Soziologische Perspektiven auf die Corona-Krise – coronasoziologie.blog.wzb.eu

Transkript: Jens Hoebel und Morten Wahrendorf: Soziale Ungleichheit und Dynamik des COVID-19-Geschehens: Ergebnisse, Potenziale und Limitationen regionalisierter Analysen der bundesweiten Meldedaten

ACHTUNG: Das Transkript wird automatisch durch wit.ai erstellt und aus zeitlichen Gründen NICHT korrigiert. Fehler bitten wir deshalb zu entschuldigen.

Florian Binder
Und damit herzlich willkommen zu einer neuen Ausgabe unseres Podcasts zu soziologischen Perspektiven auf die Coronakrise. Mein Name ist Florian Binder.
Bin studentischer Mitarbeiter am Wissenschaftszentrum Berlin für Sozialforschung. In ihrem Vortrag.
Vom zweiten Juni zweitausendeinundzwanzig, beschrieben Jens Hobel und Morten Warendorf, die stark wellenförmige Dynamik des Infektionsgeschehens in der Covid-Neunzehn-Pandemie. Fraglich ist, wie sich diese Dynamik.
Verschiedenen sozialen Gruppen unterscheidet und mit welchen Strukturmerkmalen sie zusammenhängen. Der Beitrag.
Gibt einen Überblick darüber, welchen Aufschluss regionalisierte Analysen der Covid-Neunzehn-Meldedaten über diese Frage geben.
Der Beitrag diskutiert die Potentiale und Limitation dieses Analyseansatzes für die Sozialepidemologie und den Infektionsschutz.
Jens Hobel ist der Abteilung Social Detomins of Health des Robert Koch-Instituts.
Ist Leiter der Arbeitsgruppe Arbeit und Gesundheit am Institut für medizinische Soziologie am Universitätsklinikum Düsseldorf. Und nun viel Spaß mit dem Vortrag von Jens Hobl und Morden Warendorf.
Jens Hoebel
Ja, vielen Dank für die Einheiten und Worte und vielen Dank auch für die Einladung zu diesem, äh, ja, sehr spannenden, ähm, Podcast-Kolloqium und schön, dass es eine vierte Staffel gibt.
Und äh ja, wir die Gelegenheit haben, einige unserer Ergebnisse äh zum Thema soziale Ungleichheiten im Covid-Neunzehn
hier vorstellen und ja auch diskutieren zu können, darüber haben wir uns sehr gefreut. Wenn ich wir sage, meine ich zum einen Warendorf und nicht, wie wir den Vortrag eben gemeinsam
ähm vorbereitet, haben jetzt auch gemeinsam ähm halten. Ich meine aber auch unsere äh Teams, also alle, die daran den Analysen, die wir.
Vorstellen möchten, mitgearbeitet haben, mitgedacht haben, das sind unsere Teams am RKI in Berlin und am Institut für medizinische Soziologie des Uniklinikums Düsseldorf.
Der Vortrag soll jetzt so gegliedert sein, ähm dass ich einsteige und nochmal ein paar einleitende Worte zum Hintergrund unserer Analysen
sage und zu den Daten, den die wir verwendet äh haben, wir haben die Covid-neunzehn-Meldedaten verwendet
kleinräumig regionalisiert wurde gerade schon gesagt, da gehe ich nochmal ein bisschen mehr darauf ein, welchen Ansatz wieder verfolgt haben und der.
Hauptteil des Vortrags soll dann auf einer Ergebnisübersicht liegen, da würde ich einsteigen und in dem Part dann auch an Morden Warendorf übergeben, der dann übernimmt. Und äh zum Schluss auch nochmal Potenziale,
aufzeigt, die damit verbunden sind mit diesem Anlass, den wir gewählt haben, aber auch eben Limitationen und damit dann vielleicht schon überzuleiten, auch in die Diskussion.
Ja, am Anfang der Pandemie ähm wussten wir sehr wenig darüber,
in welchen sozialen Bedingungen oder sozialen Gruppen sich dieses neuartige Corona-Virus
besonders schnell verbreitet. Ähm klar, es war ein neues Virus. Wir hatten wenige Daten, aber auch die Daten, die aus dem anfänglichen Infektionsgeschehen dann in China und die damit assoziierten Infektionscluster publiziert worden sind, enthielten keine
systematischen Daten zu den sozialen Merkmalen der Betroffenen.
