ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com
TEDGlobal 2011

Geoffrey West: The surprising math of cities and corporations

Geoffrey West: Die wundersame Mathematik von Städten und Unternehmen.

Filmed:
1,583,030 views

Der Physiker Geoffrey West hat das einfache mathematische Gesetz entdeckt, dass die Eigenschaften von Städten regelt. Wohlstand, Kriminalitätsraten, Geschwindigkeit der Fussgänger und viele andere Aspekte von Städten lassen sich aus einer einzigen Grösse herleiten: Der Bevölkerungszahl. In diesem überraschenden Vortrag von TEDGlobal zeigt er, wie das funktioniert und wie ähnlich die Gesetze von Organismen und Firmen sind.
- Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed. Full bio

Double-click the English transcript below to play the video.

00:16
CitiesStädte are the crucibleTiegel of civilizationZivilisation.
0
1000
3000
Städte sind die Schmelztiegel der Zivilisation.
00:19
They have been expandingerweitert,
1
4000
2000
Sie haben sich ausgebreitet,
00:21
urbanizationUrbanisierung has been expandingerweitert,
2
6000
2000
die Urbanisierung breitet sich aus
00:23
at an exponentialexponentiell ratePreis in the last 200 yearsJahre
3
8000
2000
mit einer exponentiell Rate
00:25
so that by the secondzweite partTeil of this centuryJahrhundert,
4
10000
3000
in den letzten 200 Jahren, so dass in der zweiten Hälfte
00:28
the planetPlanet will be completelyvollständig dominateddominiert
5
13000
2000
dieses Jahrhunderts die Erde komplett
00:30
by citiesStädte.
6
15000
3000
von Städten dominiert sein wird.
00:33
CitiesStädte are the originsHerkunft of globalglobal warmingErwärmen,
7
18000
3000
Städte sind der Ursprung von globaler
00:36
impactEinfluss on the environmentUmwelt,
8
21000
2000
Erwärmung, Belastungen
00:38
healthGesundheit, pollutionVerschmutzung, diseaseKrankheit,
9
23000
3000
der Umwelt, Gesundheit, Verschmutzung, Seuchen.
00:41
financeFinanzen,
10
26000
2000
Finanzen,
00:43
economiesVolkswirtschaften, energyEnergie --
11
28000
3000
Wirtschaft, Energie
00:46
they're all problemsProbleme
12
31000
2000
sind alles Probleme
00:48
that are confrontedkonfrontiert by havingmit citiesStädte.
13
33000
2000
mit denen wir konfrontiert sind,
00:50
That's where all these problemsProbleme come from.
14
35000
2000
weil wir Städte haben. Von dort kommen all
00:52
And the tsunamiTsunami of problemsProbleme that we feel we're facinggegenüber
15
37000
3000
diese Probleme. Diese Flutwelle von Problemen,
00:55
in termsBegriffe of sustainabilityNachhaltigkeit questionsFragen
16
40000
2000
denen wir gegenüberstehen, in Bezug auf
00:57
are actuallytatsächlich a reflectionBetrachtung
17
42000
2000
Nachhaltigkeitfragen, sind ein
00:59
of the exponentialexponentiell increaseerhöhen, ansteigen
18
44000
2000
Spiegelbild dieses exponentiellen
01:01
in urbanizationUrbanisierung acrossüber the planetPlanet.
19
46000
3000
Wachstums der weltweiten Verstädterung.
01:04
Here'sHier ist some numbersNummern.
20
49000
2000
Hier einige Zahlen.
01:06
Two hundredhundert yearsJahre agovor, the UnitedVereinigte StatesStaaten
21
51000
2000
Vor 200 Jahre waren die USA
01:08
was lessWeniger than a fewwenige percentProzent urbanizedverstädtert.
22
53000
2000
zu weniger als ein paar Prozenten
01:10
It's now more than 82 percentProzent.
23
55000
2000
städtisch. Jetzt sind es mehr als 82 Prozent.
01:12
The planetPlanet has crossedüberschritten the halfwayauf halber Strecke markKennzeichen a fewwenige yearsJahre agovor.
24
57000
3000
Die Erde hat vor wenigen Jahren die
01:15
China'sChinas buildingGebäude 300 newneu citiesStädte
25
60000
2000
50-Prozent überschritten. China wird 300 neue
01:17
in the nextNächster 20 yearsJahre.
26
62000
2000
Städte bauen in den nächsten
01:19
Now listen to this:
27
64000
2000
20 Jahren. Beachten sie folgenden:
01:21
EveryJedes weekWoche for the foreseeablevorhersehbaren futureZukunft,
28
66000
3000
Jede Woche - für die nähere Zukunft
01:24
untilbis 2050,
29
69000
2000
bis 2050 -
01:26
everyjeden weekWoche more than a millionMillion people
30
71000
2000
jede Woche werden mehr als eine
01:28
are beingSein addedhinzugefügt to our citiesStädte.
31
73000
2000
Million Leute in die Städte
01:30
This is going to affectbeeinflussen everything.
32
75000
2000
ziehen. Das wird
01:32
EverybodyAlle in this roomZimmer, if you staybleibe aliveam Leben,
33
77000
2000
alles beeinflussen. Jeder in diesem Raum,
01:34
is going to be affectedbetroffen
34
79000
2000
falls er solange lebt, wird betroffen sein,
01:36
by what's happeningHappening in citiesStädte
35
81000
2000
von dem, was in den Städten
01:38
in this extraordinaryaußergewöhnlich phenomenonPhänomen.
36
83000
2000
passiert, von diesem aussergewöhnlichem Phänomen.
01:40
HoweverJedoch, citiesStädte,
37
85000
3000
Wie auch immer, Städte,
01:43
despiteTrotz havingmit this negativeNegativ aspectAspekt to them,
38
88000
3000
abgesehen von ihren negativen Effekten,
01:46
are alsoebenfalls the solutionLösung.
39
91000
2000
sind aber auch
01:48
Because citiesStädte are the vacuumVakuum cleanersReiniger and the magnetsMagnete
40
93000
4000
deren Lösung. Denn Städte wirken wie Staubsauger
01:52
that have suckedgesaugt up creativekreativ people,
41
97000
2000
oder Magnete, welche kreative Leute anziehen,
01:54
creatingErstellen ideasIdeen, innovationInnovation,
42
99000
2000
Ideen produzieren,
01:56
wealthReichtum and so on.
43
101000
2000
Erfindungen, Wohlstand und so weiter.
01:58
So we have this kindArt of dualDual natureNatur.
44
103000
2000
Wir haben also eine zweischneidige Situation.
02:00
And so there's an urgentdringend need
45
105000
3000
Deshalb haben wir einen zwingenden Bedarf
02:03
for a scientificwissenschaftlich theoryTheorie of citiesStädte.
46
108000
4000
an einer wissenschaftlichen
02:07
Now these are my comradesKameraden in armsArme.
47
112000
3000
Theorie zu Städten. Dies hier sind meine Mitstreiter.
02:10
This work has been doneerledigt with an extraordinaryaußergewöhnlich groupGruppe of people,
48
115000
2000
Diese Arbeit wurde durch eine ausserordentliche
02:12
and they'veSie haben doneerledigt all the work,
49
117000
2000
Gruppe vollbracht. Die haben all die Arbeit getan,
02:14
and I'm the great bullshitterwirke
50
119000
2000
und ich bin der grosse Dummschwätzer,
02:16
that triesversucht to bringbringen it all togetherzusammen.
