# taz.de -- Physiker über epidemiologische Modelle: Der Knackpunkt ist der Mensch
       
       > Das Infektionsgeschehen in Deutschland hat sich auf einem konstanten
       > Niveau eingependelt. Modellierer stehen vor einem Rätsel, sagt Dirk
       > Brockmann.
       
 (IMG) Bild: Mund-Nasen-Schutz tragen und Abstand halten beeinflussen das Infektionsgeschehen
       
       taz: Herr Brockmann, die USA, Spanien, Frankreich und einige andere Länder
       erleben [1][derzeit eine zweite Welle der Pandemie]: die Infektionen mit
       dem Coronavirus steigen nach Aufhebung des Lockdowns erneut an. In
       Deutschland dagegen scheinen sich die Fallzahlen – nach einem zunächst
       moderaten Anstieg in Folge der Lockerungen – inzwischen auf einem relativ
       konstanten Niveau eingependelt zu haben. Woran liegt das? 
       
       Dirk Brockmann: Tatsächlich haben wir in Deutschland ein völlig anderes
       Szenario als in anderen Ländern. Warum das so ist, ist ein großes Rätsel.
       Ich habe hierüber mit Modellierern weltweit gesprochen, also mit
       Wissenschaftlern, die anhand mathematischer Modelle Prognosen dazu
       erstellen, wie sich das Infektionsgeschehen entwickeln wird. Wir sind
       überrascht über Deutschland, aber wir haben derzeit keine Erklärung.
       
       Welchen Verlauf hatten Sie für Deutschland erwartet? 
       
       Der Klassiker geht so: Die Epidemie bricht aus, die Zahlen schießen in die
       Höhe, es folgt der Lockdown, die Zahlen sinken, es wird gelockert, es kommt
       die zweite Welle. So ist es zum Beispiel in Frankreich. Dann gibt es
       Länder, in denen das Virus nahezu verschwunden schien, Australien und
       Neuseeland etwa, aber dann kamen Re-Importe, und die Infektionen stiegen
       wieder an. Und schließlich ist da Deutschland, aber auch die Niederlande
       und Skandinavien, wir sind also nicht allein. Es gibt bei uns seit Wochen
       nahezu konstante Fallzahlen jeden Tag, wir stellen kaum noch Schwankungen
       innerhalb des Infektionsgeschehens fest. Der [2][R-Wert…]
       
       … der angibt, wie viele Menschen eine infizierte Person im Schnitt ansteckt
       …
       
       … dieser R-Wert dümpelt seit Wochen um den kritischen Wert 1 herum, an der
       Schwelle zum exponentiellen Wachstum also. Mal liegt er ein wenig unter 1,
       mal etwas darüber. Es gibt nach meiner Erkenntnis kein überzeugendes
       Modell, das diese Art von Dynamik erklärt.
       
       Die [3][Menschen tragen neuerdings Masken], sie halten mehr Abstand als
       früher. Könnte es daran liegen? 
       
       Klar, das veränderte Verhalten spielt eine Rolle. Aber eigentümlich ist
       doch, dass es weder immer weniger Fälle werden – noch immer mehr. Es muss
       noch etwas anderes dahinter stecken. Die einzig plausible Erklärung dafür
       ist, dass wir es hier mit selbstorganisierter Kritikalität zu tun haben.
       
       Selbstorganisierte … wie bitte? 
       
       Selbstorganisierte Kritikalität. Der Begriff kommt aus der Physik. Bezogen
       auf die Pandemie bedeutet er: Als Antwort auf das Ausbruchsgeschehen ändern
       Menschen ihr Verhalten. Das drückt die Zahl der Neuinfektionen. Daraufhin
       verhalten sich die Menschen wieder „normaler“, die Fallzahlen steigen
       wieder, die Menschen werden wieder vorsichtiger. So pendelt sich das System
       am kritischen Wert von selbst ein. Das ist ein möglicher Mechanismus. Die
       Frage, die sich daran anschließt, ist, welche dynamischen Zutaten notwendig
       sind, damit eine Epidemie entweder eine Doppelwelle nach sich zieht oder
       aber zum Aussterben führt oder eben zum Einpendeln an diesem kritischen
       Wert. Weltweit kniffeln Wissenschaftler daran, dynamische Modelle zu
       entwickeln, die zeigen, wovon abhängt, welche dieser drei Möglichkeiten
       wann und unter welchen Umständen wahrscheinlich wird.
       