Daraus konnten wir also keine Schlussfolgerungen im Hinblick auf diese Frage der sozialen Ungleichheiten ähm ziehen. Wenn man aber in die Literatur geschaut hat, insbesondere eben ähm Literatur aus vorherigen.
Pandemien mit ähm viralen Erregern, akuter Atemwegserkrankungen, insbesondere eben Influenza. Dann hat man schon gesehen, dass es ähm hier deutliche Hinweise darauf gibt, dass Armut, soziale Benachteiligungen.
Ähm Bedingungen erzeugen, in denen sich solche.
Viren eben gut und schnell ausbreiten können. Also denken wir beispielsweise an beengte Wohnverhältnisse, an ähm prekäre Arbeitsbedingungen oder eben zum Beispiel auch nicht die Möglichkeit haben, zu haben, ins Homeoffice zu wechseln, äh in einer
Situation. Und also das war jetzt bezogen auf das Infektionsrisiko. Wenn wir aber an das Risiko
denken, schwer zu erkranken an Covid-Neunzehn. Wenn man sich mit diesem neuen Virus infiziert hat, dann wissen wir eben aus der Sozialepidemiologie der letzten Jahrzehnte sehr gut und auch konsistent, dass eben Vorerkrankungen, die ähm
das Risiko für schwere Covid neunzehn Verläufe stark erhöhen.
Sehr sozial ungleich verteilt sind mit ihrem erhöhten Krankheitsrisiken in sozial benachteiligten Gruppen. Das trifft zum Beispiel zu für chronische Lungenerkrankungen, Diabetes, Herz-Kreislauf-Erkrankungen ähm und auch bestimmte Krebserkrankungen.
Uns hat dann interessiert ähm.
Was sind denn die ersten Ergebnisse aus anderen Ländern, die dann peu peu veröffentlicht werden zu dieser Frage? Wir haben Scopingreview durchgeführt, über die Literatur, die in dem ersten Halbjahr zwanzig zwanzig dann ähm publiziert worden.
Sind und was wir gesehen haben waren das insbesondere Daten aus den USA
und ähm auch aus dem Vereinigten Königreich erschienen sind zu dieser Frage sozialen Ungleichheit im ähm Infektions- und Erkrankungsgeschehen in der Pandemie
Ähm das waren vorrangig sozialräumliche Korrelationsstudien, also in der Epidemiologie würden wir sagen, ökologische ähm Studien. Und äh diesen Ansatz haben wir jetzt eben neben anderen Ansätzen auch verfreut und möchten die Ergebnisse hier im Überblick erleichtern.
Vorstellen. Also wir haben die Covid-Neunzehn-Meldedaten ausgewertet.
Das sind die Daten, die wir mittlerweile ja alle sehr gut kennen, weil sie eben die Grundlage für die Inzidenzberichterstattung sind und ja, uns täglich sozusagen in den Medien ja auch berichtet werden.
Die Grundlage dafür ist das Infektionsschutzgesetz, das verpflichtet alle Ärztinnen und Ärzte und Labore in Deutschland eben zur.
Meldung, wenn ein.
Also wenn der Ereiger zwei festgestellt wird, an zuständige Gesundheitsamt und dann von da aus werden die dann weitervermittelt weiter übermittelt die Daten an die zuständigen Landesbehörden und eben auch ans RKI, wo sie bundesweit zusammengeführt werden. Neben dem.
Erregernachweis gibt's auch einige Informationen über die infizierten ähm Merkmale, aber keine Individualinformationen zum ähm.
Sozioökonomischen Status, sodass wir hier auf räumliche Daten eben zurückgreifen müssen, wenn wir ähm soziale Ungleichheiten mit diesen Daten analysieren. Hier haben wir.
