![](http://ddlabs.health/wp-content/uploads/2019/06/thumbnail-pic_ep4-edit_ep4-1024x512.png)
การคิดเชิงระบบ (Systems Thinking) คือแนวคิดและเครื่องมือในการทำความเข้าใจและแก้ปัญหาในระบบซับซ้อน (complex systems) และมีพลวัต (dynamics) ผ่านกระบวนการคิดใน 3 ลักษณะ
- คิดลึก คือ การทำความเข้าถึงรากของปัญหา โดยเครื่องมือหลักคือ Iceberg model (แบบจำลองภูเขาน้ำแข็ง) และ Ladder of inference (บันไดการอนุมาน)
- คิดครบ คือ การคิดอย่างครบถ้วน ด้วยการมองจากภาพใหญ่ และทำความเข้าใจความสัมพันธ์ โดยเครื่องมือหลักคือ Causal loop diagram (CLD) หรือ แผนภาพวงจรสาเหตุ และ Stocks and flows diagram (SFD) หรือ แผนภาพการสะสมและการไหล
- คิดยาว คือ การสังเกตและทำความเข้าใจพลวัตของระบบในระยะยาว โดยเครื่องมือหลักคือ Behavior-over-time (BOT) graphs หรือกราฟการเปลี่ยนแปลงของพฤติกรรมในช่วงเวลา
คิดลึก – ด้วย Iceberg model
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_02-iceberg-model-2-1024x798.png)
Iceberg modelเป็นหนึ่งในเครืองมือของการคิดเชิงระบบที่ช่วยให้เราเข้าใจระบบได้อย่างลึกซึ้งขึ้น ปัญหาเชิงมีรากที่ใหญ่และลึก เปรียบได้กับภูเขาน้ำแข็งที่โผล่เหนือน้ำที่ดูเหมือนมีขนาดเล็ก แต่มีขนาดภูเขาน้ำแข็งขนาดใหญ่ซ่อนอยู่ใต้น้ำ
Iceberg model มี 4 ชั้นจากบนลงล่าง
- เหตุการณ์ (events) เป็นสิ่งที่สังเกตเห็นได้ เปรียบได้กับยอดภูเขาน้ำแข็งที่โผล่มาเหนือน้ำ ในตัวอย่างนี้คือ พนักงานมาสายในวันอังคาร
- แนวโน้ม (patterns) คือ แนวโน้มหตุการณ์ที่เกิดขึ้นเมื่อสังเกตในกรอบระยะเวลาหนึ่ง ในตัวอย่างนี้คือ พนักงานมาสายทุกวันอังคาร
- โครงสร้าง (structure) แสดงให้เห็นความสัมพันธ์ขององค์ประกอบย่อยในระบบ เช่นในกรณีนี้คือ พนักงาน และเวลางาน ที่ไม่มีความยืดหยุ่น กล่าวคือพนักงานจะต้องเข้างานในเวลาที่กำหนดไว้ โครงสร้างเป็นสาเหตุของแนวโน้ม ในกรณีนี้ พนักงานคนนี้อาจเรียนภาคค่ำทุกคืนวันจันทร์ส่งผลให้มาสายทุกวันอังคาร
- Mental models คือ วิธีการมองโลกของผู้ที่อยู่ในระบบ ในกรณีนี้ ผู้จัดการอาจจะคิดว่าเขาไม่สามารถเชื่อใจว่าพนักงานจะทำงานอย่างเต็มที่ได้หากให้ให้ความยืดหยุ่นเรื่องเวลาและสถานที่ในการทำงาน จึงต้องให้พนักงานมาทำงานที่ออฟฟิซในเวลาที่กำหนด เพื่อที่เค้าจะได้เห็นด้วยตาตนเองว่าพนักงานกำลังทำงานอยู่
การคิดและแก้ไขปัญหาเชิงระบบ สิ่งแรกๆ ที่มีความสำคัญคือการความเข้าใจรากเง้าของพฤติกรรมของระบบ ดังนั้น Iceberg model จึงเป็นเครื่องมือสำคัญที่ช่วยให้เรามองลึกเข้าไปถึงแนวโน้ม ความสัมพันธ์ และสาเหตุของพฤติกรรม เพื่อที่จะเข้าใจระบบที่เรากำลังออกแบบได้ดีขึ้น
