系統思考的七個關鍵思考技巧
緣起
The Systems Thinker是從《第五項修煉》英文版問世的幾年後開始出版的電子報，裡面有許多與五項修煉有關的豐富資源，包括概念介紹、案例介紹，以及方法工具的操作指引。在我去歐洲留學之前，The Systems Thinker在我系統思考的學習中，扮演了極為重要的啟蒙角色。
後來這份電子報大概在出版十幾年之後就停刊了，所幸前幾年有人買下了The Systems Thinker文章的版權，並且放在網站上免費讓大家取用。想到我當年還要用各種關鍵字在google尋找四處散落的pdf檔，這個網站的出現實在是讓我覺得很幸福！
相較於英文世界，目前中文世界的系統思考資料相當稀少。為了支持對於系統思考有興趣的朋友能夠深入學習，我開始從The Systems Thinker當中挑選一些特別重要的文章並翻譯成中文，未來也將持續不定期發布。
前言
儘管個人電腦以及系統思考軟體在過去十年獲得顯著的進展，如何有效應用系統思考仍然是困難的課題。許多聰明的人仍然花了太多不必要的時間與系統思考的典範、思考過程以及方法論纏鬥。
根據過去十五年間我與企業界及教育界專業人士共事的經驗，我開始相信，系統思考之所以這麼難掌握，是因為它需要你能夠掌握一整套的思考技巧。
就如同厲害的籃球選手在比賽時不會意識到上籃動作用到的個別技巧 — 像是在不看球的情況下邊跑邊運球、起跳的時間跟位置、單手把球伸向籃框同時避免被防守者蓋火鍋 — 系統思考老手也不會特別注意自己在使用系統思考的時候，用到了哪些思考技巧。透過分辨個別的動作或技巧，不論是籃球新手、或是想學習系統思考的人都可以一一練習各個技巧。這麼做可以幫助你先熟悉各個技巧，然後才嘗試用整套技巧投入實作。
系統思考的方法
在探索重要的思考技巧之前，我們應該先認識在應用系統思考時會不斷重複的四步驟流程 (請見圖一：系統思考的步驟)。首先，先確認你想要探索、解決的問題或議題。然後建立假說解釋為什麼這個問題會發生，並且運用模型來檢驗這些假說，不論是心智模型、紙筆模型、或電腦模擬模型。當你發展出一套滿意的、可行的假說之後，就可以向他人分享你的發現並且開始推動改變。
在本文中提到的「模型」，指的是一系列呈現事物是如何運作的假設。我們必須明白，所有模型都是錯誤的，因為模型無法完全呈現事實，但有些模型比其他模型還有用(更能幫助我們了解事實)。然而，在商業世界中我們經常把模型(尤其是電腦模型)當作「答案生產器」，以為將數字輸入就能得到對的答案。但是，從系統思考的角度來看，模型是「檢驗假設與理論的工具」，我們用模型來形塑並嚴格檢驗我們對事物的理解。基本上，透過高品質的思考過程，我們才能建構好的模型。系統思考以及相關的七個關鍵思考技巧，都有助於增進我們的思考品質。
七個關鍵思考技巧
當你開始系統思考的流程，你會發現在各個步驟中某些技巧會特別重要。我相信，系統思考大師們至少掌握了七個相互關聯的思考技巧。這七個技巧在你使用系統思考的過程中會依序出現：動態思考(Dynamic Thinking)、內生思考(System-as-Cause Thinking )、宏觀思考(Forest Thinking)、操作性思考(Operational Thinking)、閉環思考(Closed-Loop Thinking)、量化思考(Quantitative Thinking)、科學思考(Scientific Thinking)。
首先，動態思考會幫助你定義想要處理的問題。接下來的兩個技巧：內生思考與宏觀思考，會幫助你決定要納入問題的哪些面向，以及各個面向要深入到什麼程度。第四至第六個技巧：操作性思考、閉環思考、量化思考，對於形成你即將檢驗的假說(或心智模型)特別重要。最後，科學思考能夠幫助你檢驗你的模型。
這些關鍵思考技巧都有不同的用途，並且在系統思考分析當中皆有其獨特之處。讓我們來探索這些技巧，學習如何發展這些技巧，並且認識這些技巧在「非系統思考」(主流的傳統思考方式)的對應版本。
動態思考：若要利用長期的行為趨勢來界定問題或議題，動態思考是必不可少的。動態思考與靜態思考相對，後者會引導人們專注在特定的事件上。比起一次性的事件，會隨著時間演變的問題或議題更適合用系統思考處理。
你可以藉由練習畫出行為趨勢圖，來增進你的動態思考技巧。舉例來說，你可以根據公司年報的資料來畫出一些核心變數的行為趨勢。把某兩個變數相除(例如收入或淨利除以員工數)，然後畫出其行為趨勢。或者，你可以拿今天的報紙，瀏覽新聞標題來找出你有興趣的事件，然後想想如何把那個事件視為某變數長期走勢上的某一點。下次如果有人建議你做某件事情來解決問題，你可以問對方：「在什麼時間尺度之下？這會需要多長時間？這會如何影響核心變數的走勢？」
