UNISG System Dynamics Group

Die UNISG System Dynamics Group (SDG) ist eine Forschungsgruppe am Institut für Betriebswirtschaft der Universität St. Gallen, die sich der Modellierung, Simulation und Steuerung komplexer dynamischer Systeme widmet.

Über uns

Unser Team

Methodik

Forschung

Tagungen

Publikationen

Über uns

System Dynamics

System Dynamics ist eine Disziplin für die Modellierung, Simulation und Steuerung komplexer, dynamischer Systeme. Sie stellt eine ausgereifte, generische Methodik zur Verfügung, mit der die Struktur solcher Systeme modelliert und ihr Verhalten simuliert werden kann. Diese Methodik wurde am Massachusetts Institute of Technology (MIT) von Prof. Jay Forrester entwickelt. Sie wird heute weltweit angewandt.

System Dynamics ist unübertroffen im Umgang mit dynamischer Komplexität bei Organisationen aller Art. Damit können tiefe Einblicke in deren Funktionsweise gewonnen und leistungsfähige Strategien entwickelt werden. Die Methodik ist auf vielfältige Situationen anwendbar. Dies mit erstaunlichen Lerneffekten. Deshalb wird System Dynamics nicht nur für Fragestellungen in Organisationen eingesetzt, sondern auch für die Modellierung und Simulation von „grossen“ Problemen – ökologischer, sozialer und wirtschaftlicher Natur.

UNISG System Dynamics Group

Die UNISG System Dynamics Group (SDG) ist eine Forschungsgruppe am Institut für Betriebswirtschaft der Universität St. Gallen, die sich der Modellierung, Simulation und Lenkung komplexer dynamischer Systeme widmet. Sie geht auf einschlägige Forschungs- und Lehraktivitäten seit Mitte der achtziger Jahre zurück.

System Dynamics unterscheidet sich von anderen Methoden zur Analyse von komplexen Sachverhalten durch die Abbildung von Feedback-Strukturen, mit denen systeminhärente Nichtlinearitäten erfasst werden können. Weiter sind Zeitverzögerungen („delays“) sowie Wahrscheinlichkeitsfunktionen für die Simulation wichtig, weil sie das nichtlineare Verhalten komplexer Systeme massgeblich prägen.

Ziel der SDG ist es, einen substanziellen Beitrag zu leisten:

  • zum Fortschritt des Stands der Modellierung und Simulation komplexer dynamischer Systeme, mit Schwerpunkt soziale Systeme, insbesondere Unternehmungen und andere Organisationen (öffentliche Organisationen, Non-Profit-Organisationen, soziale Initiativen),

  • zu einer verstärkten Anwendung von System Dynamics in Wissenschaft und Praxis,

  • zur Ausbildung von fortgeschrittenen Studierenden und Anwendern der System-Dynamics-Methodik.

Unser Team

Markus Schwaninger, Prof. em. Dr.

Institut für Betriebswirtschaft an der Universität St. Gallen
Dufourstrasse 40a
CH-9000 St. Gallen

T +41 71 224 2382
markus.schwaninger@unisg.ch

Link zu Alexandria

Stefan Grosser, Prof. Dr.

Professor für Strategie
Bern University of Applied Sciences
Quellgasse 21
CH-2501 Bern

T +41 32 321 62 75
stefan.groesser@bfh.ch

Link zur Profilseite der BFH

Evgenia Ushakova, M.A. UNISG

Doktorandin & Wissenschaftliche Mitarbeiterin

T +41 79 4338784
evgenia.ushakova@unisg.ch

Link zu Alexandria

Markus Schwenke, Dr. oec. UNISG

Methodik

System Dynamics bietet eine Methodik für den Umgang mit dynamischer Komplexität mittels Modellierung, Simulation und Lenkung. Diese Methodik beruht auf der Idee, dass komplexe dynamische Systeme durch zwei und nur zwei Arten von Variablen abgebildet werden können: Bestandsgrössen («Stocks») und Flussgrössen («Flows»). Dies wird in Abbildung 1 dargestellt. Dabei ist zu beachten, dass die Flussgrössen in diesem Diagramm aus einer Umwelt zufliessen (Zufluss links) oder in eine Umwelt abfliessen (Abfluss rechts). Diese Beziehung wird nicht weiter analysiert, m.a.W. ist die Systemgrenze dort wo sich die Struktur des dargestellten Systems mit dessen Umwelt trifft.

