MitigationHubs bringt das Projekt #flattenthecurve in Eure Wohnzimmer! Welche Region dämmt außergewöhnlich gut die Corona-Pandemie ein? Und wieso? Der Kampf gegen das Virus ist eine wissenschaftlichen Aufgabe, welche die Beteilung der Bürger:innen benötigt. Lasst uns kooperien, lasst uns positive Stories über Corona erzählen und daraus lernen!
- Aufruf zur Unterstützung von Wissenschaftler:innen durch Meldung von Maßnahmen und das Sammeln von Fragen durch Bürger:innen
- Analyse der RKI Daten sowie anonymen Daten zur lokalen Eindämmung und Identifikation von positiven Abweichlern durch das Wissenschaftsteam (siehe Fallbeispiele unten)
- Rückmeldung der Ergebnisse an die partizipierenden Bürger:innen und die allgemeine Öffentlichkeit
- An positiven Beispielen für diese Krise und zukünftige Herausforderungen gemeinsam lernen
- Die gesellschaftliche Teilhabe am wissenschaftlichen Prozess durch Citizen Science ermöglichen
- Anhand positiver Beispiele Bürger:innen zum verantwortungsvollen Handeln motivieren
- Verständnis für die Unvollständigkeit wissenschaftlicher Erkenntnisse wecken
- Bürger:innen ein besseres Verständnis der Datenlage vermitteln
MitigationHubs, das sind jene Landkreise und Regionen, welche es im Vergleich besonders gut schaffen, die Ausbreitung des Covid19-Virus zu verlangsamen. Wir wollen diese identifizieren. Jede:r Bürger:in bekommt die Möglichkeit die Wissenschaftler:innen dabei zu unterstützen und profitiert am Ende von den Erkenntnissen.
- Im Rahmen der nächsten Wochen und Monate die Akzeptanz der drastischen Maßnahmen weiter unterstützen
- Zur momentanen Evaluierung der getroffenen Maßnahmen dienen, aber auch in zukünftige Pläne der Bundesrepublik einfließen
- Die positiven Effekte von lokalen Maßnahmen und lokaler Datenanalyse aufführen
- Die Untersuchung von MitigationHubs ist auf vielen räumlichen Skalen möglich, sofern Daten verfügbar sind und die Bürger:innen in möglichst großer Zahl partizipieren
- Neben der Landkreisebene ist auch ein internationaler Vergleich durch leichte Änderungen am Code möglich
- Spannend wäre es mit dem GIZ Data Lab als Unterstützer über eine mögliche Weiterentwicklung der Methodik gerade für Länder mit geringeren, öffentlich-verfügbaren Daten und kleinerer Kapazität der Behörden nachzudenken
Unser Projekt ist einfach zugänglich und ermöglicht die Partizipation am wissenschaftlichen Prozess:
- Ähnlich wie ein CO2-Rechner auf indiviueller Ebene soll MitigationHubs Identifikation mit der Auswirkung des eigenen Handels stiften und dieses in einen wissenschaftlichen Kontext setzen
- Durch verständliche Sprache und Illustrationen, anschauliche Fallbeispiele, eine lebendige Interaktion und eine ausführliche Motivation der Analysen soll die Hürde genommen werden, zu dem Projekt beizutragen
- Wir haben die aktuelle Datenlage erfasst, aufgearbeitet und ergänzt sowie deren Qualität eingeschätzt. Dadurch wurden die Daten, welche dem RKI Dashboard zu Grunde liegen, für weitere Analysen nutzbar gemacht.
- Eine Routine zum Berechnen lokaler Wachstumsraten basierend auf stetig aktualisierten Daten wurde entwickelt und getestet.
- Basierend auf der gegenwärtigen Datenlage haben wir verschiedene Methoden der Statistik, Datenanalyse und Modellierung anhand von Fallbeispielen ausprobiert um mögliche Korrelationen zwischen Prediktoren, Fallzahlen und Eindämmungsmaßnahmen festzustellen.
- Grundlegende Überlegungen um MitigationHubs in ein Citizen Science-Projekt weiterzuentwickeln wurden bereits angestellt. Dieses Vorhaben ist uns ein besonderes Anliegen, da wir es Bürger:innen die Partizipation ermöglichen möchten, an der wissenschaftlichen Aufarbeitung der Krise teilzunehmen.
