Psychische Erkrankungen Im Ländlichen Raum

Universität Ulm Klinik für Psychiatrie und Psychotherapie II Leiter: Prof. Dr. Thomas Becker

Psychische Erkrankungen im ländlichen Raum – Gemeindestrukturen und Aufnahmeraten im ländlichen Einzugsgebiet der psychiatrischen Klinik des Bezirkskrankenhauses Günzburg

Dissertation zur Erlangung des Doktorgrades der Humanbiologie der Medizinischen Fakultät der Universität Ulm

Von: Carolin Christiana von Gottberg geb. Losert Günzburg 2012

Amtierender Dekan: Prof. Dr. Thomas Wirth

Erster Berichterstatter: Prof. Dr. Thomas Becker

Zweiter Berichterstatter: Prof. Dr. Richard Peter

Tag der Promotion: 09.11.2012

Inhaltsverzeichnis

1 Einleitung ...... 1

1.1 Entstehungsmodelle psychischer Krankheit ...... 1

1.2 Risiko- und Schutzfaktoren ...... 4

1.3 Sozio-ökonomische Faktoren ...... 5

1.4 Wohnbedingungen ...... 7

1.5 Stadt-Land-Unterschiede ...... 9

1.6 Schizophrenie und affektive Störungen ...... 14

1.7 Fragestellungen ...... 15

2 Material und Methoden ...... 17

2.1 Studiendesign ...... 17

2.2 Gemeindedaten ...... 18

2.3 Aufnahmedaten ...... 22

2.4 Deskriptive Auswertungen der Daten ...... 25

2.5 Statistische Auswertungen ...... 26

3 Ergebnisse ...... 32

3.1 Deskriptive Auswertungen der Daten ...... 32

3.1.1 Histogramme ...... 32

3.1.2 Karten ...... 34

3.1.3 Boxplot ...... 45

3.2 Statistische Auswertungen – Ergebnisse ...... 46

3.2.1 Modell 1: Schizophrenie, schizotype und wahnhafte Störungen(ICD-10-GM F20-F29) und affektive Störungen

(ICD-10-GM F30-F39) ...... 46

3.2.2 Modell 2: Schizophrenie, schizotype und wahnhafte

Störungen (ICD-10-GM F20-F29) ...... 48

I 3.2.3 Modell 3: Affektive Störungen (ICD-10-GM F30-F39) ...... 51

4 Diskussion ...... 53

4.1 Diskussion der Fragestellung 1: Können Zusammenhänge zwischen aus städtischen Räumen bekannten Risikofaktoren und Aufnahme-

zahlen in einem ländlichen Studiengebiet gefunden werden? ...... 53

4.1.1 Ökonomische Faktoren ...... 53

4.1.2 Landnutzung ...... 57

4.1.3 Distanz zum Krankenhaus ...... 61

4.2 Diskussion der Fragestellung 2: Inwieweit unterscheiden sich Zusammenhänge im ländlichen Studiengebiet von den bisher

gefundenen Zusammenhängen aus Städten? ...... 62

4.3 Diskussion der Fragestellung 3: Sind Unterschiede bei den Aufnahmezahlen der in die Studie einbezogenen Diagnosegruppen

(Schizophrenie und affektive Störungen) zu finden?...... 65

4.3.1 Modell 2: Schizophrenie, schizotype und wahnhafte Störungen

(ICD-10-GM F20-F29) ...... 65

4.3.2 Modell 3: Affektive Störungen (ICD-10-GM F30-F39) ...... 69

4.4 Umgang mit den Einschränkungen der Studie ...... 73

4.5 Schlussfolgerungen ...... 79

5 Zusammenfassung ...... 82

Literaturverzeichnis ...... 84

Anhang ...... 103

Danksagung ...... 103

Abbildungsverzeichnis und Tabellenverzeichnis ...... 104

Übersicht der Gemeinden ...... 107

Raumstrukturkarten ...... 114

STATA -Berechnungen ...... 116

II Abkürzungsverzeichnis

BKH Bezirkskrankenhaus

BADO Basisdokumentationssystem

ESEMeD The European Study of the Epidemiology of Mental Disorders (ESEMeD 2000 study)

HDI Human Development Index (Wohlstandsindikator für Länder von den Vereinten Nationen)

ICD International Statistical Classification of Diseases and Related Health Problems (Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme)

ICD-10-GM Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme 10. Revision German Modification Version 2010

IRR Incidence-Rate Ratios (Raten der Eintrittswahrscheinlichkeiten)

LEP Landesentwicklungsplan

ODIN European Outcome of Depression International Network study

WHO World Health Organization (Weltgesundheitsorganisation)

III

Vorbemerkung: Aus Gründen der Lesbarkeit wurde neben der männlichen nicht immer auch die weibliche Bezeichnung aufgeführt. Gemeint sind jedoch in allen Fällen sowohl Frauen als auch Männer.

1 Einleitung In diesem Kapitel soll der Zusammenhang zwischen Entstehung und Verlauf psychischer Erkrankungen und möglichen verursachenden Faktoren beleuchtet werden. Da der Fokus der vorliegenden Arbeit auf den Auswirkungen von Umweltfak- toren auf Entstehung und Verlauf psychischer Störungen und auch auf den Aus- wirkungen von psychischen Erkrankungen auf das Lebensumfeld des Betroffenen liegt, wird in der Einleitung insbesondere auf Erklärungsmodelle, Theorien und Studien aus diesem Bereich eingegangen.

1.1 Entstehungsmodelle psychischer Krankheit Der derzeitige Forschungsstand zeigt, dass es bei der Entstehung der meisten psychischen Erkrankungen eine Interaktion zwischen dem Genom der betroffenen Person und individuellen Umweltfaktoren gibt. Die früher in die Genetik gesetzte Hoffnung, dass es möglich sei, einer bestimmten psychischen Erkrankung ein be- stimmtes Gen zuzuordnen, konnte bisher nicht bestätigt werden. Stattdessen zeigte sich eine komplexe und schwierig zu entschlüsselnde Interaktion zwischen Gensequenzen, Genen und Umweltfaktoren (Lipp et al. 1999, S. 100f.; Tsuang et al. 2001; Maier & Rujescu 2011, S. 137 u. S. 159f.; Schüssler & Brunnauer 2011, S. 295f.). Das Problem hierbei ist, dass die Vielzahl der denkbaren Interaktionen es fast unmöglich macht, alle Faktoren zu benennen und deren genaue Einflüsse zu ermitteln. Es ist davon auszugehen, dass meist mehrere Genallele bzw. mehrere unterschiedliche Gene bei einer Erkrankung eine Rolle spielen, dabei deutet das Vorhandensein der krankheitsassoziierten Gene nur auf ein mögliches Erkran- kungsrisiko hin und führt nicht in allen Fällen zu einer Erkrankung (Maier & Rujescu 2011, S. 159f.). In manchen Fällen entsteht eine Erkrankung nur, wenn bestimmte Umweltfaktoren im Lebensumfeld einer genetisch vulnerablen Person

vorkommen und keine ausreichenden Schutzfaktoren vorhanden sind. Interaktio- nen zwischen Genen und der Umwelt weisen mehrere Wirkungsrichtungen auf (Maier & Rujescu 2011, S. 137): Abhängig von der individuellen Lage und Veran- lagung können die gleichen Variablen (genetisch und aus der Umwelt stammend) einerseits zu verschiedenen Erkrankungen führen, andererseits können verschiedene Variablen die gleiche Krankheit beeinflussen (Tsuang et al. 2001; Schüssler & Brunnauer 2011, S. 295f.). Zudem kann die Umwelt die genetische Veranlagung beeinflussen, genetische Veranlagungen können aber auch dazu führen, dass Indi- viduen mit ähnlichen genetisch angelegten Präferenzen sich ein ähnliches Umfeld suchen (Lipp et al. 1999, S. 100; Tsuang et al. 2001; Maier & Rujescu 2011, S. 137). Auch wird vermutet, dass die Sensibilität, mit der eine Person auf Faktoren aus der Umwelt reagiert, durch eine genetische Veranlagung beeinflusst werden kann (Lipp et al. 1999, S. 100). Gleichzeitig gibt es aber Hinweise darauf, dass jeder Mensch bei einer extremen Belastung auch ohne genetische Veranlagung erkranken kann (Bsp.: posttraumatische Belastungsstörung) (Schüssler & Brunnauer 2011, S. 295).

