Ein Algorithmus identifizierte wiederkehrende Muster bewaffneter Konflikte. | © Complexity Science Hub
Forschende haben erstmals versucht, bewaffnete Konflikte in Afrika mithilfe datenbasierter Methoden systematisch zu klassifizieren. Eine neue Studie zeigt, dass sich Konflikte zwar in drei grundlegende Archetypen einteilen lassen – diese Kategorien liefern jedoch kaum Hinweise darauf, wie intensiv oder lang ein Konflikt tatsächlich verlaufen wird.
Die Untersuchung wurde von Forschenden des Complexity Science Hub (CSH) gemeinsam mit Kolleg:innen der University of Waterloo und der Princeton University durchgeführt und in der Fachzeitschrift Royal Society Open Science veröffentlicht.
Konfliktklassifikationen bisher oft heuristisch
Konflikte werden üblicherweise anhand politischer oder historischer Kategorien beschrieben, etwa als Bürgerkrieg oder Invasion. Diese Einteilungen basieren häufig auf Expert:innenbewertungen und sind nicht immer konsistent.
„So gehen wir zum Beispiel davon aus, dass ‚Bürgerkriege‘ das Ergebnis interner Konflikte sind, und wir diskutieren darüber, ob Kriege als ‚Invasion‘ oder ‚Verteidigung‘ charakterisiert werden sollten“, erklärt Niraj Kushwaha vom Complexity Science Hub.
Viele bestehende Klassifikationen seien daher schwer reproduzierbar. „Die meisten bestehenden Konfliktklassifikationen sind heuristisch“, ergänzt CSH-Wissenschafter Eddie Lee. „Sie beruhen also auf Faustregeln oder Expert:inneneinschätzungen, die mitunter auch unterschiedlich ausfallen können und schwer reproduzierbar sind.“
Algorithmus analysiert Konfliktdaten aus zwei Jahrzehnten
Für die Studie kombinierten die Forschenden mehr als zwanzig Jahre Konfliktdaten des Armed Conflict Location & Event Data Project (ACLED) mit Informationen zu Klima, Geografie, Infrastruktur, Wirtschaft und Bevölkerungsstruktur in Afrika.
Ein Algorithmus identifizierte daraus wiederkehrende Muster bewaffneter Konflikte – ohne auf bestehende Kategorien zurückzugreifen.
„Diese neuen Kategorien überschneiden sich teilweise mit bestehenden Expert:innenkategorien, sind aber nicht identisch“, sagt Eddie Lee. Automatisierte Analysen könnten helfen, große Datenmengen systematisch auszuwerten und Expert:innenwissen zu ergänzen.
Drei grundlegende Konfliktmuster
Die Analyse zeigte, dass sich der Datensatz konsistent in drei Konfliktarchetypen aufteilen lässt:
Große Unruhen (Major unrest)
Diese Konflikte sind langanhaltend, häufig grenzüberschreitend und treten meist in dicht besiedelten Regionen mit guter Infrastruktur auf. Beispiele sind der Boko-Haram-Aufstand oder der Bürgerkrieg in der Zentralafrikanischen Republik.
Lokale Konflikte (Local conflict)
Sie bleiben geografisch begrenzt und dauern meist nur einige Monate. Beispiele sind Konflikte zwischen Seleka und Anti-Balaka.
Sporadische beziehungsweise überschwappende Ereignisse (Sporadic / spillover events)
Diese Gewaltausbrüche treten oft in abgelegenen Regionen auf und dauern nur kurz. Ein Beispiel sind einzelne Ereignisse im Zusammenhang mit dem Al-Shabaab-Aufstand.
„Unsere algorithmische Methode lernt, welche Konfliktarten es geben sollte, indem sie die Daten sprechen lässt“, erklärt Eddie Lee. „Und das Ergebnis ist überraschend einfach.“
Klassifikation hilft – Prognosen jedoch kaum
Ein zentrales Ergebnis der Studie betrifft die Grenzen solcher Klassifikationen. Die Forschenden stellten fest, dass der Konflikttyp kaum Rückschlüsse auf Dauer, Intensität oder Opferzahlen zulässt.
„Als Forschende hoffen wir, dass ein besseres Verständnis von Konflikttypen auch bessere Vorhersagen zur Intensität, Dauer oder zu den Opferzahlen ermöglicht“, sagt Niraj Kushwaha. Die Analyse zeigte jedoch, dass diese Zusammenhänge statistisch nur schwach ausgeprägt sind.
„Man würde meinen, dass eine bessere Klassifizierung die Vorhersage erleichtert“, so Kushwaha. „Die Daten zeigen uns jedoch, dass es sich um grundlegend unterschiedliche Probleme handelt.“
Unterschiedliche Konflikte erfordern unterschiedliche Strategien
Trotz der begrenzten Vorhersagekraft sehen die Forschenden einen wichtigen Nutzen der neuen Methode: Sie ermöglicht eine präzisere Einordnung von Konflikten und kann politischen Entscheidungsträger:innen helfen, geeignete Maßnahmen zu planen.
„Ein wichtiger Beitrag unserer Arbeit besteht darin zu zeigen, wie die vielen Arten von detaillierten Daten, die für die Entstehung, Ausbreitung und Entwicklung von Konflikten relevant sein können, integriert werden können“, erklärt Woi Sok Oh von der University of Waterloo.
Die Studie zeigt damit auch, dass aktuelle Datensätze allein nicht ausreichen, um die Dynamik bewaffneter Konflikte zuverlässig vorherzusagen – und dass neue Ansätze in der Konfliktforschung nötig sind.
„Wir ordnen Konflikte nicht nur ein“, sagt Niraj Kushwaha. „Wir untersuchen auch die Grenzen dessen, was sich vorhersagen lässt – und wollen damit eine Grundlage für zukünftige Forschung schaffen.“