The distribution of violent event and interevent times in conflicts

Die Studie widerlegt die verbreitete Annahme, dass feinkörnige Daten zu Gewaltkonflikten eine Lognormalverteilung der Intervalle zeigen würden, und bestätigt stattdessen, dass die Verteilung von Gewaltereignissen und deren Abständen weiterhin einer Potenzgesetz-Verteilung folgt.

Das Wesentliche

Der Tanz der Schläge: Warum Pausen anders sind als die Schläge selbst

Stell dir vor, du beobachtest eine Straßenschlägerei. Nicht als Teil davon, sondern als Zuschauer, der ein Handy herauszieht, um ein Video zu machen.

In der Wissenschaft gab es lange eine feste Regel: Die Zeit zwischen den Schlägen folgt einem ganz bestimmten Muster. Man nannte es eine „Potenzgesetz-Verteilung". Das klingt kompliziert, aber stell es dir so vor:
Wenn du eine Schlägerei auf einer groben Uhr beobachtest (z. B. nur jede Sekunde oder jeden Tag), sieht es so aus, als gäbe es viele kurze Pausen, aber auch einige extrem lange Pausen, die fast unmöglich zu sein scheinen. Es ist wie ein Musikstück, bei dem die Pausen zwischen den Noten völlig zufällig und chaotisch sind, aber mit einer sehr spezifischen mathemischen Regel.

Die neue Frage:
Der Forscher Jeroen Bruggeman hat sich gefragt: „Was passiert, wenn wir die Uhr noch viel genauer stellen? Wenn wir nicht jede Sekunde, sondern jede Millisekunde zählen?"

Er hat sich eine Theorie ausgedacht: Wenn die Dinge sehr schnell passieren und viele kleine Fehler oder Verzögerungen addieren (wie ein Multiplikations-Prozess), dann sollte das Muster eigentlich anders aussehen. Es sollte einer Lognormal-Verteilung entsprechen.

• Die Analogie: Stell dir vor, du baust einen Turm aus Kärtchen. Jeder Kärtchen-Stapel ist ein bisschen höher als der vorherige, aber zufällig. Wenn du das oft machst, entsteht eine Glockenkurve (ein Berg), keine chaotische Explosion. Das ist die Lognormal-Verteilung.

Das Experiment: Handy-Videos statt Tagebücher

Um das herauszufinden, hat Bruggeman keine alten Kriegstagebücher analysiert (wo man nur weiß: „Heute gab es einen Kampf"). Stattdessen hat er 59 Handy-Videos von echten Straßenschlägereien angeschaut.

• Die Auflösung: Er hat die Zeit nicht in Tagen, sondern in Sekunden (und manchmal Bruchteilen davon) gemessen.
• Was er gemessen hat:
  1. Die Pausen (Interevent Times): Wie lange dauert es, bis der nächste Schlag fällt?
  2. Die Schläge selbst (Event Times): Wie lange dauert ein einzelner Schlag oder Tritt?

Was hat er herausgefunden?

Hier kommt die Überraschung, die die alte Regel bestätigt, aber eine neue Entdeckung macht:

1. Die Pausen zwischen den Schlägen: Das alte Rätsel bleibt
Bruggeman dachte: „Wenn ich so genau messe, wird das Muster sicher eine Lognormal-Verteilung (der glatte Berg) sein."
Aber: Als er die Daten der Pausen analysierte, passte das alte Modell (das chaotische Potenzgesetz) genauso gut wie das neue.

• Warum? Vielleicht liegt es daran, dass die Zuschauer auf den Handys aufhören zu filmen, wenn es eine sehr lange Pause gibt. Wenn die Schläger 5 Minuten lang nur herumstehen und sich anschauen, dreht der Zuschauer das Handy weg. Das bedeutet, die langen Pausen fehlen in den Daten. Das verzerrt das Bild und lässt es so aussehen, als ob das alte, chaotische Muster stimmt.
• Fazit für die Pausen: Die alte Weisheit wurde nicht widerlegt. Die Pausen sind immer noch ein bisschen chaotisch.

2. Die Schläge selbst: Hier stimmt die neue Theorie!
Dafür hat er sich die Dauer der Schläge selbst angesehen (wie lange dauert ein Tritt?).

