Bei Prognosen versagt die Politik mehr als die Wissenschaft

Was auf den ersten Blick wie eine Klick-Jagd von Blattmachern oder Politik-Polemik aussieht, ist Symptom eines Grabens zwischen Wissenschaft und Politik. ?Die Experten ¨C deren Meinung ich kaum mehr zur Kenntnis nehme ¨C scheinen f¨¹r mich nicht in der realen Welt zu leben? liess Bundesrat Ueli Maurer vor kurzem verlauten, und Alain Berset sagte im Januar: ?Mit Prognosen k?nnen wir nicht arbeiten.?

Offenbar sehen einige in wissenschaftlich fundierten Prognosen keinen Mehrwert. An was liegt das? Sind solche Voraussagen wirklich unbrauchbar? W¨¹rde jemand die Prognose, dass auf diesen Winter ein Sommer folgt, als unbrauchbar abtun?

Wie Prognosen entstehen

Ob beim Klimawandel, der Wettervorhersage oder der Einsch?tzung einer Pandemie ¨C wissenschaftliche Prognosen basieren unabh?ngig vom Fachgebiet fast immer auf vier Elementen: erstens auf einem Modell, zweitens auf Daten, mit denen unbekannte Parameter gesch?tzt werden, drittens auf Annahmen von sogenannten Szenarien und viertens auf Expertenwissen. Die Wichtigkeit dieser vier Elemente h?ngt stark von der Fragestellung ab.

Das Modell beschreibt unser Verst?ndnis der Dynamik eines bestimmten Systems. Dabei variiert die Komplexit?t verschiedener Systeme. Die Himmelsmechanik bestimmt die Jahreszeiten so exakt, dass die Unsicherheit in der Prognose verschwindend klein ist. Wesentlich schwieriger sind biologische Systeme, f¨¹r die man nicht einfach eine Gleichung aufschreiben kann, oder Systeme mit chaotischem Verhalten wie das Wetter. Einige komplexe Prozesse ¨¹bersteigen unser Verst?ndnis oder unsere rechnerischen M?glichkeiten, um sie direkt abzubilden, und werden dann statistisch oder n?herungsweise beschrieben.

Modelle: Nur so gut wie ihre Datengrundlage

Ein Modell ben?tigt ¨C zweitens ¨C Daten zur Kalibrierung und Verifikation. Hier unterscheiden sich die Klimamodelle von epidemiologischen Modellen. W?hrend entscheidende Daten und Zusammenh?nge in der Klimaforschung bereits seit Jahrzehnten systematisch ermittelt werden, f¨¹hrten die wechselnden Varianten von Sars-CoV-2 dazu, dass Daten begrenzt verf¨¹gbar oder nicht repr?sentativ waren und entscheidende Gr?ssen von wechselnden Teststrategien oder dem Fortschritt in der Behandlung abh?ngig waren.

Drittens: Wo Menschen Entscheide treffen, m¨¹ssen auch diese in die Prognose einfliessen. Prognosen, also Voraussagen ¨¹ber die Entwicklung der realen Welt, werden damit in der Fachsprache zu Projektionen oder zu sogenannten Was-w?re-wenn-Szenarien. Beispiele sind die zu erwartende epidemiologische Entwicklung f¨¹r einen bestimmten Mix von Massnahmen oder im Klima die Erw?rmung f¨¹r einen bestimmten Verlauf der CO₂-Emissionen. Wenn das schlimmste Szenario nicht eintritt, ist oft nicht das Modell falsch, sondern man hat Massnahmen getroffen, um diesen Fall zu vermeiden.

Die Natur dieser zwei Unsicherheiten ist v?llig unterschiedlich: Das Szenario ist unsere Wahl und damit am Ende Sache der Politik. Es muss nicht eintreten, aber hilft uns, das System zu verstehen und die Verwundbarkeit aufzeigen. Die Unsicherheit f¨¹r ein bestimmtes Szenario andererseits reflektiert das nicht vollst?ndige Verst?ndnis des Systemverhaltens oder begrenzter Daten. Diese zu reduzieren ist Aufgabe der Wissenschaft.

Modelle sind Ann?herungen an die Wirklichkeit

Expertenwissen ist schliesslich und viertens n?tig, um die Unsch?rfe der Voraussagen abzusch?tzen, die auf Grund der Vereinfachungen im Modell und Fehler in den Daten entstehen. Es geht darum, die Modellvereinfachungen und Datenfehler in einen Kontext zu stellen und dies auch zu kommunizieren. Ein Modell ist nie exakt richtig; es ist und bleibt ein Modell und kann h?chstens ein mehr oder weniger pr?zises Abbild der Realit?t sein. Ganz im Sinne der Aussage des britischem Statistikers George Box ?All models are wrong ¨C but some are useful? ist die Frage damit nicht, ob ein Modell richtig ist, weil jedes Modell eine Vereinfachung der Realit?t und damit in einem strikten Sinne falsch ist. Entscheidend ist, ob das Modell geeignet ist, um eine bestimmte Frage zu beantworten.