การมองเฉพาะเหตุการณ์เปรียบเสมือนการมองปัญหาที่เห็นเฉพาะก้อนนำ้แข้งที่อยู่เหนือผิวนำ้ การแก้ไขปัญหาเชิงระบบมองเห็นสิ่งที่อยู่ใต้น้ำที่ทำให้เกิดเหตุการณ์นั้นซ้ำแล้วซ้ำ ยิ่งเรามองเห็นประเด็นที่ซ่อนอยู่ใต้น้ำมากขึ้นเท่าไหร่ ยิ่งเป็นโอกาสใช้จุดคานงัดที่ยิ่งมีประสิทธิภาพในการแก้ไขปัญหาเชิงระบบมากขึ้นเท่านั้น
คิดลึก – ด้วย Ladder of Inference
หลายๆ ครั้ง เราด่วนสรุป หรือมีความอคติ จึงทำให้ตัดสินใจผิดพลาด Ladder of inference ช่วยให้เราสามารถตรวจสอบสมมติฐานของเราอย่างเป็นขั้นเป็นตอน เพื่อมองโลกอย่างไม่มีอคติและช่วยให้ตัดสินใจได้ดีขึ้น
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_03-Ladder-of-Inference-copy-1024x847.png)
เริ่มจากปลายบันได ที่ประสบการณ์ในอดีตทำให้เราสังเกตเห็นข้อมูลและเหตุการณ์บางอย่าง และไม่เห็นบางอย่าง จากนั้นปัจจัยด้านวัฒนธรรม การเลี้ยงดู วิธีมองโลกของเรา ทำให้เราสร้างความหมายกับข้อมูลและเหตุการณ์นั้นๆ ความหมายที่เราตีความมานั้นก่อให้เกิดความเชื่อ ความเชื่อก่อให้เกิดการกระทำ
ขอยกตัวอย่างสถานการณ์เพื่อให้เห็นภาพ
![](http://ddlabs.health/wp-content/uploads/2019/06/table2-1024x557.jpg)
Ladder of inference ช่วยให้เรามองเหตุการณ์ตามความเป็นจริง เป็นเครื่องมือช่วยสะท้อนคิด (self-reflection) ของนักคิดเชิงระบบ ช่วยให้เราสามารถเข้าใจระบบได้อย่างที่มันเป็นจริงๆ โดยแยกแยะข้อมูลที่เป็นข้อเท็จจริงหรือสิ่งที่เกิดขึ้นจริง (facts)ออกจากการตีความตามความเชื่อหรือประสบการณ์ในอดีตของเรา(interference)ซึ่งอาจจะทำให้เกิดอคติ และทำให้เราสังเกตปัญหาได้ไม่ตรงตามความเป็นจริง
คิดครบ – ด้วย Causal Loop Diagram
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_04-Causal-Loop-Diagram-1-copy-1024x271.png)
Causal Loop Diagram (CLD) เป็นหนึ่งในเครื่องมือของ Systems thinking ที่ช่วยให้เห็นความสัมพันธ์ระหว่างองค์ประกอบย่อย (element)ในระบบ ซึ่งส่งผลต่อพฤติกรรมของระบบ
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_05-Causal-Loop-Diagram-2-1024x398.png)
CLD เป็นเครื่องมือที่ใช้อธิบายความสัมพันธ์เชิงคุณภาพระหว่างสาเหตุหรือปัจจัยที่เกี่ยวข้องกับปัญหากับผลลัพธ์ที่เราสนใจศึกษา และสามารถระบุทิศทางของความสัมพันธ์จากการเปลี่ยนแปลงเชิงปริมาณได้ โดยใส่เครื่องหมาย + หรือ -เพื่อแสดงทิศทางของความสัมพันธ์จากการเปลี่ยนแปลงเชิงปริมาณ หากการเปลี่ยนแปลงเชิงปริมาณของสาเหตุ (cause) ทำให้มีการเปลี่ยนแปลงของผลลัพธ์ในทิศทางเดียวกัน ใช้เครื่องหมาย + หรือ S (same, similar) แต่ถ้าการเปลี่ยนแปลงเชิงปริมาณของสาเหตุทำให้มีการเปลี่ยนแปลงของผลลัพธ์ในทางตรงกันข้าม ใช้เครื่องหมาย – หรือ O (opposite)
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_06-Causal-Loop-Diagram-3-1024x935.png)