Abbildung 1: System Dynamics – Bestandes- und Flussgrössen

Abbildung 2 zeigt ergänzende Elemente von System-Dynamics-Modellen. Der dargestellte Kreislauf besteht aus Hilfsvariablen, die auf den Zufluss zurückwirken. Nehmen wir an, eine Bevölkerung sei der Bestand, die Geburten der Zufluss und die Hilfsvariablen seien die ökonomische Produktion des betrachteten Systems sowie der resultierende Wohlstand, welcher seinerseits die Geburtenrate vermindert. Das Diagramm macht hingegen keine Aussage zur Frage, ob das Wohlstandsniveau eine Reduktion der Lebenszeit und folglich der Bevölkerungszahl bewirkt. Das Diagramm zeigt zudem Parameter auf, – im erwähnten Fall beispielweise prozentuale Geburts- und Sterberaten. Der geschlossene Kreislauf ist die Darstellung eines Systemzustands, der auf sich selbst kausal zurückwirkt. Dieser kausale Prozess enthält, wie durch die Querbalken bezeichnet, zeitliche Verzögerungen.

Abbildung 2: System Dynamics – Kausale Kreisläufe

Ein Systemmodell besteht meistens aus mehreren solchen Kreisläufen, die miteinander verknüpft sind. Das Stock-und-Flow-Diagramm eines gut überschaubaren makroökonomischen Modells, das von Felix Neugebauer, einem unserer Nachwuchsforscher kreiert wurde, findet sich in Abbildung 3.

Abbildung 3: Makroökonomisches Modell (Taylor Rule)

Die modellierte Struktur des Systems bestimmt dessen simuliertes Verhalten. Aufgrund der geschlossenen Kreisläufe und den Zeitverzögerungen ergeben sich nichtlineare Verhaltensmuster. Dies sei am Modell aus Abbildung 3 veranschaulicht. Der Verlauf des Zinsniveaus über die Zeit wird in Abbildung 4 dargestellt.

Abbildung 4: Nichtlinearität – simulierte versus reale Werte des Zinssatzes (in %)

Neben dem nichtlinearen Verhalten der fokalen Variable zeigt das Diagramm auch, dass die simulierten von den realen Werten nur geringfügig abweichen. Dies spricht für eine gute Modellqualität.

Die Erkenntnisse aus einem Simulationsprojekt können mit einem qualitativen Diagramm aussagekräftig herausgearbeitet werden. Dazu haben sich die CLDs – «Causal Loop Diagrams» bewährt. Diese Diagramme sind aber auch oft nützlich bei der Modellierung, – für eine Phase der qualitativen Modellierung oder Konzeptualisierung, die vor der quantitativen Modellierung stattfindet. Es folgen zwei entsprechende Beispiele. Abbildung 5 zeigt das CLD als Arbeitshilfe, mit der das soeben demonstrierte Modell konzeptuell skizziert wurde.

Die kreisförmigen Pfeile im Zentrum der Kreisläufe geben deren Polaritäten an. Es handelt sich durchwegs um balancierende Kreisläufe (bezeichnet mit «-« in Abbildung 3 und mit «B» in Abbildung 5). Die Polarität ergibt sich jeweils aus der Multiplikation der Vorzeichen auf den Pfeilen entlang eines Kreislaufs. Ein Ergebnis von «+» respektive «R» würde einen selbstverstärkenden «Loop» bezeichnen.

Abbildung 5: Causal-loop Diagramm zum Modell in Abbildung 3

Abschliessend ein kleines CLD (Abbildung 6). Es stellt eine Synthese aus einem Modell dar, welches die wesentlichen Erkenntnisse aus einem Modellierungsprojekt veranschaulicht.

