key: cord-0806304-wge3b4no authors: Dragano, Nico; Hoebel, Jens; Wachtler, Benjamin; Diercke, Michaela; Lunau, Thorsten; Wahrendorf, Morten title: Soziale Ungleichheit in der regionalen Ausbreitung von SARS-CoV-2 date: 2021-07-23 journal: Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz DOI: 10.1007/s00103-021-03387-w sha: 431fb3effe5ee297ade727b19b9af747227e91db doc_id: 806304 cord_uid: wge3b4no BACKGROUND AND OBJECTIVE: It has not been adequately answered whether the spread of SARS-CoV‑2 is influenced by social and economic factors. Earlier studies generally looked at cumulative incidences up to the analysis date and did not take into account the development of the spread over time. This study therefore focuses on the regional dynamic of new infections and their relationship to socioeconomic factors. Based on the literature we describe the state of knowledge and present our own analyses of administrative data from Germany. METHODS: For this study, we examined regional progress data of reported COVID-19 cases for 401 cities and counties in Germany and associated them with socioeconomic characteristics of the areas. Age-standardized weekly incidence rates were calculated for the period from 3 February 2020 to 28 March 2021. Macroindicators were added from the INKAR database (e.g., income, employment rate, and crowding). RESULTS: While areas with higher incomes and lower poverty had higher incidences in the first and at the beginning of the second wave of the pandemic, they increased significantly in low-income regions from December 2020 on. Regions with a high proportion of gainfully employed people in general and especially those in the manufacturing sector had high incidences, especially in the second wave and at the beginning of the third wave. A low mean living space per inhabitant was related to higher incidence rates since November 2020. CONCLUSION: The regional temporal course of the pandemic correlates with social and economic indicators. A differentiated consideration of these differences could provide information on target group-specific protection and test strategies and help to identify social factors that generally favor infections. Einleitung Die Dynamik der Ausbreitung von SARS-CoV-2 ("severe acute respiratory syndrome coronavirus type 2") wird durch viele Faktoren beeinflusst. Neben den biologischen Charakteristika des Virus bestimmen beispielsweise klimatische Bedingungen, die Bevölkerungsdichte und das Alter der Bevölkerung in einem Gebiet, ihr Verhalten hinsichtlich sozialer Kontakte und Infektionsschutzmaßnahmen oder lokale Test-und Quarantänestrategien die Geschwindigkeit sowie das Ausmaß der Infektionen [1] [2] [3] [4] [5] [6] . Unterscheiden sich diese Faktoren zwischen Regionen, könnten sich demnach auch die Inzidenzen unterschiedlich entwickeln. Ein systematisches Muster, das in diesem Zusammenhang von Interesse ist, ist die Schwankung der SARS-CoV-2-Infektionszahlen in Abhängigkeit von der sozioökonomischen Situation in einem Gebiet. Sozioökonomische Faktoren sind mit einer Reihe der genannten Einflussfaktoren auf das Infektionsgeschehen assoziiert (z. B. Wohnbedingungen, Bevölkerungsdichte) und könnten somit ein vorstrukturierendes Element des lokalen Infektionsgeschehens sein [7, 8] . Dass sichInfektionskrankheiteninbenachteiligten Gebieten schneller verbreiten, ist bereits aus früheren Epidemien bekannt. Studien, z. B. zur saisonalen Die Autoren M. Wahrendorf und N. Dragano teilen sich die Erstautorenschaft. Grippe oder zum SARS-Ausbruch von 2003, berichteten in der Vergangenheit von höheren Infektionsraten in Bevölkerungen mit einer benachteiligten sozioökonomischen Position (SEP; beispielsweise gemessen durch geringe Einkommen oder Armutsquoten [8] [9] [10] [11] ). Daher wurde schon früh in der COVID-19-Pandemie vermutet, dass eine solche Ungleichheit auch in diesem Fall auftreten könnte [12, 13] . Mittlerweile wurde dieser Vermutung in verschiedenen epidemiologischen Untersuchungen