Simulation von SAS und The Fund for Peace: Wie resilient sind Staaten weltweit im Krisenfall?

Crisis Sensitivity Simulator zeigt Schwachstellen, aber auch Potenziale eines Landes in Extremsituationen auf

SAS, einer der weltweit führenden Anbieter von Lösungen für Analytics und künstliche Intelligenz (KI), hat zusammen mit der gemeinnützigen Organisation The Fund for Peace (FFP) einen Crisis Sensitivity Simulator entwickelt. Diese frei zugängliche Anwendung veranschaulicht auf der Basis realer Daten, wie sich Extremsituationen auf ein Land auswirken, wie resilient es generell ist, und welche Bereiche aus Politik, Gesellschaft und Wirtschaft als robust oder als kritisch einzustufen sind. Ziel ist es, politischen Entscheidungsträgern weltweit Informationen an die Hand zu geben, wo sie die Resilienz ihres Staates für den Krisenfall effektiv verbessern können.

FFP hat den Fragile States Index (FSI) entwickelt, der Behörden und Institutionen Schwachstellen aufzeigt. Dafür erhebt der FFP seit 2006 Zahlen zu Risiken und Schwächen von 179 Staaten weltweit. Auf dieser Basis hat die Organisation den neuen State Resilience Index (SRI) entwickelt, der aufzeigt, wie kompetent ein Land Krisen verschiedener Schweregrade antizipieren, managen und überwinden kann. Der Crisis Sensitivity Simulator verbindet die Informationen beider Indizes. SAS wendet dafür Risikomodelle auf die Daten an und ermittelt anhand verschiedener Szenarien die Kombination aus Krisen, die für ein Land am ehesten destabilisierend wirkt.

FFP unterstützt weltweit Partner darin, ihre eigenen Tools zu entwerfen, die Einschätzungen zu Risikofaktoren wie Klima, gewaltbereitem Extremismus und politischer Instabilität liefern und zur Priorisierung von Resilienzmaßnahmen beitragen. Dabei sollen aber nicht nur Schwachstellen, sondern auch Bereiche und Systeme eines Landes identifiziert werden, die bereits überdurchschnittlich resilient sind.

FFP plant gemeinsam mit SAS für den Crisis Sensitivity Simulator weitere Verbesserungen bei Modellerstellung und Simulation. Zum Beispiel soll die Einbeziehung von Machine Learning und KI präzisere Vorhersagen zu Risiken und zur Wirksamkeit von Präventionsmaßnahmen ermöglichen.