روابط علت‌ومعلولی روشن، تعداد کمی متغیر و درجه بالایی از پیش‌بینی‌پذیری مشخص می‌شوند. آن‌ها را می‌توان از طریق رویه‌های استاندارد حل کرد و اغلب amenable به راه‌حل‌های فنی هستند. مسائل پیچیده با متغیرهای زیاد و روابط علت‌ومعلولی پیچیده مشخص می‌شوند، اما روابط پایدار و قابل پیش‌بینی‌اند. آن‌ها به دانش تخصصی و تحلیل پیچیده نیاز دارند، اما می‌توان از طریق کاربرد روش‌های established حلشان کرد. مسائل پیچیده‌ساز با تعداد زیادی متغیر درهم‌کنش‌کننده، روابط غیرخطی، حلقه‌های بازخورد، ظهور و سازگاری مشخص می‌شوند. آن‌ها را نمی‌توان به‌طور کامل از طریق تحلیل فهمید و نمی‌توان از طریق کاربرد رویه‌های استاندارد یا دانش تخصصی به‌تنهایی حل کرد. آن‌ها به شیوه متفاوتی از engagement نیاز دارند—شیوه‌ای تکراری، مشارکتی و سازگارانه (Snowden & Boone, 2007; Glouberman & Zimmerman, 2002).

گونه‌شناسی مسائل ساده، پیچیده و پیچیده‌ساز صرفاً توصیفی نیست؛ تجویزی است. شیوه‌های مختلف حل مسئله را برای انواع مختلف مسائل تجویز می‌کند. مسائل ساده بهترین رویه‌ها را می‌طلبند: رویه‌های استانداردی که در موقعیت‌های مشابه اثبات‌شده‌اند. سپس مسائل پیچیده تخصص را می‌طلبند: کاربرد دانش تخصصی بر تحلیل مسئله و طراحی راه‌حل. مسائل پیچیده‌ساز رویکرد متفاوتی می‌طلبند: رویکردی که محدودیت‌های پیش‌بینی و کنترل را به رسمیت می‌شناسد، چندین منظر را درگیر می‌کند و از طریق آزمایش و سازگاری پیش می‌رود. شکست در تطبیق شیوه حل مسئله با نوع مسئله منبع فراگیری از شکست در حل مسئله معاصر است. سیاست‌گذاران، مدیران و تحلیل‌گران اغلب بهترین رویه‌ها یا تخصص را بر مسائل پیچیده‌ساز اعمال می‌کنند و وقتی این رویکردها شکست می‌خورند، با اعمال دقیق‌تر آن‌ها یا جمع‌آوری داده‌های بیشتر پاسخ می‌دهند، نه با تشخیص اینکه مسئله رویکرد متفاوتی می‌طلبد (Kurtz & Snowden, 2003).

1.4.2.مثال ترافیک شهری

مسئله ترافیک شهری نمونه‌ای آموزنده از تفاوت میان مسائل ساده، پیچیده و پیچیده‌ساز است. در سطح ساده، ترافیک را می‌توان به‌عنوان مسئله کمبود ظرفیت فهمید: خودروهای زیاد روی جاده‌های کم. راه‌حل ساده افزودن ظرفیت است: ساخت جاده‌های بیشتر یا افزودن خطوط. این راه‌حل در کوتاه‌مدت و در سیستم‌های ساده کار می‌کند، اما اغلب در سیستم‌های شهری پیچیده‌ساز شکست می‌خورد. وقتی ظرفیت اضافه می‌شود، ترافیک ممکن است ابتدا روان‌تر شود، اما ظرفیت اضافی رانندگان بیشتری را جذب می‌کند، الگوهای جدید کاربری زمین را القا می‌کند و تقاضای جدیدی تولید می‌کند که در نهایت ظرفیت اضافی را پر می‌کند. این پدیده، که «تقاضای القایی» نامیده می‌شود، یکی از مستندترین ویژگی‌های سیستم‌های حمل‌ونقل شهری است (Downs, 1962; Duranton & Turner, 2011).

در سطح پیچیده، ترافیک را می‌توان به‌عنوان مسئله بهینه‌سازی جریان وسایل نقلیه در یک شبکه فهمید. این فهم مستلزم مدل‌سازی و تحلیل پیچیده است: مهندسان ترافیک از شبیه‌سازی‌های رایانه‌ای برای مدل‌سازی جریان وسایل نقلیه، شناسایی گلوگاه‌ها و طراحی مداخلات—مانند چراغ‌های هماهنگ، اندازه‌گیری رمپ یا قیمت‌گذاری ازدحام—استفاده می‌کنند که جریان را بهینه می‌کند. این مداخلات می‌توانند مؤثر باشند، اما به دانش تخصصی و تحلیل پیچیده نیاز دارند و اغلب در برابر تغییرات سیستم که مدل‌ها پیش‌بینی نمی‌کنند آسیب‌پذیرند.

