Prognose humanitärer Krisen und Vertreibung für vorausschauende Hilfe

Humanitäre Hilfe wird meist finanziert, nachdem eine Krise sichtbar geworden ist. Vorausschauende Hilfe (Anticipatory Action) macht aus Prognosen vorab vereinbarte Auslöser, Pläne und Gelder, sodass die Hilfe vor oder mit dem Schock eintrifft. Modelle des maschinellen Lernens kombinieren Konflikt-, Preis-, Klima- und Vertreibungsdaten, um abzuschätzen, wie viele Menschen in den kommenden Monaten fliehen oder hungern werden. Sie sind Entscheidungsunterstützung für Planer, keine Orakel: Die Genauigkeit ist mäßig, bei plötzlichen Anstiegen am schlechtesten, und die Daten- und politischen Risiken sind hoch.

Problem & Nutzen

• Heute: Organisationen (UN, Rotes Kreuz/Roter Halbmond, NGOs), Geber und Ministerien planen mit statischen Szenarien, Expertenurteil und nachlaufenden Lageberichten. Die Finanzierung folgt der Medienaufmerksamkeit; Güter werden spät beschafft und bewegt.
• Vorausschauende Hilfe (Anticipatory Action, AA): Das Centre for Humanitarian Data von OCHA definiert sie als prognosebasierten Auslöser, eingebettet in einen klaren Entscheidungsprozess, mit vorab vereinbarten Maßnahmenplänen und im Voraus geregelter Finanzierung; das Centre entwirft und testet Auslösemechanismen und „übersetzt“ zwischen Modellierern und Entscheidern [1]. Die meisten operativen AA-Auslöser sind heute gefahrenbasiert (Dürre, Flut, Taifun: Burkina Faso, Niger, Tschad, Bangladesch, Nepal, Philippinen) [1]; Vertreibung und konfliktbedingte Ernährungsunsicherheit sind die neuere, schwierigere Front.
• Gemessene Modellleistung (nicht der geschäftliche ROI):
• AHEAD des Dänischen Flüchtlingsrats (Unterbezirke von Liptako-Gourma): mittlerer absoluter prozentualer Fehler von 15 % über 315 historische Prognosen in Burkina Faso gegenüber 21 % bei zwei einfachen Vergleichsmodellen, und die richtige Handeln-/Nicht-Handeln-Entscheidung in etwa 70 % der Fälle bei einem Schwellenwert von 1.200 Personen; das nationale Modell Foresight zeigte einen mittleren Fehler von 19 % und einen Median von 11 % über 214 Prognosen in 26 Ländern [2].
• Das Frühwarnmodell des UNHCR für erzwungene Vertreibung (monatliche Flüchtlings-/Asylströme, 219 Länder, Horizonte 1/3/6 Monate): C-Statistik über 0,79, Brier-Scores von etwa 0,08–0,16 [3].
• Beide Arbeiten stellen fest, dass der Beginn konfliktbedingter Vertreibung und beispiellose Anstiege schlecht vorhergesagt werden (der AHEAD-Fehler steigt auf 34 %, wenn die Vertreibung sprunghaft zunimmt) [2][3].
• Nutzenlogik: frühere Beschaffung, vorab bereitgestellte Vorräte und Bargeldtransfers vor den Schocks. Die Evidenz zur Kosteneffizienz ist bei Klimagefahren am stärksten; bei Vertreibung ist es hauptsächlich Planungsvorlauf, noch keine bewiesene Einsparung. Versprechen Sie keine ROI-Zahlen.