nachgegangen. Die wesentliche Quelle für Daten zum Ausmaß regionaler sozioökonomischer Ungleichheiten in der COVID-19-Pandemie sind ökologische Studien, in denen Maßzahlen der Erkrankungshäufigkeit für bestimmte Gebietseinheiten (z. B. Gemeinden, Stadtteile) mit sozioökonomischen Merkmalen dieser Gebiete korreliert werden. Solche Auswertungen liegen mittlerweile aus vielen Ländern einschließlich Deutschland vor [14] . Die Befunde der vorliegenden Studien deuten in der Mehrheit an, dass benachteiligte Regionen, d. h. Regionen mit geringem Durchschnittseinkommen, hoher Einkommensungleichheit, hoher Arbeitslosigkeit oder multipler Benachteiligung (Deprivationsindizes), höhere Inzidenzen aufweisen [12, 13, [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] . Dieses Muster wurde sowohl für kleinräumige Vergleiche etwa von Stadtteilen [18, 22, 27] als auch für Vergleiche von größeren Gebietseinheiten etwa von Gemeinden gefunden [28, 29] . Jedoch gibt es auch gegenläufige Ergebnisse sowie Hinweise auf eine Veränderung von Zusammenhängen über die Zeit. Gerade Studien aus der frühen Phase der Pandemie im Frühjahr 2020 fanden zum Teil höhere Infektionsraten in Gebieten mit höherem Durchschnittseinkommen, höhererBildung der Bevölkerung oder niedrigen Arbeitslosenquoten [12, [30] [31] [32] [33] . In der Tendenz ist erkennbar, dass Untersuchungen, die später im Verlauf der Pandemie durchgeführt wurden, höhere Infektionsraten in sozioökonomisch benachteiligten Gebieten finden [27] [28] [29] [34] [35] [36] [37] . Eine zeitliche Veränderung von höheren Fallzahlen in wohlhabenderen Gebieten hin zu höheren Fallzahlen in benachteiligten Gebieten wurde auch in Deutschland bei der Analyse von kumulativen Inzidenzen aus verschiedenen Zeiträumen im Frühjahr 2020 gefunden, was vermutlich mit anfänglichen Viruseintragungen durch sozial bessergestellte Gruppen im frühen Infektionsgeschehen in Zusammenhang steht (z. B. Skiurlauber oder Geschäftsreisende; [30, 31] Um den Pandemieverlauf zu untersuchen, wurden altersstandardisierte Inzidenzen je 100.000 Einwohner für jede Meldewoche im Untersuchungszeitraum betrachtet. Um mögliche Unterschiede nach SEP-Indikatoren sichtbar zu machen, sind alle Indikatoren in 3 Gruppen (niedrige, mittlere, hohe Werte) unterteilt und Inzidenzen für diese Gruppen berechnet worden. Die Unterteilung erfolgte verteilungsbasiert anhand von Terzilen. Zur Orientierung wurden in die Abbildungen zusätzlich die Daten der zentralen Interventionsmaßnahmen auf Bundesebene eingefügt (Lockdown 1 ab 22.03.2020 (LD 1)), Lockdown "light" ab 02.11.2020 (LD light) und Lockdown 2 ab 16.12.2020 (LD 2). Neben der gra- Bundesgesundheitsbl https://doi.org/10.1007/s00103-021-03387-w © Der/die Autor(en) 2021 Soziale Ungleichheit · COVID-19 · Zeitliche Trends · Sozialepidemiologie · Deutschland Social inequalities in the regional spread of SARS-CoV-2 infections Abstract Background and objective. It has not been adequately answered whether the spread of SARS-CoV-2 is influenced by social and economic factors. Earlier studies generally looked at cumulative incidences up to the analysis date and did not take into account the development of the spread over time. This study therefore focuses on the regional dynamic of new infections and their relationship to socioeconomic factors. Based on the literature we describe the state of knowledge and present our own analyses of administrative data from Germany. Methods. For this study, we examined regional progress data of reported COVID-19 cases for 401 cities and counties in Germany and associated them with socioeconomic characteristics of the areas. Age-standardized weekly incidence rates were calculated for the period from 3 February 2020 to 28 March 2021. Macroindicators were added from the INKAR database (e.g., income, employment rate, and crowding). Results. While areas with higher incomes and lower poverty had higher incidences in the first and at the beginning of the second wave of the pandemic, they