Stefan Thurner - Die Zerbrechlichkeit der Welt

Zu den wichtigsten Makroeigenschaften von komplexen Systemen zählen Eigenschaften wie: Stabilität, Robustheit, Effizienz, Resilienz und Anpassungsfähigkeit. Ein System ist stabil und robust, wenn es einen Schock aushält und übersteht, ohne in seiner Funktion stark beeinträchtigt zu werden. So weit so logisch. Das hat noch wenig mit Komplexität zu tun. Schwieriger wird es beim Begriff der Effizienz. Ein System ist effizient, wenn es gut funktioniert in dem Sinn, dass der Output in Relation zum Input hoch ist. In komplexen Systemen hängt Effizienz oft stark mit den Details der zugrundeliegenden Netzwerke zusammen.

Zum Beispiel hängt der Output einer Firma stark damit zusammen, wie sie organisiert ist. Wie hierarchisch ist sie, wie sehen die Interaktionsnetzwerke zwischen den Mitarbeiterinnen und Mitarbeitern aus? Wie sind die Produktionsabläufe und die Verwaltungsstrukturen in Netzwerken organisiert, wie beeinflussen diese die Motivation und Produktivität der einzelnen MitarbeiterInnen? Wie stabil sind die Zuliefernetzwerke und wie verlässlich sind die internationalen Handelsnetzwerke?

Die meisten komplexen Systeme sind anpassungsfähig und brechen nicht gleich beim geringsten Schock zusammen. Die Anpassungsfähigkeit kommt daher, dass sich die Netzwerke in den Systemen aufgrund von äußeren Störungen verändern können. Anpassungsfähigkeit führt dann zu dem, was Resilienz genannt wird. Ein System ist resilient, wenn es durch einen Schock zwar getroffen wird und zunächst nicht mehr so gut funktioniert wie zuvor, dass es aber die Fähigkeit besitzt, sich quasi selbst zu reparieren, und nach einiger Zeit wieder zu einer Funktionsfähigkeit wie vor dem Schock kommt.

Resilienz konnte zum Beispiel während des Lock-Downs in der Corona-Krise beobachtet werden. Durch einen Lock-Down wird etwa das Produktionsnetzwerk stark in Mitleidenschaft gezogen, weil viele nicht mehr arbeiten gehen können und dadurch Lieferketten unterbrochen werden. Die Produktion und die Wirtschaftsleistung sinken. Nach dem Lock-Down funktionieren die Links in den verschiedenen Produktionsnetzwerken aber wieder. Vielleicht hat man in der Zwischenzeit sogar überlegt, verschiedene Dinge besser oder anders zu machen. Letzteres verändert dann das Produktionsnetzwerk und damit die Gesamtfunktionsweise des Systems. Wenn viele dieser kleinen Änderungen im Netzwerk gleichzeitig passieren, kann es zu massiven sprunghaften Änderungen kommen, zu Systemumbrüchen oder Phasenübergängen. Tipping Points wurden dann erreicht.

Das bringt uns wieder zurück zu den Tipping Points. Erstmals verwendet wurde der Begriff Mitte der 1950er-Jahre bei Untersuchungen zur Rassentrennung, heute wird er häufig im Zusammenhang mit Klimamodellen und dem Kippen von Ökosystemen verwendet. Als ein Kipp-Punkt im Zusammenhang mit der Klimakrise gilt zum Beispiel das Auftauen von Permafrost-Böden. Eines der zentralen Probleme bei der Erforschung komplexer Systeme ist das Auffinden solcher Kipp-Punkte, beziehungsweise – noch grundlegender – jener Parameter, die zu abrupten Veränderungen des Gesamtsystems führen. Bei vielen sozialen und ökonomischen Systemen ist derzeit noch völlig unklar, welche Faktoren das sind. In der Physik, also bei »einfachen« Systemen, sind die Tipping Points, oder »Phasenübergangsparameter« hingegen oft gut bekannt, etwa der Gefrier- oder Siedepunkt.

Eine weitere Eigenschaft von komplexen Systemen ist, dass sie manchmal extrem sensibel auf kleine Veränderungen reagieren. Sie können also auch das Gegenteil von robust und stabil sein. Das heißt, dass eine kleine Änderung einer Input-Größe einen riesigen Effekt auf den Output hat, dass er sich vielleicht sogar sprunghaft ändert.

Aus der Chaostheorie ist der sogenannte »Schmetterlingseffekt« bekannt. Dieser besagt, dass eine minimale Änderung eines Parameters, wie zum Beispiel das Flattern eines Schmetterlings in Brasilien, zu riesigen Auswirkungen führen kann, wie etwa zu einem Tornado in Texas. Der Grund für diese großen Auswirkungen kann entweder an der nicht-linearen Natur der komplexen Systeme liegen oder stammt von einem Schneeballeffekt, einer Kettenreaktion.

