Ordnungsparameter – Management 4.0

Von der gesellschaftlichen Kernschmelze – Eine Demokratie-Autokratie Analyse der Länder USA, Deutschland, Ungarn und Ukraine oder vom ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘

Dieser Blog ist der sechste Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Dieses Mal starte ich mit einigen Erfahrungen in der Verwendung der KI-Systeme ChatGPT, Claude und DeepSeek.

Der Teil des Titels ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘ stammt von der KI Claude und zeigt einen kleinen Ausschnitt der wenig positiven aktuellen Erfahrungen mit den zwei KI-Systemen ChatGPT und Claude. Für meine Aufgabenstellungen hat hingegen DeepSeek im Laufe der letzten Monate eine extrem gute Entwicklung gezeigt.

Ziel dieses Blog-Beitrages ist es, das in den letzten Blog-Beiträgen entwickelte Modell des Demokratie-Autokratie-Übergangs an realen Daten zu validieren.

Wie die Blog-Beiträge des letzten Jahres zeigen, waren meine Erfahrungen mit ChatGPT sehr positiv. Alle diese Blog-Beiträge, wie auch der aktuelle, sind durch eine recht aufwendige mathematische Modellierung und eine entsprechend umfangreiche Programmierung gekennzeichnet.

Der vorliegende Blog-Beitrag ist im Juni 2025 entstanden. Zu meiner Überraschung zeigte ChatGPT in mehreren von mir verwendeten Versionen einen enormen Leistungsverlust: Die Ausgabe der umfangreichen Programme erfolgte nicht mehr vollständig. Selbst mehrfaches Nachfordern und das Umleiten der Ausgabe in Dateien brachte keine Besserung. Es ging so weit, dass ChatGPT mir völlig anderen Code anbot, teilweise hatte dieser noch etwas mit der Aufgabenstellung zu tun, jedoch waren es eher kleine Code-Schnipsel. – Kurzum das System war für die Erstellung des Blog-Beitrages nicht nutzbar. – Ich hatte die letzten Jahre schon mehrmals ähnliche Erfahrungen gemacht.- Dieses Mal kam es jedoch sehr überraschend, zumal Sam Altman immer mehr von der KI Singularity spricht. – Meine aktuellen Erfahrungen stehen in krassem Widerspruch zu seinen Prognosen.

Ich wechselte zu Claude. Claude war zuerst in der Lage das Programm vollständig zu erzeugen. Die Programm-Ausgabe, begleitet von ähnlich euphorischen Sätzen wie demjenigen im Titel des Blog-Beitrages, kann den Benutzer dazu verleiten, zu glauben, dass Alles in Ordnung ist. Dem war leider nicht so. Claude benötigte sehr viele Korrekturanweisungen: Immer wieder wurden Modell-Kürzungen vorgenommen, teilweise sogar mit erheblichen Modellverfälschungen.

Mit viel Mühe gelang es schließlich eine erste Version des Programms zu erzeugen. Einer weiteren Verfeinerung und Ergänzung widersetzte sich Claude jedoch. Es tauchten ähnliche Probleme wie bei ChatGPT auf: Code wurde weggelassen und schließlich wurde nur noch ‚Spiel-Code‘ angeboten. Zugegeben, der Code war inzwischen umfangreich, jedoch bei weitem nicht vergleichbar mit Code, den man in der professionellen Computersimulations-Forschung einsetzt. – Also auch hier Indizien für ein Überbewerten der kurzfristigen Erreichbarkeit der AI Singularity?!

Ich wechselte zu DeepSeek, meiner letzten Hoffnung den Blog-Beitrag noch fertigzustellen.- Denn der Fertigstellung durch mich alleine gab ich keine Aussicht auf Erfolg. Mit DeepSeek gelang es mir tatsächlich zwei erhebliche Modell-Ergänzungen vorzunehmen.

Ich ließ die Ergebnisse des nun fertigen Programms von allen drei KI-Systemen interpretieren. – Das war noch möglich: Die Interpretationen von ChatGPT und DeepSeek waren am sachlichsten und an den Daten orientiert. Die Interpretationen von Claude waren wieder ziemlich euphorisch, teilweise sehr plakativ. Einmal geschah bei Claude etwas sehr Bedenkliches: Die KI interpretierte die Ergebnisse aus Sicht der letzten Programmversion, die Claude erstellt hatte. Claude hatte die tatsächlichen Ergebnisse völlig falsch zugeordnet und kam zu einer völlig unsinnigen Interpretation.

Ich interpretiere diese teilweise sehr bedenklichen Erfahrungen wie folgt: Es ist möglich, dass das KI-Verhalten durch das Interface zwischen Prompt-UI und eigentlicher KI hervorgerufen wird. Vermutlich nehmen die KI-Anbieter dort für den Anwender intransparente Änderungen am Prompt-Input vor. Es könnte zum Beispiel sein, dass der Prompt nur eine bestimmte Größe haben darf. Die Ausgabe von ‚Spiel-Code‘ statt umfangreichen richtigen Code weist jedoch darauf hin, dass die KI-Systeme selbst überfordert waren und es offensichtlich kein Warnsystem für Überforderung gib. Zwar ist immer Vorsicht bei der Übernahme von KI-Ausgaben geboten, jedoch scheint diese Vorsicht ab einem bestimmten Aufgabenumfang besonders wichtig zu werden.

Ich wende mich nun dem eigentlichen Ziel dieses Blog-Beitrages zu: Der Validierung des Modells anhand realer Daten. Der Begriff ‚Validierung‘ ist etwas hoch gegriffen, da ich einerseits nicht alle 70 Parameter des Modells realen Daten zuordnen kann und anderseits die Zuordnung, die ich vornehme nicht ganz eindeutig ist. Die in den sogenannten realen Daten enthaltenen Kriterien für Demokratie basieren ihrerseits auf einem Modell und dieses Modell passt nicht zwangsläufig zu meinem Modell. Außerdem enthält die Validierungsmethode selbst gewisse Annahmen.

Ich benutze die V-Dem Daten von 1990-2024, die zu den umfangreichsten und weltweit besten Demokratie-Autokratie-Daten gehören [1]. Schon im dritten Teil dieser Blogreihe ‚Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie‘ vom Mai 2025 habe ich daraufhin gewiesen, dass es unterschiedliche Datensätze von unterschiedlichen Anbietern gibt und diese teilweise erheblich voneinander abweichen. – Die Validierung hat also hier schon ein nicht unerhebliches Handicap, da die ‚Messdaten‘ von unterschiedlichen Anbietern nicht immer das gleiche Ergebnis zeigen. Die ‚Messungen‘ werden typischer Weise über die Einschätzung eines Expertenkollektivs vorgenommen, ähnlich wie man dies von den Expertenschätzungen im Projektmanagement kennt. Prinzipiell kann diese Art von ‚Messung‘ sehr genau sein, differiert jedoch mit dem angenommen Demokratie-Modell (u.a. Zusammenstellung der Kriterien, Wichtung der Kriterien usw. ).