- Umsetzen des Citizen Science Ansatz durch Beteiligung und Rückmeldung der Ergebnisse an die Bürger:innen, Erweiterungen durch zusätzliche Möglichkeiten der statistischen Analyse
- gegebenenfalls Anwendung auf andere Länder oder Regionen, die Methode kann hierzu leicht adaptiert werden
- Um das Projekt MitigationHubs auszubauen werden benötigt: Zusätzliche Sammlung von anonymisierten Daten mit Hilfe der Bürger:innen, Unterstützung durch Expert:innen und Partner:innen für Social Media & Campaigning sowie durch Sozialwissenschaftler:innen und Epidemiolog:innen für dich richtig Einordnung der Ergebnisse, Expert:innen für Datenschutz um eine anonymisierten Übermittlung von Daten zu gewährleisten und gegebenenfalls Programmierer:innen falls eine App-Anwendung gestaltet werden möchte
In den 48 Stunden des #WirVsVirusHack haben wir mit unseren Methoden drei Fallbeispiele betrachtet, die mögliche Analysen illustrieren. Entscheidend für die Identifikation von MitigationHubs, sind neben den aktuellen Fallzahlen vor allem Kenntnisse über lokale Maßnahmen, die eine Eindämmung der weiteren Verbreitung des Covid19-Virus zum Ziel haben. Hierfür brauchen wir die Beteiligung der Bürger:innen.
- Welche Landkreise und Regionen schaffen es im Vergleich besonders gut die Ausbreitung des Covid19-Virus zu verlangsamen?
- Was kann die Bundesrepublik von diesen positiven Abweichlern lernen?
- Auf welche Maßnahmen sollte ich als Bürger:in besonderen Wert legen?
Fallbeispiel 1: Vergleich der Fallzahlenentwicklung im und um den Landkreis Heinsberg
Landkreise in Deutschland unterscheiden sich anhand vieler Merkmale:
- ihre generelle Struktur, also zum Beispiel die Bevölkerungsdichte, handelt es sich um eine Großstadt oder ländliche Region, Einkommen, und Altersgruppenverteilung,
- wann die ersten positiven Fälle gefunden wurden,
- und wann welche Maßnahmen zur Eindämmung des Virus getroffen wurden.
Hier vergleichen wir vier Landkreise, in direkter oder nahezu direkter Nachbarschaft zueinander:
- den Landkreis Heinsberg, in dem sehr früh Fälle aufgetreten sind, und der dementsprechend früh Maßnahmen zur Eindämmung getroffen hat,
- die StadtRegion Aachen,
- den Landkreis Düren,
- und den Stadtkreis Köln.
Die Daten, zu denen gewisse Maßnahmen eingeführt wurden, sind hierbei den Webseiten der Landkreise entnommen. Bis auf die Schulschließungen im Landkreis Heinsberg stimmen diese mit der Einführung der Maßnahmen auf Landesebene überein. Für die Veranstaltungsverbote und Ladenschließungen ist jeweils das Datum, zu dem der Beschluss veröffentlicht wurde, aufgeführt.
Die Fallzahlen sind logarithmisch aufgetragen, um potentielles exponentielles Wachstum, das bei ungebremster Ausbreitung des Virus zu erwarten ist, besser sichtbar zu machen. Schon mit bloßem Auge lassen sich Änderungen im Anstieg erkennen. Um diese belastbar statistisch zu untersuchen und zum Beispiel die Wirksamkeit von Maßnahmen zu belegen oder Prediktoren zu finden, die einen Landkreis besonders widerstandsfähig machen, decken die Daten noch einen zu geringen Zeitraum ab. Um eine solche Analyse auf ganz Deutschland auszuweiten, müssten v.a. auch die Daten zur Einführung verschiedener Maßnahmen gesammelt werden. Mit dem anwachsenden Datenvolumen in den nächsten Wochen, hätte eine Analyse (z.B. eine breakpoint analysis), aber das Potenzial regionale Trends sichtbar zu machen und besonders wirksame Maßnahmen hervorzuheben.
