Die Industrieproduktion sinkt 2025 rapid

Diese Studie ist eine Berechnung, keine Vorhersage. Es kann besser werden und es kann schlechter werden. Es werden jedoch die vielen Daten verwendet, die weltweit verfügbar sind. Es gibt zwei Ergebnisverläufe. Die in der Graphik dargestellten gepunkteten Linien stellen den ursprüngliche Business-as-usual (BAU) Verlauf dar. Die durchgängigen Linien stellen den neu berechneten Verlauf dar.

• Wir sehen rot die Industrieproduktion, die 2024 einen Knick nach unten macht.
• Die Nahrungsmittelproduktion (grün) steht dem nicht nach und macht auch 2024 einen Knick nach unten. Beide erholen sich nicht, sondern verlaufen steil nach unten. 2100 ist sie auf dem Niveau von 1900.
• Die Nahrungsmittelproduktion (grün) steht dem nicht nach und macht auch 2024 einen Knick nach unten. Beide erholen sich nicht, sondern verlaufen steil nach unten. 2100 ist sie auf dem Niveau von 1900. Wobei die Bevölkerungszahl 2100 höher ist als 1900. Da beginnen ca. 2070 die Hungerjahre.
• Die Bevölkerungszahl (orange) hat 2027 einen Höhepunkt und geht dann nicht steil, aber stetig nach unten.
• Die anhaltende Verschmutzung (blau, z.B. Plastik) nimmt stetig zu, erreicht 2090 einen Höhepunkt und sinkt dann leicht.
• Die nicht erneuerbaren natürlichen Ressourcen (rosa) sinken seit 1970 stark und bilden 2025 eine stetige sinkende Kurve und gehen ca. 2075 in eine flache Kurve über.

Man kann neugierig sein, wie die Jahre 2024 und 2025 werden. Sie sind anscheinend die Höhepunkte oder Wendepunkte für die Industrieproduktion und die Nahrungsmittelproduktion.

Wir können, wie Ulrike Herrmann bemerkt, den Übergang zu einer Überlebenswirtschaft mit kluger Rationierung der Ressourcen schaffen oder wir überlassen es und es kommt zu einer 3 Grad Erwärmung, und wie es Hans Joachim Schellnhuber bemerkt, zu einem Kollaps der Zivilisation. Ich denke, es ist Zeit in allen Bereichen etwas zu unternehmen und keine Ausreden mehr machen.

Die Studienautoren schreiben:

Nach 50 Jahren gibt es immer noch eine anhaltende Debatte über die Studie „Limits to Growth“ (LtG). In diesem Artikel wird das World3-03-Modell von 2005 neu kalibriert. Die Eingabeparameter werden geändert, um besser zu empirischen Daten zur Weltentwicklung zu passen. Zur Berechnung und Optimierung verschiedener Parametersätze wird ein iteratives Verfahren eingesetzt. Dieser verbesserte Parametersatz führt zu einer World3-Simulation, die im kommenden Jahrzehnt den gleichen Überschwing- und Kollapsmodus zeigt wie das ursprüngliche Business-as-usual-Szenario des LtG-Standardlaufs. Der Haupteffekt der Neukalibrierungsaktualisierung besteht darin, dass die Spitzenwerte der meisten Variablen angehoben und um einige Jahre in die Zukunft verschoben werden. Die Parameter mit den größten relativen Veränderungen beziehen sich auf die Lebensdauer des Industriekapitals, die Verzögerung bei der Übertragung von Schadstoffen und die Entwicklungszeit für städtisch-industrielles Land.

Quelle: https://onlinelibrary.wiley.com/doi/full/10.1111/jiec.13442
Titel: Recalibration of limits to growth: An update of the World3 model / Neukalibrierung der Wachstumsgrenzen: Ein Update des World3-Modells
Arjuna Nebel, Alexander Kling, Ruben Willamowski, Tim Schell
First published: 13 November 2023, https://doi.org/10.1111/jiec.13442
Editor Managing Review: Ichiro Daigo
© 2023 The Authors. Journal of Industrial Ecology published by Wiley Periodicals LLC on behalf of International Society for Industrial Ecology.
This is an open access article under the terms of the Creative Commons Attribution License, which permits use, distribution and reproduction in any medium, provided the original work is properly cited.

Übersetzung des Artikels:
1. EINLEITUNG
„Limits to Growth“ (LtG) ist der Name einer Studie, die Ende der 1960er Jahre für den Club of Rome durchgeführt wurde. Eine Gruppe von Forschern am Massachusetts Institute of Technology hat ein Computermodell entwickelt, das einige der wichtigsten materiellen Variablen der Welt simuliert, wie etwa Bevölkerung, Nahrungsmittelproduktion, Ressourcennutzung und Umweltauswirkungen. Insgesamt 12 Szenarien wurden 1972 im ersten gleichnamigen Buch vorgestellt (Meadows et al., 1972). Die Szenarien umfassen den Zeitraum von 1900 bis 2100. Die Autoren betonen, dass es sich bei den Szenarien nicht um Vorhersagen handelt. Sie sollen vielmehr die komplexen Zusammenhänge innerhalb eines dynamischen Systems veranschaulichen, das auf exponentiellem Wachstum basiert. Das erste und wohl bekannteste Szenario wird „Standard Run“ oder „Business as Usual“ (BAU) genannt, das eine exponentielle Wachstumsdynamik des Systems zeigt und zum Überschwing- und Kollapsmodus führt, der durch die Erschöpfung nicht erneuerbarer Ressourcen ausgelöst wird . Die anderen Szenarien beschreiben Veränderungen in der Parametrisierung des Modells und Annahmen über technologische und gesellschaftliche Entwicklungen. Im Szenario „Business as Usual 2“ (BAU2) wurde von doppelt so vielen anfänglichen nicht erneuerbaren Ressourcen (NRI) ausgegangen und Recyclingtechnologien implementiert. Diese Änderungen führen zu einer unterschiedlichen Flugbahn für jede Variable, ändern jedoch nicht den Überschwing- und Kollapsmodus. Der Zusammenbruch wird in diesem Fall durch übermäßige Verschmutzung verursacht (Meadows et al., 1972). Das Szenario Gesamttechnik (KT) geht von einer sehr breiten Anwendung technologischer Lösungen aus. Dadurch wird die Verschmutzungsrate stark reduziert, die Ernteerträge auf landwirtschaftlichen Flächen deutlich gesteigert und die Ressourceneffizienz über alle historischen Werte gestellt (Herrington, 2021). Die Grunddynamik in diesem Szenario unterscheidet sich von den oben genannten. Die industriellen Variablen sowie die Nahrungsmittelproduktion weisen weiterhin ein exponentielles Wachstum auf, das Bevölkerungswachstum verlangsamt sich jedoch und erreicht ab der Mitte des analysierten Zeitraums ein Plateau. In diesem Szenario wird der Zusammenbruch auf das Ende des betrachteten Zeitraums verschoben, am Ende gibt es jedoch einige steile Abwärtsneigungen (Meadows et al., 1972). Das Szenario der stabilisierten Welt (SW) modelliert einen zukünftigen Zustand, in dem die Weltbevölkerung, die Industrieproduktion und der Ressourcenverbrauch einen stabilen Zustand erreichen, was zu einem nachhaltigen Gleichgewicht zwischen der menschlichen Gesellschaft und der Umwelt führt. Es ist das einzige Szenario, in dem sich die Modellvariablen nicht in einem Überschreitungs- und Kollapsmodus befinden (Meadows et al., 2005).