Ob die genetische Disposition oder Umweltfaktoren eine größere Rolle bei der Entwicklung von psychischen Störungen spielen, kann nicht generell beantwortet werden. Zwillinge wachsen in der Regel unter ähnlichen Umweltbedingungen auf und teilen somit auch umweltspezifische Risikofaktoren. Wäre eine Erkrankung rein genetisch bedingt und würden die ähnlichen Umweltbedingungen keinen Ein- fluss auf die Krankheitsentstehung haben, müsste die Konkordanz bei monozygoten Zwillingen bei annähernd 100% oder zumindest höher als bei dizygoten Zwil- lingen liegen, da es sich bei monozygoten Zwillingen um genetisch identische In- dividuen handelt, wohingegen bei dizygoten Zwillingen nur ungefähr 50% des Genoms gleich ist und daher die Konkordanz bei ungefähr 50% liegen müsste (Lipp et al. 1999, S. 82; Tsuang et al. 2001). Zwillingstudien im Bereich der Schi- zophrenie ergaben allerdings Konkordanzraten von unter 50% bei monozygoten Zwillingen und einen signifikanten Unterschied zwischen mono- und dizygoten Zwillingspaaren, was darauf hinweist, dass sowohl genetische, als auch umwelt- bedingte Faktoren bei der Entstehung einer Schizophrenie eine Rolle spielen (Lipp et al. 1999, S. 92; Tsuang et al. 2001). Der Einfluss der Gene unterscheidet

sich zudem bei verschiedenen psychischen Erkrankungen. Während bei schizophrenen Erkrankungen und bipolaren Störungen in Zwillingsstudien mit einer Heritabilität von ca. 70% bis 87% (Cardno et al. 1999; Sullivan et al. 2000; Shih et al. 2004) ein relativ großer genetischer Anteil an der Ätiologie nachgewiesen wurde, lag die Heritabilität bei Depressionen und Panikstörungen je nach Studie nur zwischen 30% und 45% (Sullivan et al. 2000; Shih et al. 2004).

Verlässt man die Genetik und versucht ein ganzheitliches Erklärungsmodell für die Entstehung psychischer Erkrankungen zu finden, stößt man auf mehrere An- sätze. Einen Ansatz bietet das biopsychosoziale Modell, welches davon ausgeht, dass die Entstehung und der Verlauf von psychischen Krankheiten durch biologische, psychologische und soziale Faktoren in ihren komplexen Wechselwirkungen bedingt werden (Schüssler & Brunnauer 2011, S. 294-296). Hierbei werden unterschiedliche Faktoren aus der sozialen Gemeinschaft und der Familie sowie individuelle Verhaltensmuster ebenso berücksichtigt wie genetische, molekulare oder organpathologische Einflüsse. Das Modell berücksichtigt die Multikausalität und die Wechselwirkungen zwischen den unterschiedlichen biologischen und psychosozialen Faktoren. So kann eine Erkrankung durch biologisch-genetische und psychosoziale Faktoren entstehen, diese Faktoren können aber auch maßgeb- lich den Verlauf der Erkrankung beeinflussen. Biologisch-genetische und psychosoziale Faktoren können aber auch in Folge einer Erkrankung in Erscheinung treten (Schüssler & Brunnauer 2011, S. 294-296).

Ähnliche Grundvoraussetzungen für die Entstehung einer psychischen Störung nennt auch das Vulnerabilitäts-Stress-Modell (Kilian & Becker 2006, S. 447-450; Gaebel & Zielasek 2011, S. 92f.). In diesem Modell werden bei der Krankheitsent- stehung Vulnerabilität und Stress als komplementäre Faktoren gesehen. Die verschiedenen Einflüsse, die auf den Menschen vorgeburtlich und im Laufe seiner Kindheit und Jugend einwirken, führen zusammen mit der genetischen Veranla- gung zu einer individuellen psychischen Konstitution. Auf der Grundlage eines so entstandenen persönlichen Erlebens- und Verhaltensmusters interpretiert die Person subjektiv die sie umgebende Umwelt und reagiert individuell auf Anre- gungen oder Anforderungen aus der Umwelt. So wirken sowohl Faktoren aus dem

psychosozialen Bereich als auch biologische Stressoren auf die Krankheitsentste- hung und beeinflussen, ob bei einer gegebenen und/oder erworbenen Krank- heitsdisposition die Grenze von „gesund“ zu „erkrankt“ überschritten wird (Kilian & Becker 2006, S. 447-450; Gaebel & Zielasek 2011, S. 92f.).

1.2 Risiko- und Schutzfaktoren Die oben genannten Umweltfaktoren können nun in zwei Kategorien eingeteilt werden: (1.) Risikofaktoren, welche die Erkrankungswahrscheinlichkeit erhöhen, die Schwere der Erkrankung und/oder den Verlauf der Erkrankung beeinflussen und (2.) Schutzfaktoren, die einen Gegenpol zu den Risikofaktoren bilden und ganz allgemein die Erkrankungswahrscheinlichkeit senken. Beide können direkt durch die Veränderung des Risikos oder indirekt durch z.B. Veränderung der Le- bensbedingungen wirken. Schutz- bzw. Risikofaktoren finden sich auf allen Ebe- nen der Lebenswelt eines Menschen: individuell, im Rahmen der Familie, sozial, ökonomisch und wohnumfeldbedingt. Allerdings ist auf eine Trennung von Ursa- che und Wirkung zu achten, da manche Faktoren (z.B. verminderte soziale Kom- petenz) sowohl Risikofaktoren, als auch Indikatoren psychischer Störung sein können (World Health Organization 2004, S. 20-23; Kilian & Becker 2006, S. 450- 452). Auf die Effekte von Schutz- und Risikofaktoren geht auch das sogenannte salutogenetische Modell ein, das davon ausgeht, dass Gesundheit ein Gleichge- wicht von Schutz- und Risikofaktoren ist. Krankheit hingegen bezeichnet ein Un- gleichgewicht zwischen den Faktoren: Entweder treten Risikofaktoren verstärkt auf oder die vorhandenen Schutzfaktoren sind zu schwach (Hölling & Schlack 2008).

Folgende Merkmale konnten bisher als mögliche Risikofaktoren benannt werden: schlechte biologische Konstitution (z.B. neurochemische Störungen); schlechte psychische Konstitution (z.B. geringes Selbstbewusstsein); ungünstige familiäre Situation (z.B. Missbrauch oder Misshandlung, niedriger sozio-ökonomischer Sta- tus, Arbeitslosigkeit, unzureichender Wohnraum); unzureichende soziale Kompe- tenzen und Beziehungen (z.B. gestörtes Kommunikationsverhalten, Isolation); Probleme in der Schule (z.B. mangelnde Leistungsfähigkeit, Ablehnung durch

Gleichaltrige) und im Lebensumfeld (Egle et al. 1997; World Health Organization 2004, S. 20-23; Kilian & Becker 2006, S. 451f.). Der Bereich Lebensumfeld umfasst verschiedene Risikofaktoren: „Armut, soziale Desorganisation, Arbeitslosigkeit, Rassismus, Diskriminierung, soziale Benachteiligung, Gewalt, Kriminalität, beruf- licher Stress, schlechte Ernährung, Mangel an Bildungsmöglichkeiten, schlechte Wohnbedingungen, schlechte Infrastruktur“ (Kilian & Becker 2006, S. 452), Urba- nität, Desorganisation in der Nachbarschaft und Zugang zu Drogen und Alkohol (World Health Organization 2004, S. 21).

Als Schutzfaktoren wurden bisher benannt: stabile psychische Konstitution (z.B. Autonomie, gesundes Selbstbewusstsein); individuelle Fähigkeiten (z.B. zur Stressbewältigung oder zur Problemlösung); unterstützende familiäre Situation (z.B. eine gute Eltern-Kind-Beziehung); Kontaktfreudigkeit mit Gleichaltrigen; Empowerment; günstiges soziales Umfeld: gutes soziales Netzwerk, gute Integra- tion, Möglichkeiten zur Partizipation, Toleranz, soziale Verantwortung und Unter- stützung durch die Gemeinschaft (World Health Organization 2004, S. 21; Kilian & Becker 2006, S. 452). Eine Liste mit weiteren Beispielen kann bei Kilian und Be- cker (Kilian & Becker 2006, S. 451f.) gefunden werden.

In der vorliegenden Arbeit sollen die Zusammenhänge zwischen verschiedenen ausgewählten Risikofaktoren und den Aufnahmedaten der Klinik für Psychiatrie und Psychotherapie II der Universität Ulm am Bezirkskrankenhaus Günzburg untersucht werden. Der Schwerpunkt liegt dabei auf Sozialraumvariablen und innerhalb dieses Bereichs auf ökonomischen Faktoren, Wohnbedingungen und den Unterschieden zwischen städtischen und ländlichen Gebieten.