Im vorliegenden Fall plant das Unternehmen, aufgrund eines krisenbedingten Ertragseinbruchs, ein massives Entlassungsprogramm. Es ist absehbar, dass dies zu einem «Brain Drain» führen wird. Bei den im Unternehmen verbleibenden Mitarbeitenden führen die Entlassungen zu Ängsten; Burnouts und weitere Kündigungen sind die Folge. Gleichzeitig nehmen mit dem zunehmenden Stress die Fehler zu und damit die Qualität ab, woraus weitere Ertragseinbussen resultieren.

Die Kreisläufe in Abbildung 6 tragen Etiketten, welche jeweils die Grunddynamik umschreiben. Alle diese «loops» sind selbstverstärkend und deshalb mit «+» (oder «R») bezeichnet. Es handelt sich um Teufelskreise, deren Zusammenwirken fast zwangsläufig fatale Wirkungen zeitigen muss. Gibt es einen Ausweg für dieses Unternehmen? Mit der Grösse «Innovation» wird ein starker Hebel für die wirtschaftliche Gesundung des Unternehmens eingeführt (siehe oben in der Graphik). Allerdings ergeben sich zwei Schwierigkeiten: erstens der zusätzliche Bedarf an qualifizierten Mitarbeitenden, wenn es gilt, Innovationen zu realisieren, zweitens die erhebliche Zeitverzögerung von einer innovativen Aktivität bis zu ihrer Wirkung auf die Erträge.

Abbildung 6: Wirkungen einer Kultur der Angst – Causal-Loop-Diagramm

Soweit ein kurzer Einblick in die Methodik der System Dynamics, aus sachlogischer Sicht. Darüber hinaus stellen sich Fragen der Chronologik, – der zeitlichen Abfolge der Aktivitäten, und schliesslich der Soziologik, – also der Aspekte wie der kommunikative Prozess der Modellierung zu gestalten ist. Beispielsweise ist Modellierung immer ein Mensch-Maschine-Prozess und heute weitgehend Gruppensache. Im Übrigen sind die Abläufe heute nicht mehr allein sequentiell, sondern teilweise synchron.

Zu den methodischen Aspekten der System Dynamics besteht eine ausführliche Literatur. Auch an unserer System Dynamics Group sind entsprechende Forschungsarbeiten realisiert worden.

Zu den Pubikationen

Forschung

Die theoretische Arbeit der System Dynamics Group UNISG konzentriert sich auf konzeptuelle und methodische Themen. Ausgewählte Projekte:

  • Werkzeuge für Systemisches Management

  • Evolution sozialer Normen

  • Entwicklung von Standards

  • Diffusionsdynamik bei energieeffizienten Bauten

  • Total Quality Management und kontinuierliche Verbesserung

  • Modeling as Evolution

  • Modeling as Theory-building

  • Algorithmische Ermittlung archetypischer Strukturen in System-Dynamics-Modellen

  • Varietätsfilter zur Verbesserung der Interpretation komplexer Kausalmodelle

Zudem werden anwendungsorientierte Projekte zusammen mit Unternehmen aus unterschiedlichsten Branchen durchgeführt. In diesen Projekten werden qualitative und quantitative Modelle, meist Kombinationen realisiert. Dabei geht es normalerweise um Modelle für den Umgang mit komplexen dynamischen Herausforderungen oder Problemen.

Bisherige Kooperationen (Auszug):

Tagungen

International System Dynamics Conference

Die Mitglieder der System Dynamics Group nehmen regelmässig an der International Dynamics Conferences of the System Dynamics Society teil, der führenden einschlägigen professionellen Organisation. Sie referieren dort in Forschergruppen und an Plenarveranstaltungen.

Die Konferenz findet 2019 von 21. bis 25. Juli in Albuquerque, New Mexico, USA statt.

zur Webseite

2012 fand die International System Dynamics Conference an der Universität St. Gallen statt. Sie zählte über 500 Teilnehmer und wurde von der UNISG System Dynamics Group organisiert. Weitere Infos hierzu finden Sie auf der rechten Seite unter „Downloads“.

European Conference on Operational Research

Seit 2002 leitet Markus Schwaninger jeweils am EURO-Kongress eine Sektion («stream») zum Thema «System Dynamics Modeling and Simulation. Dies ist die führende Tagung Europas auf dem Gebiet des Operations Research. Seit 2015 teilt er die Leitung des «stream» mit Frau Evgenia Ushakova, Doktorandin und Research Associate.

