Home / 因果ループ図とは ― フィードバックの構造を可視化し、問題の振る舞いを理解する

因果ループ図とは ― フィードバックの構造を可視化し、問題の振る舞いを理解する

因果ループ図（Causal Loop Diagram：CLD）とは、システムを構成する変数の間に存在する因果関係を矢印で表し、それらが形成するフィードバックの構造を分析する方法です。システム思考やシステムダイナミクスで利用され、組織、経営、生産、品質管理、環境など、複数の要因が相互に影響する問題を理解するために役立ちます。

例えば、ある企業で顧客からの問い合わせが増え、対応が遅れているとします。問い合わせへの対応を改善するために担当者を増やせば、処理能力が高まり、未処理件数を減らせる可能性があります。しかし、採用や教育には時間がかかります。また、未処理件数の増加によって顧客からの確認や催促が増えれば、さらに問い合わせが増えるかもしれません。

この問題を単純な因果関係として扱えば、「問い合わせが増えたので担当者を増やす」という説明になります。しかし、実際には、未処理件数、対応能力、顧客からの追加問い合わせなどが互いに影響し、時間とともに状況が変化している可能性があります。

因果ループ図では、このような関係を、増減を考えられる変数と、その間の因果的な影響として記述します。さらに、影響が循環する構造を見つけることによって、なぜ問題が繰り返されるのか、なぜ改善策の効果が遅れて現れるのか、なぜ一時的な改善が長続きしないのかを考えます。

ただし、因果ループ図に矢印を描いたことは、因果関係が実際に存在することを証明したわけではありません。図に含まれる関係は、観察や資料によって裏づけられたものもあれば、分析者が考えた仮説にすぎない場合もあります。

因果ループ図は、複雑な問題についての因果仮説を明示し、フィードバックの構造と時間変化を検討するための道具です。図を完成させることではなく、問題を生み出している仕組みを理解し、検証すべき関係を明らかにすることが目的です。

因果ループ図の背景

因果ループ図は、システム思考やシステムダイナミクスの発展とともに利用されるようになった表現方法です。

システムダイナミクスは、ジェイ・フォレスター（Jay W. Forrester）が1950年代にMITで開発した方法論で、企業の生産、在庫、流通などを、フィードバックと時間の遅れを含む動的なシステムとして扱いました。

その後、システムダイナミクスは企業経営だけでなく、都市、経済、環境、エネルギーなどの問題にも応用されました。

因果ループ図は、こうしたシステムの中で、どの変数がどの変数へ影響し、その関係がどのような循環を形成しているかを理解するために利用されます。

ジョン・スターマン（John D. Sterman）の『Business Dynamics』（2000年）では、因果ループ図の記法、変数の命名、因果関係と相関関係の違い、ループの極性、時間の遅れ、図の構成などが体系的に説明されています。

また、ピーター・センゲ（Peter M. Senge）の『The Fifth Discipline』（1990年）によって、システム思考とフィードバックの考え方は、組織学習や経営管理の分野でも広く紹介されました。

ただし、因果ループ図はシステム思考のすべてではありません。システム思考は、相互依存、蓄積、時間変化、全体として現れる振る舞いなどを含む、より広い考え方です。

本ページでは、因果ループ図を実際に作成し、分析するために必要な概念と方法を中心に説明します。

因果ループ図の基本要素

因果ループ図では、通常、次の要素を利用します。

要素表現意味
変数（Variable）名詞・名詞句時間とともに増減する量や状態
因果リンク（Causal Link）矢印ある変数が別の変数へ及ぼす影響
正の極性（Positive Polarity）＋原因側と結果側が同じ方向へ変化する傾向
負の極性（Negative Polarity）−原因側と結果側が反対方向へ変化する傾向
強化型ループ（Reinforcing Loop）R変化を増幅する方向に働くフィードバック
調整型ループ（Balancing Loop）B変化を打ち消す方向に働くフィードバック
時間の遅れ（Delay）矢印上の二重線など原因から結果までに重要な時間差があること