increased significantly in low-income regions from December 2020 on. Regions with a high proportion of gainfully employed people in general and especially those in the manufacturing sector had high incidences, especially in the second wave and at the beginning of the third wave. A low mean living space per inhabitant was related to higher incidence rates since November 2020. Conclusion. The regional temporal course of the pandemic correlates with social and economic indicators. A differentiated consideration of these differences could provide information on target group-specific protection and test strategies and help to identify social factors that generally favor infections. Social inequalities · COVID-19 · Temporal trends · Social epidemiology · Germany fischen Darstellung wurde eine einfache Korrelationsmatrix aller verwendeten Indikatoren und der kumulierten Inzidenzen der Regionen im gesamten Beobachtungszeitraum berechnet (Pearson-Korrelationskoeffizient). Alle Berechnungen und Abbildungen erfolgten mit Stata 16. Betrachtet man mit der Arbeitslosenquote und der SGB-II-/SGB-XII-Quote jene Faktoren, die als Indikatoren für Armut in einer Region dienen können, so sind in der ersten und zu Beginn der zweiten Welle Kreise mit niedrigerer Arbeitslosigkeit und niedrigerem Umfang an Sozialleistungsbezug stärker betroffen. Dieser Trend schwächt sich im Verlauf der zweiten Welle ab und von Dezember 2020 an gibt es kaum noch Unterschiede zwischen Regionen mit hohen, mittleren oder niedrigen Arbeitslosen-bzw. SGB-II-Quoten. Diese Indikatoren hängen jedoch nicht nur mit Armut, sondern auch mit dem regionalen Arbeitsmarkt bzw. der Erwerbstätigkeit zusammen. . Abb. 2 Korrelationskoeffizienten r) 1 2 3 4 5 6 7 8 9 10 11 1 Gesamtinzidenz 1 ----------2 Haushaltseinkommen -0,027 1 ---------3 Medianeinkommen -0,083 0,447 1 ------- [42] . Zugleich sind dies Faktoren, die mit dem Infektionsgeschehen assoziiert sind: Eine hohe Einwohnerdichte in Nachbarschaften und beengte Wohnverhältnisse in den Haushalten scheinen das Infektionsrisiko mit SARS-CoV-2 signifikant zu erhöhen [2, 43, 44] , so wie es auch in dieser Analyse gefunden wurde. Ebenso gibt es Hinweise darauf, dass bauliche Unterschiede zwischen ärmeren und reicheren Gegenden bestehen und dass Einrichtungen des täglichen Lebens (z. B. Supermärkte, Restaurants) in ärmeren Stadtvierteln weniger Fläche pro Besucher haben, was das Abstandhalten ("physical distancing") erschwert [27] . Der zweite Erklärungspfad dürfte in der gegenwärtigen Situation in Deutschland einen geringeren Einfluss haben, da der Zugang zu sauberem Was-ser und sanitären Anlagen weitgehend gegeben sein dürfte. Ausnahme ist die Situation wohnungsloser Menschen und möglicherweise auch derjenigen, die in Erstaufnahmeeinrichtungen und Gemeinschaftsunterkünften leben. Legt man diesen Aspekt jedoch weiter aus als im ursprünglichen Modell und zählt hierzu auch die Verfügbarkeit von Material zum persönlichen Infektionsschutz, wie z. B. Masken mit hoher Schutzwirkung oder Desinfektionsmittel, so könnte ein geringeres Einkommen diese Verfügbarkeit durchaus einschränken, was wiederum höhere Expositionsrisiken bedeuten könnte. Der Beruf ist ein Lebensbereich, in dem eine Vielzahl sozialer Kontakte stattfindet. Naturgemäß sind in einer Pandemie Berufsgruppen mit direktem Kontakt zu Patienten:innen, Kunden:innen, Klienten:innen oder Kollegen:innen gefährdeter als Berufsgruppen, die physische Distanz halten können [45] . Allerdings ist der Zusammenhang mit der sozioökonomischen Position komplex und nicht immer eindeutig gerichtet. Zwar ist bekannt, dass Berufe mit einer hohen sozialen Kontaktrate oft auch schlechter entlohnt werden (z. B. Altenpflege, Gastronomie, einfache Produktionsberufe; [7] ), allerdings ist dies nicht durchgängig so (z. B. Ärzt:innen, Lehrpersonal). Zudem waren Teile des Dienstleistungssektors während der Pandemie besonders von Betriebsschließungen betroffen, was berufliche Expositionen insgesamt