Ich sehen von diesen Unzulänglichkeiten ab und nehme für 18 Parameter in der ODE-Hauptgleichung Zuordnungen vor (man siehe für das ODE-System den vorherigen Blog-Beitrag). – Damit werden alle ‚Soziale Feld‘ Parameter sowie die Parameter des demokratischen und des autokratischen Agenten abgedeckt. Für den rechts-libertären Agenten gibt es in den V-Dem Daten keine Entsprechung. Tabelle 1 zeigt diese Zuordnung:

Parameter	Zuordnung	V-Dem Indikator	Transformation	Theoretische Begründung
λ (lam bzw. lambda: Control Parameter-Political Stress)	v2x_libdem	Liberal Democracy Index	Verschiedene Zuordnungen a +b*x, für vier verschiedene Regime Bereiche	Gesamtdemokratiequalität als inverser Stressindikator
α_Z (Future Orientation)	v2x_delibdem	Deliberative Democracy	0.02 + 0.06 * x	Deliberative Prozesse fördern langfristige Planung und Zukunftsorientierung
α_W (Value Cohesion)	v2x_cspart	Civil Society Participation	0.02 + 0.06 * x	Zivilgesellschaftliche Teilhabe schafft geteilte Werte und sozialen Zusammenhalt
α_B (Needs Cohesion)	v2x_egaldem	Egalitarian Democracy	0.02 + 0.06 * x	Egalitäre Demokratie adressiert gemeinsame Grundbedürfnisse aller Schichten
α_Q (Institutional Trust)	v2x_rule	Rule of Law	0.005 + 0.055 * x	Rechtsstaatlichkeit als direktes Maß für Institutionenvertrauen
α_I (Inequality Impact)	v2x_egaldem	Egalitarian Democracy	0.01 + 0.05 * (1-x) (invertiert)	Schwache egalitäre Demokratie = hohe Ungleichheit
β_P (Polarization)	v2cacamps	Campaign Polarization	0.03 + 0.09 * x	Direkte Messung von Wahlkampfpolarisierung als autokratische Kraft
β_V (Mistrust)	v2x_rule	Rule of Law	0.02 + 0.08 * (1-x) (invertiert)	Schwache Rechtsstaatlichkeit erzeugt gesellschaftliches Misstrauen
β_E (Economic Crisis)	v2x_corr	Corruption Index	0.02 + 0.08 * x	Korruption destabilisiert Wirtschaft und erzeugt Krisen
β_M (Media Polarization/Manipulation)	v2xme_altinf	Alternative Information	0.02 + 0.06 * (1-x) (invertiert)	Weniger alternative Medien = mehr staatliche Medienmanipulation
k_f_ID (Integral Thinking)	v2x_delibdem	Deliberative Democracy	0.00 + 0.03 * x	Deliberation erfordert ganzheitliches Denken
k_f_Ep (Empathy)	v2xcl_rol	Equality before Law	-0.01 + 0.03 * x	Rechtliche Gleichbehandlung setzt Empathie für Gerechtigkeit voraus
k_f_T (Transparency)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Meinungsfreiheit ermöglicht und erfordert Transparenz
k_f_Wp (Science Affinity)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Wissenschaftliche Diskussion braucht Meinungsfreiheit
k_f_C (Conspiracy Thinking)	v2xpe_exlpol	Political Exclusion	-0.01 + 0.04 * x	Politischer Ausschluss fördert Verschwörungsdenken
k_f_MG (Power Hunger)	v2x_corr	Corruption Index	-0.02 + 0.05 * x	Korruption reflektiert Machtgier in der Politik
k_f_R (Revenge)	v2cacamps	Campaign Polarization	-0.01 + 0.03 * x	Polarisierung erzeugt Rachegelüste zwischen politischen Lagern
k_f_Wm (Science Denial)	v2xpe_exlpol	Political Exclusion	-0.02 + 0.04 * x	Ausgrenzung führt zu Anti-Establishment und Wissenschafts-feindlichkeit

Tabelle 1: Diese Tabelle ordnet meinen Modell-Parametern die Modell-Parameter des V-Dem Modells zu. Für den Kontrollparameter ‚lambda‘ wurde eine etwas aufwendigere Zuordnung vorgenommen, da der V-Dem Demokratieindex und der Kontrollparameter als politischer Stressindikator in einem inversen Verhältnis zueinander stehen. Der Freedom of Expression Index wurde zweimal verwendet für Tranzparenz und Wissenschaftsneigung. Der Egalitarian Index und der Corruption Index wurden ebenfalls zweimal verwendet jedoch mit unterschiedlichen Transformationsvorschriften. Die Transformationsvorschriften beruhen auf der Zuordnung Parameter=a+b⋅x bzw. Parameter=a+b⋅(1−x) Die zweite Zuordnung beruht auf der Feststellung, dass manche Parameter wachsen, wenn der Indikator niedrig ist. Wir wählen a und b so, dass für alle realistischen Indikator-Werte in [0, 1] die Modellparameter innerhalb eines theoretisch sinnvollen Intervalls bleiben und bei x=0 den minimal erwarteten Effekt (a) und bei x=1 den maximalen Effekt (a+b) zeigen. Beispiel für α_Z (Future Orientation): α_Z = 0.02 + 0.06 · v2x_delibdem, ⇒ α_Z ∈ [0.02 , 0.08]. Dies deckt den Bereich ab, in dem wir demokratieförderliche Zukunftsorientierung für realistische Deliberation-Werte erwarten.

Die übrigen 52 Parameter, die im Wesentlichen in den Hilfs-ODE’s enthalten sind, bleiben auf ihren Standardwerten. Diese Standardwerte habe ich schon für die vorherigen Blog-Beiträge verwendet. Sie sind für alle Rechnung gleich fixiert.

Damit ergeben sich für die Länder USA, Deutschland, Ungarn und Ukraine folgende an den V-Dem Daten kalibrierten Parameterwerte:

Para-meter	Bedeutung	V-Dem Indikator	USA	Deutsch-land	Ungarn	Ukraine
lam (lambda)	1/Liberal Democracy → Political Stress	v2x_libdem	0.3198	0.2901	0.3562	1.4326
alpha_B	Egalitarian Democracy → Needs Cohesion	v2x_egaldem	0.0610	0.0693	0.0556	0.0408
alpha_I	Egalitarian Democracy → Inequality Impact (inverted)	v2x_egaldem	0.0258	0.0189	0.0303	0.0426
alpha_Q	Rule of Law → Institutional Trust	v2x_rule	0.0585	0.0596	0.0488	0.0199
alpha_W	Civil Society Participation → Value Cohesion	v2x_cspart	0.0791	0.0786	0.0618	0.0536
alpha_Z	Deliberative Democracy → Future Orientation	v2x_delibdem	0.0670	0.0715	0.0502	0.0408
beta_E	Corruption → Economic Crisis	v2x_corr	0.0249	0.0210	0.0476	0.0808
beta_M	Alternative Information → Media Polarization (inverted)	v2xme_altinf	0.0271	0.0221	0.0347	0.0399
beta_P	Campaign Polarization → Polarization Force	v2cacamps	0.0502	–0.1493	0.1105	0.0080
beta_V	Rule of Law → Mistrust (inverted)	v2x_rule	0.0222	0.0205	0.0363	0.0783
k_f_C	Political Exclusion → Conspiracy Thinking	v2xpe_exlpol	–0.0092	–0.0094	–0.0046	–0.0030
k_f_Ep	Equality before Law → Empathy	v2xcl_rol	0.0186	0.0198	0.0180	0.0107
k_f_ID	Deliberative Democracy → Integral Thinking	v2x_delibdem	0.0235	0.0258	0.0151	0.0104
k_f_MG	Corruption → Power Hunger	v2x_corr	–0.0169	–0.0194	–0.0027	0.0180
k_f_R	Campaign Polarization → Revenge	v2cacamps	–0.0033	–0.0698	0.0168	–0.0173
k_f_T	Freedom of Expression → Transparency	v2x_freexp	0.0188	0.0192	0.0147	0.0090
k_f_Wm	Political Exclusion → Science Denial	v2xpe_exlpol	–0.0192	–0.0194	–0.0146	–0.0130
k_f_Wp	Freedom of Expression → Science Affinity	v2x_freexp	0.0188	0.0192	0.0147	0.0090

