Teil 5 zum ZEQ-COVID-19-Szenariorechner: Die Qualität der Datenbasis: Worauf basieren die Prognose?

Größte Problematik unserer statistischen Szenarioberechnung ist die Qualität der Daten, auf denen sie basiert. Die veröffentlichten Fallzahlen sind dabei keine perfekte Repräsentation der tatsächlichen Infektionsraten. Sie unterscheiden sich durch den Prozess des Erkennens (durch Testung und Aufnahme in die Datenbank), des Veröffentlichens, aber auch durch Inkubationszeit, Unterschiede in der Symptomschwere (und damit der Entdeckungswahrscheinlichkeit) und vielen weiteren Faktoren. Es wird geschätzt, dass die veröffentlichten Fallzahlen nur ca. 15% der tatsächlich Infizierten ausmachen – eine Rate, die wiederum schwankt. Diesen Faktor haben wir zwar in unseren Szenariorechner integriert, er ändert aber nichts an der schwierigen Datenbasis.

Bestes Beispiel für die „Verfälschung“ der Daten sind die Fallzahlen in Deutschland am 20. März. Während in den Tagen vom 14. bis 19. März täglich etwa 1.000 neue Fälle gemeldet wurden, sprang die Fallzahl am 20. März auf fast 6.000 neue Fälle. Es ist natürlich nicht plausibel davon auszugehen, dass die tatsächliche Infektionsrate sprunghaft stieg. Viel mehr fällt das Datum in die Hochphase des aufkeimenden Corona-Bewusstseins durch die Entwicklung in den europäischen Nachbarländern. Zusätzlich spielt wohl der Prozess in den Laboren eine Rolle, die zu einem sprunghaften Anstieg der Ergebnisse zum Freitag führten. Die veröffentlichten Fallzahlen geben uns also nur Hinweise auf die tatsächlichen Infektionsentwicklungen. Je größer die Datenbasis, desto klarer die Zusammenhänge. Je mehr Ressourcen in Testung und Erfassung der Corona-Patienten fließen, desto besser und verwertbarer wird die Datenbasis. Den Vergleich mit Verläufen in anderen Ländern erschwert diese Datenproblematik übrigens zusätzlich.

Der Zeitraum der Prognosen

Eine häufige Rückmeldung der Anwender ist, dass eine längerfristige Betrachtung der Fallzahlen in unseren Szenarioberechnungen ein Problem offenbart: Die erwarteten Infektionszahlen werden nicht erreicht. Dies ist tatsächlich eine direkte Folge unserer Prognosemethodik, die bei geringen Wachstumsraten langfristig zu niedrig schätzt. Abbildung 14 zeigt die langfristige Modellierung mit den verschiedenen Methoden im Vergleich.

Abbildung 14: Langfristige Infektionszahlen im Vergleich (Quelle: Eigene Berechnung und Abbildung)

Wir haben uns mit Hinblick auf die Probleme in der Prognose und Datenbasis bewusst entschieden, keine langfristige Prognoseberechnung anzubieten. Die Version 1.0 unseres Rechners prognostizierte sogar nur zwei Wochen im Voraus. In der Weiterentwicklung ab Version 2.0 berechnen wir die Bedarfe für 10 Wochen im Voraus. Aber schon hier gilt: Je weiter die Daten in der Zukunft liegen, desto unklarer ist die tatsächliche Entwicklung. Niemand kann aktuell seriöse Zahlen für die nächsten drei, sechs oder zwölf Monate geben, da zu viele Zusammenhänge und Einflüsse noch vollkommen unklar sind. Wir sind der Überzeugung, dass eine Prognose auf Basis unserer bisherigen Erkenntnisse über die tatsächliche Fallzahlentwicklung für die nächsten zehn Wochen ergiebiger ist, als das „Glaskugellesen“ für das Gesamtjahr. Natürlich müssen die Krankenhäuser, Städte, Kommunen und Länder auch eine mittel- bis langfristige Planung im Auge behalten: Wir können diese aus unserer Sicht zum aktuellen Zeitpunkt aber (noch?) nicht anbieten. 

Zurück

« April 2020»
Mo Di Mi Do Fr Sa So
    1 2 3 4 5
6 7 8 9 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26
27 28 29 30      

RSS-Feeds

Beiträge:
      RSS 0.91 RSS 2.0