以下是引用这篇文章的既定格式:
巴尼茨,T。赫兹,l。约翰逊,E.林德奎斯特,R. Martínez-Peña, S. Radosavljevic, M. Schlüter, K. Wennberg, P. K. Ylikoski,和V.格林,2022。社会生态系统中因果关系的可视化。生态与社会27(1):31。摘要
在社会生态系统(SES)中,社会和生态过程相互交织,现象通常是复杂的,涉及多个相互依存的原因。因此,找出因果关系具有挑战性,但需要更好地理解并影响或管理这些系统。可视化是识别和交流因果关系的一个重要且广泛使用的工具。在这里,我们提出了几种常见的可视化类型:对象和箭头图、X-Y图和X-Y- z图,并针对在复杂系统(如SES)中可视化因果关系的特殊挑战来讨论它们。我们使用一个简单的演示模型来创建和比较示例可视化,并从文献中添加更详细的示例。这突出了广泛使用的可视化类型的隐含优势和局限性,并有助于在SES中可视化因果关系时进行充分的选择。因此,我们推荐进一步的合适方法来解释复杂的因果关系,例如具有多个面板的图形,或将不同的可视化类型合并到一个图形中。这对过度简化提出了警告。然而,任何单个数字都很难捕捉到SES中所有相关的因果关系。因此,我们需要关注具体的问题、现象或子系统,通常也需要关注应该可视化的具体原因和结果。 Our recommendations allow for selecting and combining visualizations such that they complement each other, support comprehensive understanding, and do justice to the existing complexity in SES. This lets visualizations realize their potential and play an important role in identifying and communicating causation.介绍
科学试图理解系统是如何组织和运作的。这种理解的一个关键因素是确定原因和结果之间的关系,也称为因果关系(Woodward 2016, Pearl和Mackenzie 2018)。声称因果关系在日常生活中是如此普遍,以至于科学家很少问自己因果关系的真正含义是什么,以及我们做出因果关系声明的基础是什么。这个词”因为”是无所不在的:我们有白天和黑夜”因为”关于地球的自转;这种植物不会生长”因为”它没有得到足够的水。这种因果关系的主张是简单而直接的,而且这种简单的主张是根植于我们的语言和思维中的。
然而,对于解释复杂系统中的现象,简单的声明往往是不够的(Meyfroidt 2016)。社会生态系统(SES)就是这种情况,它由决策交互主体(如人类和有机体)及其环境组成(Ostrom 2009, Ferraro et al. 2018)。这些系统的关键组成部分,即代理,通常以难以捉摸的方式运行。这些系统中变量之间的因果关系通常是非线性的,可能涉及两个以上的变量。此外,在社会经济系统中,社会和生态过程是相互交织的。所有这些都会导致复杂的系统,其中单一的因果关系即使不是不可能,也很难解开(Schlüter et al. 2019)。
试图理解并因此影响或管理这些系统的后果可能是可怕的。基于错误理解的因果关系,或过于简单或狭隘的心智模型的决策,可能导致意想不到的后果和潜在的灾难(默顿1936,斯特曼2006,莱文等人2013)。例如,在2008年全球金融危机和大西洋鳕鱼种群崩溃期间就发生了这种情况(例如,Frank等人,2016年,Sguotti等人,2019年)。使构建社会经济地位中有用的因果关系模型变得复杂的因素包括其构建模块的多样性、适应性行为、正反馈和负反馈循环、间接、延迟或路径依赖效应、随机性以及不同空间、时间和组织尺度上过程的相互作用(例如,Meyfroidt 2019, Elsawah等人2020)。
由于意识到简单的因果关系和单一的线性因果链往往不足以理解SES中发生的事情,研究人员试图识别和交流更复杂的因果关系。由于人类的主要感觉是视觉的,可视化在这一努力中发挥了关键作用。它们的主要目的是用不同的焦点、不同的角度、不同的细节层次来表示复杂的系统和现象。通过分解和描述系统的各个部分及其关系,可视化被用来阐明这些系统如何运行或现象如何出现。这可能发生在整个研究过程的不同阶段,从可视化的初始假设到最终巩固的因果发现(Sheredos et al. 2013)。因此,可视化被广泛用于理解和交流SES中的因果关系。然而,可视化也可能限制我们捕捉因果关系的能力,特别是在复杂和交织的系统中,如SES。作为结构和动态的图形表示,它们转化为心理模型,可能经常暗示因果关系的简单程度,而不是反映现实。同样,即使我们已经更好地理解了复杂的因果关系,例如,使用统计分析或机械模拟模型,我们的可视化可能不能充分表示这种理解。
尽管可视化在探索和交流SES的因果关系方面发挥着重要作用,但它们的内在假设、优势和劣势很少被反映出来(Spiegelhalter等人,2011年)。我们对复杂系统的可视化和概念化的方式影响着我们对这些系统的理解以及基于这种理解的结论。例如,关于农业社会经济体系的已知、未知或不确定因素,以及该社会经济体系中的不同变量如何相互影响和响应的概念模型,如果不进行可视化,几乎是不可想象的,反过来又会影响气候变化缓解和适应战略的制定(Bentley和Anandhi 2020)。beplay竞技
因此,我们试图提高人们对可视化类型如何广泛地影响我们正确识别和表达因果关系的能力的认识,并为在SES研究中使用可视化提供一些前进的方法。我们首先确定可视化复杂因果关系的挑战,然后介绍常见的可视化类型,并讨论它们的范围、潜力、限制以及它们应对这些挑战的适用性。然后,我们强调了SES文献中的可视化例子,特别是试图以可视化的方式捕捉复杂的因果关系。最后,我们制定了将来使用可视化的注意事项和建议。尽管在一个复杂的SES中用一个图形全面可视化因果关系可能是不可能的,但解释和沟通这种复杂性的创造性解决方案是存在的,应该进一步开发。
复杂因果关系可视化的挑战
为了系统地分析可视化类型在呈现和解释因果关系方面的潜力和局限性,我们确定了在SES中可视化因果关系的主要挑战。尽管在复杂系统中研究因果关系的一般障碍有重叠之处(例如,Preiser等人,2018,Schlüter等人,2019),但我们专注于以下具体于可视化任务的挑战:
- 想象一段关系是否有因果关系。这一挑战包括从单纯的协方差中分离因果关系和可视化混淆。如果其中一个变量的变化与另一个变量的变化同时发生,则两个变量协变,但协方差并不能揭示哪个变量是原因,哪个变量是结果。更重要的是,如果两者的变化是由第三个变量引起的,它们也可能协变,但没有直接的因果关系。这些选择并不相互排斥。通常,两个变量之间存在因果关系,但这种关系被第三个变量所混淆,而第三个变量同时影响两个变量。这就给检测两个变量是否存在因果关系以及将其可视化带来了问题(Pearl和Mackenzie 2018)。
- 将因果关系的特征形象化。这个挑战包括区分积极和消极的关系。如果两个变量是因果关系,第一个变量的增加可以增加(正关系)或减少(负关系)第二个变量。此外,它们之间关系的形状往往是非线性的,甚至可能改变方向。它还可能包括不连续。将因果关系的这些特征可视化,特别是以定量的方式,并不是所有可视化类型都能实现的。
- 想象互惠的因果关系。这个挑战包括说明某些变量是彼此的原因和结果。这在社会经济系统中很常见,例如,收割影响并受目标群体丰富性的影响,或供应商的决策影响并受市场价格的影响。这样的反馈可能会产生迟滞或循环动力学。在复杂系统中可视化因果关系时,经常需要让这些相互关系变得可感知。
- 可视化的多个原因。这一挑战包括描述两个或两个以上的因素、参与者、过程或事件都可能导致相同的结果(可选原因或相等性)。此外,原因和结果之间的关系可以被一个额外的因素或环境所缓和,或者是原因的组合让某种结果出现。多重原因的挑战还包括在系统要素的不同分辨率下显示因果关系。当两个变量之间存在因果关系时,用更高分辨率对它们之间的关系进行详细分析通常会发现这种关系是间接的,这意味着第一个变量有一个结果,而这个结果本身又是另一个结果的原因,以此类推,直到第二个变量受到影响。可视化这些中间变量(中介)及其关系(因果链)是具有挑战性的。
- 可视化因果关系的时间动态。这一挑战包括证明因果关系如何随时间而变化。也可能是一个或几个原因导致延迟的影响。如果某些行为、过程、事件的时间序列,或因果变量的时间发展关系到结果的影响,那么这些就是遗留效应或路径依赖效应,这可能很难可视化。最后,这一挑战还包括显示时间离散事件或干预的发生以及随后的后果(Healy和Moody 2014)。
