این مقاله با ابزارها و تکنیکهای خاص اداره‌ی سیستم‌های پیچیده کار ندارد، بلکه به برخی مفاهیم پایه می‌پردازد که کمک می‌کند تا درباره پیچیدگی تفکر و گفتگو کنیم. همچنین مروری بر تفکر کلاسیک و طرحهای درونی آن در مواجهه پیچیدگی خواهیم داشت. به علاوه نشان می‌دهیم گه چگونه پیچیدگی ما را وادار می‌سازد تا مدلهای ساخته‌شده بر پایه نافرجامی (Unpredictability) و نامعلومی (unpredictability) را انتخاب کنیم. لیکن ما هنوز می‌توانیم با مشکلاتی که بدین طریق به‌ وجود می‌آیند سر و کار داشته باشیم اگر انعطاف‌پذیر باشم و از توانمندی‌های سیستم‌های پیچیده برای خود سازمان‌یابی و هوش توزیع‌یافته که می‌تواند حاصل کند، بهره ببریم.
تفکر کلاسیک
بخش اعظم مدلهای علمی‌- و همچنین بیشتر فهم الهامی ما- تلویحاً بر پایه تفکر کلاسیک یا دکارتی است که به صراحت در مکانیک کلاسیک یا نیوتونی بکار رفته که جهان بینی علمی را از ابتدای قرن بیستم تحت سیطره خود داشته است. این تفکر بر مفروضات زیر مبتنی است (Heylighen, 1990):
- فروکاست گرایی یا تحلیل (Reductionalism or Analysis): برای فهم کامل یک سیستم باید آنرا به اجزای سازنده و خواص بنیادی‌اش تفکیک کنیم.
- قطعیت(Determinism): هر تغییر را می‌توان به شکل حرکت سیستم (یا حالت سیستم) در فضا نشان داد یعنی ترتیب خطی از حالات که از قواعد ثابت طبیعی تبعیت می‌کند. این قواعد بطور کامل مسیر حرکت به سمت آینده را مشخص می‌کنند (پیش بینی پذیری) و همچنین مسیر گذشته را نمایان می‌کنند (برگشت پذیری)
- دو گانگی (Dualism): اجزای سازنده نهایی هر سیستمی ذرات هستند یعنی قطعات بدون ساختاری از ماده (ماده‌گرایی Materialism) از آنجاییکه ماده در حال حاضر بطور کامل با قواعد مکانیک تبیین شده است، آزادی عمل برای مداخله و تفسیر وجود ندارد و تنها راهی که می‌توانیم انسان را در تئوری دخیل کنیم این است که ذهن (Mind) را به عنوان یک مقوله مستقل معرفی کنیم.
- تئوری انطباق دانش (Correspondence Theory of knowledge): از طریق مشاهده شخص می‌تواند اساسا دانش کاملی درباره هر سیستمی بدست آورد و یک نمود درونی بوجود آورد که اجزای آن منطبق بر اجزای سیستم خارجی هستند. در اینحالت نقشه برداری یگانه، صحیح و عینی از واقعیت ماده (سیستم) در واقعیت ذهن (نمود Representation) حاصل می‌آید.
- عقلانیت (Rationality): با داشتن اطلاعات کاملی از شخص در تعامل با سیستم می‌تواند گزینه ای را انتخاب کند که فایده سیستم را به حد اکثر برساند. بنابر این اعمال ذهن، همسان با حرکات ماده معین یا قابل پیش بینی خواهند بود.
این مفروضات تحت عنوان قاعده حفاظت از تمییز (Distinction conservation) خلاصه شده‌اند (Heylighen,1989,1990): علم کلاسیک با ایجاد تمییز دقیق تا حد ممکن بین اجزائ، خواص و حالات سیستم تحت بررسی آغاز می‌شود. این تمایز‌ها مطلق و عینی فرض می‌شوند یعنی برای همه مشاهده گر‌ها یکسانند. آنها بر پایه منطق ارسطویی هستند: یک پدیده یا به مقوله الف تعلق دارد یا غیر الف و نمی‌تواند هر دو باشد یا هیچکدام یا حد واسط یا "بستگی دارد به...".

