How Do Networks Handle Stress?

Our society gets increasingly networked. They are everywhere, our technology is networked, our communication is networked, we work in networks, our money is taken care of in networks (I hope) , our industries are networked and so on and so on. Never has there been a time that individuals and organisations had access to so much knowledge and technology. And that thanks to networks.

“Normal Accidents”

But there is a drawback to networks. Networks are characterised by interacting nodes, allowing a lot of knowledge stored into the system. As nicely explained in RSA Animate’s video “The Power of Networks”,networks is a next step in handling complexity.  Triggered by the 1979 Three Mile Island accident, where a nuclear accident resulted from an unanticipated interaction of multiple failures in a complex system, Charles Perrow was one of the first researchers that started rethinking our safety and reliability approaches for complex systems. In his “Normal Accident Theory”, Perrow refers to failures of complex systems as failures that are inevitable and therefore he uses the term “Normal Accidents”.

Complexity and Coupling Drive System Failure

Perrow identfies two major variables, complexity and coupling, that play a major role in his Normal Accident Theory.

Complex Systems

Proximity
Common-mode connections
Interconnected subsystems
Limited substitutions
Feedback loops
Multiple and interacting controls
Indirect information
Limited understanding

Linear Systems

Spatial segregation
Dedicated connections
Segregated subsystems
Easy substitutions
Few feedback loops
Single purpose, segregated controls
Direct information
Extensive understanding

Tight Coupling

Delays in processing not possible
Invariant sequences
Only one method to achieve goal
Little slack possible in supplies,
equipment, personnel
Buffers and redundancies are
designed-in, deliberate
Substitutions of supplies, equipment,
personnel limited and designed-in

Loose Coupling

Processing delays possible
Order of sequences can be changed
Alternative methods available
Slack in resources possible
Buffers and redundancies fortuitously available
Substitutions fortuitously available

 

 

Although Perrow is very much focused on technical systems in 1984, his theory has a much broader application scope. Nowadays, his insights also apply to organizational, sociological and economical systems. Enabled by digitization and information technology, systems in our daily lives have grown in complexity. The enormous pressure in business to realize the value in products and services in the shortest possible time and at the lowest cost, has driven our systems into formalization, reducing the involvement of human beings and their adaptivity compared to the complexity of the systems. Going through the list Perrow provided, one can understand that this “fast-and-cheap” drive generates complex and tightly coupled systems, maximizing resource and asset utilization  and doing so closing on on the maximum stress a system can cope with. From the Normal Accident Theory, we learn that complexity and tight coupling (in terms of time, money, etc…) increases the system’s vulnerability for system failure or system crises and collapses.

Building a Simple Simulation Tool to Simulate Networks Handling Stress

First I build a little simulator to play around with his models. It is based on MS EXCEL with some VBA-code added, simulating a network of max 20×20 nodes.. Each iteration, nodes (one cell with a color is a node) are added, but in each iteration also links between cells are added. Randomly each node receives a little bit of stress, which is added to the stress already built-up in the previous iterations. Every iteration., some stress is drained out of the system.. When there are a few nodes in the system, most stress is drained away, so no system stress is build-up. But after a while more and more nodes are alive in the system and at a certain moment more stress is generated than the system can absorb. When the stress in a cell exceeds a certain thresshold, the cell explodes and its’ stress is send to all the connected nodes. The distribution mechanism can be scaled from distributing the stress evenly over the connected nodes (Real life example: a flood) or transferring the amount of stress to each of the connected nodes (Real life example: information). With this little simulator, I had a nice opportunity to see whether a crises is predictable or not.

Start the video and click on the small square in the bottom right corner to enlarge.

Let’s check!