Tabelle 2: Diese Tabelle zeigt die kalibrierten Parameterwerte des Modells für den Zeitraum 1990-2024. Für sich genommen hat jeder Parameter wenig Aussagekraft. Im Vergleich aller vier Länder bestätigt sich meine Wahrnehmung der jeweiligen Demokratie bzw. Autokratie. Hiernach ist die Ukraine stark autokratisch, Ungarn ist noch demokratisch und USA und Deutschland sind demokratisch. – Jüngste USA Ereignisse sind nicht erfasst: Lediglich am Polarisationsparameter (beta_P) kann man erahnen, was im Jahre 2025 in den USA geschieht.

Auf der Basis dieser kalibrierten Parameter können wir auch in die Zukunft schauen und das Modell nutzen, um eine Zukunftsprognose zur Demokratie-Autokratie Entwicklung der jeweiligen Länder zu wagen. Man beachte, dass diese Prognose keine unerwarteten zukünftigen Ereignisse berücksichtigt, sondern lediglich eine vergangene Entwicklung in die Zukunft fortsetzt.

Für die Prognose benutze ich die sogenannte Sobol-Sensitivitätsanalyse [2]. Basierend auf den Ausgangsdaten für den Zeitraum 1990-2024 simuliert diese Analyse für einen Zeitraum von 50 Jahre welche Parameter zukünftig am wichtigsten sind. Mit der Sobol-Analyse ermittele ich die Parameter, die den größten Einfluss auf drei Ergebnistypen haben:

D_final = Demokratie-Wert am Ende des Zeithorizonts von 50 Jahren
D_change = Differenz zwischen End- und Anfangswert
Resilienz = Durchschnittlicher Demokratie-Wert während der schlechtesten 25% der Zeit (misst die Fähigkeit des Systems, unter Druck zu bestehen).

Gemessen werden die sogenannten ST-Werte (Sensitivity Total Werte). Hohe ST-Werte (nahe 1.0) sind für einen großen Teil der Ergebnisvarianz verantwortlich. Das heißt, kleine Änderungen in diesen Parametern führen zu großen Änderungen im Ergebnis. Diese Parameter sind kritisch für das Systemverhalten. Niedrige ST-Werte (nahe 0) haben wenig Einfluss auf das Ergebnis. Diese Parameter können in weiteren Analysen oft fixiert werden. Der politische Nutzen ist offensichtlich: Die Parameter mit hohen ST-Werten sind Hebel für die demokratische Stabilisierung und Risikofrüherkennung. Z.B. bei hoher Sensitivität von `alpha_Q` (Institutionenvertrauen) sind Justizreformen besonders wirksam. Oder z.B. hoher ST-Wert für ‚lambda‘ für Deutschland zeigt an, dass für Deutschland der autokratische Feldanteil durchaus das Potential hat, Deutschland in ein autoritäres System zu kippen. Die Sobol-Analyse liefert eine wissenschaftliche Grundlage für gezielte Reformen und Risikomanagement.

Nun zu den Ergebnissen:

Abbildung 1: Für die USA wird ausgesagt, dass in allen drei Sensitivitätsanalysen jeweils 10 Parameter mit gleicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Indizes zeigen Parameter des Sozialen Feldes, der blau eingefärbte Parameter steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten (dieser Parameter wird besonders hervorgehoben, da er in Anlehnung an das Kultur- und Bewusstseinsmodell Spiral Dynamics eine übergeordnete Bedeutung hat). Die lila eingefärbten Parameter kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die rot eingefärbten Balken kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘, hier Vertrauensverlust, wirtschaftliche Probleme und mediale Polarisierung. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Alle Persönlichkeitsmerkmale des demokratischen Agenten sind von Bedeutung: Das Integrale Denken (k_f_ID), die Empathie (K_f_Ep), die Transparenz (k_f_T) und die Wissenschaftsneigung (k_f_Wp). Das Gleiche gilt für den autokratischen Agenten: Die Wissenschaftsabneigung (k_f_Wm), die Neigung zu Mystik und Verschwörungstheorien (k_f_C), die Macht- und Geldgier (k_f_MG) und die Rache (k_f_R). Die Prägung von US-Demokratie bzw. Autokratie durch Agenten ist also sehr groß!

Abbildung 2: : Für die Ukraine wird ausgesagt, dass für die drei Sensitivitätsanalysen unterschiedliche Parameter mit unterschiedlicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes, der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Das Integrale Denken ist für alle Prognosen von Bedeutung. Die Wissenschaftsabneigung (k_f_Wm) und die Transparenz (k_f_T) spielen für den finalen Demokratiewert eine große Rolle. Wirtschaftliche Probleme (beta_E) spielen in allen Analysen eine große Rolle. Der Vertrauensverlust ist besonders wichtig für D_final und resilience. Die autokratischen und sogar rechts-libertären Agenten Eigenschaften zeigen sich in allen drei Analysen. Die Prägung der Politik durch diese Agenten ist relativ groß.

Abbildung 3: Deutschland ist das einzige der vier untersuchten Länder, bei dem der Kontrollparameter lam = lambda eine herausragende Rolle spielt. Weitere rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes. Der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Die Persönlichkeitseigenschaften des demokratischen Agenten spielt eine große Rolle: Wissenschaftsneigung (k_f_Wp), Transparenz (k_f_T), Empathie (k_f_Ep) und Integrales Denken (k_f_ID). Für die Resilienz spielen die WerteKohäsion (alpha_W), funktionierende demokratische Institutionen (alpha_Q) und eine geringe Ungleichheit (alpha_I) eine herausragende Rolle. Diese Analysen zeigen, dass lediglich die Eigenschaften der demokratischen Agenten mitbestimmend sind, autokratische und rechts-libertäre Agenten spielen keine Rolle.

Für Ungarn konnte leider keine valide Sobol-Analyse durchgeführt werden. Lediglich ca. 17 % der ODE-Berechnungen konnten mit dem vorliegenden Parametersatz erfolgreich abgeschlossen werden. – Deshalb sind alle Prognosen nicht valide. – Es ist möglich, dass dies an Instabilitäten der Rechnungen liegt, jedoch zeigen diese an, dass Ungarn bis 2040 in eine chaotische Autokratie driftet. – Nicht sehr beruhigend…

Dieser Blog-Beitrag schließt (vorläufig) diese Blog-Reihe. Ich fasse meine Erkenntnisse zusammen.

