Der Zusammenhang zwischen sozialen Ungleichheiten und Covid-19 Fallzahlen auf Stadtteilebene – Eine Fallstudie für 46 Stadtteile der Stadt Duisburg

2.1 Der Zusammenhang zwischen sozio-ökonomischen Faktoren und Gesundheit

Health inequalities beschreiben systematische Unterschiede in der Gesundheit von Individuen auf Basis gruppenbezogener Merkmale (Cloos, 2010; WHO, 2018). Die soziale Ungleichheit stellt eines der wichtigsten Gruppenmerkmale dar. Der Zusammenhang zwischen sozio-ökonomischen Status und Gesundheit gilt in der internationalen Literatur als gut gesichertes Ergebnis und stellt daher eine der größten (vermeidbaren) Herausforderungen im Gesundheitswesen dar (Arcaya et al., 2015; Balaj et al., 2017; Cloos, 2010; Geyer, 2016; Whitehead, 2007).

Bereits seit 1946 fordert die WHO, dass die höchsten Gesundheitsstandards für jedes Individuum erzielt werden sollten, unabhängig der Herkunft, Religion, politischen Einstellung, ökonomischen oder sozialen Konditionen eines Individuums (WHO, 2006). Weiterhin wird das Konzept in den Gesetzesbüchern unterschiedlicher Länder behandelt, unter anderem auch in Deutschland, in § 20 im fünften Buch des Sozialgesetzbuchs^[2] (Altgeld, 2010; Arcaya et al., 2015; Kaba-Schönstein & Kilian, 2018; WHO, 2006). Differenzen im Gesundheitsstatus auf Basis sozio-ökonomischer Unterschiede treten über die gesamte Lebensspanne eines Individuums, bei nahezu allen Erkrankungen, vermehrt bei schwerwiegenden chronischen Erkrankungen wie Herzinfarkten, Schlaganfällen, Diabetes oder Lungenkrankheiten auf (Geyer, 2016). Health inequalities lassen sich für alle Abstufungen zwischen den höchsten und niedrigsten Statusgruppen beobachten (Lampert et al., 2015). Dieser sogenannte „Soziale Gradient“ ist in Deutschland, in Form des Krankenstandes der Beschäftigten oder der Frühberentungsrate, anhand von Routinestatistiken der Sozialversicherung erkennbar. Generell führen health inequalities in Deutschland zu einer fünf bis zehn Jahre geringeren Lebenserwartung von Menschen aus dem unteren Einkommensviertel gegenüber Individuen aus dem oberen Einkommensviertel (Geyer, 2016; Kuhn & Bolte, 2020; Lampert et al., 2015; WHO, 2006). Der „Soziale Gradient“ ist zurückzuführen auf eine höhere Betroffenheit durch Arbeitslosigkeit, prekärer Arbeitsbedingungen, ein durchschnittlich niedrigerer Bildungsgrad, sowie die Phänomene des „ignoring of disease“ und das „Präventionsparadoxon“ (Balaj et al., 2017; Kaba-Schönstein & Kilian, 2018; Kuhn & Bolte, 2020; Maroko et al., 2020). Bei letzterem handelt es sich um das Phänomen, dass präventive Maßnahmen, die zur Verringerung von Ungleichheiten ins Leben gerufen werden, häufig „soziallagenblind“ sind. Dies bedeutet, dass die Angebote durch sozialbedingte Unterschiede in der Zugänglichkeit, Inanspruchnahme und Akzeptanz nicht von der geplanten Zielgruppe, sondern vermehrt von Personen aus der Mittelschicht in Anspruch genommen werden und somit schlussendlich ungewollt zu einer Verstärkung der Ungleichheiten beitragen (Kaba-Schönstein & Kilian, 2018).

2.2 Die Geographie von sozio-ökonomischen Faktoren und Gesundheit

Als weitere, elementare Ursache für health inequalities ist der sozio-ökonomische Unterschied innerhalb des Stadtgebietes zu nennen. Dass der Wohnort eines Individuums mit dessen Gesundheit in Verbindung steht und ein besseres Wohnumfeld (z. B. durch bessere Hygienebedingungen) zu einer erhöhten Gesundheit führt, wird bereits seit Jahrhunderten durch Vertreter wie John Snow, Jacques May, Maximilien Sorre und auch bereits in der antiken Umweltmedizin thematisiert. Der Wohnort ist sowohl durch seine physischen als auch sozialen Eigenschaften stark mit dem sozio-ökonomischen Status seiner Bewohnerschaft verbunden (Diez Roux & Mair, 2010). Die wissenschaftliche Literatur ist sich größtenteils einig darüber, dass der Kontext, eine wichtige Determinante der individuellen Gesundheit darstellt und sozio-ökonomische Faktoren (z. B. Bildungsgrad, Einkommen) mit der Gesundheit der Bevölkerung einhergehen (Adler & Stewart, 2010; Diez Roux & Mair, 2010; Pérez et al., 2020; Whitehead, 2007). Der Zusammenhang zwischen Wohnumfeld und Gesundheit manifestiert sich beispielsweise in einem erhöhten Sterblichkeitsrisiko und einer geringeren Lebenserwartung von bis zu 5,4 Jahren (Diez Roux & Mair, 2010; Dow & Rehkopf, 2010; Macintyre et al., 2002).