- 想象因果关系的不确定性。这个挑战包括表达因果关系的不确定性和显示随机关系。变量之间的因果关系通常不是确定的,但是一个或几个变量的变化改变了某种效应发生的概率。此外,将所描述的因果关系的不确定性可视化是一项挑战,无论是关系是否完全是因果关系的不确定性,还是影响的可能强度的不确定性(Spiegelhalter等人,2011年,Hullman 2020年)。
因果关系的可视化类型
我们概述了在SES和相关领域的文献中常用的三种主要的因果关系可视化类型,并根据上面介绍的挑战讨论了每种可视化类型的特点。在此基础上,我们评估一种可视化类型(1)是否不能满足挑战,(2)可以部分满足挑战,但需要特定的调整,(3)大体上满足挑战,或(4)特别适合满足挑战(表1)。对这些类别的分配如下所述,并通过详细考虑不同的可视化类型如何解决每个挑战的不同方面来支持(表A1.1,附录1)。为了说明目的,我们使用一个假设的SES作为主要例子(框1),并在适当的地方添加文献中的例子。还应该注意的是,许多可视化混合了这些主要的因果关系可视化类型,也可能包含不适合这些类型的附加元素。我们将在下面的部分中引用这种组合的例子”在SES研究中可视化复杂因果关系。”
DemoViz:一个假设的SES模型。为了创建示例可视化,我们使用基于个体的仿真模型为一个假设系统生成数据。在这里,我们提供一个模型的简短总结。根据ODD(概述、设计概念和细节)协议,对基于个体和基于代理的模型进行标准化描述(Grimm et al. 2006, 2010, 2020),在附录2中给出了详细描述。
假设的SES包括受河流污染、温度和捕鱼影响的河流鱼类数量。每条鱼的特点是它的身体状况和在河边的位置。身体状况和位置都会随时间变化。个体的身体状况受环境变量河流污染水平和河流温度的影响,且个体间存在差异。个体的位置只受河流温度的影响(表示沿着河流的有利温度区域的移动)。
根据个体在每个时间步(对应于1年)的当前属性,对个体水平过程进行随机模拟,得出种群水平的动态。生态过程包括受身体状况影响的死亡率和受身体状况和位置影响的个体繁殖。除了自然死亡,个体也可能死于捕捞。SES的社会部分以一种非常简单的形式表现出来,即通过减少河流污染的选项,以及通过调整捕鱼压力以适应鱼类数量的大小。只有超过一定的阈值才进行捕鱼,大约20%的鱼是随机捕获的。模拟运行了200个时间步,但种群可能在此之前就灭绝了。
对象和箭头
在复杂系统中,最常见的可视化和解释因果关系的方法之一是用一个由对象和连接它们的箭头组成的图表(例如,图1)。它通过系统中有组织的部分和关系直观地表示系统中的一种现象,并提出这些部分如何相互作用而产生这种现象(Sheredos et al. 2013)。当用于表示因果关系时,从物体A到物体B的箭头表示A的变化导致B的变化。如果从B到A有另一个相反的箭头(或者箭头是双头的),则因果关系是相互的:A和B之间存在反馈,因为B的变化也会导致A的变化。然而,它们需要对系统进行概念化,以便将因果关系可视化。特别是,必须定义对象。它们可以是系统中的实体(例如,代理或其他组件),也可以是状态变量或过程。还可以在一个图中连接不同类型的对象。
要包含的对象和箭头的选择具有重要的隐含后果。对象已经根据图确定了系统中关于因果关系的哪些声明是可能的。箭头描述了实际考虑的这些关系。对象可能涉及的任何进一步的因果关系以及任何未显示的进一步对象都将被忽略。对象中的所有细节通常也会被忽略,即由其组成的高分辨率对象以及它们之间的因果关系。真实复杂系统的这种简化表示(例如,图1A)有助于只关注被认为对给定问题至关重要的元素和关系(Starfield 1990, Grimm和Railsback 2005)。但是,了解这些决定是至关重要的,而且这些决定应该明确。通常情况下,它们没有被明确地表述出来,但在对象和箭头的图表中被认为是理所当然的。然而,它们指导和约束所有基于此可视化的后续工作。可以说,这个图表代表了一种特定的世界观,而忽略了在这种世界观中可能很重要但被忽略的元素。 This is not only a decision of where to draw the boundaries and how to choose the resolution of the SES representation. Also, what kind of objects are depicted in a diagram matters. In ecology, a good example is whether ecosystems are perceived either as being composed of organisms or of compartments containing energy and nutrients. This decision strongly influences for which real-world phenomena a causal understanding can be achieved (Grimm et al. 2017).
的潜力。这种可视化类型可以通过指向一个对象的几个箭头表示多个原因。因此,它也可以表明一种现象产生于这些多重原因的影响和相互作用。可视化还可以通过从一个对象开始的几个箭头表示多个效果。除了两个对象之间的直接反馈(参看上文),还可以看到涉及两个以上对象的间接因果关系循环。从一个对象开始并循环返回的箭头可以表示内部反馈。箭头所示的因果关系可以用来表示时间顺序(即,对象1的终止导致对象2的开始;例如,在流程图)。它还可以表示能量、物质或信息的流动。因果关系的方向和强度可以通过使用不同宽度或风格的箭头,或通过标记它们来可视化。在任何情况下,如果没有箭头,我们便能够清楚且定量地说明:对象1和对象2之间并没有直接的因果关系。
的局限性。由于它们的通用性,对象和箭头的可视化被用在许多方面。这种自由也可能是导致混乱的缺点。因此,物体和箭头的特定形状和样式(如图1A)的任何预期含义都应在图标题中加以说明。箭头的含义可能仍然不清楚,因为它们不一定代表因果关系。如果他们这样做,表达这些关系的不同特征的可能性显然是有限的。即使可以改变箭头的特定外观来显示差异,所有这些规范也不是可视化所固有的。它们可能隐式地植根于对其在可视化环境中的意义的预设的共同理解,例如,因为这是在特定的科学学科或方法论社区中建立起来的。最好是,除了图表之外,它们还应该明确地交流,特别是关于SES研究是跨学科的这一事实。此外,单个箭头并不能说明潜在的因果机制。这些机制中涉及的其他对象和对象中的任何细节都不会根据所选的分辨率或世界观显示出来。 They are therefore also ignored. However, for showing these detailed objects and their relationships, such as causal chains, the same form of objects and arrows can be used too (e.g., Fig. 1B). This offers an important option for understanding and visualizing causal mechanisms.
有三种带有对象和箭头的图与SES中的因果关系特别相关:概念图、因果图和网络图。
概念图
对象和箭头的可视化在概念图中非常流行,因为概念图具有高度的通用性和灵活性。它们普遍用于SES表示,可视化系统的概念模型,以及研究它们的框架和方法。概念图不需要严格的正式规则。它们可能只包含少量的对象和箭头(如图1A),也可能包含很多。考虑到SES的复杂性,可以包括不同种类的箭头、不同种类的对象(例如,表示因素、参与者、其他系统组件、过程)、多种颜色、层、标签或图片,并可以嵌套图表(例如,Lindkvist等人,2020;图A3.1,附录3)。然而,为了有意义和明确地使用,这些差异需要仔细解释。此外,尽管对于可视化多个原因以及区分因果关系和非因果关系非常有帮助,但高灵活性的代价是传递更具体或定量的信息的可能性较低,例如关于因果关系的形状、强度或时间变化的信息(表1)。随着对象和箭头的数量增加,可能很难把握哪些因果关系是指示的。而且很可能只掌握选定的关系,而忽略了它们是如何嵌入和与其他系统元素交互的。试图反映一个SES的实际复杂性可能导致一个包含大量对象和箭头的概念图,以一种几乎任意的方式(即,每件事都连接到每件事)。尽管这样一个图表中的每个对象和链接都可能是合理的,并具有意义,但可视化在指定和解开复杂的因果关系方面的用途有限。 Nonetheless, it can be useful for demonstrating this complexity, showing that phenomena are intertwined and that simple, mono-causal thinking is inadequate (e.g., Walker et al. 2009; Fig. A3.2, Append. 3).