最も重要なのは、変数と矢印の意味を明確にすることです。

単に二つの要素が関係しているというだけでは、因果リンクにはなりません。

例えば、広告費と売上高に統計的な相関があったとしても、それだけで「広告費が売上高を増加させる」という因果関係が確認されたわけではありません。

逆に、広告費を増やすことによって売上が増える仕組みが存在する場合でも、その効果は商品、顧客、競争環境、広告内容などによって変わる可能性があります。

因果ループ図では、何が何へ、どのような条件で影響するのかを検討する必要があります。

変数の命名方法

因果ループ図を作成する際には、変数の名前が重要です。

変数は、原則として増加や減少を考えられる量として表現します。

例えば、「顧客満足度」「在庫量」「設備稼働率」「未処理問い合わせ件数」などです。

一方、「顧客満足度が高まる」「在庫が減る」といった変化を含む表現を変数名にすると、矢印の極性を判断する際に混乱が生じやすくなります。

避けたい表現より適切な変数名
在庫が減る在庫量
顧客満足度が向上する顧客満足度
故障が増加する故障発生率
人員を増やす対応人員数
対応が遅れる平均対応時間
売上が減少する売上高

ただし、「不良率」「未処理件数」のように、問題や不足を表す変数を利用すること自体は誤りではありません。

重要なのは、その変数が増加したときに何が起こるのかを、明確に判断できることです。

例えば、「在庫不足」と書く場合には、在庫の不足量なのか、不足が発生する頻度なのかを区別した方がよいでしょう。

また、変数の意味が曖昧な場合には、単位や測定方法を併記することも有用です。

矢印のプラスとマイナスは何を意味するか

因果ループ図では、矢印に付けるプラス（＋）とマイナス（−）の意味を正しく理解することが重要です。

プラスは望ましい影響、マイナスは望ましくない影響を意味するわけではありません。

プラスは、原因側の変数が増加したとき、ほかの条件が同じなら、結果側の変数も増加する方向へ働くことを示します。

例えば、

広告費 ──(＋)──> 広告による認知獲得数

という関係を考えられます。

広告費が増えれば、広告による認知獲得数も増える方向へ働くという仮説です。

ただし、広告の効率が一定であるとは限らず、増加の程度は条件によって変わります。

一方、マイナスは、原因側の変数が増加したとき、結果側の変数が減少する方向へ働くことを示します。

例えば、

商品価格 ──(−)──> 購買数量

という関係を考えられます。

ほかの条件が同じなら、価格上昇は購買数量を減らす方向へ働く可能性があります。

ただし、商品や市場の性質によっては、単純な関係が成立しない場合もあります。

プラスとマイナスは、どちらも特定の条件の下で想定する変化の方向を表しています。

原因側の変化＋の関係−の関係
Aが増加Bは増加する方向へ働くBは減少する方向へ働く
Aが減少Bは減少する方向へ働くBは増加する方向へ働く

ここでいう増減は、他の条件を一定とした場合の比較です。必ずしも実際の時系列で二つの変数が同時に同じ方向へ動くことを意味しません。

例えば、ある要因が売上高を増やす方向へ作用していても、他の要因による減少効果が大きければ、実際の売上高は減少する場合があります。

強化型フィードバックループ（R）

強化型フィードバックループ（Reinforcing Feedback Loop）は、ある変化が、その変化をさらに強める方向へ戻ってくる循環構造です。

例えば、SaaSサービスにおける利用者の増加を考えます。

仮に次の関係が成立しているとします。

利用者数 ──(＋)──> 利用者による紹介件数

紹介件数 ──(＋)──> 新規登録率

新規登録率 ──(＋)──> 利用者数

最後の関係は、登録による利用者数の蓄積を表す簡略化です。実際には解約も考慮する必要があります。

この循環では、利用者数が増えることで紹介件数が増え、新規登録が増え、さらに利用者数が増える可能性があります。