Die Ursachen für die Auswirkungen des Wohnumfelds von Menschen auf ihre Gesundheit werden in für die Gesundheit ungünstigen Umgebungen, den Differenzen in der Ressourcenausstattung, der Verbreitung von gesundheitsrelevanten Informationen, gesundheitsförderlichen Normen und der Bevölkerungsdichte unterschiedlicher Nachbarschaften gesehen (Das et al., 2020b; v. d. Knesebeck, 2020.; Whitehead, 2007). Hierbei ist festzuhalten, dass Umweltbelastungen ebenfalls ungleich verteilt sind. So leben sozio-ökonomisch schwächere Bevölkerungsgruppen öfter an verkehrsreichen Straßen oder in einem industriell belasteten Umfeld und sind erhöhter Luftverschmutzung ausgesetzt (Berkowitz et al., 2020; Kuhn & Bolte, 2020; Maroko et al., 2020). Die Ressourcenausstattung zwischen Wohnquartieren unterscheidet sich teilweise drastisch voneinander und es besteht eine gegenseitige Beeinflussung mit der Segregation (Diez Roux & Mair, 2010). Sozio-ökonomisch schwächere Nachbarschaften weisen eine schlechtere Erreichbarkeit von essenziellen Gütern und Dienstleistungen auf, wie beispielsweise Lebensmittelversorgung, Bildungseinrichtungen oder der Gesundheitsversorgung (Berkowitz et al., 2020; Diez Roux & Mair, 2010; Whitehead, 2007). Bei der Realisierung von physisch aktiven Lebensstilen^[3] besteht mancherorts bessere Infrastruktur in den sozio-ökonomisch schwächeren Nachbarschaften. Allerdings ist diese Infrastruktur unattraktiv oder partiell gefährlich und die sozio-ökonomisch stärkeren Bevölkerungsgruppen verfügen über die geeigneten Ressourcen, um einen physisch aktiven Lebensstil außerhalb ihrer Viertel zu realisieren (Diez Roux & Mair, 2010). Bezüglich der Bevölkerungsdichte lässt sich festhalten, dass sozio-ökonomisch schwächere Wohngebiete durchschnittlich eine höhere Bevölkerungsdichte aufweisen. Diese höhere Bevölkerungsdichte führt zu einer erhöhten Chance der Krankheitsausbreitung während einer Pandemie, deren ursächliches Virus sich über Kontakte verbreitet (Das et al. 2020b; Maroko et al. 2020). Im Kontext der aktuellen SARS-CoV-2-Pandemie und insbesondere der hoch ansteckenden Delta-Variante spielt die Bevölkerungsdichte vor dem Hintergrund eines erhöhten Ansteckungsrisikos in dichtbesiedelten Räumen daher eine besondere Rolle.

Bezogen auf die globale Ebene ist ebenfalls anzumerken, dass im Zuge des weltweiten Bevölkerungsanstiegs, insbesondere in ehemaligen nicht städtischen Regionen, sowie durch den Klimawandel in den letzten Jahrzehnten neue Herausforderungen im Umgang mit ansteckenden Krankheiten entstanden sind. Insbesondere kommt es durch den erhöhten Austausch zwischen ehemaligen Wildtieren und der Menschheit vermehrt zu Zoonosen, wie z. B. SARS-CoV-2. Dieses Risiko besteht überwiegend, (aber nicht ausschließlich in sich entwickelnden Ländern (Developing Countries). Allerdings sind spätestens, wenn die Krankheiten von einer Epi- zu einer Pandemie werden, bzw. wenn sich neue Varianten von Krankheiten ausbilden (z. B. die neue Omikron Variante des SARS-CoV-2 Virus), auch die Industrienationen betroffen (Connolly, Keil & Ali, 2021).

Zusammenfassend deuten viele Untersuchungen daraufhin, dass ein höherer sozio-ökonomischer Status auf unterschiedlichen geographischen Ebenen zu einer besseren Gesundheit, beziehungsweise weniger gesundheitsbezogenen Risiken, führt.

2.3 Der Zusammenhang zwischen sozio-ökonomischen Faktoren und den SARS-CoV-2 Fallzahlen

Pandemien, wie z. B. die aktuelle SARS-CoV-2-Pandemie, sind von sich aus nichtdiskriminierend. Allerdings bestehen strukturbedingte Ungleichheiten, wodurch überproportional die am meisten benachteiligten Mitglieder der Gesellschaft von einer Pandemie betroffen sind (Berkowitz et al., 2020; Drefahl et al., 2020; Pathak et al., 2020). Auf Basis von Daten zu vergangenen Pan- sowie Epidemien zeigen existierende Studien (z. B. über die Pest, die Spanischen Grippe, Cholera oder H1N1) einen deutlichen sozio-ökonomischen Gradienten bezüglich der Morbidität und Mortalität auf (Ahmed et al., 2020; Honigsbaum, 2020; Mamelund, 2017; Rosenberg, 1987; Sydenstricker, 1931).

Auch in der der aktuellen SARS-CoV-2 Pandemie zeigt sich deutlich, dass der sozio-ökonomische Status eine entscheidende Rolle für die Betroffenheit (Infektionen als auch Todesfälle) von Personen darstellt. Dass SARS-CoV-2 eine sozio-ökonomische Komponente aufweist und vermehrt arme Bevölkerungsteile trifft, wurde bereits zu Beginn der Pandemie von Ärzten angemerkt (Eder, 2020; Striewski, 2020). Weiterhin wird durch die bereits vor SARS-CoV-2 bestehenden Unterschiede in der Gesundheit und der Vulnerabilität zwischen sozio-ökonomischen Bevölkerungsschichten in vielen wissenschaftlichen Arbeiten von einem sozio-ökonomischen Gradienten auf unterschiedlichen Ebenen ausgegangen und konnte teilweise gezeigt werden (Ahmed et al., 2020; Chen & Krieger, 2020; Das et al., 2020b; Drefahl et al., 2020; Maroko et al., 2020; Rahman et al., 2020; Ren et al., 2020; Tampe, 2020). Die SARS-CoV-2 Fallzahlen zeigen für die USA, Brasilien, Großbritannien und die meisten westeuropäischen Länder, dass People of Color und ethnische Minderheiten überproportional oft von SARS-CoV-2 betroffen sind. Eine Ursache wird in dem durchschnittlich niedrigeren sozio-ökonomischen Status dieser Bevölkerungsgruppen gesehen (Berkowitz et al., 2020; National Center for Immunization and Respiratory Diseases, 2020; Waller et al., 2020). Neben den in Kapitel 2.1 und 2.2 erwähnten Gründen für die erhöhte Vulnerabilität sozio-ökonomisch schwächerer Bevölkerungsgruppen, kommt bei der SARS-CoV-2 Pandemie verstärkt hinzu, dass sozio-ökonomisch benachteiligte Personen durch die Überrepräsentation in systemrelevanten Berufen^[4] und Wohnorten mit hoher Bevölkerungsdichte und Haushaltsgröße schlechter Physical Distancing betreiben können (Chen & Krieger, 2020; Das et al., 2020b; Maroko et al., 2020; Schrenker, 2021; Waller et al., 2020). Ebenfalls bedeuten die Einhaltung von Schutzmaßnahmen teilweise größere Existenzängste als die Krankheit (Du et al., 2020). Des Weiteren sind wie bereits bei vergangenen Pan- und Epidemien Privilegien der sozio-ökonomisch stärkeren Bevölkerungsschichten erkennbar, die es ihnen ermöglichen, sich geringeren Ansteckungsrisiken auszusetzen. Als Beispiele wären hier die Möglichkeit der mobilen Arbeit, welche in Deutschland vor allem dem tertiären Sektor zur Verfügung steht (Schröder et al., 2020), oder auch eine „Stadtflucht der Reichen“ zu nennen (Cole et al., 2020; Williams & Bromwich, 2020).