Unter anderem auf der Ebene der
Landkreis und kreisfreien Städte in Deutschland einen äh Index angespielt, den sogenannten German Index aus Souls Ökonomic der Prevision. Und den haben wir vor ein paar Jahren am RKI entwickelt
genau für diesen Fall, also dass wir gesundheitsbezogene Daten haben, die wir im Hinblick auf soziale Ungleichheiten
auswerten wollen, aber keine Individualmerkmale haben und damit gewissermaßen ja den ähm sozialen Status zu abroximieren auf einer sozialräumlichen Ebene. Dieser Index basiert auf insgesamt
neuen sozioökonomischen Einzelindikatoren aus der Inka Regionaldatenbank, innen ähm.
Dimension Einkommen, Bildung und Beschäftigung, die dann jeweils ein Drittel, also Gleichgewichte, diese drei Dimensionen in den Index eingehen.
Hoher Indexwert sagt dann eben äh oder zeigt an eine hohe soziökonomische Depriation in den Regionen oder man könnte auch sagen, ein durchschnittlich niedrigen und ökonomischen Status in der Bevölkerung dieser Region.
Ja, ich möchte zum Ergebnis teil übergehen und dabei über die einzelnen.
Zu sagen, mich bewegen. Ähm angefangen hier mit der ersten Infektionswelle im anfänglichen Ausbruchsgeschehen.
In Deutschland. Und was wir hier gesehen haben, ist, dass.
Das anfängliche Ausbruchsgeschehen einen sozialen Gradienten zeigt mit höheren Infektionszahlen äh oder einer höheren Inzidenz in sozial besser gestellten
Regionen, also Regionen oder Kreise mit geringen Depriationswerten, das war wirklich ein graduelles Muster im anfänglichen,
Infektionsgeschehen, je niedriger der Depribationsscore, desto höher war hier die Inzidenz. Und über den Verlauf der ersten Bälle hat sich dieser deutlich abgeflacht und war ab etwa.
Mitte Mai dann bundesweit auch nicht mehr zu sehen. Uns hat jetzt interessiert.
Wie sich das darstellt, werden wir in Regionen schauen, die in der ersten Welle besonders betroffen waren. Das war in der ersten Welle, vor allen Dingen Süddeutschland.
Bayern und Baden-Württemberg hier ähm am stärksten vom Inzidenzgeschehen der ersten Welle betroffen war. Man kann gewissermaßen sagen
Süddeutschland war hier schon in einer weiter fortgeschrittenen Phase der Saatguft2-Epidemie in Deutschland. Und ja, deswegen haben wir uns das einmal getrennt, nur für Bayern, Baden-Württemberg, angeschaut.
Und sehen hier, dass sich das im Verlauf der ersten Welle, das Infektionsgeschehen immer stärker in dann die sozialbenachteiligten Regionen verlagert hat, sodass ab dann schon Mitte April die Inzidenz in den am stärksten deprimierten Regionen, am höchsten lag.
Ja und das hat uns
Jetzt interessiert in der zweiten Welle, wie sich das in der zweiten Fälle darstellt. Äh die zweite Infektionswelle im Herbst oder ab Herbst zwanzig zwanzig war insgesamt
stärker werden insgesamt eine höhere Inzidenz oder wesentlich höhere Inzidenzwerte. Also in der ersten ähm äh Welle
und eine auch insgesamt länger andauernde Hochinsidenzphase, also über ja November, Dezember, Januar.
Das äh ist jetzt hier einmal dargestellt. Man sieht hier wieder die Inzidenzärte ähm diesmal für drei Depressionsgruppen und ähm.
Was sich abzeichnet ist, dass zu Beginn der zweiten Welle zunächst auch wieder ein stärkerer Anstieg in den
Sozial besser gestellten Regionen zu beobachten ist, des Infektionsgeschehens und dass sich das dann im Verlauf der äh zweiten Welle
umgekehrt hat, so dass äh so ab Mitte der zweiten Welle, also da worauf wirklich die hochintelligenz Phase war im Dezember zwanzig zwanzig die sozial benachteiligten Kreise am stärksten betroffen waren, die höchsten Inzidenzwerte.
Gezeigt haben. Diese Muster haben wir auch
versucht ähm zu modellieren nochmal und für eben Drittvariablen, die hier eine Rolle spielen könnten und ähm mit beiden Variablen, also Depriation und Geschehen auch assoziiert sein können. Ähm diese zu kontrollieren ähm.
