Hätte mich vor 3–4 Jahren jemand danach gefragt, wäre ich nie auf die Idee gekommen, dass Modellierung mal ein (wichtiger) Bestandteil meiner Forschung werden würde. Modelle, in denen menschliches Verhalten (im weitesten Sinne) eine Rolle spielt, stimmten mich immer skeptisch. Einer der frühesten Forschungsbereiche, mit denen ich mich auseinandersetzte, war die Klimaökonomik – und ich bin weiterhin der Meinung, dass ökonomische Klimamodelle (Integrated Assessment Models) grober Unfug sind. Da ich nun selbst angefangen habe, Modelle zu verwenden bzw. selbst zu modellieren, sehe ich mich manchmal gezwungen, dies vor mir selbst und vor Anderen rechtfertigen. Wann ist es denn sinnvoll, sozial–ökologische Systeme zu modellieren, und was ist dabei zu beachten?

Einige Vorbemerkungen vorweg: auch wenn ich mit Modellierung angefangen habe, bin ich mitnichten ein „Modellierer“ – dafür bin ich noch viel zu „grün“ in dieser Materie. Außerdem sind und bleiben Modelle für mich ein Mittel zum Zweck im Rahmen meiner Forschung – nicht ihr Kern. Der Kern bleibt das Verständnis des Verhaltens von sozial–ökologischen Systemen, insbesondere hinsichtlich der Wirkung von Politikinstrumenten auf diese miteinander gekoppelten menschlichen und „natürlichen“ Systeme. Verschiedene Methoden kommen dabei grundsätzlich in Frage – Modellierung, in meinem Fall speziell agentenbasierte Modellierung, ist eine von ihnen, aber auch statistische/ökonometrische Analysen oder qualitative Sozialforschung können in diesem Kontext eine wichtige Rolle spielen. Aufgrund des eigenen Hintergrunds und Fokus beziehe ich mich im Folgenden primär auf sozial–ökologische Modelle, die in der einen oder anderen Form menschliches Verhalten abbilden (dass auch andere Modellierungsansätze denkbar sind, und für welche Zwecke was sinnvoll sein kann, zeigt die Grafik, die ich Schlüter et al (2019) entnommen habe; in deren Nomenklatur sind bioeconomic models (BEM) die Gruppe, die für mich vordergründig relevant ist).

Wozu können solche Modelle nun gut sein? Der wesentliche Unterschied zwischen einem Modell und einer empirischen Studie besteht darin, dass ein Modell es erlaubt, sich counterfactuals anzuschauen, also „Weltzustände“, die nur hypothetisch sind. Natürlich gibt es auch andere Ansätze, die diesem Zweck dienen – beispielsweise Szenarienentwicklung oder Science Fiction Prototyping, eine qualitative Methode, die ich kürzlich von Chad Baum gelernt habe. Im Grunde geht es hier um etwas Ähnliches wie das, was ich an Science-Fiction-Literatur so schätze und warum ich finde, dass SF eine gute Ergänzung zu konventioneller sozialwissenschaftlicher Arbeit ist. In meinem Fall besteht das Interesse primär in einer Einsicht in die möglichen direkten und indirekten Wirkungen verschiedener Instrumente der Umweltpolitik; dabei kann Modellierung sehr hilfreich sein. Je nach konkreter Fragestellung kommen verschieden komplexe Modelle in Frage. Thomas Böcker und Kollegen vom Lehrstuhl für Agrarökonomik und Agrarpolitik der ETH Zürich haben sich beispielsweise mithilfe eines eher „klassischen“ bioökonomischen Modells die möglichen Auswirkungen eines Glyphosatverbots auf Betriebsgewinne sowie andere Zielgrößen angeschaut (Beitrag auf dem Agrarpolitik-Blog hier). Da die zugrundeliegende Forschungsfrage war, ob ein Verzicht auf Glyphosat betriebswirtschaftlich möglich wäre (da in der öffentlichen Debatte oft das Gegenteil behauptet wird), war ein Modell mit einem gewinnmaximierenden repräsentativen Agenten ausreichend. Die Komplexität des Modells von Böcker et al bestand vor allem in der Vielzahl der detailreich analysierten Unkrautbekämpfungsstrategien. In anderen Fällen sind hingegen Modelle notwendig, die unterschiedliche (heterogene) Agenten zulassen, d. h. agentenbasierte Modelle (ABMs). So ein Modell (konkret: das ursprünglich an der HU Berlin und am IAMO in Halle entwickelte AgriPoliS) nutzte eine Gruppe um meinen Kollegen Mark Brady vor ein paar Jahren, um die Konsequenzen verschiedener Reformoptionen der Gemeinsamen Agrarpolitik der EU (einschließlich einer Abschaffung von Direktzahlungen) zu untersuchen (Bericht mit den Ergebnissen hier). Eine weitere Frage, für die die Verwendung von Modellen, darunter ABMs, nützlich ist, beschäftigt mich und einige Kolleg*innen seit einer Weile: mithilfe verschiedener ökologischer Modelle, die man mittels Optimierungsalgorithmen miteinander verknüpft, kann man das Potenzial von Landschaften zur Multifunktionalität (Erbringung verschiedener Ökosystemdienstleistungen) ermitteln. ABMs können dann verwendet werden, um die Realisierbarkeit solch „optimaler“ Landschaften zu untersuchen bzw. die Stellschrauben zu identifizieren, die es erlauben, Multifunktionalität zu erreichen (ein ähnlich motivierter Ansatz wurde vor einer Weile von Kolleg*innen von der ETH Zürich entwickelt, s. hier). All diese Fragen betreffen counterfactuals und entziehen sich daher rein empirischer Analyse (dass empirische Erkenntnisse dabei dennoch eine Rolle spielen, darauf komme ich im Folgebeitrag zu sprechen). Modelle können hier hilfreich sein, mögliche Zukünfte zu skizzieren und die Auswirkungen von künftigen Umweltveränderungen, Politikreformen etc. zu analysieren.