Das mit KI entwickelte ODE-Modell hat sich erstaunlich gut bewährt:

Die von V-Dem bereitgestellten Muster zum zeitlichen Übergang Demokratie-Autokratie konnten nachgebildet werden.
Das ‚Soziale Feld‘ bestehend aus demokratischen und autokratischen Elementen hat als Ordnungsparameter die Differenz von Autokratie- und Demokratiefaktoren. Diese Differenz bildet einen Phasenübergang 1. Ordnung aus, wenn der Kontrollparameter ‚lambda‘ (sozialer Stress) einen bestimmten Wert überschreitet. Ordnungs- und Kontrollparameter bleiben bei Einführung der Agenten strukturell bestehen.
Autokratische, demokratische und rechts-libertäre Agenten modulieren das ‚Soziale Feld‘ auf zwei Arten: Durch Veränderung des Kontrollparameters und durch unmittelbare Veränderung des Feldes durch die jeweiligen Persönlichkeitseigenschaften. Die beobachten Veränderungen des Übergangs Demokratie-Autokratie stehen u.a. im Einklang mit den aktuellen Beobachtungen für die USA.
Die Validierung des Modells mit allgemein akzeptierten Daten des V-Dem zeigt eine erstaunliche Übereinstimmung. Auf der Basis der ODE’s mit den kalibrierten Modell-Parametern lassen sich Länder-Prognosen für die Entwicklung der Demokratie bzw. Autokratie erstellen. Diese Prognosen treffen Aussagen darüber, welche Modell-Parameter bei welchem Land von Bedeutung sind. Die Modell-Parameter für das ‚Soziale Feld‘, die Agenten Parameter sowie der Kontrollparameter haben für unterschiedliche Länder eine unterschiedliche Bedeutung: So zeigt zum Beispiel die Analyse, dass im US-amerikanischen Kontext die autokratischen Agenten ein große Rolle spielen, für Deutschland spielen diese jedoch überhaupt keine Rolle. Es überwiegt das ‚Soziale Feld‘ und die demokratischen Agenten. Die Dominanz des ‚Soziale Feld‘ für Deutschland zeigt sich auch an der Bedeutung des Kontrollparameters ‚lambda‘. Hier liegt aber auch ein besonderes Risiko: Deutschland kann in eine Autokratie kippen, ohne dass autokratische oder rechts-libertäre Agenten dies forcieren.
Auch wenn Modelle nur Modelle sind, so sind diese Ergebnis sehr bemerkenswert, da an keiner Stelle diese Ergebnisse verdeckt in die ODE‘s einfließen. Die Ergebnisse sind so länderspezifisch, dass sie als Basis zum Nachdenken anregen sollten…

Bei meinen Recherchen bin ich auf einige wissenschaftliche Artikel gestoßen, für die angegeben wird, dass sie sich dem Übergang Demokratie-Autokratie widmen. Meine nachfolgende Analyse hat ergeben, dass aus meiner Sicht nur die V-Dem Veröffentlichungen relevante Aussagen zum Übergang Demokratie-Autokratie enthalten. Eine Veröffentlichung [3] beschäftigt sich mit dem Zusammenhang von Demokratie und Human Development Index (HDI) und verwendet hierfür eine ähnliche Vorgehensweise, wie ich sie in den Blog-Artikeln verwendet habe.

Diese letzte Erkenntnis ist um so bedauerlicher, als meines Erachtens der Übergang Demokratie-Autokratie eines der wichtigsten politikwissenschaftlichen Themen unserer Zeit sein sollte.

[1] V-Dem (2025) https://www.v-dem.net/data/the-v-dem-dataset/, Datensatz: Country-Year: V-Dem Full+Others

[2] Wikipedia (2025) Variance-based sensitivity analysis, https://en.wikipedia.org/wiki/Variance-based_sensitivity_analysis

[3] Spaiser V, Ranganathan S, Mann RP, Sumpter DJT (2014) The Dynamics of Democracy, Development and Cultural Values. PLoS ONE 9(6): e97856. doi:10.1371/journal.pone.0097856

Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie

Abbildung 0: Abbildung erzeugt mit ChatGPT 4o und dem Titel des Blog-Beitrages als Grundidee.

Dieser Blog ist der dritte Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Wie auch in den vorherigen Beiträgen nutze ich ChatGPT, dieses Mal vorwiegend in der Version o4-mini-high, um den Blog-Beitrag in einem hybriden Collective Intelligence Setting zu erstellen. Für die Qualitätssicherung habe ich das KI-System Claude 3.7 Sonnet eingesetzt.

In der wissenschaftlichen Literatur wird der Begriff ‚Übergang Demokratie-Autokratie‘ nicht oft verwendet. Vielmehr finden sich dort des Öfteren die Bezeichnungen ‚Demokratischer Rückschritt‘ und Autokratisierung [1]. Die Bezeichnung ‚Demokratischer Rückschritt‘ wird auch für Vorkommnisse verwendet, die ich im Drift-to-Danger Modell als ‚das Schleifen der Sicherheitsschichten‘ bezeichnet habe.

Der Demokratiegrad (oder Autokratiegrad) eines Staates wird über Demokratieindizes vermessen [2]. Nicht alle Indizes kommen zum gleichen Ergebnis. Ich habe in der nachfolgenden Tabelle drei der bekanntesten Indizes herausgegriffen und für das Jahr 2023 die Länder Schweiz, Deutschland, USA, Ungarn, Polen und Ukraine gemäß ihrer Reihenfolge in den jeweiligen Indizes zusammengestellt.

Länder	The Economist Index	V-Dem Index (repräsentative Demokratie)	Demokratiematrix Index
Schweiz	8	5	4
Deutschland	12	15	2
USA	29	20	31
Polen	41	71	54
Ungarn	50	99	97
Ukraine	91	104	100

Tabelle 1: Demokratieindex der Länder Schweiz, Deutschland, USA, Polen, Ungarn, Ukraine gemäß ihrer Reihenfolge im jeweiligen Demokratieindex: The Economist Index [3], V-Dem Index (hier der Teil, der die repräsentative Demokratie misst) [4] und der Demokratiematrix Index der Universität Würzburg [5].

Wie man sehen kann, sind die Schätzungen zum Demokratiegrad teilweise sehr unterschiedlich und damit sehr weit von einer vertrauenswürdigen Schätzung entfernt: Die unterschiedlichen Schätzungen werden von unterschiedlichen Experten vorgenommen, die eine unterschiedliche Wahrnehmung der Realität haben und/oder Modelle verwenden, die die Demokratie recht unterschiedlich beschreiben.

Das spiegelt sich meines Erachtens auch in den (mathematischen) Modellen wieder: So gibt es eine Reihe von Veröffentlichungen [5] – [19], die sich u.a. mit der Segregation von Gruppen beschäftigen und unterschiedliche Faktoren für den Übergang Demokratie-Autokratie angeben. – Keine der Veröffentlichungen hat als Schwerpunkt den Übergang Demokratie-Autokratie. – Diese Veröffentlichungen zeigen, wie die Demokratieindizes, dass es keine integrierte Sicht auf den Übergang Demokratie-Autokratie gibt.

Dies offenbart meines Erachtens ein großes Defizit in der Erkenntnisgewinnung und dem daraus resultierenden Potential für die politische Umsetzbarkeit. – Autokraten wird damit eine weitere Tür geöffnet, um ihre Ziele zu erreichen.

Gemäß den Veröffentlichungen [5] – [19] fasst Tabelle 2 die wichtigsten der Einflussfaktoren für den Übergang Demokratie-Autokratie zusammen und listet mathematische Modelltypen, die für einen solchen oder ähnliche Übergänge verwendet werden (können).

