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.

LänderThe Economist IndexV-Dem Index (repräsentative Demokratie)Demokratiematrix Index
Schweiz854
Deutschland12152
USA292031
Polen417154
Ungarn509997
Ukraine91104100
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/ModelltypSchlüssel­publikation(en)
Wirtschaftlicher StressAcemoglu & Robinson (2006); Boix (2003)
Ökonomische UngleichheitBoix (2003); Acemoglu & Robinson (2006)
Politische PolarisierungIyengar & Westwood (2015)
Mediale Fragmentierung / RadikalisierungGentzkow & Shapiro (2011)
Vertrauensverlust (Institutionen)Putnam (2000); Rothstein & Uslaner (2005)
Soziale Kohäsion / GemeinschaftsbindungPutnam (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 AutoritarismusLevitsky & 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. Mmem 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 (λStress) 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 DemokratieDemokratische Transition
 StartwerteParameterStartwerteParameter
Demokratie0.7 0.4 
     
Zukunftsvertrauen0.50.050.60.05
WerteKohäsion0.50.050.60.04
BedürfnisKohäsion0.50.040.60.04
     
Polarisierung0.50.060.50.06
Vertrauensverlust0.50.050.50.05
Wirtschaftsprobleme0.50.050.40.05
Mediale Radikalisierung0.40.040.40.04
     
Institutionelle Qualität0.40.020.30.02
Ungleichheit0.40.030.30.03
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 (λStress) 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.

Karl Marx und die Theorie der Selbstorganisation

Anlässlich seines 200-Jährigen Geburtstages am 05.05.2018 habe ich mich daran erinnert, dass ich vor langer Zeit ein großer Fan von Marx und seinem Kapital [1] war. Nicht weil mich der Marxismus und Kommunismus damals wie heute besonders angesprochen hat, sondern weil mich die Scharfsinnigkeit seiner Gedanken faszinierte sowie die erfrischende Verbindung von Theorie und Praxis.

Einige Jahre später faszinierte mich, auf vielleicht noch größere Weise, die Theorie der Selbstorganisation. Die Selbstorganisation ist, soweit wir dies heute wissen, ein universelles Prinzip und beschreibt sogenannte emergente Phänomene, die auf dem kollektiven komplexen Verhalten von vielen Objekten bestehen. – So versucht die Theorie der sozialen Selbstorganisation die Ausbildung von gesellschaftlichen und ökonomischen Strukturen (Makro-Ebene) auf der Basis des Verhaltens von Menschen (Mikro-Ebene) zu beschreiben.  Die Theorie der Selbstorganisation, insbesondere die Synergetik [2], ist heute ein wesentlicher Bestandteile meiner Arbeit und ein wesentlicher Teil der Collective Mind – und Management 4.0 – Theorie und Praxis [3], [4], [5].

Ich verweise auch auf die sehr gelungene Zusammenstellung der verschiedenen Theorieschulen der Ökonomie, die alle sehr unterschiedlich mit der Gestaltung von Makro- und Mikro-Ebene umgehen: https://www.exploring-economics.org/de/orientieren/#discover. Exploring Economics plädiert für eine Vielfalt in den Betrachtungsweisen, der ich mich sehr gerne anschließe. Ich glaube zusätzlich, dass das Denken in „Schulen“ überwunden werden müsste, hin zu einer integrativen Betrachtungsweise, in der sich die verschiedenen Perspektiven als Grenzfälle ergeben, je nachdem worauf der Fokus gelegt wird: Derzeit ist es allerdings so, dass es z.B. zwischen der  Schule „Evolutionsökonomie“, der Schule „Komplexitätsökonomie“ und der Schule „Marxistische Politische Ökonomie“ wenig Integratives gibt. – Falls die Prinzipien der Selbstorganisation tatsächlich universell sind, so müssten sie in der Lage sein, diese Integration zu leisten.

In den Trainings zu Management 4.0 skizziere ich immer mal wieder den Zusammenhang zwischen Selbstorganisation und gesellschaftlichen Entwicklungen (Flüchtlingsthema, Brexit, AfD, Trump, die Ausbildung exponentieller Organisationen wie Facebook und Google sowie die soziale Selbstorganisation mittels digitaler Netzwerke) – Man siehe hierzu auch die Ausführungen von Ebeling und Feistel in der Zeitschrift der Leibniz-Sozietät [6].

Dies Alles brachte mich auf die Idee, mir die Theorie von Marx unter dem Blickwinkel der Selbstorganisation anzusehen. – Zumal ich vor kurzem das überaus beeindruckende Buch von Piketty „Das Kapital im 21. Jahrhundert“ [7] gelesen habe und beim Lesen sich der Gedanke aufdrängte, dass Piketty mit „big data“ den Wirkmechanismen der ökonomischen und damit der gesellschaftlichen Selbstorganisation der letzten 300 Jahre auf den Grund gegangen ist.