در سطح پیچیده‌ساز، ترافیک را می‌توان به‌عنوان خاصیت ظهوری یک سیستم از کنشگران وابسته به هم—رانندگان، عابران پیاده، دوچرخه‌سواران، کاربران حمل‌ونقل عمومی، توسعه‌دهندگان زمین، سیاست‌گذاران—فهمید که تعاملاتشان الگوهای حرکتی تولید می‌کند که هیچ کنشگر واحدی کنترل نمی‌کند. مسئله را نمی‌توان با تجزیه به اجزا فهمید، زیرا اجزا متقابلاً سازنده یکدیگرند: رفتار هر کنشگر به رفتار دیگر کنشگران بستگی دارد و تعاملات میان کنشگران الگوهای ظهوری تولید می‌کنند که از دانش کنشگران در انزوا قابل پیش‌بینی نیستند. پرداختن به ترافیک در این سطح نیازمند رویکرد متفاوتی است: رویکردی که چندین ذی‌نفع را درگیر می‌کند، با انواع مداخلات آزمایش می‌کند و با رفتار در حال تحول سیستم سازگار می‌شود. این رویکرد، در یک کلام، یک رویکرد سیستمی است (Sterman, 2000; Meadows, 2008).

1.4.3.پیامدها برای حل مسئله

گونه‌شناسی مسائل پیامدهای عمیقی برای نحوه رویکرد ما به حل مسئله در جهان معاصر دارد. پیامد اول این است که باید بیاموزیم نوع مسئله‌ای را که با آن مواجه‌ایم قبل از انتخاب شیوه حل مسئله تشخیص دهیم. این به آن آسانی که به‌نظر می‌رسد نیست. پارادایم تحلیلی سنتی ما را مستعد دیدن همه مسائل به‌عنوان ساده یا پیچیده می‌کند: فرض می‌کنیم که مسائل را می‌توان به اجزایشان تجزیه کرد، که علت‌ها را می‌توان شناسایی کرد و که راه‌حل‌ها را می‌توان طراحی و اجرا کرد. این استعداد توسط آموزش حرفه‌ای تقویت می‌شود، که دانشجویان را در روش‌های رشته‌ای که برای مسائل ساده و پیچیده مناسب‌اند اما برای مسائل پیچیده‌ساز ناکافی‌اند، غوطه‌ور می‌کند. یادگیری تشخیص مسائل پیچیده‌ساز نیازمند تغییری در ادراک است—تمایلی به دیدن جهان به‌عنوان به‌هم‌پیوسته، پویا و ظهوری—که به‌راحتی در پارادایم سنتی قابل کسب نیست (Senge, 1990).

پیامد دوم این است که باید ظرفیت‌های جدیدی برای پرداختن به مسائل پیچیده‌ساز توسعه دهیم. این ظرفیت‌ها شامل توانایی دیدن سیستم‌ها به‌عنوان کل نه مجموعه‌ای از اجزا، توانایی فهم روابط غیرخطی و حلقه‌های بازخورد، توانایی کار با چندین منظر و ادغام اشکال متنوع دانش، و توانایی آزمایش و سازگاری در مواجهه با عدم قطعیت است. این ظرفیت‌ها صرفاً مهارت‌های فنی نیستند؛ آن‌ها ظرفیت‌های شناختی و عاطفی هستند که نیازمند تمرین و توسعه‌اند. آن‌ها آنچه را من در سراسر این کتاب «تفکر سیستمی» خواهم نامید، تشکیل می‌دهند—شیوه‌ای از فهم و عمل که برای پیچیدگی جهان معاصر کافی است (Meadows, 2008; Checkland, 1981).