Und haben hier als Drittvariablen die Siedlungsstruktur äh die Einwohnerdichte und auch den Umstand kontrolliert ob
Grenzregion befinden, beispielsweise also in in angrenzende Länder mit auch erhöhtem Infektionsgeschehen, beispielsweise Tschechien, Österreich und Frankreich und dabei sieht man.
Dass sich diese beiden Muster, die wir gefunden haben in der frühen, dieser, der Spätphase der zweiten Welle, auch nach Kontrolle dieser äh Merkmale bestehen blieben, also wie es scheinbar.
Mit einem ja robusten Ergebnis hier zu tun haben und diese Verlagerung eben auch diese Verlagerung des Infektionsgeschehen.
In stärker benachteiligte Kreise auch bei Kontrolle dieser Merkmale zu beobachten ist. Bevor ich an.
Morden übergebe, würde ich noch eine Folie gerne zeigen zum Sterbegeschehen. Hier sind.
Kumulative Todesfälle dargestellt, Covid neunzehn bezogene Todesfälle
über den gesamten Zeitraum seit Ausbruch der Saßkraft-zwei-Emie in Deutschland. Und hier sehen wir ähm am Anfang der Pandemie eben stärker ansteigende Todeszahlen auch in den gestellten äh
also maßgeblich eben geprägt durch auch das Infektionsgeschehen am Anfang der ersten Welle.
Und in der zweiten Welle sehen wir dann ein deutlich starke oder stärkeren Anstieg auch der Sterbezahlen als noch am in der ersten Welle und dieser Anstieg für besonders stark in den hochdeprimierten.
Regionen aus, so dass ich dann hier auch wieder so eine Umkehrung vollzieht und ähm die höchsten äh Todesfallzahlen dann in den deprimierten Regionen ab etwa Dezember auch zu beobachten.
Sind also insgesamt sind die ähm ist die Gesamtzahl der Todesfälle
also Personen, die mit oder an Covid neunzehn verstorben sind in den stärksten Regionen häufiger als die gesamte Zahl dieser Todesfälle in den.
In den weniger deprimierten Regionen. Wir haben das auch mal für die Hochinzidenzphase berechnet, also
Dezember, Januar, im Hinblick auf relative Risiken und dann zeigt sich, dass das Sterberisiko in dieser Zeit in den deprimierten Regionen etwa ähm fünfzig bis siebzig Prozent erhöht war im Vergleich zu den.
Ähm am wenigsten deprimierten Regionen. Ja und damit möchte ich übergeben.
Anmorten, der nochmal stärker den Fokus auf ähm Beschäftigung und Arbeitswelt bezogene Indikatoren liegt.
Morten Wahrendorf
Ja, vielen Dank Jens, von mir auch nochmal, äh, herzlichen Dank für die Einladung. Und, äh, ja, die Möglichkeit, dass wir hier unsere Ergebnisse vorstellen
wie Jens gerade gesagt hat, möchte ich ein paar Ergebnisse vorstellen, die den Fokus bisschen auf das Arbeitsleben äh beim lokalen Infektionsgeschehen äh setzen
und Ausgangspunkt war für uns eben auch die Frage, insbesondere, ob äh bestimmte Berufsgruppen häufiger eben von Covid-Neunzehn äh befallen sind oder nicht
Und es gibt sicherlich eine Reihe von äh Antikörperstudien für ausgewählte Berufsgruppen hier auch für Deutschland
wir wissen beispielsweise, ob Bundesligaspieler sehr äh hoch infiziert sind oder nicht. Aber es gibt eben keine Bevölkerungsbasierte äh Studie hierzu. Und in der Mangelung eben äh ja solcher Daten haben wir uns auch gedacht, nehmen wir doch mal die äh Daten, die das RKI äh.
Also liefert die Meldedaten und versuchen eben regionale Parameter ja die leben auf mit Arbeit oder Erwerbsstruktur in Beziehung stehen eben auch in Zusammenhang
mit dem Infektionsgeschehen äh zu äh setzen. Und es gibt einen Punkt, den Jens so bisschen äh
Nochmal betonen möchte, der in den Analysen auch von Jens äh vorgestellt wurde
ist, dass wenn wir jetzt äh auf Spiegel Online oder Zeit DE äh gehen und uns diese äh bunten Karten irgendwie für Deutschland angucken, dann sind das natürlich immer äh Inzidenzen
pro hunderttausend Einwohner, aber diese ganzen Zahlen sind nicht altersstandardisiert.