これは強化型フィードバックです。

ただし、強化型フィードバックが存在しても、利用者数が無制限に増えるわけではありません。

市場規模、認知拡大の限界、サービス品質、解約率などが成長を抑える可能性があります。

強化型フィードバックは悪循環にもなる

強化型フィードバックは、問題を悪化させる場合もあります。

例えば、次のような関係を仮定します。

不良率 ──(＋)──> 再加工量

再加工量 ──(＋)──> 生産負荷

生産負荷 ──(＋)──> 作業ミス発生率

作業ミス発生率 ──(＋)──> 不良率

この場合、不良率の上昇が再加工を増やし、生産負荷を高め、それがさらに不良率を押し上げる可能性があります。

この構造も強化型フィードバックです。

つまり、強化型という言葉は、よい変化を意味するわけではありません。

変化を同じ方向へ増幅するという構造的な特徴を表しています。

調整型フィードバックループ（B）

調整型フィードバックループ（Balancing Feedback Loop）は、ある変化を打ち消す方向へ働く循環構造です。

例えば、倉庫の在庫管理を考えます。

在庫量が少なくなると、目標在庫量との差が大きくなり、発注を増やすとします。

発注によって入荷が増えれば、在庫量が回復し、在庫不足が小さくなります。

この関係を簡略化すると、次のように表せます。

在庫量 ──(−)──> 在庫不足量

在庫不足量 ──(＋)──> 発注率

発注率 ──(＋・遅れ)──> 入荷率

入荷率 ──(＋)──> 在庫量

この循環では、マイナスの因果リンクが一つ存在します。

そのため、全体として変化を打ち消す方向へ働く調整型ループになります。

ただし、入荷までの時間の遅れが大きい場合には、必要な発注量を超える発注が行われ、過剰在庫になる可能性があります。

調整型フィードバックが存在しても、システムが必ず安定するわけではありません。

また、この例では、顧客への出荷などの流出を省略しています。現実の在庫量を定量的に扱うには、入荷と出荷の両方を考慮する必要があります。

ループの極性を判定する方法

因果ループ図では、循環に含まれる因果リンクの極性から、強化型か調整型かを判定できます。

基本的には、ループに含まれるマイナスのリンクの数を数えます。

マイナスのリンク数ループの種類
0個強化型（R）
1個調整型（B）
2個強化型（R）
3個調整型（B）
4個強化型（R）

一般に、マイナスのリンクが偶数個なら強化型、奇数個なら調整型です。

例えば、次の関係を考えます。

A ──(−)──> B

B ──(−)──> C

C ──(＋)──> A

マイナスのリンクは二つあります。

Aが増えるとBは減少する方向へ働き、Bの減少によってCは増加する方向へ働き、Cの増加はAをさらに増加させる方向へ働きます。

したがって、この循環は強化型です。

このような判定は、各因果リンクの極性が想定した条件の範囲で成立し、変数の方向が明確に定義されている場合に利用できます。

ただし、ループの極性だけで、システムが実際に成長、減衰、振動、安定化するかどうかは判断できません。

その振る舞いは、影響の強さ、時間の遅れ、他のループとの相互作用などによって変わります。

複数のループが同時に働く場合

実際のシステムでは、強化型と調整型のループが同時に存在することがあります。

例えば、利用者が増えるほど紹介による新規登録が増えるSaaSサービスを考えます。

これは強化型ループです。

一方、利用者が増えるとサポート業務が増え、対応が遅れ、顧客満足度が下がり、解約が増える場合があります。

こちらは、利用者数の増加を抑える方向へ働く可能性のある調整型ループです。

ループ主な関係役割
R1：紹介による成長利用者増加 → 紹介増加 → 新規登録増加 → 利用者増加成長を促進
B1：サポート能力の制約利用者増加 → サポート負荷増加 → 対応品質低下 → 解約増加 → 利用者数減少成長を抑制