Varianten

• Vertreibungsströme: Ankünfte von Flüchtlingen/Asylsuchenden nach Land; Binnenvertreibung nach Unterbezirk.
• Ernährungsunsicherheit: IPC-Phasenprojektionen, die Konflikt, Preise und Niederschlag kombinieren (FEWS NET liefert IPC-kompatible Projektionen für 4 und 8 Monate [6]).
• Konflikteskalationsprognosen als Eingabemerkmal: ViEWS prognostiziert 1–36 Monate im Voraus auf Länder- und 0,5-Grad-Rasterebene für Afrika und den Nahen Osten [5].
• Klimabedingte Vertreibung: Dürre-/Flut-Auslöser, verknüpft mit PRED-017 und PRED-027.
• Planung in Aufnahmeländern und der EU: Planung von Aufnahmekapazitäten mit aggregierten Ankunftsszenarien (niemals Risikobewertung auf Einzelebene, siehe Regulierung).
• Privat/Unternehmen: Lieferketten- und Fürsorgepflicht-Teams von NGOs oder Unternehmen mit Personal in fragilen Regionen nutzen dieselben öffentlichen Prognosen für Reise- und Einsatzplanung.

So funktioniert es

1. öffentliche + Partnerdaten (Konflikt, Preise, Klima, Satellit, Vertreibungsstatistik)
2. Harmonisierung nach Land/Verwaltungseinheit und Monat (HDX, APIs, Data Lake)
3. Merkmalsbildung (Lags, Anomalien, PCA, Eingaben aus Konfliktprognosen)
4. Modelle: Gradient Boosting / Ensembles, Zeitreihen-Foundation-Modelle, Szenariosimulation
5. Kalibrierung (Platt/isotonisch) + Rückvergleich mit rollendem Ursprung
6. Wahrscheinlichkeiten je Schwellenwert und Horizont
7. Prüfgremium für Auslöser (Analysten + Landesbüro + Beiträge der betroffenen Gemeinschaft)
8. vorab vereinbarter Maßnahmenplan und im Voraus geregelte Finanzierung (z. B. CERF, START, Mechanismen vom Typ DREF)
9. Überwachung und Lernen nach der Maßnahme

• Kernmodelle: Tabellarisches Gradient Boosting ist in den veröffentlichten Systemen Stand der Technik [2][3]; Zeitreihenmodelle (ETS, Prophet, Foundation-Modelle im Stil von TimesFM/Chronos) dienen als Basislinien und für Preis-/Ankunftsreihen. LLMs werden zum Lesen von Berichten, Nachrichten und Lageberichten (Sitreps) in strukturierte Ereignisse und Briefings eingesetzt, nicht zur Erzeugung der Zahlen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prognosen lösen keine Finanzierung automatisch aus. Der Autor beim UNHCR sieht das Modell ausdrücklich als Entscheidungsunterstützung, die bei neuen Daten neu kalibriert und mit lokaler Expertise kombiniert wird [3].

Datenaufbereitung

Benötigt werden Konfliktereignisdaten (ACLED, UCDP), Lebensmittelpreis- und Marktdaten, Klima- und Satellitenindizes, Vertreibungszahlen (UNHCR, IOM DTM, IDMC), Krisenindizes und IPC-Klassifikationen. Die meisten stammen aus öffentlichen Portalen und APIs; die eigenen Feldberichte, Erhebungen und Begünstigtendaten der Organisation liegen auf Dateifreigaben, in E-Mails, Excel-Tabellen und manchmal in Systemen der Landesbüros.

Typische Lücken: abweichende Grenzen und Schreibweisen von Verwaltungsregionen, unregelmäßige Berichtsintervalle, fehlende Monate, Revisionen veröffentlichter Zahlen, Lizenzbedingungen, die die Weitergabe beschränken, und verstreutes Feldwissen in Dokumenten. Eigene Begünstigtendaten sind personenbezogen und sensibel und sollten aus dem Modell herausgehalten werden.

Schritte der Aufbereitung: (1) benötigte Quellen und Lücken erfassen (PREP-002); (2) geplante API-Abrufe und eine harmonisierte Regionentabelle einrichten (PREP-005); (3) Excel-Erhebungen in saubere Tabellen umbauen (PREP-011); (4) Zielvariablen und Schwellenwerte mit dem Programmpersonal festlegen (PREP-019); (5) Fakten aus Lageberichten extrahieren (DOC-014); (6) eine Rückvergleichsmenge vergangener Krisen aufbauen (PREP-018); (7) personenbezogene Daten pseudonymisieren (PREP-022). Werkzeuge: Python (pandas, Prophet oder Gradient Boosting), PostgreSQL, geplante Pipelines (n8n, Airflow).