Und ein wichtiger Punkt, denke ich, bei unseren Analysen, ist zu sagen, dass wir auch die Altersstruktur in den Regionen berücksichtigen müssen und somit Inzidenzen, die wir hier in den äh Ergebnissen präsentieren, nicht einfach die Instizenzen sind, wie viel sie äh online finden.
Sondern eben auch solche, die äh direkt altersstandardisiert sind
Das ist hier in der äh Folie, die sie sehen, eben auch der Fall. Und was hier auch noch der Fall ist, ist, dass wir uns konzentriert haben.
Auch die Erwerbstätige Bevölkerung, also nicht die Gesamtbevölkerung genommen haben, sondern nur die Inzidenzen für Menschen zwischen zwanzig und vierundsechzig äh Jahren
und ja, wir sehen hier äh den Verlauf eben der äh Infektion äh und was wir hier gemacht haben, ist
dass wir eben die Beschäftigten Quoten
in den heißen Regionen genommen haben und dass wir das entlang von Terzien, dann in drei Gruppen eingeteilt haben und wir sehen hier ganz klar, dass äh Regionen, die eine ja hohe Beschäftigten Quote haben, das sind in der äh ja insgesamt eben auch diese, die insgesamt höhere Inzidenzen
vorweisen. Also sicherlich spielt, denke ich mal das Arbeitsleben beim lokalen Infektionsgeschehen äh eine Rolle.
Und das, denke ich, äh kann man hier sehen. Was wir auf der nächsten Folie sehen.
Ist dann, dass wir uns nochmal spezifisch die Beschäftigten äh angeguckt haben und äh dass wir
für die Beschäftigten dann gefragt haben, was für äh
was für Sektoren sind die denn beschäftigt? Und hier geht's jetzt um den Anteil der Beschäftigten eben im sekundären Sektor, also den produzierenden Gewerbe und äh ja, was man hier sieht, das sehen vor allem Kreise mit einem vergleichsweise hohen Anteil erwerbstätiger, produzieren Gewerbe
auch im Durchschnitt höhere Inzidenzen hatten.
Das ist eben äh eigentlich äh äh sind die zwei Ergebnisse, die ich hier hauptsächlich vorstellen möchte und die denke ich mal eben das, was äh Jens äh präsentiert hat, nochmal so ein bisschen äh ja den Fokus hier auf Erwerb setzen
diese ganzen Analysen
Da kommen wir auch schon so ein bisschen zu der Diskussion, eben dieser äh Ergebnisse, die basieren natürlich auf äh ja ökologischen, also eine ökologische Korrelationsstudien, die auch regionaler äh Ebene eben Anteile
beispielsweise Erwerbstätigern projizierende Gewerbe und äh ja dem äh Inzidenzen auch regionaler Ebene betrachten. Und.
Wenn wir eben hier.
Äh uns diese Ergebnisse angucken, dann ist uns natürlich ganz klar bewusst, dass wir hier auch äh ja den Fehler beziehungsweise das Risiko des ökologischen Fehlstoß haben
das ist denke ich mal 'ne wichtige Einschränkung und etwas was wir hier betonen müssen
Ja, das lässt sich einfach nicht äh äh umgehen. Dennoch denke ich, bieten diese Analysen auch Potentiale.
Und das eine ist, dass wir eben zeitnahe Daten haben, weil wir eben auf Basis von äh ja Meldedaten auch äh im Wochentakt eben unsere Analysen durchführen können. Und was sich im Zuge der Analysen auch immer gezeigt hat, ist es ganz wichtig ist, dass wir Verläufe
bilden und nicht nur kumulierte Inzidenzen betrachten über
ja die gesamte Pandemie, sondern auch die Verläufe betrachten können und das kann man sicherlich sehr gut eben auch mit diesen Daten machen.
Ja, es wird hoffentlich äh demnächst auch äh die Möglichkeit geben, auch Gemeindeebene solche Daten äh zu haben.
Das würde natürlich insbesondere auch das Problem äh angehen, dass diese Kreise, die wir haben, es sind vierhundert einzelne Kreise.