內生思考：動態思考讓你將問題視為某種行為趨勢，而下一步就是建立模型來解釋問題的行為趨勢，然後提出改善的方法。內生思考能幫助你決定模型的邊界，也就是什麼要納入模型、什麼不要(請見圖二：模型廣度與深度的界線)。用內生思考的角度來說，你所納入模型的，應該只包括那些系統中可以被處理，並且能產生目標行為趨勢的元素與因果關係。
相反的，比內生思考更常見的「外生思考」(System-as-Effect Thinking)會將系統行為解釋為被外力「驅動」的結果，這樣的觀點能使你將過多的變數納入你的模型之中。內生思考使你的模型更聚焦，因為這種思考方式更加注重系統管理者的行為以及系統本身的結構上。
為了培養內生思考，你可以試著把諸如「都是他們害的」、「這是他們的錯」轉變成「我們是不是也有責任？」我們總能夠把問題視為「外力」造成的，但同時我們也可以問：「我們到底做了什麼，讓我們被這些不可控的力量擺佈？」
宏觀思考：在許多組織中，人們認為要真正了解某件事情，需要專注在其細節上。這種想法在日常生活中一再地被強化 — 我們將生活視一連串的細節。我們也可以將之稱為「微觀」的思考(Tree-by-Tree Thinking)。微觀思考容易讓我們建構出龐大繁雜的模型，這類模型包含太多深入的細節。如果使用這種模型，我們就會想去看某輛紅色卡車是否在星期二早上拋錨，而不是關注卡車的平均拋錨頻率。相反地，透過宏觀思考所建構的模型，可以將細節聚合，讓我們看到系統的「平均」整體樣貌。為了培養宏觀思考的技巧，你可以練習專注在事物的相似而非差異之處。舉例來說，儘管組織中的每個人都是獨特的，每個人都還是會跟其他人有一些相似的特徵。有些人的表現欲比較強，有些人則不是如此，但大家都有為組織貢獻的可能性。儘管個體之間存在差異，要發揮組織的潛能，可以從組織的共通結構著手：例如，會影響個人動機的因子之間有什麼關聯性？
操作性思考：操作性思考處理的是因果關係 — 也就是系統的行為是如何產生的？這個思考技巧和「相關」(Correlational)或「因子」思考」(Factor Thinking)不同。史蒂芬・柯維 (Steven Covey)所著的《高效人士的七個習慣》(The Seven Habits of Highly Effective People) 是史上最暢銷的書之一，這本書就是使用因子思考的產物。許多資深高階主管辦公室的牆上會掛著像「關鍵成功因子」或「驅動業績的關鍵因子」的各種清單，這也是因子思考的產物。我們經常在關注造成某結果一系列的因子。
然而，這種關注一系列因子清單的心智模型會產生一些問題。關鍵在於，單單列出這些因子並不能讓我們了解其中的因果關係，頂多只是暗示每個因子都會「影響」結果、或者跟結果「相關」。但是，影響力或相關性並不等同於因果關係。
舉例來說，如果你用因子思考來分析影響學習的因子，你能夠輕易列出一籮筐的因子 (請見圖三：用因子思考與操作性思考解釋學習過程)。但如果你使用操作性思考，你可能會把學習描述為一個與經驗積累同時發生的過程。操作性思考透過描繪學習過程的結構來指出學習的本質，而因子思考僅是羅列在某種程度上會「影響」學習過程的因子。
若要發展你操作性思考技巧，你必須能夠釐清構成企業運作的各種活動，例如聘僱、生產、學習、激勵、離職與定價。對於每個例子，你應該要問「這個過程本質上是如何運作的？」而不是「哪些因子會影響這個過程？」
閉環思考：想像跟你的同事一起討論公司的獲利狀況，在大部分的公司，你們可能會列出產品品質、領導力、競爭等等會影響獲利能力的因子 (請見圖四：對於因果關係的直線與閉環思考觀點)。我們傾向羅列出因子的行為源自於直線思考(Straight-Line Thinking)，這種思考方式背後隱含兩種假設：1)因果關係是單向的 — 從「這些因子」指向「那個果」，以及2)每個因子之間彼此相互獨立。不過事實上，就像圖中閉環思考那一側所顯示的，「果」通常會回饋給一個以上的「因」，而那些因也會影響彼此。因此，閉環思考會引領你看見持續變動的過程，而不是一次性的事件。
要磨練閉環思考，你可以拿出關於與任何主題有關的因子列表，然後一步步釐清這些因子是如何相互影響的。與其把因子依據其重要性排列，不如去探索因子的重要性會如何隨著時間演變。
量化思考：這裡指稱的「量化」並不等同於「量測」。可能是因為西方科學界認為「精準的量測才能真正的認識」，所以這兩個名詞經常被混用。儘管海森堡的測不準原理讓物理學家們不再那麼注重數字上的精確性，企業界對於精準性的追求仍未減退。有許多案例就是因為執著於數字上的精準性，而讓分析無法繼續進行下去。如今，量測思考(Measurement Thinking)仍然盛行！