1.1 Das World3-Modell
Das in LtG verwendete Modell heißt World3 und ist in einem Systemdynamik-Framework implementiert. Systemdynamik ist eine Methode zum Verständnis komplexer Systeme und ihres Verhaltens im Zeitverlauf (Forrester, 1971). Die vollständige technische Beschreibung des World3-Modells wurde 1974 in dem Buch The Dynamics of Growth in a Finite World von Meadows et al. veröffentlicht. (1974). Es gab weitere wichtige Aktualisierungen des LtG. Das Wichtigste wurde im Buch „Limits to Growth the 30-Years Update“ (Meadows et al., 2005) beschrieben. In diesem Update wurde dem Modell ein neuer adaptiver Technologiesektor hinzugefügt, der jetzt World3-03 heißt, sowie zwei neu eingeführte Weltvariablen: der ökologische Fußabdruck (EF) und der Human Welfare Index (HWI). Das Standardlaufszenario in diesem Buch wird als Business as Usual 1 (BAU) bezeichnet, das Szenario mit der Annahme größerer Ressourcen wird als BAU2 bezeichnet. Das World3-Modell besteht aus den folgenden fünf miteinander verbundenen Sektoren: Bevölkerung Hauptstadt Landwirtschaft Nicht erneuerbare Ressourcen Verschmutzung Es gibt zwei hauptsächliche positive Rückkopplungsschleifen, die für die exponentielle Wachstumsdynamik des Modells verantwortlich sind. Eine größere Bevölkerung führt zu einer höheren Geburtenrate mit einer Verzögerung von 15 bis 30 Jahren, und eine höhere Investitionsrate führt zu mehr Industriekapital, was wiederum höhere Investitionen ermöglicht. Aber auch in anderen Sektoren gibt es limitierende Elemente. Ein Beispiel ist die maximal für die Nahrungsmittelproduktion verfügbare Ackerfläche oder die Annahme, dass sowohl für die Nahrungsmittel- als auch für die Industrieproduktion nicht erneuerbare Ressourcen benötigt werden (Meadows et al., 1974).

1.2 Rezensionen und Kritiken

Seit der Veröffentlichung von LtG wurden unzählige Rezensionen, Kritiken und Stellungnahmen zu diesem Thema verfasst. Einige davon werden hier kurz vorgestellt. Einen umfassenderen Überblick über die LtG-Debatte findet sich in Jackson und Webster (2016). Die Autoren fassen die Debatte seit den 1970er Jahren zusammen und beziehen das Thema auf moderne Konzepte wie die Planetary Boundaries von Rockström et al. (2009). Turner (2008) stellte fest, dass 30 Jahre historische Daten am besten zum Standardlaufszenario des ursprünglichen World3-Modells passen. Eine Aktualisierung dieser Studie im Jahr 2012 kam zu dem Schluss, dass selbst nach 40 Jahren empirischer Daten der Standardlauf immer noch das am besten geeignete Szenario ist. Die Autoren analysierten auch die in den Modellergebnissen erkennbaren Ursachen des Zusammenbruchs und brachten sie mit der Peak-Oil-Debatte in Zusammenhang (Turner, 2012). Der jüngste Datenvergleich von Herrington (2021) wurde mit der Version 2005 des World3-Modells durchgeführt, einschließlich der neu eingeführten Variablen HWI und ökologischer Fußabdruck. Der Autor stellte fest, dass im Gegensatz zu früheren Vergleichen die Szenarios BAU2 und CT am ehesten übereinstimmen. Diese abweichenden Ergebnisse können auch auf leicht unterschiedliche Vergleichsparameter und die Verwendung der 1972er Version von World3 von Turner (2008) und der aktualisierten 2005er Version des Modells von Herrington (2021) zurückzuführen sein. Auch LtG wurde vielfach kritisiert, beispielsweise von Rubin und Lomborg (2003). Einen guten Überblick gibt das Buch Limits to Growth revisited von Bardi (2011). Der Autor beschreibt, dass sich die frühe Kritik an LtG oft auf zu pessimistische Annahmen beispielsweise über verfügbare Agrarflächen oder Bodenschätze bezog. Im Laufe der Zeit wurde dies durch Entwicklungen in der Praxis oder durch Extraktionstechnologien widerlegt, die immer noch hinter den damaligen Erwartungen der Kritiker zurückblieben. Die Methodik der Systemdynamik wurde auch wegen ihrer Fähigkeit kritisiert, „Messungen ohne Daten“ durchzuführen (Nordhaus, 1973). Große Kritik kommt auch von neoliberalen Ökonomen (Jacques et al., 2008). Sie behaupten, dass die Autoren von LtG den menschlichen Einfallsreichtum und die Fähigkeit, Technologien zu entwickeln, die jede drohende Krise oder Knappheit lösen würden, unterschätzt hätten. Auch die Auswirkungen einer Marktgesellschaft wurden nicht ausreichend berücksichtigt, also der Anreiz, Alternativen zu finden, ausgelöst durch Knappheit und damit steigende Preise von Ressourcen (Norgard et al., 2010). Viele dieser Kritiker konzentrieren sich auf ein einzelnes Szenario und interpretieren es als genaue Vorhersage der Zukunft. Die Autoren von LtG haben stets betont, dass es sich bei ihren Szenarien nicht um exakte Vorhersagen handelt. Das Hauptziel von LtG besteht vor allem darin, das Verhalten eines komplexen dynamischen Systems darzustellen und mögliche Entwicklungen anhand verschiedener Szenarien zu beschreiben. Eine der Kernaussagen von LtG ist auch die Pluralität der Grenzen und dass die Überschreitungs- und Kollapsdynamik auch bei unterschiedlichen Randbedingungen, politischen Eingriffen und Annahmen bestehen bleibt (Herrington, 2021).