Einflussfaktor/Modelltyp	Schlüsselpublikation(en)
Wirtschaftlicher Stress	Acemoglu & Robinson (2006); Boix (2003)
Ökonomische Ungleichheit	Boix (2003); Acemoglu & Robinson (2006)
Politische Polarisierung	Iyengar & Westwood (2015)
Mediale Fragmentierung / Radikalisierung	Gentzkow & Shapiro (2011)
Vertrauensverlust (Institutionen)	Putnam (2000); Rothstein & Uslaner (2005)
Soziale Kohäsion / Gemeinschaftsbindung	Putnam (2000)
Agenten-basierte Meinungsdynamik (Phasenübergänge)	Castellano, Fortunato & Loreto (2009). Man überträgt das Ising-Modell auf soziale Netzwerke, wobei „Spins“ für zwei Meinungen (z. B. demokratisch vs. autokratisch) stehen und lokale Mehrheitsregeln oder Abstimmungsprozesse die Dynamik treiben. Diese Modelle zeigen Schwellenwerte und Hysterese-Effekte. Deffuant et al. (2000) Hegselmann & Krause (2002) Hier interagieren Agenten nur, wenn ihre Meinungen (bzw. Einstellungen) nahe genug beieinander liegen. Die Modelle zeigen mehrere Konvergenzphasen und kritische Abstände, jenseits derer sich Gesellschaften in Blasen aufspalten – analog zu Ordnungs- und Kontrollparametern.
Frühwarnsignale / kritisches Slowing-Down	Scheffer et al. (2009); Dakos et al. (2012) betrachten allgemeine Systeme, die abrupt umschlagen (Ökosysteme, Finanzmärkte, Gesellschaft). Sie leiten aus Zeitreihen Kennzahlen wie „Critical Slowing Down“ ab, die wir ansatzweise simulieren.
Mikro-Makro-Verknüpfung (soziale Mechanismen)	Hedström & Swedberg (1998)
Regime-Typen und Autoritarismus	Levitsky & Way (2010), Galam (2011). Galam hat in einer Reihe von Arbeiten (z. B. “Minority Opinion Spreading” und “Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena”) gezeigt, wie kleine überzeugte Minderheiten Stabilitätsgrenzen („tipping points“) überschreiten können.

Tabelle 2: Übersicht zu Veröffentlichungen mit unterschiedlichen Einflussfaktoren für den Übergang Demokratie-Autokratie sowie zu relevanten mathematischen Modellen.

Das Modell, das ich in meinem ersten Blog-Beitrag dieser Reihe verwendet habe, besitzt einen sehr einfachen Zeitreihen-Algorithmus mit Rückkopplung. Trotzdem konnte ich mit diesem Modell die empirischen Muster gemäß V-Dem des Übergangs Demokratie-Autokratie nachbilden. Ich gehe deshalb davon aus, dass die zentrale Modell-Annahme – der Übergang wird durch die Differenz von demokratischen Kohäsionskräften und autokratischen Stresskräften bestimmt – korrekt ist. Ich behalte also diese Idee bei und wandele das Modell in ein ODE-Modell um. ODE steht für Odinary Differential Equation Modell (Gewöhnliches Differential Gleichungssystem) um.

Zusätzlich nehme ich die in der wissenschaftlichen Literatur genannten weiteren Einflussfaktoren ‚Stärke der demokratischen Institutionen‘ und ‚Ungleichheit‘ auf.

Das ODE-Modell – man siehe die nachfolgenden Gleichungen – verwendet Großbuchstaben für das Ergebnis und die Einflussfaktoren: D = Demokratie, A = Autokratie, Z = Zukunftsvertrauen, W = WerteKohäsion, B = BedürfnisKohäsion, P = Polarisierung, V = Vertrauensverlust, E = Wirtschaftsprobleme, M = mediale Radikalisierung, Q = Stärke demokratischer Institutionen, I = Ungleichheit. M_mem ist ein Faktor, der der demokratischen Gesellschaft ein Gedächtnis gibt. In unserem Fall sorgt er dafür, dass das Zukunftsvertrauen langsamer abgebaut wird. Die zu den Einflussfaktoren gehörenden Parameter sind in kleinen griechischen Buchstaben angegeben: Das ODE-Modell hat damit 10 Einflussfaktoren und 30 Parameter.

$\frac{dD}{dt} = \alpha_{Z}Z + \alpha_{W}W + \alpha_{B}B + \alpha_{Q}Q - \alpha_{I}I - \lambda_{\text{stress}}\Bigl(\beta_{P}P^{2} + \beta_{V}V^{1.2} + \beta_{E}E^{1.0} + \beta_{M}M^{1.5}\Bigr)$
$A=1 - D$

$\frac{dZ}{dt} = \gamma_{1}D-\gamma_{2}E+\alpha_{M}\bigl(\mathrm{Mem}-Z\bigr)^{2}$
$\frac{dW}{dt} = \delta_{1}D-\delta_{2}P-\delta_{3}M$
$\frac{dB}{dt} = \epsilon_{1}W-\epsilon_{2}E$
$\frac{dP}{dt} = \zeta_{1}M-\zeta_{2}W$
$\frac{dV}{dt} = \eta_{1}E-\eta_{2}Z$
$\frac{dE}{dt} =\theta_{1}A-\theta_{2}B$
$\frac{dM}{dt} = \iota_{1}P+\iota_{2}A$
$\frac{dQ}{dt} = q_{1}D-q_{2}A$
$\frac{dI}{dt} = i_{1}A-i_{2}B$
$\frac{d\mathrm{Mem}}{dt} = \mu\bigl(D - \mathrm{Mem}\bigr)$

Beispielhaft erläutere ich die erste Gleichung für die zeitliche Entwicklung des Demokratieindex, der zwischen 0 und 1 liegt. Zukunftsvertrauen, WerteKohäsion, Bedürfniskohäsion und die Stärke der demokratischen Institutionen beeinflussen die zeitliche Entwicklung der Demokratie positiv, deshalb stehen sie auf der rechten Seite der Gleichung mit positiven Parametern. Ungleichheit, Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung beeinflussen die Demokratie negativ, deshalb stehen sie auf der rechten Seite mit negativen Parametern. Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung zusammen bilden einen Kontrollparameter der Selbstorganisation. Deshalb sind sie in einer Klammer mit dem Parameter Lambda (λ_Stress) zusammengefasst. – Damit ist es möglich diese Einflussfaktoren zusammen von 0 bis zu einem Endwert (ich lege 2.5 fest) hochzufahren und ggf. wieder zurückzufahren. Tests haben gezeigt, dass einer dieser Einflussfaktoren alleine nicht als Kontrollparameter verwendet werden kann. Der Kontrollparameter ist der zentrale Parameter, um den Übergang Demokratie-Autokratie einzuleiten. Kontrollparameter sind u.a. die Parameter, mit denen man ein System in verschiedene Phasen oder Regime überführen kann: Ein typischer Kontrollparameter in der Physik ist die Temperatur. Mit den Kontrollparametern Temperatur und Druck kann man einen Eiswürfel verflüssigen und das Wasser verdunsten bzw. verdampfen lassen. Einen ferromagnetischen Werkstoff kann man mittels der Kontrollparameter Temperatur und ‚äußeres magnetisches Feld‘ magnetisieren. Reduziert man diese Kontrollparameter wieder, stellt man fest, dass die Entmagnetisierung nicht auf dem gleichen Pfad verläuft wie die Magnetisierung. Man spricht von dem Ausbilden einer Hysterese. Ich komme weiter unten hierauf wieder zurück.