Fallbeispiel 2: Relation von verschiedenen Einflussfaktoren auf die Wachstumsrate von Covid19-Fällen
Um zu schauen wie sich individuelle Maßnahmen von Regionen auf die Wachstumsraten der Covid19-Fälle auswirken, versuchen wir die erwarteten Wachstumsraten ohne individuelle Maßnahmen möglichst genau vorherzusagen. Um die sozio-ökonomische Vielfalt und ihre Auswirkungen auf die Wachstumsraten zu berücksichtigen, testen wir den Einfluss von verschiedenen Einflussfaktoren auf die Wachstumsraten und die absoluten Fallzahlen.
Fallbeispiel 2: Positive (rot) und negative Korrelationen (Blau) zwischen der Wachstumsrate von Covid19-Fällen und verschiedenen Prediktoren
Mittels einer sogenannten Lasso Regression, ermitteln wir aus verschiedenen potentiellen Einflussfaktoren diejenigen, die die Fallzahlen am besten erklären. Zum Beispiel führt auf Landkreisebene ein hoher Anteil an jungen Menschen und ein hohes Durchschnittseinkommen aktuell zu höheren Gesamtfallzahlen (pro 100.000 Einwohner), während ein hoher Anteil an alten Menschen und ein hoher Bewegungsradius pro Tag aktuell mit niedrigeren Gesamtfallzahlen einhergeht.
Fallbeispiel 2: Eine Regressionsmethode prüft die Signifikanz von Einflüssen auf die Fallzahlen, hier durch die Demographie & das Einkommen
Der statistische Zusammenhang zwischen einzelnen Faktoren und den Fallzahlen kann über Scatterplots und lineare Regressionen (siehe Abbildung oben) analysiert werden. In der linken Abbildung sieht man wie auf Bundeslandebene ein höherer Anteil an alten Menschen mit niedrigeren Fallzahlen zusammenhängt. Allerdings hat der Altenquotient wenig Einfluss auf die aktuellen Wachstumsraten, sodass sich dieser Zusammenhang in naher Zukunft ändern kann und regelmäßig mit neuen Zahlen überprüft werden muss. Auf Landkreisebene findet sich aktuell ein schwacher positiver Zusammenhang zwischen Fallzahlen und Einkommen.
Wichtig ist, dass diese Faktoren nicht unbedingt mit Kausalität einhergehen. Aber sie können genutzt werden, um Hypothesen über die Ausbreitung des Virus zu unterstützen und wiederlegen. Stetig aktualisierte Daten und eine Überprüfung weiterer Einflussfaktoren können unsere vorläufigen Ergebnisse verbessern.
Beatice Ellerhoff, Elisa Ziegler, Janica Bühler, Nils Weitzel, Shirin Ermis, Moritz Adam
Unser Team aus 6 Wissenschaftler:innen des Institut für Umweltphysik in Heidelberg bringt Erfahrung mit der statistische Auswertung großer Datenmengen, der Modellierung komplexer mathematischer Zusammenhänge und der lebendigen Kommunikation von Wissenschaft mit. Aus unserem Forschungsalltag wissen wir, wie mühsam das Erreichen einer 1.5 Grad gerechten Welt ist, sieht man doch keinen unmittelbaren Erfolg des eigenen Handels in der Klima-Krise. Das motiviert uns offenzulegen, welche kreativen Lösungen zur Eindämmung der Coronavirus-Pandemie auf lokaler Ebene beitragen. So wollen wir das Verständnis der Wissenschaft hinter der Covid-19-Pandemie stärken und nachhaltig Bürger:innen an einer kooperativen Bewältigung dieser gesamtgesellschaftlichen Aufgabe beteiligen.
RKI Dashboard zu Fallzahlen auf Bundesland- und Landkreisebene: https://experience.arcgis.com/experience/478220a4c454480e823b17327b2bf1d4/page/page_1/
RKI Datensätze auf Landkreiseebene: https://npgeo-corona-npgeo-de.hub.arcgis.com/search?groupIds=b28109b18022405bb965c602b13e1bbc
Mobilität in Deutschland: https://www.mobilitaet-in-tabellen.de/mit/
Raumtypologie Deutschland: https://www.bmvi.de/SharedDocs/DE/Artikel/G/regionalstatistische-raumtypologie.html
Demographische und Soziographische Daten: https://www.algoly.com/
Krankenhäuser und Anzahl an Betten: https://npgeo-corona-npgeo-de.hub.arcgis.com/datasets/348b643c8b234cdc8b1b345210975b87_0?geometry=-21.114%2C46.261%2C42.168%2C55.880m