1.3 Motivation
Wie im Rezensionsteil beschrieben, ist die Debatte um die Aktualität des LtG noch nicht abgeschlossen. Die Warnungen der Autoren aus dem Jahr 1972 vor dem Erreichen verschiedener Systemgrenzen der Erde wurden weitgehend ignoriert. Fünfzig Jahre später wurden einige der gefährdeten Grenzen, die im Rahmen der planetaren Grenzen beschrieben werden, bereits überschritten (Persson et al., 2022). Bisherige Datenvergleiche von Modelldaten mit den messbaren Größen der Erde zeigten noch ein hohes Maß an Ähnlichkeit. Für diese Arbeit sollte der bestehende Ansatz, nur die Daten zu vergleichen, erweitert werden. Da das Modell 1972 mit den eingeschränkten Möglichkeiten hinsichtlich Rechenleistung und Datenverarbeitung kalibriert wurde, erscheint es interessant, inwieweit eine Neukalibrierung des Modells möglich ist und welche Auswirkungen eine solche Neukalibrierung hat. Die Datenlage hat sich seitdem enorm verbessert und darüber hinaus kann das Modell mit dem hier entwickelten Algorithmus mehrfach durchlaufen werden, um sich heuristisch einer optimalen Parameterkonfiguration anzunähern. Ein weiterer Punkt ist, dass der Höhepunkt des ursprünglichen BAU-Szenarios ungefähr in der heutigen Zeit liegen dürfte. Daher könnte eine Parameteraktualisierung auch relevante Informationen darüber liefern, was das Modell über die allgemeine Dynamik globaler materieller und sozioökonomischer Entwicklungen in der Zukunft aussagt, beispielsweise den ungefähren Zeitpunkt des Beginns und die Hauptursache eines Zusammenbruchs. Daraus ergibt sich für dieses Papier die folgende Frage: Welche Parameter müssen angepasst werden, um das World3-03-Modell konsistenter mit den heutigen empirischen Daten zu machen, und wie würde das resultierende Szenario aussehen? Zu diesem Zweck wird in Abschnitt 2 die Methodik vorgestellt. Dazu gehört die Python-Implementierung des World3-Modells und die Aktualisierung desselben. Darüber hinaus erfolgt die Darstellung der Datenbasis und schließlich der Heuristik, nach der die Modellparameter neu kalibriert wurden. Abschnitt 3 präsentiert die Ergebnisse. Einige der geänderten Parameter werden besprochen und ein neues Szenario gezeigt. Darüber hinaus werden die Robustheit der Ergebnisse und eine Sensitivitätsanalyse diskutiert. Abschließend werden die Ergebnisse in Abschnitt 4 diskutiert. 2 METHODEN Heutzutage ermöglichen umfangreiche Online-Datenquellen und leistungsstarke Computer eine genauere und schnellere Modellierung und einen Datenvergleich, als dies 1972 möglich war. Dieses Papier macht sich dies zunutze, indem es eine Python-Implementierung von Vanwynsberghe (2021) als Basismodell verwendet und auf das aktualisiert neueste Version von World3. Die Modelldaten (MD) werden dann mithilfe eines statistischen Maßes mit den empirischen Daten (ED) verglichen, um den Unterschied zu ermitteln. Um die Divergenz zu minimieren, werden ausgewählte Parameter variiert und die Ergebnisse iterativ verbessert.

2.1 PyWorld3-Update

Das PyWorld3-Modell ist eine Python-Implementierung des World3-Modells (Vanwynsberghe, 2021). Es basiert auf der technischen Beschreibung (Meadows et al., 1974). Damit spiegelt PyWorld3 die World3-Version aus dem ersten Buch der Limits to Growth-Reihe wider. Um tatsächliche Ergebnisse zu erhalten, wird PyWorld3 auf die im Buch „Limits to Growth: The 30-Year Update“ (Meadows et al., 2005) verwendete Version aktualisiert. Dieses Buch enthält eine CD mit der aktualisierten Version von World3, geschrieben in der Programmiersprache STELLA. Diese Version wird verwendet, um PyWorld3 auf die Ausgabe 2005 „PyWorld3-03“ zu aktualisieren. Der Code des entwickelten PyWorld3-03 ist veröffentlicht und kann in GitHub gefunden werden (https://github.com/TimSchell98/PyWorld3-03). Die Grundfunktionalität von PyWorld3 steht weiterhin zur Verfügung, da nichts Grundlegendes geändert wurde. Lediglich die Variablen und die die Variablen verbindenden Gleichungen wurden auf die World3-03-Version von 2005 aktualisiert.

2.2 Empirische Daten
Für den Vergleich und die Neukalibrierung ist es wichtig, über geeignete und genaue empirische Daten (ED) zu verfügen. Daher müssen für jeden Sektor eine Vergleichsgröße, beispielsweise die CO2-Konzentration für Schadstoffe, und die zugehörigen Daten ausgewählt werden. Der Umfang des ED dieser Studie ist vergleichbar mit dem von Herrington (2021). Die meisten seiner Prozeduren passen zu den hier erforderlichen Eingaben. Mehrere Datensätze wurden übernommen und aktualisiert. Diese Auswahl wird im Folgenden für jeden der Sektoren erläutert. Bevölkerungsdaten sind bei der Weltbank (2023b) verfügbar. Da das Modell die Anzahl der Personen zur Darstellung der Bevölkerung verwendet, ist keine Umrechnung erforderlich. Daten zur Industrieproduktion (IO), gemessen in Dollar-Äquivalent pro Person und Jahr in LtG (Meadows et al., 1972), sind kein vorhandener empirischer Datensatz. Daher wird der Index der Industrieproduktion (IIP) als Proxy verwendet. Es beschreibt das Wachstum der Kapazität der Industrieproduktion, ohne Preisschwankungen (Organisation der Vereinten Nationen für industrielle Entwicklung, 2023b). Die Daten sind nur für jedes Land verfügbar, nicht jedoch global bei der Organisation der Vereinten Nationen für industrielle Entwicklung (2023a). Es basiert auf dem Jahr 2015 (Organisation der Vereinten Nationen für industrielle Entwicklung, 2023b), was bedeutet, dass der Wert für jedes Land im Jahr 2015 100 beträgt. Daher wird als Gewicht die nationale Wertschöpfung im verarbeitenden Gewerbe verwendet, auf die ebenfalls von den Vereinten Nationen zugegriffen wird Organisation für industrielle Entwicklung (2023c). Um den IO von LtG mithilfe einer statistischen Kennzahl mit dem gewichteten Index zu vergleichen, ist ein Gespräch erforderlich. Aufgrund zweier unterschiedlicher Einheiten wird die relative Veränderung für jedes Jahr, hier Change Rate (CR) genannt, berechnet. Gleichung (1) zeigt die Berechnung der Änderungsrate für das Jahr t.