In ihrem globalen Ländervergleich auf Basis von 88 Ländern haben Rahman et al. (2020) zeigen können, dass ein negativer Zusammenhang zwischen sozio-ökonomischen Status und SARS-CoV-2 Fallzahlen besteht. Bezüglich des räumlichen Einflusses sozio-ökonomischer Faktoren auf die SARS-CoV-2 Pandemie innerhalb eines Landes, haben Ascani et al. Italien (2020), Chen und Krieger die USA (2020) und Drefahl et al. Schweden (2020) untersucht. Ascani et al. zeigen in ihrer Untersuchung, dass in Italien am Anfang der Pandemie ein positiver räumlicher Zusammenhang zwischen den ökonomischen Faktoren und den SARS-CoV-2 Fallzahlen besteht (2020). Chen und Krieger haben durch eine Verknüpfung der kumulierten Todeszahlen mit Bevölkerungszahlen und „area-based socioeconomic measures“, die gesamten USA auf County-Ebene und den Staat Illinois auf der niedrigeren Postleitzahlebene untersucht. Das Ergebnis der Arbeit ist, dass ein deutlich höheres Sterberisiko für die Bewohnerschaft der am meisten benachteiligten Counties in den USA beobachtet werden kann und ein monotoner sozio-ökonomischer Gradient bezogen auf die Fälle in Illinois besteht. Demzufolge besteht in den USA eine ungleiche wirtschaftliche und soziale Belastung durch SARS-CoV-2 (Chen & Krieger, 2020). Für Schweden haben Drefahl et al. die SARS-CoV-2 Todeszahlen mit personenbezogenen Daten aus Verwaltungsregistern verknüpft. Die Ergebnisse zeigen, dass ein geringeres verfügbares Einkommen, ein niedrigeres Bildungsniveau, männlich, nicht verheiratet und ein Immigrant aus einem Land mit niedrigem oder mittlerem Einkommen zu sein, alle unabhängig voneinander ein höheres Sterberisiko durch SARS-CoV-2 vorhersagen und die sozio-ökonomischen Faktoren im Arbeitnehmeralter von größerer Bedeutung sind (Drefahl et al., 2020). Weiterhin wurde vom britischen „Office for National Statistics“ der Zusammenhang der Tode infolge von SARS-CoV-2 und der lokalen und sozio-ökonomischen Benachteiligung eines Counties für Wales und England untersucht. Für Wales war die Mortalitätsrate mit 121,4 Toden pro 100.000 Einwohner zwischen dem 1. März und dem 31. Juli 2020, für das am meisten benachteiligte Quintil der Counties nahezu doppelt so hoch wie für das am wenigsten benachteiligte Quintil. Bei dem am wenigsten benachteiligten Quintil in England verhielt es sich ähnlich (Office for National Statistics, 2020).

Auf kleinräumiger, innerstädtischer Ebene existieren bisher nur wenige empirische Studien. So wurde für New York City, Chicago (Maroko et al., 2020), Beijing, Guangzhou, Shenzhen (Ren et al., 2020), Kolkata (Das et al., 2020b) und Chennai (Das et al., 2020a) der Zusammenhang zwischen sozio-ökonomischen Bedingungen und der räumlichen Verteilung der SARS-CoV-2 Hotspots, bzw. Risikozonen innerhalb der jeweiligen Stadt untersucht. Die Ergebnisse zeigen, dass in allen untersuchten Städten ein Zusammenhang zwischen sozio-ökonomischen Bedingungen und den SARS-CoV-2 Hotspots bestehen (Das et al., 2020a; Das et al., 2020b; Maroko et al., 2020; Ren et al., 2020). Bezogen auf die indische Großstadt Chennai besitzen die Bezirke mit hoher Wohnungsbenachteiligung (Wohnverhältnisse, Besitz von Vermögenswerten, Verfügbarkeit von Waschgelegenheiten, Annehmlichkeiten und Dienstleistungen für den Haushalt sowie geschlechtsspezifische Ungleichheit) ein 119 % höheres relatives Risiko für SARS-CoV-2 als jene mit niedriger Benachteiligung. Dementsprechend befinden sich die Hotspots größtenteils im Nordosten der Stadt (Das et al., 2020a). Chen und Krieger haben in ihrer Studie für New York City gezeigt, dass ein sozio-ökonomischer Gradient bezogen auf die Rate der positiven SARS-CoV-2 Tests auf Postleitzahlebene besteht (2020).

