Causal Loop Diagramming (CLD) представляет гипотезы о взаимном влиянии переменных через feedback. Метод объясняет поведение во времени — рост, спад, колебания, overshoot, сопротивление или повторяющийся кризис, — а не просто перечисляет причины события.
За одну минуту
CLD использует:
- variables, которые могут расти и снижаться;
- arrows — направленное причинное влияние при прочих равных;
- polarity: однонаправленное (
+) или противоположное (−) изменение; - reinforcing loops (R): feedback, усиливающий движение;
- balancing loops (B): feedback, противодействующий разрыву или изменению;
- delays: временные лаги, создающие колебания и overreaction;
- boundary и evidence register: включённое, исключённое, наблюдаемое и неизвестное.
R и B описывают структуру, а не хорошее и плохое. Reinforcing loop может усиливать вред, balancing loop — блокировать улучшение.
Лучше всего: для повторяющегося поведения из взаимодействия решений, восприятия, capacity и delays.
Не подходит: для единичного линейного дефекта, неопределяемых variables или использования схемы как количественной симуляции.
Какую проблему решает
Линейное решение проблемы может не видеть, как вчерашний ответ меняет завтрашние условия. Support team вводит overtime, временно снижает backlog, создаёт burnout, теряет capacity и получает больший backlog. CLD делает гипотезу feedback видимой.
Диаграмма не является validated model. Polarity может быть неоднозначна, границы исключают важное, а несколько правдоподобных loops объясняют одну историю. Важные решения требуют data, stakeholder challenge и, при необходимости прогноза, stock-and-flow model.
Когда применять
Применяйте CLD, когда:
- проблема повторяется после нескольких fixes;
- intervention создаёт delayed или unintended effects;
- рост или спад самоусиливается;
- capacity и demand взаимодействуют во времени;
- стейкхолдеры рассказывают разные причинные истории;
- scenario или strategy work нуждаются в явных feedback assumptions.
Когда не применять
Не используйте CLD:
- вместо incident containment или defect analysis;
- чтобы показать корреляции как причинные стрелки;
- с labels, которые не могут меняться;
- соединяя всё со всем;
- для расчёта magnitude, forecast или effects без quantification;
- исключая власть, incentives, distribution или affected voices.
Необходимые входные данные
- reference mode — паттерн поведения во времени;
- горизонт и system boundary;
- определения variables, units или proxies;
- временные и качественные данные связей;
- decision rules, perceptions, constraints и delays;
- взгляды участников и затронутых групп;
- decision use и владелец revision.
Пошаговый процесс
1. Определите динамический вопрос
Спросите, почему variable ведёт себя так во времени, а не почему произошло одно событие. Укажите период, population и решение.
2. Нарисуйте reference mode
Покажите наблюдаемый или спорный trend, oscillation, overshoot или plateau. Отметьте missing data и alternative patterns.
3. Задайте границу
Включите механизмы, необходимые для объяснения, и перечислите значимые exclusions. Маленькая проверяемая модель сильнее untestable universe.
4. Правильно назовите variables
Используйте количества или perceptions: «support backlog», «experienced capacity», «perceived urgency». Избегайте «плохого управления».
5. Добавьте causal links
Формулируйте одно directional claim за раз. Укажите механизм, порядок времени и evidence. Корреляции недостаточно.
6. Назначьте polarity и delays
+ означает однонаправленное изменение, − — противоположное относительно otherwise. Покажите material lags.
7. Замкните и подпишите loops
В loop чётное число negative links даёт R, нечётное — B. Мысленно измените одну variable по кругу.
8. Оспорьте модель
Ищите пропущенные goals, decision rules, accumulations, external factors и alternatives. Пусть затронутые группы проверят границы.
9. Спроектируйте leverage tests
Выберите link, delay, information flow, constraint или decision rule. Задайте ожидаемый pattern, guardrail, owner и rejection signal.