Lebensmittel pro Kopf werden ursprünglich in Gemüseäquivalenten ausgedrückt (Meadows et al., 1972). Die empirischen Daten verwenden Kilokalorien pro Person und Tag (FAO, 2023). Es wird der Umrechnungsfaktor von 3500 Kilokalorien pro Kilogramm pflanzlicher Nahrung angesetzt, wie in der Beschreibung von LtG (Meadows et al., 1974). Da die beiden Diagramme jedoch immer noch auf der y-Achse verschoben sind, wird auch die Änderungsratenmethode verwendet, um die modellierten Daten mit den empirischen Daten zu vergleichen. Die Verschmutzung, ausgedrückt in Verschmutzungseinheiten (Meadows et al., 1972), umfasst alle in die Umwelt abgegebenen Stoffe. Um den Datensatz anzunähern, wird die CO2-Konzentration als Proxy verwendet. CO2 wird in der Regel beim Auftreten anderer Schadstoffe ausgestoßen. Es ist auch das am häufigsten verwendete Maß, wenn es um Umweltverschmutzung geht. Die Daten zur globalen CO2-Konzentration in ppm sind von Lan et al. verfügbar. (2023). Da die Einheiten der beiden Datensätze unterschiedlich sind, wird die Änderungsratenmethode verwendet. Nicht erneuerbare Ressourcen, gemessen in Ressourceneinheiten Meadows et al. (1972) umfassen alle nicht erneuerbaren Ressourcen auf der Erde. Die genaue Menge ist nicht bekannt und wird es wahrscheinlich auch nie sein. Da dies die Verwendung der Änderungsratenmethode für diesen Sektor impliziert, kann anstelle absoluter Werte eine Ableitung der Variablen verwendet werden. Um geeignete und genaue Daten bereitzustellen, wird der Verbrauch fossiler Brennstoffe ausgewählt. Obwohl dieser Proxy keine Metallressourcen umfasst, handelt es sich um die am besten geeigneten und verfügbaren Daten. Der Datensatz ist abgeleitet von Our World in Data (2022) unter Bezugnahme auf Vaclav Smil (2016) und bp (2022). Die in LtG verwendete Dienstleistung pro Kopf (Meadows et al., 1972) wird in Dollar gemessen und umfasst alle Ausgaben im Dienstleistungssektor, wie etwa medizinische Versorgung und Bildung. Zur Nachbildung dieses Sektors wird der Bildungsindex herangezogen. Obwohl er nur einen Teil des Sektors erfasst, ist er der beste verfügbare Proxy. Bildung ist einer der Hauptbestandteile des Dienstleistungssektors und korreliert mit dem Rest des Sektors. Die Daten stammen aus Human Development Reports (2022a) und es wird die Änderungsratenmethode verwendet. Das menschliche Wohlergehen wird im Human Development Index (HDI) detailliert beschrieben. Da es seit World3-03 Teil des Modells ist, wird es auch in dieser aktualisierten Version von PyWorld3-03 berechnet und kann direkt verglichen werden. Das Entwicklungsprogramm der Vereinten Nationen berechnet und veröffentlicht die Daten (Human Development Reports, 2022b). Auch der ökologische Fußabdruck (EF) ist Teil des Modells. Die empirischen Daten stammen von der York University Ecological Footprint Initiative & Global Footprint Network (2022) und können direkt mit den modellierten Daten verglichen werden. Die Daten zu Industrieproduktion, Nahrungsmitteln, Umweltverschmutzung, Ressourcen und Dienstleistungen werden geglättet. Um unerwünschte hochfrequente Schwankungen in den Datensätzen zu reduzieren und eine Phasenverschiebung in die Zukunft zu vermeiden, werden die Sektoren mithilfe eines in beide Zeitrichtungen angewendeten Filters gemittelt.

2.3 Rekalibrierungsprozess
Um die Genauigkeit zwischen den Modelldaten (MD) und den empirischen Daten (ED) zu bestimmen, wird die normalisierte quadratische Mittelwertabweichung (NRMSD) verwendet (Turner, 2012). Dieses statistische Differenzmaß normalisiert den quadratischen Mittelwert auf den ED, was den Vergleich verschiedener Sektoren ermöglicht. Die Berechnungen werden im Abstand von einem Jahr durchgeführt, was der Schrittweite t des Modells und der empirischen Daten entspricht. Die Abweichung wird N-mal berechnet, abhängig von der Anzahl der verfügbaren Datenschritte. Gleichung (2) zeigt ein Beispiel einer Berechnung ab 1970 (Herrington, 2021).

NRMSD wird für jeden Sektor des Modells anhand der aktuellsten Daten der letzten 50 Jahre berechnet. Für den Dienstleistungssektor sind nur Daten aus 30 Jahren verfügbar und werden daher berechnet. Um ein einziges Qualitätsmaß für einen bestimmten Parametersatz bereitzustellen, wird der NRMSD-Gesamtwert implementiert. Sie wird berechnet, indem die NRMSD jeder Variablen mit einem ausgewählten Faktor gewichtet und dann der Mittelwert gebildet wird. Die Gewichtung basiert auf der Genauigkeit der Daten. Daher werden die Variablen wie folgt gewichtet:
• Bevölkerung = 1 •
Nicht erneuerbare Ressourcen = 0,5 •
Industrieproduktion = 0,5 •
Dienstleistung pro Kopf = 0,5 •
Lebensmittel pro Kopf = 0,7 •
Menschliches Wohlergehen = 0,7 •
Umweltverschmutzung = 0,5 •
Ökologischer Fußabdruck = 0,7

Das Modell repräsentiert die empirischen Daten am besten, wenn die NRMSD minimal ist. Um einen optimalen Parametersatz zu finden, wurde ein Python-Skript erstellt, um mehrere Simulationen in PyWorld3-03 auszuführen. Für das Skript werden 35 der Modellparameter für eine mögliche Neukalibrierung ausgewählt. Einige Parameter, wie beispielsweise die Erstbevölkerung im Jahr 1900, werden nicht berücksichtigt, da es sich bereits um beobachtete Werte handelt und nicht geändert werden sollte. Die Hauptergebnisse dieser Arbeit werden als „Rekalibrierung23“ bezeichnet. Abbildung 1 zeigt das Flussdiagramm zur Ermittlung der gewünschten Neukalibrierung der Parametersätze. Die erste Iteration beginnt mit den Standardwerten von BAU2. Der Bereich, in dem jeder Parameter im Verlauf einer Iteration variiert werden kann, ist auf einen vordefinierten Wert von 50 % und 150 % festgelegt. Eine weitere vordefinierte Einstellung namens „Rasterauflösung“ teilt den Bereich zwischen Start- und Endwert. In Rekalibrierung23 ist diese Einstellung auf 60 gesetzt. Mit diesen und den Standardwerten der anderen Parameter wird die PyWorld3-03-Simulation ausgeführt.

Der NRMSD wird für jede Simulation berechnet. Nachdem jeder Parameter geändert wurde, wird der Parametersatz mit dem niedrigsten NRMSD gespeichert und für die nächste Iteration verwendet. Nach der ersten Iteration werden die Werte vor und nach dem optimalen Parameterwert aus der letzten Iteration als Start- und Endwerte verwendet. Liegt der optimale Parameterwert entweder unter dem Startwert oder über dem Endwert, wird der Bereich erweitert. Wenn eine bestimmte Endbedingung erreicht ist, stoppt die Analyse. Die Endbedingung kann entweder die Anzahl der Iterationen oder die Differenz zwischen dem NRMSD der aktuellen Iteration und der letzten Iteration sein. Der Verlauf der minimalen NRMSD der Rekalibrierung23 über die Iterationen ist in Abbildung 2 dargestellt. Die NRMSD nimmt in den ersten 20 Iterationen stark ab. Danach konvergiert das Diagramm zum niedrigstmöglichen NRMSD für die gewählten Einstellungen. In diesem Fall beträgt der minimale NRMSD etwa 0,28.