Der bisherige Forschungsstand zeigt, dass während der aktuellen SARS-CoV-2 Pandemie ebenfalls ein sozio-ökonomischer Gradient in Bezug auf die Betroffenheit existiert: Sozio-ökonomisch benachteiligte Länder und Regionen sind demnach insgesamt stärker betroffen als sozio-ökonomisch besser gestellte Statusgruppen. Hinzuzufügen ist, dass SARS-CoV-2 neben den gesundheitlichen auch durch soziale Folgen auffällt, die durch Maßnahmen der Virusbekämpfung entstehen. Autumn C. James (2020) merkt beispielsweise an, dass die SARS-CoV-2 Pandemie und spätestens die Social und Physical Distancing Maßnahmen die Wahrnehmung von und das Verhalten im Raum beeinflusst haben, wodurch öffentliche Räume weniger besucht, bzw. in Anspruch genommen werden. Hierdurch fallen die wichtigen sozialen Funktionen – Förderung von Engagement und Partizipation – von öffentlichen Räumen weg. Auch der New Yorker Bürgermeister Bill de Blasio war zum Anfang der Pandemie gegen die Schließung von Schulen und öffentlichen Einrichtungen, da diese sozio-ökonomisch schwächeren Bevölkerungsteilen Zugang zu kostenlosen Mahlzeiten, Kinderbetreuung und Internet bieten (Cole et al., 2020). Schlussendlich sind im Zuge der Maßnahmen erhöhte häusliche Gewalt und Lebensmittel- und Einkommensunsicherheiten in Folge ökonomischer Schocks erkennbar, wodurch die Vulnerabilität, der bereits benachteiligten Statusgruppen weiter erhöht wird (Opara et al., 2020).

Aus dem bisherigen Forschungsstand wird ebenfalls deutlich, dass bisher nur sehr wenige, empirische Studien zum Zusammenhang zwischen SARS-CoV-2 und sozialer Ungleichheit innerhalb von Städten existieren. Der Großteil der Studien untersucht den Zusammenhang auf einer großräumlicheren Ebene (z. B. auf Länderebene oder auf Ebene von administrativen Einheiten innerhalb eines Landes wie z. B. NUTS-3 Regionen in Italien oder Counties in den USA). Soziale Ungleichheiten manifestieren sich jedoch sehr stark kleinräumig, so z. B. zwischen Stadtteilen innerhalb einer Stadt (Odoi et al., 2005). Die wenigen Studien auf solch einer kleinräumigen Ebene befassen sich vor allem mit großen Megacities in Ostasien oder Nordamerika (Das et al., 2020a; Das et al., 2020b; Maroko et al., 2020; Ren et al., 2020), die z. T. stark abweichende Strukturen (z. B. Stadtgröße oder sozio-ökonomischer Gradient innerhalb der Stadt) zu europäischen Städten aufweisen. Die vorliegende Studie adressiert die Forschungslücke durch eine Untersuchung des Zusammenhangs von sozialen Ungleichheiten innerhalb einer Stadt und der SARS-CoV-2 Betroffenheit für eine Großstadt in Deutschland. Auf Basis der existierenden Forschung untersuchen wir explizit die folgende Hypothese:

Es besteht ein negativer Zusammenhang zwischen dem sozio-ökonomischen Status der Bevölkerung und den SARS-CoV-2 Fallzahlen auf Stadtteilebene.

Sozio-ökonomische Geographie der Stadt Duisburg

Die Stadt Duisburg liegt im Westen des Ruhrgebiets. Duisburg sowie die zehn weiteren Kreisstädte des Ruhrgebiets (Bochum, Bottrop, Dortmund, Essen, Gelsenkirchen, Hagen, Hamm, Herne, Mülheim an der Ruhr und Oberhausen) sind durch eine starke, mehrdimensionale Segregation innerhalb ihrer Stadtgebiete geprägt. Unter innerstädtischer Segregation wird der Prozess der aktiven oder passiven Entmischung von Bevölkerungsgruppen verstanden (Kersting et al., 2009). Die Segregation Duisburgs und des Ruhrgebiets findet in drei unterschiedlichen Dimensionen statt. Es gibt (1) eine soziale Entmischung, die sich durch eine Ungleichheit der Bevölkerung nach Einkommen, Bildung und oder Beruf auszeichnet, (2) eine Entmischung nach ethnisch religiösen Merkmalen und (3) eine Segregation nach Alter, bzw. Lebenszyklus. Das Phänomen des gesamten Ruhrgebietes, dass die sozial schwächeren Bevölkerungsschichten mit niedrigerem Einkommen primär nördlich der A40 und die vorwiegend deutsche Mittelschicht mit höherem Einkommen an den Randzonen des Ruhrgebiets lokalisiert sind, lässt sich nahezu eins zu eins auf Duisburg übertragen. Auch hier sind es primär die Stadtteile nördlich der A40 die von sozio-ökonomisch benachteiligter Bevölkerung und die Stadtteile an den Grenzen zu Moers, Dinslaken und vor allem Düsseldorf von der primär deutschen, sozio-ökonomisch besser gestellten Mittelschicht bewohnt werden. Die innerstädtische Segregation in Duisburg und den weiteren Ruhrgebietsstädten ist daher vor allem durch eine Segregation nach Einkommen und Ethnizität charakterisiert. Dieses Phänomen hat sich durch den Anstieg der Zuwanderung von Menschen aus Südosteuropa im Zuge der Osterweiterung der EU noch einmal verschärft (Kersting et al., 2009; Stadt Duisburg, 2016; Stadt Duisburg, 2018; Farwick et al., 2012). Duisburg ist demnach vergleichbar mit den anderen zehn Kreisstädten des Ruhrgebiets, da diese eine ähnliche, sozio-ökonomische Struktur (z. B. Segregation entlang der A 40, Stadtteile mit hohem Migrationsanteil und/oder geringem Bildungs- sowie Einkommensniveau) besitzen. Durch die Ähnlichkeit der innerstädtischen Struktur Duisburgs zu den anderen Ruhrgebietsstädten, bieten die Ergebnisse der vorliegenden Fallstudie zu den 46 Duisburger Stadtteilen das Potenzial, Rückschlüsse auf den Zusammenhang zwischen sozialer Benachteiligung und dem Infektionsgeschehen in den Ruhrgebietsstädten (insgesamt 3,3 Millionen Menschen) zu ziehen.