تکامل سیستم با حفظ همه تمایزات صورت می‌گیرد زیرا که حالتهای مشخص اولیه در مسیر حالتهای مشخص بعد حرکت می‌کنند و بر عکس(علت و معلولی Causality) بنگرید به (Heylighen,1989). دانش چیزی فراتر از نقشه برداری با حفظ تمایز‌ها از عینیت به ذهن نیست و این در حالی است که عمل نقشه برداری معکوس از ذهن به عین است.
مسلم است که می‌دانیم این مفروضات مواردی ایده آل را تصویر می‌کنند که هر گز در عمل بدست نمی‌آیند.
با این وجود اغلب افراد تحصیل کرده هنوز تمایل دارند فرض کنند باید در قالب یک تئوری کامل و قطعی فعالیت کنند. در نظرشان، روش علمی حتی آسانتر و با اطمینان بیشتری به چنین دانش عینی ختم خواهد شد. لیکن درسهایی که تحقیق در پیچیدگی به ما می‌آموزد روندی دیگر را نشان می‌دهند.

پیچیدگی
پیچیدگی چیست؟ بهتر است به ریشه لاتین آن یعنی کمپلکسوس (Complexus) برگردیم.که به معنی در هم پیچیدن یا در بر گرفتن است. این معنا را به روشهای زیر می‌توان تفسیر کرد: برای اینکه پیچیدگی داشته باشید باید: 1-دو یا چند بخش مجزا داشته باشید 2- که بهم به صورتی پیوسته‌اند که جدا کردن آنها مشکل باشد. در اینجا ما دو گانگی بنیادی اجزا را می‌یابیم که در آن واحد مجزا و مرتبط هستند.بنابر این، روش تحلیلی به تنهایی فهم پیچیدگی را مقدور نخواهد ساخت زیرا با جداسازی اجزا از یکدیگر ارتباط آنها از بین خواهد رفت و این توضیحی بر همراهی " دشواری " است که لغت " پیچیدگی " به ذهن متبادر می‌کند. اجزا به صورت زوجی به هم تنیده‌اند به شکلی که تغییر در یک جزئ در بافت تعاملات به دیگر اجزا گسترش پیدا می‌کند و نتیجتا اجزای بیشتری را تحت تأثیر قرار می‌دهد که می‌تواند جزئی که ابتدا فرایند را آغاز کرده است را هم در بر بگیرد. پس دنبال کردن رفتار اجزای سیستم در سطح کلی(Global) در این حالت دشوار خواهد بود. بر خلاف سیستم‌های ساده " شبیه توپ بیلیارد " که در مکانیک کلاسیک بررسی می‌شوند، سیستم‌های پیچیده بسیار متداولند و حالتهای استثنایی نیستند. مثالهای نمادین آنها سلول زنده، جامعه، اقتصاد، یک اکوسیستم، اینترنت،آب و هوا، مغز و یک شهر هستند. اینها همه از اجزای زیادی تشکیل شده‌اند که تعاملاتشان رفتاری فرا گیر (Global) ایجاد می‌کند که نمی‌توان آن را به اجزای تفکیک شده تقلیل داد. پیچیدگی خود مفهومی پیچیده است، زیرا ما نمی‌توانیم یک تمایز بدون ابهام بین یک سیستم ساده و پیچیده برقرار کنیم. بسیاری از ابعاد (Measures) پیچیدگی برای ساختار‌های مختلف پیشنهاد شده‌اند: مثل محاسبه ای، اجتماعی، اقتصادی، زیست شناختی و غیره(Edmonds,2000)
لیکن هیچ قاعده فراگیری وجود ندارد که با آن میزان پیچیدگی یک سیستم خاص را مشخص سازیم، لیکن در چار چوب مرجع مورد توافق می‌توانیم گاهی دو سیستم را مقایسه کنیم و ابراز کنیم که یکی از دیگری پیچیده‌تر است. بنابر این پیچیدگی در بهترین حالت در بر دارنده یک ترتیب نسبی است و ابزار کمی نیست. در مجموع می‌توانیم بگوییم که پیچیدگی یک سیستم با افزایش تعداد اجزای مستقل و افزایش تعداد ارتباطهای بین آنها و پیچیدگی اجزا و پیچیدگی ارتباطها افزایش می‌یابد. این تعریفی جامع است که به اندازه ای عمومی است که می‌تواند در زمینه‌های مختلف به کار رود. برای مثال وقتی بقیه شرایط برابر باشد یک شرکت از دیگری پیچیده‌تر است اگر شعبه‌های بیشتری داشته باشد، اگر شعب آن کارمندان بیشتری داشته باشند، اگر شعب آن کانالهای ارتباطی بیشتری داشته باشند ویا اگر کانالهای ارتباطی شامل ارتباطات بین فردی بیشتری باشد.