reduziert haben dürfte. Ein weiterer Aspekt ist die Möglichkeit, während einer Infektionswelle flexibel und von zu Hause aus arbeiten zu können und so Empfehlungen zur physischen Distanzierung durch die Reduzierung der Mobilität und beruflicher Kontakte umsetzen zu können. Möglichkeiten zum Homeoffice haben vor allem sozial bessergestellte Berufsgruppen mit höheren Bildungsabschlüssen und höherem Einkommen [46] . In einer statistischen Modellierung auf Basis von Daten aus großstädtischen Regionen in den USA ließen sich höhere Infektionsraten in sozial benachteiligten Gruppen darauf zurückführen, dass Personen dieser Gruppen ihre Mobilität -wahrscheinlich berufsbedingt -weniger stark einschränken konnten [27] . Relevant ist auch, mit welchem Transportmittel der Weg zur Arbeitsstätte (bzw. zur Schule oder zur Ausbildungsstätte) zurückgelegt wird. Erfolgt dies mit dem öffentlichen Nahverkehr, könnte die Wahrscheinlichkeit einer Exposition ebenfalls steigen. Hier gibt es erste Hinweise darauf, dass Menschen in ärmeren Regionen auch während der Pandemie häufiger den Personennahverkehr nutzten [16] . Im Modell von Quinn und Kumar nicht direkt angesprochen ist das individuelle Hygiene-und Schutzverhalten, das aber ebenfalls einen erheblichen Einfluss auf Expositionsrisiken hat. Eigenschutz setzt jedoch angemessenen Zugang zu Informationen sowie individuelle Kompetenz im Umgang mit diesen Informationenvoraus -genausowie die Bereitschaft, die Handlungsweisen dann auch auszuführen. Eine hohe Gesundheitskompetenz und Adhärenz sind wiederum mit Merkmalen wie Bildung oder Sprach-kenntnissen assoziiert, sodass auch über diesen Weg ungleiche Expositionsrisiken entstehen könnten [47] . Kommt es zu einer Exposition, d. h. zu einem Erregerkontakt, wird die Frage der Suszeptibilität, also der Empfänglichkeit für eine Infektion, entscheidend. Auch hier machen Quinn und Kumar mögliche Unterschiede aus, die insbesondere aus der sozial ungleichen Verteilung von Risikofaktoren und Vorerkrankungen resultieren. Die sozioökonomische Ungleichheit von Krankheitsrisiken ist ein seit Langem bekanntes Phänomen der Bevölkerungsgesundheit und viele Risikofaktoren und manifeste Krankheiten treten demnach häufiger bei Menschen auf, die über weniger soziale und ökonomische Ressourcen verfügen als der Durchschnitt der Bevölkerung [7] . Das betrifft auch Risiken oder Erkrankungen, von denen angenommen wird, dass sie mit COVID-19 assoziiert sind, wie beispielsweise Rauchen, Bewegungsmangel, Übergewicht, chronischer Stress, verminderte Immunfunktionen, Herz-Kreislauf-Krankheiten oder chronische Lungenerkrankungen [7] . Direkte Untersuchungen im Kontext von SARS-CoV-2-Neuinfektionen hierzu liegen unseres Wissens jedoch nicht vor. Einzelne Untersuchungen gibt es lediglich zu schwereren Verläufen der Erkrankung, bei denen Risikofaktoren und Vorerkrankungen einen Teil des sozialen Gradienten bei schweren Verläufen erklärten [48] . In welchem Ausmaß die einzelnen Prozesse die hier gefundenen zeitlichen Muster tatsächlich beeinflusst haben, ist zum jetzigen Zeitpunkt nicht eindeutig zu beantworten. Insbesondere der Befund der Umkehr des sozialen Gradienten im Verlauf der Pandemie muss weiter untersucht werden. Jedoch scheint ein solcher Effekt nicht untypisch zu sein, wie Studien zu anderen Infektionskrankheiten nahelegen. Manabe et al. [49] Multivariate analysis of black race and environmental temperature on COVID-19 in the US Social distancing, population density, and spread of COVID-19 in England: a longitudinal study Individualizing risk prediction for positive coronavirus disease 2019 testing: results from 11,672 patients Inferring the effectiveness of government interventionsagainstCOVID-19. Science371:6531 Modelling the COVID-19 epidemic and implementation of population-wide interventions in Italy Effective containment explains subexponential growth in recent confirmed COVID-19 cases in China The COVID-19 pandemic and health inequalities Health inequalities and