• Das Ergebnis: Hier passte das Lognormal-Modell perfekt!
• Die Erklärung: Ein Schlag kostet viel Energie. Ein Mensch kann nicht ewig schlagen. Ein Schlag ist kurz, schnell und endet, wenn die Kraft nachlässt oder jemand weicht. Das ist wie ein Sprint: Die meisten Sprints dauern etwa gleich lang, sehr wenige sind extrem kurz oder extrem lang. Das ergibt eine schöne, glatte Kurve (den Berg), genau wie vorhergesagt.

Die große Lektion

Stell dir die Schlägerei wie ein Orchester vor:

• Die Musiker (die Schläge) spielen ihre Töne sehr präzise und in einem bestimmten, vorhersehbaren Rhythmus (Lognormal-Verteilung). Jeder Ton hat eine natürliche Länge.
• Die Pausen zwischen den Noten sind jedoch das Chaos. Manchmal zögert der Dirigent, manchmal stolpert ein Musiker, manchmal warten sie auf ein Signal. Diese Pausen folgen den alten, chaotischen Regeln (Potenzgesetz), zumindest so lange, wie wir sie beobachten können.

Zusammenfassung für den Alltag:
Die Wissenschaftler dachten, wenn wir genauer hinschauen, würden wir ein neues, glattes Muster in der Gewalt finden. Das haben wir für die Schläge selbst gefunden (sie sind effizient und kurz). Aber für die Pausen dazwischen gilt immer noch das alte, chaotische Gesetz – vielleicht auch nur deshalb, weil wir die wirklich langen, langweiligen Pausen in den Videos einfach nicht sehen.

Technische Zusammenfassung

Titel: Die Verteilung von gewalttätigen Ereignissen und Intervallzeiten in anhaltenden Konflikten

Autor: Jeroen Bruggeman
Datum: 1. April 2026 (basierend auf dem vorliegenden Manuskript)

---

1. Problemstellung und Hintergrund

Das Papier untersucht die statistische Verteilung von Zeitintervallen zwischen gewalttätigen Ereignissen (interevent times) sowie der Dauer der Ereignisse selbst in anhaltenden Konflikten.

• Bisheriger Konsens: Studien, die auf grobmaschigen Daten (meist mit einer Auflösung von einem Tag) basieren, haben gezeigt, dass die Intervallzeiten zwischen Gewaltakten einer Potenzgesetz-Verteilung (Power Law) folgen.
• Theoretisches Dilemma: Ein mathematisches Theorem von Sornette und Cont besagt, dass bei Prozessen, die als multiplikative Prozesse modelliert werden können und bei denen die Intervallzeiten beliebig nahe an Null liegen können (feinmaschige Daten), die Verteilung lognormal sein sollte, nicht power-law.
• Forschungsfrage: Gilt das Potenzgesetz auch für feinmaschige Daten (Auflösung in Sekunden oder kürzer), oder bestätigt sich die theoretische Vorhersage einer lognormalen Verteilung?

2. Methodik

Der Autor verwendet einen neuartigen Ansatz, der Konflikte als multiplikative Prozesse modelliert.

• Theoretisches Modell:
  • Die Intervallzeit $\tau_{t+1}$ nach einer Sequenz von Ereignissen wird als Produkt vorheriger Intervalle und zufälliger Faktoren dargestellt: $\tau_{t+1} = v_t v_{t-1} \dots v_1 \tau_1$.
  • Da die Faktoren $v$ zufällig und unabhängig sind, führt dies theoretisch zu einer Lognormalverteilung (gemäß dem Zentralen Grenzwertsatz für Produkte), sofern das Minimum $\tau_{min}$ nicht durch eine Diskretisierung (z. B. 1 Tag) begrenzt ist.
• Datenerhebung:
  • Quelle: Videomaterial von Straßenkämpfen kleiner Gruppen (N = 59 Kämpfe), aufgenommen von Passanten auf Mobiltelefonen (veröffentlicht auf Plattformen wie YouTube, LiveLeak).
  • Stichprobe: 287 Intervallzeiten und 375 Ereignisdauern.
  • Auflösung: Feinmaschig (1 Sekunde oder kürzer), im Gegensatz zu den üblichen Tagesdaten.
  • Kodierung: Gewalt wird definiert als Anwendung von Kraft auf den Körper (Tritten, Schlägen) oder gewaltsame Bewegung des Körpers. Intervallzeiten sind Perioden ohne Gewalt.
• Statistische Analyse:
  • Verwendung des R-Pakets poweRlaw für Maximum-Likelihood-Schätzungen.
  • Vergleich der Anpassungsgüte (Goodness-of-Fit) zwischen Lognormal- und Potenzgesetz-Verteilungen.
  • Anwendung des Vuong-Tests, um zu bestimmen, welche Verteilung die Daten signifikant besser beschreibt.