51
121000
2000
der versucht alles zusammen zu setzen.
02:18
(LaughterLachen)
52
123000
2000
(Gelächter)
02:20
So here'shier ist the problemProblem: This is what we all want.
53
125000
2000
Hier die Problemstellung:
02:22
The 10 billionMilliarde people on the planetPlanet in 2050
54
127000
3000
Das ist was wir alle wollen. Die 10 Milliarden Leute
02:25
want to liveLeben in placessetzt like this,
55
130000
2000
auf dem Planeten in 2050 wollen an Orten wie diesem,
02:27
havingmit things like this,
56
132000
2000
solche Dinge besitzen,
02:29
doing things like this,
57
134000
2000
Sachen tun wie dies,
02:31
with economiesVolkswirtschaften that are growingwachsend like this,
58
136000
3000
mit einer Wirtschaft, die so wächst,
02:34
not realizingverwirklichen that entropyEntropie
59
139000
2000
ohne zu realisieren, das Entropie
02:36
producesproduziert things like this,
60
141000
2000
Dinge produziert wie
02:38
this, this
61
143000
4000
das,
02:42
and this.
62
147000
2000
das
02:44
And the questionFrage is:
63
149000
2000
und das. Die Frage ist nun:
02:46
Is that what EdinburghEdinburgh and LondonLondon and NewNeu YorkYork
64
151000
2000
Wird Edinburgh
02:48
are going to look like in 2050,
65
153000
2000
und London und New York
02:50
or is it going to be this?
66
155000
2000
in 2050 so aussehen?
02:52
That's the questionFrage.
67
157000
2000
Oder eher so? Das ist die Frage.
02:54
I mustsollen say, manyviele of the indicatorsIndikatoren
68
159000
2000
Ich muss sagen,
02:56
look like this is what it's going to look like,
69
161000
3000
viele Indikatoren lassen vermuten, dass es so
02:59
but let's talk about it.
70
164000
3000
ausschauen wird. Aber lassen sie uns darüber reden.
03:02
So my provocativeprovokativ statementErklärung
71
167000
3000
Meine provokative Äusserung ist,
03:05
is that we desperatelyverzweifelt need a seriousernst scientificwissenschaftlich theoryTheorie of citiesStädte.
72
170000
3000
dass wir dringend eine ernsthafte, wissenschaftliche
03:08
And scientificwissenschaftlich theoryTheorie meansmeint quantifiablequantifizierbar --
73
173000
3000
Theorie zu Städten brauchen. Wissenschaftliche Theorie
03:11
relyingunter Berufung on underlyingzugrunde liegenden genericgenerisch principlesPrinzipien
74
176000
3000
bedeutet quantifizierbar, abgestützt
03:14
that can be madegemacht into a predictiveprädiktive frameworkRahmen.
75
179000
2000
auf allgemeinen Prinzipien, damit wir
03:16
That's the questSuche.
76
181000
2000
Prognosen ableiten können.
03:18
Is that conceivabledenkbar?
77
183000
2000
Das ist die Aufgabe. Ist das vorstellbar?
03:20
Are there universalUniversal- lawsGesetze?
78
185000
2000
Gibt es universelle Gesetze?
03:22
So here'shier ist two questionsFragen
79
187000
2000
Hier nun zwei Fragen,
03:24
that I have in my headKopf when I think about this problemProblem.
80
189000
2000
welche ich im Hinterkopf habe
03:26
The first is:
81
191000
2000
um darüber nachzudenken. Die erste lautet:
03:28
Are citiesStädte partTeil of biologyBiologie?
82
193000
2000
Sind Städte so eine Art Teil der Biologie?
03:30
Is LondonLondon a great biggroß whaleWal?
83
195000
2000
Ist London ein grosser Wal?
03:32
Is EdinburghEdinburgh a horsePferd?
84
197000
2000
Ist Edinburgh ein Pferd?
03:34
Is MicrosoftMicrosoft a great biggroß anthillAmeisenhaufen?
85
199000
2000
Ist Microsoft ein
03:36
What do we learnlernen from that?
86
201000
2000
grosser Ameisenhügel? Was können wir daraus lernen?
03:38
We use them metaphoricallymetaphorisch --
87
203000
2000
Wir nutzen - bildlich gesprochen - die DNA einer Firma
03:40
the DNADNA of a companyUnternehmen, the metabolismStoffwechsel of a cityStadt, and so on --
88
205000
2000
den Metabolismus einer Stadt, und so fort.
03:42
is that just bullshitSchwachsinn, metaphoricalmetaphorische bullshitSchwachsinn,
89
207000
3000
Ist das einfach Mumpitz,
03:45
or is there seriousernst substanceSubstanz to it?
90
210000
3000
bildlicher Mumpitz, oder eine zentrale Teil davon?
03:48
And if that is the caseFall,
91
213000
2000
Und wenn es so ist,
03:50
how come that it's very hardhart to killtöten a cityStadt?
92
215000
2000
wie kommt es, dass es schwer ist,
03:52
You could dropfallen an atomAtom bombBombe on a cityStadt,
93
217000
2000
Städte zu töten. Sie können eine Atombombe
03:54
and 30 yearsJahre laterspäter it's survivingüberleben.
94
219000
2000
auf eine Stadt werfen, 30 Jahre später
03:56
Very fewwenige citiesStädte failScheitern.
95
221000
3000
lebt sie wieder. Sehr wenig Städte fallen.
03:59
All companiesFirmen diesterben, all companiesFirmen.
96
224000
3000
Alle Firmen sterben, alle Unternehmen.
04:02
And if you have a seriousernst theoryTheorie, you should be ablefähig to predictvorhersagen
97
227000
2000
Wenn sie eine seriöse Theorie haben,
04:04
when GoogleGoogle is going to go bustBüste.
98
229000
3000
sollten sie vorhersagen können, wann Google eingehen wird.
04:07
So is that just anotherein anderer versionVersion
99
232000
3000
Ist dies hier
04:10
of this?
100
235000
2000
nur eine Variante von dem hier?
04:12
Well we understandverstehen this very well.
101
237000
2000
Das verstehen wir
04:14
That is, you askFragen any genericgenerisch questionFrage about this --
102
239000
2000
ziemlich gut. Dass heisst, sie können
04:16
how manyviele treesBäume of a givengegeben sizeGröße,
103
241000
2000
allgemeine Fragen dazu stellen: Wie viele Bäume
04:18
how manyviele branchesFilialen of a givengegeben sizeGröße does a treeBaum have,
104
243000
2000
einer gegebenen Grösse, wie viele Äste
04:20
how manyviele leavesBlätter,
105
245000
2000
einer gegebenen Grösse hat ein Baum, wie viele Blätter,
04:22
what is the energyEnergie flowingfließend throughdurch eachjede einzelne branchAst,
106
247000
2000
welche Energie fliesst durch
04:24
what is the sizeGröße of the canopyÜberdachung,
107
249000
2000
einzelne Äste, wie gross ist das
04:26
what is its growthWachstum, what is its mortalityMortalität?