1.3 Sozio-ökonomische Faktoren Robert Faris und Warren Dunham gehörten zu den ersten Forschern, die sich mit der Analyse der Zusammenhänge von Umweltfaktoren und psychischer Erkran- kung beschäftigten. In ihrer 1939 durchgeführten Studie untersuchten sie die Wohngegenden von psychiatrischen Patienten des „Cook County Psychopathic“ Krankenhauses und von acht großen privaten Kliniken in Chicago und Umgebung

(Faris & Dunham 1965, S. 23 u. S. 28). Ihre Studie zeigte hohe Raten von Schizo- phrenie in verwahrlosten innerstädtischen Bereichen, deren Bewohner unabhän- gig von ihrer Nationalität oder ethnischen Herkunft überwiegend einen niedrigen sozialen Status innehatten. Für Personen, die in diesen Gegenden lebten, war die Wahrscheinlichkeit höher, selber an Schizophrenie zu erkranken oder an Schizo- phrenie erkrankte Nachbarn zu haben, als für Personen in anderen Stadtteilen. Faris und Dunham vermuteten aufgrund ihrer Untersuchungsergebnisse, dass die psychische Gesundheit im Zusammenhang mit der Stellung einer Person im sozialen Gefüge, insbesondere mit ihrer Integration in die Gemeinschaft stehe. Sie ver- traten die These, dass Bewohner sozial schlecht gestellter Stadtteile Probleme beim Aufbau und der Aufrechterhaltung von sozialen Kontakten haben und hierdurch eine soziale Isolation erfahren. Diese Isolation sahen sie als einen wichtigen Einflussfaktor für den Beginn und den Verlauf schizophrener Erkrankungen (Faris & Dunham 1965, S. 32-37, 40-42, 65f., 160-177; Cockerham 2002, S. 139f.; Silver et al. 2002). Allerdings muss man beachten, dass Faris und Dunham nicht die per- sonenbezogenen Merkmale der Bewohner kontrollieren konnten. Es konnte daher nicht festgestellt werden, ob die soziale Lage die Ursache der Erkrankung war oder ob die Erkrankung zur sozialen Situation beigetragen hatte (Halpern 1995, S. 11-13; Silver et al. 2002).

Die Erkenntnisse von Faris und Dunham konnten auch in später folgenden Studi- en bestätigt werden, zum Beispiel in der New Haven Studie aus dem Jahr 1958 von Hollingshead und Redlich oder in der 1973 durchgeführten Studie von Levy und Rowitz, welche beide einen Zusammenhang zwischen sozialer Schicht und psychischer Erkrankung fanden (Cockerham 2002, S. 141-145; Richter 2003, S. 101-103). Eine Literaturübersicht über die Jahre 1950 bis 1980 zum Thema sozio- ökonomischer Status und psychische Erkrankung führt sechs Studien aus Amerika und fünfzehn aus anderen Ländern auf, von denen fünf bzw. zehn Studien einen Zusammenhang zwischen der niedrigsten sozialen Schicht und erhöhtem psychischem Erkrankungsrisiko ergaben (Hudson 2005). Eine spätere Literaturüber- sicht über die 1980er Jahre zeigte, dass auch die in diesem Zeitrahmen durchge- führten Studien ähnliche Ergebnisse aufwiesen (Hudson 2005). Der Zusammen- hang zwischen niedrigem sozio-ökonomischem Status und einem erhöhten Auf-

treten insbesondere von schizophrenen und depressiven Erkrankungen, aber auch einer Reihe anderer psychischer Erkrankungen, wurde in einer Vielzahl von Studien nachgewiesen, und zwar auch unabhängig von der Definition des sozio- ökonomischen Status’ (Kohn et al. 1998, S. 236-252; Lorant et al. 2003; Muntaner et al. 2004; Lorant et al. 2007). Zu den neueren Studien aus Deutschland auf diesem Gebiet zählt die Studie von Mauz und Jacobi (2008), die anhand einer reprä- sentativen Stichprobe einen Zusammenhang zwischen niedrigem sozialem Status und psychischer Erkrankung bestätigt.

Es gibt zwei Theorien, die sich mit dem Phänomen der Ballung von Personen mit psychischen Erkrankungen in benachteiligten Wohngebieten bzw. dem Zusam- menhang zwischen niedrigem Sozialstatus und vermehrtem Auftreten psychischer Störungen befassen. Die „Theorie der sozialen Verursachung“ besagt, dass soziale Faktoren der Umwelt, insbesondere des Wohnumfeldes, psychische Er- krankungen verursachen oder die Entstehung und den Verlauf beeinflussen kön- nen und geht von ähnlichen Annahmen aus, wie das Vulnerabilitäts-Stress-Modell (Cockerham 2002, S. 148-155). Die „Theorie der sozialen Selektion“ hingegen geht davon aus, dass eine psychische Erkrankung zu einer Verschlechterung der sozialen Lage führt, oder dass eine Erkrankung eine Verbesserung der sozialen Lage behindert (Cockerham 2002, S. 148-155). Selbst mit den besten zurzeit erhältli- chen Langzeitdaten ist es nicht möglich, die zwei Theorien adäquat gegeneinander zu testen. Das Wirkungsgeflecht ist interaktiv und gleichzeitig nichtlinear, so dass sich verschiedene Ursachen unterschiedlich auf die Krankheitsentstehung auswirken, und dies zum Teil auch unterschiedlich bei verschiedenen Erkrankungen (Hudson 2005). Es gibt Hinweise, dass die Theorie der sozialen Selektion eher bei Schizophrenie eine Rolle spielen könnte, wohingegen die Theorie der sozialen Verursachung eher bei Depressionen oder Angststörungen zutreffen könnte (Dohrenwend et al. 1992; Saraceno et al. 2005).

1.4 Wohnbedingungen Menschen mit niedrigem sozialem Status leben oftmals in benachteiligten Wohn- gegenden, welche sich durch eine Vielzahl von Eigenschaften auszeichnen, die sich

negativ auf die Gesundheit von Menschen auswirken können. So identifizierten Evans et al. (2003) in einem systematischen Review zu diesem Thema eine Reihe von zentralen Faktoren psychischer Gesundheit, die zumindest teilweise über die Wohnsituation vermittelt werden. Nach Einschätzung der Autoren bildet die Wohnsituation eine wichtige Grundlage der Identitätsbildung, des Sicherheitsge- fühls, der sozialen Unterstützung, der Kontrollüberzeugung und einer als befriedi- gend erlebten Elternschaft. Wohnbedingungen, welche den Bedürfnissen hinsicht- lich dieser zentralen Aspekte des Wohlbefindens nicht gerecht werden, können somit als Risikofaktoren eingestuft werden.

Galea et al. (2005) gingen einen Schritt weiter und untersuchten ein halbes Jahr nach den Terroranschlägen vom 11. September 2001 mögliche Ursachen für einen Zusammenhang zwischen gebauter Umgebung und einer Depressionserkrankung anhand von 1.355 New Yorkern (überwiegend aus Manhattan) und deren Wohn- umgebung sowohl innerhalb als auch außerhalb der Wohnung. Schlechte bauliche Qualität stand im Zusammenhang mit einer größeren Wahrscheinlichkeit einer Erkrankung an Depression (Galea et al. 2005). Selbst nach der Kontrolle von Alter, Ethnie, Geschlecht, Einkommen und Einkommenslevel der Nachbarschaft bestand für Personen in als schlecht kategorisierten Wohngebieten eine 29%-58% höhere Wahrscheinlichkeit, in den vorangegangenen sechs Monaten (d.h. in den Monaten nach den Anschlägen) an einer Depression erkrankt zu sein und sogar eine 36%- 64% höhere Lebenszeitprävalenz für Depressionen als für Personen aus besseren Wohngegenden (Galea et al. 2005). Die Autoren vermuteten, dass der Grund hier- für psychosozialer Stress sein könnte, der von ihnen als wichtiger Einflussfaktor für schlechte psychische Gesundheit im Allgemeinen und Depressionen im Spezi- ellen genannt wird (Galea et al. 2005).

Der Zusammenhang zwischen schlechter baulicher Umgebung und psychischer Erkrankung, insbesondere Depressionen, wurde in einer Reihe von Studien belegt (Halpern 1995, S. 74f. u. S. 127-130; Becker & Sartorius 1999, S. 498f.; Weich et al. 2001; Krieger & Higgins 2002; Page 2002; Weich et al. 2002; Dannenberg et al. 2003; Evans et al. 2003; Howden-Chapman 2004; Frumkin 2005; Ziersch et al. 2005; Guite et al. 2006; Agyemang et al. 2007; Berry 2007). Zusammenfassend

können nachfolgende Faktoren sich negativ auf die psychische Gesundheit auswirken: minderwertige Wohnungen mit z.B. sichtbaren Schäden am Haus, Feuch- tigkeit und Schimmelbefall; eine hohe Anzahl von Personen pro Haushalt; ver- stärkt auftretender Straßenverkehr und Ballung von unerwünschten Landnutzun- gen (z.B. Betriebshöfe von Nahverkehrsunternehmen, Industriebetriebe); Lärm- belastung durch Verkehr, aber auch durch Nachbarn; Vandalismus; Graffiti; Stra- ßenverunreinigungen; ein Überangebot an ungesunden Nahrungsmitteln, Alkohol und Tabak; Drogenmissbrauch und Angst vor Kriminalität; das Fehlen von sozialen Treffpunkten und/oder Gärten und Parks.