正式的因果图
某些物体和箭头的图表遵循更具体的形式来表示因果关系,例如点和箭头格式(例如,图2A)。使用这样的因果图来可视化我们对SES中因果关系的假设(或了解),可以使这些关于系统的假设更加明确和透明,并允许对它们的结果进行推断。点和箭头格式的因果图,点表示变量,并附加了只允许单向箭头和不允许循环的限制,可以用作因果推断的工具(Pearl和Mackenzie 2018, Lederer等人2019)。为此,可以追踪点之间的路径,并可以识别因果推理的共同挑战,因为它们与因果图中的特征结构一致。例如,对于两个变量之间的给定箭头,后门路径是从第三个变量指向它们两个的路径,因此这是关系的混淆器。间接路径连接两个变量的方向与直接箭头相同,但通过第三个变量,因此这是一个中介(Textor et al. 2016, Lederer et al. 2019)。这样的路径可以嵌入到不只涉及三个变量的关系中。因果图极大地促进了对它们的检测,以及对因果分析具有特定意义的更复杂的一般结构的检测。因此,可视化作为一种健壮而强大的工具,为在因果推理中是否必须控制某些变量提供了合理的决策基础。如果没有可视化,随着变量数量和它们之间的因果关系的增加,这将很快变得更加困难(Pearl和Mackenzie 2018)。
尽管可以用因果图来描述随机因果关系,但随机性本身并没有形象化(表1)。这意味着,不清楚箭头是否表明,例如,一个变量的变化有时、经常或总是导致由箭头连接的另一个变量的变化。或者连接两个事件的箭头并不一定意味着第一个事件总是导致第二个事件。它可能只是改变了第二个事件发生的机会。
因果图还用于可视化结构方程模型(SEM),这是一种流行的方法,用于分析变量之间的统计关联,然后用于因果解释(Shipley 2000, Grace 2006, Asah 2008, Fan等人2016)。在这些图中,除了箭头表示方向外,路径系数还表示变量之间关系的强度和符号(例如,Palomares等,1998;图A3.3,附录3)。在应用SEM时,可以改变所包含的关系(即图的结构),以测试不同的模型,并根据数据拟合选择首选的模型。因此,形成系统的基本概念模型的因果关系不会被先验确定,而是作为系统分析的结果(Eisenhauer et al. 2015)。然而,重要的是要注意,因果关系不能仅仅从变量之间的联系中推导出来。相反,这些关系需要作为因果假设提供给SEM,而后续的发现依赖于仔细的解释(Bollen和Pearl 2013)。
因果循环图是另一种流行的可视化因果关系类型(例如,图2B)。它们是系统动力学方法对SES研究的关键工具(Elsawah等人,2017年,Radosavljevic等人,2020年)。在这些图中,箭头用”+”或”-”符号,分别表示连接变量之间的正或负关系。这些图的重点是涉及两个或多个变量的闭环。如果一个循环中负号的数量是偶数,则该循环是强化的,这意味着一个变量的增加(减少)通过循环正向反馈,并进一步增加(减少)该变量。如果沿着循环的负号数量是奇数,则循环是平衡的,这意味着一个变量的增加(减少)通过循环反馈为负,并减少(增加)该变量。这些特征使得因果循环图非常适合可视化和描述相互因果关系(表1)。
然而,当将库存和流量(作为变量)组合在因果循环图中时,可视化容易产生误解,因为”+”而且”-”标签可以有两种不同的含义:附加变化或比例变化。加法箭头表示第一个变量与第二个变量相加(或者,对于负号,从该变量减去)。但是由正箭头连接的两个变量不一定在同一个方向上变化(反之亦然)。例如,鱼的繁殖增加了鱼的数量(图2B),但也有可能鱼的繁殖减少而鱼的数量增加(例如,当数量接近其最大容量时)。对于比例箭头,两个变量总是在相同(或相反)的方向变化,因此正(或负)相关(参见Richardson 1997, Lane 2008关于因果循环图的模糊性的细节)。因此,在使用因果循环图时,强烈主张对这些意义进行彻底的反思和澄清。
网络图
网络图将对象及其成对关系可视化为节点(对象)和节点(连接对象的线)之间的网络(例如,图3)。网络(也称为图)可以用作所研究系统的结构方面的抽象描述,包括SES (Borgatti等人2009年,Dale 2017年,Will等人2020年)。节点和边可以具有灵活的含义。例如,节点可以表示特定的组织单位,如个体、种群、物种或空间区域。尽管节点通常表示相同类型的元素,但不一定总是如此。例如,行动者网络理论关注不同类型元素之间的关联,以调查社会过程如何影响被研究的现象(Latour 2005, Langley and Tsoukas 2016)。网络图中的边可以表示元素之间的接近性、流、(潜在的)相互作用或任何其他类型的关联。它们可以是无向的(只有边)或有向的(有箭头的边),它们可以具有权重,例如,表示对象之间的距离或成本、持续时间或流或交互的强度。这种灵活性会导致歧义。例如,当用网络图可视化食物网时,箭头可以用来表示捕食(从捕食者指向猎物),生物量的流动(从捕食者指向捕食者),或捕食者和猎物数量之间的相互因果关系(双向箭头)。没有箭头的边也很常见,它可以表示这些选项中的任何一个。
SES的网络表示关注系统的结构方面,因此隐含假设交互结构在系统的因果关系中起着关键作用(Borgatti等人2009,Scott 2011, Levine等人2017)。为了分析这种结构,图论提供了各种工具和度量来评估网络的空间或功能连通性、密度、嵌套性、脆弱性或节点中心性(Bollobas 1998, Butts 2009, Thébault和Fontaine 2010)。网络图中可视化的结构通常决定了确定因果关系的框架,例如,潜在的交互作用。但它并不等同于在一个SES中运行的实际过程,例如,已实现的交互。
网络可以用两种方式来解释SES中的因果关系。一方面,这种结构是有一定原因的,即导致这种结构的系统要素的性质和动力学。另一方面,结构也有其结果,因为它启用、促进或约束系统中的流程。在这两种情况下,网络结构及其度量可以被视为模式,这些模式暗示了系统的因果关系(Bodin et al. 2019)。然而,这种网络结构的因果含义并不是由可视化本身所传达的。它们需要解释和额外的分析和解释。尽管如此,因果关系的理解在很大程度上是由网络图支持的,它的推导可以很直接。食物网的网络图表明,丰富的捕食者数量会对其猎物数量造成压力。贸易路线的加权网络图表明,关闭某条路线可能会给使用该路线的贸易伙伴带来更高的成本,并增加其他路线的使用量。在这里,权重也用来描述因果关系。
x - y图
这种非常常见的可视化类型包括二维线、点、条或与两个变量X和Y相关的类似图(例如,图4)。通过这种方式,X-Y图将系统复杂性减少到仅两个选定的因素。该图显示了X的不同值如何与Y的不同值相关联。假设Y不是常数,这意味着X的变化与Y的变化相关。通常,这种可视化类型被解释为表示因果关系,意味着X的变化导致Y的变化。这种建议的因果关系通过一个通用术语反映出来,称X为自变量,Y为因变量。X-Y图很吸引人,因为它们传达了一个简单的信息,易于掌握和记忆。然而,它们也强烈地唤起了单一因果思维,忽略了复杂性和背景。X-Y曲线通常暗示现实中不存在的简单性和概括性。
有一些X-Y图的例外情况,其可视化的关系显然不是为了表明因果关系。自变量可能只是区分不同情况的标准,例如不同代理人或地方的名称,或根据相关Y值确定不同项目的等级(例如,物种等级-丰富度图,may等人,2016;图A3.4,附录3)。同样,时间序列,在X轴上以时间为自变量的图(如图4A),并不意味着时间是因变量变化的直接原因(尽管时间通常与这种变化有关)。
的潜力。这种可视化类型是标准的,对于描述一个潜在的原因和一个结果之间的关系非常有用。在X-Y图中,这种关系的详细特征可以立即显示出来,例如它的方向、强度、非线性或非单调性,以及临界阈值(表1)。这种关系可以在变量值的高分辨率下显示。可以将变化、不确定性或置信度纳入其中,例如,以平均值为基础的个别值(图4C)、误差条、绘制曲线周围的区间,或统计检验结果的符号和标签(例如,检验来自不同处理的数据是否具有共同的平均值)。在时间序列中,可以突出显示事件/治疗/干预措施发生的时间点/时期。这有助于检查那些本身没有绘制的变化是否与绘制的Y变量的变化有关。出于同样的目的,我们可以绘制两个时间序列,一个用于(潜在的)因果关系,一个用于效果变量,甚至更多用于考虑多重效应。通常,使用不同风格或颜色的多条线/点/条可以克服只有一个Y变量的限制(有时也使用两个不同的Y轴)。这个策略可以用来可视化一个附加变量的不同实例(cf。”同一可视化类型的多个图”下文)。但是在一个图中,这些潜在的依赖变量Y都需要与相同的独立变量X相关。