infectiousdiseaseepidemics:achallengeforglobal health security Disparitiesininfluenza mortality and transmission related to sociodemographic factors within Chicago in the pandemic of 1918 Is SARS a poor man's disease? Socioeconomic status and risk factors for SARS transmission Social determinants of influenza hospitalization in the United States Poverty and Covid-19: rates of incidence and deaths in the United States during the first 10 weeks of the pandemic The disproportionate rise in COVID-19 cases among Hispanic/Latinx in disadvantaged communities of Sozioökonomische Ungleichheit und COVID-19 -Eine Übersicht über den internationalen Forschungsstand GIS-based spatial modeling of COVID-19 incidence rate in the continental United States Socioeconomic disparities in subway use and COVID-19 outcomes in New York City Metaregression of COVID-19 prevalence/fatality on socioeconomic characteristics of data from top 50 U.S. large cities An ecological study of socioeconomic predictors in detection of COVID-19 casesacrossneighborhoodsinNewYork City Revealing the unequal burden of COVID-19 by income, race/ethnicity, and household crowding: US county versus zip code analyses COVID-19 and inequity: a comparative spatial analysis of New York City and chicago hot spots Time courses of COVID-19 infection and local variation in socioeconomic and health Impact of COVID-19 outbreak by income: hitting hardest the most deprived Modeling the effect of area deprivation on COVID-19 incidences: a study of Chennai megacity Differential COVID-19 case positivity in New York City neighborhoods: socioeconomic factors and mobility. Influenza Other Respir Viruses Disparities in COVID-19 testing and positivity in A model of disparities: risk factors associated with COVID-19 infection Mobility network models of COVID-19 explain inequities and inform reopening Variation in risk of COVID-19 infection and predictors of social determinants of health in COVID-19 and the role of inequality in French regional departments Sozioökonomische Ungleichheit im Infektionsrisiko mit SARS-CoV-2 -Erste Ergebnisse einer Analyse der Meldedaten für Deutschland The pandemic predominantly hits poor neighbourhoods? SARS-coV-2 infections and Covid-19 fatalities in German districts Racial, economic, and health inequality and COVID-19 infection in the United States The social and economic factors underlying the incidence of COVID-19 cases and deaths in US counties Racial, ethnic, and socioeconomic disparities in confirmed COVID-19 cases and deaths in the United States: a county-level analysis as of Social disadvantage, politics, and SARS-coV-2 trends: a county-level analysis of United States data The use of penalized regression analysis to identify county-level demographic and socioeconomic variables predictive of increased COVID-19 cumulative case rates in the state of Georgia Social determinants of health mediate COVID-19 disparities in south Florida Risk factors for positive and negative COVID-19 tests: a cautious and in-depth analysis of UK biobank data Multimorbidity, polypharmacy, and COVID-19 infection within the UK biobank cohort Modifiable and non-modifiable risk factors for COVID-19 Racial and ethnic disparities in SARS-CoV-2 pandemic: analysis of a COVID-19 observational registry for a diverse US metropolitan population Pandemic influenza planning in the United States from a health disparities perspective Assessing differential impacts of COVID-19 on black communities Association of poor housing conditions with COVID-19 incidence and mortality across US counties Berufs-und branchenbezogene Unterschiede im COVID-19-Risiko in Deutschland Labour supply in the early stages of the COVID-19 pandemic: empirical evidence on hours Gaps in knowledge about COVID-19 among US residents early in the outbreak Factors associated with COVID-19-related death using OpenSAFELY Socioeconomic factors influencing hospitalized patients with pneumonia due to influenza A(H1N1)pdm09 in Mexico