Noch 1996 konnte Stephan Hartmann vom „Beginn der Simulations-Ära“ sprechen. Heute, vierzehn Jahre später, scheinen wir einigermaßen weit in diese Ära vorgedrungen. Computer-gestützte Simulationen sind zu allgegenwärtigen Test-, Analyse-, Kontroll-, Lern- und Unterhaltungsinstru­menten geworden. In den Wissenschaften werden sie mittlerweile in nahezu allen wissenschaftlichen Disziplinen verwendet. In vielen Fächern sind sie sowohl aus der Forschung, wie auch immer mehr aus der Lehre kaum wegzudenken. Ihr Einsatzgebiet reicht von den technischen Fächern über die Physik, die Biologie, die Medizin, die Ökonomie, die Sozialwissenschaften bis hin zu so (scheinbar) Technik-fernen Disziplinen wie der Kunstwissenschaft, der Geschichtsforschung oder der Philosophie. Die Beiträge in diesem Heft vermitteln einen Eindruck von der Bandbreite ihres Einsatzgebietes vor allem in sozialwissenschaftlichen und philosophischen Fächern.

Die Anwendungsbereiche und Vorteile der Computer-gestützten Simulation lassen sich heute kaum noch erschöpfend aufzählen. Neben ihrem nicht zu verachtenden Unterhaltungseffekt und ihrer ebenfalls kaum hoch genug einzuschätzenden didaktischen und pädagogischen Wirkung, punktet sie in den Wissenschaften vor allem da, wo es um die analytische Erfassung von Dynamiken geht, die in ihrem Zusammenwirken Komplexität generieren. Von einer Simulation komplexer Systeme zu sprechen, kommt in diesem Zusammenhang allerdings beinahe einem Pleonasmus gleich, gehört es doch zum Wesensmerkmal komplexer Systeme, vielen herkömmlichen wissenschaftlichen Methoden – allem voran der Intuition – unzugänglich zu bleiben (für ein Beispiel solcher kontra-intuitiver Effekte vgl. etwa Abb. 1 und 2). Dass sich soziale Kooperation etwa in der Aggregation vieler eigennütziger Akteure stabilisiert, scheint auf den ersten Blick nicht nahe zu liegen (vgl. dazu den Beitrag von Wolfgang Radax und Bernhard Rengs in diesem Heft). Und auch wenn sich das Zusammenwirken einiger weniger Dynamiken – etwa nach dem Vorbild von Räuber-Beute-Beziehungen – noch mittels mathematisch-analytischer und im Anschluss daran graphischer Methoden (siehe IWK-Themenheft „Tabellen – Kurven – Piktogramme. Techniken der Visualisierung in den Sozialwissenschaften“, Nr. 1-2/2009) untersuchen lässt, so stößt die Methode spätestens bei Aggregationen, wie sie für sozialwissenschaftliche, mehr noch für physikalische Settings typisch sind, schnell an ihre Grenzen. Vielen gewöhnlichen Differenzial-gleichungssystemen (ODEs) und fast allen partiellen Differenzialgleichungen (PDEs) bleibt ein analytischer Lösungsweg versagt. Solche Zusammenwirkungen erschließen sich nur mehr iterativ. Hier punktet die Computersimulation.

Freilich birgt die Simulation auch Risiken, die insbesondere in den Sozialwissenschaften bedacht werden wollen. Die Möglichkeit, mittlerweile auch sehr viele Parameter in Verbindung zu setzen und damit der Vorstellung zu erliegen, einer Abbildung der „Wirklichkeit“ nahezukommen, verleitet dazu, die Simulation, mehr als ihr gut tut, zur Prognose heran zu ziehen. Schon die ersten größeren „Erfolge“ dieser Methode in den 1970er Jahren erlagen dieser Gefahr. In der berühmten Studie The Limits to Growth (Meadows et al. 1972) etwa aus dem Jahr 1972 wurden erstmals Computer eingesetzt, um ökonomische und ökologische Entwicklungen im globalen Maßstab zu prognostizieren, nur um in Folge schnell festzustellen, welch komplexes Phänomen die Vorhersage selbst ist. Ähnlich ambitioniert wurde in Chile zu Zeiten Allendes versucht, die gesamte Wirtschaft des Landes einem Computersystem namens Cybersyn anzuvertrauen (Medina 2006). Und auch dieses Vorhaben scheiterte kläglich an seiner Komplexität. Zwar wird nach wie vor diskutiert, inwiefern die schwache empirische Basis, die politischen Gegebenheiten oder auch die mangelnde Leistungsfähigkeit damaliger Rechner am Scheitern dieser und ähnlicher Projekte schuld waren. Die grundsätzliche Problematik der Vorhersagbarkeit bleibt aber bestehen. Zum einen sitzen Prognosen, sofern sie nicht-lineare Dynamiken betreffen – wie spätestens seit dem Lorenz’schen Schmetterlingseffekt bekannt ist (Lorenz 1963) – der Schwierigkeit auf, kaum jemals hinreichend exakte Ausgangsdaten zur Verfügung zu haben. Selbst vernachlässigbar scheinende Datenunterschiede zeigen höchst unterschiedliche Wirkungen. Das „deterministische Chaos“ widersetzt sich jedem Versuch, es zu fassen.