​

3. ERGEBNISSE

Mit diesem Ansatz wird eine Reihe von Parametern berechnet, die in diesem Abschnitt gezeigt und erläutert werden. Außerdem wurden Sensitivitätsanalysen durchgeführt, indem die Anfangsparameter und die Gewichtung geändert wurden.

3.1 Neukalibrierung23

Der neu kalibrierte Parametersatz verbessert die NRMSD um 18,05 %, von 0,3318 im BAU-Szenario auf 0,2719 im Rekalibrierungs23-Szenario. Alle NRMSD-Werte sind in Tabelle 1 aufgeführt. Die geänderten Parameter mit ihren vollständigen Namen, Standardwerten, verbesserten Werten und relativen Änderungen sind in Tabelle 2 aufgeführt. Darüber hinaus ist in Abbildung 3 ein Diagramm der Schlüsselvariablen aus dem Szenario „Rekalibrierung23“ dargestellt. Es werden Diagramme zum Vergleich der Variablen Population (Abbildung 4) und HWI (Abbildung 5) der Szenarien Rekalibrierung23, BAU und BAU2 besprochen. TABELLE 1. Vergleich der normalisierten quadratischen Mittelwertabweichung: Neukalibrierung23, Business as Usual (BAU) und Business As Usual 2 (BAU2).

TABELLE 2. Parameter mit verbesserten und Standardwerten und relative Änderung der Neukalibrierung23.

Einzelheiten finden Sie in der Bildunterschrift
FIGUR 3
Neukalibrierung23, verbesserter Lauf im Vergleich zu BAU. Die zugrunde liegenden Daten für diese Abbildung sind in Tabelle S3 der Hintergrundinformationen S1 verfügbar.

Einzelheiten finden Sie in der Bildunterschrift
ABBILDUNG 5
Empirische Daten, das ursprüngliche Business-as-usual- und Business-as-usual-2-Szenario sowie das neue Rekalibrierungsszenario23 werden für die Variable Human Welfare Index dargestellt. Die dieser Abbildung zugrunde liegenden Daten sind in Tabelle S5 der Hintergrundinformationen S1 verfügbar.

Abbildung 3 zeigt nicht nur die Ergebnisse spezifischer Rekalibrierungs23-Variablen, sondern auch die Werte derselben Variablen aus dem Referenzlauf 2005 (BAU). Die grobe Entwicklung der nicht erneuerbaren Ressourcen, der Industrieproduktion und der Nahrungsmittel unterscheidet sich kaum von der BAU. Lediglich der Zeitpunkt und die Höhe der Peaks sind unterschiedlich. Der Nahrungspeak ist höher und verschiebt sich um einige Jahre in die Zukunft. Ein ähnliches Verhalten ist in der Industriekurve zu beobachten, deren Spitze steigt an, bewegt sich aber in die Vergangenheit. Der anfängliche Ressourcenwert ist höher als bei BAU, aber die Kurve der Grafik folgt immer noch dem gleichen Verlauf und der ungefähre Wert dieser Variablen für heute ist nahezu gleich. Die Bevölkerungskurve ist nahezu identisch mit der BAU. Der größte Unterschied besteht in der Flugbahn der Verschmutzung. Der Höhepunkt der Kurve nimmt ab und verschiebt sich etwa 50 Jahre in die Zukunft. Eine weitere Erläuterung der Variablen, die zu dieser veränderten Flugbahn beitragen, finden Sie in Abschnitt 4. Zusätzlich zu diesem „Standarddiagramm“, das in jeder LtG-Publikation zu finden ist, werden spezifische Diagramme erstellt, die die Grundgesamtheit (siehe Abbildung 4) und den HWI (siehe Abbildung 5) des neu erstellten Parametersatzes BAU, BAU2 und zeigen empirische Daten. Abbildung 4 zeigt, dass jedes Szenario den empirischen Daten der menschlichen Bevölkerung sehr ähnlich ist. Dies ist auch in Tabelle 1 ersichtlich. Der NRMSD des Bevölkerungssektors ist in jedem Szenario am kleinsten. Das Rekalibrierungsszenario23 weist den niedrigsten NRMSD auf, gefolgt vom BAU-Szenario. Abbildung 5 zeigt eine scheinbar widersprüchliche Grafik. Der grundsätzliche Verlauf des HWI ist in allen Szenarien sehr ähnlich, bis auf den Rebound-Peak im BAU2-Szenario. Allerdings weist das BAU-Szenario die geringste Abweichung von den empirischen Daten auf. Der Parametersatz Rekalibriert23 führt zu einem relativ großen Unterschied. Diese Abweichung ist in Tabelle 1 ersichtlich. Der Gesamt-NRMSD der Hauptergebnisse ist immer noch der kleinste der drei Szenarien, da der NRMSD der anderen Sektoren im Vergleich zu beiden BAU-Szenarien ähnlich oder kleiner ist. Im Rekalibrierungsalgorithmus werden die meisten Parameter nur ein- oder zweimal verbessert, während einige Dutzende Male verbessert werden. Der Parameter „durchschnittliche Lebensdauer des Industriekapitals 1“ (alic1) weist die größte relative Veränderung auf. Der verbesserte Wert beträgt mehr als das Sechsfache des Standardwerts. Der Wert ändert sich von 2 auf 15,24 Jahre. Die zweithöchste relative Änderung weist die anhaltende Verzögerung der Schadstoffübertragung (pptd) auf. Dieser Parameter erhöht sich von 20 auf 111,8 Jahre.

3.2 Vergleich mit BAU und BAU2
Frühere Untersuchungen von Turner (2012) und Herrington (2021) verglichen Modellergebnisse mit empirischen Daten. Der Schwerpunkt dieser Arbeit liegt vor allem auf einer Neukalibrierung des Modells, es werden aber auch Vergleiche empirischer Daten mit den BAU- und BAU2-Szenarien durchgeführt. Tabelle 1 zeigt diese Ergebnisse für die einzelnen Sektoren. Insgesamt unterscheiden sich die NRMSD-Ergebnisse zwischen BAU und BAU2 nur um 0,0156, aber gemäß unserer verwendeten Methode und unserer Berechnung stimmt BAU besser mit den empirischen Daten überein. Bei genauerer Betrachtung der einzelnen Branchen fallen größere Unterschiede auf. Bei den Variablen Bevölkerung und Nahrungsmittel pro Kopf liegen die beiden Szenarien sehr nahe beieinander. Industrieproduktion und Umweltverschmutzung unterscheiden sich deutlich stärker, wobei Ersteres eher dem BAU und Letzteres dem BAU2 entspricht. Bei nicht erneuerbaren Ressourcen beträgt der Unterschied im NRMSD etwa 0,17. BAU liegt hier näher an den empirischen Daten. BAU2 setzt doppelt so viele Ressourcen wie bestehende Recyclingtechnik voraus und endet nicht im Scheitern aufgrund fehlender Ressourcen. Darauf kann besonderes Augenmerk gelegt werden. Sowohl die gegenläufigen Unterschiede als auch die oben erwähnte Gewichtung führen jedoch dazu, dass sich die beiden Szenarien im Gesamtergebnis nur geringfügig unterscheiden.