初期には強化型ループの影響が大きくても、利用者が増えるにつれて調整型ループの影響が強まる場合があります。

その結果、成長率が低下する可能性があります。

ただし、実際にどちらのループがどの程度影響するかは、図だけではわかりません。

また、競争環境や価格の変更など、外部要因も利用者数に影響する場合があります。

複数のループを描くことによって、考えられる振る舞いを整理できますが、その強さを評価するには追加の情報が必要です。

時間の遅れをどう表すか

因果ループ図では、原因が変化してから結果が現れるまでに重要な時間差がある場合、その遅れを明示することがあります。

一般的な表記では、矢印の途中に二本の短い線を入れるなどして、遅れが存在することを示します。

例えば、

採用活動 ──(＋・遅れ)──> 対応可能な担当者数

という関係です。

採用活動を増やしても、応募、選考、採用、教育などの期間が必要なため、直ちに対応可能な担当者数が増えるとは限りません。

時間の遅れが問題になるのは、遅れが存在すること自体よりも、結果がまだ現れていない時点で追加の意思決定が行われることです。

例えば、問い合わせの未処理件数が多いために増員を決めたとします。

しかし、増員の効果が現れる前に未処理件数がさらに増えたため、追加の増員を決めるかもしれません。

その後、複数回の増員の効果が重なって現れた場合、必要以上の人員を抱える可能性があります。

ただし、時間の遅れがあるからといって、必ずこのような過剰調整が起こるわけではありません。

意思決定のルール、遅れの長さ、業務量の変化、将来の予測方法などによって、結果は変わります。

実践例1 ― 顧客サポートの未処理件数

因果ループ図を作成する具体例として、顧客サポート業務の未処理件数を考えます。

まず、問題を次のように設定します。

「問い合わせ件数が増えたとき、なぜ未処理件数の増加が長引くことがあるのか。また、増員によってどの程度改善できるのか」

この問題に関係する変数として、次のものを考えられます。

変数意味
未処理問い合わせ件数対応が完了していない問い合わせの数
新規問い合わせ到着率単位時間あたりに新しく入る問い合わせの数
対応完了率単位時間あたりに対応を完了する問い合わせの数
対応可能な担当者数実際に問い合わせ対応を行える担当者の数
平均待ち時間問い合わせから対応までの平均時間
追加問い合わせ率回答を待つ顧客などから発生する追加問い合わせの頻度

この場合、未処理問い合わせ件数は、新規問い合わせの流入と対応完了による流出の差によって変化します。

未処理件数が増えると平均待ち時間が長くなり、その結果、顧客からの催促などによる追加問い合わせが増える可能性があります。

もし追加問い合わせが独立した対応案件として業務量を増やしているなら、未処理件数がさらに増える悪循環が考えられます。

一方、未処理件数が増えることによって増員が検討され、対応能力が増加すれば、未処理件数を減らす方向へ働くループも考えられます。

強化型ループの候補

未処理件数 ──(＋)──> 平均待ち時間

平均待ち時間 ──(＋)──> 追加問い合わせ率

追加問い合わせ率 ──(＋)──> 新規問い合わせ到着率

新規問い合わせ到着率 ──(＋)──> 未処理件数

これは強化型のフィードバック候補です。

ただし、催促が既存の問い合わせへ追記されるだけで新しい対応案件にならない場合には、同じ構造は成立しない可能性があります。

調整型ループの候補

未処理件数 ──(＋)──> 増員努力

増員努力 ──(＋・遅れ)──> 対応可能な担当者数

対応可能な担当者数 ──(＋)──> 対応完了率

対応完了率 ──(−)──> 未処理件数

これは調整型のフィードバック候補です。

ここで重要なのは、二つのループが同時に働いている可能性があることです。

また、未処理件数の増加が対応時間や作業者の疲労に影響し、それによって対応完了率が変化する可能性もあります。

ただし、実際の問題を理解するには、どの関係が重要かを調べる必要があります。

実践例2 ― 製造品質と生産負荷

製造現場では、納期遅延を解消するために稼働率を高めたり、残業を増やしたりすることがあります。

しかし、生産負荷の増加が作業ミスや設備トラブルを増やし、再加工が増える場合には、結果として生産負荷がさらに高まる可能性があります。

例えば、次のような関係を考えられます。

原因側の変数極性結果側の変数
生産負荷＋作業ミス発生率
作業ミス発生率＋不良率
不良率＋再加工量
再加工量＋生産負荷

この循環では、マイナスのリンクが存在しないため、強化型ループになります。

仮にこの関係が成立しているなら、生産負荷の増加が、長期的には問題を悪化させる可能性があります。

しかし、生産負荷を高めても作業ミスが増えない場合や、再加工を別の設備で処理できる場合には、影響は異なるでしょう。

また、設備の保守能力、作業者の技能、工程の自動化なども関係する可能性があります。

したがって、図に描いた循環が実際に発生しているかについて、現場のデータや観察によって確認する必要があります。

このような分析によって、単に生産量を増やすという対策ではなく、不良率の低減や再加工量の削減によって生産負荷を抑えるという方向も検討できます。

実践例3 ― R&D投資と既存技術への依存

研究開発では、短期的な成果が得られやすい既存技術へ資源を集中することが合理的な場合があります。

しかし、評価制度や投資配分によって、新しい技術領域の探索が抑制される可能性もあります。

例えば、次のような変数を考えられます。

変数意味
既存技術からの短期成果既存技術の改良によって得られる成果
既存技術への投資配分研究開発資源のうち既存技術へ配分される割合
新分野探索への投資配分異分野・新技術探索への配分割合
新分野の研究候補数新しい技術領域から得られる研究候補の数
既存技術への依存度研究開発活動が既存技術へ集中している程度