Der Ausfall einer Komponente in einem komplexen System kann den Ausfall mehrerer anderer Komponenten verursachen. Die Ansteckung einer Person mit einem Virus bedeutet, dass diese Person mehrere weitere Personen anstecken kann. Das steckt hinter der Reproduktionszahl »R«, die in der Corona-Krise bekannt geworden ist. Andere komplexe Systeme wiederum können anpassungsfähig und resilient gegenüber Störungen sein, sodass selbst größere Veränderungen einzelner Parameter kaum merkliche Reaktionen im Netzwerk hervorrufen. Störungen werden quasi vom Netzwerk absorbiert, indem es sich an Veränderungen anpasst, es ist adaptiv.

Die wenigsten komplexen Systeme sind von einem Erfinder oder einem Ingenieur entworfen worden, oder wurden von einem intelligenten Designer geschaffen. Sie schaffen sich und funktionieren scheinbar von selbst, ohne äußeres Zutun. Sozialwissenschaftler nennen dieses Phänomen spontane Ordnung. Sie tritt zum Beispiel bei sogenanntem Herdenverhalten auf, bei dem eine Gruppe von Personen ihre Aktionen ohne zentrale Planung koordiniert. Wenn etwa alle gleichzeitig dieselben Aktien kaufen oder alle zugleich in Panik geraten.

In den Naturwissenschaften spricht man von Selbstorganisation, etwa wenn sich Moleküle scheinbar von selbst zu einer Schneeflocke anordnen oder wenn Ameisen einen Staat errichten. Damit Selbstorganisation stattfinden kann, sind natürlich bestimmte Eigenschaften der Bauteile und der Interaktionsregeln notwendig. Kennt man diese, kann man die emergenten Eigenschaften des gesamten Systems vorhersagen. Die Wissenschaft komplexer Systeme versucht genau das zu tun: komplizierte Makrophänomene wie Effizienz, Stabilität und Resilienz aus relativ einfachen netzwerkbasierten Interaktionsregeln abzuleiten.

Jeder Mensch, nicht nur KomplexitätsforscherInnen, kennt die Momente, in denen sich komplexe Systeme ganz anders verhalten, als man es erwarten würde. Wer vor einigen Jahren versucht hat, einem Stau in einer Stadt zu entkommen, versteht die Schwierigkeit. Wenn ein Navi (das damals noch keine Alternativrouten angeben konnte) einen Stau auf einer Strecke vorhersagt, denke ich natürlich sofort darüber nach, auf eine andere Route auszuweichen. Ich weiß aber auch, dass alle anderen vermutlich dasselbe denken und eventuell ebenso versuchen werden, auszuweichen. Das kann dazu führen, dass der Großteil der Leute die alternative Route wählt und sich der ursprünglich vorhergesagte Stau auflöst, sodass letztlich die beste Lösung ist, direkt in den angekündigten Stau zu fahren. Das ist mit den heutigen Navis natürlich nicht mehr der Fall.

Manchmal ist man mit der einigermaßen verstörenden Situation konfrontiert, dass man versucht, ein komplexes System zu regulieren, und es benimmt sich wie verhext. Wenn es zum Beispiel darum geht, den Verkehr einer Stadt zu kontrollieren. Man beginnt mit dem Aufstellen einiger Ampeln und stellt fest, dass tatsächlich alles besser wird. Der Verkehr fließt besser. Also fährt man fort mit dem eingeschlagenen Weg der Optimierung. Man kommt dann oft zu dem Punkt, an dem, wenn man die Optimierung konsequent weiterführt, das System schlagartig schlechter wird. Eine Ampel zu viel und der Verkehr beginnt an vielen Stellen der Stadt gleichzeitig zu stocken.

Diese Ampel, die zu viel ist, markiert den Tipping Point. Ab da macht das komplexe System eventuell das genaue Gegenteil von dem, was man eigentlich will. Jeder einzelne Schritt in der verbesserten Optimierung macht Sinn, doch das Gesamtergebnis ist fatal.

Ein anderes Beispiel: Wenn man eine Tierart nach der anderen ausrottet, zum Beispiel durch Überfischung eines Sees, stört man die Nahrungskette der verbleibenden Arten. Angenommen, diese ändern ihren Menüplan und fressen etwas Anderes. Das kann für eine gewisse Zeit gut gehen, aber – wie das Amen im Gebet – kommt der Punkt, an dem das nicht mehr möglich ist, und das Ökosystem See kippt. Fast alle Arten verhungern. Es kann Jahrzehnte dauern, bis sich das Ökosystem wieder erholt.