       Modellierungsstudien, die voraussagen sollen, wie sich die Pandemie
       entwickeln wird und welche Faktoren das Infektionsgeschehen wie
       beeinflussen, haben unter Corona einen großen Hype erfahren. Der
       Erkenntnisgewinn indes hält sich bislang in Grenzen. 
       
       Klassischerweise arbeiten Modellierer aus dem Bereich der computational
       epidemiology mit bereits existierenden Daten aus der Vergangenheit. Zu
       prognostizieren, wie eine Epidemie, die noch in vollem Gange ist, in der
       näheren Zukunft verlaufen wird, ist eine recht neue Sache. Es wurde
       erstmals bei der [4][Schweinegrippe-Pandemie im Jahr 2009] versucht und
       dann bei der [5][Ebola-Epidemie in Westafrika 2014/2015;] in beiden Fällen
       ist es, meistens jedenfalls, schiefgegangen.
       
       Woran liegt das? 
       
       Viele dieser mathematischen Modelle, das sehen wir auch jetzt bei Covid-19,
       betrachten die Pandemie unabhängig davon, wie das menschliche Verhalten –
       als Antwort auf das Infektionsgeschehen – sich ändert. Sie modellieren die
       Ausbreitung der Pandemie sehr gut, sie versuchen, möglichst alle Details zu
       erfassen und wirklichkeitsgetreu abzubilden. Aber sie lassen außer Acht,
       dass so ein Virus sich eben nicht mal unbemerkt durch die Bevölkerung
       frisst. Der Knackpunkt ist der Mensch. Der Mensch reagiert auf die
       Pandemie. Doch wie er reagiert, kann sehr unterschiedlich sein und hängt
       von vielen Faktoren ab. Diese Rückkopplungen sind komplex und entsprechend
       schwer zu modellieren.
       
       Was macht ein gutes Modell aus? 
       
       Ein gutes Modell berücksichtigt das Wesentliche und verwirft das
       Unwesentliche. Ein Smiley etwa ist ein gutes Modell für ein Gesicht. Das
       Smiley zeigt uns, was notwendig ist, um ein Gesicht zu identifizieren: die
       Augen, der Mund, der Kreis drum herum. Ohren, Nase oder Haare dagegen sind
       verzichtbar. Was ich sagen will: Wir müssen differenzieren zwischen
       wichtigen und unwichtigen Parametern. Das tun detailreiche Modellierungen
       oft leider nicht. Und wir müssen die Modelle auf ihre strukturelle
       Stabilität hin untersuchen. Wir müssen wissen, welche der Parameter zu
       völlig anderen Ergebnissen führen, sobald wir ein wenig an ihnen wackeln.
       
       Wie sich das Infektionsgeschehen im Herbst bei uns konkret entwickeln wird,
       lässt sich angesichts dieser Wackligkeiten nicht vorhersagen? 
       
       Es ist ein bisschen wie bei der Wettervorhersage: Man kann kurzzeitige
       Prognosen machen, für eine Woche vielleicht, aber Langzeitszenarien halte
       ich für nicht seriös. Es gibt allerdings hervorragende Modelle, die
       verschiedene Szenarien skizzieren, die im Herbst eintreten könnten. Diese
       Modelle sind sehr robust. Welches der Szenarien am Ende eintrifft, können
       sie freilich nicht vorhersagen. Aber es ist schon mal ein Gewinn, zu
       wissen, wie es aussehen könnte.
       
       Die Klimaforschung wäre ohne Modellierungsstudien undenkbar – und leistet
       dank dieser Modelle recht präzise Vorhersagen. Was hat sie
       epidemiologischen Modellen voraus? 
       
       Ha, das Klima! Schön, dass Sie das ansprechen. Es stimmt, Klimamodelle sind
       einerseits verwandt, aber andererseits völlig anders. Richtig ist, dass
       auch in der Klimaforschung sowohl dynamische als auch statistische Modelle
       eine Rolle spielen. Aber im Gegensatz zu epidemiologischen Modellen
       basieren Klimamodelle auf solider Physik, von der man weiß, dass sie
       richtig ist. In der Regel treffen Klimamodelle Wenn-dann-Aussagen. Also
       etwa: „Wenn es so weitergeht mit der Erderwärmung, dann passiert
       Folgendes.“ Und diese Erkenntnisse aus „dann passiert Folgendes“ entstammen
       komplexen Computermodellen, die die Atmosphäre, die Geosphäre und die
       Hydrosphäre modellieren. Deren Gesetzmäßigkeiten sind weitestgehend
       bekannt und belastbar.
       
