Komplexität und Unsicherheit bei model-basierter Unterstützung zur Entscheidungsfindung

1. Eigenschaften komplexer Systeme nach Letcher und Jakeman (2004)

Komplexe Systeme sind durch ein Arrangement von einander trennbaren Komponenten gekennzeichnet. Die unterschiedlichen Komponenten können physikalischer, biologischer oder chemischer, aber auch sozialer oder ökonomischer Natur entsprechen. Zwischen den Komponenten finden Interaktionen statt, welche als komplexes Wirkungsgefüge einen Teil der Umwelt der Erde darstellen. Alle komplexen Systeme weisen gewisse Gemeinsamkeiten auf. In den nächsten Unterpunkten gehen wir auf folgende Eigenschaften komplexer Systeme genauer ein: Multiple nichtlineare Interaktionen, Heterogenität, inkompatible räumliche und zeitliche Skalen, sowie unzugängliche oder unbeobachtbare Prozesse.

1.1 Komplexe nichtlineare Interaktionen

In Umweltsystemen bestimmen eine Vielzahl unterschiedlicher Interaktionen von Prozessen deren Struktur und Zustand. Die große Anzahl an physikalischen, biologischen, chemischen, sozialen und ökonomischen Interaktionen ist komplex und häufig unzureichend verstanden.

Konsequenzen für das Modellieren: Für das Modellieren komplexer Systeme ergibt sich daraus die Schwierigkeit alle Ursache-Wirkungszusammenhänge der untersuchten Umweltphänomene zu erfassen. Es ist daher notwendig unter vereinfachten Annahmen zu modellieren und in Kauf zu nehmen, das wichtige Systemkomponenten ignoriert werden. Komplexe Beziehungen zwischen Komponenten werden ebenso vereinfacht. Die Folge davon ist limitierte Ergebnissgenauigkeit.

Beispiel einer komplexen nichtlinearen Beziehungen in der Natur (Millenium Ecosystem Assessment; 2003):

1. Herringfischerei in der Nordsee: In den 1970er Jahren kollabierte die Herringfischerei in der Nordsee nach Überfischung. Jedoch konnte sich der Bestand bereits nach vier Jahren Stilllegung des Fischereibetriebs erholen.

2. Kabeljaufischerei in Neufundland: Anfang der 1990er Jahre wurde die Kabeljaufischerei in Neufundland nach Überfischung eingestellt. Doch anders als in der Nordsee konnte sich der Bestand auch nach 13 Jahren nicht regenerieren.

1.2 Heterogenität von Systemmerkmalen und Skalen

Die Komponenten von komplexen Systemen weisen starke Variationen in ihren Merkmalen auf und Prozesse zwischen Kompontenen sind durch unterschiedliche räumliche und zeitliche Skalen charakterisiert. Diese heterogenen Eigenschaften können nicht vollständig mit empirischen Daten erfasst werden. Erfasste Daten zeigen immer nur einen Ausschnitt aus der Realität und weisen gewisse Fehler und Unsicherheiten auf. Des Weiteren ist die Frequenz der Datenerfassung häufig unzureichend um mögliche Dynamiken von Umweltsystem einzufangen.

Konsequenzen für das Modellieren: Angemessene Skalen mit den entsprechenden Kennziffern zu finden stellt eine Schwierigkeit dar. Viele Parameter können nur geschätzt werden und häufig beziehen sich erfasste Daten auf eine größere (als die eigentlich untersuchte) Fläche. Um die Ergebnissgenauigkeit zu gewährleisten ist es meist notwendig eine Kalibrierung des Modells vorzunehmen.

Beispiel von Prozessen auf unterschiedlichen Skalen:

Prozesse mit unterschiedlichen zeitlichen und räumlichen Skalen (Quelle: io-warnemuende.de)

1.3 Inkompatible Skalen

Die bereits im letzten Unterpunkt erwähnten unterschiedlichen zeitlichen und räumlichen Skalen verursachen Schwierigkeiten beim Modellieren. Beispielsweise können die Auswirkungen von einem Niederschlagsereigniss auf ein Oberflächengewässer Stunden oder Tage andauern, während die Auswirkungen auf das Grundwassersystem Monate bis Jahre andauern können und beide Systeme miteinander verknüpft sind.