Piketti schreibt am Ende seines Buches [7]:

„Die allgemeine Lehre, die sich aus den untersuchten Daten ziehen lässt, ist die, dass die Dynamik einer auf Privateigentum beruhenden Marktwirtschaft, wenn sie sich selbst überlassen bleibt, machtvolle Konvergenzkräfte freisetzt, die namentlich in der Verbreitung von Kenntnissen und Fähigkeiten liegen, aber auch machtvolle Divergenzkräfte, die unsere demokratischen Gesellschaften und jene soziale Gerechtigkeit bedrohen, die zu ihren Legitimationsgrundlagen zählt. Die mächtigste destabilisierende Kraft liegt in der Tatsache, dass die private Kapitalrendite r dauerhaft sehr viel höher sein kann als die Wachstumsrate des Einkommens und der Produktion g. Die Ungleichung r > g sorgt dafür, dass Vermögen, die aus der Vergangenheit stammen, sich schneller rekapitalisieren, als Produktion und Löhne wachsen. In dieser Ungleichheit spricht sich ein fundamentaler Widerspruch aus. Je stärker sie ausfällt, umso mehr droht der Unternehmer sich in einen Rentier zu verwandeln und Macht über diejenigen zu gewinnen, die nichts als ihre Arbeit besitzen. Wenn es einmal da ist, reproduziert Kapital sich von selbst – und zwar schneller, als die Produktion wächst. Die Vergangenheit frisst die Zukunft.“

Dies hätte Marx, so oder so ähnlich, auch sagen können!

Das Bild ist aus [7] entnommen. – Ich gehe auch davon aus, dass die Kapitalrendite durch die Digitalisierung, in der Roboter noch mehr die Bearbeitung von (standardisierten) Prozessen übernehmen werden, weiter steigen wird, da Roboter vor allem Kapitalinvestitionen darstellen.

Eine Recherche im Internet ergibt die für mich doch überraschende Erkenntnis, dass mein Gedanke, die Theorie von Marx in die Nähe der Theorie der Selbstorganisation zu rücken keineswegs neu ist. Ja, dass vielmehr Marx als Ur-Vater der ökonomischen und gesellschaftlichen Theorie der Selbstorganisation angesehen wird. Deshalb ist es auch nicht weiter verwunderlich, wenn man Marx – abgesehen von dem Missbrauch seiner Ideen durch Andere in Marxismus und Kommunismus – vor allem heute, als eines der großen Genies neben Darwin und Einstein ansieht [8].

Marx hat von sich selbst behauptet, dass er kein Marxist sei.- Gleichwohl hat er in Kenntnis der unsäglichen Arbeitsbedingungen des 19ten Jahrhunderts als Kommunist gewirkt, der eine Revolution herbeiführen wollte, um dem Menschen seine Würde und Freiheit wieder zu geben. In der Umsetzung seiner Theorie sind der russische Kommunismus und der frühe chinesische Marxismus jedoch gescheitert. Meines Erachtens weil die grundlegenden Prinzipien der Selbstorganisation verletzt wurden.

Dies ist umso erstaunlicher, als schon Marx selbst den Zusammenhang zwischen seiner Theorie und Darwin’s Evolutionstheorie hergestellt hat. – Heute geht man davon aus, dass die (ökonomischen) Evolution durch Selbstorganisation angetrieben wird.

Weise [9] schreibt hierzu:

„Seine Sichtweise (Anm.: Marx‘ Sichtweise) der Evolution von Gesellschaftssystemen findet sich klar ausformuliert in „Zur Kritik der Politischen Ökonomie: „In der gesellschaftlichen Produktion ihres Lebens gehen die Menschen bestimmte, notwendige, von ihrem Willen unabhängige Verhältnisse ein, Produktionsverhältnisse, die einer bestimmten Entwicklungsstufe ihrer materiellen Produktivkräfte entsprechen. Die Gesamtheit dieser Produktionsverhältnisse bildet die ökonomische Struktur der Gesellschaft, die reale Basis, worauf sich ein juristischer und politischer Überbau erhebt … Auf einer gewissen Stufe ihrer Entwicklung geraten die materiellen Produktivkräfte der Gesellschaft in Widerspruch mit den vorhandenen Produktionsverhältnissen oder, was nur ein juristischer Ausdruck dafür ist, mit den Eigentumsverhältnissen, innerhalb derer sie sich bisher bewegt hatten. Aus Entwicklungsformen der Produktivkräfte schlagen diese Verhältnisse in Fesseln derselben um. Es tritt dann eine Epoche sozialer Revolution ein. Mit der Veränderung der ökonomischen Grundlage wälzt sich der ganze ungeheure Überbau langsamer oder rascher um.“ “