Waren die Omikron-Prognosen wirklich falsch?

Das bringt uns zur¨¹ck zur Prognose der Omikron-Welle.⁴ Der Verlauf der Fallzahlen im Januar war gut vorausgesagt, das Modell also ad?quat daf¨¹r. Die Hospitalisierungen hingegen blieben tiefer als im optimistischsten Fall. Da diese verz?gert auftreten, konnte man sie aus den Daten der Schweiz unm?glich voraussagen. Es war naheliegend, sich auf Erkenntnisse aus dem Labor und aus anderen L?ndern zu st¨¹tzen, aber offenbar haben diese die Situation der Schweiz nicht vollst?ndig abgebildet. Neben medizinischen Aspekten wie der tieferen Virulenz, und dass vermehrt Genesene oder Geimpfte infiziert werden, die eine Grundimmunit?t und damit weniger schwere Verl?ufe zeigen, k?nnen auch Verhaltensaspekte ins Spiel kommen, die schwer quantifizierbar sind: Zum Beispiel, wenn sich Risikogruppen vorsichtiger verhalten, auch wenn das nicht vorgeschrieben ist. Eine abschliessende epidemiologische Beurteilung werden die Fachleute liefern.

Eines ist jedoch klar: Projektionen werden von der Wissenschaft nicht absichtlich verzerrt dargestellt. Sie reflektieren die momentane Datenlage und den Wissensstand, so gut dieser quantitativ abgebildet werden kann. Wenn neue Erkenntnisse verf¨¹gbar sind, werden die Projektionen angepasst.

Aber: Prognosen k?nnen mehr schaden als n¨¹tzen, wenn sie systematisch falsch sind oder die Unsicherheiten untersch?tzen. Im Falle von Sars-CoV-2 waren sie ¨¹ber die ganze Dauer der Pandemie angesichts der oft sp?rlichen Datenlage recht gut.⁵ Je l?nger man mit Modellen arbeitet, desto genauer kann die Unsicherheit bestimmt werden, und die Resultate k?nnen zur Risikoabsch?tzung dienen. In der Klimaforschung haben hundert Jahre Messdaten und f¨¹nfzig Jahre Modellrechnungen die Zuverl?ssigkeit eindr¨¹cklich aufgezeigt.⁶ Mehr noch, wir haben mit Prognosen von Extremwetter viel Erfahrung, wie die Gesellschaft darauf basierend Entscheidungen trifft. Oder wann man wie warnen muss.

Fast alle Entscheidungen basieren auf Prognosen

Ohne Prognosen entscheiden kann man eigentlich nicht. Selbst das Bauchgef¨¹hl, dass sich gegen¨¹ber heute nichts ?ndern wird, oder die Annahme, dass das Problem morgen auf magische Art verschwindet, ist letztlich eine Prognose. Einfach eine ohne Modelle, Szenarien, Daten und Expertenwissen ¨C mal ehrlich, w?ren Sie lieber ohne professionelle Prognose durch eine Pandemie, die schon so rund sechs Millionen Tote gefordert hat?

Die letztlich relevante Frage ist vielmehr, ob wir mit quantitativen Prognosen eine bessere Entscheidung treffen k?nnen als ohne. Die Antwort ist fast immer ja. Wenn die Prognosen wissenschaftlich fundiert sind, bieten sie eine gute Orientierungshilfe. Die grosse Herausforderung dabei ist ¨C egal in welchem Fachgebiet ¨C die Unsicherheit und Zuverl?ssigkeit systematisch zu berechnen. Das zus?tzliche Wissen, das Prognosen generieren, zu ignorieren, zeigt eigentlich vor allem, dass die Prognosen nicht ins eigene Weltbild passen.

Mehr Dialog und Vertrauen n?tig

Prognosen vereinigen unser gesamtes Wissen ¨¹ber ein System. Sie sind selten perfekt, aber werden laufend pr?ziser. Prognosen k?nnen jedoch noch so gut sein, sie n¨¹tzen wenig, wenn man sie nicht versteht, wenn man nicht mit Unsicherheiten umgehen kann oder wenn man nicht bereit ist, darauf zu reagieren. Gefragt ist im Hinblick auf zuk¨¹nftige Krisen mehr Dialog und Vertrauen zwischen Politik, Gesellschaft, Medien und Forschung.

Dieser Beitrag von Reto Knutti erschien zuerst als externe Seite Klartext bei Higgs.