In advance, I can set a number of parameters, like how many nodes are added per iteration, how many links are created per iteration, what is the maximum stress allowed, what is the stress distribution mechanism, how much stress is absorbed by the networks eco-system. Of course, not everything is fixed: the links are placed randomly the stress addition per iteration is randomized. What is intriguing however is that with the same settings, I get very different results:

Example 1

Example 2

P7-24-2014 2-56-39 PM-E1-2-3-30-S30-100-P80 P7-24-2014-3-05-33-PM-E1-2-3-30-S30-100-P80
 In this example, beyond 60 iterations, the system is no longer able to absorp all stress, keeping system stress at 0. Between 60-100 iteration the stress in the system grows. Around iteration 100, we get the first crises. A lot of nodes are overstressed and die. So the system stress shows a drawdown., but not completely, it quickly recovers and moves into growth-mode again until it reaches another serious drawdown around 170. Bumpy, but OK I guess.  In this example, the first part of the graph is identical to example 1. But,in the first100 iterations another network of nodes with other connections then in Example 1 has been created. Another network that as you see is behaving dramatically different. So, also around the 100th iteration, we get our first drawdown, but this is a serious one. It almost completely whipes out the network. A few nodes survived and the system rebuilds itself.
CCDF7-24-2014 2-56-39 PM-E1-2-3-30-S30-100-P80 CCDF7-24-2014 3-05-33 PM-E1-2-3-30-S30-100-P80
The graph above shows how often drawdowns have occured in example 1. The more it is only a stochastic process, the more you may expect that the identified drawdowns (peak-to-valleys) stay close to the line. Only in the tail, there is sometimes a tendency to stay above the line.

 

 

 

 

 

However, in the system of example 2, almost a complete collapse takes place and you can see, what Sornette calls a  “Dragon-King”. And of-course with this value, we are in an avelanche process that swipes the stress overload through the network. According to Sornette, this is no longer a stochastic process, since it does not follow the trend line. This is his underpinning that there is something causal and thus predictable. But he is wrong. Yes it is a lot of domino stones that in a cascade destabilize each other and lead to a bigger drawdown then the verical axis indicates. But it is triggered by a stochastic process like all the others. As you can reason, this does not imply predictability. After the drawdown, one can identify the crash, not before. Sornette seems to use an old trick to hit the target. First shoot the arrow, then draw the bulls-eye around it and finally claim you never miss and your predictions are spot on.

P7-24-2014 2-56-39 PM-E1-2-3-30-S30-100-P80

In this graph, 10 simulation runs are depicted on top of each other. It shows that upto 100 iterations, the system behaves more or less identical in all the runs. However in one of the runs, during these 100 iterations a system has build up that is capable within boundaries to keep itself alive, while in all other runs, the build network is almost completely destroyed, sometimes rebuild, but in one occasion all nodes were dead. There is no way that the graph with the system stress contains enough information to predict any system behavior after iteration 100.

If we run the system not allowing it to create any links. the system stabilizes at around 3000-3500. Any nodes added above the 3000-3500 is creating a bubble and are compensated by nodes getting overstressed and killed. Since there are no links, no stress is transferred to other nodes. In other words the domino effect does not occur. The system is in a dynamic equilibrium. When the build-up of the links are allowed, and domino effects are possible, as soon as the stability line of 3000-3500 is exceeded, the system depending on its underlying network structure and the stochastic distribution of overstressed nodes determines the behavior and makes the system chaotic and no longer manageable.

Can We Predict Crises in Networks?

Recently Didier Sornette gave a TED-talk claiming he had found a way to predict crises in complex systems. See http://on.ted.com/Sornette. He shows examples from the financial world, health care and aerospace. This has the odeur of a grand achievement and it may bring us a step closer to managing or maybe even preventing crises. After my initial enthusiasm (since if this works, we can stress out stuff even further at a lower risk) I went deeper into Sornette’s work. However, I become less and less convinced that this is sound scientific stuff. But if he is right, there is a lot of potential in his theory. So, let’s dig deeper.

I also found a master thesis of mrs. Chen Li, University of Amsterdam, that in-depth tried to validate Sornette’s approach. Here is the conclusion:
“In sum, the bubble detection method is capable of identifying bubble-like (superexponential growth) price patterns and the model fits the historical price trajectory quite well in hindsight. However, fitting the model into historical data and using it to generate prediction in real-time are two different things and the latter is much more difficult. From test results, we conclude that bubble warnings generated by the model have no significance in predicting a crash/deflation.” Sornette’s claim of “a method that predicts crises” is falsified. To calculate whether a system is overstressed and to predict a crises are two different things.

The Answer Is No, But …..