108
251000
2000
Laubdach, wie ist das Wachstum,
04:28
We have a mathematicalmathematisch frameworkRahmen
109
253000
2000
wie die Sterblichkeit? Wir haben ein
04:30
basedbasierend on genericgenerisch universalUniversal- principlesPrinzipien
110
255000
3000
mathematisches System, basierend auf allgemeinen, universellen
04:33
that can answerAntworten those questionsFragen.
111
258000
2000
Prinzipien, welches diese Fragen beantworten können.
04:35
And the ideaIdee is can we do the samegleich for this?
112
260000
4000
Die Idee ist nun, können wir das auch für dies hier?
04:40
So the routeRoute in is recognizingerkennen
113
265000
3000
Der Zugang dazu liegt in einem
04:43
one of the mostdie meisten extraordinaryaußergewöhnlich things about life,
114
268000
2000
der aussergewöhnlichsten Dinge
04:45
is that it is scalableskalierbar,
115
270000
2000
über das Leben: das es
04:47
it worksWerke over an extraordinaryaußergewöhnlich rangeAngebot.
116
272000
2000
skalierbar ist. Es funktioniert über einen
04:49
This is just a tinysehr klein rangeAngebot actuallytatsächlich:
117
274000
2000
ungeheuer grossen Bereich. Dies ist nur
04:51
It's us mammalsSäugetiere;
118
276000
2000
ein winziger Bereich. Das sind wir,
04:53
we're one of these.
119
278000
2000
Säugetiere, wir sind eines davon.
04:55
The samegleich principlesPrinzipien, the samegleich dynamicsDynamik,
120
280000
2000
Die gleichen Prinzipien, die gleichen Vorgänge,
04:57
the samegleich organizationOrganisation is at work
121
282000
2000
die gleichen Organisationsstrukturen
04:59
in all of these, includingeinschließlich us,
122
284000
2000
in allen davon, inklusive uns.
05:01
and it can scaleRahmen over a rangeAngebot of 100 millionMillion in sizeGröße.
123
286000
3000
Und es ist skalierbar über einen Grössenbereich von
05:04
And that is one of the mainMain reasonsGründe dafür
124
289000
3000
100 Millionen. Das ist einer der
05:07
life is so resilientwiderstandsfähig and robustrobust --
125
292000
2000
Hauptgründe, dass das Leben so
05:09
scalabilitySkalierbarkeit.
126
294000
2000
belastbar und robust ist:
05:11
We're going to discussdiskutieren that in a momentMoment more.
127
296000
3000
Skalierbarkeit. Wir werden das
05:14
But you know, at a locallokal levelEbene,
128
299000
2000
später nochmals diskutieren. Aber sie wissen, auf
05:16
you scaleRahmen; everybodyjeder in this roomZimmer is scaledskaliert.
129
301000
2000
lokaler Eben, jeder hier ist skaliert.
05:18
That's callednamens growthWachstum.
130
303000
2000
Wir nennen es Wachstum.
05:20
Here'sHier ist how you grewwuchs.
131
305000
2000
So wachsen sie.
05:22
RatRatte, that's a ratRatte -- could have been you.
132
307000
2000
Ratten, das ist für Ratten,
05:24
We're all prettyziemlich much the samegleich.
133
309000
3000
es könnten auch sie sein. Wir sind uns alle ziemlich ähnlich.
05:27
And you see, you're very familiarfamiliär with this.
134
312000
2000
Sie sehen, das sieht vertraut aus.
05:29
You growgrößer werden very quicklyschnell and then you stop.
135
314000
2000
Sie wachsen anfangs sehr schnell
05:31
And that lineLinie there
136
316000
2000
und hören dann auf. Und diese Linie
05:33
is a predictionPrognose from the samegleich theoryTheorie,
137
318000
2000
ist eine Vorhersage der
05:35
basedbasierend on the samegleich principlesPrinzipien,
138
320000
2000
gleichen Theorie, basierend auf den
05:37
that describesbeschreibt that forestWald.
139
322000
2000
selben Prinzipien, die Wälder betrifft.
05:39
And here it is for the growthWachstum of a ratRatte,
140
324000
2000
Hier dargestellt für das Wachstum
05:41
and those pointsPunkte on there are dataDaten pointsPunkte.
141
326000
2000
von Ratten. Und diese Punkte sind
05:43
This is just the weightGewicht versusgegen the ageAlter.
142
328000
2000
Messungen. Einfach Gewicht
05:45
And you see, it stopsstoppt growingwachsend.
143
330000
2000
versus Alter. Sie sehen, das Wachstum stoppt.
05:47
Very, very good for biologyBiologie --
144
332000
2000
Sehr, sehr gut für die Biologie -
05:49
alsoebenfalls one of the reasonsGründe dafür for its great resilienceElastizität.
145
334000
2000
einer der Gründe, für deren Belastbarkeit.
05:51
Very, very badschlecht
146
336000
2000
Sehr, sehr schlecht
05:53
for economiesVolkswirtschaften and companiesFirmen and citiesStädte
147
338000
2000
für Wirtschaft und Firmen und Städte
05:55
in our presentGeschenk paradigmParadigma.
148
340000
2000
in unserem aktuellen Paradigma.
05:57
This is what we believe.
149
342000
2000
Wir glauben an das hier.
05:59
This is what our wholeganze economyWirtschaft
150
344000
2000
Wir meinen unsere ganze Wirtschaft
06:01
is thrustingstoßend uponauf us,
151
346000
2000
verhält sich so,
06:03
particularlyinsbesondere illustratedillustrierte in that left-handlinke Hand cornerEcke:
152
348000
3000
gezeigt in der Ecke links:
06:06
hockeyEishockey sticksStöcke.
153
351000
2000
Hockeyschläger.
06:08
This is a bunchBündel of softwareSoftware companiesFirmen --
154
353000
2000
Das ist eine Gruppe von Software-Firmen
06:10
and what it is is theirihr revenueEinnahmen versusgegen theirihr ageAlter --
155
355000
2000
und ihre Einkünfte versus ihr Alter,
06:12
all zoomingZoomen away,
156
357000
2000
alle schiessen in die Höhe
06:14
and everybodyjeder makingHerstellung millionsMillionen and billionsMilliarden of dollarsDollar.
157
359000
2000
und jeder macht Millionen und Milliarden von Dollars.
06:16
Okay, so how do we understandverstehen this?
158
361000
3000
Also, wie verstehen wir das?
06:19
So let's first talk about biologyBiologie.
159
364000
3000
Lassen sie uns zuerst über Biologie reden.
06:22
This is explicitlyausdrücklich showingzeigt you
160
367000
2000
Dies hier zeigt klar,
06:24
how things scaleRahmen,
161
369000
2000
wie Dinge skaliert sind.
06:26
and this is a trulywirklich remarkablebemerkenswert graphGraph.
162
371000
2000
Das ist eine wahrhaft bemerkenswerte Grafik.
06:28
What is plottedgeplottet here is metabolicmetabolische ratePreis --
163
373000
3000
Gezeigt wird die metabolische Rate -
06:31
how much energyEnergie you need perpro day to staybleibe aliveam Leben --
164
376000
3000
wie viel Energie sie pro Tag zum Überleben brauchen -
06:34
versusgegen your weightGewicht, your massMasse,
165
379000
2000
gegenüber ihrem Gewicht, ihrer Masse,
06:36
for all of us bunchBündel of organismsOrganismen.