これらの変数から、既存技術で成果が得られるほど既存技術への投資が優先され、新分野への探索が抑制されるという仮説を考えられます。

ただし、これは一つの可能な説明であり、すべての研究開発組織で成立するとは限りません。

また、成果を上げている技術へ投資することは、経済的に合理的な場合もあります。

問題は、何に投資することが正しいかを因果ループ図から直接判断することではありません。

資源配分や評価制度によって、研究開発の選択肢が時間とともにどのように変化するかを考えることです。

因果ループ図の作成手順

因果ループ図の作成方法には複数の考え方がありますが、実務では次のような手順で整理できます。

段階作業確認すること
1. 問題の設定説明したい振る舞いを明確にする何が、いつから、どのように変化しているか
2. 対象範囲の設定分析するシステムと期間を決める何を含め、何を除外するか
3. 変数の抽出重要な要素を増減可能な変数として記述する変数名が明確か
4. 因果リンクの設定変数間の影響を矢印で表す直接的な因果仮説か
5. 極性の付与すべての因果リンクに＋／−を付ける増減の方向を説明できるか
6. ループの識別循環する経路を探すRかBかを判断できるか
7. 時間の遅れの確認重要な遅れを明示する結果はいつ現れるか
8. 構造の点検複数のループや不足する変数を検討する問題を十分に説明できるか
9. 関係の検証データや現場の知識と照合する仮説は事実と整合するか
10. 介入案の検討改善策を比較するどの関係へ働きかけるべきか

これらは厳密に一方向へ進める作業ではありません。

実際には、因果リンクを検討することで新しい変数が必要になる場合や、図を描いている途中で問題の設定そのものを見直す必要が生じる場合があります。

また、すべての問題について必ずフィードバックループが存在するとは限りません。

最初に考えた変数の中で適切なループが見つからない場合、無理に循環を作るべきではありません。

最初に振る舞いを観察する

因果ループ図を作成する際には、変数間の関係を想像する前に、問題となっている振る舞いを確認することが重要です。

例えば、問い合わせの未処理件数が問題となっている場合には、過去数か月間の未処理件数の推移を調べます。

その推移が、継続的な増加なのか、一時的な増加なのか、周期的な変動なのかによって、考えられる仕組みが異なります。

また、未処理件数だけでなく、新規問い合わせ到着率、対応完了率、平均待ち時間などを確認できれば、何が変化しているのかをより詳しく理解できるでしょう。

このような時間変化を示すグラフは、Behavior over Time Graphなどと呼ばれます。

観察される振る舞い検討できる構造
継続的な増加強化型フィードバック、継続的な流入超過など
目標への接近調整型フィードバックなど
周期的な変動遅れを持つ調整や外部周期要因など
成長後の停滞制約の出現、成長を抑えるフィードバックなど
急激な変化閾値、外部ショック、非線形な関係など

ただし、観察された振る舞いから、対応する因果構造が一意に決まるわけではありません。

例えば、周期的な変動が存在しても、必ず内部の調整型フィードバックと時間の遅れによって生じたとは限りません。

外部からの周期的な変化が原因となっている可能性もあります。

振る舞いの観察は、因果構造を考える出発点です。

因果ループ図でよくある誤り

因果ループ図は比較的簡単に描けるため、かえって誤った使い方をしてしまうことがあります。

代表的な問題を整理します。

問題何が問題か改善の考え方
変数名が変化を含む「増加する売上」などは極性が曖昧になりやすい「売上高」などの量で表現する
相関を因果として扱う同時に変化しているだけかもしれない因果機構や代替説明を確認する
矢印の極性が曖昧増減の方向が説明できない変数の定義と条件を見直す
間接的な関係を直接結ぶ重要な中間変数が省略される必要な中間変数を追加する
時間の遅れを省略する効果が直ちに現れるように見える重要な遅れを明示する
無理にループを閉じる存在しないフィードバックを作るループが閉じなくても仮説として残す
変数を増やしすぎる図が理解できなくなる問題ごとに範囲を限定する
仮説と事実を混同する未確認の関係が確立した知識に見える検証状態を区別する