Konsequenzen für das Modellieren: Beim Modellieren ist es wichtig einen geeigneten zeitlichen und räumlichen Horizont zu wählen. Wenn Submodelle mit unterschiedlichen zeitlichen Skalen verknüpft werden, muss mit Kompromissen gerechnet werden. Bei der Abwägung sollte berücksichtigt werden, welche Prozesse von größerer Wichtigkeit sind.

1.4 Unzugängliche oder unbeobachtbare Systemprozesse

Skalen können auch Probleme bei der Analyse von Systemkomponenten verursachen, wenn diese sehr klein (bspw. molekulare Prozesse) oder sehr groß (bspw. ozeanische Prozesse) ausfallen. Schwierigkeiten können sich auch aus der Unzugänglichkeit zu bestimmten Systemprozessen ergeben (bspw. Erfassung von Grundwasserprozessen). Wissen über verschiedene Systemkomponenten ist häufig unzureichend.

Konsequenzen für das Modellieren: Die genannten Einschränkungen führen zu limitierten menschlichen Verständnismöglichkeiten. Die Genauigkeit von Modellergebnissen ist durch simplifizierte empirische Modellrepräsentationen eingeschränkt.

2. Komplexität

Kompliziert ist ein System, wenn es aus einer großen Anzahl von Komponenten besteht. Komplexität ist dann gegeben wenn eine hohe Vernetzungsdichte der beteiligten Komponenten vorliegt und das Verhalten des Systems nicht mehr verstanden werden kann, indem man seine einzelnen Komponenten analysiert. Komplexe Systeme sind lernfähig und generieren neues kollektives Verhalten durch Selbstorganisation. Das Verhalten von komplexen Systemen ist in extremen Maße von seinen anfänglichem Zustand bzw. ersten spontanten, nicht vorhersagbaren und nicht völlig determinierten Verhaltensausprägungen gekennzeichnet. Die Unfähigkeit Komplexität zu verstehen führt häufig zu Widerständen bei der Implementierung von Politiken und kann zur Verschlechterung von Problemen führen. Das Ignorieren von Verzögerungen in Ursache-Wirkungs-Zusammenhängen führt zu Politiken mit geringem Einfluss oder nur zu kurzzeitigen Verbesserungen. Die Folgende Tabelle fast einige Eigenschaften komplexer Systeme zusammen.

Dynamiken Komplexe Systeme verändern ihren Zustand und ihre Struktur im zeitlichen Verlauf auf unterschiedlichen temporalen Skalen.
Enge Verknüpfungen "Alles ist mit allem anderen verknüpft." Intra und inter Verknüpfungen zwischen Akteuren und Natursystemen.
Rückmeldungen (Feedback) Entscheidungen verändern Zustand und Struktur des Systems, welche die nächsten Entscheidungen beeinflussen.
Nichtlinearität Wirkungen sind nicht proportional zu ihren Ursachen.
Verlaufsabhängigkeit Anfängliche Entscheidungen führen zu Pfadabhängigkeiten, welche Alternativen ausschließen können und irreversible Veränderungen ermöglichen.
Selbstorganisation Selbstorganisation tritt dann auf, wenn sich Verhalten spontan aus der internen Struktur des Systems ergibt. Kleine und zufällige Störungen werden häufig verstärkt. Muster ergeben sich je nachdem wie die Rückkopplungsstruktur des Systems aufgebaut ist.
Lernfähigkeit Lernfähigkeit ergibt sich aus den Änderungsmöglichkeiten von Verhaltensregeln und führt zu evolutionären Lernprozessen.

(Quelle: Sterman; 2000)

Komplexe Systeme rücken mehr und mehr in den Fokus innovativer Forschung. Sie liefern ein theoretisches Fundament für eine Post-Normale-Wissenschaftsauffassung ("Post-Normal-Approach"; Funtowicz und Ravetz; 1994) Verschiedene mathematische Modelle und Modellierungsmethoden bzw. -werkzeuge versuchen den Umgang mit Komplexität zu erleichtern, hierzu gehören:

3. Widerstände bei der Implementierung von Politiken ("Policy resistance")

Widerständen bei der Implementierung von neuen Politiken liegt meist ein beschränktes, Event-orientiertes, reduktionistisches Weltverständnis zu Grunde. Menschen werden dazu trainiert die wahrgenommene Welt als eine Abfolge von linear nacheinander stattfindende Ereignissen zu beurteilen. Nebeneffekte werden von dem Einflusshorizont als externe Einflüsse aus dem Systemgeschehen ausgeblendet und landen in der "Wetterkategorie".