Die Konferenz findet von 23. bis 26. Juni in Dublin, Irland statt.

zur Webseite

Die UNISG System Dynamics Group hat auch weitere Veranstaltungen organisiert, unter anderem den European System Dynamics Workshop, Roundtables sowie universitätsübergreifende Doktorandenseminare in System Dynamics.

Publikationen

Bücher, Dissertationen & Monographien

  • Schaffernicht , M. F. G., & Groesser, S. N. (2018). Growth Dynamics in New Markets: Improving Decision Making through Model-Based Management. Chichester: Wiley.

  • Hoffmann, C. H. (2017 ). Effectively Ineffective : assessing the efficiency seeking management of risks : towards alternative risk measures for complex financial system. St. Gallen: Universität St. Gallen, Dissertation Nr. 4664.

  • Schwenke, M. (2016). Management Tools for Strategizing: Opportunities and Challanges for Accepting and Implementing Dynamic Tools. PhD Thesis No 4562. St. Gallen: University of St. Gallen

  • Ushakova, E. (2014). Print-to-Online Transformation: a System Dynamics View on News Media Business Models. Master thesis. St. Gallen: University of St. Gallen.

  • Grösser, S. N., Schwaninger, M., Tilebein, M., Fischer, T., & Jeschke, S. (2014). Modellbasiertes Management. Berlin: Duncker & Humblot.

  • Grösser, S. N. (2013). Co-Evolution of Standards in Innovation Systems. The Dynamics of Voluntary and Legal Building Codes. Berlin: Physica-Verlag.

  • Grösser, S. N., & Zeier, R. (2012). Systemic Management for Intelligent Organizations: Concepts, Models-based Approaches and Applications. Berlin: Springer.

  • Hoffmann, C. H. (2017 ). Effectively Ineffective : assessing the efficiency seeking management of risks : towards alternative risk measures for complex financial system. St. Gallen: Universität St. Gallen, Dissertation Nr. 4664.

  • Schwaninger, M. (2009). Intelligent Organizations: Powerful Models for Systemic Management (Second ed.). Berlin: Springer.

Zeitschriftenartikel

  • Schwaninger, Markus (2018) Systemic Design for Sustainability. Sustainability Science, Volume 13(5): 1225-1234. https://doi.org/10.1007/s11625-018-0538-5

  • Schwaninger, Markus (2017) Komplexität systemisch meistern. Wirtschaftsinformatik & Management. April 2017, Volume 9, Issue 2: 20–21.

  • Schoenenberger, L., Schmid, A., Ansah, J., Schwaninger, M. (2017). The Challenge of Model Complexity: Improving the Interpretation of Large Causal Models through Variety Filters. System Dynamics Review, 33(2), 112-137.

  • Schaffernicht, M., Groesser, S. N. (2014). The SEXTANT Software: A Tool for Automating the Comparative Analysis of Mental Models of Dynamic Systems. European Journal of Operational Research.

  • Groesser, S. N., Schwaninger, M. (2012). Contributions to Model Validation: Hierarchy, Process, and Cessation. System Dynamics Review, 28(2), 157-181.

  • Groesser, S. N., & Schaffernicht, M. (2012). Mental Models of Dynamic Systems: Taking Stock and Looking Ahead. System Dynamics Review, 28(1), 46-68.

  • Schwaninger, M., & Groesser, S. (2008). System Dynamics as Model-Based Theory Building. Systems Research and Behavioral Science, 25, 447-465.

  • Schwaninger M., Pérez Ríos, J. 2008. System Dynamics and Cybernetics: A Synergetic Pair. System Dynamics Review, 24 (2), 145-174).

Buchkapitel

  • Schwaninger M, Klocker J (2018) Efficiency versus Effectiveness in Hospitals: A Dynamic Simulation Approach. In: Borgonovi E, Anessi Pessina E, Bianchi C, eds. Outcome-Based Performance Management in the Public Sector. Berlin: Springer: 397-424.