So, if we can’t predict the drawdowns, we have to avoid creating bubbles. But in Techno-Human systems, we run into the phenomena of the tragedy of the commons (The tragedy of the commons is an economics theory by Garrett Hardin, according to which individuals, acting independently and rationally according to each one’s self-interest, behave contrary to the whole group’s long-term best interests by depleting some common resource). Who is prepared to respect boundaries, limit system stress and run the danger that others do not behave accordingly avoiding the system to become overstressed? Nobody wants to be a sucker, so this bubble game will probably continue, except for a few well-organized exceptions (see my blog in Dutch (Sorry) “Het managen van de groei“). Next to complicated social solutions, we can tmake the system more robust against crises by

  • Avoiding tight coupling and complexity in the deisgn of a system
  • Collecting and analyzing data on “close-call” incidents and improve the system
  • Improving the interaction between operators (people working with or in the system) and the system and apply human factors engineering

as described by Charles Perrow in 1984 among others.

Ruud Gal, July 25 2014

References

Charles Perrow, “Normal Accidents: Living with High-Risk Technologies”, 1984

Gurkaynak, R.S., Econometric tests of asset price bubbles: taking stock. Journal of Economic Surveys, 22(1): 166-186, 2008

Jiang Z-Q., Zhou,W-X., Sornette, D., Woodard, R., Bastiaensen, K., Cauwels, P., Bubble Diagnosis and Prediction of the 2005-2007 and 2008-2009 Chinese stock market bubbles, http://arxiv.org/abs/0909.1007v2

Johansen, A., Ledoit, O. and Sornette, D., 2000. Crashes as critical points. International Journal of Theoretical and Applied Finance, Vol 3 No 1.

Johansen,A and Sornette, D., Log-periodic power law bubbles in Latin-American and Asian markets and correlated anti-bubbles in Western stock markets: An empirical study, International Journal of Theoretical and Applied Finance 1(6), 853-920

Johansen,A and Sornette, D., Fearless versus Fearful Speculative Financial Bubbles. Physica A 337 (3-4), 565-585 (2004)

[Kaizoji,T., Sornette, D., Market bubbles and crashes. http://arxiv.org/ftp/arxiv/papers/0812/0812.2449.pdf

Lin, L., Ren, R.-E., Sornette, D., A Consistent Model of ‘Explosive’ Financial Bubbles With Mean-Reversing Residuals, arXiv:0905.0128, http://papers.ssrn.com/abstract=1407574

Lin, L., Sornette, D. Diagnostics of Rational Expectation Financial Bubbles with Stochastic Mean-Reverting Termination Times. http://arxiv.org/abs/0911.1921

Sornette, D., Why Stock Markets Crash (Critical Events in Complex Financial Systems), Princeton University Press, Princeton NJ, January 2003

Sornette, D., Bubble trouble, Applying log-periodic power law analysis to the South African market, Andisa Securities Reports, Mar 2006

Sornette, D., Woodard, R., Zhou, W.-X., The 20062008 Oil Bubble and Beyond, Physica A 388, 1571-1576 (2009). http://arxiv.org/abs/0806.1170v3

Sornette, D., Woodard, R., Financial Bubbles, Real Estate bubbles, Derivative Bubbles, and the Financial and Economic Crisis. http://arxiv.org/abs/0905.0220v1

Dan Brahaa, Blake Stacey, Yaneer Bar-Yam, “Corporate competition: A self-organized network”, Social Networks 33 (2011) 219– 230,

Chen Li, “Bubble Detection and Crash Prediction”, Master Thesis, University of Amsterdam, 2010

M.A. Greenfield, “Normal Accident Theory, The Changing Face of NASA and Aerospace Hagerstown, Maryland”, 1998

http://en.wikipedia.org/wiki/Tragedy_of_the_commons

 

 

Hoera, voortaan kunnen we crises beter voorspellen?…. Mooi niet.

Ik ben al enige tijd geïnteresseerd in complexe en gecompliceerde systemen, in duurzaamheid, de interactie tussen technologie en mens/samenleving. Vooral de besturing van deze systemen is wat mij intrigeert en wat ook sterke raakvlakken heeft met mijn vakgebied “Innovatiemanagement”. Wat dat betreft is het smullen in het huidig tijdsgewricht, want er zijn in deze domeinen onopgeloste problemen genoeg, die een behoorlijke maatschappelijke relevantie bevatten.