پیامد سوم این است که باید رابطه میان دانش و عمل را بازاندیشی کنیم. پارادایم سنتی فرض می‌کند که دانش مقدم بر عمل است: ابتدا مسئله را می‌فهمیم، سپس راه‌حل طراحی می‌کنیم، سپس آن را اجرا می‌کنیم. این توالی برای مسائل ساده و پیچیده مناسب است، جایی که فهم را می‌توان قبل از اقدام به دست آورد. اما برای مسائل پیچیده‌ساز، فهم پیش‌شرط عمل نیست؛ محصول عمل است. ما نمی‌توانیم یک سیستم پیچیده‌ساز را به‌طور کامل قبل از مداخله در آن بفهمیم، زیرا رفتار سیستم به مداخله بستگی دارد. فهم و عمل بنابراین درهم‌تنیده‌اند: ما برای فهمیدن عمل می‌کنیم و برای مؤثرتر عمل کردن می‌فهمیم. این منطق آن چیزی است که دونالد شون (۱۹۸۳) آن را «عمل تأملی» نامید—شیوه‌ای از کار حرفه‌ای که در آن practitioners در چرخه‌ای پیوسته از عمل، تأمل و سازگاری درگیر می‌شوند، سیستم را از طریق مداخلاتشان می‌آموزند و مداخلاتشان را بر اساس آنچه می‌آموزند تنظیم می‌کنند.

۱.۵ محدودیت‌های ساده‌سازی

1.5.1.وسوسه ساده‌سازی

ذهن انسان اندامی الگوجو است. در مواجهه با پیچیدگی طاقت‌فرسای جهان، به‌طور غریزی ساده می‌کند: مقوله‌بندی، انتزاع و تقلیل. این وسوسه ساده‌سازی یک نقص نیست؛ یک سازگاری تکاملی است که ما را قادر می‌سازد در جهانی که در غیر این صورت غیرقابل فهم می‌بود، عمل کنیم. بدون ساده‌سازی، ما فلج می‌شدیم—ناتوان از تصمیم‌گیری یا اقدام، مقهور حجم اطلاعات در دسترس. بنابراین، وسوسه ساده‌سازی چیزی نیست که باید بر آن غلبه کرد؛ چیزی است که باید فهمید، نظم داد و هدایت کرد (Gigerenzer & Todd, 1999).

مشکل، اما، این است که ساده‌سازی‌های ما اغلب ناخودآگاه‌اند و وقتی ناخودآگاه باشند، بررسی‌نشده می‌مانند. ما مدل‌های خود از واقعیت را با خود واقعیت اشتباه می‌گیریم و بر اساس مفروضاتی عمل می‌کنیم که آن‌ها را به‌عنوان مفروضات به رسمیت نمی‌شناسیم. این جوهره آن چیزی است که دانلا میدوز (۲۰۰۸) آن را «مسئله مدل بررسی‌نشده» نامید. ما همه مدل‌هایی در سر داریم—بازنمایی‌های ساده‌شده از نحوه کار جهان—و بر اساس آن مدل‌ها عمل می‌کنیم. اما به‌ندرت آن‌ها را بررسی می‌کنیم و به‌ندرت تشخیص می‌دهیم که آن‌ها مدل‌اند، نه واقعیت. نتیجه این است که اغلب وقتی جهان برخلاف پیش‌بینی مدل‌هایمان رفتار می‌کند، شگفت‌زده می‌شویم و شگفتی را به پیچیدگی جهان نسبت می‌دهیم، نه به ناکافی بودن مدل‌هایمان (Sterman, 2000).

وسوسه ساده‌سازی به‌ویژه در بستر سیستم‌های پیچیده مشکل‌ساز است، جایی که روابط میان متغیرها غیرخطی، حلقه‌های بازخورد فراگیر و خواص ظهوری رایج‌اند. در چنین سیستم‌هایی، ساده‌سازی‌هایی که در زندگی عادی به ما خدمت می‌کنند—استدلال علّی خطی، فرض تناسب، غفلت از بازخورد—ما را به‌طور نظام‌مند گمراه می‌کنند. ما در سیستم مداخله می‌کنیم و انتظار اثر متناسب داریم و وقتی سیستم به شیوه غیرخطی پاسخ می‌دهد، شگفت‌زده می‌شویم. پس ما یک بخش از سیستم را هدف می‌گیریم و انتظار حل مسئله را داریم و وقتی مسئله ادامه می‌یابد یا در شکل جدیدی بازمی‌گردد، شگفت‌زده می‌شویم. ما حلقه‌های بازخوردی را که بخش‌های مختلف سیستم را به هم متصل می‌کنند نادیده می‌گیریم و وقتی مداخلاتمان پیامدهای ناخواسته‌ای تولید می‌کنند که اهداف مقصودشان را تضعیف می‌کند، شگفت‌زده می‌شویم (Forrester, 1971; Meadows, 2008).