的局限性。除了只描述与一个(潜在的)原因的关系之外,X-Y图最重要的限制是不可能从单纯的协方差中直观地区分因果关系(表1)。例如,两个变量可能显示出很强的关系,不是因为X是Y的原因,而是因为两个变量都受到一个共同原因C的影响,这个原因混淆了它们的关系,但没有显示出来。这一点至关重要,使情节容易被误解或过度解读。它增加了一个问题,即所描述的关系,即使它们是因果关系,也可以在复杂系统中被其他因素修改。关于这些因素和背景的信息,以及对所描述关系背后因果关系的机械解释,并不是由情节本身所传达的。这些方面需要额外的解释。如果在可视化中包含不确定性,那么基础统计模型和假设也是如此。
也可以将自变量X的值与该变量的变化(dX/dt作为Y变量)一起绘制出来。这允许可视化变量X对自身的反馈(例如,图4D)。然而,它也将这种自我反馈与上下文分离,并建议忽略X变量变化的其他原因。
为了可视化两个变量之间的倒数关系,可以使用相空间图。这些X-Y图显示了两个状态变量(X和Y的值对)组合的轨迹,表示了系统可能状态的相空间随时间的变化(例如,图5A)。它们通常暗示X和Y在两个方向上都有因果关系。除了可视化X和Y的可能组合,轨迹还表明,对于一个变量的给定值,另一个变量的不同值是可能的。
当X描述一个环境驱动因素,Y描述一个状态变量时,驱动因素对系统状态的影响可以取决于该系统的当前状态(例如,图5B)。因此,X和Y都对Y的变化有影响,导致驱动变量X的相同值会出现可选的稳定状态(Milkoreit et al. 2018)。也可能存在引爆点(tipping points),这意味着当驱动超过某个阈值时,状态变量会突然发生变化。即使驱动变量变回,可能离阈值很远,状态变量也不会达到与以前相同的值。有可能存在两个临界点,这意味着只有当驱动程序超过另一个阈值时,状态变量才会(突然)变回。这种路径依赖导致替代稳定状态(迟滞)的现象在SES中很常见,X-Y图用于可视化它很受欢迎(1977年5月,Scheffer等人2001年,Hughes等人2013年,shuguotti等人2019年)。通常,不同稳定状态的轨迹用虚线或虚线连接,以可视化X和Y值的对应组合属于不稳定状态(参见图5B)。
x y z情节
这种可视化类型包括三个变量。在这里,X和Y是两个自变量,Z是X和Y值不同组合时的因变量(如图6)。这可以通过二维等高线或栅格图,或三维曲面或点图来实现。因此,两个潜在的原因及其对Z的影响可以一起可视化。这是将所表示系统中的复杂关系可视化的重要一步。这种增加的复杂性的缺点是,与X-Y图相比,图可能更难掌握。与X-Y图相似,仍然存在将描述的关系视为因果关系的缺陷,尽管这可能不是事实(表1)。
的潜力。两个独立变量的可视化能够检查和呈现它们相互作用产生的效果。它们与因变量关系的特征变得可见,包括非线性或临界阈值。甚至高度多面的关系也可以用数量来表示。对于X和Y值的不同组合,Z的相似值表明不同的机制在对Z的相关影响方面是相似的。这可以指出两个原因之间的权衡,以及通过改变第二个因素来缓冲或补偿一个因素的负面影响的选项。特别是,第二个因素可以是一个调节因素或代表上下文的变量,因此,X和Z之间的关系依赖于第二个因素Y是可视化的。如果时间是Y变量,则描述关系随时间的变化,尽管时间不被认为是因变量变化的直接原因(参看上文)。X-Y-Z图也可用于可视化描述系统状态并可能相互影响的三个变量的可能组合(例如,Radosavljevic等人,2020;图A3.5,附录3)。或者,与X-Y图(图5B)相比,他们可以可视化,以及两个变量之间的关系如何根据第三个变量的值从双稳态变为单一稳定状态”尖端”突变理论模型,例如,Petraitis和Dudgeon 2016, Sguotti等人2019;图A3.6,附录3)。
的局限性。同样在X-Y-Z图中,因果关系不能从单纯的协方差中直观地区分出来。此外,很难准确地辨别关系的特征。将颜色的视觉差异转化为Z值的数量差异容易产生误差(图6B)。在三维空间中精确地确定点或曲面的位置并不总是可能的,但必须将其绘制成二维图形(图6A)。可视化关系的不确定性是困难的,通常需要一个额外的图,例如X和Y值的不同组合的Z值的变化。如果选择时间作为第二个自变量Y,那么显示X和Z之间关系的时间发展的好处是以不显示与第二个潜在原因的相互作用为代价的。
在ses研究中可视化复杂因果关系
不同可视化类型的特征、潜力和局限性为根据预期目的在SES中选择适当的因果关系可视化提供了良好的基础。尽管如此,这意味着需要做出一个决定,即SES复杂性的哪些(通常是实质性的)方面将被忽略,哪些方面将被重点关注。例如,最近的进展开发了一些方法来可视化多个复杂的因果关系,这些因果关系导致了一个SES中感兴趣的突发现象,如渔业崩溃,通过带有对象和箭头的复杂概念图(图7)。这里的一个独特特征是组织的几个层次被可视化:从单个行为者和生态实体参与的行动情境以及行动情境网络,到整体的涌现现象。含蓄地说,这样的数字也传达了(以及为什么)现象是复杂的,因为它是由多个相互作用的过程产生的。将行为情境网络可视化的方法可应用于特定情况,例如用于DemoViz模型的假设SES(图8,cf. Box 1)。基于这种可视化,分析框架可用于开发关于产生SES现象的因果机制的假设(Schlüter et al. 2019, Orach和Schlüter 2021)。这些可能的解释可以通过实证研究或建模进一步检验。
然而,如果可视化的重点在于支持SES中变量之间关系的因果推断,则更正式的因果图通常是合适的选择(图2)。另一方面,重点也可能在于呈现特定的因果关系,忽略它们嵌入的更广泛的SES背景,以便可视化X-Y图中的特定形状、引爆点或关系的互惠性(图4、5)或,例如,X-Y-Z图中两个因果变量的相互作用(图6)。
同一可视化类型的多个图
扩大焦点和可视化复杂因果关系的一个重要选择是将多个相同类型的图放在一个图中。这允许增加要显示的原因的数量、结果的数量或两者都显示。例如,对于第二个原因的不同实例(即不同的上下文),一个图中的多个X-Y图描述了一个因果变量和一个结果变量之间的相同关系,可以显示两个原因如何相互作用(图9,不同的列)。同时,由X-Y图提供的被描绘关系的精确定量可视化被保持。此外,在多个X-Y图中描述一个因果变量和几个效应变量之间的关系,进一步分别为这些关系增加了补充信息(图9,不同行)。例如,这可以可视化改变一个原因的不同结果之间的权衡。多个X- y图的原理可以扩展,例如,通过使用X轴、不同列、不同行和不同线颜色来显示四个不同因果变量的影响和相互作用(例如,Banitz 2019;图A3.7,附录3)。然而,需要指出的是,对于因果变量相关值的所有组合,效果变量的这种全面可视化所需的数据很少可用,除了SES的计算模型,在该模型中,条件可以很容易地控制并获得结果系统状态变量(Schulze et al. 2017, Schlüter et al. 2019)。
同样的多图原理也可以用于其他可视化类型。对于已经显示了两个原因相互作用的X-Y-Z图,可以添加第三个原因或上下文(图10)。类似地,这可以通过在表中针对多个原因的嵌套行和列来实现,并通过颜色可视化它们的组合效果(例如,Ferguson et al. 2020;图A3.8,附录3)。将多个网络图组合在一个图中可以用来显示网络,以及它们相关的原因和结果。”网络图”),在不同语境下的变化(图3;参见Bodin 2017;图A3.9,附录3)。
结合可视化类型
在一个图中组合不同的可视化类型是在SES中可视化复杂因果关系的另一个常见和有用的选项。这种策略允许从每种可视化类型各自的优势中获益。”因果关系可视化的类型”如上图所示)。例如,显示SES状态和潜在因果变量的时间发展的X-Y图可以通过显示不同时间点的SES内部组织的对象和箭头图进行修正(图11)。因此,系统实体的状态和它们之间的因果关系被集成到可视化中,并支持对所描述的时间发展的因果理解。反之亦然,可以在对象和箭头图中插入X-Y图,以说明不同系统变量之间可视化关系的具体形状(例如,Banitz等人,2020;图A3.10,附录3)。在SES文献的另一个例子中,X-Y图与物体和箭头的组合可视化了模拟海洋生态系统中营养群之间的因果关系,并定量地显示了这些营养相互作用发生的某些先决条件以及它们所具有的某些影响(van Leeuwen et al. 2013;图A3.11,附录3)。
也可以将不同的X-Y-Z图组合在一起,从而在三维和二维中以更精确的定量方式可视化两个原因的相互作用(图12)。然而,这种非标准的多面可视化的缺点是它们很容易变得非常复杂。它们需要大量的解释,而理解所描述的因果关系并不总是凭直觉。如果使用,读者应该始终通过可视化的引导,以充分解释预期的因果主张。