از آنجاییکه نیاز به اندازه گیری مطلق پیچیدگی نداریم، استفاده از چنین مقایسه‌های نسبی می‌تواند مفید باشدکه مشخص کنیم چه موقع باید فرضیات ساده و کلاسیک خود را رها کنیم و مدل هوشمندانه‌تری طراحی کنیم. حرکت از تفکر کلاسیک به پیچیده سود و زیانهایی در بر دارد. بهتر است از انتظاراتی که باید کنار بگذاریم شروع کنیم و سپس به برخی نظر گاههای جدیدی که بدست می‌آوریم اشاره کنیم.

عدم قطعیت(Indeterminacy)
ترک تفکر کلاسیک به معنای رها کردن حفاظت از تمایز است. این بدان معناست که دیگر نمی‌توانیم تمایز‌های مشخص بدون خدشه فرض کنیم. تمایزی که یک ناظر در شرایطی(Context) حاصل می‌کند دیگر نمی‌تواند برای ناظر دیگر در شرایط دیگری معنا دار باشد.
این نکته با بیشترین قدرت در مکانیک کوانتوم مشهود است (Heylighen,1990) در برخی شرایط، یک الکترون مانند یک ذره تظاهر می‌کند و در شرایط دیگری مثل موج. لیکن با توجه به تفکر کلاسیک، موج و ذره مقولاتی مستقل از هم هستند. از طرفی در مکانیک کوانتومی موج و ذره مکمل هم هستند: آنها بطور بهم پیوسته برای مشخص کردن یک الکترون لازمند ولی هیچگاه با هم دیده نمی‌شوند. ازینرو شرایط آزمایشگاهی (Set up) مشاهده برای تشخیص خواص" ذره مانند" با آنچه برای مشاهده خواص " موج مانند " لازم است متفاوت است.‌هایزنبرگ (Heisenberg) این موارد را تحت عنوان اصل عدم قطعیت نظم بخشید: هر چه دقیقتر خواص ذره مانند را مشخص کنیم خواص موج مانند نامطمئن‌تر و عدم قطعی‌تر خواهد شد.
مثال ملموس‌تر عدم قطعیت شکل مبهم آشنایی است که برخی وقتها به شکل خرگوش و گاهی به شکل اردک است. با اینکه هر دو گشتالت(Gestalts) به یک اندازه در نقاشی قابل تشخیص اند، درک ما – نظیر شرایط مشاهده کوانتوم- از مشاهده هر دو آنها با هم نا توان است. بنابر این تمایل دارد که بین دو تفسیر حرکت کند. خواص مکمل نظیر گشتالتهای خرگوش و اردک، متمایز و در عین حال به هم پیوسته‌اند ولی وقتی یکی را می‌بینیم قادر به دیدن دیگری نیستیم !