1.5.2.مغالطه علت واحد

یکی از فراگیرترین ساده‌سازی‌ها در حل مسئله معاصر، فرض علت واحد است: این باور که مسائل پیچیده‌ساز علت واحدی دارند که می‌توان آن را شناسایی و برطرف کرد. این فرض عمیقاً در پارادایم تحلیلی سنتی ریشه دارد، که در پی شناسایی علت یک مسئله و مداخله در آن نقطه است. توسط ساختار آموزش حرفه‌ای تقویت می‌شود، که دانشجویان را برای شناسایی علت‌ها و طراحی مداخلات آموزش می‌دهد، و توسط ساختار گفتمان عمومی، که توضیحات ساده را پاداش می‌دهد و nuance را مجازات می‌کند. اما فرض علت واحد اساساً برای سیستم‌های پیچیده‌ساز ناکافی است، جایی که علیت توزیع‌شده، دایره‌ای و ظهوری است (Senge, 1990).

مغالطه علت واحد توسط بحث درباره علل فقر نشان داده می‌شود. محافظه‌کاران اغلب فقر را به عوامل فردی نسبت می‌دهند—کمبود انگیزه، اخلاق کاری ضعیف، آموزش ناکافی—در حالی که لیبرال‌ها آن را به عوامل ساختاری نسبت می‌دهند—کمبود شغل، تبعیض، خدمات اجتماعی ناکافی. هر دو explanation علت واحدی را شناسایی می‌کنند و مداخلاتی را پیشنهاد می‌دهند که آن علت را هدف می‌گیرد. اما فقر محصول علت واحد نیست؛ محصول عوامل متعدد درهم‌کنش‌کننده است، از جمله ویژگی‌های فردی، شرایط خانوادگی، شرایط اجتماعی، ساختارهای اقتصادی و میراث تاریخی. این عوامل مستقل نیستند؛ آن‌ها به روش‌هایی تعامل می‌کنند که الگوهای ظهوری تولید می‌کنند که به هیچ علت واحدی قابل تقلیل نیستند. مقابله با فقر بنابراین نیازمند رویکردی چندوجهی است که چندین علت را همزمان هدف بگیرد و تعاملات میان آن‌ها را به رسمیت بشناسد (Wilson, 1987; Sen, 1999).

مغالطه علت واحد به فقر محدود نمی‌شود. این یک ویژگی فراگیر حل مسئله معاصر است و منبع اصلی شکست است. جنگ‌های علیه مواد مخدر، ترور و فقر همه بر فرض اینکه مسائل پیچیده‌ساز علت واحدی دارند که می‌توان از طریق مداخله هدفمند برطرف کرد، بنا شده‌اند. این جنگ‌ها شکست خورده‌اند، نه به این دلیل که مداخلات ضعیف طراحی یا اجرا شده بودند، بلکه به این دلیل که فرض علت واحد نادرست بود. مسائل پیچیده‌ساز پاسخ‌های پیچیده‌ساز می‌طلبند؛ آن‌ها را نمی‌توان با شناسایی یک علت واحد و برطرف کردن آن حل کرد (Scott, 1998).

1.5.3.مسئله معیارهای تقلیل‌گرا

ساده‌سازی فراگیر دیگر در حل مسئله معاصر، استفاده از معیارهای تقلیل‌گراست: اندازه‌های کمی که پدیده‌های پیچیده را به یک عدد یا مجموعه کوچکی از اعداد تقلیل می‌دهند. معیارهای تقلیل‌گرا جذاب‌اند زیرا آسان قابل انتقال، مقایسه و استفاده در تصمیم‌گیری‌اند. اما خطرناک نیز هستند زیرا پیچیدگی پدیده‌هایی را که اندازه می‌گیرند پنهان می‌کنند و انگیزه‌هایی برای بهینه‌سازی معیار به‌جای واقعیت زیربنایی که قرار است بازنمایی کند، ایجاد می‌کنند (Muller, 2018).

مسئله معیارهای تقلیل‌گرا توسط استفاده از نمرات آزمون استاندارد به‌عنوان معیار کیفیت آموزش نشان داده می‌شود. نمرات آزمون آسان جمع‌آوری و مقایسه می‌شوند و خلاصه‌ای راحت از عملکرد دانش‌آموزان ارائه می‌دهند. اما آن‌ها فقط طیف باریکی از مهارت‌های شناختی را اندازه می‌گیرند و ابعاد مهمی از آموزش مانند خلاقیت، تفکر انتقادی، همکاری و مشارکت مدنی را نادیده می‌گیرند. وقتی نمرات آزمون معیار اصلی کیفیت آموزش می‌شوند، مدارس برای بهینه‌سازی نمرات آزمون به‌جای ارائه آموزش جامع تشویق می‌شوند. این به باریک شدن برنامه درسی، آموزش برای آزمون و دیگر اقداماتی می‌انجامد که کیفیت آموزش را تضعیف می‌کند. معیار به هدف تبدیل شده و هدف توسط معیار فاسد شده است (Ravitch, 2010).

