Termine immer mittwochs, ab 14:00-17:30 (pünktlich)

1. Seminar SE 2 st.Uni Klagenfurt: 814.005 und TU Wien: 187.234Mathematische Modellbildung und SimulationÖkonometrische, systemdynamische, Input-Output Modelle sowie agent-based systemshttp://peter.fleissner.org/MathMod/web.htmhttps://campus.aau.at/studien/lvliste.jsp?semester=11W&nobc=&diplomfachkey=3283 Peter Fleissnerfleissner@arrakis.es

2. Termine immer mittwochs, ab 14:00-17:30 (pünktlich) Vorbesprechung: Mittwoch 5. Okt 2011, ab 15:00 Uhr 1. Block: Mittwoch, 19.10.2011 14:00 bis 18:00 Uhr, SR 4a 2. Block: Mittwoch, 09.11.2011 14:00 bis 18:00 Uhr, SR 6 3. Block: Mittwoch, 16.11.2011 14:00 bis 17:00 Uhr, SR 6 4. Block: Mittwoch, 14.12.2011 15:00 bis 19:00 Uhr, SR 4c 5. Block: Mittwoch, 11.01.2012 15:00 bis 19:00 Uhr, SR 5 6. Block: Mittwoch, 18.01.2012, 15:00 bis 19:00 Uhr, SR 5 (Ersatztermin für 12. 10. 2011!) 7. Block: Mittwoch, 25.01.2012 15:00 bis 19:00 Uhr, SR 4a, Prüfung Alle Termine finden am IFF, Schottenfeldgasse 29, 1070 Wien, statt.

3. Inhalt des Seminars (optional) Teil 1 • Grundzüge der mathematischen Modellierung (Sozialkybernetik) • Modellierungspraxis mit dem Softwarepaket STELLA anhand kleiner Projekte Teil 2 • Agent-based modelling • Praktische Beispiele Teil 3 • Grundzüge der Input-Output-Analyse, Mehrebenenökonomie • Anwendungen auf volkswirtschaftliche Modelle, Stoffstromrechnung Teil 4 • Datensammlung/Parameterschätzung (Ökonometrie; neuronale Netze) • Praktische Übungen anhand ökonometrischer Modelle Abschluss • Prüfung

4. websites Allgemeines https://campus.uni-klu.ac.at/studien/lvkarte.jsp?sprache_nr=35&rlvkey=66132 Laufende Ereignisse, Skripten, Termine http://peter.fleissner.org/MathMod/web.htm Meine persönliche website http://members.chello.at/gre/fleissner/default.htm

5. Fachgebiete/Projektvorschläge der TeilnehmerInnen (2011) • Volker: Bach Soz, Master Sozoek, Landnutzung, Landwirtschaft, Landnutzung und Landbedeckung,Lebensstil Bevstrukt im Waldviertel • Julia: Master Soz humanök, Bach Kultur und Technik, Landnutzungskonflikt. • Maria: Wiss Mitarb SOZOEK, Historische Landnutzung für Italien, 1861 (Einigung des KG Italiens), returning forest, carbon sequestrierung. • Kristine: Wiss Mitarb SOZOEK, Ökonomin, Wirtschaftsstat, Globales Modell Fleischproduktion und Landnutzung. • Ulli: Wiss Mitarb SOZOEK, I-O Analyse, Einblick in AB, Materialfluss, Nachhaltigkeitsmonitoring f Krankenhausstationen, sektoral matflussanalyse, Carbon footprint des Osterr. Gesundheitswesens. Diss Nachh und Gesundheit • Christiane:Soziologin, Master Sozökol. Geplante Obsoleszenz. • Guelay: Soziologie, Diss: strukturiert und nichtstrukt Doktoratsprogramme im Vergleich. Verhältnis: Abschlüsse zu Arbeitsplätzen • Armin: Master Humanök. Heizkosten Pellets/Öl, Amortisierung, Preise • Panos: Biologie, Doktorrat Sozökol,: Touristflows in Samotraki • Gerda:TU Stadtplanung. Doktorrat: Stadt als Prozess • Ausgefallen: • Bernadette: Master Sozoek, Theor. Modellbildung unklar, Landnutzung, lokale biophyse Studien • Philip: bach Soz, Master Soz humanök, mathem Modellbildung in der Praxis fehlt, • Caroline: Bachelor Soz, Master Sozoek, Umwelt- und Bioressourcenmanagement. • Michael: Soz- und Humanökologie, Landschaftsplanung, Stoffkreisläufe,