การบริโภคมากขึ้น จนเกินความต้องการของร่างกาย ทำให้เสี่ยงต่อภาวะอ้วน ยิ่งบริโภคมากขึ้น ก็ยิ่งทำให้น้ำหนักเพิ่มขึ้น จึงมีทิศทางความสัมพันธ์เป็นบวก หรือการบริโภคน้อยลง ก็ยิ่งทำให้น้ำหนักน้อยลง ก็ยังคงมีทิศทางความสัมพันธ์เป็นบวก
แต่ถ้ามีการออกกำลังกายเป็นประจำเพิ่มมากขึ้นทำให้โอกาสที่น้ำหนักจะเกินเกณฑ์ลดลง จึงมีความสัมพันธ์เป็นลบนอกจากนี้ความสัมพันธ์ยังสามารถเชื่อมโยงย้อนกลับเป็น Feedback loop (วงจรป้อนกลับ) ได้ด้วย
Reinforcing loop (วงจรเสริมกำลัง) ก่อให้เกิดผลกระทบแบบก้อนหิมะ(Snowball effect) ซึ่งทำให้สถานการณ์ที่ใหญ่โตขึ้นอย่างรวดเร็ว เทียบได้กับก้อนหิมะที่สะสมมวลหิมะขณะกลิ้งลงจากภูเขาที่สะสมมวลหิมะ เมื่อใหญ่ขึ้นก็ทำให้ยิ่งเพิ่มความเร็ว และยิ่งเมื่อเพิ่มความเร็วก็ยิ่งทำให้ใหญ่ขึ้นอย่างทวีคูณ
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_07-Reinforcing-loop-copy-1024x593.png)
ขอยกตัวอย่างใกล้ตัว เมื่อมีใครซักคนพูดไม่ดีกับเราๆ คงรู้สึกโกรธ และถ้าพูดตอบโต้ไม่ดีด้วยอารมณ์โกรธ ซึ่งก็ยิ่งอาจทำให้เกิดการโกรธมากยิ่งขึ้น เราใช้ R เป็นสัญลักษณ์ของ Reinforcing loop
วงจรอีกแบบหนึ่งคือ Balancing loop (วงจรสร้างสมดุล) มีคุณสมบัติในการรักษาสมดุล ตัวอย่างใกล้ตัวก็คืออาการหิว เมื่อเราหิวเราก็กิน เมื่อกินไปถึงจนอิ่มแล้ว เราก็หายหิวจึงหยุดกิน
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_08-Balancing-loop-copy-1024x532.png)
ในระบบหนึ่งอาจจะมีความสัมพันธ์มากกว่า 1 feedback loop เช่นกรณีจำนวนประชากรก็เกี่ยวข้องกับการตายและการเกิด โดยความมีความสัมพันธ์แบบ Reinforcing loop กับการเกิด เพราะเมื่อมีการเกิดก็ทำให้ประชากรเพิ่มขึ้น และเมื่อมีประชากรเพิ่มขึ้นก็ทำให้มีการเกิดมากขึ้น สัญลักษณ์ || บ่งบอกถึงการล่าช้า (delay) ที่เกิดขึ้นในกรณีนี้หมายถึงประชากรต้องเติบโตถึงวัยเจริญพันธ์ถึงจะมีลูกได้ (มีการเกิด)
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_09-Group-Model-Building-1024x487.png)
ส่วนการตายมีความสัมพันธ์แบบ Balancing loop กับจำนวนประชากร เมื่อมีการตายเพิ่มขึ้นก็ทำให้จำนวนประชากรลดลง
ในระบบที่ซับซ้อนมากๆ เช่นระบบสุขภาพ มีความเกี่ยวข้องกับหลายคนและและองค์กรเกินกว่าที่ใครคนเดียวจะมีภาพที่ครบถ้วน ดังนั้นในการสร้าง CLD ระบบขนาดใหญ่ มักทำในรูปแบบ Group Model Building (GMB) ซึ่งก็คือเวิร์คชอปที่ผู้มีส่วนเกี่ยวข้อง(Stakeholders)ที่เกี่ยวข้องมาสร้าง CLD ร่วมกัน
CLD ช่วยให้ผู้ที่มีส่วนเกี่ยวข้องมีภาพเดียวกัน จึงกล่าวได้ว่าประโยชน์แรกของ CLD คือการเป็นเครื่องมือสื่อสาร ก่อนที่จะนำไปวิเคราะห์หาจุดคานงัด (Leverage point) ซึ่งก็คือการแก้ปัญหาที่ใช้แรงน้อยแต่ได้ผลมาก