3.3 Sensitivitätsanalyse
Zusätzlich zur Rekalibrierung23 werden mehrere weitere Optimierungen durchgeführt. Erstens eine Empfindlichkeit gegenüber unterschiedlichen Gewichtungen in der NRMSD-Berechnung und zweitens eine Variation der Startwerte. Um zu messen, wie robust die Analyse gegenüber Änderungen im Gewichtungssystem ist, werden zwei alternative Gewichtungen analysiert. Die erste ist eine inverse Gewichtung, bei der Bevölkerung, HWI und EF niedriger gewichtet werden. Die zweite alternative Gewichtung erhöht die Werte der Variablen im Vergleich zur Änderungsratenmethode. Die Änderungsratenmethode verwendet Gleichung (1), um zwei Datensätze von ED und MD zu vergleichen, wenn sie unterschiedliche Einheiten haben. Wie erwartet wirken sich die Änderungen in der Gewichtung auf die Optimierung jedes Sektors aus; Je höher ein Sektor gewichtet wird, desto größer ist sein Einfluss auf die Minimierung des gesamten NRMSD. Allerdings führten die beiden getesteten Gewichtungsvarianten zu einem höheren Gesamt-NRMSD, auch wenn einzelne Sektoren teilweise niedrigere NRMSDs aufwiesen. Die in der Neukalibrierung23 gewählte Gewichtung kann daher als angemessen angesehen werden. Um den Einfluss des anfänglichen NRI-Werts auf die Ergebnisse zu untersuchen, wird die Neukalibrierung mit verdoppelten, halbierten und gleichen anfänglichen NRI-Werten wie im BAU-Szenario durchgeführt. Diese Untersuchung zeigt, dass die Anfangswerte jedes Parameters einen Einfluss auf das Rekalibrierungsergebnis haben. Mit dem BAU-Anfangswert wird ein optimierter Parametersatz berechnet, bei dem der endgültige NRI sogar etwas niedriger als sein Startpunkt liegt. Der halbierte Ausgangswert hatte nahezu keinen Einfluss auf das Ergebnis, da der NRI auf einen Wert gesetzt wurde, der nahezu identisch mit dem ursprünglichen Ausgangswert war. Der doppelte Anfangswert liefert wie in BAU2 ein Rekalibrierungsergebnis mit einem Wert zwischen den beiden Szenarien für den NRI-Parameter. Der Gesamt-NRMSD ist tatsächlich etwas niedriger als das, was mit dem Standard-NRI-Startwert von BAU erreicht werden kann. Als Ergebnis dieser Sensitivitätsanalyse wird deutlich, dass sowohl die Ausgangswerte als auch die Gewichtungen einen Einfluss auf die Ergebnisse haben. Jede neue Kombination stellt ein neues Optimierungsproblem für die Heuristik dar, was zu einem anderen Parametersatz führt. Abhängig von den Ausgangsgrößen und der Gewichtung beginnt die Rekalibrierung in eine andere Richtung, also mit anderen Parametern. Es ist möglich, ein lokales Minimum der NRMSD zu finden, das nicht das globale ist. Um sicherzustellen, dass der bestmögliche Parametersatz gefunden wurde, werden mehrere Neukalibrierungen mit unterschiedlichen Einstellungen durchgeführt. Die Vergleiche zeigen, dass die Minima in einem kleinen Bereich liegen. Es ist wahrscheinlich, dass es andere Kombinationen als die hier betrachteten gibt, die zu einem noch niedrigeren NRMSD führen könnten, und es ist immer möglich, nur ein lokales Minimum des NRMSD zu erhalten. Eine systematische Durchsuchung des Lösungsraums würde jedoch den Rahmen dieser Arbeit sprengen. Die Empfindlichkeit des World3-Modells gegenüber einer Änderung der Anfangsparameter wurde seit Beginn der LtG-Studie kritisiert (Castro, 2012; de Jongh, 1978; Vermeulen & de Jongh, 1976). Aber wie Turner (2013) und Herrington (2022) argumentieren, ist die Dynamik des Systems am wichtigsten, nicht der Wert eines bestimmten Parameters zu einem bestimmten Zeitpunkt. Alle hier erwähnten Sensitivitätsberechnungen zeigen ein ähnliches Überschwingungs- und Kollapsmuster für die Schlüsselvariablen, das heißt, sie sind robust gegenüber den in diesem Artikel durchgeführten Parametervariationen.

4. DISKUSSION
Die Diskussion gliedert sich in drei Teile. Im ersten Teil werden die Ergebnisse von 1900 bis heute analysiert. Der zweite Teil weist auf die Einschränkungen hin. Abschließend gibt der dritte Teil einen Ausblick auf zukünftige Trends.