بدلیل تصور انطباقی، در تفکر کلاسیک آنچه ما قادریم از اشیا تصویر کنیم با آنچه اشیا واقعا هستند اشتباه می‌شود. بنابر این مشاهده کنندگان در گیر اختلاف نظر‌هایی در باب اینکه "اشیا چه هستند"شده‌اند.، در حالی که عدم توافق در روشی است که این پدیده‌ها تبیین یا مدل سازی می‌کنند. وقتی ما در باره پدیده صحبت می‌کنیم دشوار است مشخص کنیم منظورمان نمایش ماست یا آنچه به نمایش در آمده است (The representation or to the represented) زیرا زبان ما تمایزی بین ایندو با استفاده از فعل "بودن((To be" ایجاد نمی‌کند.برای پرهیز از چنین اختلاطی،تمایز هستی شناسانه ای را بین بودن مطلق (Absolute being) و بودن نسبی (Relative being) پیشنهاد کرده ایم (Gerhenson, 2002). منظوراز بودن مطلق آن چیزی است که شیئ عملا هست مستقل از ناظر آن ("دینگان- سیچ" کانت Kant’s Ding-an-sich). منظور از بودن نسبی خواصی از شیئ است که ناظر، بر پایه زمینه (Context) از شیئ تشخیص می‌دهد. از آنجا که ناظر محدود است و نمی‌تواند اطلاعات کامل جمع آوری کند، بودن نسبی محدود است. در حالی که بودن مطلق وجوه نامحدود فراوانی دارد. بنابر این پتانسیل نامحدودی از بودن‌های نسبی برای یک بودن مطلق وجود دارد.
ما می‌توانیم این نکته انتزاعی را با یک تصویر از یک کره نیمی سفید و نیمی سیاه آنچنانکه تصویر 1 نمایش می‌دهد روشن کنیم. فرض کنید فقط می‌توانیم نیمکره را از یک زاویه ببینیم. برای برخی کره (نسبی) سفید و برای برخی دیگر (نسبی) سیاه و برای عده ای (نسبی) نیمی ‌سفید و نیمی سیاه و به همین منوال حالتهای دیگر خواهد بود. چگونه می‌توانیم نظر بدهیم که کره بطور مطلق چه رنگی دارد؟ میانگین گرفتن کفایت نمی‌کند زیرا می‌تواند حالتی باشد که نود و پنج درصد افراد کره را سفید ببینند و ما نتیجه بگیریم که بیشتر آن سفید است در حالی که حقیقت (مطلق) نیمی سفید و نیمی سیاه است. بهترین کاری که می‌توانیم بکنیم اینست که مشخص کنیم از چه زاویه دیدی(Perspective)(یازمینه ای Context) کره رنگ خاص خود را (نسبی) دارد. در ارتباط با سیستمهای واقعی هیچگاه نمی‌توانیم به بودن مطلق آنها دست پیدا کنیم زیرا همیشه خواص بیشتری (ابعادی) وجود دارند که ما از آنها آگاه نیستیم. این کار به مشخص کردن رنگ یک کره با ابعاد بی نهایت می‌ماند در حالی که ما فقط می‌توانیم یک گستره دو بعدی آنرا در یک زمان ببینیم.

گوی سیاه و سفید که از سه زاویه مختلف دیده می‌شود.

در سیستم‌های ساده مانند کره سه بعدی، تعداد بودن‌های نسبی محدود است. لیکن سیستمهای پیچیده تعداد زیادی اجزا و ارتباطات دارند که ناظران می‌توانند بودن‌های نسبی از آنها درک کنند که چنان متفاوتند که شاید غیر ممکن باشد که آنها را به عنوان وجوه یک شیئ واحد شناخت. برای مثال سازمانهایی با استفاده از نمایه‌هایی(Metaphors) نظیر یک ارگانیزم، یک ماشین، مغز، یک جامعه،یک فروشگاه یا یک بازی قدرت سیاسی توصیف شده‌اند و یا مدلهایی نظیر نظام طبقاتی(Hierarchy)، شبکه و یا سیستم خطی ورودی خروجی استفاده شده‌اند. برای یک مدیر با تفکر کلاسیک این جابجایی مستمر بین مدل‌ها و روشها مدیرتی مبتنی بر آنها گیج کننده است، چون فرض می‌کند که یکی (یا هیچکدام) از این روش‌ها می‌تواند درست باشد. در حالیکه یک سازمان هر دو وجه مکانیکی و ارگانیک را داراست و می‌تواند همزمان یک جامعه اشتراکی و هم یک صحنه رقابت باشد. می‌تواند یک سیستم قانونمند باشد و در عین حال یک محیط باز خلاق باشد. یک شبکه باشد و....