166
381000
3000
für uns alle, für alle Organismen.
06:39
And it's plottedgeplottet in this funnykomisch way by going up by factorsFaktoren of 10,
167
384000
3000
Es ist etwas seltsam aufgetragen,
06:42
otherwiseAndernfalls you couldn'tkonnte nicht get everything on the graphGraph.
168
387000
2000
jeweils mit Faktor 10, ansonsten hätte nicht
06:44
And what you see if you plotHandlung it
169
389000
2000
alles Platz im Bild. Was sie sehen, wenn sie es
06:46
in this slightlyleicht curiousneugierig way
170
391000
2000
auf diese etwas seltsame Art machen,
06:48
is that everybodyjeder liesLügen on the samegleich lineLinie.
171
393000
3000
dass alles auf der selben Linie liegt.
06:51
DespiteTrotz the factTatsache that this is the mostdie meisten complexKomplex and diversevielfältig systemSystem
172
396000
3000
Abgesehen davon, dass dies das komplexeste
06:54
in the universeUniversum,
173
399000
3000
und vielfältigste System des Universums ist,
06:57
there's an extraordinaryaußergewöhnlich simplicityEinfachheit
174
402000
2000
haben wir hier eine aussergewöhnliche Einfachheit,
06:59
beingSein expressedausgedrückt by this.
175
404000
2000
so dargestellt.
07:01
It's particularlyinsbesondere astonishingerstaunlich
176
406000
3000
Es ist äusserst erstaunlich,
07:04
because eachjede einzelne one of these organismsOrganismen,
177
409000
2000
weil jeder dieser Organismen,
07:06
eachjede einzelne subsystemSubsystem, eachjede einzelne cellZelle typeArt, eachjede einzelne geneGen,
178
411000
2000
jedes Untersystem, jeder Zelltyp, jedes Gen
07:08
has evolvedentwickelt in its ownbesitzen uniqueeinzigartig environmentalUmwelt nicheNische
179
413000
4000
sich in seiner eigenen Nische entwickelt hat,
07:12
with its ownbesitzen uniqueeinzigartig historyGeschichte.
180
417000
3000
welche einzigartig in der Geschichte ist.
07:15
And yetnoch, despiteTrotz all of that DarwinianDarwinistische evolutionEvolution
181
420000
3000
Und nun, trotz Darwins Evolution
07:18
and naturalnatürlich selectionAuswahl,
182
423000
2000
und natürlicher Selektion,
07:20
they'veSie haben been constrainedeingeschränkt to lieLüge on a lineLinie.
183
425000
2000
sind sie genötigt auf einer Linie zu sein.
07:22
Something elsesonst is going on.
184
427000
2000
Etwas anderes geht hier vor.
07:24
Before I talk about that,
185
429000
2000
Bevor ich darüber spreche,
07:26
I've writtengeschrieben down at the bottomBoden there
186
431000
2000
hab ich hier unten die Steigung
07:28
the slopeSteigung of this curveKurve, this straightGerade lineLinie.
187
433000
2000
der Kurve, dieser Geraden notiert.
07:30
It's three-quartersdrei Viertel, roughlygrob,
188
435000
2000
Sie beträgt Drei-Viertel, ungefähr,
07:32
whichwelche is lessWeniger than one -- and we call that sublinearsublinear.
189
437000
3000
was kleiner als Eins ist - wir nennen das sublinear.
07:35
And here'shier ist the pointPunkt of that.
190
440000
2000
Hier die zentrale Aussage.
07:37
It sayssagt that, if it were linearlinear,
191
442000
3000
Es sagt, dass wenn es linear wäre,
07:40
the steepeststeilsten slopeSteigung,
192
445000
2000
mit der stärksten Steigung,
07:42
then doublingVerdoppelung the sizeGröße
193
447000
2000
eine Verdoppelung der Grösse
07:44
you would requireerfordern doubledoppelt the amountMenge of energyEnergie.
194
449000
2000
würde eine Verdoppelung der Energie benötigen.
07:46
But it's sublinearsublinear, and what that translatesübersetzt into
195
451000
3000
Aber es ist sublinear, was bedeutet,
07:49
is that, if you doubledoppelt the sizeGröße of the organismOrganismus,
196
454000
2000
dass eine doppelt so grosser Organismus
07:51
you actuallytatsächlich only need 75 percentProzent more energyEnergie.
197
456000
3000
tatsächlich nur 75 Prozent mehr Energie benötigt.
07:54
So a wonderfulwunderbar thing about all of biologyBiologie
198
459000
2000
Diese wundervolle Sache der Biologie
07:56
is that it expressesdrückt aus an extraordinaryaußergewöhnlich economyWirtschaft of scaleRahmen.
199
461000
3000
beschreibt eine aussergewöhnliche
07:59
The biggergrößer you are systematicallysystematisch,
200
464000
2000
Ökonomie der Skalierung. Je grösser sie sind
08:01
accordingnach to very well-definedgut definiert rulesRegeln,
201
466000
2000
- systematisch, nach klar definierten Regeln -
08:03
lessWeniger energyEnergie perpro capitaKopf.
202
468000
3000
desto weniger Energie pro Kopf brauchen sie.
08:06
Now any physiologicalphysiologische variableVariable you can think of,
203
471000
3000
Jede physiologische Variable, die sie sich aussuchen,
08:09
any life historyGeschichte eventEvent you can think of,
204
474000
2000
jeder historische Vorgang, an den sie denken,
08:11
if you plotHandlung it this way, lookssieht aus like this.
205
476000
3000
wenn sie ihn so darstellen, schaut so aus.
08:14
There is an extraordinaryaußergewöhnlich regularityRegelmäßigkeit.
206
479000
2000
Es ist eine aussergewöhnliche Regelmässigkeit.
08:16
So you tell me the sizeGröße of a mammalSäugetier,
207
481000
2000
Sagen sie mir die Grösse eines Säugers,
08:18
I can tell you at the 90 percentProzent levelEbene everything about it
208
483000
3000
ich sage ihnen all seine 90 Prozent-Level
08:21
in termsBegriffe of its physiologyPhysiologie, life historyGeschichte, etcetc.
209
486000
4000
in Bezug auf Physiologie, Leben, Geschichte und so weiter.
08:25
And the reasonGrund for this is because of networksNetzwerke.
210
490000
3000
Der Grund dafür sind Netzwerke.
08:28
All of life is controlledkontrolliert by networksNetzwerke --
211
493000
3000
Alles Leben wird von Netzwerken kontrolliert,
08:31
from the intracellularintrazellulär throughdurch the multicellularvielzellig
212
496000
2000
von interzellulären über multizellulären
08:33
throughdurch the ecosystemÖkosystem levelEbene.
213
498000
2000
hin zum Ökosystemlevel.
08:35
And you're very familiarfamiliär with these networksNetzwerke.
214
500000
3000
Und sie sind vertraut mit diesen Netzwerken.
08:39
That's a little thing that livesLeben insideinnen an elephantElefant.
215
504000
3000
Dies ist ein kleines Etwas, welches in Elefanten lebt.
08:42
And here'shier ist the summaryZusammenfassung of what I'm sayingSprichwort.
216
507000
3000
Und hier eine Zusammenfassung vom Gesagtem.