1.5 Stadt-Land-Unterschiede Viele der bisher durchgeführten Studien waren ausschließlich auf städtische Ge- biete beschränkt. Dabei zeigte sich, dass sich „Urbanität“ ab einem bestimmten Grad negativ auf die Entstehung und den Verlauf psychischer Erkrankungen auswirkt. Das Problem hierbei ist, dass „Urbanität“ häufig nicht näher definiert ist und die eingeflossenen Variablen oft nicht klar sind. Oftmals wird Urbanität über hohe Einwohnerdichten definiert und hierdurch von ländlichen Gebieten, definiert durch geringe Einwohnerdichten, abgegrenzt (Pedersen 2006). Genau defi- nierte, allgemeingültige Bereiche gibt es hierbei nicht. Die Grenzwerte bei den Einwohnerzahlen oder der Einwohnerdichte, ab denen ein Gebiet als ländlich oder urban eingeteilt wird, sind meist willkürlich gesetzt. Zudem berücksichtigt die Definition über Populationsdichten nicht, dass in unterschiedlichen Ländern die Grundvoraussetzungen stark variieren. Zahlen, die in einem Land mit insgesamt niedriger Einwohnerzahl schon Urbanität kennzeichnen, können in einem anderen Land mit insgesamt hoher Einwohnerzahl eher auf eine ländliche Gegend hinweisen. Darüber hinaus gibt es Länder, in denen es hoch verdichtete, aber weit abgelegene Orte gibt, die schwer über das „Populationsdichten“-Modell einzuord- nen sind (Peen et al. 2010). Somit ist es schwierig, Studien aus verschiedenen Ländern direkt zu vergleichen. Auch methodisch unterscheiden sich die Studien oft erheblich. Selbst der zu untersuchende Gegenstand, in diesem Falle die Häufig- keit der Erkrankungen, wird oftmals unterschiedlich gemessen bzw. bezeichnet.

In der vorliegenden Arbeit wurde aus Gründen der Vergleichbarkeit in der Regel von einer Prävalenz ausgegangen, sofern es in der Literatur nicht explizit anders angegeben war. Ein gutes Beispiel für die methodischen Schwierigkeiten sind die Ergebnisse der ESEMeD Studie (Kovess-Masféty et al. 2005). Diese zeigten zwar auf den ersten Blick, dass die 12-Monats-Prävalenz von psychiatrischen Störungen in Deutschland in der ländlichen Stichprobe höher war als in der städtischen. Die- ses Ergebnis veränderte sich allerdings, sobald man die Definition von städtisch und ländlich veränderte (von zwei Kategorien auf drei), die unterschiedlichen Di- agnosegruppen betrachtete und/oder den Familienstand in die Studie mit auf- nahm (Kovess-Masféty et al. 2005).

Trotz der methodischen Schwierigkeiten zeigte die Mehrzahl der Studien, dass die Häufigkeiten psychischer Erkrankungen in urbanen Gebieten höher sind als in ländlichen. Diese Tendenz ist auch beim Zugrundelegen verschiedener Messme- thoden und/oder Begrifflichkeiten nicht anders (Paykel et al. 2003; Sundquist et al. 2004; Allardyce & Boydell 2006; Kringlen et al. 2006; Weich et al. 2006; Dekker et al. 2008). So ergab auch eine Metaanalyse aus dem Jahr 2010 über Studien aus einkommensstarken Ländern, dass die aggregierte Prävalenz in urbanen Räumen bei psychischen Erkrankungen (allgemein) 38% höher, bei affektiven Störungen 39% höher und bei Angststörungen 21% höher lag als in den als ländlich definier- ten Räumen (Peen et al. 2010). Es muss aber auch erwähnt werden, das es Studien gibt, die keinen Unterschied oder sogar in ländlichen Räumen eine höhere Präva- lenz fanden; diese sind allerdings in der Minderheit, meistens lassen sich die Er- gebnisse durch Störfaktoren (Confounder) erklären (z.B. durch spezielle sozio- ökonomische Merkmale der Gebiete) (Kringlen et al. 2006; Perälä et al. 2008).

Der Einfluss des urbanen Raumes auf die Entwicklung der Erkrankung wurde insbesondere im Bereich der Schizophrenieforschung untersucht. So zeigten zehn von Krabbendam und van Os (2005) verglichene Studien bei einem Drittel der Neuerkrankungen mit der Diagnose Schizophrenie einen Zusammenhang zwischen umweltbedingten Faktoren in urbanen Gebieten, in denen die Teilnehmer ihre Kindheit und Jugend verbrachten, und einer späteren Erkrankung. Vorausset- zung war allerdings, dass eine genetische Prädisposition bestand. Die Mehrzahl

der Studien belegt inzwischen einen Zusammenhang zwischen Urbanität und Schizophrenie, ebenfalls meist in Verbindung mit einer genetischen Veranlagung. Das Spektrum der Studien ist hierbei breit gefächert, einige deuteten darauf hin, dass negative Einflüsse schon in der pränatalen und perinatalen Phase wirken (Marcelis et al. 1999; Mortensen et al. 2003; McGrath & Scott 2006), andere be- schäftigten sich mit dem Zusammenhang zwischen Kindheit und Jugend in Städten und der Entstehung von Schizophrenie (Spauwen et al. 2004; Krabbendam & van Os 2005), und eine dritte Gruppe von Studien befasste sich mit Schizophrenie im Erwachsenenalter und Urbanität (van Os et al. 2001; van Os et al. 2004).

Warum in städtischen Gebieten höhere Prävalenzen, aber auch höhere Einwei- sungs- und Aufnahmeraten zu finden sind, ist momentan noch nicht abschließend geklärt. Es wird darüber diskutiert, ob die Häufung von psychischen Erkrankun- gen in städtischen Gebieten durch soziale Selektion verursacht wird. Als Gründe für die in diesem Rahmen angenommene Wanderungsbewegung in Richtung Stadt werden „Push“-Faktoren wie Arbeitslosigkeit und Armut in den ländlichen Gebie- ten genannt, welche zusammen mit „Pull“-Faktoren wie günstigem Wohnraum und einem quantitativ höheren Angebot von Gesundheitseinrichtungen in den Städten wirken (DeVerteuil et al. 2007). Vor allem das Thema der besseren medizinischen Versorgung in Großstädten wurde in verschiedenen Studien immer wieder aufgegriffen. Eine Studie, an der die Arbeitsgruppe psychiatrische Versor- gungsforschung der Universität Ulm teilnahm, zeigte u.a., dass im Vergleich von zwei städtischen und zwei ländlichen Gebieten (jeweils eines im Osten und eines im Westen Deutschlands) die Versorgungsdichte in den zwei städtischen Gebieten höher war als in den ländlichen (Ungewitter et al. 2010). Dies zeigte auch der Be- richt „Psychiatrie in Deutschland“ der Arbeitsgruppe Psychiatrie der Obersten Landesgesundheitsbehörden (Arbeitsgruppe Psychiatrie der Obersten Landes- gesundheitsbehörden 2007, S.22-24). Die Ballung von Versorgungseinrichtungen in städtischen Gebieten führt zu zwei Phänomenen, die eine höhere Anzahl von psychisch erkrankten Personen erklären könnten: erkrankte Personen tendieren dazu, in die Nähe medizinischer Versorgungseinrichtungen zu ziehen. Gleichzeitig wurde allerdings auch beobachtet, dass gerade größere Kliniken die Nachfrage

nach einer Behandlung und die daraus resultierenden Einweisungsraten erhöhen (Dembling et al. 2002; Curtis 2007; Fortney et al. 2007; Peterson et al. 2009).