目前提供的可视化还可以与其他类型相结合。一个例子是集合图,通过封闭的区域(例如,圆)将集合可视化。集合图被广泛而灵活地使用,例如,用于研究贫困陷阱的SES概念化可视化,根据这种概念,经济是社会的一部分,而这个社会是生物圈的一部分(例如,Lade等人,2017;图A3.12,附录3;另见Folke et al. 2016)。在维恩图中,两个区域的重叠代表集合的重叠,即属于两个集合的元素。同样的原理适用于两个以上的集合。在对象和箭头可视化中集成维恩图可以用来说明SES中复杂的因果关系,例如,不同的原因对一个结果的贡献。一个典型的情况是,单独的不同因素不足以造成一个影响。然而,它们必然属于造成这种效应的特定因素组合。 As this combination is not the only way to bring about the effect, it is sufficient but unnecessary (e.g., Fig. 13A). Such”不充分但必要的部分不必要但充分的部分”(INUS)条件由Mackie(1965)定义,并被用于在社会和社会生态研究中理清复杂的因果关系(Mahoney 2008, Morgan 2013, Meyfroidt 2016, Carlson等人2018)。维恩图和网络图的组合也可用于集成潜在因素的可视化子集,这些因素包括在分析中,并可视化这些因素之间的因果关系(例如,图13B)。
结论
我们已经强调,在SES中可视化因果关系提出了重大挑战,但有很有前途的方法来克服它们。使用可视化来呈现和解释复杂的SES现象的先决条件是要意识到关键的可视化挑战(”复杂因果关系可视化的挑战”)及各类型的优缺点(”因果关系可视化的类型”如上图所示)。总之,对象图和箭头图的高度灵活性非常适合可视化复杂的因果关系,但很容易导致歧义,所以一致性和解释是关键。此外,这些图的最大局限性是它们在显示单一因果关系的特征和可视化时间动态和不确定性方面的能力较差。X-Y图和X-Y- z图更适合这些挑战,但在区分因果关系与非因果关系和可视化多个原因方面有很大限制(表1,A1.1)。我们的评估能够根据研究问题、目的(例如,可视化假设、可视化结果,或可视化因果分析的概念框架)、关于SES中因果关系的知识,以及作为图的焦点的系统的属性和部分(例如,开始时的具体示范性建议),明智地选择适当的可视化类型”在SES研究中可视化复杂因果关系”如上图所示)。
理想情况下,数字会自己说话,其信息是直接和完全可理解的。但是,对一个数字的正确和完整的理解也可能依赖于某些隐含的假设。这些可能对具有共同科学背景的研究人员来说很熟悉。然而,默认的假设特定的知识和解释以及可视化可能会使不熟悉它们的读者感到困惑,因为SES研究是高度跨学科的。由于这些原因,正确理解图表所需要的信息,或者需要传达图表所没有传达的因果分析的某个方面的信息,应该明确地添加解释性文本。各自的标题应该旨在清楚地引导读者通过一个数字,几乎就像一个人会做的报告。这种指导对于明确理解可视化的意义和因果含义是至关重要的。支持这一点的一个实际的选择是使用编号标签,并在图标题中,使读者按顺序掌握图”走”从元素到元素(例如Lindkvist et al. 2020;图A3.1,附录3)。
对于对象和箭头的图表,这样的指导也可以帮助读者在心理上使可视化动画化,从而理解一个SES现象是如何由几个过程的操作引起的。这对于顺序流程尤其有效。但同时发生的过程会让复杂的现象出现,这些过程的可视化总结可以支持因果推理,并为计算模型等分析工具的设计提供坚实的基础(Jones和Wolkenhauer 2012, Sheredos et al. 2013)。
除了依赖心理动画,最近的一个额外选择是创建可视化的实际动画(例如,Anderson 2013, Grossman et al. 2016)。与演示过程中使用的动画类似,动画可以用于可视化地讲述一个关于SES是如何组织和运行的故事,换句话说,开发一个因果叙事(cf. Shepherd和Suddaby 2017)。这个选项可以适用于所有三种主要的可视化类型。应用于X-Y和X-Y- z图,动画也可以用来可视化关系随时间的变化,克服了可视化时间动态的挑战,同时保留了其他优势,如关系的精确刻画(参见表1)。大多数期刊在补充中允许动画可视化,而在主要手稿中包含它们很少是可能的。然而,也有人试图鼓励后者,使手稿在印刷在纸上时仍然可以理解(例如,使用额外的静态数字作为占位符;格罗斯曼等人。2016)。
科学中使用的大多数可视化的目的都是为了简单,以便图形的关键信息易于掌握和记忆。然而,对于复杂的因果关系,这种设计原则可能会产生反效果,因为它暗示了一种根本不存在的简单程度。因此,我们看到了一种特别有前途的方法来克服在SES中可视化复杂因果关系的挑战(”复杂因果关系可视化的挑战”上图)在一个图中组合了多个可视化。
同一可视化类型的多个图(”同一可视化类型的多个图”)可用于显示变量之间在不同上下文或附加变量的不同值的特定因果关系。因此,它们将交互作用和多个原因的共同紧急效应可视化。该方法还可以用于在一个图中可视化相同原因的多个结果(例如,图9)。由于通过同一可视化的多个实例添加原因和结果的原则适用于所有类型,因此它们在可视化SES中复杂因果关系的不同方面的特定潜力仍然可以被利用。
开发这种潜力的另一种方法是在一个地块中精心设计不同可视化类型的组合(”结合可视化类型”如上图所示)。如果你小心地不让这些组合过于复杂,它们可以提供其他不可能的综合图片,同时解决几个呈现的可视化挑战。这在很大程度上有助于揭示SES现象的复杂性,并防止过分简单的因果解释。然而,特别是当使用创造性的和不常见的方式组合不同的可视化类型时,仔细和一致的设计和伴随标题的全面指导是至关重要的。否则,它们就有可能没有什么价值:尽管包含大量异质信息,但它们不能达到向广泛的跨学科读者传达因果洞见的主要目的。
因此,我们断言,在复杂的SES中可视化因果关系通常仍然是一项艰巨的任务,同时解决许多(更不用说所有)已确定的挑战实际上是不可行的。一个单一的数字无法捕捉和描述与SES的命运和功能相关的所有因果关系。简单的图形仍然是重要和有用的,例如将可视化的焦点放在子系统上,放在复杂现象的特定方面,放在选定的原因和结果上。但是,它们应该通过结合可视化的图形来补充,以提醒我们SES中的因果关系比我们通常的思维方式(就简单的因果关系和线性因果链而言)要复杂得多,也比常见的可视化类型所暗示的要复杂得多。通过意识到这一缺陷,以及不同类型可视化的优缺点,我们将能够很好地使用可视化来公正地处理SES的复杂性,并支持更好和更全面的因果关系理解。
致谢
该研究得到了瑞典研究委员会(No . 2018-06139)的支持。
数据可用性
数据/代码共享不适用于本文,因为本研究没有分析数据/代码。
文献引用
阿莫林·内托,O.和J. C. C.罗德里格斯,2016。O novo método histórico-comparativo e seus aportes à ciência política e à administração pública。科学通报Administração Pública 50(6):1003-1027。https://doi.org/10.1590/0034-7612156950
安德森,问:2013。列。动画的科学。自然502(7470):259 - 260。https://doi.org/10.1038/nj7470-259a
2008年。实证社会生态系统分析:从理论框架到潜变量结构方程模型。环境管理42(6):1077 - 1090。https://doi.org/10.1007/s00267-008-9172-9
Banitz, t . 2019。空间结构的种内性状变异可以在受干扰的异质环境中促进生物多样性。Oikos 128(10): 1478 - 1491。https://doi.org/10.1111/oik.05787
Banitz, T., A. Chatzinotas和A. Worrich. 2020。利用微生物系统整合干扰、生物多样性和生态系统功能的前景。生态学与进化前沿8:21。https://doi.org/10.3389/fevo.2020.00021
本特利,C.和A. Anandhi, 2020。用一个改进的概念模型来表示生态系统中驾驶员-响应的复杂性。生态模型437:109320。https://doi.org/10.1016/j.ecolmodel.2020.109320
博丹,O。2017.协同环境治理:实现社会生态系统的集体行动。科学》357 (6352):eaan1114。https://doi.org/10.1126/science.aan1114