Recent kwam ik in aanraking met het werk van Didier Sornette. Sornette is hoogleraar aan de leerstoel “Entrepreneurial Risks” aan de EHT Zürich. In juni 2013 heeft hij wat van zijn gedachtengoed gedeeld via TED.

Anders dan Taleb (auteur van de boeken “The Black Swan” and “Antifragile”), die ons adviseert om toch vooral te investeren in zaken met alleen maar “upwards potential” (ik refereer naar het boek “Antifragile”), beweert Sornette dat juist het geloof in de mythe van het opwaartse potentieel een van de aanjagers van crises is.

Sornette stelt dat in onze samenleving er een heilig geloof bestaat in de mythe, dat er welvaart gecreëerd kan worden uit het genereren van schulden. Tot 1980 werd de hoeveelheid geld in omloop in balans gehouden door dit te relateren aan productiviteit. De laatste keer dat we dat niet hadden gedaan (1929) was ons slecht bevallen. Maar 50 jaar later is de les verleerd en wordt de hoeveelheid geld in omloop gerelateerd aan consumptie en aan schulden. En de groei niet langer aan productiviteit verbetering (ongeveer 2-3 % per jaar), maar aan groeiende schulden (d.w.z. nog in de toekomst te ontwikkelen productiviteitverbetering). En daar was ie dan: “de mythe van de perpetuum geldgenerator”.

Salaris-consumptie

Het aandeel van de salarissen en de private consumptie als een percentage van het GDP voor de Verenigde Staten, de Europese Unie en Japan: Bron: Michel Husson, http://hussonet.free.fr/toxicap.xls

Het is niet de bedoeling om oude koeien uit de sloot te halen, maar de kern van Sornette zijn werk is dat hij de “bubbles” kan opsporen en dat zonder ingrijpen onvermijdelijk na zo’n “bubble” een heftige crisis volgt, die hij binnen een bepaalde waarschijnlijkheid kan voorspellen. Deze crises worden eufemistisch faseovergangen genoemd en inderdaad ze vertonen veel gelijkenis met faseovergangen in de fysica. De mechanismes zijn:

  • Het aanwezig zijn van één of meerdere stressfactoren (bijv. GDP op bases van productiviteit (salaris) vs. GDP op basis van consumptie en schulden)
  • De aanwezigheid van positieve feedback (zichzelf versterkende terugkoppeling)

Door de steeds sterker wordende stress te volgen wordt met een bepaalde waarschijnlijkheid een crises, een “dragon-king”, zoals Sornette ze noemt, voorspelbaar. Zijn theorie is in staat gebleken om niet alleen in de financiële wereld, maar ook op andere gebieden goede voorspellingen te doen, zoals aardbevingen, landverschuivingen, epilepsie, geboorte, metaalmoeheid bij raketten en ook de huidige overbelasting van onze aarde door de mensheid.

cover

 

Bron: W. Steffen, A. Sanderson, P. D. Tyson, J. Jäger, P. A. Matson et al.,”Global Change and the Earth System”, Executive Summary, IGBP Secretariat, Royal Swedish Academy of Sciences, 2004

Hier staan een aantal stress factoren, die allemaal een steeds sterkere groei laten zien. CO2, N2O, CH2-concentraties in de atmosfeer, ozonlaag, oppervlakte temperatuur, overstromingen, ecosystemen in de oceaan, de veranderende structuur en de biogeochemie aan de kust, verlies aan tropisch regenwoud, de hoeveelheid gedomesticeerd land en de afnemende biodiversiteit.

Sornette maakt de inschatting dat de komende decades de kritische grenzen zullen bereiken en dan zullen worden gedwongen om in een zeer korte tijd diep terug te vallen en hopelijk de kans krijgen naar een niveau van belasting van het milieu terug te komen die de aarde kan absorberen (duurzaamheidsevenwicht).

YouTube Link Didier Sornette: How can we predict the next financial crises

Zijn werk heeft mij weer een aantal “aha”-ervaringen opgeleverd met betrekking tot duurzaamheid en, ik heb ze hieronder vastgelegd.

