Raum-zeitliche Untersuchung kleinräumiger Determinanten der Covid-19 Pandemie

Beschreibung

Ziel dieses Forschungsprojekts war es, detaillierte Einblicke in räumliche Einflussfaktoren der COVID-19-Pandemie zu gewinnen und aufzuzeigen, inwieweit z.B. Bildungsniveau, Haushaltsstruktur oder durchschnittliche Wohnfläche einen Einfluss auf die COVID-19-Inzidenz haben.

Wir haben detaillierte und umfassende kleinräumige Informationen über sozioökonomische, demografische, städtische und umweltbezogene Faktoren mit räumlich und zeitlich aggregierten Daten der COVID-19-Inzidenzen in der Stadt Bremen verknüpft, um einen räumlich-zeitlichen Analysedatensatz zu erstellen. Insbesondere die Verwendung von Mobilfunkdaten ermöglichte es, Veränderungen in der lokalen Mobilität der Bevölkerung während der Pandemie zu messen und ihre Auswirkungen auf die COVID-19-Inzidenz auf Stadtteilebene zu untersuchen.

Wöchentliche Covid-19-Inzidenzen wurden in 260 statistischen Quartieren und 70 Ortsteilen in Bremen in einem wöchentlichen Zeitintervall von 117 Wochen vom 02.03.2020 bis zum 23.05.2022 ermittelt und in fünf Wellen über den Verlauf der Pandemie gruppiert. Die räumliche Autokorrelation zeigte eine starke Clusterung der Covid-19-Inzidenzen von Welle 2 bis Welle 4 und eine geringere Clusterung in Welle 5.

Die deskriptive Analyse der Einflussfaktoren, von denen angenommen wurde, dass sie für das Auftreten von Covid-19-Infektionen relevant sind, ergab Unterschiede zwischen den Stadtvierteln. Von Welle 2 bis Welle 4 wiesen die Stadtteile mit der höchsten Anzahl von Covid-19-Infektionen ein geringeres Einkommen, weniger Wohnraum, eine höhere Bevölkerungsdichte und eine höhere Anzahl von Kindern mit Sprachförderbedarf in der Vorschule auf als die Stadtteile mit den niedrigsten Covid-19-Infektionen, was auf problematische Lebensbedingungen, Deprivation und Sprachbarrieren als mögliche Faktoren zur Erhöhung der Covid-19-Inzidenz hinweist. In Welle 5 schließlich waren die Unterschiede zwischen diesen Faktoren gering, was auf eine gleichmäßigere Verbreitung von Covid-19 in der Omikron-Welle hindeutet.

Eine ausführliche Untersuchung soziodemografischer und umweltbedingter Faktoren mit Hilfe von gemischten Poisson-Regressionsmodellen, die räumliche und zeitliche Variationen berücksichtigten, zeigte, dass vor allem saisonale Variablen wie die durchschnittliche Temperatur und die Sonnenstunden die Covid-19-Inzidenz negativ beeinflussten. In Bezug auf die einzelnen Wellen zeigten soziodemografische Faktoren einen signifikanten Zusammenhang mit der Covid-19 Inzidenz. So wirkte sich beispielsweise die Anzahl der Personen im Haushalt in den Wellen 2 und 4 positiv auf die Covid-19-Inzidenz aus, während das mittlere Einkommen in den Wellen 3 und 5 negativ mit der Covid-19-Inzidenz assoziiert war.

Profilanalysen mit ausgewählten soziodemografischen Variablen identifizierten drei Hauptprofile für 70 Ortsteile, d. h. stark benachteiligte Gebiete, Gebiete vorwiegend von Angestellten und Arbeitern bewohnt und gering benachteiligte Gebiete. Die nach den drei Profilen stratifizierte Covid-19-Inzidenz zeigte, dass stark benachteiligte Ortsteile eine höhere Covid-19-Inzidenz aufwiesen, die in fast allen Wellen früher anstieg, gefolgt von Ortsteilen mittlerer Deprivation, während die gering benachteiligten Ortsteile von Welle 2 bis Welle 4 die niedrigste Covid-19-Inzidenz aufwiesen.

Zur Anwendung maschineller Lernenverfahren für die Vorhersage von Covid-19-Inzidenzen haben wir Tree-Learning- und Deep-Learning-Ansätze in Betracht gezogen. Die zeitliche Validierung von Vorhersagemodellen, die 12 Wochen Daten für das Training zur Vorhersage der nächsten vier Wochen von Covid-19-Inzidenzen enthielten, ergab eine bessere Leistung des Random Forest im Vergleich zum Fully-Connected-Neural-Network (FCNN), aber die Modelle zeigten eine verschobene Vorhersage, da die Vorhersage mittels Random Forest nicht mit dem tatsächlichen Verlauf der Pandemie mithalten konnte.

Wichtige Variablen für Random-Forest-Modelle und FCNN zeigten, dass sowohl zeitvariante saisonale Variablen als auch soziodemografische Variablen als wichtige Faktoren in die Modellarchitektur einbezogen werden sollten. Um eine komplexere Vorhersagemodellierung unter Einbeziehung von Zeitreihendaten zu ermöglichen, wird sich die weitere Forschung auf Rekurrente neurale Netzwerke (RNN) konzentrieren, um die Vorhersage im Verlauf der Pandemie schrittweise zu verbessern, indem dem Training der Netzwerkarchitektur nachträglich Zeitreihendaten hinzugefügt werden

Förderzeitraum

Beginn:   Oktober 2021
Ende:   Dezember 2022

Förderer

  • Deutsche Forschungsgemeinschaft (DFG)

Kontaktperson

Dr. rer. nat. Christoph Buck