Abhängige Variable: SARS-CoV-2 Fallzahlen pro Stadtteil

Als abhängige Variable nutzen wir die SARS-CoV-2 Fallzahlen pro Stadtteil. Die Informationen zu SARS-CoV-2 Fallzahlen auf Stadtteilebene wurden vom Gesundheitsamt der Stadt Duisburg zur Verfügung gestellt und von der Stabsstelle für Wahlen und Informationslogistik aufbereitet. Dieser beinhaltet das Datum und den Ortsteil aller 10.968 gemeldeten Infektionen im Zeitraum vom 9. November 2020 bis zum 14. Februar 2021. Die Fallzahlen wurden nach Stadtteilen und Kalenderwochen sortiert, aufaddiert und für die Vergleichbarkeit mit (100.000/Einwohnerzahl des Stadtteils) multipliziert. Die daraus entstandene Variable bildet die SARS-CoV-2 Fallzahlen pro 100.000 Einwohner auf Stadtteilebene (im Folgenden: SARS-CoV-2 Fallzahlen). Die finalen Fallzahlen pro Stadtteil wurden für die lineare Regression logarithmiert.

Die Abbildung 1 (Panel A) stellt die räumliche Verteilung der SARS-CoV-2 Fallzahlen in Duisburg, für den kompletten Zeitraum der Datengrundlage (9. November 2020 bis 14. Februar 2021), dar. Die geographische Verteilung der SARS-CoV-2 Fallzahlen zeigt, Obermarxloh den höchsten Inzidenzwert aufweist. dass Obermarxloh ist ein Stadtteil, der den niedrigsten sozio-ökonomischen Status innerhalb des gesamten Stadtgebiets aufweist. Weiterhin zeigt sich, dass die Stadtteile nördlich der A40 im Durchschnitt über höhere Fallzahlen verfügen als jene südlich der A40.

Unabhängige Variable: Sozio-ökonomischer Status pro Stadtteil

Die unabhängige Variable der Arbeit stellt der sozio-ökonomische Status eines Stadtteils dar. Hierfür haben wir einen Indikator gebildet, der den sozio-ökonomischen Status eines Stadtteils auf Basis von 5 Indikatoren quantifiziert. Orientierend an der internationalen Fachliteratur (Adler & Stewart, 2010; Ataguba et al., 2011; Kilbourne et al., 2006) wird der Indikator folgend als SES-Score (für socio-economic status) bezeichnet. Wir berücksichtigen erstens die SGB II Quote aus dem Jahr 2019 als Proxy für das Einkommen. Da das Einkommen stark die Ressourcen und Chancen eines Individuums beeinflusst ist es Bestandteil vieler Studien, die sich mit dem sozio-ökonomischen Status auseinandersetzen, sowie Teil des Index for Multiple Deprivation (Macintyre et al., 2002; Office for National Statistics, 2020). Weiterhin besteht ein Einkommensgradient bezüglich der Mortalität und Morbidität (siehe Kapitel 2). Die Studie von Balaj et al. identifiziert für Deutschland (Belgien und Österreich) die Arbeitslosenquote als stärksten Faktor, hinter der sozialen Ungleichheit (2017). Die zweite Komponente des SES-Scores ist der durchschnittliche Mietpreis pro m² für Bestandswohnungen in einem Stadtteil zum Stand 2017, welcher als Indikator für das Wohnumfeld eines Stadtteils berücksichtigt wird (Macintyre et al., 2002).

Abbildung 1:

Kartierung der SARS-CoV-2 Fälle pro 100.000 Einwohner (A) und des SES-Scores (B)

Die dritte Komponente ist der Anteil der Bevölkerung mit Migrationshintergrund in einem Stadtteil aus dem Jahr 2019. Der Anteil der Menschen mit Migrationshintergrund in einem Stadtteil findet häufig Verwendung in der empirischen Stadtforschung, um die soziale Benachteiligung zu quantifizieren. Dieser Anteil misst vor allem den Grad der sozialen Durchmischung auf Basis der Ethnizität der Bevölkerung. Je höher bzw. geringer der Anteil der Menschen mit Migrationshintergrund in einem Stadtteil, desto geringer ist die soziale Durchmischung innerhalb eines Stadtteils. Durch Segregation entstehen strukturell bedingte Nachteile, die in erster Linie Menschen in Stadtteilen mit hohen Migrationsanteil betreffen. Zu den gravierenden Nachteilen zählen z. B. die schlechteren Zugänge zu Bildung sowie Gesundheit (Blümel & Borde, 2020). In der aktuellen SARS-CoV-2-Pandemie betrifft der erschwerte Zugang zu Gesundheit speziell Informationen bezüglich Prävention und Schutzimpfung. In den USA, Großbritannien und Schweden zeigen Bevölkerungsschichten mit Migrationshintergrund eine höhere Mortalität bezüglich der aktuellen Pandemie auf (Berkowitz et al., 2020; Drefahl et al., 2020; Honigsbaum, 2020). Speziell in Duisburg steht eine ethnische Entmischung in einem deutlichen Zusammenhang mit dem sozio-ökonomischen Status der Bevölkerung gemessen in Form des Bildungs- und Einkommensniveaus (Stadt Duisburg, 2016; Stadt Duisburg, 2018).

Viertens verwenden wir die durchschnittliche Übergangsquote auf das Gymnasium (für die Schuljahre 2014 bis 2016 und 2017 bis 2019) als Proxy für das Bildungsniveau in einem Stadtteil. Das Bildungsniveau ist ein sozio-ökonomischer Prädiktor vieler Studien und ebenfalls eine der Komponenten des Index for Multiple Deprivation (Arcaya et al., 2015; Macintyre et al., 2002; Hu et al., 2016; Office for National Statistics, 2020). Bei der Studie von Drefahl et al. (2020) ist der Bildungsabschluss eines Individuums ein starker Prädiktor für die Wahrscheinlichkeit an SARS-CoV-2 zu sterben.