  • Schwaninger M, Klocker J (2017) Systemic Development of Health Organizations: An Integrative Systems Methodology. In: Qudrat-Ullah H, Tsasis P, eds. Innovative Health Systems for the 21st Century. Cham, Switzerland: Springer International: 87-139.

  • Groesser, S. 2015. Lab or Reality: Entwicklung und Analyse von Geschäftsmodellen durch das kybernetische Unternehmensmodell Blue Company. In S. Jeschke, R. Schmitt & A. Dröge (Eds.), Exploring Cybernetics – Kybernetik im interdisziplinären Diskurs (pp. 110-135). Berlin: Springer.

  • Schwaninger, M., Ambroz, K. 2010. Plädoyer für Langfristorientierung. In: Strohhecker, J., Grössler, A. (Hrsg.): Strategisches und operatives Produktionsmanagement. Empirie und Simulation. Wiesbaden: Gabler, S. 23-46.

  • Schwaninger, M. 2009. System Dynamics in the Evolution of the Systems Approach. In: Meyers, R. A. (ed.): Encyclopedia for Complexity and Systems Science. New York, Springer, Vol. 9, S. 8974-8987.

  • Schwaninger, M., Grösser, S. 2009. System Dynamics Modeling: Validation for Quality Assurance. In: Meyers, Robert A. (ed.): Encyclopedia for Complexity and Systems Science. New York, Springer, Vol. 9, S. 9000-9014.

  • Schwaninger, M., Janovjak, M. 2009. Innovative Models for Steering Organisations: A Systemic Approach Within the Pharmaceutical lndustry. In: Jonker, J., Eskildsen, J. (eds.): Management Models for the Future. Heidelberg, Springer 2009, 13-32.

  • Schwaninger, M. 2008. Saving a Valley: Systemic Decision-making Based on Qualitative and Quantitative System Dynamics, in: Qudrat-Ullah, H., Spector, J. M., Davidsen, P. (eds.): Complexity in Decision Making. Theory and Practice. Heidelberg: Springer, S. 211-226.

Konferenz- und Dissertationsbeiträge

  • Schwaninger, M. 2018. Anticipating the Unexpected: Simulating a Health Care System Showing Counterintuitive Behavior. In: Moreno-Díaz, Roberto; Pichler, F., Quesada-Arencibia, A. (eds.) Computer Aided Systems Theory – EUROCAST 2017, pp. 220-227.

  • Boyarskaya, T., Ushakova, E. 2014. A Systems Approach to Business Strategy: The Case of Chocolate Production. Discussion Paper No. 59, Institute of Management at the University of St. Gallen.

  • Schwaninger, M., Groesser, S. N. 2013. Escaping the Linearity Trap: Better Simulation Models for Management Support. In R. Moreno-Díaz, F. Pichler & A. Quesada-Arencibia (Eds.), Computer Aided Systems Theory – EUROCAST 2013 (Vol. Part I, LNCS 8111, pp. 92-101). Berlin: Springer.

  • Schwaninger, M., Groesser, S. N. 2010. Crisis prevention – What Is Necessary to Avoid the Next Crisis? In R. Trappl (Ed.), Cybernetics and systems 2010 – Proceedings of the 20th European Meeting on Cybernetics and Systems Research (pp. 315-320). Vienna: Austrian Society for Cybernetic Studies.

  • Schwaninger, Markus, Grösser, Stefan. 2009. New Frontiers in the Validation of Simulation Models – Structural Dominance Analysis. In: Roberto Moreno-Diaz, Franz R. Pichler, Alexis Quesada-Arencibia (Eds.) Computer Aided Systems Theory – EUROCAST 2009, Berlin, Springer, S. 53-62.

  • Schwaninger , M., Groesser, S.N. 2008. Modeling as Theory-Building. In:  Proceedings of the 26th International Conference of the System Dynamics Society (pp. 1-26). Athens, Greece.

  • Schwaninger, M., Ambroz, K. 2010. A Plea for Long-term Orientation in Organizations, in: Dubois, Daniel M., ed., Computing Anticipatory Systems CASYS’09, Melville, New York: American Institute of Physics, pp. 434-443.