Anschließend an meinen letzten Beitrag zur Rezeption der Limits-to-Growth-Studie (1972) in einem populären Podcast, hier nochmals eine Zusammenstellung der aus meiner Sicht wichtigsten Interpretationshilfen. Wenn man es genau betrachtet, sind diese auch nicht eigentlich nur auf die Limits-to-Growth-Studie beschränkt, sondern sind in dieser oder ähnlicher Form bei vielen Studien mit Modellierungs- und Simulationshintergrund hilfreich. Es geht mir daher im Folgenden gar nicht in erster Linie um eine inhaltliche Detail-Diskussion der Annahmen und Ergebnisse der Studie, sondern um deren besseres Verständnis aus methodologischer Sicht.

Hier meine Top-8 der wichtigsten Interpretationshilfen:

1. Insgesamt werden 12 Szenarien behandelt und nicht alle sind katastrophal: das tolle an der Szenarioanalyse ist ja gerade, dass man Bedingungen für unterschiedliche Ergebnisse identifizieren kann — es endet also nicht immer katastrophal und die Simulationen geben Hinweise darauf, wie „gute“ Zukünfte zu erreichen sind.
2. Zeithorizont der Szenarien ist 2100; eklatante Folgen zeigen sich oft erst ab 2030: es handelt sich um sehr langfristige Szenarien, in denen oft die wichtigsten Folgen heute (2022) noch gar nicht eingetreten sind und die daher auf dieser Basis auch nicht als „falsch“ eingestuft werden können.
3. Die Dynamik in den Simulationen entsteht endogen; es sind keine Entwicklungen vorgegebenen: in den Simulationsmodellen stecken natürlich Annahmen über Zusammenhänge zwischen Variablen, aber nicht das Resultat wenn sich diese Variablen über längere Zeiträume fortentwickeln.
4. Einfache, fast schon triviale Struktur der grundsätzlichen Dynamik: die Grundstruktur entspricht dem Systemarchetypen Limits-to-Growth, der letztlich nur aus zwei Rückkopplungsschleifen besteht (die Realität ist natürlich viel komplexer, aber zum Grundverständnis reicht der Archetyp).
5. Präzision vs. Akkuratheit: einerseits ist ein präziseres Modell (= mit höherer Auflösungsschärfe) nicht notwendiger Weise akkurater (d.h. reflektiert die Realität besser); andererseits zwingen präzise Angaben im Modell aber zur kritischen Reflexion bzgl. des vorhandenen Wissens.
6. Mikro- vs. Makromodellierung: langfristige Makromodelle („Weltmodelle“) sind oft robuster als kurzfristige Mikromodelle, weswegen eine langfristige globale Klimaprognose genauer sein kann als eine mehrtägige Wetterprognose einer bestimmten Region.
7. Quantitative Szenarien waren das Ziel der Limits-to-Growth-Studie, nicht die genaue Vorhersage zu erwartender Entwicklung: das ist ja die Quintessenz der Szenariotechnik — aufgrund von Unsicherheit sind Prognosen immer falsch und trotzdem können wir, richtig verstanden, etwas von ihnen lernen.
8. Kassandra-Paradox: Verhaltensänderung führen zu Abweichung des beobachteten vom simulierten Systemverhalten in den Szenarien; also gerade dadurch, dass wir die Katastrophe verhindern, bewirken wir, dass die entsprechenden Szenarien „falsch“ werden.

Diese Punkte habe ich auch in ähnlicher Form auf der Jahrestagung der Vereinigung für Ökologische Ökonomie am 21.10.2022 in Stuttgart zur Diskussion gestellt.