Die übrigen Gleichungen des ODE-Modells lassen sich recht einfach ermitteln, indem man jeweils die Einflussfaktoren benennt, die ihrerseits einen Einflussfaktor beeinflussen. Anschließend übersetzt man diese Aussagen in eine mathematische Form. – Tut man dieses für alle Einflussfaktoren erhält man das obige ODE-Modell.

Diverse Tests haben gezeigt, dass die Ergebnisse des ODE-Modells nicht besonders sensitiv auf die Wahl der Parameter reagieren, die die zeitliche Entwicklung der Einflussfaktoren selbst beschreiben. Entscheidend für das zeitliche Verhalten der Demokratie sind die Parameter in der ersten Gleichung und die Wahl der Startwerte für Demokratieindex und Einflussfaktoren.

Tabelle 3 zeigt die Startwerte und Parameter der Einflussfaktoren in der ersten Gleichung für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

	Gefährdete Demokratie		Demokratische Transition
	Startwerte	Parameter	Startwerte	Parameter
Demokratie	0.7		0.4

Zukunftsvertrauen	0.5	0.05	0.6	0.05
WerteKohäsion	0.5	0.05	0.6	0.04
BedürfnisKohäsion	0.5	0.04	0.6	0.04

Polarisierung	0.5	0.06	0.5	0.06
Vertrauensverlust	0.5	0.05	0.5	0.05
Wirtschaftsprobleme	0.5	0.05	0.4	0.05
Mediale Radikalisierung	0.4	0.04	0.4	0.04

Institutionelle Qualität	0.4	0.02	0.3	0.02
Ungleichheit	0.4	0.03	0.3	0.03

Tabelle 3: Startwerte und Parameter der Einflussfaktoren für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

Die nachfolgenden Abbildungen 1 und 3 zeigen die Lösung des ODE für diese Szenarien in einem Zeitfenster von 1-50 (Jahren). Der zeitliche Verlauf der Einflussfaktoren und der Demokratie wurde teilweise einem sogenannten Sigmoid-Clamp unterzogen. Dies stellt sicher, dass alle Funktionen im Wertebereich 0 bis 1 verlaufen.

Die Abbildungen 2 und 4 zeigen Phasenübergangs-Diagramme mit dem Kontrollparameter Lambda (λ_Stress) und dem Ordnungsparameter Autokratie. Der Ordnungsparameter wird hier mit Phi (φ) angegeben. Phi ist der Anstieg des Autokratiewertes in einem Zeitfenster, d.h. für jeden Lambda-Wert wird der Autokratiewert über die Zeit vermessen. Der Autokratiewert nach Erreichen des Endes des Zeitfensters wird in das Phasenübergangs-Diagramm eingetragen: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Mit dem kleineren Zeitfenster werden zeitlich-lokale Sprünge in dem Autokratiewert sichtbar.

Abbildung 1: Diese Abbildung zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Gefährdete Demokratie‘ mit dem Kontrollparameter Lambda =1.

Abbildung 2: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Gefährdete Demokratie‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich ein Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Abbildung 3: Sie zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Demokratische Transition‘ mit dem Kontrollparameter Lambda =1.

Abbildung 4: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Demokratische Transition‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich eine Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Beide Szenarien zeigen einen Phasenübergang 1. Ordnung für den Übergang Demokratie-Autokratie. Phasenübergang 1. Ordnung bedeutet, dass bei einem bestimmten Kontrollparameter sich die Phase bzw. Regime abrupt ändert: Innerhalb eines sehr kurzen Zeitfensters wird aus der Demokratie eine Autokratie. Erstaunlicher Weise setzt für das Szenario ‚Gefährte Demokratie‘ der Übergang sogar bei kleinerem Lambda ein als beim Übergang ‚Demokratische Transition‘. Dafür ist der Übergang bei der ‚Demokratischen Transition‘ deutlich abrupter. In beiden Fällen sehen wir keine Hysterese, was an den gewählten Parametern liegen kann oder daran, dass die Memory-Modellierung des Modells (noch) nicht ausreichend ist.

Was könnte man mit diesem Modell bzw. diesen Erkenntnissen noch anfangen?

Die am Anfang des Blog-Artikels erwähnten Demokratieindizes könnten dazu benutzt werden das vorliegende Modell bzgl. der Einflussfaktoren anzupassen und bzgl. der Parameter zu adjustieren. Damit wäre es möglich, länderspezifische Vorhersagen zum Übergang Demokratie-Autokratie zu erstellen. Als Nebeneffekt wäre es möglich, die Demokratieindizes zu vereinheitlichen und damit ein integriertes Verständnis von Demokratie und dem Übergang Demokratie-Autokratie zu erzeugen. – Sicherlich eine Aufgabe die im Umfang einer Bachelor- oder Masterarbeit entspricht.

[1] Wikipedia (2025a) Demokratischer Rückschritt (Democratic backsliding), https://en.m.wikipedia.org/wiki/Democratic_backsliding#

[2] Wikipedia (2025b) Demokratiemessung, https://de.m.wikipedia.org/wiki/Demokratiemessung

[3] Wikipedia (2025a) Demokratieindex The Economist, https://de.m.wikipedia.org/wiki/Demokratieindex_(The_Economist)

[4] Wikipedia (2025c) Demokratieindizes (V-Dem), https://de.m.wikipedia.org/wiki/Demokratieindizes_(V-Dem)

[4] Wikipedia (2025d) Demokratiematrix, https://www.demokratiematrix.de/ranking, Universität Würzburg

[5] Castellano, C., Fortunato, S., Loreto, V. (2009). Statistical physics of social dynamics. Reviews of Modern Physics 81(2): 591–646.

[6] Galam, S. (2011). Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena. Springer.

[7] Scheffer, M. et al. (2009). Early-warning signals for critical transitions. Nature 461: 53–59, https://doi.org/10.1038/nature08227

[8] Hegselmann, R., Krause, U. (2002). Opinion dynamics and bounded confidence models, analysis, and simulation. Journal of Artificial Societies and Social Simulation, 5(3).

[9] Epstein, J. M. (2002). Modeling civil violence: An agent-based computational approach. Proceedings of the National Academy of Sciences 99(suppl 3): 7243–7250.

[10] Acemoglu, D., & Robinson, J. A. (2006). Economic Origins of Dictatorship and Democracy. Cambridge University Press.

[11] Boix, C. (2003). Democracy and Redistribution. Cambridge University Press.

[12] Iyengar, S., & Westwood, S. J. (2015). Fear and loathing across party lines: New evidence on group polarization. American Journal of Political Science, 59(3), 690–707. https://doi.org/10.1111/ajps.12152

[13] Gentzkow, M., & Shapiro, J. M. (2011). Ideological segregation online and offline. The Quarterly Journal of Economics, 126(4), 1799–1839. https://doi.org/10.1093/qje/qjr044

[14] Putnam, R. D. (2000). Bowling Alone: The Collapse and Revival of American Community. Simon & Schuster.