08:45
If you take those networksNetzwerke,
217
510000
2000
Wenn sie diese Netzwerke nehmen,
08:47
this ideaIdee of networksNetzwerke,
218
512000
2000
die Idee der Netzwerke,
08:49
and you applysich bewerben universalUniversal- principlesPrinzipien,
219
514000
2000
und sie universelle Prinzipien anwenden,
08:51
mathematizablemathematische, universalUniversal- principlesPrinzipien,
220
516000
2000
mathematische, universelle Prinzipien -
08:53
all of these scalingsSkalierungen
221
518000
2000
als diese Skalierbarkeit -
08:55
and all of these constraintsEinschränkungen followFolgen,
222
520000
3000
und alle Einschränkungen befolgen,
08:58
includingeinschließlich the descriptionBeschreibung of the forestWald,
223
523000
2000
inklusive der Beschreibung des Waldes,
09:00
the descriptionBeschreibung of your circulatoryHerz-Kreislauf systemSystem,
224
525000
2000
die Beschreibung ihres Kreislaufes,
09:02
the descriptionBeschreibung withininnerhalb cellsZellen.
225
527000
2000
die Beschreibung des Zellinneren.
09:04
One of the things I did not stressStress in that introductionEinführung
226
529000
3000
Eine der Sachen, die ich Anfangs nicht betont habe,
09:07
was that, systematicallysystematisch, the paceTempo of life
227
532000
3000
war, dass die Rate des Lebens systematisch
09:10
decreasesverringert as you get biggergrößer.
228
535000
2000
sinkt, je grösser sie sind.
09:12
HeartHerz ratesPreise are slowerLangsamer; you liveLeben longerlänger;
229
537000
3000
Der Herzschlag verringert sich, sie leben länger,
09:15
diffusionDiffusion of oxygenSauerstoff and resourcesRessourcen
230
540000
2000
Diffusion von Sauerstof und Nährstoffen
09:17
acrossüber membranesMembranen is slowerLangsamer, etcetc.
231
542000
2000
durch die Membranen geschieht langsamer, etc.
09:19
The questionFrage is: Is any of this truewahr
232
544000
2000
Die Frage ist: Gilt das auch für
09:21
for citiesStädte and companiesFirmen?
233
546000
3000
Städte und Firmen?
09:24
So is LondonLondon a scaledskaliert up BirminghamBirmingham,
234
549000
3000
Ist London ein vergrössertes Birmingham,
09:27
whichwelche is a scaledskaliert up BrightonBrighton, etcetc., etcetc.?
235
552000
3000
welches ein skaliertes Brighton ist, etc. etc.?
09:30
Is NewNeu YorkYork a scaledskaliert up SanSan FranciscoFrancisco,
236
555000
2000
Ist New York ein skaliertes San Francisco,
09:32
whichwelche is a scaledskaliert up SantaSanta FeFe?
237
557000
2000
welches ein grosses Santa Fe ist?
09:34
Don't know. We will discussdiskutieren that.
238
559000
2000
Keine Ahnung. Wir werden das diskutieren.
09:36
But they are networksNetzwerke,
239
561000
2000
Aber da sind Netzwerke.
09:38
and the mostdie meisten importantwichtig networkNetzwerk of citiesStädte
240
563000
2000
Und das wichtigste Netzwerk
09:40
is you.
241
565000
2000
der Städte sind sie.
09:42
CitiesStädte are just a physicalphysisch manifestationManifestation
242
567000
3000
Städte sind nur die physikalische
09:45
of your interactionsWechselwirkungen,
243
570000
2000
Manifestation Ihrer Interaktionen,
09:47
our interactionsWechselwirkungen,
244
572000
2000
unserer Interaktionen,
09:49
and the clusteringClustering and groupingGruppierung of individualsIndividuen.
245
574000
2000
und die Ballung und Gruppierung von Individuen.
09:51
Here'sHier ist just a symbolicsymbolische pictureBild of that.
246
576000
3000
Hier ein bildhafte Darstellung davon.
09:54
And here'shier ist scalingSkalierung of citiesStädte.
247
579000
2000
Hier nun die Skalierung der Städte.
09:56
This showszeigt an that in this very simpleeinfach exampleBeispiel,
248
581000
3000
Es zeigt anhand dieses einfachen Beispiels -
09:59
whichwelche happensdas passiert to be a mundanebanal exampleBeispiel
249
584000
2000
welches ganz alltäglich ist:
10:01
of numberNummer of petrolBenzin stationsStationen
250
586000
2000
Die Anzahl der Tankstellen
10:03
as a functionFunktion of sizeGröße --
251
588000
2000
als Funktion der Grösse -
10:05
plottedgeplottet in the samegleich way as the biologyBiologie --
252
590000
2000
auf die gleiche Art gezeigt wie die Biologie -
10:07
you see exactlygenau the samegleich kindArt of thing.
253
592000
2000
sie sehen den genau gleichen Zusammenhang.
10:09
There is a scalingSkalierung.
254
594000
2000
Auch hier Skalierung.
10:11
That is that the numberNummer of petrolBenzin stationsStationen in the cityStadt
255
596000
4000
Die Anzahl der Tankstellen in Städten
10:15
is now givengegeben to you
256
600000
2000
ist für sie berrechenbar,
10:17
when you tell me its sizeGröße.
257
602000
2000
wenn sie mir die Grösse der Stadt angeben.
10:19
The slopeSteigung of that is lessWeniger than linearlinear.
258
604000
3000
Die Steigung ist sublinear.
10:22
There is an economyWirtschaft of scaleRahmen.
259
607000
2000
Es ist eine ökonomische Skalierung. Weniger Tankstellen
10:24
LessWeniger petrolBenzin stationsStationen perpro capitaKopf the biggergrößer you are -- not surprisingüberraschend.
260
609000
3000
pro Einwohner, je grösser sie ist - wenig überraschend.
10:27
But here'shier ist what's surprisingüberraschend.
261
612000
2000
Was aber überraschend ist,
10:29
It scalesWaage in the samegleich way everywhereüberall.
262
614000
2000
die Skalierung ist überall gleich.
10:31
This is just EuropeanEuropäische countriesLänder,
263
616000
2000
Das sind nur Europäische Länder,
10:33
but you do it in JapanJapan or ChinaChina or ColombiaKolumbien,
264
618000
3000
aber das gleiche in Japan oder China oder Kolumbien.
10:36
always the samegleich
265
621000
2000
Überall das selbe,
10:38
with the samegleich kindArt of economyWirtschaft of scaleRahmen
266
623000
2000
mit der selben Art
10:40
to the samegleich degreeGrad.
267
625000
2000
der ökonomischen Skalierung, im selben Ausmass.
10:42
And any infrastructureInfrastruktur you look at --
268
627000
3000
Jede Infrastruktur, die sie betrachten,
10:45
whetherob it's the lengthLänge of roadsStraßen, lengthLänge of electricalelektrisch linesLinien --
269
630000
3000
ob es nun die Länge der Strassen oder Stromleitungen ist,
10:48
anything you look at
270
633000
2000
alles was sie betrachten
10:50
has the samegleich economyWirtschaft of scaleRahmen scalingSkalierung in the samegleich way.
271
635000
3000
hat die gleiche Ökonomie der Skalierung.