In der naturwissenschaftlich geprägten Theorie der Selbstorganisation (Synergetik) wird Selbstorganisation durch drei Parametertypen und die sich daraus emergent ausbildende Makrostruktur beschrieben [4]:

Alle in der obigen Tabelle exemplarisch genannten Parameter sind Variable, die unterschiedlichen Zeitskalen unterliegen: Die Rahmenparameter bleiben typischer Weise auf einer sehr langen Zeitskala stabil, wohingegen die Kontrollparameter, wie der Name schon sagt, Parameter sind, mit denen man ein System auf einer kürzeren Zeitskala per Intervention in seinem Verhalten beeinflusst bzw. beeinflussen kann. Die Ordnungsparameter sind Parameter, die sich abhängig vom System und den vorliegenden Rahmenparametern und Kontrollparametern „von selbst“ (also emergent) ausbilden und damit zur Ausbildung einer Makrostruktur führen. – Für Makrostruktur hat Marx den Begriff (gesellschaftlicher) Überbau (d.h. oberhalb der Ebene der Individuen, der Mikro-Ebene) verwendet.

Was Rahmenparameter, Kontrollparameter und Ordnungsparameter sind, kann man nicht immer zweifelsfrei sagen, oft sind die Grenzen, insbesondere zwischen Rahmenparametern und Kontrollparametern sowie Kontrollparametern und Ordnungsparametern fließend. – Meines Erachtens konnte z. B. Piketty mit seinen umfangreichen Datenanalysen zeigen, dass die Differenz r-g (siehe obiges Zitat) die Funktion eines Ordnungsparameters hat. – Vermutlich hätte Marx dem Kapital selbst die Funktion eines Ordnungsparameters zugeschrieben.

Ein System, das mit Hilfe dieser drei Parametertypen modelliert wird, ist ein dynamisches System.  Das System verharrt für eine bestimmte Zeit in einem metastabilen Zustand (metastabil bedeutet, dass kleinste Störungen, das System verändern können); es kann aber jeder Zeit aus diesem Zustand in einen anderen metastabilen Zustand wechseln kann, wenn die Parameter sich ändern. Jeder so erreichte Zustand wird durch den Verlauf der vorherigen Zustände wesentlich mitbestimmt. Damit spielt die Historie eines Systems eine prominente Rolle für den aktuell eingenommen Zustand: Die Historie eines Systems wirkt wie ein Rahmenparameter, sie lässt sich ja nicht mehr verändern!

Die nachfolgende Abbildung zeigt die Systemparameter (Rahmen-, Kontroll- und Ordnungsparameter) in Anlehnung an Marx und Piketty für das ökonomische Teilsystem einer Gesellschaft. Ich erhebe nicht den Anspruch, das ökonomische Teilsystem auch nur ansatzweise vollständig beschrieben zu haben. Ein System wie Deutschland besteht wahrscheinlich aus sehr vielen Teilsystemen, die alle über entsprechende Systemparameter zu beschreiben sind und deren Systemparameter auf komplexe Weise (also über Rückkopplungen auf Mikro-Ebene wie Makro-Ebene) mit einander wechselwirken. – Vergleicht man die Einträge zu der Zeile „Gesellschaft“ in der obigen Tabelle, so stellt man fest, dass diese Parameter nicht mit denjenigen des ökonomischen Teilsystems übereinstimmen: Ich gehe davon aus, dass die in der Tabelle beschriebenen Parameter (heute eher) das Gesamtsystem beschreiben und dass die ökonomischen Systemparameter das Teilsystem Ökonomie skizzieren. (In der Marx’schen Theorie ist hingegen das ökonomische System, das System das (eher) das Gesamtsystem beschreibt. Es ist nicht auszuschließen, dass die „Hierarchie“ der Teilsysteme von der Entwicklung einer Gesellschaft abhängt. In jedem Fall ist die Frage nach der „Hierarchie“ eine sehr wichtige Frage, die hier nicht abschließend beantwortet werden kann.)

Natürlich findet zwischen den Teilsystemen eine Wechselwirkung statt: Wächst die Ungleichheit, so ist dies eine Ursache für den Verlust von Identifikation und emotionaler Sicherheit. Letztendlich werden auf dieser Basis die (bestehenden) Werte und verbindenden Glaubenssätze in Frage gestellt, was zu einem Verlust der (bisherigen) gesellschaftlichen Ordnung führt bzw. führen kann.