特に注意したいのは、因果ループ図が完成すると、それだけで問題の構造が明らかになったように感じられることです。

しかし、図が整っていることと、因果関係が正しいことは別です。

例えば、図中のすべての矢印に極性が付けられ、複数のループがきれいに閉じていても、それらが現実のシステムを表しているとは限りません。

因果関係をどう検証するか

因果ループ図の各矢印は、検証の対象となる仮説として扱うことができます。

例えば、「サポート人員数が増えると対応完了率が高まる」という関係を考えます。

この関係を検討するには、担当者数と対応完了率のデータを調べることが考えられます。

しかし、担当者数と対応完了率が同時に増えているだけでは、因果関係を確定できません。

同じ時期に業務システムの改善が行われた可能性や、問い合わせ内容が簡単になった可能性もあります。

そのため、次のような観点を考えられます。

検証の観点主な問い
関係の存在原因と考える変数の変化は、結果と関係しているか
時間的な順序原因と考える変化は結果より前に生じているか
作用機構なぜその変数が結果へ影響するのか
代替説明別の要因によって説明できないか
条件どのような状況で関係が成立するか
影響の大きさどの程度の変化が生じるか
時間の遅れ影響が現れるまでにどれだけかかるか

利用できる場合には、実験、準実験、時系列分析などによって関係を検討することもできます。

ただし、組織や社会の問題では、すべての因果関係を実験によって確認できるとは限りません。

その場合でも、確認済みの情報と未確認の仮説を区別することが重要です。

因果ループ図とストック・フロー図の違い

因果ループ図とストック・フロー図（Stock-and-Flow Diagram）は、どちらもシステムダイナミクスで利用されますが、目的が異なります。

因果ループ図は、変数間の影響関係とフィードバックの構造を表します。

一方、ストック・フロー図は、何が蓄積され、どのような流入・流出によって蓄積量が変化するかを表します。

観点因果ループ図ストック・フロー図
主な目的フィードバック構造の理解蓄積と変化率の明示
主要な要素変数、因果リンク、ループストック、フロー、補助変数
時間変化定性的に説明できる方程式によって計算できる
数値シミュレーション図だけでは通常できない適切な数理モデルがあれば可能
主な注意点関係や極性が正しいとは限らない数式とパラメータの妥当性が必要

例えば、問い合わせの未処理件数を定量的に扱う場合、未処理件数はストックです。

新規問い合わせ到着率は流入、対応完了率は流出です。

未処理件数を (B(t))、到着率を (I(t))、完了率を (O(t)) とすると、単純化された関係は次のように表せます。

[
\frac{dB(t)}{dt}=I(t)-O(t)
]

この関係は、因果ループ図の矢印だけでは明確にならない、蓄積の仕組みを表しています。

また、到着率と完了率の単位は「件／日」などですが、未処理件数の単位は「件」です。

こうした単位の違いを明確にすることは、数理モデルを構築する際に重要です。

因果ループ図では問題の構造を考え、必要に応じてストック・フローモデルへ発展させることができます。

ただし、因果ループ図からストック・フローモデルへ自動的に変換できるとは限りません。

因果ループ図とロジックツリーの違い

ロジックツリーは、問題や対象を構成要素へ分解する方法です。

例えば、製造原価を材料費、労務費、経費などへ分解できます。

一方、因果ループ図は、それらの要素がどのように相互作用するかを扱います。

例えば、材料費の削減が材料品質へ影響し、品質の変化が不良率へ影響し、不良率の変化が再加工費用を通じて製造原価へ戻ってくるという関係を考えられます。

観点ロジックツリー因果ループ図
主な目的問題や対象を分解する影響関係と循環構造を表す
構造階層構造ネットワーク・循環構造
関係構成、分類、原因・施策の分解など因果的な影響
時間の遅れ通常は中心的に扱わない重要な場合に明示する
主な成果論点や要素の整理フィードバックについての仮説