Beziehungsweise äh Landkreise und kreisfreien Städte, die sind natürlich sehr groß. Und da gibt's auch sehr viel Heterogenität innerhalb dieser äh Kreise.
Und mit der Gemeindeebene könnten wir dadurch vielleicht noch ein bisschen feingliedriger werden. Es gibt natürlich immer Stillgeräusche bei der Messung.
Unter Erfassung von Infektionen
gerade die Asymptomatischen Verläufe einer Covid-Neunzehn-Erkrankung, die werden natürlich hiermit nicht äh erfasst, ja. Und was ich auch schon angesprochen habe, eben das ökologische Design.
Hier wie immer das Problem eben des ökologischen Fehlflusses haben, aber in der Mangelung äh besserer Daten, denke ich, ist das durchaus auch äh erstmal ein wichtiger Schritt, den wir hier äh gehen.
Das ist eigentlich alles von unserer Seite und damit möchte ich auch schon äh zur Diskussion kommen.
Vielen Dank nochmal. Auch noch mal als allerletzte Folie, den Hinweis, das Ganze ist natürlich nicht nur eine Eigengeburt von Jens und mir, sondern auch äh es geprägt auch von äh Mitarbeiter und Unterstützung durch Leute in Düsseldorf
beziehungsweise in Berlin, äh Düsseldorf, vor allem äh Nikotagano, der hier auch äh wesentlich mitgewirkt hat und mitwirkt.
Aber eben auch äh seitens von äh dem Robert-Koch-Institut. Ja und damit äh zur Diskussion. Vielen Dank.
Florian Binder
Vielen Dank von mir erstmal für diesen spannenden Vortrag. Ich möchte mit einer bisschen Methodenbasierten Frage an äh fangen und zwar sagen sie in ihrer ersten Veröffentlichung zur Dynamik der ersten Welle.
Dass die GISD, also die Index Daten.
Von zweitausendvierzehn stammen und daher eventuell nicht mehr aktuell sind. Gibt es da inzwischen neue Depriationsdaten und wenn ja, zeigt sich der von Ihnen beschriebene Effekt, auch bei der Verwendung dieser neuen Daten.
Jens Hoebel
Ja, das ist eine sehr gute äh Frage. Vielen Dank dafür. Ähm wir haben
den Index mittlerweile aktualisiert, steht auch zur Verfügung, zum Download, da kann man sich auch gerne nochmal an mich oder uns hier am RKI wenden, da helfen wir auch nochmal beim, beim Downloaden oder beim Zurechtfinden. Gerne, äh, sie liegen im Moment bis zweitausendsiebzehn vor. Ich hatte das gesagt
dass die äh der Index auf den basierten, die gehen im Moment bis zweitausendsiebzehn, wir planen hier aber auch eine Aktualisierung dann der neueren Daten, sobald sie da sind.
Florian Binder
Korreliert der Index zur Dekoration mit der Lebenserwartung in einer Region.
Jens Hoebel
Kann man einfach mit ja beantworten.
Florian Binder
Das ist eine ja schnelle Antwort. Dann möchte ich ähm auf einen anderen Punkt kommen und zwar haben sie aufgezeigt, äh in ihrer Präsentation, die.
Oder wie die Situation in Baden-Württemberg während der Ersten und in Bayern, während der ersten Welle war. Und ähm was jetzt auch im Chat gekommen ist, äh wäre die Frage, ob.
Sie auch ähm regionale Unterschiede zum Beispiel zwischen Ost und West oder in in äh östlichen Bundesländern während der zweiten Welle ähm untersucht haben oder auch während der Erstmeldung untersucht haben und was da
vielleicht für Besonderheiten oder für Ergebnisse dabei rausgekommen?
Jens Hoebel
Ja, wir haben das ja, also der Ansatz war, dass wir eben die besonders betroffenen Regionen in der ersten Welle uns angeschaut haben, um diese Differenzierung mit äh Bayern Baden-Württemberg zu machen. Äh das haben wir in der zweiten Welle so nicht mehr gemacht, weil das äh das
äh Infektionsgeschehen insgesamt bundesweit stärker ausgeprägt werden und etwas weniger geclustert war als in der ersten äh Welle. Diese Ost-West-Vergleiche haben wir so äh nicht durchgeführt, aber was ich
richten kann, ist eben auch, ich hatte das gezeigt mit diesen Modellen, die wir berichtet haben, dass eben auch, wenn man sowas kontrolliert, ähm wie die Lage
äh der Kreise et cetera, dass diese dann diese diese Zusammenhänge, die wir finden mit dem Depribationsindex dann eben auch bestehen bleiben.