Auf der Basis der Analysen von Marx und Piketty habe ich die Produktionskräfte, aber auch die Historie und das Umfeld den Rahmenparametern zugeordnet. Ich glaube, dass es z.Zt. im Kontext der Digitalisierung enorm wichtig ist, ob man die Technologie als Rahmenparameter versteht oder als Kontrollparameter. Falls man die Digitalisierung als Rahmenparameter versteht, dann heißt dies auch, dass die damit verbundene gesellschaftliche Entwicklung im ökonomischen Teilsystem einfach hingenommen wird. Falls die Technologie als zu gestaltender Kontrollparameter verstanden wird, wäre zu überlegen, wie man diesen gestalten muss, damit sich dieser günstig auf den oder die Ordnungsparameter auswirkt. Denn es wäre ja sicherlich wünschenswert, dass die sich ausbildende Makrostruktur die Ungleichheit nicht weiter verstärkt.

Wie Piketty zeigt, ist z.B. das Steuersystem ein sehr wichtiger Kontrollparameter, um den Ordnungsparameter zu beeinflussen. Als Ordnungsparameter habe ich in Anlehnung an Piketty die zentrale Größe r-g (Kapitalrendite – Wachstum von Produktion und Einkommen) gewählt, da Piketty gezeigt hat, dass diese Größe unmittelbar die Ausbildung der Ungleichheits-Makrostruktur hervorruft. Piketty charakterisiert die Ungleichheit über den Anteil des Vermögens und des Einkommens: Z.B. besitzen in Europa im Jahre 2010 0,1% der Bevölkerung ca. 23 % des Vermögens, 10% der Bevölkerung ca. 63% des Vermögens.  Bei Marx wird die Ungleichheits-Makrostruktur durch das Verhältnis des Eigentums von Bourgeoisie und Arbeiterschaft beschrieben: Die einen haben das Kapital, das ständig wächst, und die anderen sind zu dem Schicksal verdammt, das sich aus diesem Verhältnis ergibt. Die Ungleichheit wächst nach Marx aber nicht beliebig, es wird einen Punkt geben, an dem sich die Ungleichheit  (per kritischer Selbstorganisation, wie wir heute sagen würden) entlädt. Marx hat diesen Punkt als systemspezifischen Punkt erkannt und den Start für die Revolution an diesem Punkt festgemacht.

Aus diesen Darstellungen kann man auch unmittelbar ableiten, dass soziale Systeme, die durch Ungleichheit gekennzeichnet sind, anfälliger für unkontrollierte Veränderungen sind, wenn von außen Komplexität zugeführt wird. Neue Technologien, wie die Digitalisierung, aber auch die Aufnahme von Flüchtlingen wirken als Komplexitätstreiber (Kontrollparameter), die die Komplexität unkontrolliert antreiben. Wenn diese Komplexitätstreiber die Ungleichheit objektiv vergrößern oder auch nur wahrgenommen vergrößern, kann dies in den Bereich der kritischen Selbstorganisation führen. Meines Erachtens ist das Auftauchen der AfD und Pegida ein Vorbote hierfür.

Also ist es für unsere nachhaltige Entwicklung von enormer Bedeutung, Phänomene der sozialen, technischen und natürlichen Selbstorganisation und deren Wechselwirkungen zu verstehen.

Bedenkt man, dass in der deutschen wie internationalen sozialen Komplexitäts- und Selbstorganisationsforschung ein großes Wissen über diese Zusammenhänge vorliegt, so ist es bedauerlich, dass unsere verantwortlichen Politiker diese Kompetenz nicht für ihr Handeln berücksichtigen. Ihr Handeln spiegelt leider das derzeit für sie verfügbare aber unzureichende Bewusstseins- und Wertesystem wider.

[1] Marx K (2014) Das Kapital, Vollständige Gesamtausgabe in 3 Bänden. e-artnow, kindle Version

[2] Haken H, Schiepek G (2010) Synergetik in der Psychologie: Selbstorganisation verstehen und gestalten. Hogrefe-Verlag, Göttingen

[3] Köhler J, Oswald A (2009) Collective Mind Methode. Springer, Heidelberg

[4] Oswald A, Köhler J, Schmitt R (2017) Projektmanagement am Rande des Chaos. 2. Auflage, Springer, Heidelberg

[5] Oswald A, Müller A (2018) Management 4.0 – Handbook for Agile Practices. BoD, Norderstedt

[6] Ebeling W, Feistel R (2017) Selbstorganisation in Natur und Gesellschaft und Strategien zur Gestaltung der Zukunft. Leibniz Online, Nr. 28. Zeitschrift der Leibniz-Sozietät e.V.

[7] Piketty T (2016) Das Kapital im 21. Jahrhundert (German Edition). C.H.Beck. Kindle-Version

[8] Neffe J (2017) Marx. Der Unvollendete. C. Bertelsmann Verlag. Kindle-Version

[9] Weise P (1998 ) Evolution und Selbstorganisation bei Karl Marx in Warnke C, Huber G (Hrsg.) Die ökonomische Theorie von Marx – was bleibt?. Metropolis-Verlag, Marburg