10. Пересмотрите или расширьте модель
Обновите CLD по evidence. Если важны magnitude, timing или policy comparison, перенесите структуру в stock-and-flow model и калибруйте её.
Линза AI-автоматизации
AI может извлекать candidate variables из разрешённых transcripts, проверять polarity, трассировать evidence и сравнивать версии.
AI не должен выводить causal links из correlation, тайно мониторить работников, выдавать generated loop за validated model, quantifying без модели, выбирать допустимый вред или стирать minority accounts.
Визуальная модель
Интерактивный пример
Software support отвечает на backlog сверхурочной работой. Backlog падает на две недели, затем превышает прежний уровень. Attrition растёт через три месяца, hiring задерживается на четыре.
Рабочий ответ: покажите short-term balancing loop backlog → urgency → overtime → completions → lower backlog. Добавьте delayed reinforcing deterioration: overtime → fatigue → errors/attrition → lower capacity → higher backlog. Добавьте hiring loop и delay. Проверяйте overtime limits, demand reduction, error prevention и protected learning time.
Заметки фасилитатору
- Начинайте с behaviour over time, не со списка причин.
- Читайте стрелку как «если это растёт, то при прочих равных…».
- Разделяйте perceived variables и measured conditions.
- Показывайте спорные links с evidence confidence.
- Отмечайте delays и boundary exclusions.
- Спрашивайте, кто получает выгоду, несёт стоимость и контролирует rule.
Ожидаемый результат
- ограниченный dynamic question и reference mode;
- определённые variables и evidence-qualified links;
- подписанные R и B loops;
- delays, accumulations и exclusions;
- альтернативные causal accounts и confidence;
- leverage hypotheses с safeguards и rejection signals;
- решение о revision или stock-and-flow escalation.
Типичные ошибки
- Список причин вместо feedback.
- Positive воспринимается как good.
- Nouns не могут изменяться.
- Пропущены delays.
- Правдоподобие выдано за proof.
- CLD используется как simulation.
Чек-лист качества
- Reference mode, horizon и decision явны.
- Variables могут расти или снижаться и определены.
- Каждая стрелка имеет mechanism, time order и confidence.
- Polarity проверена мысленным изменением.
- Delays, goals и accumulations показаны.
- Loops замкнуты и верно подписаны R/B.
- Boundary, power, affected groups и alternatives видимы.
- Leverage tests имеют guardrails и disconfirming signals.
Шаблон
| From variable | Polarity | To variable | Mechanism / time order | Delay | Evidence / confidence | Loop | Test / owner |
|---|---|---|---|---|---|---|---|
| Quantity / perception | + / − | Quantity / perception | Почему и для кого | Нет / длительность | Источник и uncertainty | R / B | Pattern и rejection signal |
Проверка знаний
Вопрос: означает ли +, что эффект полезен?
Ответ: нет. Это означает, что effect меняется в том же направлении, что cause, относительно иначе ожидаемого состояния.
Связанные методы
Источники
- John D. Sterman. Business Dynamics, 2000. MIT resource (откроется в новой вкладке).
- MIT OpenCourseWare. Introduction to System Dynamics (откроется в новой вкладке). Доступ 22 сентября 2026.
- MIT ESD. System Dynamics lecture (откроется в новой вкладке).
- George P. Richardson. “Problems with Causal-Loop Diagrams”, 1986. DOI (откроется в новой вкладке). Описывает неоднозначность и риски misuse.
- System Dynamics Society. Ресурсы (откроется в новой вкладке).
Профиль метода
- Главный результат: evidence-qualified feedback hypothesis и портфель leverage tests.
- Уровень решения: operation, organisation, strategy или ecosystem dynamics.
- Сила данных: устоявшаяся практика system dynamics; standalone qualitative CLD имеет известные ограничения ambiguity и validation.
- Триггер пересмотра: новые time-series data, failed link, changed decision rule, boundary challenge или необходимость количественного policy comparison.