จะสังเกตได้ว่า CLD เป็นเครื่องมือเชิงคุณภาพที่มีจุดประสงค์หลักในการเน้นการแสดงความสัมพันธ์ขององค์ประกอบย่อยของระบบซึ่งเพียงพอในการทำความเข้าใจระบบรวมถึงหาจุดคานงัด ซึ่งหากต้องการวิเคราะห์ระบบในเชิงปริมาณจะต้องเแปลง CLD ไปเป็นStocks and flows diagram ที่จะใช้ในการสร้างแบบจำลองของระบบต่อไป
คิดครบ – ด้วย Stocks and flows diagram
Stocks and flows diagram (แผนภาพการสะสมและการไหล)เป็นหนึ่งในเครื่องมือเชิงปริมาณที่ช่วยทำให้เข้าใจพลวัต(dynamics)ของระบบ โดย stock คือค่าที่เราสนใจ เช่นปริมาณประชากร จำนวนผู้ป่วยในแผนกฉุกเฉิน จำนวนเงินเก็บในบัญชีออมทรัพย์ของเรา stock จะต้องเป็นสิ่งที่วัดหรือนับได้ แต่ไม่จำเป็นต้องเป็นสิ่งของทางกายเท่านั้น ความพึงพอใจก็เป็น stockได้flowคือการไหลเข้าหรือออกที่ส่งผลต่อการสะสมของstock
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_10-Bathtub-copy-1024x714.png)
ตัวอย่างคลาสสิคที่ใช้ในการอธิบาย stockและflowคือโมเดลอ่างน้ำ ระดับน้ำในอ่างอาบน้ำขึ้นอยู่ปริมาณน้ำที่ไหลเข้าจากก็อกน้ำ และปริมาณน้ำที่ไหลออกจากจุกระบายน้ำ
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_11-Stocks-and-flows-diagram-1-1024x319.png)
โมเดลอ่างอาบน้ำสามารถวาดเป็น SFDได้ดังนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_12-Stocks-and-flows-diagram-2-1024x394.png)
ตัวอย่าง Bathtub model เป็นตัวอย่างง่ายๆ ที่ช่วยให้ทำความเข้าใจ stock และ flowแต่พลวัตของระบบในชีวิตจริงมีความซับซ้อนกว่านั้น
stock สามารถมีวงจรป้อนกลับมาที่ flow ได้ โดยมีสองชนิดคือ Reinforcing loop (วงจรเสริมกำลัง)และBalancing loop (วงจรสร้างสมดุล)
Reinforcing feedback คือการที่ระดับของ stock ป้อนกลับมาที่flow ซึ่งส่งผลต่อระดับของstock ตัวอย่างที่พบเห็นในชีวิตประจำวันคือบัญชีเงินฝากที่จำนวนดอกเบี้ยที่คำนวณจากจำนวนเงินฝาก และป้อนกลับมาเพิ่มจำนวนเงินฝากอีก กลายเป็นดอกเบี้ยทบต้น
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_13-Feedback-Loops-1024x520.png)
หรือจำนวนประชากร
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_14-Reinforcing-feedback--1024x562.png)
ตัวอย่างของ Balancing loop ที่ใกล้ตัวเราก็คือการกินกาแฟ ถ้าวันไหนเราพักผ่อนน้อย เราก็อาจจะเพิ่มพลังในการทำงานด้วยกาแฟ เมื่อกินกาแฟแล้วเราจะรู้สึกเรารู้สึกตื่นมีพลังพร้อมทำงานก็หยุดกินกาแฟ แต่ถ้าตกบ่ายเรารู้สึกง่วงหลังจากทานข้าวเที่ยงเราก็อาจจะกินกาแฟเพิ่มอีกแก้ว Feedback loop ลักษณะนี้มีคุณสมบัติในการรักษาสมดุล กล่าวคือเราคงจะไม่กินกาแฟไปเรื่อยๆ ถึงแม้จะรู้สึกไม่ง่วงแล้ว