Dies allein kann den Stadt-Land-Unterschied aber nicht vollkommen erklären. Spauwen et al. untersuchten anhand einer Studie an Heranwachsenden, ob „Urba- nität“ an sich schon ein Risikofaktor für psychotische Erfahrungen sein kann. Die Daten zeigten, dass mehr Personen aus dem urbanen Bereich Münchens über zumindest ein psychotisches Erlebnis berichteten (18,5%) als Personen aus dem ländlichen Umland (14,6%) (Spauwen et al. 2004; Spauwen et al. 2006). Auch die ODIN-Studie, die einen Vergleich zwischen ländlichen und städtischen Gebieten in Großbritannien, Irland und Finnland vornahm, wies niedrigere Prävalenzen von depressiven Erkrankungen in den ländlichen Gebieten als in urbanen Gebieten nach. Allerdings scheinen die Ergebnisse von den Definitionen von „urban“ und „ländlich“ beeinflusst zu sein. Sie zeigen möglicherweise eher den Zusammenhang mit sozio-ökonomischen als mit geographischen Faktoren an (Ayuso-Mateos et al. 2001). Eine weitere, ebenfalls in Deutschland durchgeführte Studie zeigte den gleichen Zusammenhang zwischen hohem Grad an Urbanität und der Prävalenz psychiatrischer Störungen. Die Autoren sahen die Gründe in Stressoren des Um- feldes, schlossen aber eine soziale Selektion nicht aus (Dekker et al. 2008). Auch Paykel et al. (2003) führten die höhere Prävalenz von psychischen Erkrankungen in urbanen Gebieten auf die ungünstigeren Lebensbedingungen und größeren Stress zurück. Sobald soziale Verschiedenheiten berücksichtigt wurden, ging die Differenz in der Häufigkeit der Erkrankungen zwischen urbanen und ländlichen Gegenden zurück. Die Autoren schlussfolgerten daraus, dass vor allem soziale Faktoren von Bedeutung seien (Paykel et al. 2003).

Einen weiteren Erklärungsansatz sahen einige Autoren darin, dass in städtischen Bereichen für psychische Erkrankungen anfällige Personen stärkere Benachteili- gungen sowie größere soziale Isolation erfahren und dies nicht durch ihr soziales Umfeld kompensieren können. Somit könnte der Unterschied zwischen ländlichen und städtischen Gebieten darauf zurückzuführen sein, dass zwar die gleichen Ri- sikofaktoren wirken, diese aber im städtischen Raum verstärkt auftreten und/ oder dass es im ländlichen Raum Schutzfaktoren gibt, die positiv auf das psychi-

sche Wohlergehen wirken. Thornicroft et al. (1993) unternahmen den Versuch eines systematischen Vergleichs der Wirksamkeit sozio-ökonomischer Einfluss- faktoren auf das Risiko psychischer Erkrankungen zwischen großstädtischen und ländlichen Lebensräumen. In ihrer Studie versuchten sie, eventuelle Einflüsse sozio-ökonomischer Merkmale auf die Inanspruchnahme von Behandlungseinrich- tungen zu identifizieren. Obwohl die Verteilung der gefundenen sozio- ökonomischen Merkmale in beiden Regionen ähnlich war, waren im großstädti- schen Bereich sowohl soziale Deprivation (gemessen anhand der Arbeitslosenra- te) als auch Indikatoren sozialer Isolation (Anteil allein lebender Menschen, Anteil unverheirateter Menschen) verbunden mit einer Zunahme der Inanspruchnahme psychiatrischer Behandlung, wohingegen in der ländlichen Region diese Merkma- le keinen Einfluss auf die Inanspruchnahme hatten. Eine mögliche Erklärung sahen die Autoren also darin, dass in ländlichen Gebieten negative Effekte sozialer Deprivation und Isolation eher durch engere familiäre Bindungen und nachbar- schaftliche Unterstützungssysteme abgemildert werden. Eine ähnliche Studie führten Riva et al. (2011) in England durch. Hauptaugenmerk lag hier auf sozialen Ressourcen und Arbeit. Die Studie zeigte, dass im ländlichen Gebiet über deutlich weniger psychische Probleme berichtet wurde als im städtischen, selbst nach der Kontrolle von individuellen Charakteristika. Der Zusammenhang zwischen sozialem Support, Erwerbstätigkeit oder Einkommen und Prävalenz von psychischen Störungen wurde sowohl im ländlichen, als auch im städtischen Gebiet nachgewiesen. Eine Erwerbstätigkeit erwies sich sowohl im ländlichen Gebiet als auch in den am stärksten sozial benachteiligten Gebieten als Schutzfaktor. Eine mögliche Erklärung sahen die Autoren darin, dass in ländlichen Gebieten, wo das Angebot von Arbeitsplätzen gering ist und es wenige Arbeitsstellen für höher qualifizierte Personen gibt, diejenigen mit einer Arbeitsstelle einen positiven Effekt für ihre psychische Gesundheit aus dem Vergleich zu Arbeitslosen ziehen. Eine andere Er- klärung könnte sein, dass es für Personen mit psychischen Problemen in solchen Gebieten wahrscheinlicher ist, arbeitslos zu werden. Allardyce et al. (2005) untersuchten je ein städtisches und ein ländliches Gebiet, wobei sie die Gebiete zusätz- lich danach kategorisierten, wie stark das Gebiet sozial fragmentiert und wie stark die Deprivation war. Das Ergebnis zeigte, dass in den Gebieten mit der stärksten

sozialen Fragmentierung die höchsten Ersteinweisungsraten bei psychischen Er- krankungen vorkamen, und zwar unabhängig von ihrer Lage im städtischen oder ländlichen Gebiet und unabhängig vom Deprivationsgrad. So zeigte sich auch hier, dass die Wirkungsmechanismen sich nicht einfach durch die Unterscheidung von städtisch und ländlich erklären lassen, sondern dass Einweisungsraten oftmals auch durch Drittvariablen beeinflusst werden. Eine finnische Studie aus dem Jahr 2008 zeigte wiederum, dass das Risiko, an einer psychischen Erkrankung zu erkranken, für diejenigen, die in urbanen Gebieten geboren wurden, niedriger war. Allerdings deuteten die Autoren darauf hin, dass die wesentlich schlechteren Le- bensbedingungen (u.a. hohe Kindersterblichkeit und hohe Arbeitslosigkeit) in den ländlichen Gebieten die ausschlaggebenden Faktoren hinter den Ergebnissen zu sein schienen (Perälä et al. 2008).

All diese Erkenntnisse deuten darauf hin, dass im ländlichen Bereich zwar die gleichen Risikofaktoren vorhanden sind, diese aber durch weitere Faktoren im Lebensumfeld beeinflusst werden. Der Autorin sind keine europäischen Studien bekannt, die sich ausschließlich im ländlichen Raum mit den Wirkungsmechanis- men oder den Auswirkungen von Risikofaktoren beschäftigen, welche in städti- schen Gebieten gefunden wurden. Die meisten Studien streben einen Vergleich mit einem urbanen Raum an, um Unterschiede zwischen den Gebieten auf der Ebene von Prävalenzen, Einweisungs- oder Aufnahmeraten oder relativem Risiko zu untersuchen, mögliche Risikofaktoren im städtischen Raum zu identifizieren oder die Auswirkungen von sozio-ökonomischen Faktoren im Vergleich städti- scher Lebensraum versus ländlicher Lebensraum zu durchleuchten.

1.6 Schizophrenie und affektive Störungen Betrachtet man die Vielzahl der Studien, so erkennt man auch, dass man die For- schungsergebnisse nach Diagnosegruppen differenzieren kann; Schwerpunkte liegen bei „Schizophrenie“ und „affektive Störungen“. In Kapitel 1.3 wurde bereits auf die Vermutung eingegangen, dass die Theorie der „sozialen Selektion“ eher bei an Schizophrenie erkrankten Personen zum Tragen kommt, wohingegen bei affek-

tiven Störungen eher von der „sozialen Verursachung“ ausgegangen werden kann (Dohrenwend et al. 1992).

Im Überblick über die bisher durchgeführten Studien erkennt man auch, dass es einen Schwerpunkt im Themengebiet „Urbanität und Schizophrenie“ gibt. Viele dieser Studien beschäftigen sich ausschließlich mit der Fragestellung, inwieweit der oftmals nicht näher beschriebene Faktor „Urbanität“ sich auf die Entstehung und den Verlauf von Schizophrenieerkrankungen auswirkt, wobei ein Großteil der Studien einen negativen Einfluss dokumentiert (Marcelis et al. 1999; van Os et al. 2003; van Os et al. 2004; Krabbendam & van Os 2005; McGrath & Scott 2006; Kel- ly et al. 2010).

Kelly et al. (2010) führten sowohl eine Studie als auch eine Literaturrecherche zum Thema Schizophrenie bzw. affektive Störung und Stadt-Land-Unterschiede durch. Der Zusammenhang zwischen Schizophrenie und Urbanität wurde sowohl im Literaturreview als auch in der Studie bestätigt. So zeigte die Studie eine höhe- re Inzidenz in städtischen Gebieten und die Literaturrecherche eine höhere Präva- lenz. Bei affektiven Störungen ergab sich in der Literatur kein einheitliches Bild, die durchgeführte Studie deutete auf eine höhere Inzidenz im ländlichen Studien- gebiet hin (Kelly et al. 2010).