10:53
It's an integratedintegriert systemSystem
272
638000
2000
Es ist ein ganzheitliches System,
10:55
that has evolvedentwickelt despiteTrotz all the planningPlanung and so on.
273
640000
3000
dass sich trotz allen Planungen so entwickelt hat.
10:58
But even more surprisingüberraschend
274
643000
2000
Aber noch überraschender
11:00
is if you look at socio-economicsozio-ökonomische quantitiesMengen,
275
645000
2000
ist die Betrachtung der sozio-ökonomischen Grössen,
11:02
quantitiesMengen that have no analoganalog in biologyBiologie,
276
647000
3000
Grössen die kein Pendant in der Biologie haben,
11:05
that have evolvedentwickelt when we startedhat angefangen formingBildung communitiesGemeinschaften
277
650000
3000
die sich entwickelten, als wir begannen
11:08
eightacht to 10,000 yearsJahre agovor.
278
653000
2000
Gesellschaften zu gründen, vor rund 8 bis 10tausend Jahren.
11:10
The topoben one is wagesLohn as a functionFunktion of sizeGröße
279
655000
2000
Das obere ist der Lohn als Funktion der Grösse
11:12
plottedgeplottet in the samegleich way.
280
657000
2000
auf die selbe Art dargestellt.
11:14
And the bottomBoden one is you lot --
281
659000
2000
Der untere Teil sind sie -
11:16
super-creativessuper-kreativen plottedgeplottet in the samegleich way.
282
661000
3000
die Hochkreativen - auf die gleiche Art dargestellt.
11:19
And what you see
283
664000
2000
Was sie sehen
11:21
is a scalingSkalierung phenomenonPhänomen.
284
666000
2000
ist ein Skalierungs-Phänomen.
11:23
But mostdie meisten importantwichtig in this,
285
668000
2000
Das aller wichtigste ist aber,
11:25
the exponentExponent, the analoganalog to that three-quartersdrei Viertel
286
670000
2000
dass der Exponent, das Pendant
11:27
for the metabolicmetabolische ratePreis,
287
672000
2000
zur Drei-Viertel-Rate beim Metabolismus,
11:29
is biggergrößer than one -- it's about 1.15 to 1.2.
288
674000
2000
grösser als eins ist - so ungefähr
11:31
Here it is,
289
676000
2000
1.15 bis 1.2. Hier ist er.
11:33
whichwelche sayssagt that the biggergrößer you are
290
678000
3000
Es sagt aus, dass je grösser sie sind,
11:36
the more you have perpro capitaKopf, unlikenicht wie biologyBiologie --
291
681000
3000
desto mehr haben sie pro Kopf, anders als in der Biologie.
11:39
higherhöher wagesLohn, more super-creativesuper-kreativ people perpro capitaKopf as you get biggergrößer,
292
684000
4000
Höhere Löhne, mehr hochkreative Leute pro Kopf,
11:43
more patentsPatente perpro capitaKopf, more crimeKriminalität perpro capitaKopf.
293
688000
3000
je grösser sie werden. Mehr Patente pro Einwohner,
11:46
And we'vewir haben lookedsah at everything:
294
691000
2000
mehr Kriminalität. Wir haben alles betrachtet,
11:48
more AIDSAIDS casesFälle, fluGrippe, etcetc.
295
693000
3000
AIDS-Infizierungen, Grippe etc.
11:51
And here, they're all plottedgeplottet togetherzusammen.
296
696000
2000
Hier sind nun alle zusammen gezeichnet.
11:53
Just to showShow you what we plottedgeplottet,
297
698000
2000
Nur um zu sagen was wir dargestellt haben,
11:55
here is incomeEinkommen, GDPBIP --
298
700000
3000
hier das Einkommen, das BIP (GDP) -
11:58
GDPBIP of the cityStadt --
299
703000
2000
das BIP der Stadt -
12:00
crimeKriminalität and patentsPatente all on one graphGraph.
300
705000
2000
Kriminalität und Patente, alles in einer Grafik.
12:02
And you can see, they all followFolgen the samegleich lineLinie.
301
707000
2000
Und sie erkennen, dass sie alle einer Linie folgen.
12:04
And here'shier ist the statementErklärung.
302
709000
2000
Und hier die Kernaussage:
12:06
If you doubledoppelt the sizeGröße of a cityStadt from 100,000 to 200,000,
303
711000
3000
Wenn sie die Bevölkerung einer Stadt von 100'000 auf
12:09
from a millionMillion to two millionMillion, 10 to 20 millionMillion,
304
714000
2000
200'000 verdoppeln, von einer auf zwei Millionen,
12:11
it doesn't matterAngelegenheit,
305
716000
2000
von 10 auf 20 Millionen, es hat keinen Einfluss.
12:13
then systematicallysystematisch
306
718000
2000
Die Systematik, die sie erhalten
12:15
you get a 15 percentProzent increaseerhöhen, ansteigen
307
720000
2000
ist ein 15 Prozent Anstieg
12:17
in wagesLohn, wealthReichtum, numberNummer of AIDSAIDS casesFälle,
308
722000
2000
in Löhnen, Wohlstand,
12:19
numberNummer of policePolizei,
309
724000
2000
Anzahl AIDS-Erkrankungen, Anzahl Polizisten,
12:21
anything you can think of.
310
726000
2000
alles, was denkbar ist,
12:23
It goesgeht up by 15 percentProzent,
311
728000
2000
steigt um 15 Prozent.
12:25
and you have a 15 percentProzent savingsErsparnisse
312
730000
3000
Und sie haben 15 Prozent
12:28
on the infrastructureInfrastruktur.
313
733000
3000
Einsparungen bei der Infrastruktur.
12:31
This, no doubtZweifel, is the reasonGrund
314
736000
3000
Das ist zweifellos der Grund
12:34
why a millionMillion people a weekWoche are gatheringVersammlung in citiesStädte.
315
739000
3000
warum Millionen Menschen jede Woche in Städte pilgern.
12:37
Because they think that all those wonderfulwunderbar things --
316
742000
3000
Sie denken an all die wundervollen Dinge,
12:40
like creativekreativ people, wealthReichtum, incomeEinkommen --
317
745000
2000
wie kreative Menschen, Wohlstand, Einkommen.
12:42
is what attractszieht them,
318
747000
2000
Das zieht sie an,
12:44
forgettingvergessend about the uglyhässlich and the badschlecht.
319
749000
2000
all die schlechten und hässlichen Dinge vergessend.
12:46
What is the reasonGrund for this?
320
751000
2000
Was ist der Grund dafür?
12:48
Well I don't have time to tell you about all the mathematicsMathematik,
321
753000
3000
Nun, ich habe nicht genügend Zeit für all die Mathematik,
12:51
but underlyingzugrunde liegenden this is the socialSozial networksNetzwerke,
322
756000
3000
aber die Grundlagen sind die sozialen Netzwerke.
12:54
because this is a universalUniversal- phenomenonPhänomen.
323
759000
3000
Denn das ist ein universelles Phänomen.
12:57
This 15 percentProzent ruleRegel
324
762000
3000
Die 15-Prozent-Regel
13:00
is truewahr
325
765000
2000
ist korrekt,
13:02
no matterAngelegenheit where you are on the planetPlanet --
326
767000
2000
egal wo auf dem Planeten sie sind:
13:04
JapanJapan, ChileChile,
327
769000
2000
Japan, Chile,
13:06
PortugalPortugal, ScotlandSchottland, doesn't matterAngelegenheit.