6. Projekt A: Tourist flow model of Samothraki island, Greece Panos Petridis

7. Materials used by locals and by tourists • Some depend on the maximum nmbr, some depend on the total nmbrs • What will be the effect on infrastructure by various kinds of tourists? • Auxiliary variables: flow of materials, rate of use. • SD-model

10. Tourist Variables • Number of tourists • Age/gender/nationality/education level • Month of visitation • Length of stay • Type of accommodation • Spending per day • Food requirements • Waste accumulation • Energy required, incl. transportation

11. Couple with total material flows • Tourist flows  tourist impacts • Compare the impact of tourists with that of local residents • Find ways to expand the tourist season so reduce the burden on infrastructure etc

12. Projekt B:

13. Projekt B Systemdynamische Modellierung von Spitzenbelastungen im Krankenhaus Ulli Weisz 18. Oktober 2011 LV MathMod 1. Block

14. Kontext: Projekt MOKA • Nachhaltigkeits-Monitoring für Krankenhaustationen • Erhöhung der (Selbst)Beobachtung als Grundlage für (Nachhaltigkeits)Steuerung • Institut für Soziale Ökologie, Ludwig Boltzmann Institut Health Promotion Research & Otto Wagner Spital, Respiratory Care Unit • Auftraggeber FFG Bridge: 1.10.2011-30.9.2013

15. MOKA-Ansatz Abb.: System-Umwelt-Beziehungen der PatientInnenversorgung für eine Krankenhausstation

16. Projektvorschlag für LV • Systemdynamische Modellierung von • Spitzenbelastungen/belastungszeiten im KH • Ziel: Früherkennung von „kritischen Zuständen“Die Häufigkeit von Spitzenbelastungen an einer bestimmten Station sollen identifiziert/monitiert werden, um frühzeitig darauf reagieren zu können.

17. Wie entstehen Spitzenbelastungen? • Wenig und/oder unerfahrenes Personal • Viele PatientInnen, hoher Pflegeaufwand • Mehrere Aufnahmen/Entlassungen gleichzeitig • Zusätzliche Belastungen: z.B. Reanimationen

18. Erste Überlegungen • System: Respiratory Care Unit (RCU) im OWS • Einflussgrößen • Anzahl der PatientInnen; Aufnahmen/Entlassungen • Pflegeaufwand (nach Jones), Schweregrad der Erkrankung (TISS Score) • Anzahl der Pflegepersonen (Personalstand) • Qualifikation der Pflegepersonen • Steuerungsmöglichkeiten • Bettensperre, Aufnahmesperre • Zusatzdienste • Zeitlicher Rahmen: Tage? • Datengrundlage: RCU Aufzeichnungen 2011

19. Anhang

20. Sustainable hospitals a socio-ecological approach FIGURE 1: Suggested sustainability triangle for hospitals. Health care – hospitals’ core business – and health promotion are at the centre of the triangle and should be considered in their dynamic interrelations with the objectives: social and ecological compatibility and economic efficiency. (Weisz et al. 2011, p:195)

21. Projekt C: Vergleich von Heizsystemen Kosten, Szenarien, Preissteigerungen von Öl und Pellets-Heizung. Sprunghafter Anstieg SD

22. Projekt D: Berufschancen auf eine Professur für Uni-AbsolventInnen • DoktorandInnen, Habilitierte, Postdoc, Assis. • Beschränkte Möglichkeiten einer Professur. • Demograph Modell der ProfessorInnen • Nur Volluniversitäten • Ausländische BewerberInnen (> 50%) • AgentInnenbasiert.