Der Fokus auf diese beiden Diagnosegruppen wurde für die vorliegende Arbeit übernommen.

1.7 Fragestellungen Da der Großteil der bisher durchgeführten Studien im urbanen Raum stattfand und es somit einen gewissen Mangel an Studien im ländlichen Raum gibt, sollen in der vorliegenden Arbeit die unten dargestellten Fragestellungen überprüft werden, die sich aus den folgenden vorhandenen Erkenntnissen ableiten lassen: vo- rausgegangene Studien deuten auf das Vorhandensein bestimmter Risikofaktoren in städtischen Gebieten hin, hierunter fallen ökonomische Faktoren (wie Ein- kommen oder Arbeitslosigkeit) oder lebensumfeldgebundene Faktoren (wie Be- völkerungsdichte oder Landnutzungstypen). Zusätzlich waren in vielen vorherge-

henden Studien beim Zusammenhang zwischen Aufnahmezahlen und Risikofakto- ren Unterschiede zwischen verschiedenen Diagnosegruppen zu erkennen.

Fragestellung 1:

Können Zusammenhänge zwischen aus städtischen Räumen bekannten Risikofak- toren und Aufnahmezahlen in einem ländlichen Studiengebiet gefunden werden?

Fragestellung 2:

Inwieweit unterscheiden sich Zusammenhänge im ländlichen Studiengebiet von den bisher gefundenen Zusammenhängen aus Städten?

Fragestellung 3:

Sind Unterschiede bei den Aufnahmezahlen der in die Studie einbezogenen Diag- nosegruppen (Schizophrenie und affektive Störungen) zu finden?

2 Material und Methoden

2.1 Studiendesign Die vorliegende Studie ist eine ökologische Studie auf Aggregatsebene, präziser gesagt eine ätiologische multiple-group Studie. Bei dieser Art von Studien werden z.B. die Zusammenhänge zwischen einer Exposition (einem Risikofaktor) und der Erkrankungsrate auf der Gruppenebene und nicht auf der Individualebene analysiert. Eine typische Gruppeneinheit ist hierbei eine geopolitische Region (z.B. Ge- meinden oder Landkreise) (Rothman et al. 2008, S. 515). Dieser Ansatz bringt die Vorteile mit sich, dass viele der benötigten Daten auf Gruppenebene routinemäßig jährlich erhoben werden (z.B. die Gemeindedaten) und dass seltene Risikofakto- ren sowie seltene Erkrankungen untersucht werden können, da die über die Stu- dieneinheit (Gemeinde) einbezogene Anzahl von Personen sehr groß ist. Dadurch ist diese Art von Studien zeit- und kostengünstig. Zudem prüft die vorliegende Arbeit Zusammenhänge auf der Gruppenebene, weil einige der in der Literaturre- cherche gefundenen Risikofaktoren reine Gruppenmerkmale sind (z.B. Bevölke- rungsdichte, vgl. Abschnitt 2.5) (Rothman et al. 2008, S. 513f.). Ein weiterer Grund für die Wahl dieser Studienart war auch, dass viele der bisher durchgeführten Studien sich auf die Gruppenebene beziehen und somit eine gute Vergleichbarkeit mit vorangegangenen Ergebnissen zu erwarten ist. So werden, wie in der Einlei- tung beschrieben, oft Bevölkerungsgruppen miteinander verglichen (Stadt- versus Landbevölkerung) oder es werden die Zusammenhänge zwischen Risikofaktoren und Prävalenzen auf Stadtteilebene, Gemeindeebene oder innerhalb einer Ge- meinschaft untersucht.

Als Studieneinheit wurden alle Gemeinden im Einzugsgebiet des Bezirkskranken- hauses Günzburg (Klinik für Psychiatrie und Psychotherapie II der Universität Ulm am Bezirkskrankenhaus (BKH) Günzburg) untersucht. Für die Gemeinden wurden verschiedene aggregierte Daten gesammelt, wie z.B. die Aufnahmezahlen von Patienten mit den Erstdiagnosen Schizophrenie und affektive Störungen pro Gemeinde, die Arbeitslosenrate oder die Bevölkerungsdichte. Durch diese Studi- enanordnung konnte überprüft werden, ob es einen Zusammenhang zwischen

bestimmten Faktoren auf der Gemeindeebene und den Aufnahmezahlen aus den Jahren 2006 bis 2009 gab.

2.2 Gemeindedaten Im Einzugsgebiet der Klinik in Günzburg liegen insgesamt 194 Gemeinden. Von der Studie ausgeschlossen wurden die neun vorhandenen gemeindefreien Gebie- te, da in diesen Gebieten keine Einwohner leben.

Die Gemeinde als Untersuchungsebene ergab sich aus folgenden Überlegungen: Eine Gemeinschaft mit ihren sozialen Netzwerken ist räumlich schwer zu definie- ren, da es unmöglich ist, gleichzeitig die sozialen Kontakte in der direkten Wohn- umgebung und die oftmals geographisch sehr weit verteilten sozialen Netzwerke außerhalb der direkten Wohnumgebung zu erfassen. Allerdings sind alltägliche Interaktionen häufig auf einen bestimmten geographischen Raum beschränkt. Das Problem der räumlichen Abgrenzung von Gemeinschaften ist derzeit leider noch nicht abschließend und zufriedenstellend gelöst (Fortney et al. 2007). Um allerdings eine Studie über den Zusammenhang zwischen Umweltbedingungen und psychischer Erkrankung auf Gruppenebene durchführen zu können, muss man Gemeinschaften geographisch voneinander abgrenzen. Die Gemeinde wurde ge- wählt, da sie die unterste Ebene ist, auf der kontinuierlich unterschiedliche geographische, soziale und ökonomische Daten durch die Landesämter für Statistik und Datenverarbeitung (im vorliegendem Fall durch das Bayerische Landesamt für Statistik und Datenverarbeitung) und durch die Bundesagentur für Arbeit gesammelt werden. Eine größere Einheit wie z.B. die Landkreise würde auf der einen Seite nicht mehr mit der Realität der Versorgungsräume der Kliniken über- einstimmen und auf der anderen Seite für soziale Interaktionen eine zu große Einheit bilden. Kleinere Einheiten hingegen, wie z.B. Ortschaften, die zwar vielleicht ein besseres Abbild von sozialen Gemeinschaften darstellen, bieten keine durchgehenden und einheitlichen Daten. Zudem könnte es sein, dass auf dieser Ebene zu oft Orte ohne Aufnahmen vorkommen, was eine aussagekräftige Analyse der Daten erschweren würde. Durch die Wahl der Gemeinde als Studieneinheit ist

es zudem möglich, die Ergebnisse mit anderen Studien aus diesem Bereich zu vergleichen.

Das Studiengebiet wurde aufgrund seiner überwiegend ländlichen Ausprägung gewählt. Hinterfragt werden muss jedoch die Definition von „ländlich“: Schon in der Einleitung wurde darauf hingewiesen, dass eine Definition über die Bevölke- rungsdichte oder die Einwohnerzahlen einige Nachteile birgt (Abschnitt 1.5). Auch in dieser Studie erwies sich diese Definition als unzureichend, da sie die Rea- lität in den Gemeinden nicht wiedergibt. Obwohl in allen Gemeinden im Einzugs- gebiet die Einwohnerdichten im Vergleich mit denen in großen süddeutschen Bal- lungsräumen wie z.B. München oder Stuttgart eher gering sind und die untersuchten Gemeinden somit in die Kategorie „ländlich“ fallen würden unterscheiden sich die Gemeinden aufgrund von kulturellen, schulischen und sozialen Einrichtungen oder der Nähe zu diesen teilweise erheblich. Es erschien nicht sinnvoll, einfach eine willkürliche Grenze bei der Einwohnerdichte zu setzen.