但是，永遠會有許多事物是我們無法精準量測的，像是那些「軟性」變數，包括動機、自尊、投入程度，以及對於改變的抗拒。由於變化太快以及資訊系統本身的延遲與缺陷，其實許多「硬性」變數也常常難以被精準量測。
不論如何，讓我們回過頭看那些「軟性」變數。會有人認為員工的自尊與其績效表現不相關嗎？會有人說員工的投入程度與公司的成功無關嗎？儘管不太可能有人會認同這些說法，像自尊與投入程度這一類的變數卻很少出現在我們的試算表及其他分析工具當中。為什麼會如此呢？原因是，這些變數本身雖然無法被量測，卻可以被量化。例如我們可以把毫無投入定為0，把最高的投入程度定為100。這些數字不是我們自己定義的嗎？的確是如此，但是這樣定義並不是毫無意義的！如果你想要運用模型研究如何提升員工的投入程度，而不是預測員工在1997年第三季的投入程度，你可以毫不客氣地把投入程度作為變數納入你的模型中。儘管不是所有事物都可以被量測，但你總是會有方法可以將之量化。
為了增進量化思考，你可以拿任何一個公司在過去一年所做過的分析，並思考有哪些關鍵的軟性變數被忽略了，例如如員工的動機。接著想想，系統思考讓你能夠把這類變數納入分析，這可能會帶來什麼影響？最終你將不再試圖完美的量測所有事物。然而如果你夠誠實的話，你會發現你永遠不可能做到完美的量測。
科學思考：最後一個系統思考的技巧是科學思考。我將與其相對的思考方式稱為確證思考(Proving Truth Thinking)。為了認識科學思考，我們必須先承認，科學的進展是一個剔除謬誤的過程。當下主流的理論只是「稍微較可行的假說」，一旦更好的理論出現之後就會被淘汰。另一方面，許多商業模式都不是基於科學，但是領導人仍舊將之視為要誓死守護的真理。許多分析師致力於讓他們的模型能夠呈現過往的歷史數據，一旦他們能夠做到這點，他們就會認為這些模型一定是「真的」。
在建構模型時，許多人會有想要用過去的數據來「證明」模型有效性(即上述的「確證」)，而系統思考老手能夠抵抗這種傾向。與此相反，他們致力於提醒自己去察覺模型當中的可能謬誤，並且也能夠讓他們的團隊或客戶知道。品質管理大師戴明(W. Edwards Deming)曾說過：「所有模型都是錯的，但是有些模型很有用。」戴明是個聰明的傢伙，而且他顯然是系統思考者。
在使用科學思考的時候，系統思考者不太在意如何使用準確的數據來讓模型完全符合真實；相反地，他們專注於選取簡單易懂、更有助於理解問題的數據。另外，系統思考者也會想方設法檢驗他們所建構的模型！他們會想知道在什麼狀況下，他們模型會「瓦解」而無法使用。如果真的瓦解了，他們也會想知道這種瓦解的方式是否符合真實情況？到什麼程度他們還能有信心的使用這個模型？
練習科學思考最簡單的方法，就是找到一個「平衡的」電腦模型(也就是啟動之後，所有數值仍然保持不變的模型)，然後試試看把參數調到極端值。例如，把九成的銷售人力調到製造部門、把價格調為競爭者的十倍、把市場調成三倍大，然後看看這個模型會如何運作。從中你不但會學到此模型的可用範圍，還可能一瞥高槓桿點所在的位置！
各個擊破的策略
彼得聖吉的 《第五項修煉》 之所以這麼成功，可能也歸因於系統思考本身如此地讓人著迷。但是，有效使用系統思考並不是件易事。造成其困難度的原因之一，是系統思考會需要用到太多種不同的思考技巧，而且這些思考技巧跟我們現今用來處理商業問題的技巧非常不同(請見表一：傳統商業思考 vs. 系統思考技巧)。
透過區分並檢視有效運用系統思考會所需的七個思考技巧，你就能一一鍛鍊這些技巧。如果你先掌握了個別技巧，你就更有機會將這些技巧合併運用於真實情境中。所以，好好練習吧……不要忘記實作的重要性！
關於作者：貝里・利奇蒙(Barry Richmond)
貝里・利奇蒙是麻省理工學院系統動力學博士，曾在達特茅斯學院擔任教授。他於1985年創立 isee systems公司，此公司所開發的系統動力學軟體大大促進了該領域的發展。他鞭辟入裡的智慧、對促進人們互相理解的熱情、作為老師以及溝通者的天賦、無窮的精力、獨特的個人魅力以及對智慧的好奇心，使他獨樹一格。他對系統動力學領域有極大的貢獻，並於2002年8月逝世。
關於本文
- 本文原文(The “Thinking” in Systems Thinking: How Can We Make It Easier to Master?)連結：https://thesystemsthinker.com/the-thinking-in-systems-thinking-how-can-we-make-it-easier-to-master/
- 感謝Automattic.com付出大量的金錢與時間取得相關授權，讓前人寶貴的智慧、知識與經驗能為後人所取用。
- 翻譯：蔡依庭
審校：黃意鈞