博丹,O。,S. M. Alexander, J. Baggio, M. L. Barnes, R. Berardo, G. S. Cumming, L. E. Dee, A. P. Fischer, M. Fischer, M. Mancilla Garcia, A. M. Guerrero, J. Hileman, K. Ingold, P. Matous, T. H. Morrison, D. Nohrstedt, J. Pittman, G. Robins, and J. S. Sayles. 2019. Improving network approaches to the study of complex social-ecological interdependencies. Nature Sustainability 2(7):551-559.https://doi.org/10.1038/s41893-019-0308-0
Bollen, K. A.和J. Pearl. 2013。关于因果关系和结构方程模型的八个误区。S. L.摩根主编的301-328页。社会研究因果分析手册。施普林格荷兰,Dordrecht,荷兰。https://doi.org/10.1007/978-94-007-6094-3_15
Bollobas, b . 1998。现代的图论。Springer-Verlag,纽约,纽约,美国。https://doi.org/10.1007/978-1-4612-0619-4
Borgatti, s.p, A. Mehra, D. J. Brass, G. Labianca. 2009。社会科学中的网络分析。科学》323(5916):892 - 895。https://doi.org/10.1126/science.1165821
布茨,2009年。回顾网络分析的基础。科学》325(5939):414 - 416。https://doi.org/10.1126/science.1171022
卡尔森,A., J. Zaehringer, R. Garrett, R. Felipe Bicudo Silva, P. Furumo, A. Raya Rey, A. Torres, M. Gon Chung, Y. Li和J. Liu. 2018。走向严格的遥耦合因果归因:系统回顾和类型学。可持续性10(12):4426。https://doi.org/10.3390/su10124426
戴尔,2017。图论在生态学研究中的应用。剑桥大学出版社,剑桥,英国;纽约,美国纽约;澳大利亚墨尔本;印度新德里;新加坡。https://doi.org/10.1017/9781316105450
艾森豪尔,N., M. A.鲍克,J. B.格雷斯,J. R.鲍威尔,2015。从模式到因果理解:土壤生态学的结构方程建模(SEM)。Pedobiologia 58(2 - 3): 65 - 72。https://doi.org/10.1016/j.pedobi.2015.03.002
Elsawah, S., T. Filatova, A. J. Jakeman, A. J. Kettner, M. L. Zellner, I. N. Athanasiadis, S. H. Hamilton, R. L. Axtell, D. G. Brown, J. M. Gilligan, M. A. Janssen, D. T. Robinson, J. rosenberg, I. I. T. Ullah,和S. J. Lade. 2020。社会环境系统建模的八大挑战。社会环境系统模型:16226-16226。https://doi.org/10.18174/sesmo.2020a16226
埃尔萨瓦,S. A.皮尔斯,S. H.汉密尔顿,H.范·德尔登,D.哈斯,A.埃尔马赫迪,A. J.杰克曼。2017。社会生态系统综合建模的系统动力学过程概述:来自五个案例研究的良好建模实践的教训。环境建模与软件93:127-145。https://doi.org/10.1016/j.envsoft.2017.03.001
范宇,陈杰,G. Shirkey, R. John, S. R. Wu, H. Park, and C. Shao. 2016。结构方程模型(SEM)在生态学研究中的应用:最新进展。生态过程5(1):19。https://doi.org/10.1186/s13717-016-0063-3
弗格森,n.m., D. Laydon, G. Nedjati-Gilani, N. Imai, K. Ainslie, M. Baguelin, S. Bhatia, A. Boonyasiri, Z. Cucunubá, G. cumo - dannenburg。2020.非药物干预(npi)对降低COVID-19死亡率和卫生保健需求的影响。帝国理工学院COVID-19应对团队。帝国学院,伦敦,英国。https://doi.org/10.25561/77482
费拉罗,P. J., J. N.桑基里科,M. D.史密斯。2018。人与自然耦合系统的因果推理。中国科学院学报116(12):5311-5318。https://doi.org/10.1073/pnas.1805563115
C.福尔克,R.比格斯,A. V. Norström, B.赖尔斯,J. Rockström。2016.社会生态恢复力和基于生物圈的可持续性科学。生态与社会21(3):41。https://doi.org/10.5751/ES-08748-210341
弗兰克,K. T.皮特里,W. C.莱格特,D. G.博伊斯,2016。商业开发驱动的海洋鱼类种群的大规模同步变化。中国科学院学报113(29):8248-8253。https://doi.org/10.1073/pnas.1602325113
吉尔平,1973年。野兔吃山猫吗?美国博物学家》107(957):727 - 730。https://doi.org/10.1086/282870
格蕾丝,2006。结构方程建模与自然系统。剑桥大学出版社,剑桥,英国;纽约,美国纽约。https://doi.org/10.1017/CBO9780511617799
格林,V., D. Ayllón和S. F. Railsback. 2017。下一代基于个体的模型整合了生物多样性和生态系统:是的,我们可以,是的,我们必须。生态系统20(2):229 - 236。https://doi.org/10.1007/s10021-016-0071-2
格林,V, U.伯杰,F.巴斯蒂森,S.埃利亚森,V.吉诺,J.吉斯克,J.戈斯-卡斯塔德,T.格兰德,S. K.海因茨,G.豪斯,A.胡特,J. U.杰普森,C. J.罗根森,W. M.穆伊,B. Müller, G.佩尔,C.皮欧,S. F.拉伊贝克,A. M.罗宾斯,M. M.罗宾斯,E.罗斯曼尼斯,N. Rüger, E.斯特兰德,S.苏伊西,R. A.斯蒂尔曼,R.瓦布ø, U.维瑟,D. L.迪安吉利斯。2006.用于描述基于个体和基于代理的模型的标准协议。生态模型198(2):115 - 126。https://doi.org/10.1016/j.ecolmodel.2006.04.023
格林,V., U.伯格,D. L.迪安吉利斯,J. G.波尔希尔,J.吉斯克,S. F. Railsback. 2010。ODD协议:回顾和首次更新。生态模型221(23):2760 - 2768。https://doi.org/10.1016/j.ecolmodel.2010.08.019
格林,V.和s.f. Railsback, 2005。基于个体的建模与生态。普林斯顿大学出版社,美国新泽西州普林斯顿。https://doi.org/10.1515/9781400850624
格林,S. F. Railsback, C. E. Vincenot, U. Berger, C. Gallagher, D. L. DeAngelis, B. Edmonds, J. Ge, J. Giske, J. Groeneveld, A. S. A. Johnston, A. Milles, J. Nabe-Nielsen, J. G. Polhill, V. Radchuk, m . s。R. A.斯蒂尔曼,J. C.蒂勒,D. Ayllón。2020.用于描述基于代理和其他仿真模型的ODD协议:第二次更新,以提高清晰度、复制性和结构真实感。人工社会与社会模拟学报23(2):7。https://doi.org/10.18564/jasss.4259
格罗斯曼,T. F. Chevalier和R. H. Kazi, 2016。用动画人物使研究文章栩栩如生。交互23(4):52-57。https://doi.org/10.1145/2949762