Mijn conclusies met betrekking tot een transitie naar een duurzame samenleving:

  • Het is een illusie om te denken dat we de huidige manier van leven en ons organiseren kunnen volhouden.
  • Het is ook een illusie om te denken dat technologie dit voor ons gaat oplossen. Technologie kan misschien het tijdstip van de crises wat naar achteren schuiven, maar het fundamentele probleem van een samenleving met versterkende terugkoppelingen vraagt om een fundamentele politieke, sociale en economische doorbraak. Toch stoppen we als samenleving meer in technologieontwikkeling dan in sociale en misschien wel politieke innovatie (bijvoorbeeld het werk van Elinor Ostrom op gebied van Common Pool Resources)
  • Technologie bepaalt wel de relatie tussen het welvaartsniveau wat haalbaar is gegeven een duurzame belasting van ons milieu, maar gaat ons niet redden als we ons gedrag en onze samenleving niet op fundamenteel andere principes gaan herontwerpen.

Bronnen:

 

EXERGIE in plaats van ENERGIE besparing!!

Duurzaamheid… uuh…..

Op dit moment zijn vele mensen actief betrokken bij het meer duurzaam maken van de samenleving en staat duurzaamheid hoog op de agenda bij overheden, kennisinstituten, bedrijven en particulieren. De consequenties van het te snel verbruiken van fossiele brandstoffen mag ruim 40 jaar na het uitkomen van het rapport van de Club van Rome langzaam bekend worden verondersteld….hoop ik.

Toch staan we nog maar aan het begin van een gigantische transformatie gezien het feit dat nog steeds maar heel weinig van alle energie uit duurzame energiebronnen (zon, wind, water en biomassa) komt. En het is hoog tijd dat we echt stappen gaan maken.

De huidige klimaatsveranderingen kosten nu al volgens de WHO per jaar 150.000 mensen het leven.

Tijdens mijn speurtocht kwam ik de rapporten tegen van Ecofys. Volgens hun studie uit 2011 voor het WWF moet in 2050 ongeveer 50% bespaart worden op energiegebruik en bijna 100% van de in 2050 gebruikte energie moet dan duurzaam zijn. Alleen voor een heel klein deel zal in 2050 energie uit de fossiele brandstoffen, zoals kolen, gas en olie worden gehaald.

Heb je al een idee hoe jij die 50% energiebesparing gaat halen?

Energiebesparing kan door het isoleren van huizen, het zuinig omgaan met energie (trui aan de thermostaat een graadje lager, geen computers, Tv’s ..etc.. onnodig aan laten staan, wat dacht je van de fiets) en het aanschaffen van energiezuinige apparaten.

Daarnaast ook door te zorgen dat er minder energiefluctuaties ontstaan (DUS: niet iedereen s’avonds om 7 uur de vaatwasser aan), waardoor extra centrales nodig zijn om de pieken op te kunnen vangen.

De vraag is hoe gaan we uiteindelijk 50 % energiebesparingen in 2050 voor elkaar krijgen? In de wereld, in Nederland?

Al googelend stuitte ik op een interessante presentatie van Arnold Grubler van IIASA. Arnold Grubler heeft zich bezig gehouden met Urban Energy Systems. En terecht wijst hij op het feit dat we op stedelijk niveau nog niet zo goed naar energiehuishouding hebben gekeken, wel op wereld, landelijk en huishoudniveau, maar niet op een stedelijk niveau. Dat is raar want nu al zit 50% van de wereldbevolking in een stedelijke omgeving (steden met meer dan 100.000 inwoners). Volgens Grubler ontbreekt het ons eigenlijk nog aan goede modellen om op stedelijk niveau goed te kunnen analyseren en keuzes te maken.

Er is kwaliteitsverschil in energie

Arnold Grubler zette mij op het spoor dat de ene energie de andere niet is. De figuur die mij triggerde was een weergave van energiestromen voor de stad Vienna.