3. Wichtige Ergebnisse

Die Analyse liefert differenzierte Ergebnisse für Intervallzeiten und Ereignisdauern:

• Intervallzeiten (Interevent Times):

  • Die kumulative Verteilung der Intervallzeiten (von 0,002 bis 95 Sekunden) passt sowohl gut zu einer Lognormal- als auch zu einer Potenzgesetz-Verteilung.
  • Der Vuong-Test zeigt keinen signifikanten Unterschied zwischen den beiden Modellen (zweiseitiger p-Wert = 0,403).
  • Ergebnis: Die Hypothese, dass feinmaschige Intervalldaten zwingend lognormal verteilt sind, wird nicht bestätigt. Das Potenzgesetz bleibt eine valide Beschreibung.
  • Kritische Anmerkung: Der Autor vermutet, dass die Verteilung sogar eher power-law-artig sein könnte, da die "langen Pausen" (Tail der Verteilung) unterrepräsentiert sein könnten, da Zuschauer oft aufhören zu filmen, wenn keine Gewalt mehr stattfindet.

• Ereignisdauern (Event Times):

  • Die Dauer der Gewaltakte selbst (0,342 bis 36 Sekunden) zeigt ein anderes Bild.
  • Hier passt die Lognormalverteilung signifikant besser als das Potenzgesetz (p = 0,00077).
  • Begründung: Gewaltakte verbrauchen viel Energie und sind daher zeitlich begrenzt, was zu einer kurzen Verteilungsschwanz führt, die besser durch ein Lognormalmodell erfasst wird. (Hinweis: Ein "Sprung" in der Grafik bei 1 Sekunde ist ein Artefakt der Kodierung, da einzelne Schläge oft nicht präziser als 1 Sekunde messbar waren, beeinflusst aber die Anpassung an den Schwanz der Verteilung nicht).

4. Hauptbeiträge und Innovation

• Neue Datenbasis: Erste Untersuchung von Gewaltkonflikten mit einer zeitlichen Auflösung von Sekunden (feinmaschig) statt Tage (grobmaschig).
• Theoretische Anwendung: Anwendung des Konzepts multiplikativer Prozesse auf Konfliktdaten, um die Verteilung von Intervallzeiten zu modellieren.
• Differenzierung: Klare Trennung zwischen der Verteilung der Pausen zwischen Gewaltakten und der Dauer der Gewaltakte selbst.

5. Bedeutung und Fazit

• Widerlegung des "Common Wisdom"? Nein. Trotz der theoretischen Vorhersage, dass feinmaschige Daten lognormal sein müssten, wird das etablierte Potenzgesetz für Intervallzeiten in diesem Datensatz nicht widerlegt. Die "Allgemeinweisheit" bleibt bestehen.
• Erklärung für die Diskrepanz: Die Diskrepanz zwischen Theorie und Ergebnis könnte auf die Unterabtastung langer Pausen durch die Beobachter (Bias) zurückzuführen sein.
• Energie-Aspekt: Die Ergebnisse untermauern die Idee, dass gewalttätige Ereignisse selbst (die Energie verbrauchen) einer Lognormalverteilung folgen, während die Intervalle dazwischen komplexere Dynamiken aufweisen, die auch durch Potenzgesetze beschrieben werden können.
• Zukunftsperspektive: Mit der zunehmenden Verfügbarkeit von CCTV- und Mobilfunkdaten wird die Analyse von Gewalt auf feinerer Zeitebene möglich sein, was zukünftige Studien herausfordern könnte, die aktuelle Modelle zu verfeinern.

Zusammenfassend stellt das Papier fest, dass die Annahme einer rein lognormalen Verteilung für Intervallzeiten bei feinmaschigen Daten nicht automatisch gilt, während die Dauer der Gewaltakte selbst klar lognormal verteilt ist.