Grober Aufwandsanteil: 50 bis 60 Prozent. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Enterprise (NGOs, internationale Organisationen, Geber): Weg B, weil kein Standardprodukt die Mischung aus Konflikt-, Preis-, Klima- und Vertreibungsdaten abdeckt und Cloud-KI-Dienste samt verwalteter Rechenleistung eine schnelle Integration in den eigenen Frühwarn-Workflow erlauben.
• Entwickler: Weg C, weil offene Datensätze und Open-Source-Prognosebibliotheken (und LLMs mit offenen Gewichten für Lageberichte) auf HW1 laufen und Modelle reproduzierbar und prüfbar machen.
• Öffentliche Hand (Ministerien, Entwicklungsorganisationen): Weg B, in einer souveränen EU- oder deutschen Cloud, weil Vergaberegeln und Souveränitätsanforderungen EU-gehostete Infrastruktur begünstigen, während die Daten überwiegend öffentlich oder aggregiert sind.

Weg A — Kaufen (Standardsoftware)

• Öffentliche Prognoseprodukte nutzen, statt ein Modell zu kaufen: ViEWS (Universität Uppsala und PRIO, vom ERC EU-finanziert, monatliche Veröffentlichungen, offene Daten) [5]; Ausblicke zur Ernährungssicherheit von FEWS NET (in Betrieb, mit Monatsberichten und Data Explorer) [6]; WFP HungerMap LIVE; die AA-Rahmenwerke des OCHA Centre und Katalog prädiktiver Modelle [1]; GloFAS und EMS von Copernicus (EU) für Hochwassergefahr.
• Kommerzielle Risikoaufklärungs-Anbieter (Anbieter von Länderrisiko- und Konfliktanalytik) gibt es für Sicherheitsteams von Unternehmen; prüfen Sie die Transparenz der Methodik. Der humanitäre Sektor stützt sich weitgehend auf offene und hauseigene Modelle.
• Wählen Sie A, wenn: Sie eine kleinere NGO, ein Unternehmen oder eine Kommune sind, die Prognosen nutzen, nicht erzeugen muss.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Lesen Sie ACLED, UCDP, Preise von FAO/Weltbank, ERA5-/Copernicus-Klimadaten und HDX-Datensätze per API in eine Datenplattform in einer EU-Region ein (z. B. Azure/AWS/GCP EU oder EU-Clouds wie STACKIT, OVHcloud, IONOS).
• Trainieren Sie Gradient Boosting (LightGBM, XGBoost, H2O) und Zeitreihenmodelle in verwalteten ML-Diensten; nutzen Sie eine LLM-API (Claude, Gemini, GPT, Mistral als EU-Anbieter) mit strukturierten Ausgaben, um Lageberichte und Nachrichten in Ereignismerkmale umzuwandeln und Briefings zu entwerfen.
• Wählen Sie B, wenn: Sie ein kleines Data-Science-Team haben und in Monaten eine Produktivpipeline wollen; empfohlener Standard für die meisten Organisationen, die selbst bauen.

Weg C — Selbst betreiben (Open Source)

• Python-Stack: LightGBM/XGBoost, statsforecast, Darts, Kalibrierung mit scikit-learn, DuckDB/Postgres+PostGIS, Dagster/Airflow, MLflow; Geodaten mit GeoPandas und Xarray; offener ViEWS-Code und offene Daten als Eingaben [5].
• LLM mit offenen Gewichten (z. B. Qwen3, Mistral, Llama-Klasse) zur Berichtsextraktion, bereitgestellt über vLLM.
• Hardware: Ein CPU-Server oder eine Workstation genügt (HW1); ein LLM zur Textextraktion braucht HW2.
• Wählen Sie C, wenn: Datenschutz- oder Geberanforderungen eine externe Cloud verbieten oder in Feldbüros mit begrenzter Konnektivität.