هیچ مدل بهترینی وجود ندارد زیرا بودن‌های نسبی متفاوت برای شرایط و اهداف مختلف مناسبند. (Beer, 1966; Heylighen, 1990) در قالب تفکر کلاسیک تمام تلاش ما مبنی براینست که مشخص کنیم سیستم چیست. از طرف دیگر تفکر پیچیده به ما اجازه می‌دهد نمود‌های مختلف را در آن واحد مد نظرداشته باشیم (یعنی با طرح یک فرا نمایهMetarepresentation) (Heylighen,1990) که برای داشتن فهم بی نقص‌تری از سیستم مفید است. برای چالش با مسائل جزمی می‌توانیم نمایشی را انتخاب کنیم که برای آن شرایط خاص مناسب‌تر باشد با آگاهی از این مطلب که حل مسائل مختلف نیاز به تغییر دادن کلی در نوع نمایش انتخابی دارد. برای مثال وقتی با مشکلات داخلی یک شرکت سرو کار داریم بهتر است آنرا به مثابه شبکه ای از جوامع در هم پیوسته فرض کنیم و وقتی قصد بهینه سازی تولید را داریم می‌توانیم آنرا یک مکانیزم پردازش ماده و اطلاعات در نظر بگیریم.

ناخطی بودن و آشوب(Non-linearity and chaos)
در تفکر کلاسیک تمایزات چه در مورد افراد مختلف و چه در زمانهای مختلف یکسانند. اصل علیت را می‌توان به این صورت تبیین کرد که " علل یکسان تأثیرات یکسان دارند " یا به عبارت دیگر " آثار و علل آنها با هم تغییر می‌کنند. این چیزی فراتر از این جمله نیست که تمایزات بین علل یا حالتهای اولیه باید الزاماً به معلولهای آنها منتهی شوند و بالعکس. در حالی که ما شاید این قاعده را در سطح بودن مطلق درست فرض کنیم یعنی چیز‌های کامل در ذات خودشان (علیت میکروسکوپی Heylighen,1989) بطور عموم در سطح بودن نسبی، یعنی تمایزات نا دقیق و محدود ناظرصحیح نیست. پس علیت میکروسکوپی (یعنی قطعیت) بخودی خود علیت ماکروسکوپی (پیش بینی پذیری) را بوجود نمی‌آورد. این قاعده را می‌توان بطور صریحتر از وجود آشوب (Chaos) (قطعی) استنتاج کرد که خود حاصل ناخطی بودن است که مشخصه سیستم‌های پیچیده است.
یک سیستم خطی است اگر تأثیرات (خروجی‌ها) متناسب با علت‌ها (ورودی‌ها) باشند. برای مثال اگر زغال سنگ کوره را دو برابر کنید محصول فولاد کارخانه تقریباً دو برابر خواهد شد. فهم این مطلب از قانون حفظ ماده و انرژی بدست می‌آید: مقداری که حاصل می‌آید مستقیما به مقداری که وارد می‌شود وابسته است (البته مطمئنا مقادیری این طرف و آن طرف به هدر می‌رود.)