4. Unsicherheit

Unsicherheit kann als Abweichung von jenem unerreichbarem Ideal nicht völlig determinierten Wissens über ein relevantes System definiert werden. Das heißt, Unsicherheit ist der Anteil eines unbekannten zukünftiges Zustands (MEA, 2003). Unsicherheit charakterisiert meist Bewertungs-, Politik- und Managementprozesse mit unabsehbaren Konsequenzen. Die Unmöglichkeit etwas sicher zu wissen, können mehrere Quellen zu Grunde liegen. Verschiedene Typen von Unsicherheit können einerseits durch quantitative Metriken (von verschiedenen Modellen berechnete Wertebereiche), andererseits durch qualitative Aussagen (Berücksichtigung der Beurteilung einer Expertengruppe) gemessen und angegeben werden.

4.1 Unsicherheit, Risiko und Unwissenheit

Bei Unsicherheitsüberlegungen sind zum einen Risikoaspekte und zum anderen Unwissenheitsreflektionen wichtig. Mit der unten abgebildeten Tabelle werden mögliche Aktionen bei deren Betrachtung berücksichtigt.

Konzept Wissensstand Aktionsvorschlag
Unsicherheit
  • Bekannte Auswirkungen
  • Unbekannte Möglichkeiten
Vorsicht: Maßnahmen um mögliche Katastrophen zu reduzieren.
Risiko
  • Bekannte Auswirkungen
  • Bekannte Möglichkeiten
Prävention: Maßnahmen um bekannte Risiken zu reduzieren.
Unwissenheit
  • Unbekannte Auswirkungen
  • Unbekannte Möglichkeiten
Vorsorge: Maßnahmen um mögliche Überraschungen zu identifizieren.

4.2 Typen von Unsicherheit

Die folgende Tabelle gibt eine Übersicht über drei generelle Unsicherheitsquellen.

Ungenauigkeit Charakterisiert ein technisches Level von Unsicherheit. Hierzu gehören zufällige oder systematische Fehler in empirischen Datenerhebungen.
Unzuverlässigkeit Charakterisiert ein methodisches Level von Unsicherheit. Hierzu zählt beispielsweise die strukturelle und funktionale Unvollständigkeit eines entwickelten Systemmodells, auf Grund von lückenhaftem Verstehen und/oder getroffenen Näherungen.
Unwissenheit Charakterisiert ein erkentnistheoretisches Level von Unsicherheit. Hierzu zählt beispielsweise die Auslassung von Parametern und Prozessen auf Grund von mangelndem Wissen ("Unwissenheit der Unwissenheit").

Eine andere Unterscheidung nach Walker et al. (2003) ergibt sich beim Modellieren zwischen kontextueller und strukturelle Unsicherheit. Kontextuelle Unsicherheit tritt bei dem setzen der Modellgrenzen (exogen/endogenes Verhalten) auf. Strukturelle Unsicherheit ergibt sich aus unterschiedlichen Interpretionen beim Bewerten von Beziehungen zwischen Komponenten.

4.3 Aspekte von Unsicherheit bei unvorhergesehenen Ereignissen mit Umweltbezug nach De Marchi (1994)

In der nächsten Tabelle werden verschiedene Aspekte von Unsicherheit, welche bei ökologischen Fragestellungen auftreten, unterschieden.