[15] Rothstein, B., & Uslaner, E. M. (2005). All for all: Equality, corruption, and social trust. World Politics, 58(1), 41–72. https://doi.org/10.1353/wp.2006.0028

[16] Deffuant, G., Neau, D., Amblard, F., & Weisbuch, G. (2000). Mixing beliefs among interacting agents. Advances in Complex Systems, 3(1-4), 87–98. https://doi.org/10.1142/S0219525900000078

[17] Dakos, V., Scheffer, M., van Nes, E. H., Brovkin, V., Petoukhov, V., & Held, H. (2012). Methods for detecting early warnings of critical transitions in time series illustrated using simulated ecological data. PLOS ONE, 7(7), e41010. https://doi.org/10.1371/journal.pone.0041010

[18] Hedström, P., & Swedberg, R. (Eds.). (1998). Social Mechanisms: An Analytical Approach to Social Theory. Cambridge University Press.

[19] Levitsky, S., & Way, L. A. (2010). Competitive Authoritarianism: Hybrid Regimes after the Cold War. Cambridge University Press.

Von der gesellschaftlichen Kernschmelze oder dem Übergang Demokratie-Autokratie und (vielleicht auch) umgekehrt

Im März 2025 erschien in Spektrum der Wissenschaft der Beitrag ‚Die Kernschmelze der Demokratie – Erosion politischer Systeme‘ [1].

Der Spektrum der Wissenschaft Beitrag beruht auf einem wissenschaftlichen Artikel [2], in dem die Risikoerkenntnisse der Atomwirtschaft auf gesellschaftliche Risiken, insbesondere den Übergang von Demokratie zu Autokratie übertragen werden.

Abbildung 1 aus [2] visualisiert die wesentlichen Aussagen zur sogenannten Drift-to-Danger Theorie. Hiernach ist der Übergang Demokratie-Autokratie von folgenden Faktoren gekennzeichnet:

Der Verletzung von Normen durch Eliten (u.a. Lügen, Verschwörungstheorien, Negieren von wissenschaftlichen Erkenntnissen, u.ä.)
Die Schwelle zur Autokratie (durchgezogene rote horizontale Linie) ist durch eine Reihe von Sicherheitsschichten (dünne rote Linien) geschützt. Verhaltensbezogene Normen und Maßnahmen unterstützen diese Sicherheitsschichten. Falls jedoch diese erodieren, also z.B. ein Teil der Presse die Verletzung der Normen unterstützt oder in der Gerichtsbarkeit ‚wohlwollende Richter‘ eingesetzt werden, driftet die Demokratie in Richtung Autokratie.
Jeder Fall einer Sicherheitsschicht ist mit einem ‚Beinahe-Unfall‘ verbunden. Halten alle Sicherheitsschichten nicht mehr, kommt es zum Übergang zur Autokratie.

Abbildung 1: Drift-to-Danger Theorie angewendet auf den Übergang von einer Demokratie zur Autokratie [2].

Meines Erachtens ist das Thema des Übergangs Demokratie-Autokratie das wichtigste gesellschaftspolitische Thema unserer Zeit. Ausgelöst sicherlich durch die eindeutig autokratischen Maßnahmen der Trump Administration, und verstärkt durch die rechtsradikalen gesellschaftlichen Bewegungen in Europa.

Es ist mir völlig unverständlich, wie Menschen durch ihre Wahlstimme helfen können, dass sich Demokratien in Autokratien transformieren, da die Geschichte und das aktuelle Leid überall auf der Welt, hervorgerufen durch autokratische Systeme, Menschen eines Besseren belehren sollten.

Die amerikanischen Tech-Milliardäre haben im Rahmen der Trump Präsidentschaft gezeigt, dass moderne Technologien und eine offene am Menschen orientierte innere Haltung nicht unbedingt zusammengehören. – Deshalb halte ich inzwischen die Gefahr eines Übergangs Demokratie-Autokratie, die von solchen Personen ausgeht, mindestens für so groß wie diejenige, die von Trump selbst ausgeht. – In meinen Blog-Beiträgen ‚Rückwärtsgewandt in den Abgrund…oder… Entwickeln wir uns weiter!? vom November 2023‘, ‚Gesellschaftlicher Wandel – Sein oder Nichtsein? – Das ist hier die Frage! vom Mai 2020‘ und in ‚Cultural Entropy: Corona deckt unsere Werte auf, vom März 2020‘ bin ich auf die sogenannten limitierenden Bewusstseinsniveaus und die daraus resultierenden limitierenden Werte eingegangen. Hiernach tragen solche Limitierungen und die damit verbundene Polarisierung mittels Lügen, Negierung von wissenschaftlichen Erkenntnissen und Verschwörungstheorien das Potential für Autokratie in sich. Gemäß dieser Blog-Beiträge haben die USA (schon seit längerem) ein deutliches Potential für Autokratie. – Jetzt ist dieses leider Realität geworden!

Autokratie „wird in der Politikwissenschaft [als] eine Herrschaftsform bezeichnet, in der eine Einzelperson oder Personengruppe unkontrolliert politische Macht ausübt und keinen verfassungsmäßigen Beschränkungen unterworfen ist“ [3]. – Eine sehr gelungene Darstellung zum Thema Demokratie-Autokratie findet sich in [4].

Bei einigen, die die Maßregelung von Vance und Trump gegenüber Selenskyj im Fernsehen verfolgten, stellt sich vielleicht die Erinnerung an das ein oder andere ‚Mitarbeitergespräch‘ ein. – Leicht abgewandelt lässt sich die Autokratie-Definition auch als Definition für autokratische Organisationen verwenden. – Eine Organisation oder ein Teil einer Organisation kann, hervorgerufen durch ihre Führungskräfte, einer Autokratie ähneln. In diesem Sinne sind mögliche Erkenntnisse dieses Beitrages auch auf organisationale oder institutionelle Systeme übertragbar.

In diesem Beitrag, und zukünftigen Beiträgen, will ich versuchen, dieses Phänomen mit Hilfe mathematischer Modelle etwas auszuleuchten. Ich benutze zur Gewinnung dieser Modelle und der daraus resultierenden Python Programme wieder ChatGPT4o1 als KI-Assistenzsystem.

Ich starte in diesem Blog-Beitrag mit einem einfachen phänomenologischen Modell. Die wichtigsten Formeln dieses Modells sind:

$\text{Autokratie} \;=\; \text{Stress} \;-\; \text{Ordnungswert (Demokratie)}.$

$\text{Stress} = \frac{\text{Polarisierung}^{2} + \text{mediale Radikalisierung}^{1.5} + \text{Vertrauensverlust}^{1.2} + \text{Wirtschaftsprobleme}}{4}.$

$\text{Ordnungswert (Demokratie)} = \frac{\,\text{Zukunftsvertrauen} + \text{WerteKohaesion} + \text{BeduerfnisKohaesion}\,}{3}.$

$\text{Zukunftsvertrauen} = \max\bigl(0,\; \text{Zukunftsvertrauen}_{\mathrm{init}} - 0.5 \times \text{Stress}\bigr).$

$\text{WerteKohaesion} = \max\bigl(0,\; \text{WerteKohaesion}_{\mathrm{init}} - 0.4 \times \text{Stress}\bigr).$

$\text{BeduerfnisKohaesion} = \max\bigl(0,\; \text{BeduerfnisKohaesion}_{\mathrm{init}} - 0.3 \times \text{Stress}\bigr).$

Die obigen Formeln stammen aus einer heuristischen Modellierung – das heißt, sie basieren nicht auf einer einzelnen wissenschaftlichen Quelle oder einem etablieren Standardwerk. Stattdessen habe ich – mittels ChatGPT 4o1 – verschiedene Ideen aus System- und Sozialdynamik aufgegriffen und auf einfache Weise in ein numerisches Modell übertragen.