4.1 Welt3 und empirische Daten
Als Antwort auf die Schlüsselfrage wird ein neuer Satz neu kalibrierter Parameter vorgestellt, der die empirischen Daten genauer modelliert als das ursprüngliche Modell von 1972. Da sich die Studien von Turner (2012) und Herrington (2021) geringfügig unterscheiden, stellt sich zusätzlich die Frage, ob BAU oder BAU2 näher an den heutigen Daten liegt. Zu diesem Zweck werden die beiden Szenarien mit NRMSD als statistischem Maß verglichen. In Tabelle 1 zeigen die Ergebnisse, dass BAU mit der in dieser Arbeit gewählten Gewichtung etwas näher an den empirischen Daten liegt als BAU2. Lediglich der Schadstoffsektor von BAU2 ist deutlich genauer. Andererseits ist der NRMSD des Ressourcensektors von BAU niedriger. Zusammenfassend lässt sich sagen, dass die empirischen Daten am besten irgendwo zwischen BAU und BAU2 liegen. Mit dem neuen Parametersatz der Neukalibrierung23 wird die Gesamt-NRMSD im Vergleich zum Unterschied zwischen BAU und BAU2 erheblich verbessert. Der in Abbildung 3 dargestellte Bevölkerungseinbruch tritt einige Jahre später mit einer höheren Personenzahl auf. Die bedeutendste Änderung ist die Verschiebung der Schadstoffkurve. Er erreicht etwa 50 Jahre später seinen Höhepunkt und erreicht einen höheren Wert. Der Grund für den Zusammenbruch im neu kalibrierten Modell ist immer noch die Erschöpfung der Ressourcen wie bei BAU und nicht die Überschreitung der Umweltverschmutzung wie bei BAU2. Dies entspricht der Arbeit von Turner (2012). Der Industriesektor bleibt im neu kalibrierten Modell nahe an BAU. Laut der Industrieproduktionsgrafik in Abbildung 3 wurde heute der Höhepunkt erreicht. Dies steht im Einklang mit den beobachteten Daten, da auch das IIP in den letzten Jahren ein rückläufiges Wachstum aufweist, ein Wendepunkt ist jedoch noch nicht erkennbar. Dementsprechend ändern sich die Parameter des Kapitalsektors in weiten Grenzen nicht. Beispielsweise werden „Industriekapital-Output-Verhältnis 1“ und „Einkommenserwartungs-Durchschnittszeit“ nicht geändert. Im BAU-Szenario und im neuen Szenario ist ein Rückgang der Industrieproduktion mit einer Nahrungsmittelknappheit verbunden. Mit geringerer Industrieproduktion sinken unter anderem die „Gesamtinvestitionen in die Landwirtschaft“ (Meadows et al., 1972). Die Folge ist, dass das gesamte System zusammenbricht und die Sterblichkeitsrate steigt. Im Gegensatz zur BAU stehen im rekalibrierten Modell die Nahrungsmittel noch einige Jahre länger zur Verfügung, wodurch sich die Bevölkerungskurve gleichmäßig auf der Zeitachse verschiebt. Diese Trendwende, die die Daten des Industrieproduktionsindex zeigen, ist auch im HWI und im Dienstleistungssektor sichtbar, da beide mit dem Bildungsindex in Zusammenhang stehen. Für diese Branchen zeigen die Daten nicht nur ein rückläufiges Wachstum, sondern bereits einen absoluten Rückgang. Der HWI beginnt im Jahr 2019 zu sinken, siehe Abbildung 5 (Human Development Reports, 2022b), und der Bildungsindex beginnt im Jahr 2021 zu sinken (Human Development Reports, 2022a). Darüber hinaus steigt die Sterblichkeitsrate im Jahr 2020 zum ersten Mal seit 1964 (Weltbank, 2023a). Im World3-Modell wird der HWI als Durchschnitt dreier Indizes berechnet: „Lei“ (Lebenserwartungsindex), „Ei“ (Bildungsindex) und „BIP“ (Bruttoinlandsproduktionsindex). Der erste Index, „Lei“, basiert auf der wahrgenommenen Lebenserwartung, während die anderen beiden Indizes, „Ei“ und „BIP“, auf der Bruttoinlandsproduktion basieren. Obwohl das Modell darauf hindeutet und die Daten auf LtG hinweisen, ist der Ursprung nicht eindeutig. Die Bereiche Ressourcen und Umweltverschmutzung, die im Hinblick auf LtG der Ursprung sein könnten, sind die ungenauesten Datensätze. Die neu kalibrierte Version von World3 verzögert das Verschmutzungsproblem. Angesichts dieser Einschränkungen ist nicht ganz klar, ob der Zusammenbruch durch den Klimawandel infolge von Umweltverschmutzung oder durch die Erschöpfung der Ressourcen verursacht wird, wie aus der Neukalibrierung hervorgeht. Die Auswirkungen der Verschmutzung auf das Klima und damit auf die Industrie sind bereits messbar (IPCC, 2022). Eine andere Möglichkeit ist die Ressourcenknappheit als Grund für den sichtbaren Rückgang des Wirtschaftswachstums. Eine detaillierte Analyse dieser Möglichkeit findet sich in Turner (2012). Dabei wird die Entwicklung der Energierendite der Energieinvestitionen von Öl betrachtet. Sein stetiger Rückgang deutet auf eine allmähliche Erschöpfung der fossilen Energieressourcen hin.

4.2 Einschränkungen

Die größte Einschränkung ist die Verfügbarkeit empirischer Daten. Natürlich ist es heute viel einfacher, Daten zu sammeln als 1972. Dennoch ist es sehr schwierig, Daten zu finden, die einen vollständigen Sektor der Welt abbilden. Für Bevölkerung, Ernährung, den ökologischen Fußabdruck und den HWI ist dies einfach, wie in Abschnitt 2.2 erläutert. Andere Sektoren wie Umweltverschmutzung und Dienstleistungen können nicht mit einem einzigen Satz empirischer Daten quantifiziert werden. Daher wird ein Proxy wie die CO2-Konzentration oder der Bildungsindex verwendet. Dies ist eine Näherung, da der Proxy nur einen Teil des Sektors abdeckt. Die Industrieproduktion wird, wie auch andere, einbezogen, indem die Industrieproduktion in Dollar umgerechnet und über ihre Änderungsraten mit dem IIP verglichen wird. Gleiches gilt für den Rohstoffsektor. Zusätzlich zu den Einschränkungen bei der Verwendung der Änderungsrate zum Vergleich ist die Charakterisierung des Verschmutzungssektors äußerst komplex. Viele Faktoren wie Luftverschmutzung, Giftstoffe, Kunststoffe und viele andere wirken sich auf diesen Sektor aus. Der Proxy-CO2 wurde gewählt, da globale Daten über einen langen Zeitraum verfügbar sind. Diese Vereinfachung könnte der Grund für die verschobene Belastungskurve sein, da die Emission von CO2 nicht das breite Schadstoffspektrum abdeckt und aufgrund von Absorptionsmechanismen nicht vollständig in der gemessenen atmosphärischen Konzentration abgebildet wird. Darüber hinaus wirken sich die Auswirkungen auf den Klimawandel verzögert aus und reichen weit in die Zukunft. Die Analyse der Auswirkungen der Umweltverschmutzung auf die anderen Sektoren und die Suche nach einer besseren Darstellung in den empirischen Daten könnten Teil weiterer Forschung in diesem Bereich sein. Durch die Neukalibrierung von World3 wird dem Modell ein optimierter Parametersatz hinzugefügt. Dadurch nähert sich die Simulation den neuesten empirischen Daten an. Angesichts des neuen, neu kalibrierten Modells gelten die bestehenden Einschränkungen weiterhin. Wie in Abschnitt 1.2 erwähnt, liefert das Modell keine exakte Vorhersage, sondern spiegelt das Verhalten und die Trends eines komplexen dynamischen Systems wider. Der Zusammenbruch des Systems ist auf die Erschöpfung der Ressourcen in BAU oder die Umweltverschmutzung in BAU2 zurückzuführen. Allerdings sind diese beiden Sektoren mit empirischen Daten am schwierigsten zu vergleichen. Daher kann insbesondere auf die Genauigkeit des Zeitpunkts des Peaks kein Verlass sein. Eine weitere Unsicherheit sind die Auswirkungen von Krisen, etwa der Finanzkrise 2008 oder der Covid-19-Pandemie. Diese spiegeln sich in den empirischen Daten wider, beispielsweise im Anstieg der Sterblichkeit im Jahr 2020 oder im Rückgang des IPP in den Jahren 2008 und 2020. LtG als Modell ist jedoch nicht in der Lage, diese kurzfristigen Ereignisse abzubilden. Vielmehr dient es dazu, allgemeine Trends und Dynamiken aufzudecken (Meadows et al., 1972).