Institutioneller Aspekt Bezieht sich auf die Rolle und Aktionen von Institutionen und deren Mitglieder. Institutonelle Unsicherheit gründet auf kulturellen, traditionellen, Werte-bezogenen, strukturellen und/oder Arbeitsstil-bezogenen Unterschieden. Sie kann interinstitutionelle Kollaborationen verhindern.
Rechtlicher Aspekt Bezieht sich auf Verpflichtungen, wenn Akteure unterschiedliche Möglichkeiten von Aktionen abwägen. Rechtliche Unsicherheit kann zu defensivem Verhalten von Akteuren bei Entscheidungsfindungen und Informationsveröffentlichung führen.
Moralischer Aspekt Bezieht sich auf moralische und ethischen Vorstellunge von Akteuren. Moralische Unsicherheit ist hoch, wenn Akteuren mögliche kritische Konsequenzen bewusst sind.
Proprietärer Aspekt Bezieht sich auf geschützte Ressourcen von Wissen durch Eigentumsansprüche. Proprietäre Unsicherheit tritt auf, wenn asymmetrische Verteilung über Wissensressourcen zwischen verschiedenen Akteuren vorliegt. Sie ist dann groß, wenn das relevante Wissen eine Schlüsselfunktion besitzt.
Wissenschaftlicher Aspekt Bezieht sich auf die wissenschaftliche Bearbeitung und technischen Dimensionen von Unsicherheit. Wesentlich ist dieser Aspekt bei der Risikobewertung und Szenariobildung.
Situationsbedingter Aspekt Bezieht sich auf das individuelle Verhalten von Akteuren in Krisensituationen. Dieser Aspekt tritt bei der Verantwortlichkeit von Individuen bei der Planung für mögliche oder beim Umgang mit akuten Notsituationen auf.
Gesellschaftlicher Aspekt Bezieht sich auf unterschiedliche Normen, Werte, Bewertungen und Entscheidungsfindung von Gruppen. Gesellschaftliche Unsicherheit ist dann groß, wenn unterschiedliche Konzepte beim Stil und bei der Art von Entscheidungsfindungen zu Konflikten führen.

5. Post-Normale Wissenschaft (Engl. "Post-Normal Science") nach Funtowicz und Ravetz (1990)

In "normalen" Wissenschaften tendieren Aspekte wie Unsicherheit, Werte und Normen-Abhängigkeit oder die Legitimität für Pluralität ausgeblendet zu werden. Demgegenüber sind in der post-normalen Betrachtung diese Aspekte integrale Bestandteile der Wissenschaft. Der Post-Normale Ansatz liefert in Fällen in denen Fakten unsicher, Werte fraglich, Wetteinsätze hoch und Entscheidungen dringlich sind ein Problem-Lösungs-Rahmenwerk. Das Management von den zu Grunde liegenden komplexen Wissenschafts-relevanten Themen basiert dann auf einer PNW bzw. PNS-Strategie. Das PNS-Rahmenwerk befast sich mit erweiterer Partizipation bei der Entscheidungsfindung, offenen Dialog aller Betroffenen, sowie der Qualitätssicherung bei Politiken. Praktiziert wird PNS in erweiterten "peer-communities".

Übersicht Post-normale Wissenschaft (Quelle: Eigene Erstellung nach Funtowicz und Ravetz; 2008)

Prinzipien Post-normaler Wissenschaft (beruhrend auf Funtowicz und Ravetz)

  1. Management von Unsicherheit und Qualität
  2. Die Vielzahl von Perspektiven
  3. Soziale Stukturen und problemlösungs Aktivitäten

6. Handhabung von Unsicherheit

6.1 Das NUSAP Notationssystem

Das NUSAP Notationssystem ermöglicht die Bewertung von Unsicherheit standardisiert und transparent darzustellen. NUSAP steht für "Numeral Unit Spread Assessment Pedigree". In einer Pedigreematrix kann die Unsicherheit von verwendeten Informationen schließlich veranschaulicht werden. Weitere Inormationen auf nusap.net.

Numeral Nummer oder Ausdruck ("Eine Millionen")
Unit Einheit ("Euros", "Preise im Jahre 2010")
Spread Zufälliger/statistischer Fehler (erfasst mit Sensitivitäsanalyse oder Monte Carlo Methode, etc)
Assessment Qualitative Bewertung
Pedigree Bewertung der Validität von Information.

Kite Diagramm: Quantifizierte Dartstellung von Unsicherheitskriterien verwendeter Information (Quelle: nusap.net)

6.2 Szenarien

Szenarien können verschiedene mögliche zukünftige Entwicklungen aufzeigen. Sie liefern Möglichkeitsräume bei der vorwärts gerichtete Einschätzung von Unsicherheit. Unterschiedliche mögliche langfristige zukünftige Entwicklungen können strukturiert dargestellt werden und helfen somit beim strategischen Planen und bei der Entscheidungsfindung.