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_15-Balancing-feedback-1024x657.png)
โดยปกติแล้ว SFD จะเป็นการพัฒนาต่อยอดมาจากCLDตัวอย่างเช่นโมเดลจำนวนประชากรในรูปแบบ CLD
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_09-Group-Model-Building-1024x487.png)
สามารถแปลเป็น STD ได้ดังนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_17-One-Stock-Feedback-1024x465.png)
CLD ช่วยให้เห็นความสำคัญ แต่ไม่สามารถวิเคราะห์ในเชิงปริมาณได้ กล่าวคือเรารู้ว่าเมื่อมีประชากรมากขึ้นก็ทำให้อัตราการเกิดมากขึ้นแต่ไม่รู้ว่ามากขึ้นเท่าไหร่ เมื่อแปลงเป็น Stocks and flows diagram แล้วเราสามารถใส่สมการและสร้างแบบจำลองบนคอมพิวเตอร์เพื่อสามารถวิเคราะห์ในเชิงปริมาณได้
นอกจากนี้เรายังสามารถทดลองปรับตัวแปรต่างๆ และจำลองให้เห็นผลการเปลี่ยนแปลง ก่อนที่จะนำไปปฏิบัติจริง
นักคิดเชิงระบบเข้าใจถึงพลวัตของระบบที่มีการเปลี่ยนแปลงตามช่วงเวลา และใช้ กราฟ BOT ซึ่งเป็นอีกเครื่องมือของการคิดเชิงระบบเพื่อติดตาม ทำความเข้าใจ และออกแบบระบบให้มีพฤติกรรมที่ต้องการ
อาจกล่าวได้ว่านักคิดเชิงระบบมองโลกผ่าน SFDโดยstockคือสิ่งที่สนใจ และต้องการควบคุมระดับของ stock ให้อยู่ในระดับที่ต้องการ ผ่านการควบคุมการไหลเข้าและออก (inflows and outflow)
คิดยาว – ด้วย Behavior-over-time (BOT) graphs
พลวัตของระบบเป็นคุณสมบัติที่สำคัญที่นักคิดเชิงระบบสนใจ แต่เขาหรือเธอไม่ได้สนใจการเปลี่ยนแปลงเป็นครั้งคราว แต่สนใจศึกษาธรรมชาติพลวัตของระบบในช่วงเวลาหนึ่งๆ ผ่าน ซึ่งสามารถสังเกตได้ผ่าน Behavior-over-time (BOT) graph หรือกราฟการเปลี่ยนแปลงของพฤติกรรมในช่วงเวลา
กลับมาที่ตัวอย่างโมเดลอ่างอาบน้ำ ซึ่งสามารถจำลองได้ด้วย SFD และ กราฟ BOT นี้แสดงให้เห็นระดับที่เปลี่ยนไปตามเวลาตั้งแต่เริ่มเอาปลั๊กระบายน้ำออก
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_18-Behavior-over-time-1024x815.png)
พฤติกรรมของระบบไม่ได้เป็นเส้นตรงเสมอไป ลักษณะของ BOT สะท้อนโครงสร้างของระบบ
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_19-Behavior-graph-1024x706.png)
มาดูตัวอย่างระบบที่มี Balancing loop 2 วงที่มีทิศทางตรงกันข้ามกัน
ระบบปรับอากาศมีลักษณะนี้ ในประเทศเมืองหนาวที่ต้องเปิดเครื่องให้ความร้อนเพื่อให้ห้องมีอากาศอุ่นสบายจะมี Balancing loop จำนวน 2 วง วงแรกคือเครื่องควบคุมอุณหภูมิ(Thermostat) ที่ช่วยปรับให้อุณหภูมิเป็นไปตามที่เราตั้งไว้ และวงที่สองคืออากาศร้อนที่จะไหลออกไปข้างนอกผ่านช่องหน้าต่างและประตูต่างซึ่งเป็นไปตามหลักฟิสิกส์ที่พยายามจะให้อุณหภูมิข้างในและข้างนอกเท่ากัน
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_20-SFD-Thermostat-1024x567.png)