Der fünfte Bestandteil des SES-Scores ist der Anteil übergewichtiger und adipöser Kinder an allen untersuchten Kindern auf Basis der schulärztlichen Untersuchungen (als Drei-Jahres-Mittelwert für die Schuljahre 2015 bis 2017) nach dem Bielefelder Modell (Landeszentrum Gesundheit Nordrhein-Westfalen, 2020). Die Übergewichtsquote eines Stadtteils leitet sich von den Schuleingangsuntersuchungen ab^[5]. Allgemein zeigen benachteiligte Stadtteile ein höheres Maß an übergewichtigen Personen (Berkowitz et al., 2020; Tampe, 2020). Bei der aktuellen Pandemie haben daneben adipöse Individuen auch noch ein höheres Risiko für einen schweren Krankheitsverlauf (Flint & Tahrani, 2020; Robert Koch Institut, 2021d).

Für den SES-Score wurden zur Vergleichbarkeit die einzelnen Variablen, die diesen bilden, z-transformiert. Im Anschluss wurde die Gewichtung der einzelnen Bestandteile mit Hilfe einer konfirmatorischen Faktorenanalyse ermittelt (SGB II Quote: 1.000, Migrationshintergrund: 0.986, Übergangsquote auf das Gymnasium: -0.887, Anteil übergewichtiger und adipöser Kinder: 0.756, Miete: -0.790). Da der Score für einen niedrigen sozio-ökonomischen Status niedrige Werte annehmen soll, wurde den Gewichtungen der Variablen ein negatives Vorzeichen gegeben. Weiterhin wurde jedem Wert des Scores der Betrag des Minimums aufaddiert. Dadurch ist ein Score entstanden, der den Stadtteilen je nach sozio-ökonomischem Status Werte zwischen 0 und 15.40 zuweist.

Die Daten des SES-Scores stammen, mit Ausnahme des Mietpreises, vom KECK-Atlas (Kommunale Entwicklung – Chance zur Kooperation) der Bertelsmann Stiftung (Bertelsmann Stiftung, 2021). Der Mietpreis wurde dem Immobilien Kompass der „Capital“ entnommen (Gruner + Jahr GmbH, 2017). Nur die Übergangsquote auf das Gymnasium musste weiter operationalisiert werden, da die Stadtteile Overbruch, Neudorf-Nord, Hüttenheim und Ungelsheim keine Grundschule besitzen und demzufolge keine Daten für diese Stadtteile existieren. Um einer Verringerung der Beobachtungsanzahl entgegenzuwirken, wurde für diese Stadtteile der Wert durch den Durchschnitt der angrenzenden Stadtteile geschätzt. Da es sich bei den Stadtteilen Ungelsheim und Hüttenheim um benachbarte Stadtteile handelt, wurden diese bei der Berechnung der Übergangsquote des jeweils anderen ausgelassen.

Insgesamt ist durch den SES-Score ein Stadtteilranking entstanden, welches die Situation der einzelnen Duisburger Stadtteile relativ genau widerspiegelt. Abbildung 1 (Panel B) beinhaltet eine Karte, welche den SES-Score für die Duisburger Stadtteile zeigt. Anhand der Abbildung ist deutlich erkennbar, dass Obermarxloh, ein Stadtteil, der besonders stark von der Pandemie betroffen war, den niedrigsten Wert im SES-Score im gesamten Stadtgebiet besitzt. Es ist weiter erkennbar, dass Stadtteile nördlich der A40 im Durchschnitt über einen niedrigeren sozio-ökonomischen Status verfügen. Ausnahmen bilden hierbei der Stadtteil Baerl, welcher mit dem maximalen Wert von 15.40 nördlich der A40 liegt und die Stadtteile Hochfeld und Rheinhausen-Mitte, welche südlich der A40 liegen und mit Werten von 0.40 und 2.85 die Plätze 45 und 41 im Ranking belegen.

Weiterhin sind die Phänomene der innerstädtischen Segregation nach Einkommen und Ethnizität beobachtbar (siehe Kapitel zu Sozio-ökonomische Geographie der Stadt Duisburg sowie Abbildung 1 Panel B). Die drei Stadtteile mit dem niedrigsten SES Score (Bruckhausen, Hochfeld, Marxloh) sind ebenfalls jene mit dem höchsten Anteil von Bewohnern mit Migrationshintergrund, sowie Zuzug aus Südosteuropa. Weiterhin sind dies ebenfalls die Stadtteile in denen der Großteil der vierzehn, von der Taskforce Problemimmobilien geschlossenen, Problemimmobilien auf Grund von Mängeln für unbewohnbar erklärt wurden.

Kontrollvariablen

Da sich die SARS-CoV-2 Fallzahlen nicht nur durch sozio-ökonomische Faktoren erklären lassen, haben wir die Kontrollvariablen Altenquotient, Bevölkerungsdichte und Anteil der männlichen Bevölkerung berücksichtigt. Der Altenquotient gibt das Verhältnis der Bewohnerschaft über 65 Jahre zur Bewohnerschaft im erwerbsfähigen Alter an. Die Berücksichtigung des Altenquotients beruht u. a. darauf, dass ein hohes Alter sowohl Einfluss auf das Risiko einer längeren Ausscheidungszeit der SARS-CoV-2-RNA als auch die Suszeptibilität nimmt (Robert Koch Institut, 2021d). Weiterhin zeigen die Daten bis zur dritten Kalenderwoche 2021, dass in Deutschland der Mittelwert der SARS-CoV-2 Inzidenzen in der Altersgruppe der über 65-Jährigen 5,41 Punkte höher ist in der der Altersgruppe zwischen 19 und 64 Jahren. Ebenfalls hat die Altersgruppe der über 65-Jährigen mit Werten von 727,05 und 443,79 die höchsten Inzidenzen im Betrachtungszeitraum (Robert Koch Institut, 2021a). Die Bevölkerungsdichte gibt die Anzahl der Bewohnerschaft pro genutzte Wohnfläche in Prozent an und berechnet sich durch die Anzahl der Bewohnerschaft geteilt durch die Wohnfläche (Wohnbauflächen und gemischte Nutzung) in Hektar und wurde als Kontrollvariable hinzugefügt, um einen potenziellen Einfluss in den Modellen zu berücksichtigen. Der Anteil der männlichen Bevölkerung berechnet sich durch die Anzahl männlicher Einwohner geteilt durch die Gesamtanzahl der Bewohnerschaft multipliziert mit 100 (Bertelsmann Stiftung, 2021). Diese Variable geht darauf zurück, dass Männer und Frauen zwar ähnlich häufig betroffen sind, Männer allerdings häufiger schwer an SARS-CoV-2 erkranken (Robert Koch Institut, 2021d). Die Daten zu den Kontrollvariablen entstammen ebenfalls dem KECK-Atlas

Des Weiteren berücksichtigen wir einen Dummy für den Verlauf der A40. Die A40 trennt als sogenannter „Armutsäquator“ das Ruhrgebiet in besser und schlechter situierte Gebiete (Kersting et al., 2009). Der Dummy nimmt den Wert 1 an, sofern Stadtteile größtenteils südlich der A40 liegen und erhält den Wert 0, wenn sie nördlich der A40 liegen.