4.3 Zukünftige Trends
Bisher wurden die Ergebnisse hauptsächlich im Vergleich mit den empirischen Daten für die Rekalibrierung betrachtet. Der Verlauf der Variablen ist jedoch auch im Hinblick auf zukünftige Trends interessant. Hier deuten die Modellergebnisse deutlich auf das bevorstehende Ende der exponentiellen Wachstumskurve hin. Der übermäßige Ressourcenverbrauch durch Industrie und industrielle Landwirtschaft zur Ernährung einer wachsenden Weltbevölkerung führt zur Erschöpfung der Reserven bis zu einem Punkt, an dem das System nicht mehr nachhaltig ist. Die Umweltverschmutzung hinkt dem industriellen Wachstum hinterher und erreicht ihren Höhepunkt erst gegen Ende des Jahrhunderts. Auf Spitzenwerte folgen starke Rückgänge bei mehreren Merkmalen. Dieser vernetzte Zusammenbruch oder, wie Heinberg und Miller (2023) es nennen, die Polykrise, die zwischen 2024 und 2030 auftritt, wird durch die Erschöpfung der Ressourcen und nicht durch Umweltverschmutzung verursacht. Der Anstieg der Umweltbelastung erfolgt später und mit einem geringeren Spitzenwert (Abbildung 3). Es ist jedoch wichtig zu beachten, dass die Zusammenhänge im Modell und in der Neukalibrierung nur für die steigende Flanke gelten, da viele der im Modell dargestellten Variablen und Gleichungen nicht physikalischer, sondern sozioökonomischer Natur sind. Es ist zu erwarten, dass die komplexen sozioökonomischen Zusammenhänge im Falle eines Zusammenbruchs neu geordnet und verknüpft werden. World3 hält die Beziehungen zwischen Variablen konstant. Daher ist es nicht sinnvoll, aus der Flugbahn nach den Kipppunkten weitere Schlussfolgerungen zu ziehen. Vielmehr ist es wichtig zu erkennen, dass große Unsicherheiten über die zukünftige Entwicklung bestehen. Die Erstellung von Modellen hierfür könnte ein völlig neues Forschungsfeld sein. Tatsache ist, dass das neu kalibrierte Modell erneut die Möglichkeit eines Zusammenbruchs unseres aktuellen Systems zeigt. Gleichzeitig zeigt sich, dass das BAU-Szenario des Modells von 1972 in alarmierender Weise mit den zuletzt gesammelten empirischen Daten übereinstimmt. Auch Herrington (2021) kam in ihrem Datenvergleich zu dem Schluss, dass die Welt weit von einem stabilisierten Weltszenario entfernt ist, in dem der Overshoot- und Kollapsmodus zum Stillstand kommt. Als Gesellschaft müssen wir zugeben, dass es uns trotz 50 Jahren Wissen über die Dynamik des Zusammenbruchs unserer Lebenserhaltungssysteme nicht gelungen ist, einen systematischen Wandel einzuleiten, um diesen Zusammenbruch zu verhindern. Es wird immer klarer, dass der Wandel, der uns auf einen anderen Weg bringen soll, trotz technologischer Fortschritte auch einen Wandel in den Glaubenssystemen, Denkweisen und der Art und Weise erfordert, wie wir unsere Gesellschaft organisieren (Irwin, 2015; Wamsler & Brink, 2018). . Am Punkt des Zusammenbruchs stößt auch die Auflösung des Modells an die Grenze weiterer plausibler Aussagen. Die regionalen Unterschiede in demografischer und wirtschaftlicher Hinsicht sind zu groß, als dass sie auf einfache, hochaggregierte Variablen reduziert werden könnten. Um dieses Problem anzugehen, wurde anlässlich des 50-jährigen Jubiläums von LtG ein neues Systemdynamikmodell entwickelt, das den Namen Erde für alle trägt (Sandrine Dixson-Decleve et al., 2022). Es führt eine regionale Lösung und ein Maß für soziale Ungleichheit und Spannung ein. Auch die Ursachen und Auswirkungen der Klimakrise stehen stärker im Fokus. In Earth4all konzentrieren sich die Autoren nicht mehr auf Szenarien mit starken Rückgängen der Hauptvariablen. Stattdessen beschreibt das Szenario „Zu wenig zu spät“, dass die Auswirkungen der Klimakrise weiter zunehmen und die sozialen Spannungen zunehmen, wodurch der Wohlfühlindex mit der Zeit sinkt. In einem anderen Szenario, Riesensprung, wird gezeigt, dass auch diese negativen Entwicklungen gestoppt werden könnten. Die Autoren schlagen dann verschiedene politische Änderungen vor, um dies zu erreichen (Sandrine Dixson-Decleve et al., 2022).

5. SCHLUSSFOLGERUNG
In diesem Artikel wurde das World3-Modell der LtG-Studie neu kalibriert, um das Verhalten empirischer Daten in den letzten 50 Jahren widerzuspiegeln. Hierzu wurden 35 Parameter des Modells ausgewählt und für einen ausgewählten Satz von acht verschiedenen empirischen Datensätzen optimiert, die historische Entwicklungen am ehesten widerspiegeln. Es wurde ein Algorithmus entwickelt, um die aggregierte NRMSD zwischen den Modelldaten und den empirischen Daten mithilfe einer iterativen Methode zu minimieren. Ein neues Szenario mit dem verbesserten Parametersatz wurde vorgestellt. Von den ursprünglichen LtG-Szenarien von 1972 entspricht das BAU-Szenario diesen Parametern und der Entwicklung der Variablen am besten. Wie das BAU-Szenario der LtG-Publikation spiegelt auch das neue Szenario Rekalibrierung23 den Überschwing- und Kollapsmodus aufgrund von Ressourcenknappheit wider. Allerdings werden die Spitzen bestimmter Variablen angehoben und teilweise in die Zukunft verschoben.

DANKSAGUNGEN
Die Autoren danken dem Paderborn Center for Parallel Computing (PC2) für die Finanzierung dieses Projekts durch Rechenzeit. Ein weiterer Dank geht an Prof. Sandra Hamella von der Fachhochschule Regensburg für die Bereitstellung der LtG-CD aus dem Jahr 2005. Die Autoren bedanken sich bei den anonymen Gutachtern für ihre hilfreichen Anregungen und unterstützenden Kommentare, die maßgeblich zur Verbesserung der Arbeit beigetragen haben. Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

ERKLÄRUNG ZUM INTERESSENKONFLIKT
Die Autoren geben an, dass kein Interessenkonflikt besteht.

​

​

​

​