Florian Binder
Nochmal eine andere Frage, ähm zu den Test positiv raten, in den Kreisen, die uns eben also wurde das ähm berücksichtigt, wie in den verschiedenen Kreisen und zu den verschiedenen Zeitpunkt gleich viel oder.
Weniger ähm getestet wurde oder die Positiver, Test positiv hat.
Jens Hoebel
Also das ist in den Analysen äh nicht kontrolliert, die wir hier gemacht haben. Ich finde das äh ist auch ein guter Hinweis, äh das nochmal zu tun. Ja, würde ich gerne so mitnehmen.
Florian Binder
Dann hätte ich eine Frage, die sich äh schon so ein bisschen auf den Unterschied zwischen erster und zweiter Welle.
Ähm bezieht, weil sie ja in in beiden Fällen eigentlich diese Trendumkehr finden. Und es ist die Situation.
Und deswegen was.
Könnte in der zweiten Welle dieses Mal der Auslöser gewesen sein, dass ähm stärker die Personengruppen oder Landkreise ähm plötzlich höhere Inzidenzen aufweisen.
Beziehungsweise warum direkt erstmal wieder besser gestellte ähm Person.
Bei dir eigentlich so eine Verlängerung der Mobilität, gerade von Personen, die im Homeoffice arbeiten können, die ja vermutlich auch eher weniger stark typiert sind, stattgefunden haben müsste.
Jens Hoebel
Ja, also diese Erklärung, die war da ja grad schon ein bisschen dabei, das würde ich auch.
Also dass hier Mobilität ähm eine Rolle spielt, gerade wenn wir in diesen äh äh Regionen denken. Ähm also ähm.
Oder vielleicht kann man hier nochmal eine Studie erwähnen, die in den USA veröffentlicht wird, diesen Nature veröffentlicht wurde aus den USA im Metropolregionen und die ist natürlich nur bedingt vergleichbar irgendwie auf Deutschland, aber zeigt vielleicht,
Fahrt auf, also was dort gesehen worden ist, ist äh das ähm sozial besser gestellte äh Gruppen ihre Mobilität im Lok
down, besser und schneller verringern
äh konnte und dass das wahrscheinlich eben Zusammenhang mit beruflicher Mobilität steht, also dass die Möglichkeit besteht ins Homeoffice zu gehen und das dadurch ähm eben am Anfang, bevor der Lockdown ähm ähm eintritt, sozusagen das Infektionsgeschehen ja noch in besser gestellten Gruppen höher ist
und sich das dann eben verlagert, weil in diesen Gruppen eine bessere Reduktion ähm von Kontakten, Mobilität, ähm et cetera stattfinden kann.
Florian Binder
Würden sie dann sagen, dass die da ihre Daten, die.
These zulassen, dass Covid neunzehn von den gut situierten Schichten eingeschleppt wurde und die schlechter gestellten Schichten, die sie nun ausbaden müssen.
Jens Hoebel
Also was waren an den Daten äh sehen kann und was ja auch sehr gut untersucht ist, dass die ersten Fälle.
Geschäftsreisende waren die sozusagen das aus China mitgebracht haben, das ist sehr gut untersucht und das auch wiederholte Eintragung aus den Skigebieten, es gab
ähm und auch aus äh von Reiserückkehrern aus Urlaubsregionen, ähm wie Norditalien.
Morten Wahrendorf
Vielleicht nochmal, ich denke.
Es ist natürlich eine sehr plakative Aussage, dass die Reichen was einschleppen und die Armen das Außenpaden müssen. Also ich wäre da ganz, ganz vorsichtig und mit den Daten, die wir haben
bleibt immer ein gewisser Grad an Spekulationen auch
aber das geht sicherlich in der Literatur etwas, das wird als Ischgel Effekt äh bezeichnet und das würde das äh oder das das ist eben das, was wir hier gerade so bisschen äh formulieren.