Deshalb wurde auf die Gebietskategorisierung des 16. Raumordnungsberichts für Bayern zurückgegriffen, dessen Rechtsgrundlage das Raumordnungsgesetz ist. Hierin werden folgende Gebietskategorien definiert: „Als Verdichtungsräume werden die Gemeinden abgegrenzt, die bei Bevölkerungs- und Beschäftigtendichte den Landesdurchschnitt übertreffen und enge Pendlerverflechtungen zur Kern- stadt aufweisen“ (Bayerisches Staatsministerium für Wirtschaft, Infrastruktur, Verkehr und Technologie (StMWIVT) 2009, S.20) und „Als ländlicher Raum sind im LEP [Landesentwicklungsplan] die Gebiete außerhalb der Verdichtungsräume bestimmt“ (Bayerisches Staatsministerium für Wirtschaft, Infrastruktur, Verkehr und Technologie (StMWIVT) 2009, S. 20). Verdichtungsräume zeichnen sich laut des Raumordnungsberichts durch „ihre Funktionen als leistungsfähige Wirt- schaftsstandorte, als Zentren des Bildungs- und Sozialwesens sowie der Kultur und als Wohn- und Gewerbestandorte“ (Bayerisches Staatsministerium für Wirt- schaft, Infrastruktur, Verkehr und Technologie (StMWIVT) 2009, S.20) aus. Im Studiengebiet liegende Verdichtungsräume sind Ulm/Neu-Ulm und Augsburg. Ei- ne genauere geographische Abgrenzung der Verdichtungsräume bieten die Regio- nalpläne des Regionalverbandes Donau-Iller und des Regionalen Planungsver-

bandes Augsburg. Im Bereich Ulm/Neu-Ulm wurden die Gemeinden aus der Stu- die ausgeschlossen, die laut der aktualisierten, aber noch nicht verbindlichen Kar- te 1 „Raumstruktur – Entwicklungsachsen und zentrale Orte“ aus dem „Regional- plan (1987) des Regionalverbandes Donau-Iller“, innerhalb des Bereiches „Ver- dichtungsraum Ulm/Neu Ulm“ liegen; hierunter fallen: Neu-Ulm, Elchingen, Nersingen, Senden, Bellenberg und Vöhringen (Regionalverband Donau-Iller 1987, Karte 1 Raumstruktur; siehe Anhang). Auch im Bereich Augsburg wurden die Gemeinden aus der Studie ausgeschlossen, die laut des Textteiles im „Regio- nalplan der Region Augsburg“ als „Siedlungsschwerpunkte“ definiert wurden und sich in der Karte 1 „Raumstruktur" innerhalb des Bereiches „Stadt- und Umland- bereich im großen Verdichtungsraum“ befinden und/oder in welchen „Siedlungs- schwerpunkte im großen Verdichtungsraum“ und die im Einzugsbereich der Kli- nik in Günzburg liegen; hierunter fallen: Aystetten, Bobingen, Diedorf, Langweid am Lech und Königsbrunn (Regionaler Planungsverband Augsburg 2007, Karte Raumstruktur 1 u. S. 5; siehe Anhang).

Somit wurden insgesamt 174 Gemeinden mit 587.193 Einwohnern (Stand 2009) in die Studie einbezogen (Komplette Liste der Gemeinden siehe Anhang).

Abbildung 1: Studiengebiet: Einzugsgebiet BKH Günzburg exklusive Einzugsgebiet Augsburg und Gemeinden in den Verdichtungsräumen Neu-Ulm und Augsburg (Rechts oben: Lage des Studien- gebietes in Bayern); Quelle: eigene Darstellung; Kartengrundlage: © Landesamt für Vermessung und Geoinformation Bayern

Für die einbezogenen 174 Gemeinden wurden für das jeweilige Jahr (2006-2009) aus den Gemeindedaten des Bayerischen Landesamtes für Statistik und Datenver- arbeitung und aus den Daten der Bundesagentur für Arbeit geographische, soziale und ökonomische Informationen entnommen (Bayerisches Landesamt für Statis- tik und Datenverarbeitung 2006-2009; Bundesagentur für Arbeit – Statistik 2010). Fokussiert wurde hierbei auf Daten zu den Themenbereichen Bevölkerung, Finanzen und Landnutzung. Die Bereiche Bildung und Familienstand sowie genauere Informationen zur Beschäftigung konnten leider nicht in die Studie mit aufgenommen werden, da in diesen Bereichen entweder auf der Gemeindeebene keine Daten zur Verfügung standen oder die Kontinuität der Daten z.T. aufgrund

von Gesetzesänderungen (z.B. im Bereich der Sozialversicherung) nicht gegeben war.

2.3 Aufnahmedaten Für die vorliegende Arbeit wurden stationäre Aufnahmedaten der Klinik für Psy- chiatrie und Psychotherapie II der Universität Ulm am Bezirkskrankenhaus Günz- burg und der dazugehörigen Abteilung für Psychiatrie und Psychotherapie an der Donau-Ries Klinik in Donauwörth ausgewertet. Die Klinik für Psychiatrie und Psy- chotherapie II in Günzburg verfügte im Jahr 2008 über 323 vollstationäre Behand- lungsbetten und die Abteilung für Psychiatrie und Psychotherapie an der Donau- Ries Klinik in Donauwörth führte 18 vollstationäre Behandlungsbetten (Universi- tätsklinikum Ulm 2008, S. 324). Zusammen erfüllen sie den Versorgungsauftrag für die Landkreise Günzburg, Neu-Ulm, Dillingen und Donau-Ries, sowie für Teile der Landkreise Augsburg-Land und Aichach-Friedberg (Bezirkskliniken Schwa- ben/ Bezirkskrankenhaus Günzburg 2010, S. 6). Patienten eines Einzugsgebietes werden in der Regel in einer bestimmten Klinik behandelt, somit sollte der Groß- teil der klinisch versorgten Patienten aus der Studienregion in der Studie erfasst sein. Dennoch kommt es vor, dass ein Teil der Patienten in einer anderen Klinik behandelt wird. Gerade in Gebieten, die zwar faktisch zum Einzugsgebiet der Kli- nik in Günzburg gehören, die aber räumlich näher an einer anderen Klinik liegen, kann es vorkommen, dass Patienten in die räumlich nähere Klinik abwandern. Um eine Vorstellung davon zu bekommen, wie groß dieser Anteil ist, wurden Daten aus dem Bezirkskrankenhaus Augsburg (Klinik für Psychiatrie, Psychotherapie und Psychosomatik) herangezogen. Die Klinik in Augsburg hatte im Jahr 2009 insgesamt 260 vollstationäre Betten für die Allgemeinpsychiatrie, Psychotherapie und Psychosomatik und den Suchtbereich Alkohol und Drogen, und versorgt die Stadt Augsburg und Teile des Landkreises Augsburg (Bayerisches Staatsministe- rium für Umwelt und Gesundheit 2010, S. 77).

Die Kliniken in Günzburg und Augsburg verwenden das gleiche Basisdokumenta- tionssystem (BADO), wodurch eine Vergleichbarkeit der Daten gegeben ist. Pati- entendaten werden routinemäßig bei Aufnahme und Entlassung in bzw. aus der

Klinik mit Hilfe der BADO erhoben. Hierbei werden Angaben zu z.B. Adresse, Fa- milienstand, Diagnose, Medikation oder Allgemeinzustand des Patienten erhoben.

Nachfolgende Tabelle gibt eine Übersicht über die stationären Aufnahmen der Studienjahre 2006-2009 für beide Kliniken, gegliedert nach stationären Aufnah- men insgesamt und den Erstdiagnosen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30- F39) (Definition der Diagnosen siehe: Deutsches Institut für Medizinische Doku- mentation und Information (DIMDI) 2011).

Tabelle 1: Darstellung der stationären Aufnahmen der einzelnen Jahre insgesamt und nach Erstdiagno- se „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störun- gen“ (ICD-10-GM F30-F39)

Häufigkeit aller stationä- Häufigkeit aller stationären Häufigkeit aller stationären ren Aufnahmen aller Aufnahmen aus der Diagnose- Aufnahmen aus der Diagno- Diagnosen insgesamt pro gruppe „Schizophrenie, schizo- segruppe „affektive Störung- Jahr: type und wahnhafte Störungen“ en“ (ICD-10-GM F30-F39) (ICD-10-GM F20-F29) pro Jahr: pro Jahr:

Günzburg Augsburg Günzburg Augsburg Günzburg Augsburg

2006 3.741 4.296 778 714 1.011 801

2007 3.907 4.345 807 612 992 986

2008 4.261 4.297 766 676 1.071 901

2009 4.532 4.434 846 607 1.214 993

Insgesamt 16.441 17.372 3.197 2.609 4.288 3.681

Ausgehend von den gesamten Aufnahmedaten der Jahre 2006 bis 2009 wurden die in die Studie aufgenommenen Aufnahmen folgendermaßen gefiltert: Zuerst wurde anhand der Diagnosen sortiert, so dass nur noch Fälle mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) oder „affektive Störungen“ (ICD-10-GM F30-F39) im Datenpool verblieben. Aufnahme- daten von Patienten, deren Wohnort nicht im Einzugsgebiet der Günzburger Kli- nik lag oder bei denen der Wohnort unklar oder nicht angegeben war, wurden aus dem Datensatz ausgeschlossen. Aufnahmedaten aus der Klinik in Augsburg wurden nur aufgenommen, falls der Wohnort des Patienten im Einzugsgebiet des BKH Günzburg lag. Ausgehend von der verwendeten Definition von „ländlich“ auf Basis

der Regionalpläne wurden auch Aufnahmen von Patienten mit einer Wohnortsan- gabe in den Verdichtungsräumen Neu-Ulm und Augsburg aus dem Datensatz her- ausgenommen. Zuletzt wurden alle Mehrfachaufnahmen entfernt, so dass jeweils nur die erste stationäre Aufnahme pro Patient pro Jahr im Datenpool verblieb. Die Gesamtanzahl der in die Studie eingeschlossenen stationären Aufnahmen beträgt somit 4.198 (siehe Tabelle 2).