Vienna

Wat je hier ziet is een zogenaamde Sankey-diagram, waarin secundaire energie (energie, die al is opgewerkt zodat de samenleving ze kan gebruiken), omgezet wordt naar Final Energy (energie, zoals die wordt afgenomen door de eindgebruiker), en uiteindelijk naar energie (Useful Energy), die wij echt gebruiken. Nu blijken er twee soorten verliezen, allereerst het verlies van energie als totaal (dat is in het voorbeeld van Wenen ongeveer 50%), maar daarnaast is er ook nog verlies van de bruikbare energie, de zogenaamde exergie.

Wat is Exergie?

Zonder nu weer in allerlei formules te duiken vond ik een aardige beschrijving op een website van de TU Delft, afdeling Engineering Systems & Services: http://www.tbm.tudelft.nl/over-faculteit/afdelingen/engineering-systems-and-services/sectie-ei/medewerkers/lydias/exergie/inleiding/introductie/.

Citaat:

“Energiestromen hebben allerlei toepassingsmogelijkheden, zoals ruimtes verwarmen, verlichting en motoren laten draaien. Hoe meer toepassingsmogelijkheden een energiestroom heeft, hoe meer waarde zo’n stroom vertegenwoordigt. Zo vertegenwoordigt elektriciteit een hoge waarde. Elektriciteit kan bijvoorbeeld gebruikt worden om een straalkacheltje te laten werken, een lamp te laten branden en een mixer te laten draaien. Heet water heeft minder waarde want je kunt er praktisch alleen maar een ruimte mee verwarmen of mengen met koud water om te gebruiken als warm badwater. Het aantal toepassingsmogelijkheden of de waarde van een energiestroom, wordt ook wel aangeduid met de kwaliteit van die energiestroom.

Vergelijk het maar met geld. Met een muntstuk van vijf gulden kun je meer doen dan met twee kilo appels ter waarde van vijf gulden; je kunt met dat muntstuk immers gemakkelijker peren kopen dan dat je iemand vindt die jouw appels voor peren wil ruilen. Zo is elektriciteit te vergelijken met geld, en warmte met appels (of peren).”

Weer terug naar het plaatje van Wenen. Daar vindt in het systeem een behoorlijk verlies van hoogwaardige energie plaats, namelijk van 100% naar 17 % uiteindelijk omgezet naar iets bruikbaars.In die omzetting vindt zo’n 66% van de inefficiëntie in het uiteindelijke gebruik plaats.

Kan dat niet veel beter en waar moeten we aan gaan werken?

Ook in de US zijn ze wakker geworden want er is een studie van de American Council for an Energy-Efficient Economy (ACEEE), die tot een vergelijkbare conclusie aan het komen is (Zie een blog “Forget Energy Efficiency, Think Exergy” van Katherine Tweed op de GreenTech Media website). Dat is een take-away: We gaan met deze nieuwe benadering niets winnen, als onze policymakers, gebruikers en bedrijven niet op deze manier naar energie gaan kijken.

In Nederland heb ik werk op dit gebied weten te vinden vanaf 2007 van TU Delft, afdeling Engineering Systems & Services. Met zelfs een voorbeeld van een Exergieplanning van de regio Parkstad Limburg:

regio aanpak

http://www.ribuilt.eu/Portals/0/Docs/Partners/Nieuwe_Energie/Publicaties/An_Exergy_Planning_Approach_for_the_Region_Parkstad_Limburg.pdf.

Een voorbeeld op gebiedsniveau. Op deze wijze worden allerlei aktiviteiten zoals industrie, allerlei gemeentelijke en buurtvoorzieningen, huishoudens en met elkaar verbonden en wordt er hoogwaardige energie bespaart. Helaas heb ik nog geen echte concrete kosten-baten analyse gezien.

En exergieverbetering in een huishouding?

Effe googelen en daar hebben we weer een leuk onderzoekje, dit keer uit Zweden: “Exergy Analysis in Buildings : A complementary approach to energy analysis” Marco Molinari uit 2009. Hier een plaatje uit zijn verhaal:

househoilexergy

De Carnot-factor zegt iets over hoe zuinig er met exergie wordt omgegaan (1 = perfect, kan niet beter en hoe dichter bij de 0, hoe meer verkwisting).

Om die 50% energiebesparing te vinden, moeten hier toch kansen liggen. Op de huidige manier gooien we heel veel weg.

De eerst stap is om uit te zoeken hoe een exergie-zuinig huishouden er uit ziet….