Drei Konfliktarchetypen, aber begrenzte Vorhersagekraft: Eine datenbasierte Analyse

[Wien, 21.01.2026] Die Art und Weise, wie wir über Konflikte sprechen, spiegelt unsere Annahmen darüber wider, wie verschiedene Formen von Gewalt entstehen und sich entwickeln. „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. In ähnlicher Weise kennzeichnen Expert:innen Konflikte, um wichtige Eigenschaften hervorzuheben und Muster zwischen Konflikten vergleichbar zu machen, die für systematische Analysen, Frühwarnungen und politische Entscheidungen genutzt werden können“, erklärt Niraj Kushwaha vom Complexity Science Hub (CSH).

Doch, so ergänzt CSH-Wissenschafter Eddie Lee, „die meisten bestehenden Konfliktklassifikationen sind heuristisch. Sie beruhen also auf Faustregeln oder Expert:inneneinschätzungen, die mitunter auch unterschiedlich ausfallen können und schwer reproduzierbar sind.“

In der neuen Studie, die in Royal Society Open Science veröffentlicht wurde, nutzten die Forschenden einen Algorithmus, um Konflikttypen direkt aus den Daten abzuleiten. Dafür kombinierten sie mehr als zwei Jahrzehnte detaillierter Konfliktdaten des Armed Conflict Location & Event Data Project mit Informationen zu Klima, Geografie, Infrastruktur, Wirtschaft und Bevölkerungsstruktur in Afrika – mit dem Ziel, Konflikte auf reproduzierbare und datenbasierte Weise zu klassifizieren.

„Diese neuen Kategorien überschneiden sich teilweise mit bestehenden Expert:innenkategorien, sind aber nicht identisch“, sagt Lee. „Expert:innen verfügen über viel Erfahrung und eine unglaubliche Intuition für Konflikte und Regionen, die sie gut kennen. Gleichzeitig gibt es weltweit jedes Jahr Zehntausende von Konfliktereignissen. Kein einzelner Mensch kann diese Komplexität vollständig erfassen. Genau hier kann eine quantitative, automatisierte Analyse helfen, um zu unterstützen“, so Lee weiter.

Das Forschungsteam – geleitet von Wissenschaftler:innen des CSH in Zusammenarbeit mit Kolleg:innen der University of Waterloo und der Princeton University – stellte fest, dass sich der große Datensatz konsistent in drei grundlegende Konflikttypen einteilen lässt. Jeder dieser Konfliktarchetypen ist durch eine typische Kombination geografischer, demografischer, infrastruktureller und wirtschaftlicher Merkmale gekennzeichnet.

„Unsere algorithmische Methode lernt, welche Konfliktarten es geben sollte, indem sie die Daten sprechen lässt. Und das Ergebnis ist überraschend einfach“, erklärt Lee. Auf Grundlage Tausender Konflikte in Afrika zwischen 1997 und heute identifizierte das Team:

„Diese drei Konfliktarten ergaben sich immer wieder auf natürliche Weise aus den Daten, selbst wenn wir den räumlichen und zeitlichen Umfang der Analyse änderten“, sagt Kushwaha.

Neben den Ergebnissen hinsichtlich der Konflikttypen zeigt die Studie auch, was diese nicht vorhersagen können. „Als Forschende hoffen wir, dass ein besseres Verständnis von Konflikttypen auch bessere Vorhersagen zur Intensität, Dauer oder zu den Opferzahlen ermöglicht“, so Kushwaha.

Das Team stellte jedoch fest, dass die Kenntnis des Konflikttyps die Vorhersagen über dessen Schweregrad nicht verbessert – und sie sogar verschlechtern kann. Konflikttypen und Kennzahlen wie Todesopfer, Konfliktdauer oder Gesamtauswirkungen zeigen nur schwache statistische Zusammenhänge. Mit anderen Worten: Konflikte lassen sich zwar in klare Archetypen einteilen, doch diese Kategorien geben keinen verlässlichen Hinweis darauf, wie zerstörerisch ein Konflikt sein wird.