Die Korrelationsmatrix in Tabelle 1 fasst die Korrelationskoeffizienten nach Pearson zwischen der abhängigen und den unabhängigen Variablen sowie allen Kontrollvariablen zusammen. Korrelationskoeffizienten mit einem p-Wert < 0.05 sind hervorgehoben. Wie aus Tabelle 1 entnehmbar ist, existieren starke Korrelationen zwischen den Bestandteilen des SES-Scores, mit einer besonders starken positiven Korrelation von 0,932 zwischen der SGB II Quote und dem Anteil der Bewohnerschaft mit Migrationshintergrund. Außerhalb der Variablen des SES-Scores besteht noch eine starke Korrelation zwischen dem Altenquotient und der Bevölkerungsdichte. Es wurde sich in dieser Arbeit dazu entschieden, beide Variablen in den Modellen zu berücksichtigen. Darüber hinaus wurde mit Hilfe des Varianzinflationsfaktors (VIF) festgestellt, dass keine Multikollinearität vorliegt (VIF < 5).

Abbildung 2:

Korrelation zwischen sozio-ökonomischen Status (SES Score) und SARS-CoV-2 Fallzahlen auf der Stadtteilebene in Duisburg (r = -0.66, p < 0.001)

Abbildung 2 zeigt den Zusammenhang zwischen SARS-CoV-2 Fällen und dem sozio-ökonomischen Status der Stadtteile in Duisburg in einem bivariaten Streudiagramm. Auf Basis des Streudiagramms ist deutlich ein negativer Zusammenhang zwischen den beiden Variablen zu erkennen. Im nachfolgenden Kapitel 4 untersuchen wir diesen Zusammenhang systematisch auf Basis der spezifizierten Regressionsmodelle.

4.1 Vorstellung der Regressionsergebnisse

Insgesamt wurden drei Regressionen berechnet, die den Zusammenhang zwischen dem SES-Score und den SARS-CoV-2 Fallzahlen in unterschiedlichen Konstellationen testen. Die Ergebnisse dieser Regressionen sind in Tabelle 2 zusammengefasst. Bezüglich der Ergebnisse der Kontrollvariablen ist festzuhalten, dass alle Koeffizienten negativ sind. Weiterhin sind der Anteil der männlichen Bevölkerung an der Bewohnerschaft und der räumliche A40 Dummy in den Modellen 2 und 3 und die Bevölkerungsdichte im zweiten Modell signifikant. Letztere hat mit einem Wert von –.00 einen marginalen Ausschlag und ist somit zu vernachlässigen. Interessant für die Arbeit sind die Ergebnisse für den A40 Dummy. Dieser nimmt einen Wert von –.19 für das Hauptmodell an. Somit haben die Duisburger Stadtteile, die größtenteils südlich der A40 liegen, durchschnittlich um 19 % geringere SARS-CoV-2 Fallzahlen als jene, die größtenteils nördlich der A40 liegen.

In allen Modellen zeigt sich ein hochsignifikanter negativer Zusammenhang zwischen dem SES-Score (ein niedriger Score signalisiert einen niedrigen sozio-ökonomischen Status) und den SARS-CoV-2 Fallzahlen. Die Koeffizienten der OLS Regressionen nehmen hierbei Werte zwischen –.06 und –.08 an. Somit führt eine Erhöhung des SES-Scores um eine Einheit je nach Modell zu einem Rückgang der SARS-CoV-2 Fallzahlen von 6 bis 8 Prozent. Beim Modell 3 (Hauptmodell), liegt der Koeffizient bei –.06. Um die Robustheit der Modelle zu testen, wurden separate Regressionen ohne Ausreißer (Stadtteile mit einer Cook’s distance von größer gleich 4/46) berechnet. Die Ergebnisse hiervon unterscheiden sich in ihrer Ausprägung nur marginal von den Ergebnissen der Modelle 1 bis 3 (maximaler Unterschied im Koeffizienten von .009 beim dritten Modell). Das Bestimmtheitsmaß (korrigierte R²) der OLS Regressionen liegt zwischen 0,41 (nur SES-Score) und 0,66 (SES-Score + Kontrollvariablen) und wird sowohl durch das Hinzufügen der Kontrollvariablen als auch des räumlichen A40 Dummies größer. Dementsprechend lassen sich zwischen 41 % und 66 % der Variation der SARS-CoV-2 Fallzahlen durch den SES-Score erklären. Die Regressionsmodelle bestätigen demnach unsere Hypothese, dass sozio-ökonomisch benachteiligte Stadtteile, stärker von der 2. Welle der COVID-19 Pandemie betroffen waren.

4.2 Robustheitsanalyse

Um die Robustheit der Ergebnisse zu überprüfen haben wir insgesamt drei ergänzende Analysen durchgeführt, in der wir erstens den Zusammenhang zwischen den SARS-CoV-2 Fallzahlen und den einzelnen Bestandteilen des SES-Scores testen, zweitens räumliche Regressionsmodelle berechnen sowie drittens den Zusammenhang zwischen SARS-CoV-2 Fallzahlen und dem sozio-ökonomischen Status von Stadtteilen zu zwei verschiedenen Zeitpunkten im Pandemieverlauf untersuchen.