Weg D — Eigenes Training

Dies ist der Kern des Anwendungsfalls: Kein Standardmodell passt zu einem konkreten Kontext. Trainieren und validieren Sie länder- oder regionsspezifische Modelle auf 5–10 Jahren monatlicher Historie; die veröffentlichten Modelle stützen sich auf offizielle Vertreibungs- und Konfliktdaten (AHEAD: 315 und Foresight: 214 rückvergleichend getestete Prognosen) [2]. Investieren Sie ebenso viel in Rückvergleich, Kalibrierung und die Kommunikation von Unsicherheit wie in das Modell; die AHEAD-Autoren weisen darauf hin, dass die Modelle die Unsicherheit in den offiziellen Zahlen, auf denen sie trainiert sind, nicht abschätzen [2].

Stand der Technik (2026)

• Gradient Boosting auf aggregierten Indikatoren mit kalibrierten Wahrscheinlichkeiten für das Überschreiten von Schwellenwerten bleibt der praktische Standard (UNHCR: 95 Merkmale aus ACLED, INFORM, Lebensmittelpreisen, GDELT-basierten Indizes, EM-DAT, reduziert auf Hauptkomponenten) [3].
• Konfliktprognose ist eine vorgelagerte Abhängigkeit: ViEWS veröffentlicht monatliche Prognosen, z. B. seine Ausgabe vom 30. September 2026 für staatlich geführte bewaffnete Konflikte von September 2026 bis August 2029 [5]; das Modell des UNHCR hängt stark von der Qualität der Konfliktprognose ab [3].
• Übernahme durch Regierungen: OCHA-Material zeigt, dass Regierungen vorausschauende Hilfe vom Pilot zur Politik überführen (ein Beitrag des Centre vom März 2026) [1].
• Datenverantwortung ist jetzt eine Gestaltungsvorgabe: Die OCHA Data Responsibility Guidelines (2021, aktualisiert Januar 2025) verlangen den sicheren, ethischen Umgang mit personenbezogenen und nicht personenbezogenen Daten [4].
• Grenzen und Fehlerbilder: Überzuversicht bei hohen Wahrscheinlichkeiten für plötzliche Anstiege; schwach unterhalb von etwa 5.000 Personen; schlechte Vorhersage von Beginn und Anstieg; Abhängigkeit von möglicherweise unzuverlässigen offiziellen Zahlen; Leistung abhängig vom lokalen Kontext [2][3]. Prognosen können missbraucht werden (z. B. als Ermutigung oder Ermöglichung von Vertreibung wahrgenommen oder von Konfliktparteien), veröffentlichen Sie daher Aggregate in angemessener Granularität [2].
• Fragilität von Finanzierung und Daten: Teile des humanitären Datenökosystems hängen von wenigen Gebern ab (FEWS NET beschreibt sich als keine offizielle Information der US-Regierung) [6]; planen Sie Ausweichquellen ein.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (time-series + tabular-ml + remote-sensing): PRED-017 (KI-Wetterprognose) liefert Niederschlags- und Hitzeeingaben; PRED-027 (Hochwasserprognose) liefert Gefahrenauslöser; PRED-036 (physisches Klima- und Naturgefahrenrisiko) teilt Expositionsdaten und Geodaten-Pipelines.