       Und es gibt da keine Unsicherheiten? 
       
       Einzelne Parameter kennt man vielleicht nicht so ganz genau, das schafft
       dann gewisse Unsicherheiten, aber im Großen und Ganzen kennt man die
       Struktur der Klimadynamik weitaus besser und kann sie insofern besser
       modellieren als etwa die Risikowahrnehmung beim Menschen. Dazu kommt:
       Klimamodelle verfolgen in der Regel Kurvenverläufe aus der Vergangenheit,
       sie vergleichen also beispielsweise die derzeitige Erderwärmung mit den x
       Erderwärmungen, die es bereits gegeben hat in der Historie. Klimamodelle
       können so geeicht werden. Diese langzeitprognostischen Modelle sind viel
       solider als epidemiologische Modelle, die Prognosen über einige Monate
       abgeben sollen.
       
       Angesichts der Flut immer neuer Modellierungen zum Verlauf der Pandemie ist
       es für Laien schwer, den Überblick zu behalten. Was raten Sie? 
       
       Es gibt ein weit verbreitetes Missverständnis darüber, was Modelle sind.
       Zum einen müssen wir Modellierer deswegen besser erklären, wie
       mathematische Modelle funktionieren, was sie leisten können – und was
       nicht. Modelle sollen ja, vereinfacht gesagt, eine Prognose abgeben, wie
       eine Sache sich entwickeln wird, oder ein Phänomen erklären. Wenn Sie mir
       jetzt aber sagen, entwickeln Sie mir doch bitte ein Modell für die
       Covid-19-Pandemie, dann ist das so, als wenn Sie mich um ein möglichst
       detailgetreues Modell für ein Fahrzeug bäten. Und da wüssten Sie schon, wie
       grotesk diese Bitte anmutet: Denn es gibt Lastwagen und Pkw und Panzer und
       Kräne – und sie alle haben unterschiedliche Funktionen. Das ist bei
       Modellen auch so; es gibt dynamische Modelle, statistische Modelle,
       agenten-basierte Modelle, Metapopulationsmodelle, qualitative und
       quantitative Modelle, Netzwerkmodelle und noch viele mehr. Wir müssen uns
       also zunächst darüber verständigen, welche Aussagen wir worüber machen
       möchten und auf welchem Level.
       
       17 Sep 2020
       
       ## LINKS
       
 (DIR) [1] /Reisewarnungen-wegen-Coronapandemie/!5714743
 (DIR) [2] /Neue-Corona-Zahlen-des-RKI/!5679306
 (DIR) [3] /Maskenpflicht-hilft-gegen-Corona/!5688043
 (DIR) [4] /Biologe-ueber-Herkunft-des-Coronavirus/!5708235
 (DIR) [5] /Bilanz-einer-Epidemie/!5011523
       
       ## AUTOREN
       
 (DIR) Heike Haarhoff
       
       ## TAGS
       
 (DIR) Schwerpunkt Coronavirus
 (DIR) Schwerpunkt Coronavirus
 (DIR) Covid-19
 (DIR) Epidemiologie
 (DIR) Infektion
 (DIR) Schwerpunkt Coronavirus
 (DIR) Schwerpunkt Coronavirus
 (DIR) Schwerpunkt Coronavirus
       
       ## ARTIKEL ZUM THEMA
       
 (DIR) Reisewarnungen wegen Coronapandemie: Europa voller Risikogebiete
       
       Die Bundesregierung erklärt neben Wien und Budapest auch weitere Regionen
       in Europa zum Corona-Risikogebiet.
       
 (DIR) Mobile Luftreiniger gegen Corona: Filter statt Fenster aufreißen
       
       Was, wenn man in der kalten Jahreszeit in Büros und Hallen nicht mehr gegen
       Corona lüften kann? Luftreiniger könnten eine Alternative sein.
       
 (DIR) Corona-Prognose der WHO: Mehr Corona-Todesfälle im Herbst?
       
       Der WHO-Regionaldirektor Hans Kluge warnt vor zu großen Erwartungen an
       einen Corona-Impfstoff. Dieser wird nicht das sofortige Ende der Pandemie
       bedeuten.