Zum zweiten erliegt die Prognose in der Regel auch einer für komplexe Systeme typischen Selbstbezüglichkeit. Je erfolgreicher die Simulation nämlich eine Entwicklung vorhersagt – gedacht sei etwa an Börsenwerte oder Wechselkurse –, umso attraktiver wird es, sie zu verwenden und entsprechende Transaktionen daran zu orientieren. Genau dies unterspült den Erfolg der Prognose. Börsenwerte verhalten sich, wenn sie massenhaft vorhergesagt werden, garantiert anders als prognostiziert.

Für Prognosen wäre die Simulation also mit Bedacht zu verwenden. Dass sie in Maßen trotzdem durchaus erfolgreich sein kann, zeigt der tägliche Wetterbericht. Und natürlich liegt es nahe, Simulationen in begrenztem Rahmen auch zur Untersuchung etwa des Verhaltens von Systemen zu verwenden, in die in einer Weise eingegriffen wird, wie sie die Realität kaum erlaubt, beziehungsweise nicht ohne gravierende Beeinträchtigungen übersteht. Ökologische Zusammenhänge etwa vorab auf die Folgen massiver Eingriffe – dem Bau einer Autobahn, das Aussetzen Gen-manipulierter Pflanzen etc. – hin zu überprüfen, kann keinesfalls schaden. Genauso wie es Sinn macht, Stadtentwicklungen in Bezug auf Verkehrsaufkommen, Gen-trifikation, Größenwachstum etc. zu planen. Oder auch zu versuchen, den Möglichkeitsraum teurer Experimente – etwa in der Teilchenphysik, der Medizin, der Pharmazie – vorab mit Hilfe von Simulationen einzuschränken.

Ihren größten Nutzen dürfte die Simulation freilich als Werkzeug zur Hypothesenbildung entfalten. Zwar liefert sie, weil niemals alle Faktoren zu erfassen sind, keine strengen Beweise. Wenn aber Zusammenwirkungen genau kontrollierbarer Parameter ein Verhalten erzeugen, dem bisher andere Ursachen zugeschrieben wurden, so ist dies in der Regel doch in der Lage, wissenschaftliche Suchrichtungen erfolgreich zu orientieren. „If you did’nt grow it, you did’nt explain it” meinte Joshua Epstein (2007: xii) diesbezüglich zur Erklärungskraft von Simulationen. Zumindest wissen Simulanten gewöhnlich, welche Aspekte eines Zusammenhangs in ihrem Modell (noch) nicht berücksichtigt wurden. Und schon dies liefert nicht selten den entscheidenden Mehrwert.

Das vorliegende Heft versammelt die Beiträge einer seit dem Wintersemester 2009 am Wiener Institut für Wissenschaft und Kunst durchgeführten Vortragsreihe mit unterschiedlichen disziplinären und inhaltlichen Ansätzen. Die Palette reicht von der Analyse der Simulationsspezifika spieltheoretischer Interaktionen im Demographischen Gefangenendilemma (Wolfgang Radax und Bernhard Rengs) über den Entwurf eines Gentrifikationsmodells, das die selbst-organisierte Kritizität entsprechender Entwicklungen zu fassen sucht (Roman Seidl), einem Projekt zur Integration unterschiedlicher Modellierungsparadigmen (Ernst Gebetsroither), einen systemtheoretisch-orientierten Befund zum epistemologischen Status von Simulationen unter
weltgesellschaftlichen Bedingungen (Volker Hafner), einer marxistisch-inspirierten Deutung von Computersimulationen als „Widerspiegelungen“ einer externen „Realität“ (Peter Fleissner) bis hin zum Versuch, die Stimmigkeit von Widerspiegelungstheorien mithilfe eines simulierten Kommunikationsprozesses zu hinterfragen (Manfred Füllsack).

Literatur: 

Epstein, Joshua M. (2007): Generative Social Science: Studies in Agent-Based Computational Modeling (Princeton Studies of Complexity). Princeton University Press, Princeton, NJ.

Füllsack, Manfred (2011): Gleichzeitige Ungleichzeitigkeiten. Eine Einführung in die Komplexitätsforschung. Wiesbaden. VS-Verlag.

Hartmann, Stephan (1996): The World as a Process: Simulations in the Natural and Social Sciences; in: Hegselmann, Rainer et.al. (eds.), Simulation and Modelling in the Social Sciences from the Philosophy of Science Point of View. Theory and Decision Library. Kluwer: Dordrecht 1996, pp. 77-100.

Lorenz, Edward N. (1963): Deterministic Nonperiodic Flow; in: Journal of the Atmospheric Sciences. vol. 20, No. 2, pp. 130–141.

Meadows , Dennis L. / Meadows, Donella H. / Randers, Jørgen / Behrens, William W. III (1972): The Limits to Growth. Universe Books.

Medina, Eden (2006): Designing Freedom, Regulating a Nation: Socialist Cybernetics in Allende’s Chile; in: Journal for Latin American Studies 38, p. 571–606.