مسئله معیارهای تقلیل‌گرا به آموزش محدود نمی‌شود. این یک ویژگی عمومی حکمرانی معاصر است، جایی که معیارهایی مانند تولید ناخالص داخلی، نرخ جرم و زمان انتظار بیمارستان برای اندازه‌گیری پدیده‌های پیچیده و هدایت سیاست استفاده می‌شوند. این معیارها سودمندند، اما وقتی به‌عنوان اندازه‌های جامع پدیده‌هایی که قرار است بازنمایی کنند تلقی شوند، خطرناک نیز هستند. راه‌حل رها کردن معیارها نیست، بلکه استفاده از آن‌ها با آگاهی از محدودیت‌هایشان، تکمیل آن‌ها با اندازه‌های کیفی که ابعادی را که از دست می‌دهند ثبت می‌کنند، و تشخیص اینکه همه معیارها ساده‌سازی‌هایی هستند که باید سبک نگه داشته شوند نه به‌عنوان قطعی تلقی شوند (Stiglitz, Sen, & Fitoussi, 2010).

1.5.4.محدودیت‌های بهترین رویه‌ها

آخرین ساده‌سازی که بحث خواهم کرد، فرض بهترین رویه‌هاست: این باور که راه‌حل‌های استانداردی وجود دارند که می‌توان آن‌ها را در بسترها اعمال کرد تا نتایج قابل پیش‌بینی به دست آورد. فرض بهترین رویه‌ها عمیقاً در گفتمان مدیریت و سیاست معاصر ریشه دارد، جایی که شناسایی و انتشار بهترین رویه‌ها به‌عنوان یک استراتژی کلیدی برای بهبود عملکرد تلقی می‌شود. اما فرض بهترین رویه‌ها در بستر سیستم‌های پیچیده‌ساز اساساً معیوب است، جایی که اثربخشی یک مداخله به بستری که در آن اعمال می‌شود بستگی دارد و همان مداخله می‌تواند در بسترهای مختلف نتایج متفاوتی تولید کند (Snowden & Boone, 2007).

محدودیت‌های بهترین رویه‌ها توسط تاریخ کمک توسعه نشان داده می‌شود. برای دهه‌ها، آژانس‌های توسعه بهترین رویه‌ها—microfinance، نقل‌وانتقال نقدی مشروط، توسعه مبتنی بر جامعه—را شناسایی کرده و به‌عنوان راه‌حل‌هایی برای فقر ترویج کرده‌اند. این رویه‌ها در برخی بسترها کار کرده اما در برخی دیگر شکست خورده‌اند . شکست‌ها اغلب به اجرای ضعیف نسبت داده می‌شود نه به ناکافی بودن خود رویه. اما مسئله اجرا نیست؛ فرض اینکه رویه‌ای که در یک بستر کار می‌کند در بستر دیگر کار خواهد کرد است. سیستم‌های پیچیده‌ساز وابسته به زمینه‌اند: همان مداخله می‌تواند نتایج متفاوتی تولید کند بسته به شرایط اولیه، روابط میان کنشگران و حلقه‌های بازخوردی که در سیستم عمل می‌کنند. آنچه در بنگلادش کار می‌کند ممکن است در بولیوی کار نکند . آنچه در یک جامعه کار می‌کند ممکن است در جامعه دیگر کار نکند (Easterly, 2006; Scott, 1998).

محدودیت‌های بهترین رویه‌ها به این معنا نیست که باید جست‌وجو برای مداخلات مؤثر را رها کنیم. آن‌ها به این معناست که باید به مداخلات با فروتنی نزدیک شویم. با تشخیص اینکه اثربخشی آن‌ها وابسته به زمینه است، و باید آماده باشیم آن‌ها را با آموختن درباره سیستمی که در آن مداخله می‌کنیم، سازگار کنیم. این منطق آن چیزی است که «مدیریت سازگارانه» یا «یادگیری با عمل» نامیده شده—شیوه‌ای از مداخله که با سیاست‌ها و برنامه‌ها به‌عنوان آزمایش رفتار می‌کند. اثرات آن‌ها را پایش می‌کند و آن‌ها را بر اساس آنچه آموخته می‌شود تنظیم می‌کند. مدیریت سازگارانه رد دانش نیست؛ تشخیص این است که در سیستم‌های پیچیده، دانش همیشه جزئی و موقتی است . عمل مؤثر نیازمند یادگیری و تنظیم پیوسته است (Holling, 1978; Walters, 1986).