両者は、問題に応じて組み合わせることができます。

ロジックツリーで問題の要素を整理した後、それらの相互作用を因果ループ図で検討することも考えられます。

因果ループ図と概念マップの違い

概念マップは、概念間の意味的な関係を表現する方法です。

例えば、「ポンプは流体を輸送する」「材料は製品の構成要素である」といった関係を表現できます。

一方、因果ループ図は、増減を考えられる変数間の因果的な影響を表現します。

「ポンプは流体を輸送する」という関係と、「ポンプの回転数が増えると流量が増える方向へ働く」という関係は、意味が異なります。

後者は、特定の運転条件の下で成立する因果的な影響についての記述です。

したがって、概念マップや知識グラフに記録された関係を、そのまま因果ループ図の矢印として利用することは適切ではありません。

特に、「関連する」「構成する」「利用する」「影響する」といった異なる種類の関係を区別する必要があります。

ただし、概念マップで整理した知識の中から、因果的な関係を取り出して因果ループ図へ利用することは考えられます。

因果ループ図と構造写像理論の関係

因果ループ図は、特定のシステムの内部に存在する因果関係とフィードバックを表現します。

一方、構造写像理論（Structure-Mapping Theory）は、異なる対象や領域の関係構造を対応づける理論です。

両者は同じものではありません。

しかし、因果ループ図で表現された関係構造を、別のシステムと比較することは考えられます。

例えば、ある企業で、

「短期的な成果が得られる活動へ資源が集中し、その結果、その活動がさらに成功しやすくなる」

という強化型ループが存在するとします。

別の技術分野や組織でも、似たような資源配分と成果の循環が存在する可能性があります。

このような場合、二つのシステムに共通する関係構造を考えることができます。

ただし、因果ループ図に共通する形が存在するだけで、二つのシステムが同じ振る舞いを示すとは限りません。

関係の強さ、時間の遅れ、対象の性質、外部条件などが異なる場合があります。

また、構造写像理論で扱う関係は因果関係だけではありません。

したがって、因果ループ図と構造写像を組み合わせる場合には、対応している関係の意味と成立条件を確認することが重要です。

因果ループ図を使うべき場合と、使わなくてもよい場合

因果ループ図は、特に複数の要因が循環的に影響し、時間とともに問題の振る舞いが変化する場合に役立ちます。

例えば、在庫の増減、顧客獲得と解約、生産負荷と品質、設備保全と故障、投資と成長などが考えられます。

一方、問題が明確で、単一の技術的な原因を確認すればよい場合には、因果ループ図よりも、通常の原因分析や実験の方が適していることがあります。

例えば、ある機械部品が破損した理由について、材料欠陥、応力、疲労などを調べる場合には、専門的な工学分析が必要です。

もちろん、なぜその部品が交換されずに使用され続けたかを調べる場合には、保全計画や組織的な判断に関するフィードバックが問題になるかもしれません。

重要なのは、何でも因果ループ図で説明しようとしないことです。

問題の性質に合わせて、適切な分析方法を選択する必要があります。

LLMによる因果ループ図の支援

LLMは、自然言語による問題の説明から、変数や因果関係の候補を抽出するために利用できます。

例えば、次のような説明を入力するとします。

「顧客からの問い合わせが増え、対応が遅れている。担当者の増員を検討しているが、採用と教育に時間がかかる。また、回答が遅れることで催促の問い合わせが増えている」

この文章から、未処理件数、対応可能な担当者数、対応完了率、平均待ち時間、追加問い合わせ率などを抽出することが考えられます。

さらに、それらの間の因果関係を候補として提示できます。

支援機能AIが行う処理の例
変数抽出文章から増減を考えられる量を抽出する
変数名の正規化同じ意味の変数を統一する
因果リンクの提案変数間の影響関係を推測する
極性の候補生成＋／−の関係を提案する
ループの検出循環する経路を探索する
時間の遅れの提案影響が遅れて現れる関係を指摘する
不足する変数の提案関係を説明するために必要な変数を考える
検証課題の整理未確認の因果関係を抽出する

ただし、LLMによる因果関係の推測には注意が必要です。

例えば、顧客満足度、問い合わせ件数、対応品質の間にもっともらしい関係を生成することはできますが、その関係が実際の企業で成立しているとは限りません。

また、LLMは因果リンクの極性を誤る可能性があります。

特に、否定的な意味を含む変数名や、中間変数を省略した関係では、極性の判断が難しくなる場合があります。

そのため、LLMが生成した図をそのまま完成品として扱うのではなく、人間が各リンクの意味と根拠を確認する必要があります。

AIによる分析結果をどう記録するか

因果ループ図を継続的に利用する場合には、変数と因果リンクに関する情報を構造化して保存することが考えられます。

例えば、変数について次のような項目を設けられます。

項目内容
変数ID変数を識別する番号
変数名在庫量、故障率など
定義何を表す変数か
単位個、件／日、％など
観測データ実際に取得できる測定値
分析対象期間どの時間範囲で扱うか

因果リンクについては、次のような項目を考えられます。

項目内容
リンクID因果関係を識別する番号
原因側の変数影響を与えると考える変数
結果側の変数影響を受けると考える変数
極性＋または−
時間の遅れ影響が現れるまでの時間
成立条件どのような条件で関係が成立するか
根拠資料調査、観測、実験、文献など
検証状態確認済み、未確認、条件付きなど