希利,K.和J.穆迪,2014。社会学中的数据可视化。社会学评论40(1):105-128。https://doi.org/10.1146/annurev-soc-071312-145551
Hughes, t.p, C. Linares, V. Dakos, i.a. van de Leemput和E. H. van Nes. 2013。在缓慢的、不被承认的政权更迭中,危险地活在借来的时间里。生态与进化动态28(3):149-155。https://doi.org/10.1016/j.tree.2012.08.022
Hullman, j . 2020。为什么作者不将不确定性形象化。可视化与计算机图形学报26(1):130-139。https://doi.org/10.1109/TVCG.2019.2934287
Jones, N.和O. Wolkenhauer. 2012。在细胞生物学中,图解作为解释和建立模型的局部辅助工具。生物学与哲学27(5):705-721。https://doi.org/10.1007/s10539-012-9311-9
莱德、l.j.海德尔、G. Engström、M. Schlüter。2017.韧性让我们摆脱了关于扶贫的受困思维。科学进展3(5):e1603043。https://doi.org/10.1126/sciadv.1603043
莱恩,华盛顿,2008年。系统动力学中图解的出现和使用:一个关键的帐户。系统研究与行为科学25(1):3-23。https://doi.org/10.1002/sres.826
兰利和H. Tsoukas, 2016。过程组织研究的SAGE手册。SAGE出版社,伦敦,英国。https://doi.org/10.4135/9781473957954
拉图,2005 b。重组社会:角色网络理论导论。牛津大学出版社,牛津,英国;纽约,美国纽约。
莱德尔,d.j., S. C.贝尔,R. D.布兰森,J. D.查尔默斯,R.马歇尔,D. M.马斯拉夫,D. E.奥斯特,N. M.旁遮普,M.沙茨,A. R.史密斯,P. W.斯图尔特,S.苏萨,A. A.阿德吉,C. A.阿克迪斯,É。阿祖莱、J.巴克尔、Z. K.巴拉斯、P. G.巴丁、E.巴雷罗、R.贝洛莫、J. A.伯恩斯坦、V.布鲁斯科、T. G.布赫曼、S.乔克罗夫蒂、N. A.科洛普、J. D.克拉珀、D. A.菲茨杰拉德、L.黑尔、N.哈特、F. J.赫斯、T. J.伊瓦什纳、G.詹金斯、M.科尔布、G. B.马克斯、P.马佐尼、J. R.穆尔曼、T. M.墨菲、T. L.诺亚、P.雷诺兹、D.黎曼、R. E.拉塞尔、A.谢赫、G.索吉、E. R.斯文森、R.什切斯尼亚克、R.兹穆西亚克、J. L.Teboul, J.-L。文森特。2019。因果推理研究中的混杂控制与结果报告。呼吸、睡眠和危重护理期刊编辑对作者的指导。美国胸科学会年鉴16(1):22-28。https://doi.org/10.1513/AnnalsATS.201808-564PS
列文,t。西帕帕迪亚斯,a。Crépin, J.诺伯格,A.德泽乌,C.福尔克,T.休斯,K.阿罗,S.巴雷特,G.戴利,P.埃利希,N.考茨基,k - g。Mäler, S. Polasky, M. Troell, J. R. Vincent, B. Walker. 2013。社会生态系统作为复杂的适应系统:建模和政策含义。环境与发展经济学18(2):111-132。https://doi.org/10.1017/S1355770X12000460
莱文,J. M., J. Bascompte, P. B. Adler和S. Allesina. 2017。超越复杂群落中物种共存的成对机制。自然546(7656):56 - 64。https://doi.org/10.1038/nature22898
林德奎斯特,E., X.巴苏尔托,M. Schlüter。2017.小型渔业自我管理安排的突发模式的微观解释——一种建模方法。科学通报12(4):e0175532。https://doi.org/10.1371/journal.pone.0175532
林德奎斯特,E., N. Wijermans, t.m.道,B.冈萨雷斯-蒙,A.吉伦-纳瓦,A. F.约翰逊,I.范·普顿,X.巴苏托,和M. Schlüter。2020.导航复杂性:基于代理的建模,以支持小规模渔业的研究、治理和管理。海洋科学前缘6:733。https://doi.org/10.3389/fmars.2019.00733
麦基。1965。原因和条件。美国哲学季刊2(4):245-264。
马奥尼,j . 2008。走向因果关系的统一理论。比较政治研究41(4-5):412-436。https://doi.org/10.1177/0010414007313115
May, F., T. Wiegand, S. Lehmann和A. Huth. 2016。丰度分布和物种聚集能正确预测热带森林的宏观生态生物多样性模式吗?全球生态与生物地理25(5):575-585。https://doi.org/10.1111/geb.12438
1977年5月。具有多重稳定状态的生态系统中的阈值和断点。自然269:471 - 477。https://doi.org/10.1038/269471a0
默顿,1936年。有目的的社会行动的未预料的结果。美国社会学评论1(6):894。https://doi.org/10.2307/2084615
Meyfroidt, p . 2016。土地系统科学中因果分析的方法和术语。土地利用科学学报11(5):501-522。https://doi.org/10.1080/1747423X.2015.1117530
Meyfroidt, p . 2019。遥耦合研究中的解释。C. Friis和J. Ø第69-86页。尼尔森,编辑。Telecoupling。施普林格国际出版社,Cham,瑞士。https://doi.org/10.1007/978-3-030-11105-2_4
M.米尔科瑞特,J.霍博德,J.巴乔,K.本内赛亚,R. Calderón-Contreras, J. F.东埃斯,J. d。马赛厄斯,J. C.罗查,M.舍恩,S. E.沃纳斯。2018。界定社会生态系统的引爆点——跨学科文献综述。环境研究通讯13(3):033005。https://doi.org/10.1088/1748-9326/aaaa75
C., R. dikmann, B. MüLler-Karulis, G. Kornilovs, M. Plikshs, P. Axe. 2009。大气和人为压力导致的大型海洋生态系统的重组:波罗的海中部的不连续状态转移。全球变化生物学15(6):1377-1393。https://doi.org/10.1111/j.1365-2486.2008.01814.x
Morgan, S. L. 2013。社会研究因果分析手册。施普林格,纽约,美国纽约。https://doi.org/10.1007/978-94-007-6094-3
奥拉赫和M. Schlüter。2021.理解鱼类政治的动态:在向共同管理转变的过程中,不同参与者之间的互动所起的作用。环境科学与政策124:195-205。https://doi.org/10.1016/j.envsci.2021.06.010
奥斯特罗姆,e . 2009。分析社会生态系统可持续性的一般框架。科学》325(5939):419 - 422。https://doi.org/10.1126/science.1172133
帕洛马雷斯,F., P.费雷拉斯,A. Travaini和M. Delibes. 1998。伊比利亚猞猁和埃及猫鼬之间的共存:通过结构方程模型估计相互作用强度,并通过观察研究进行测试。动物生态学报67(6):967-978。https://doi.org/10.1046/j.1365-2656.1998.6760967.x
珍珠,J.和D.麦肯齐,2018。为什么的书:新的因果科学。Basic Books,纽约,纽约,美国。
Petraitis, P. S.和S. R. Dudgeon. 2016。尖端和蝴蝶:海洋系统的多重稳定状态作为灾难。海洋与淡水研究67(1):37-46。https://doi.org/10.1071/MF14229