• Verwandte Prognosen: PRED-008 (Rohstoff-/Lebensmittelpreisprognose) speist Marktmerkmale; PRED-047 (Wirtschafts-Nowcasting) teilt Makroindikator-Pipelines und Evaluationspraxis.
• Abgrenzung, keine Kombination: PRED-029 (Risikoprofiling von Klienten öffentlicher Dienste) und PRED-039 (Prognose von Kriminalitätsschwerpunkten) arbeiten mit Einzelpersonen oder sensiblen Orten; dieser Anwendungsfall muss auf Aggregatebene bleiben.
• Textschicht: DOC-014 (Dokumentenparsing für RAG) macht Lageberichte und IPC-Analysen zu durchsuchbarem Kontext; das Muster von AGENT-018 (laufende Compliance-Überwachung) gilt für die Überwachung der Auslöser.
• Hardware: CPU-lastige Batch-Jobs (HW1); ein gemeinsam genutzter HW2-GPU-Server kann das LLM für die Berichtsextraktion über diese Anwendungsfälle hinweg hosten.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen, um öffentliche Prognosen in die Planung zu übernehmen; überwiegend Analystenzeit.
• Weg B: 3–6 Monate für eine Länder- oder Regionalpipeline mit Rückvergleich; Kostentreiber sind Dateningenieurwesen und Data-Science-Personal, nicht Rechenleistung.
• Weg C: ähnlicher Aufwand plus Betrieb; geringe Infrastrukturkosten.
• Weg D: 6–12+ Monate je Kontext einschließlich Auslöserdesign, Validierung und Governance.
• Kennzahlen: Brier-Score und Log-Loss je Horizont; Kalibrierungsfehler; Trefferquote/Fehlalarmquote am Auslöseschwellenwert; gewonnener Vorlauf gegenüber der bisherigen Praxis; Anteil der von Menschen geprüften Auslöser; Zeit vom Auslöser bis zur Auszahlung; Nachprüfung, ob die Maßnahme die Menschen erreicht hat.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Leitung des Programms oder der Frühwarneinheit, denn Prognosen speisen Finanzierungsauslöser und Entscheidungen über Hilfe. Regional- und Landespersonal sind die Endnutzer und die beste Quelle für Ground Truth; beziehen Sie sie daher in die Festlegung der Zielgrößen und die Prüfung der Prognosen ein. Die IT betreut Pipelines und Hosting; Dateneigner und Partnerorganisationen (Datenlieferanten) müssen sich über Lizenzen und Weitergabe einigen. Die bzw. der Datenschutzbeauftragte wird gebraucht, wenn Daten von Begünstigten oder zur Vertreibung auf Einzelebene genutzt werden; bei aggregierten öffentlichen Daten ist eine DSFA in der Regel nicht nötig, prüfen Sie dies aber (GUIDE-005).

