Dynamische Systeme

Reines Wachstum existiert in der Natur (und Wirtschaft) selten isoliert. Sobald Systeme interagieren, entstehen Zyklen und komplexe Dynamiken.

Die Selbstähnlichkeit von $e^x$

Die natürliche Exponentialfunktion ist die einzige Funktion, die ihre eigene Ableitung ist. Mathematisch gesehen “weiß” die Kurve in jedem Punkt, wie steil sie sein muss, indem sie einfach auf ihren aktuellen Wert schaut:

Lokal betrachtet sieht ein kleiner Ausschnitt einer Exponentialfunktion fast linear aus. In der Politik führt das zum klassischen “Surprise-Effekt”: Man wird von einer Entwicklung überrollt, die man jahrelang als “beherrschbar” eingestuft hat.

Die imaginäre Drehung und die Euler-Identität

Sobald wir die imaginäre Einheit $i$ ($i^2 = -1$) ins Spiel bringen, verwandelt sich das vertikale Wachstum in eine Rotation. Die Brücke schlägt die Taylor-Reihenentwicklung (um den Punkt $0$):

Ersetzen wir $x$ durch $ix$ und nutzen die Potenzen von $i$, können wir die Terme nach Real- und Imaginärteil sortieren:

Daraus ergibt sich die Euler-Identität, wenn wir $x = \pi$ setzen:

Diese Formel vereint die fünf wichtigsten Konstanten der Mathematik und zeigt, dass Wachstum ($e$) und Kreiszahl ($\pi$) über die imaginäre Einheit $i$ untrennbar verbunden sind. 1806 zeigte der Schweizer “Amateur-Mathematiker” Jean-Robert Argand , dass man $i$ als eine Drehung um 90° in einer zweidimensionalen Zahlenebene interpretieren kann; die Hintereinanderausführung $i^2$ zeigt dann in die entgegengesetzte Richtung, also $-1$.

Dynamik im See: Das Lotka-Volterra-Modell

In der Realität interagieren Systeme oft so, dass sie sich gegenseitig begrenzen. Ein klassisches Beispiel ist ein See mit Barschen ($x$, Beute) und Hechten ($y$, Räuber). Die Dynamik wird durch zwei gekoppelte Differentialgleichungen beschrieben:

Obwohl die Gleichungen so einfach und linear daherkommen, erzeugt der Interaktionsterm $xy$ ein hochgradig nicht-lineares Verhalten. Es entstehen periodische Schwingungen: Ein Überangebot an Barschen führt zu einer Explosion der Hecht-Population, was wiederum die Barsche dezimiert und schließlich zum Einbruch der Hechte führt. Interessanterweise lässt sich mathematisch zeigen, dass für die Zeitfunktionen $x(t)$ und $y(t)$ keine analytische Lösung in Elementarfunktionen existiert. Wir können zwar eine Erhaltungsgröße $V(x,y) = \text{const.}$ finden, die die Form der Bahnen im Phasenraum festlegt, aber der zeitliche Verlauf muss numerisch approximiert werden.

Computer anwerfen

Julia ist ideal, um solche Systeme numerisch zu lösen. Die Syntax kommt der mathematischen Notation extrem nah:

using DifferentialEquations, Plots

# Das Modell: u[1] = Barsche, u[2] = Hechte
function lotka_volterra!(du, u, p, t)
    α, β, γ, δ = p
    du[1] = α * u[1] - β * u[1] * u[2]
    du[2] = δ * u[1] * u[2] - γ * u[2]
end

# Parameter und Anfangswerte
p = [1.5, 1.0, 3.0, 1.0]
u0 = [10.0, 5.0]
tspan = (0.0, 20.0)

prob = ODEProblem(lotka_volterra!, u0, tspan, p)
sol = solve(prob)

# Plotting
p1 = plot(sol, title="Populationen im Zeitverlauf", xlabel="Zeit", ylabel="Anzahl")
p2 = plot(sol, vars=(1, 2), title="Phasenraum", xlabel="Barsche", ylabel="Hechte", legend=false)
plot(p1, p2, layout=(2,1), size=(800, 600))

Im zeitlichen Verlauf sieht man sehr schön, wie die beiden Populationen anfangen, mit einer gewissen Phasenverschiebung zu schwingen; hier zeigt die Exponentialfunktion ihre trigonometrische Natur.

Das Phasenraumdiagramm zeigt mehrere geschlossene Orbits. Mathematisch ist dieses System neutral stabil: Es oszilliert zwar dauerhaft, aber es besitzt keinen „Attraktor“. Eine Störung (wie Überfischung) führt nicht zum alten Zyklus zurück, sondern wirft das System permanent auf eine neue Bahn. Das macht solche ökologischen Gleichgewichte in der Praxis extrem empfindlich gegenüber äußeren Einflüssen.

Von Ordnung zum Chaos: Der Lorenz-Attraktor

Was passiert, wenn wir die Komplexität nur ein kleines Stück erhöhen? Gehen wir von zwei auf drei Variablen, landen wir beim Lorenz-System. Ursprünglich als vereinfachtes Wettermodell entwickelt, zeigt es ein völlig neues Phänomen: Den “Seltsamen Attraktor”.

Im Gegensatz zu Lotka-Volterra sind die Bahnen hier nicht mehr geschlossen. Sie ziehen weite Schleifen – die berühmten “Schmetterlingsflügel” –, kehren aber nie zum exakt gleichen Punkt zurück. Hier regiert die sensitive Abhängigkeit von den Anfangsbedingungen: Minimale Unterschiede in $P_0$ führen nach kurzer Zeit zu völlig anderen Trajektorien. Das ist der Punkt, an dem selbst numerische Modelle an ihre Grenzen stoßen, weil die benötigte Präzision exponenziell ansteigt.

Hier lässt sich der Bogen zurück zur Politik spannen: Gesetzgeber erlassen oft Regeln, die komplett andere Effekte haben als beabsichtigt. Da Markt und Gesellschaft als hochgradig vernetzte Systeme auf neue regulatorische Rahmenbedingungen reagieren, entstehen oft Lösungen, die kein Planer vorhersehen konnte. Ein kleiner Eingriff an einer Stelle kann durch die systemische Interaktion am anderen Ende des Staates ein völlig unerwartetes “Wetterereignis” auslösen.

Die Grenzen der Intuition

Wir haben gesehen, dass sich dynamische Systeme oft einer rein analytischen Durchdringung entziehen – es gibt keine einfache „Lösungsformel“, die uns die Zukunft fix und fertig serviert. Unser menschliches Gehirn ist evolutionär für monokausale und lineare Zusammenhänge gebaut; wir sind gut darin, einem Speer auszuweichen, aber kläglich darin, die Entwicklung vernetzter Rückkopplungen intuitiv zu erfassen.

Umso erstaunlicher ist die Transferleistung, zu der wir fähig sind: Wir nutzen unser lineares Denken, um Maschinen und Algorithmen zu entwickeln, die uns bei genau dieser Komplexität unterstützen. Numerische Modellierung hilft uns, zumindest eine Ahnung davon zu bekommen, wie sich die Realität entwickeln könnte. Das Verständnis der Exponentialfunktion ist damit weit mehr als reine Mathematik – es ist eine notwendige kognitive Prothese für eine nicht-lineare Welt.

Quellen und Links

• Visual Complex Analysis von Tristan Needham