328
771000
3000
Portugal, Schottland - es ist egal.
13:09
Always, all the dataDaten showszeigt an it's the samegleich,
329
774000
3000
Überall zeigen die Daten das selbe.
13:12
despiteTrotz the factTatsache that these citiesStädte have evolvedentwickelt independentlyunabhängig.
330
777000
3000
Obwohl sich dies Städte unabhängig voneinander
13:15
Something universalUniversal- is going on.
331
780000
2000
entwickelt haben, geschieht hier etwas universelles.
13:17
The universalityUniversalität, to repeatwiederholen, is us --
332
782000
3000
Die Allgemeingültigkeit, um es zu wiederholen, sind wir -
13:20
that we are the cityStadt.
333
785000
2000
wir sind die Stadt.
13:22
And it is our interactionsWechselwirkungen and the clusteringClustering of those interactionsWechselwirkungen.
334
787000
3000
Unsere Zusammenspiel und die Gruppierung dieser
13:25
So there it is, I've said it again.
335
790000
2000
Interaktionen. Hier gezeigt, wie schon erwähnt.
13:27
So if it is those networksNetzwerke and theirihr mathematicalmathematisch structureStruktur,
336
792000
3000
Wenn diese Netzwerke und ihre mathematische Struktur,
13:30
unlikenicht wie biologyBiologie, whichwelche had sublinearsublinear scalingSkalierung,
337
795000
3000
anders als die Biologie, welche sublinear skaliert,
13:33
economiesVolkswirtschaften of scaleRahmen,
338
798000
2000
- Ökonomie der Skalierung,
13:35
you had the slowingverlangsamt of the paceTempo of life
339
800000
2000
sie haben die Verzögerung des Tempos des Lebens,
13:37
as you get biggergrößer.
340
802000
2000
wenn sie grösser werden.
13:39
If it's socialSozial networksNetzwerke with super-linearsuperlineare scalingSkalierung --
341
804000
2000
In sozialen Netzwerken haben sie eine superlineare
13:41
more perpro capitaKopf --
342
806000
2000
Skalierung - mehr pro Kopf.
13:43
then the theoryTheorie sayssagt
343
808000
2000
Dann sagt die Theorie,
13:45
that you increaseerhöhen, ansteigen the paceTempo of life.
344
810000
2000
dass sie das Leben beschleunigen.
13:47
The biggergrößer you are, life getsbekommt fasterschneller.
345
812000
2000
Je grösser sie sind, desto schneller wird es.
13:49
On the left is the heartHerz ratePreis showingzeigt biologyBiologie.
346
814000
2000
Links haben sie die Herzschlagraten
13:51
On the right is the speedGeschwindigkeit of walkingGehen
347
816000
2000
der Biologie, rechts die
13:53
in a bunchBündel of EuropeanEuropäische citiesStädte,
348
818000
2000
Schrittgeschwindigkeit von zahlreichen
13:55
showingzeigt that increaseerhöhen, ansteigen.
349
820000
2000
europäischen Städten, die den Anstieg aufzeigen.
13:57
LastlySchließlich, I want to talk about growthWachstum.
350
822000
3000
Zuletzt möchte ich über Wachstum sprechen.
14:00
This is what we had in biologyBiologie, just to repeatwiederholen.
351
825000
3000
Das ist - nochmals erwähnt - was wir in der Biologie haben.
14:03
EconomiesVolkswirtschaften of scaleRahmen
352
828000
3000
Die Ökonomie der Skalierung
14:06
gavegab riseerhebt euch to this sigmoidalsigmoidale behaviorVerhalten.
353
831000
3000
ergibt eine S-förmiges Verhalten.
14:09
You growgrößer werden fastschnell and then stop --
354
834000
3000
Sie wachsen rasch und stoppen,
14:12
partTeil of our resilienceElastizität.
355
837000
2000
Teil unser Wiederstandsfähigkeit.
14:14
That would be badschlecht for economiesVolkswirtschaften and citiesStädte.
356
839000
3000
Das wäre schlecht für Wirtschaft und Städte.
14:17
And indeedtatsächlich, one of the wonderfulwunderbar things about the theoryTheorie
357
842000
2000
In der Tat, eine der wunderbaren Sachen dieser Theorie ist,
14:19
is that if you have super-linearsuperlineare scalingSkalierung
358
844000
3000
dass wenn sie superlineares Wachstum haben
14:22
from wealthReichtum creationSchaffung and innovationInnovation,
359
847000
2000
bezüglich Wohlstand und Innovation,
14:24
then indeedtatsächlich you get, from the samegleich theoryTheorie,
360
849000
3000
dann bekommen sie tatsächlich - von der selben Theorie -
14:27
a beautifulschön risingsteigend exponentialexponentiell curveKurve -- lovelyschön.
361
852000
2000
eine wunderschön exponentiell wachsende Kurve.
14:29
And in factTatsache, if you comparevergleichen it to dataDaten,
362
854000
2000
Und tatsächlich, wenn sie mit Daten vergleichen,
14:31
it fitspasst very well
363
856000
2000
passt es sehr gut
14:33
with the developmentEntwicklung of citiesStädte and economiesVolkswirtschaften.
364
858000
2000
mit der Entwicklung von Städten und Wirtschaft.
14:35
But it has a terriblefurchtbar catchFang,
365
860000
2000
Es gibt aber einen grässlichen Haken.
14:37
and the catchFang
366
862000
2000
Der Haken besteht darin,
14:39
is that this systemSystem is destinedbestimmt to collapseZusammenbruch.
367
864000
3000
dass dieses System zum Kollaps verurteilt sind.
14:42
And it's destinedbestimmt to collapseZusammenbruch for manyviele reasonsGründe dafür --
368
867000
2000
Sie sind aus zahlreichen Gründen zum Kollaps verdammt,
14:44
kindArt of MalthusianMalthusianische reasonsGründe dafür -- that you runLauf out of resourcesRessourcen.
369
869000
3000
ein Art Gesetz nach Malthus: Ihnen gehen die Rohstoffe aus.
14:47
And how do you avoidvermeiden that? Well we'vewir haben doneerledigt it before.
370
872000
3000
Wie kann man das vermeiden? Nun,
14:50
What we do is,
371
875000
2000
wir haben dies bereits getan. Wenn wir
14:52
as we growgrößer werden and we approachAnsatz the collapseZusammenbruch,
372
877000
3000
wachsen und uns dem Kollaps nähern,
14:55
a majorHaupt innovationInnovation takes placeOrt
373
880000
3000
geschehen grundlegende Neuerungen,
14:58
and we startAnfang over again,
374
883000
2000
und wir starten wieder von vorne.
15:00
and we startAnfang over again as we approachAnsatz the nextNächster one, and so on.
375
885000
3000
Wir starten immer wieder, bis wir uns dem nächsten nähern.
15:03
So there's this continuouskontinuierlich cycleZyklus of innovationInnovation
376
888000
2000
Das ist der stetige Zyklus der Innovation,
15:05
that is necessarynotwendig
377
890000
2000
welcher notwendig ist für
15:07
in orderAuftrag to sustainaushalten growthWachstum and avoidvermeiden collapseZusammenbruch.