Plaganyi E。E, A. E.庞特,R.希拉里,E. B.莫雷罗,O. Thébaud, T.赫顿,R. D.皮兰斯,J. T.索尔森,E. A.富尔顿,A. D. M.史密斯,F.史密斯,P.贝利斯,M.海伍德,V.莱恩,P. C.罗斯里斯伯格。2014。多物种渔业管理和保护:使用中等复杂性模型的战术应用。渔业15(1):1-22。https://doi.org/10.1111/j.1467-2979.2012.00488.x
Preiser, R. Biggs, A. De Vos和C. Folke, 2018。作为复杂适应系统的社会-生态系统:推进研究方法和方法的组织原则。生态与社会23(4):46。https://doi.org/10.5751/ES-10558-230446
Radosavljevic, L. J. Haider, S. J. Lade, M. Schlüter。2020.有效减轻农村贫困取决于生产力、养分、水和土壤质量之间的相互作用。生态经济学169:106494。https://doi.org/10.1016/j.ecolecon.2019.106494
Radosavljevic, L. J. Haider, S. J. Lade, M. Schlüter。2021.贫困陷阱在各个层面的影响。世界发展144:105437。https://doi.org/10.1016/j.worlddev.2021.105437
理查德森,1997年。重新审视因果循环图中的问题。系统动力学评论13(3):247-252。https://doi.org/10.1002/ (SICI) 1099 - 1727(199723)十三3 < 247::AID-SDR128 > 3.0.CO; 2 - 9
桑托斯,w·g·多斯。1986.Sessenta e quatro anatomy ia da crisis。Vertice, São圣保罗,巴西。
谢弗,M., S.卡彭特,J. A.福利,C.福尔克和B.沃克,2001。生态系统的灾难性转变。自然413(6856):591 - 596。https://doi.org/10.1038/35098000
Schlüter, M., L. J.海德尔,S. J.莱德,E.林德奎斯特,R.马丁,K.奥拉赫,N.威杰曼斯和C.福尔克。2019。捕捉社会生态系统中涌现的现象:一个分析框架。生态与社会24(3):11。https://doi.org/10.5751/ES-11012-240311
J. Schulze, B. Müller, J. Groeneveld和V. Grimm. 2017。基于agent的社会生态系统建模:成就、挑战和前进的道路。人工社会与社会模拟学报20(2):8。https://doi.org/10.18564/jasss.3423
斯科特,j . 2011。社会网络分析:发展、进步和展望。社会网络分析与挖掘1(1):21-26。https://doi.org/10.1007/s13278-010-0012-6
C.舒格蒂,S. A.奥托,R.弗莱拉特,T. J.朗本,M. P.雷伯格,M.林德格林,J. M.杜兰特,n。和C. Möllmann。2019.灾难性的动态限制了大西洋鳕鱼的恢复。英国皇家学会学报B:生物科学286(1898):20182877。https://doi.org/10.1098/rspb.2018.2877
Shepherd, D. A.和R. Suddaby. 2017。理论建设:回顾与整合。管理学报43(1):59-86。https://doi.org/10.1177/0149206316647102
Sheredos, B., D. Burnston, A. Abrahamsen和W. Bechtel. 2013。为什么生物学家使用这么多图表?科学哲学80(5):931-944。https://doi.org/10.1086/674047
皮普,b . 2000。生物学中的原因和相关性:路径分析、结构方程和因果推理的用户指南。剑桥大学出版社,剑桥,英国;纽约,纽约。美国。https://doi.org/10.1017/CBO9780511605949
Spiegelhalter, D., M. Pearson和I. Short, 2011。想象未来的不确定性。科学》333(6048):1393 - 1400。https://doi.org/10.1126/science.1191181
Starfield, 1990年上午。如何建模:为计算机时代解决问题。McGraw-Hill,纽约,美国纽约。
斯特曼,2006。在一个复杂的世界中从证据中学习。美国公共卫生杂志96(3):505-514。https://doi.org/10.2105/AJPH.2005.066043
Textor, J., B. van der Zander, M. S. Gilthorpe, M. liievkiewicz和G. T. Ellison. 2016。使用有向无环图的鲁棒因果推理:R包”dagitty。”国际流行病学杂志45(6):1887-1894。https://doi.org/10.1093/ije/dyw341
Thébault, E.和C.方丹。2010。生态群落的稳定性与互惠与营养网络的结构。科学》329(5993):853 - 856。https://doi.org/10.1126/science.1188321
van den Elsen, E, L. C. Stringer, C. De Ita, R. Hessel, S. Kéfi, F. D. Schneider, S. Bautista, A. G. Mayor, M. Baudena, M. Rietkerk, A. Valdecantos, V. R. Vallejo, N. Geeson, C. J. Brandt, L. Fleskens, L. Hemerik, P. Panagos, S. Valente, J. J. Keizer, G. Schwilch, M. Jucker Riva, D. Sietz, M. Christoforou, D. G. hajimitsis, C. Papoutsa, G. Quaranta, R. Salvia, I. K. Tsanis, I. Daliakopoulos, H. Claringbould, P. C. De Ruiter. 2020。地中海生态系统灾难性生态系统转变的认识和管理进展。生态学与进化前沿8:323。https://doi.org/10.3389/fevo.2020.561101
van Leeuwen, A., M. Huss, A. Gårdmark, M. Casini, F. Vitale, J. Hjelm, L. Persson,和A. M. de Roos. 2013。具有多重个体发育生态位转移的捕食者在种群增长和自上而下控制猎物方面的潜力有限。美国博物学家182(1):53-66。https://doi.org/10.1086/670614
沃克,B. H., N.阿贝尔,J. M.安德里斯,P.瑞安。2009。澳大利亚goulburn - break流域的弹性、适应性和可改造性。生态与社会14(1):12。https://doi.org/10.5751/ES-02824-140112
Will M., J. Groeneveld, K. Frank, B. Müller。2020.结合社会网络分析和基于智能体的建模研究人际互动动态:综述。社会环境系统模型2:16325。https://doi.org/10.18174/sesmo.2020a16325
伍德沃德,j . 2016。因果关系的科学。p·汉弗莱斯,编辑,163页。因果关系的科学。牛津大学出版社,英国牛津。https://doi.org/10.1093/oxfordhb/9780199368815.013.8
表1
表1。根据六个可视化挑战评估所呈现的可视化类型。o无法迎接挑战。可以部分应对挑战,需要具体调整。全面应对挑战。特别适合迎接挑战。在正文中讨论了每种可视化类型的优缺点。另见表A1.1(附录1),以了解支持评估的进一步细节。
可视化的挑战 | 对象和箭头 | x - y图 | x y z情节 | ||
概念图 | 因果图 | 网络图 | |||
1 .因果vs.非因果 | ✓✓✓ | ✓✓✓ | ✓ | o | o |
2描述的关系 | ✓ | ✓ | ✓ | ✓✓✓ | ✓✓ |
3互惠关系 | ✓ | ✓✓ | ✓ | ✓✓ | ✓ |
4多种原因 | ✓✓ | ✓ | o | o | ✓✓ |
5时间动态 | ✓ | o | ✓ | ✓ | ✓✓ |
6不确定性 | ✓ | o | o | ✓✓ | ✓ |