Die Tabelle 3 fasst die Ergebnisse der ersten Robustheitsanalyse für die fünf Bestandteile des SES-Scores zusammen. Es zeigt sich deutlich, dass die fünf Bestandteile des SES-Scores (Modelle 1–5) einen signifikanten Zusammenhang zu den SARS-CoV-2 Fallzahlen besitzen. Die SGB II Quote, der Migrationsanteil und die Übergangsquote auf das Gymnasium weisen einen hochsignifikanten Zusammenhang (p-Wert < 0,001) mit den SARS-CoV-2 Fallzahlen auf. Der Anteil adipöser und übergewichtiger Kinder bei der Einschulung und der durchschnittliche Mietpreis in €/m² für Bestandswohnungen weisen einen signifikanten Zusammenhang (p-Wert < 0.05) mit der abhängigen Variablen auf. Eine Erhöhung der SGB II Quote, der Migrationsquote und des Anteils adipöser und übergewichtiger Kinder bei der Einschulung um einen Prozentpunkt, führt zu einem Anstieg der SARS-CoV-2 Fallzahlen, jeweils auf Stadtteilebene, um 3 Prozent (2 Prozent, 2 Prozent). Eine Erhöhung der Übergangsquote auf das Gymnasium und des Mietpreises in €/m² für Bestandswohnungen um eine Einheit führt zu einem Rückgang der SARS-CoV-2 Fallzahlen von einem Prozent, beziehungsweise 23 Prozent. Das Bestimmtheitsmaß (korrigiertes R²) der OLS Regressionen liegt zwischen 0,53 und 0,7. Somit lassen sich zwischen 53 % und 70 % der Variation der SARS-CoV-2 Fallzahlen durch die unabhängigen Variablen erklären.

Da es sich bei Stadtteilen um administrative Grenzen handelt und die Bewohnerschaft täglich diese Grenzen überschreitet, beispielsweise in Folge von Pendlerverflechtungen, sind die Fehlerterme der OLS-Regression nicht unabhängig voneinander, sondern räumlich autokorreliert. In den Hauptmodellen haben wir dies mithilfe des A40-Dummies berücksichtigt, sodass die Hauptmodelle aus Tabelle 1 keine räumliche Autokorrelation aufweisen. Dies zeigt sich in der insignifikanten Teststatistik des Lagrange Multiplier Tests. Neben den konventionellen OLS-Regressionen berechnen wir dennoch sogenannte Spatial Autoregressive Regressionen (SAR), um die räumliche Beeinflussung der SARS-CoV-2 Fälle zwischen umliegenden Stadtteilen zu berücksichtigen. Die räumliche Gewichtung erfolgt über eine Nachbarschaftsmatrix, die Stadtteilen mit gemeinsamen Grenzen, den Wert 1 und allen anderen den Wert 0 zuweist.

In Tabelle 4 sind die Ergebnisse dieser zweiten Robustheitsanalyse zusammengefasst. In dieser haben wir Spatial Autoregressive Regressionen (SAR) berechnet, um die räumliche Autokorrelationen zu berücksichtigen. Die Ergebnisse der SAR Modelle zeigen, dass der Koeffizient der räumlich gewichteten SARS-CoV-2 Fallzahlen (rho) (hoch)signifikant und positiv ist. Somit weisen benachbarte Stadtteile von Stadtteilen mit hohen (niedrigen) SARS-CoV-2 Fallzahlen ebenfalls höhere (niedrigere) SARS-CoV-2 Fallzahlen auf. In Bezug auf den SES-Score zeigt sich, dass die SAR-Modelle zu ähnlichen Ergebnissen führen, wie die Regression auf Basis von OLS.

Als letzte Robustheitsanalyse haben wir die abhängige Variable für zwei Zeitperioden während der 2. Welle definiert und die Regressionen aus Tabelle 1 wiederholt. Tabelle 5 zeigt die Ergebnisse für den statistischen Zusammenhang zwischen SES-Score und den SARS-CoV-2 Fallzahlen. Hierbei ist die abhängige Variable für die ungeraden Spalten die SARS-CoV-2 Fallzahlen aus dem Jahr 2020 (9. November 2020 bis 31. Dezember 2020) und für die geraden Spalten die SARS-CoV-2 Fallzahlen aus dem Jahr 2021 (1. Januar 2021 bis 14. Februar 2021). Über alle Modelle hinweg besteht ein (hoch-)signifikanter negativer Zusammenhang zwischen dem SES-Score eines Stadtteils und seinen SARS-CoV-2 Fallzahlen. Die Koeffizienten der linearen Regressionen nehmen für das Jahr 2020 Werte zwischen –.05 und –.07 an. Somit führt eine Erhöhung des SES-Scores um eine Einheit, je nach Modell, zu einem Rückgang der SARS-CoV-Fallzahlen von 5 bis 7 Prozent. Beim Modell 5 (Anpassung des Hauptmodells) liegt der Koeffizient bei –.05. Für die Regressionen, die die gemeldeten Fälle des Jahres 2021 analysieren, werden Werte zwischen –.06 und –.10 angenommen. Dementsprechend führt eine Erhöhung des SES-Scores um eine Einheit innerhalb einer Untersuchungseinheit zu einem Rückgang der SARS-CoV-2 Fallzahlen von 6 bis 10 Prozent. Beim Modell 6 (Anpassung des Hauptmodells) liegt der Koeffizient bei -0.09.

Zusammenfassend zeigt sich, dass sich die Ergebnisse in den unterschiedlichen Untersuchungszeiträumen sehr ähneln. Insbesondere der SES-Score weist kontinuierlich ein negatives Vorzeichen auf und ist durchgehend signifikant bis hochsignifikant. Ebenfalls sind die Ergebnisse bezüglich des Einflusses der südlichen A40 Lage auf die SARS-CoV-2 Fallzahlen konsistent konform mit der Annahme des Sozialäquators aus der Literatur (Kersting, Meyer, Strohmeier und Terpoorten, 2009). Weiterhin haben alle Modelle gezeigt, dass keine räumliche Autokorrelation bezüglich der SARS-CoV-2 Fallzahlen konsistent auf Stadtteilebene in Duisburg besteht, wenn die Stadtteile entlang der A40 geteilt werden.