Im Einzelnen:

Autokratie = Stress – Ordnungswert (Demokratie)
- Diese Gleichung erfasst den politischen Zustand als Differenz zwischen „Stress“ (kritische Faktoren wie Polarisierung, mediale Radikalisierung etc.) und einem „demokratischen Ordnungsparameter“ (d.i. Ordnungswert (Demokratie) resultierend aus Zukunftsvertrauen, WerteKohaesion, Bedürfniskohaesion).
- Die Gleichung signalisiert: Wenn „Stress“ größer ist als der vorhandene Ordnungswert, wird das System eher autokratisch. Umgekehrt, wenn der Ordnungswert den Stress kompensiert, bleibt es demokratisch.
Stress = (Polarisierung^2 + mediale Radikalisierung^1.5 + Vertrauensverlust^1.2 + Wirtschaftsprobleme) / 4
- Hier sind Exponenten wie 2, 1.5 oder 1.2 keine wissenschaftlich ermittelten Werte, sondern heuristische Größen, um den Effekt gewisser Variablen (z. B. Polarisierung) zu betonen.
- Beispielsweise wird Polarisierung^2 benutzt, um zu sagen: „Wenn Polarisierung ansteigt, wirkt sie überproportional auf den Stress.“
- „Wirtschaftsprobleme^1.0“ ist lediglich ein fester Wert in diesem Beispiel, um das Modell zu vereinfachen. Genauso könnte man andere Exponenten verwenden, wenn man davon überzeugt ist, dass Wirtschaft eine dominate Rolle beim Stress hat.
- Diese Parametrisierung ist nicht aus einer einzigen Quelle übernommen, sondern angelehnt an die Idee, dass manche Faktoren (Polarisierung, mediale Radikalisierung) über lineare Effekte hinaus die Gesellschaft polarisieren oder radikalisieren.
Lineare Abzüge für Zukunftsvertrauen, WerteKohäsion und BedürfnisKohäsion
- Formeln wie WerteKohaesion = max(0, WerteKohaesion_init − c1 × Stress) stammen aus System Dynamics-Denkmustern, in denen man sagt: „Bei höherem Stress wird ein Teil der gesellschaftlichen Kohäsion aufgezehrt.“ – Die spezielle Formel implementiert eine Rückkopplung im System und erlaubt damit die explizite Modellierung von Nicht-Linearitäten.
- Die Faktoren (z. B. 0.5, 0.4, 0.3) sind ebenfalls heuristisch gewählt: Sie wurden so eingestellt, dass das Modell in manchen Situationen in die Autokratie kippt, in anderen stabil demokratisch bleibt. Eine wissenschaftliche Herleitung bräuchte empirische Studien, in denen man z. B. statistisch ermittelt, wie stark Stress tatsächlich das Zukunftsvertrauen, die WerteKohäsion und die BedürfnisKohäsion senkt.
Ordnungswert (Demokratie) = (Zukunftsvertrauen + WerteKohaesion + BeduerfnisKohaesion) / 3
- Diese Formel ist eine Vereinfachung nach dem Motto: „Wir nehmen den Durchschnitt der drei reduzierten Variablen als Gesamtmaß für die ‘demokratischen Werte’ im System.“
- Man könnte alternativ gewichten (etwa 0.3 × Zukunftsvertrauen + 0.4 × WerteKohäsion + 0.3 × BedürfnisKohäsion), oder man könnte ganz andere Mechanismen nutzen.

Abbildung 2 zeigt einen möglichen Drift-Verlauf berechnet mit dem Modell und den oben genannten Parametern: Obwohl die Ordnungswerte hoch sind (WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5 (alle Werte sind im Bereich 0 bis 1)), reicht dies nicht aus, um einen deutlichen Anstieg der Autokratie zu verhindern, da die Stressfaktoren ebenfalls oberhalb 0.5 liegen.

Abbildung 2: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5, Polarisierung=0.6, Wirtschaftsprobleme=0.5, Mediale Radikalisierung=0.6, Vertrauensverlust=0.5.

Das V-Dem (The Varieties of Democracy Institute) der University of Gothenburg, Department of political science erhebt Daten zur globalen Demokratie-Autokratie Entwicklung und erkennt auch Drift-Muster in diesen [5].
Hiernach wird das obige Drift-Muster der Abbildung 2, als ‚diminished democracy‘ Muster bezeichnet. Mit Hilfe unseres Modells lassen sich auch die anderen Drift-Muster nachbilden.
Abbildung 2 zeigt das ‚reverted liberalization‘ Drift-Muster: Der Autokratie-Wert geht in einem Zeitfenster etwas zurück, um dann wieder anzusteigen.

Abbildung 3: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.45, BedürfnisKohaesion=0.45, Zukunftsvertrauen=0.45, Polarisierung=0.9, Wirtschaftsprobleme=0.9, Mediale Radikalisierung=0.8, Vertrauensverlust=0.9.

Zusammenfassend stelle ich fest: Die Drift-to-Danger Theorie ist eine sehr plausible Theorie, die aktuelle Demokratie-Autokratie Entwicklungen gut wiedergibt. Mit unserem einfachen phänomenologischen mathematischen Modell lassen sich reale Drift-Muster gut und plausible nachbilden. Wir haben damit eine gute Ausgangsbasis gewonnen, um das vorliegende Modell zu erweitern. Erweiterungen könnten sein:

Einführung von autokratischen und demokratischen Agenten, die die Drift-Muster beeinflussen. Diese Agenten könnten programmierte Agenten oder KI-Agenten sein.
Untersuchung der Drift-Muster hinsichtlich ihres Phasenübergangsverhaltens.
Vergleich von Theorie und länderspezifischen Demokratie-Autokratie-Scoring-Daten im Zeitverlauf.
Erkenntnisse, wie die Drift Demokratie-Autokratie verhindert werden kann oder der Übergang Autokratie-Demokratie gelingen kann.

Sehen wir, was möglich ist!

[1] Könneker C (2025) Die Kernschmelze der Demokratie – Erosion politischer Systeme, in Spektrum der Wissenschaft, https://main-diewocheconnect-spektrum.content.pugpig.com/news/gefaehrliche-erosion-das-drift-to-danger-modell-der-demokratie/2257940/d_app_controller/subcontent/page

[2] Abels C M et al. (2024) Dodging the autocratic bullet: enlisting behavioural science to arrest democratic backsliding, Behavioural Public Policy (2024), 1–28, doi:10.1017/bpp.2024.43, Cambridge University Press

[3] Wikipedia (2025) Autokratie, https://de.wikipedia.org/wiki/Autokratie

[4] Schmidt M G (2020) Demokratien und Autokratien: Ein vergleichender Überblick, in Deutschland & Europa, Heft 79, Landeszentrale für politische Bildung Baden-Württemberg

[5] Maerz S F et al. (2021) A Framework for Understanding Regime Transformation: Introducing the ERT Dataset, V-Dem, University of Gothenburg, Department of political science