23. Projekt E: Peak-Oil Auswirkungen auf Wien und -umland Das Ende der Ressource Öl - Wirkung auf Zersiedelung und Stadtdichte, Klima, Mietpreise und Haushaltsbudgets Gerda Hartl

24. Was, wenn Mobilität mit dem PKW finanziell nicht mehr möglich ist für alle Wienpendler und es keine Alternative gibt außer dem dem ÖV

25. untersuchungsgegenstand • Wieviel Bevölkerung ist betroffen und immobil bei Peak-Oil? • Wieviel neuer Wohnraum wird innerstädtisch und im Speckgürtel in der Nähe von ÖV-Stationen benötigt? • Wie weit kann die Stadt verdichtet werden um den Bedarf zu decken? • Welche Stadtdichte kommt zustande bei vollständiger Nutzung der Wohnräumlichkeiten durch Sanierungsinvestitionen der Stadt? (Leerstände, Renovierungsbedürftige Lokalitäten) • Wie wird die Bevölkerung umverteilt nach dem Peak-Oil? • Wie entwickeln sich die Mietpreise in Wien und Umland • Wieviel mehr an Kapazitäten des ÖV müssen bereitgestellt werden? • Welche Kosten/Einnahmen entstehen den Kommunen zusätzlich? • Welche Auswirkungen hat das auf das Klima?

26. untersuchungsvariablen • Betrachtungsraum Wien & Speckgürtel (Wiener Umland, Mödling, Gänserndorf, Mistelbach, Korneuburg, Tulln, St.Pölten, Bruck a.d.Leitha), Jahr 2040 (Peak-Oil: 2050) • Nachfrage nach Wohnraum vs. Angebot von Wohnraum • Nachfrage nach sozialer Infrastruktur (Kindergärten, Schulen,..) • Haushaltsstruktur Wien & Speckgürtel (HH-Größe, m2 Wohnfläche) • Haushaltsbudgets (s. Alonso) als Abgleich von Wohnungskosten & Mobilitätskosten • Mietpreise Wien & Speckgürtel (geförderter Wohnbau, Genossenschaften, Privatvermietung) • Verfügbarer Wohnraum Wien & Speckgürtel • Leerstände Wohnraum Wien & Speckgürtel • ÖV-Erschließung & Erreichbarkeit des Wohnraums (max.300m) • Preisentwicklung Öl

27. Teil 3 • Beispiel: BesselscheDifferenzialglchng • Input-Outputanalyse im Kontext der Widerspiegelungstheorie • Grundelemente der Volkswirtschaftlichen Gesamtrechnung (optional: zur Krise)

28. Kontext: Widerspiegelungstheorie

29. die „Welt“ °^^‚#* ~$}[% .:->>| §x“?+* Vergegenständlichung Versprachlichung Verbildlichung Widerspiegelung Vergegenständlichung Veränderungszyklus und Simulation Widerspiegelung = Abbildung und Entwurf Diffusion

30. Basic Relations in simulation models Strictly deterministic relations (inspired by Rainer Thiel) • Definition equations • Static balance equations • Dynamic balance equations • Behavioral equations Stochastic relations (inspired by Herbert Hörz) • Randomness as residual/error, • Randomness essential, but constant • Randomness essential, but variable

31. Mathemathic codification 0: Definition equations Main element: “variable” with an associated quality/dimension and a certain quantity Types of definition equations: A: A new variable of same dimension is constructed by other variables of the same dimension, but different quantities Example: Circumference of a triangle is equal to the sum of the length of the three sides. B: A new variable of new dimension is constructed by other variables of the same dimension, but different quantities Example: Area of a rectangle is the product of its length and width. C: A new variable of new dimension is constructed by other variables of the different dimension and different quantities. wir Example: Labour is force times distance, turnover equals unit price times volumes. Although definition equations look simple, their identification was a cumbersome and erroneous process (like “energy” or “force”)