このように記録することによって、図の見た目だけでなく、各関係についてどのような根拠があるかを追跡しやすくなります。

また、新しいデータが得られたときに、以前の因果仮説を見直すことも考えられます。

ただし、こうしたデータを保存しただけで、因果関係が自動的に検証されるわけではありません。

因果ループ図の限界

因果ループ図は、複雑な問題の構造を理解するために有用ですが、いくつかの限界があります。

第一に、因果ループ図は因果関係を証明しません。分析者が想定した関係が、実際には存在しない場合があります。

第二に、矢印の極性だけでは影響の大きさを表せません。非常に弱い関係と強い関係が、同じ記号で表されることがあります。

第三に、時間の遅れが存在することを示しても、その遅れが何日、何か月、何年なのかまでは通常表現しません。

第四に、複数のフィードバックループが存在する場合、どのループが実際の振る舞いを支配しているかを、図だけで判断することは困難です。

第五に、変数をどのように抽出し、どこまでをシステムの範囲とするかによって、図の構造が変わります。

第六に、図を複雑にしすぎると、何を説明したいのかが不明確になる場合があります。

第七に、数値的な予測や施策の効果を評価するためには、ストック・フローモデル、数理モデル、統計分析などが必要になる場合があります。

さらに、何を望ましい結果と考えるかについては、分析者や利害関係者の価値判断が関係します。

因果ループ図は、どの施策が望ましいかを自動的に決定するものではありません。

因果ループ図は、問題の構造を考えるための表現方法であり、その構造が現実に存在するか、どの施策が有効かについては、別の情報や検証が必要です。

ThinkNaviでの位置づけ

ThinkNaviでは、因果ループ図をシステム思考を具体的な作業として実践するための代表的なツールとして位置づけます。

システム思考のページでは、相互依存、フィードバック、時間変化などの全体的な考え方を説明します。

本ページでは、変数、因果リンク、極性、ループ、時間の遅れなどを利用して、実際に因果構造を記述する方法を扱います。

ThinkNavi Freeでは、変数を手入力し、その間を因果リンクで結び、プラス・マイナスの極性や時間の遅れを設定するツールが考えられます。

また、閉じたループを検出して強化型・調整型を判定したり、変数名やリンクの整合性を確認したりする機能も考えられます。

これらの処理の一部は、LLMを利用しなくても、グラフ処理や単純な計算によって実現できます。

例えば、閉じた経路を探索し、その経路に含まれる負のリンク数を調べれば、ループを強化型・調整型へ分類できます。

ただし、グラフ構造だけから因果関係の正しさを判定することはできません。

LLM活用版では、文章から変数と因果リンクの候補を抽出したり、暗黙の前提や不足する変数を提案したりする機能が考えられます。

さらに、各リンクの根拠や成立条件を記録することによって、未確認の因果仮説と、観察・実験によって裏づけられた関係を区別する構成も考えられます。

将来的には、必要に応じてストック・フローモデルへ発展させ、数値シミュレーションを行う方向もあります。

ただし、因果ループ図から数理モデルへの変換には、変数の単位、関係式、パラメータ、初期条件などを定義する必要があります。

また、ConceptMiner R&Dのような知識探索システムとの関係では、技術文書に記述されている因果関係や制御関係を抽出し、異なる技術システムの仕組みを比較するという可能性があります。

ただし、文書の意味的な類似性、構造写像による関係の対応づけ、因果ループ図におけるフィードバックは、それぞれ異なる概念です。

それらを組み合わせる場合には、どの種類の関係を扱っているのかを明確にする必要があります。

これらは今後の開発可能性を示すものであり、現在すべての機能が提供されていることを意味しません。

因果ループ図を利用するうえで重要なのは、図を複雑にすることでも、すべての変数を循環関係へ組み込むことでもありません。

ある問題が時間とともにどのように変化しているのかを確認し、その変化を生み出す可能性のある関係を明確にし、必要な根拠を調べることです。

因果ループ図は、目の前の問題を単一の原因へ帰着させるのではなく、複数の要因が互いに影響し合う構造として理解するための道具です。特に、問題を解決しようとする行動が、時間を経て再び問題へ影響する場合、その仕組みを発見するために役立ちます。

関連ページ

参考文献・関連資料