„Das scheint kontraintuitiv zu sein“, sagt Kushwaha. „Man würde meinen, dass eine bessere Klassifizierung die Vorhersage erleichtert. Die Daten zeigen uns jedoch, dass es sich um grundlegend unterschiedliche Probleme handelt. Das ist ein wichtiger Hinweis auf die Grenzen bestehender öffentlicher Datensätze und dass es riskant sein kann, sich zu sehr auf Vorhersagemodelle zu verlassen.“

„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.

Für politische Entscheidungsträger:innen bietet dies einen klareren Blick darauf, wo unterschiedliche Formen von Gewalt auftreten. Konflikte in dicht vernetzten Städten unterscheiden sich deutlich von jenen in abgelegenen Grenzregionen – und sie erfordern entsprechend unterschiedliche Reaktionen, so die Forschenden. Ein besseres Verständnis dieser Konflikttypen kann daher helfen, humanitäre Maßnahmen gezielter zu planen und Ressourcen besser zu nutzen.

Für die Forschung bietet die Studie einen transparenten Ansatz, Konflikte auf der Grundlage realer Muster und Daten zu kategorisieren – statt sich auf lang etablierte, heuristische Einschätzungen oder Intuition zu stützen. „Gleichzeitig ist es wichtig – insbesondere bei Prognosen – sich bewusst zu sein, dass viele häufig genutzte Indikatoren und Datensätze unsere Fähigkeit, die Intensität von Konflikten vorherzusagen, möglicherweise nicht verbessern“, betont Lee. „Das spricht für neue Ansätze statt für immer mehr Daten desselben Typs.“

Indem die Studie bestehende Annahmen nicht einfach übernimmt, eröffnet sie eine neue Perspektive auf das Verständnis bewaffneter Konflikte. Wenn gängige Indikatoren und Datensätze die Schwere von Konflikten nicht zuverlässig vorhersagen können, stellt sich die Frage, welche wichtigen Faktoren in globalen Datensammlungen fehlen – und welche neuen Ansätze zukünftige Modelle verbessern könnten.

Die Ergebnisse zeigen, dass sich trotz der politischen, kulturellen und historischen Komplexität bewaffneter Konflikte klare und reproduzierbare Konflikttypen aus den Daten ableiten lassen. Gleichzeitig machen sie deutlich, dass viele weit verbreitete Vorhersagegrößen nur begrenzte Aussagekraft haben und dass Prognosen zur Konfliktintensität mit den derzeit verfügbaren Daten schwierig bleiben.

„Wir ordnen Konflikte nicht nur ein“, sagt Kushwaha. „Wir untersuchen auch die Grenzen dessen, was sich vorhersagen lässt – und wollen damit eine Grundlage für zukünftige Forschung schaffen.“

Die Studie "Data-driven conflict classification exposes weak predictive indicators” by Niraj Kushwaha, Woi Sok Oh, Shlok Shah, and Edward D. Lee has been published in Royal Society Open Science.

Der Complexity Science Hub (CSH) ist Europas wissenschaftliches Zentrum zur Erforschung komplexer Systeme. Wir übersetzen Daten aus einer Reihe von Disziplinen – Wirtschaft, Medizin, Ökologie, Sozialwissenschaften – in anwendbare Lösungen für eine bessere Welt. Gegründet im Jahr 2016, forschen heute über 70 Wissenschafter:innen am CSH, getragen von der wachsenden Notwendigkeit für ein fundiertes Verständnis der Zusammenhänge, die unserer Gesellschaft zugrunde liegen – vom Gesundheitswesen bis zu Lieferketten. Mit unseren interdisziplinären Methoden entwickeln wir die Kompetenzen, um Antworten auf heutige und zukünftige Herausforderungen zu finden. 

Mitglieder des CSH sind AIT Austrian Institute of Technology, BOKU University, Central European University (CEU), IT:U Interdisciplinary Transformation University Austria, Medizinische Universität Wien, TU Wien, TU Graz, Universität für Weiterbildung Krems, Vetmeduni Wien, WU (Wirtschaftsuniversität Wien) und Wirtschaftskammer Österreich (WKO).

csh.ac.at