حال چه اتفاقی می‌افتد اگر مقداری از خروجی دوباره به ورودی بر گردانده شود؟ قاعدتاً خروجی بعدی بزرگتر خواهد شد زیرا که هم از ورودی استفاده می‌کند و هم خروجی قبلی و دیگر متناسب با ورودی به تنهایی نخواهد بود. خروجی بعدی آن بازهم بزرگتر خواهد بود زیرا که نه تنها ورودی جدید را استفاده می‌کند بلکه از دو خروجی قبلی هم استفاده می‌کند. مثلاً در یک شرکت می‌توان قسمتی از پول حاصله را دوباره سرمایه گذاری کرد تا تولید افزایش پیدا کند. افزایش تولید پول بیشتری حاصل می‌کند و تولید را بیشتر افزایش می‌دهد و افزایش انفجاری در خروجی می‌دهد.
بنابراین ناخطی بودن را می‌توان به شکل اثرحلقه علیتی فهم کرد که تأثیرات یا خروجی‌ها به علتها یا ورودی‌های فرآیند پسخوراند (Feedback) می‌دهند. سیستمهای پیچیده با شبکه ای ازچنین حلقه‌های علیتی مشخص می‌شوند. در یک پیچیدگی، در هم پیوستگی‌ها چنین است که بخش الف بخش ب را تحت تأثیر قرار می‌دهد، لیکن ب هم چه بصورت مستقیم یا نامستقیم بطور کلی الف را تحت تأثیر قرار می‌دهد.یک حلقه پسخوراند می‌تواند مثبت یا منفی باشد. یک پسخوراند مثبت هر تغییری در الف را تشدید می‌کند و رشد آن را انفجاری می‌کند. نتیجه این است که کوچکترین تفاوت میکروسکوپی بین حالتهای اولیه می‌تواند بصورت افتراق قابل مشاهده ماکروسکوپی رشد کند.
این حالت «وابستگی حساس به شرایط اولیه» (Sensitive dependence on initial conditions) نامیده می‌شود و یک وجه مشخصِ آشوب (Chaos) است.ازآنجاییکه تفاوت ابتدایی کوچکتر ازآن است که درک شود، اصل علیت نمی‌تواند برای پیش بینی نتیجه نهایی به ما کمکی ِکند. یک مثال شناخته شده چنین سیستم آشوبی، دشواری در پیش بینی وضع آب و هواست، زیرا بال زدن یک پروانه در توکیو می‌تواند به طوفانی ویرانگر در نیویورک تبدیل شود. مشاهده اینکه تغییرات کوچک می‌تواند تأثیرات بزرگ داشته باشد در سیستم‌های اجتماعی هم رایج هستند. مثلاً در جریان یک مذاکره جدی یک نیشخند کوچک بر لب یکی از طرفین می‌تواند این توهم را در دیگری بوجود آورد که این فرد قابل اعتماد نیست و باعث شود که نظرشان بر گردد و در نهایت یک معامله بیلیون دلاری معلق بماند. چنین سیستمی به تعبیری، تمایزات را خلق می‌کند. زیراکه یک تفاوت غیرقابل تشخیص کوچک درحالت اولیه می‌تواند منجر به نتایج ماکروسکوپی متمایز شود.
در مقابل اثر تشدید کننده پسخوراند‌های مثبت، اثر تعدیل کننده پسخوراند‌های منفی قرار دارد. در اینجا با هر تغییری مقابله می‌شود یا در مقابلش مقاومت می‌شود و سیستم را به حالت تعادلش بر می‌گرداند. در نتیجه علل بزرگ (تغییرات) ممکن است اثری کوچک داشته باشند یا بی تأثیر باشند. برای مثال یک فرهنگ محدود شده در یک ساختار تعریف شده ممکن است بسیار بسختی تغییر داده شود، زیرا در برابر روشهای جدید به صورت فعال و غیر فعال مقاومت می‌شود وافراد آنها را نادیده می‌گیرند و یا دفع می‌کنندِ. چنین سیستمی تمایزات را از بین می‌برد و در نتیجه علل مختلف نتیجه یکسانی به بار می‌آورد.