32. Mathemathic codification 1: Static Balance Equationconservation laws; e.g. input-output-tables, national accounting schemes L := l1 + l2 + l3 + l4 R := r1 + r2 + r3 l3 „Unequal quantities of equal qualities sum up to a quantity of equal quality“ l1 l2 l4 r1 r2 „Only the unequal becomes equal“ „Equal quantities must consist of unequal qualities“ r3 L = R

33. Mathemathic codification 2: Dynamic Balance Equationinventory equation, dynamic population balance, capital accumulation, dynamic accounting schemes Dx(t, t+1) x(t+Dt) = x(t) + Dx(t, t+1) The only qualitative difference between left and right: Position in time reality is constructed by „stocks“ and „flows“ Basis for the mirroring of dynamic processes (difference and/or differential equations) x(t) x(t+Dt) t -> t +Dt

34. + - y y y x x x Mathemathic codification 3: Behavioral equations cause-effect-schemes; e.g. multi-variate Blalock-model, econometric equations, neural networks x1 D y(t) = f [ x1(t), x2(t),…] y D x2 • Modifications: • linear • nonlinear • stochastic • delays • Feedback -> D

35. Causal Loop Diagrams Negative feedback: goal seeking, oscillations (D) Target value State value D Positive feedback: exponential growth reaction discrepancy wages Demand for higher wages cost pressure prices

36. Examples:Input-Output-Model Econometric model D D

37. Combined Example: Input-Output and Econometric ModelBMWF (Ed.) Mikroelektronik - Anwendungen, Verbreitung und Auswirkungen am Beispiel Österreichs, Wien 1981

38. Wassily W. Leontief, Scientific American, Sept.1982, pp.152-164; Nobelpreis für Ökonomie1973

39. 10-years forecast/comparison with actual data 1990fast diffusion of micro-electronics in Austria

40. Mathematical Simulation Models:Paradigm Shifts and Reification

41. Mathematical Simulation Models:Paradigm Shifts and Reification

42. How to treat Randomness?Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics Randomness essential Randomness non-essential Statistical laws of nature (H. Hörz) In econometrics/ regression analysis treated as residual or error term No randomness

43. Randomness in Regression Analysis Equation y = y + e y(x) e y y x

44. „true“ y e residual stochastic part . y forecast y deterministic part How to treat Randomness?Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics Randomness essential Randomness non-essential Statistical laws of nature (H. Hörz): In econometrics/ regression analysis treated as residual or error term No randomness

45. How to treat Randomness?Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics Randomness essential Emergence of stable structures by changing the properties of randomness (prob. distr. variable) Randomness non-essential Statistical laws of nature (H. Hörz): In econometrics/ regression analysis treated as residual or error term No randomness „true“ y „true“ y e residual stochastic part . y forecast y deterministic part

46. Austrian Pension Schemes in Comparison Private pension schemes Demographic data and Sccial statistics Amount of pension Creation Of Individuals Social Insurance Pension schemes Amount/type of pension Individual cases HTML-files

47. 0 2 1 11 12 21 22 Transitiondiagram Status 0 neither employed not retired Status 1 blue collar Status 2 white collar Status 11 blue collar ret by invalidity Status 12 blue collar ret by age Status 21 white collar ret by invalidity Status 22 white collar ret by age dead abroad birth

48. Total Population Austria 2003-2050 Yellow line: life expectancy up to 90 yrs by 2050

49. Retirement Age(Invalidity) White Collar Workers, male

50. How to treat Randomness?Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics Randomness essential Emergence of stable structures by changing the properties of randomness (prob. distr. variable) Randomness non-essential Statistical laws of nature (H. Hörz): In econometrics/ regression analysis treated as residual or error term No randomness „true“ y „true“ y e residual stochastic part . y forecast y deterministic part