Balancing loop แรก (เครื่องควบคุมอุณหภูมิ) จะมีกราฟ BOT ดังนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_21-Balancing-loop-1st-1024x670.png)
Balancing loop ที่สอง(ความอุ่นไหลออกตามช่องหน้าต่างและประตู) จะมีกราฟ BOT ดังนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_22-Balancing-loop-2nd-1024x706.png)
เมื่อนำทั้งสอง Balancing loop มารวมกันจะมีกราฟ BOT ดังนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_23-Combine-1st-and-2nd-1024x670.png)
จะเห็นได้ว่าอุณหภูมิของห้องจะต่ำกว่าที่ตั้งไว้ที่เครื่องควบคุมอุณหภูมิ ดังนั้นเพื่อให้ได้อุณหภูมิที่ต้องการเราจะต้องตั้งอุณหภูมิให้สูงกว่าที่ต้องการ คำถามต่อไปก็คือสูงกว่าเท่าไหร่ คำตอบก็คือขึ้นอยู่กับอุณหภูมิข้างนอก
และถ้าระบบนั้นมีความล่าช้าล่ะ กราฟ BOTจะจะมีหน้าตาเป็นอย่างไร ระบบสินค้าคงคลังเป็นตัวอย่างของระบบที่มีพฤติกรรมนี้
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_24-SFD-inventory-1024x751.png)
กราฟ BOT ของระบบมีก็จะมีความกวัดแกว่ง
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_25-BOTG-1024x688.png)
ความกวัดแกว่งอธิบายได้ดังนี้ เมื่อยอดขายสูงขึ้น เจ้าของโชว์รูมรถก็จะไม่ได้สั่งรถเพิ่มทันที แต่รอดูซักช่วงเวลาหนึ่งเพื่อดูแนวโน้ม ดังนั้นจำนวนรถคงคลังก็จะลดลง และจะเพิ่มสูงขึ้นเมื่อรถมาส่งที่คลังสินค้า
ท้ายสุดมาดูระบบที่มี Balancing loop และ Reinforcing loop
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_17-One-Stock-Feedback-1024x465.png)
จำนวนประชากรมีคุณสมบัตินี้ และจะมี BOTได้สามแบบขึ้นอยู่กับว่า Feedback loop ไหน เด่นกว่ากัน
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_26-BL-and-RL.png)
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools_27-System-structure-.png)
![](http://ddlabs.health/wp-content/uploads/2019/06/04-System-thinking-tools-28.png)
นี้เป็นตัวอย่าง BOTGs ของระบบที่มี Stock เดียว แต่ในทางปฏิบัติระบบอาจจะมีหลาย Stock เชื่อมต่อกันที่จะทำให้ BOTGs มีความซับซ้อนยิ่งขึ้นไปอีก
เมื่อเราทำความเข้าใจระบบแล้ว เราจะแก้ปัญหาผ่านจุดคานงัดที่ใช้แรงน้อยแต่ได้ผลมาก (อ่านต่อหาจุดคานงัดอย่างไร จึงแก้ปัญหาเชิงระบบได้อย่างยั่งยืน?
อ้างอิง:
- Introduction to Systems Thinking by Borwornsom Leerapan, MD PhD
- https://thesystemsthinker.com/connecting-systems-thinking-and-action/
- The Habit-Forming Guide to Becoming a Systems Thinker by Tracy Benson and Sheri Marlin
- Systems Thinking In Public Health by Johns Hopkins University
- Thinking in Systems by Donella Meadows