Système complexe

Les systèmes adaptatifs complexes sont des cas particuliers de systèmes complexes qui s'adaptent en ce sens qu'ils ont la capacité de changer et d'apprendre de l'expérience. Parmi les exemples de systèmes adaptatifs complexes, on peut citer les marchés du commerce international , les colonies d'insectes et de fourmis sociales, la biosphère et l' écosystème , le cerveau et le système immunitaire , la cellule et l' embryon en développement , les villes, les entreprises manufacturières et toute activité sociale humaine au sein d'un système culturel et social , comme les partis politiques ou les communautés .

Un système est décomposable si les parties du système (sous-systèmes) sont indépendantes les unes des autres, par exemple le modèle d'un gaz parfait considère les relations entre les molécules comme négligeables.

Dans un système quasi décomposable , les interactions entre les sous-systèmes sont faibles mais non négligeables, ce qui est souvent le cas dans les systèmes sociaux. Conceptuellement, un système est quasi décomposable si les variables qui le composent peuvent être séparées en classes et sous-classes, si ces variables sont indépendantes pour de nombreuses fonctions mais s'influencent mutuellement, et si le système dans son ensemble est supérieur à la somme de ses parties.

L'approche traditionnelle pour gérer la complexité consiste à la réduire ou à la contenir. Généralement, cela implique une compartimentation : la division d'un système complexe en parties distinctes. Les organisations, par exemple, répartissent leurs activités en départements, chacun traitant de problématiques spécifiques. Les systèmes d'ingénierie sont souvent conçus à partir de composants modulaires. Cependant, les conceptions modulaires deviennent vulnérables aux défaillances lorsque des problèmes surviennent et créent des ponts entre les différentes divisions.

En 1961, Jane Jacobs décrivait les villes comme un problème de complexité organisée, citant un essai du Dr Weaver de 1948. Elle expliquait, à titre d'exemple, comment une multitude de facteurs interagissent et comment les différents espaces urbains engendrent une diversité d'interactions. Elle montrait également comment la modification de ces facteurs pouvait influencer l'usage de l'espace et sa capacité à soutenir les fonctions de la ville. Elle illustrait en outre comment les villes avaient été gravement endommagées lorsqu'on les avait abordées comme un problème de simplicité, en substituant à la complexité organisée des espaces simples et prévisibles, tels que la « Cité radieuse » de Le Corbusier et la « Cité-jardin » d'Ebenezer Howard. Depuis, d'autres auteurs ont longuement écrit sur la complexité des villes.

Au cours des dernières décennies, dans le domaine émergent de l'économie de la complexité , de nouveaux outils prédictifs ont été développés pour expliquer la croissance économique. C'est le cas des modèles élaborés par l' Institut de Santa Fe en 1989 et de l' indice de complexité économique (ICE), plus récent , introduit par le physicien du MIT Cesar A. Hidalgo et l' économiste de Harvard Ricardo Hausmann .

L'analyse de quantification de la récurrence (RQA) a été utilisée pour détecter les caractéristiques des cycles économiques et du développement économique . À cette fin, Orlando et al. ont développé l'indice de corrélation de quantification de la récurrence (RQCI) afin de tester les corrélations de la RQA sur un signal d'échantillon, puis ont étudié son application aux séries temporelles économiques. Cet indice s'est avéré capable de détecter des changements cachés dans les séries temporelles. De plus, Orlando et al. , sur un vaste ensemble de données, ont montré que la RQA peut aider à anticiper les transitions entre les phases laminaires (régulières) et turbulentes (chaotiques), comme ce fut le cas pour le PIB américain en 1949, 1953, etc. Enfin, il a été démontré que la RQA peut détecter les différences entre les variables macroéconomiques et mettre en évidence les caractéristiques cachées de la dynamique économique.

En se concentrant sur les questions de persévérance des étudiants dans leurs études, Forsman, Moll et Linder explorent la « viabilité de l’utilisation de la science de la complexité comme cadre pour étendre les applications méthodologiques à la recherche en didactique de la physique », constatant que « l’intégration d’une analyse de réseau social dans une perspective de science de la complexité offre une applicabilité nouvelle et puissante à un large éventail de sujets PER ».