Betriebsrat: kommt darauf an. Das Werkzeug prognostiziert Regionen, nicht Beschäftigte, daher greift die Mitbestimmung meist nicht; wenn die Nutzung durch Beschäftigte protokolliert wird oder sich Arbeitsverfahren wesentlich ändern, können § 87 Abs. 1 Nr. 6 und § 90 Abs. 1 Nr. 3 BetrVG oder bei öffentlichen Stellen der Personalrat greifen (GUIDE-004). Informieren Sie den Betriebsrat in jedem Fall früh.

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit Schulungen zu probabilistischen Prognosen, Schwellenwerten und Grenzen (GUIDE-006). Pilotieren Sie mit einem Krisenkontext und vergleichen Sie die Prognosen mit den rückblickenden Ergebnissen, bevor Sie Geld an Auslöser binden (GUIDE-009). Typische Sorgen: Fehlalarme, vergeudete Mittel und Vertrauen in Modelle statt in lokales Wissen. Begegnen Sie ihnen mit veröffentlichter Unsicherheit, Prüfung durch lokale Experten, bevor ein Auslöser greift, und klarer menschlicher Freigabe von Mittelfreigaben (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Prognosen auf aggregierten Länder- oder Regionaldaten sind in der Regel kein System nach Anhang III, und Systeme, die ausschließlich für militärische, Verteidigungs- oder nationale Sicherheitszwecke genutzt werden, sind ausgenommen (Art. 2 Abs. 3); Systeme, die allein zu wissenschaftlichen Forschungszwecken entwickelt wurden, sind ausgenommen (Art. 2 Abs. 6) [7][8]. Das Risiko steigt auf Hochrisiko, wenn Behörden solche Werkzeuge im Kontext von Migration, Asyl und Grenzkontrolle (Anhang III Nummer 7) so einsetzen, dass Einzelpersonen bewertet werden; Profiling von Migranten auf Einzelebene zu Risiko oder Anspruchsberechtigung darf aus diesem Anwendungsfall nicht aufgebaut werden. Ordnen Sie den konkreten Einsatz ein und dokumentieren Sie ihn (siehe SEC-022).
• DSGVO / Datenschutz: Die Kerneingaben sind aggregiert und öffentlich; Vertreibungsregister und Erhebungsmikrodaten enthalten jedoch besondere Kategorien von Daten schutzbedürftiger Menschen. Wenden Sie Datenminimierung, Aggregation und statistische Offenlegungskontrolle an; humanitäre Organisationen berufen sich oft auf Privilegien und Immunitäten statt auf die DSGVO, aber Geber, Auftragsverarbeiter und NGOs mit Sitz in der EU bleiben gebunden.
• Do no harm: Prognosen darüber, wohin Menschen ziehen werden, können missbraucht werden, um Bewegung einzuschränken, oder von bewaffneten Akteuren ins Visier genommen werden; beschränken Sie Granularität und Zugriff, führen Sie eine Datenfolgenabschätzung durch und folgen Sie den OCHA Data Responsibility Guidelines und der operativen Leitlinie des IASC [4].
• Modellrisiko: Überzuversicht, Konzeptdrift bei sich wandelnden Konflikten und unzuverlässige Ground Truth; mindern Sie dies mit Kalibrierung, rollenden Rückvergleichen, Auslöser-Gremien mit Menschen und monatlicher Neukalibrierung [3].
• Abhängigkeit und Legitimität: Auslöser, die Mittel freigeben, brauchen dokumentierte, vorab vereinbarte Kriterien und Konsultation der Gemeinschaften; stellen Sie Prognosen nicht als Gewissheit dar.

Erste Schritte

1. Definieren Sie zuerst die Entscheidung: welche Maßnahme, welches Geld, welcher Vorlauf, wer entscheidet. Eine Prognose ohne vorab vereinbarten Maßnahmenplan ist nur ein Bericht.
2. Beginnen Sie mit vorhandenen öffentlichen Prognosen (ViEWS, FEWS NET, UNHCR-/OCHA-Daten auf HDX) und prüfen Sie, wie sie in Ihrer Region historisch abgeschnitten hätten.
3. Bauen Sie eine einfache Basislinie (letzter Wert, saisonal naiv), dann ein kalibriertes Gradient-Boosting-Modell; führen Sie Rückvergleiche mit rollenden Ursprüngen durch und berichten Sie Brier-Score und Kalibrierungsdiagramme.
4. Richten Sie eine Prüfung der Datenverantwortung und eine Datenfolgenabschätzung ein, bevor Sie disaggregierte oder sensible Daten verwenden.
5. Pilotieren Sie mit einem Auslöser-Gremium in einem Land; dokumentieren Sie Fehlalarme und Verfehlungen und kalibrieren Sie neu.

Quellen

1. OCHA Centre for Humanitarian Data — What is anticipatory action? — https://centre.humdata.org/anticipatory-action/
2. Data & Policy (Cambridge University Press) — Pushing the boundaries of anticipatory action using machine learning (AHEAD, Foresight) — https://www.cambridge.org/core/journals/data-and-policy/article/pushing-the-boundaries-of-anticipatory-action-using-machine-learning/5CA9D6358F29AE35C886B92492CFFF65
3. Henningsen, G. (UNHCR) — An Early Warning Model for Forced Displacement, arXiv:2505.06249 — https://arxiv.org/html/2505.06249v1
4. OCHA Centre for Humanitarian Data — Data Responsibility Guidelines — https://centre.humdata.org/data-responsibility/
5. ViEWS (Uppsala University & PRIO) — Violence & Impacts Early-Warning System — https://viewsforecasting.org/
6. FEWS NET — Famine Early Warning Systems Network — https://fews.net/
7. Regulation (EU) 2024/1689 (AI Act), Article 2 (scope) — https://artificialintelligenceact.eu/article/2/
8. Regulation (EU) 2024/1689 (AI Act), official text — https://eur-lex.europa.eu/eli/reg/2024/1689/oj