Aber wirklich eine Datenbasis, die uns erlaubt, diese Auslage zu tätigen, denke ich, gibt es noch nicht. Mhm. Weil dazu bräuchten wir eben auch.
Verlaufsdaten, auf individueller Ebene, die das untersuchen. Wir haben hier Verlaufsdaten auf regionaler Ebene
und wir werden vielleicht einen großen Schritt weiter, wenn wir erstmal Individualdaten hätten und ob die jetzt noch zusätzlich im Verlauf, äh irgendwann mal verfügbar sein werden, äh da warten wir, denke ich, eher ab.
Florian Binder
Dann vielleicht noch ähm Frage zu einem bisschen anderen Thema. Kann man mit ihren Daten auch etwas zur ähm Kita beziehungsweise Schuldichte sagen, also hat sowas auch einen Effekt, auf die ihn sehr.
Morten Wahrendorf
Also das ist eine sehr gute Frage und das ist auch eine Frage, die wir äh momentan und insbesondere Nikotagano äh untersuchen möchte
wo wir eben äh auch die Inzidenzen für jüngere Altersgruppen in Fokus nehmen und hier wieder nicht alle äh Inzidenzen betrachten, sondern den Fokus eben auf eine bestimmte Altersgruppe äh setzen äh wollen. Und dann gibt es sicherlich auf regionaler Ebene
auch äh Indikatoren.
Die jetzt vielleicht nicht eins zu eins die angesprochene äh Schul-Kite abbilden. Aber wir haben sowas wie den Anteil an äh Kitas äh Anteil an Schülern
in der Bevölkerung und das sind dann so Aspekte, die man hier hinzufügen könnte. Aber noch richtige Ergebnisse, hier gibt es nicht
wir wollen das oder soll in Düsseldorf untersucht werden.
Und hier geht's dann auch darum, dass man vielleicht sowas wie äh Maßnahmen, Interventionsmaßnahmen, die ja doch auch sehr regional variieren, auch in die Analysen hier mit äh integriert
und hoffentlich äh lassen die Center auch äh ja.
Irgendwie aufzeigen. Aber es zeigt sich doch sehr stark eines und das ist das, was Jens gezeigt hat, ist ja, dass wir durchaus sehen, dass soziale Ungleichheiten im Infektionsgeschehen über alle Altersgruppen in die existieren
und häufig ist es eben so, dass wenn Infektion in der Familie erfolgt, gleichzeitig die Kinder auch äh
mehr oder weniger häufig mit betroffen sind. Also insofern deckt sich das dann so ein bisschen äh damit auch wieder, ne.
Florian Binder
Noch eine schnelle, kurze letzte Frage stellen. Ähm gehen Sie davon aus, dass durch den immer höheren.
Im Fortschritt, dass es durch den immer höheren Infoschritt dazu kommen könnte, dass eine mögliche vierte Bälle nur stärker deprimierte Personen trifft. Oder reichen die betroffenen Maßnahmen, wie der Versuch, soziale Brennpunkte verstärkt zu impfen,
aus, um eine solche Situation zu verhindern.
Morten Wahrendorf
Da wage ich keine Prognose. Also gerade diese äh von ihnen angesprochene ja verstärkte Impfungen im Problem statt Viertel.
Das ist ja auch nicht so eine ganz äh unstrittige Geschichte oder viel diskutierte Geschichte. Ich kenne jetzt noch keine wirklichen Zahlen, die auch so was äh wie den Anteil an Durchimpfung, sage ich mal, entlang von äh Schichtparametern betrachtet. Deswegen muss man da abwarten, ne? Aber.
Ja, es wäre, wäre, wäre auch meine Annahme.
Florian Binder
Das war der Vortrag, den Jens Hobel und Morten Warendorf im Rahmen unseres digitalen Kolloquiums am zweiten Juni zweitausend.
Wir hoffen, sie konnten ein paar neue Erkenntnisse und Anregungen mitnehmen. Wenn sie mögen, dann abonnieren unseren.
Freuen wir uns über eine positive Bewertung auf Apple Podcast oder dem Portal ihrer Wahl.
At Coronasatz. Wir danken fürs Zuhören.