Les systèmes de santé sont des exemples typiques de systèmes complexes, caractérisés par les interactions entre divers acteurs, tels que les patients, les professionnels de santé, les décideurs et les chercheurs, au sein de différents secteurs comme la santé, l'administration publique, la collectivité et l'éducation. Ces systèmes présentent des propriétés telles que la non-linéarité, l'émergence, l'adaptation et les boucles de rétroaction. La science de la complexité en santé conçoit le transfert des connaissances comme un réseau dynamique et interconnecté de processus – identification du problème, création des connaissances, synthèse, mise en œuvre et évaluation – plutôt que comme une séquence linéaire ou cyclique. Ces approches soulignent l'importance de comprendre et d'exploiter les interactions au sein de ces processus et entre les acteurs afin d'optimiser la création et la diffusion des connaissances. Reconnaissant la nature complexe et adaptative des systèmes de santé, la science de la complexité préconise un engagement continu des parties prenantes, une collaboration transdisciplinaire et des stratégies flexibles pour traduire efficacement la recherche en pratique.

La science de la complexité a été appliquée aux organismes vivants, et notamment aux systèmes biologiques. Dans le domaine émergent de la physiologie fractale , les signaux corporels, tels que le rythme cardiaque ou l'activité cérébrale, sont caractérisés à l'aide d'indices d'entropie ou fractals. L'objectif est souvent d'évaluer l'état et la santé du système sous-jacent, et de diagnostiquer d'éventuels troubles et maladies.la théorie du chaos , elle-même issue des travaux du mathématicien français Henri Poincaré , il y a plus d'un siècle . Le chaos est parfois perçu comme une information extrêmement complexe, plutôt que comme une absence d'ordre. Les systèmes chaotiques restent déterministes, bien que leur comportement à long terme soit difficile à prédire avec précision. En connaissant parfaitement les conditions initiales et les équations décrivant le comportement du système chaotique, il serait théoriquement possible de faire des prédictions parfaitement exactes, mais en pratique, cela est impossible avec une précision absolue.

L'émergence de la théorie des systèmes complexes révèle un domaine complexe entre l'ordre déterministe et le hasard. Ce domaine est désigné comme la « frontière du chaos ».

Lorsqu'on analyse des systèmes complexes, la sensibilité aux conditions initiales, par exemple, n'est pas un facteur aussi important que dans le cadre de la théorie du chaos, où elle est prépondérante. Comme l'indique Colander , l'étude de la complexité est l'inverse de celle du chaos. La complexité concerne la manière dont un grand nombre d'ensembles de relations extrêmement complexes et dynamiques peuvent générer des schémas comportementaux simples, tandis que le comportement chaotique, au sens du chaos déterministe, résulte d'un nombre relativement restreint d'interactions non linéaires . Pour des exemples récents en économie et en gestion, voir Stoop et al. qui ont analysé la position d' Android sur le marché, Orlando qui a expliqué la dynamique des entreprises en termes de synchronisation mutuelle et de régularisation chaotique des pics d'activité dans un groupe de cellules à pics chaotiques, et Orlando et al. qui ont modélisé des données financières (indice de stress financier, swaps et actions, marchés émergents et développés, entreprises et gouvernements, échéances courtes et longues) à l'aide d'un modèle déterministe de faible dimension.

La principale différence entre les systèmes chaotiques et les systèmes complexes réside donc dans leur histoire. Contrairement aux systèmes complexes, les systèmes chaotiques ne dépendent pas de leur histoire. Un comportement chaotique fait basculer un système en équilibre vers un ordre chaotique, c'est-à-dire hors de ce que l'on définit traditionnellement comme « ordre ». Murray Gell-Mann a qualifié d'« accumulation d'accidents figés ». En un sens, les systèmes chaotiques peuvent être considérés comme un sous-ensemble des systèmes complexes, caractérisé précisément par cette absence de dépendance historique. De nombreux systèmes complexes réels sont, en pratique et sur de longues périodes, bien que finies, robustes. Cependant, ils possèdent le potentiel de subir des changements qualitatifs radicaux tout en conservant leur intégrité systémique. La métamorphose est peut-être plus qu'une simple métaphore pour décrire de telles transformations.