Ginge es nicht auch einfacher, ohne Modelle? In vielen Fällen vermutlich ja, doch es gibt einen gewichtigen Grund, warum das Verhalten sozial–ökologischer Systeme mithilfe von Simulationsmodellen (solchen wie bioökonomische Modelle oder ABMs) studiert werden sollte. Solche Systeme sind inhärent komplex und dynamisch, sodass man sehr schwer vorab abschätzen kann, was eine Änderung an einer „Stelle“ des Systems für Auswirkungen an einer anderen „Stelle“ haben wird. Dies trifft insbesondere auf komplexe Systeme im engeren Sinne, wie die meisten sozial–ökologischen Systeme es sind. In ihnen spielen „emergente Phänomene“ eine sehr wichtige Rolle: dabei führen scheinbar unspektakuläre, „lokale“, an einer bestimmten „Stelle“ im System stattfindende Änderungen zu unvorhergesehenen Mustern auf „globaler“ Ebene des gesamten Systems. So führen zum Beispiel viele kleine Entscheidungen von Landwirt*innen auf ihren Einzelflächen zu Landnutzungsmustern auf Landschaftsebene, die nicht auf offensichtliche Art und Weise aus den Einzelentscheidungen folgen. Ein Lehrbuchbeispiel für das Phänomen der Emergenz ist der vielfach popularisierte „Schmetterlingseffekt“, der nichts anderes besagt, als dass eine scheinbar „unbedeutende“ Änderung in einem komplexen System das gesamte System in einen ganz neuen Zustand „kippen“ lassen kann – und zwar durch die zahlreichen Verflechtungen und Interaktionen zwischen Einzelelementen des Systems. Bei komplexen Systemen gilt somit nicht die häufig geäußerte Kritik, Modellierung sei sinnlos, denn das Ergebnis werde auf transparente Art und Weise dadurch determiniert, wie die Modelliererin das System beschreibt (anhand von Regeln, Funktionen etc.). Im Fall komplexer Systeme ist dies nicht zutreffend – denn das (Makro-)Verhalten des Systems folgt nicht auf offensichtliche Art und Weise aus den Regeln, die das (Mikro-)Verhalten seiner Elemente beschreiben. Sozial–ökologische Systeme sind in der Regel komplexe Systeme.

Die Komplexität und Dynamik sozial–ökologischer Systeme deutet auf einen dritten Grund hin, warum Modellierung bei ihrer Analyse besonders nützlich und spannend sein kann. Dieser Grund sind die nicht-intendierten Effekte von intendierten (beabsichtigten) „Eingriffen“, wie beispielsweise Politikinstrumenten, Änderungen institutioneller Arrangements oder Politikreformen. Insbesondere hier ist Modellkopplung notwendig – die Verbindung von Verhaltensmodellen mit ökologischen Modellen, die verschiedene Dimensionen von Änderungen z. B. der Agrarumweltpolitik gemeinsam beleuchten. Dabei sind Rückkopplungen zwischen den verschiedenen miteinander gekoppelten Modellen essenziell. So könnte z. B. untersucht werden, welche indirekten Effekte ein Glyphosatverbot auf Gewässerqualiät hätte – nicht direkt durch die Eliminierung von Glyphosateinträgen, sondern indirekt durch die Steigerung der Intensität mechanischer Unkrautbekämpfung und der damit einhergehenden Belastung von Böden. Ein anderes Beispiel wäre die Berücksichtigung des indirekten Einflusses einer Umstellung auf 100% Öko-Landwirtschaft auf Lebensmittel-Nachfrage – und die damit einhergehende Veränderung der Umweltauswirkungen ebendieser Umstellung gegenüber einer Analyse, die von Nachfrageänderungen abstrahiert. So wichtig das Verständnis der möglichen intendierten Folgen von Politikreformen ist – die nicht-intendierten Folgen sind das, was ihre Modellierung besonders faszinierend (und schwierig) macht.

Modellierung sozial–ökologischer Systeme kann sinnvoll und erkenntnisreich sein. Auch wenn dies nicht der einzige Anwendungsbereich ist, ist ihr Potenzial bei der Untersuchung von counterfactuals besonders groß – vor allem, wenn sie im Kontext komplexer, dynamischer Systeme mit einem Augenmerk auf nicht-intendierte Effekte von Politikreformen durchgeführt werden. Doch natürlich wird Modellen nicht ohne Grund oft mit Skepsis begegnet. Nachdem wir uns mit ihrem Potenzial befasst haben, möchte ich im nächsten Beitrag auch ein paar Grenzen hinweisen.