378
892000
3000
das Wachstum und um und Zusammenbrüche zu meiden.
15:10
The catchFang, howeveraber, to this
379
895000
2000
Der Haken besteht darin,
15:12
is that you have to innovateinnovieren
380
897000
2000
dass sie erneuern müssen,
15:14
fasterschneller and fasterschneller and fasterschneller.
381
899000
3000
immer schneller und schneller.
15:17
So the imageBild
382
902000
2000
Bildlich gesprochen
15:19
is that we're not only on a treadmillLaufband that's going fasterschneller,
383
904000
3000
haben wir nicht nur eine Tretmühle, die immer schneller wird,
15:22
but we have to changeVeränderung the treadmillLaufband fasterschneller and fasterschneller.
384
907000
3000
wir müssen die Tretmühle auch immer schneller auswechseln.
15:25
We have to acceleratebeschleunigen on a continuouskontinuierlich basisBasis.
385
910000
3000
Wir müssen unaufhörlich beschleunigen.
15:28
And the questionFrage is: Can we, as socio-economicsozio-ökonomische beingsWesen,
386
913000
3000
Die Frage ist daher: Können wir als sozio-ökonomische
15:31
avoidvermeiden a heartHerz attackAttacke?
387
916000
3000
Wesen den Herzinfarkt vermeiden?
15:34
So lastlyzuletzt, I'm going to finishFertig up in this last minuteMinute or two
388
919000
3000
Zum Schluss - ich bin in ein zwei Minuten am Ende -
15:37
askingfragen about companiesFirmen.
389
922000
2000
noch zu den Firmen.
15:39
See companiesFirmen, they scaleRahmen.
390
924000
2000
Nun, Firmen skalieren.
15:41
The topoben one, in factTatsache, is WalmartWalmart on the right.
391
926000
2000
Die obere ist tatsächlich Walmart (Detailhandelskonzern).
15:43
It's the samegleich plotHandlung.
392
928000
2000
Die gleiche Grafik.
15:45
This happensdas passiert to be incomeEinkommen and assetsVermögenswerte
393
930000
2000
Dies sind Einkommen und Gütern
15:47
versusgegen the sizeGröße of the companyUnternehmen as denotedbezeichnet by its numberNummer of employeesMitarbeiter.
394
932000
2000
versus Firmengrösse, angegeben in Anzahl Angestellter.
15:49
We could use salesDer Umsatz, anything you like.
395
934000
3000
Wir könnten Verkäufe nehmen, was sie wollen.
15:52
There it is: after some little fluctuationsSchwankungen at the beginningAnfang,
396
937000
3000
Nach einigen Fluktuationen am Anfang,
15:55
when companiesFirmen are innovatinginnovativ,
397
940000
2000
sobald Firmen entwickeln,
15:57
they scaleRahmen beautifullyschön.
398
942000
2000
skalieren sie wunderbar.
15:59
And we'vewir haben lookedsah at 23,000 companiesFirmen
399
944000
3000
Wir haben 23'000 Firmen angeschaut,
16:02
in the UnitedVereinigte StatesStaaten, maykann I say.
400
947000
2000
in den USA, muss ich erwähnen.
16:04
And I'm only showingzeigt you a little bitBit of this.
401
949000
3000
Und ich zeige ihnen nur einen kleinen Teil davon.
16:07
What is astonishingerstaunlich about companiesFirmen
402
952000
2000
Erstaunlich ist bei Firmen,
16:09
is that they scaleRahmen sublinearlysublinear
403
954000
3000
dass sie sublinear skalieren,
16:12
like biologyBiologie,
404
957000
2000
wie in der Biologie.
16:14
indicatingwas anzeigt that they're dominateddominiert,
405
959000
2000
aufzeigend, dass sie nicht dominiert sind
16:16
not by super-linearsuperlineare
406
961000
2000
von superlinearen
16:18
innovationInnovation and ideasIdeen;
407
963000
3000
Erfindungen und Ideen.
16:21
they becomewerden dominateddominiert
408
966000
2000
Sie werden dominiert
16:23
by economiesVolkswirtschaften of scaleRahmen.
409
968000
2000
von der Ökonomie des Wachstums.
16:25
In that interpretationAuslegung,
410
970000
2000
Bei diese Interpretation,
16:27
by bureaucracyBürokratie and administrationVerwaltung,
411
972000
2000
verursacht durch Bürokratie und Administration.
16:29
and they do it beautifullyschön, maykann I say.
412
974000
2000
Und das geschieht wunderschön, muss ich anfügen.
16:31
So if you tell me the sizeGröße of some companyUnternehmen, some smallklein companyUnternehmen,
413
976000
3000
Wenn sie mir nun die Grösse einer Firma sagen, ein kleine Firma,
16:34
I could have predictedvorhergesagt the sizeGröße of WalmartWalmart.
414
979000
3000
kann ich die Grösse von Walmart vorhersagen.
16:37
If it has this sublinearsublinear scalingSkalierung,
415
982000
2000
Wenn es sublinear skaliert,
16:39
the theoryTheorie sayssagt
416
984000
2000
sagt die Theorie,
16:41
we should have sigmoidalsigmoidale growthWachstum.
417
986000
3000
dass wir ein S-förmiges Wachstum haben.
16:44
There's WalmartWalmart. Doesn't look very sigmoidalsigmoidale.
418
989000
2000
Hier ist Walmart, schaut aber nicht sehr S-förmig aus.
16:46
That's what we like, hockeyEishockey sticksStöcke.
419
991000
3000
Sieht eher aus wie ein Hockeyschläger.
16:49
But you noticebeachten, I've cheatedbetrogen,
420
994000
2000
Aber sie haben bemerkt, dass ich gemogelt habe,
16:51
because I've only goneWeg up to '94.
421
996000
2000
da ich nur bis 1994 gegangen bin.
16:53
Let's go up to 2008.
422
998000
2000
Gehen wir nun bis 2008.
16:55
That redrot lineLinie is from the theoryTheorie.
423
1000000
3000
Die rote Linie ist die Theorie.
16:58
So if I'd have doneerledigt this in 1994,
424
1003000
2000
Wenn ich das nun 1994 gemacht hätte,
17:00
I could have predictedvorhergesagt what WalmartWalmart would be now.
425
1005000
3000
hätte ich vorhersagen können wo Walmart heute steht.
17:03
And then this is repeatedwiederholt
426
1008000
2000
Dies nun ist die Anwendung davon
17:05
acrossüber the entireganz spectrumSpektrum of companiesFirmen.
427
1010000
2000
auf das ganze Spektrum von Firmen.
17:07
There they are. That's 23,000 companiesFirmen.
428
1012000
3000
Hier sind 23'000 Firmen gezeigt.
17:10
They all startAnfang looking like hockeyEishockey sticksStöcke,
429
1015000
2000
Zu Beginn starte alle im Hockeyschläger-Stil,
17:12
they all bendBiege over,
430
1017000
2000
die Kurven biegen sich durch,
17:14
and they all diesterben like you and me.
431
1019000
2000
und sie alle sterben wie sie und ich.
17:16
Thank you.
432
1021000
2000
Herzlichen Dank.
17:18
(ApplauseApplaus)
433
1023000
9000
(Applaus)
Translated by Jörg Mäder
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com