سیستم‌های پیچیده بطور معمول از کلافه ای از حلقه‌های پسخوراند مثبت و منفی تشکیل شده‌اند که تأثیر هر تغییر در یک جزء بصورت آبشاری در بین تعداد فزاینده ای از اجزای مربوط پیش می‌رود که بخشی به جزء اولیه پسخوراند مثبت ویا منفی خواهند داد. اگر تاخیر زمانی متفاوتی بین این تأثیرات باشد عملا پیش بینی ناممکن است زیرا نمی‌دانیم کدام تأثیر می‌گذارد، کدام اول است و آیا یک تأثیر قبل از آنکه فرصتی برای گسترش پیدا کند سرکوب خواهد شد یا خیر.(CF. Gerhenson et al 2003) یک مثال را می‌توان در بورس سهام یافت که در آن سهام بر اساس قیمتشان خرید و فروش می‌شوند که خود قیمتها بر مبنای مقداری که سهام خرید و فروش می‌شوند تعیین می‌گردد. این حلقه پسخوراند داخلی وجوه مثبت و منفی دارد. قانون عرضه و تقاضا یک پسخوراند منفی را تحمیل می‌کند. بنابراین افزایش قیمت، تقاضا را کم می‌کند و این – بعد از یک تاخیر نا معلوم – قیمت را مجددا کاهش خواهد داد. لیکن مکانیسم موازی احتکار، یک پسخوراند مثبت ایجاد می‌کند به این صورت که افزایش قیمت، فروشندگان را بر آن می‌دارد که به طمع قیمت بیشتر در آینده باشند و تحریک شوند که سهم بیشتری خریداری کنند. تعامل بین دو دسته تأثیرات غیر خطی حرکت آشوبی قیمت سهام را می‌سازد که آن را به خوبی می‌شناسیم.
در شرایط ساده‌تری که زمانها در آن معلوم است (یا می‌توان آنرا نادیده گرفت) گاهی ممکن است بتوانیم دست کم تخمین کیفی از آنچه می‌تواند اتفاق بیفتد را با درک نشانه‌ها(مثبت و منفی) و قوت پسخوراند مختلف در شبکه تأثیرات بدست آوریم. این روش که بعد‌ها برای شبیه‌سازی کامپیوتری استفاده شد در دینامیک سیستم به انتظام در آمد (Sterman, 2000).

نتیجه‌گیری:
ما هنوز پیچیدگی را خوب نمی‌شناسیم و کار‌های زیادی باید انجام شود و در این جهت کنکاش شود. فرهنگ ما اکنون در پیچیدگی غرق است و با آن احاطه شده است. لیکن برخورد با این پیچیدگی ما را مجبور می‌کند که روشهای تفکر خود را عوض کنیم (Heylighen, 1991). نشان دادیم که چگونه تفکر کلاسیک با تکیه اش بر تحلیل، پیش‌بینی‌پذیری و عینیت، در برابر سیستمهای پیچیده شکست می‌خورد.
مشکل اساسی در فلسفه کلاسیک اینست که تمایزات تغییر ناپذیر و ثابت، مفروض هستند در حالیکه سیستم‌های پیچیده چنان در هم تنیده‌اند که اجزا و خواص آنها را نمی‌توان از هم جدا و منفک کرد. به‌ علاوه بدلیل غیر خطی بودن یا «حلقه‌ای» (Loopiness) بودن، سیستم به شکلی آشوبی و غیر قابل پیش بینی تغییرمی‌کنند. در بهترین حالت می‌توانیم تمایزاتی بر پایه شرایط (Context based distinctions) ایجاد کنیم که از آن برای ساخت مدل نسبی استفاده شود. لیکن چنین مدلی هرگز نمی‌تواند همه خواص اصلی سیستم را در بر گیرد و در شرایط جدید عموما یک مدل جدید مورد نیاز خواهد بود.
*مقاله حاضر ترجمه‌ای است از اثر کارلوس گرهنسن و فرانسیس هیلیگن



http://www.ghaaf.ir/index.php?option=com_content&task=view&id=141&Itemid=27