Tabelle 2: Übersicht über die einzelnen Jahre und die in die Studie aufgenommenen Aufnahmen aus den Klinken Günzburg bzw. Augsburg.

Schizophrenie, schizo- Affektive Störungen Beide Diagnose- type und wahnhafte (ICD-10 -GM F30- gruppen zusammen Störungen (ICD-10-GM F39) F20-F29)

Günzburg 2006 368 604 972

Augsburg 2006 9 17 26

Günzburg 2007 373 557 930

Augsburg 2007 2 12 14

Günzburg 2008 361 620 981

Augsburg 2008 2 11 13

Günzburg 2009 469 774 1243

Augsburg 2009 2 17 19

Gesamtzahl der einbezogenen 1.586 2.612 4.198 Aufnahmen

Der entstandene Datenpool wurde in einem letzten Arbeitsschritt von den Einzel- daten der Aufnahmen auf die Anzahl der stationären Aufnahmen pro Gemeinde reduziert und mit den Gemeindedaten verknüpft.

Alle stationären Aufnahmen aus den Jahren Alle Gemeinden im Einzugsgebiet der 2006 bis 2009 der psychiatrischen Kliniken Kliniken Günzburg und Augsburg Günzburg und Augsburg Summe Gemeinden insgesamt: 203 Summe: 33.813

Nur Daten stationärer Aufnahmen mit den Gemeindefreie Gebiete (ohne Einwoh- Erstdiagnosen „Schizophrenie, schizotype ner) werden aus dem Datensatz her- und wahnhafte Störungen“ (ICD-10 F20- ausgenommen F29) oder „affektive Störungen“ (ICD-10 F30-F39) verbleiben im Datenpool Verbleibende Gemeinden: 193 (2006-2009)

Summe: 13.775

Filterung des Datenpools nach den folgen- Nur Gemeinden im Einzugsgebiet den Merkmalen: Günzburg Personen mit einem Wohnort im Einzugs- Verbleibende Gemeinden: 185 gebiet Günzburg

Nur eine Aufnahme pro Person pro Jahr Nur Gemeinden, die laut den Regio- nalplänen als „ländlicher Raum“ ge- Nur Aufnahmedaten mit diesen Merkmalen kennzeichnet sind verbleiben im Datenpool. Verbleibende Gemeinden: 174 Summe: 4.198

Reduktion der Daten auf stationäre Auf- Reduktion der vorhandenen gemein- nahmen pro Gemeinde im Einzugsgebiet debezogenen Daten auf die für die der Klinik in Günzburg Studie relevanten Themengebiete bzw. Berechnung fehlender Variablen

Datengrundlage für die Berechnung

Abbildung 2: Graphische Darstellung der Filterung der Aufnahmedaten und der Auswahl der Gemein- den

2.4 Deskriptive Auswertungen der Daten Um einen ersten Eindruck von möglichen Zusammenhängen zwischen ausgesuch- ten Variablen und den Aufnahmezahlen bezogen auf die Erwachsenenbevölkerung (s.u.) zu bekommen, wurden nachfolgende deskriptive Auswertungen durchge- führt:

1. Histogramme wurden mit STATA 12 erstellt (StataCorp LP 2011), um zu- sätzlich zu dem Pearsonschen Chi-Quadrat-Test (siehe Kapitel 2.5) das pas- sende Regressionsmodell zu ermitteln.

2. Um die Verteilung der Aufnahmen und verschiedene Variablen visuell dar- zustellen, wurden Karten vom Studiengebiet erstellt. Sie wurden von der Autorin mit GeoMedia Professional, Version 06.01.02.05, auf der Karten- grundlage des Landesamts für Vermessung und Geoinformation erstellt (Intergraph Corporation 2007; Landesamt für Vermessung und Geoinfor- mation 2009).

3. Um die Streuung der Aufnahmezahlen der Erstdiagnosen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30-F39) zu untersuchen, wurde mit SPSS Statistics 19 (IBM Company 2010) ein Boxplot erstellt.

Die auf die Erwachsenenbevölkerung bezogenen Aufnahmezahlen wurden wie folgt berechnet: Die Anzahl der Aufnahmen aus den Kliniken wurde durch die An- zahl der Erwachsenen (d.h. ab 18 Jahren) dividiert, wobei beide Zahlen jeweils gemeindebezogen ermittelt wurden.

2.5 Statistische Auswertungen Bei den vorliegenden stationären Aufnahmedaten handelt es sich um seltene Er- gebnisse, deren Werte diskret und im Bereich >= 0 liegen. Die stationären Auf- nahmen fanden in einer bestimmten Population (den untersuchten Gemeinden) während eines bestimmten Zeitraumes (Studienzeitraum 2006-2009) statt; somit sind sie sowohl orts- als auch zeitabhängig (Rothman & Grennland 1998, S. 570; Fleiss et al. 2003, S. 340).

Um die Beziehung zwischen den Aufnahmezahlen und den verschiedenen Ge- meindecharakteristika, also einer abhängigen und verschiedenen unabhängigen Variablen (siehe Tabelle 3), zu untersuchen, eignen sich multivariate Regressi- onsmodelle. Lineare Regressionsmodelle setzen allerdings eine Normalverteilung sowie ein metrisches Skalenniveau der abhängigen Variablen voraus und sind 26

deshalb für die Analyse seltener, diskret verteilter und nullzensierter Merkmale nicht geeignet.

Tabelle 3: Übersicht über die in das Modell eingeflossenen Variablen und deren Definition. Quelle der Definitionen (falls als wörtliches Zitat gekennzeichnet): (Bayerisches Landesamt für Statis- tik und Datenverarbeitung 2009, Datenblatt: Erläuterungen)

Abhängige Variable Definition

„Schizophrenie, schizotype Je nach Modell stationäre Aufnah- und wahnhafte Störungen“ men pro Gemeinde mit den ge- (ICD-10-GM F20-F29) und nannten Diagnosegruppen zusam- „affektive Störungen“ (ICD- mengenommen oder stationäre 10-GM F30-F39) Aufnahmen pro Gemeinde nach den zwei Diagnosegruppen getrennt

Unabhängige Variable Definition Grund für die Verwendung im Modell

Messzeitpunkt Jahre 2006 bis 2009

Bevölkerungszu- bzw. Bevölkerungszahl des jeweiligen Diese Variable ist ein Indikator für -abnahme in Prozent Jahres (2006-2009) im Vergleich die Bevölkerungsentwicklung der gegenüber 1987 mit der Bevölkerungszahl der einzelnen Gemeinden, welche Hin- Volkszählung 1987 und hieraus weise auf die Prosperität einer abgeleitet die Abnahme bzw. die Gemeinde geben kann. Zunahme der Bevölkerung in Pro- zent.

Migrationsindex Errechnete Variable: Absolutwert Auf der Stadtteilebene wurde ein der Migrationsbilanz aller Perso- Zusammenhang zwischen der Fluk- nen (unabhängig von der Nationali- tuation der Bewohner durch Fort- tät), welche während eines Jahres und Hinzüge und dem Auftreten in eine Gemeinde ziehen bzw. aus von Schizophrenie, Depressionen der Gemeinde wegziehen. und Suchterkrankungen gefunden (Silver et al. 2002).

Einwohner je km² „Einwohner eines bestimmten Urbanität wird oft anhand der Gebietes bezogen auf die Fläche Einwohnerdichte definiert (siehe dieses Gebiets in km² zum Gebiets- Kapitel 1.5 und 2.2), darüber hin- stand […] 31. Dezember [des jewei- aus zeigte sich ein Zusammenhang ligen Jahres] (Sp. 19).“ zwischen hoher Bevölkerungsdich- te und psychischer Erkrankung (van Os et al. 2003; Sundquist et al. 2004; Krabbendam & van Os 2005).

Pendlersaldo „Der Pendlersaldo errechnet sich Der Pendlersaldo zeigt an, ob die aus den Beschäftigten am Arbeits- Gemeinde im Vergleich mit ande- ort abzüglich der Beschäftigten am ren ihren Einwohnern die Möglich- Wohnort. Eine positive Differenz keit einer Arbeitsstelle vor Ort zeigt einen Einpendler-, eine nega- bietet und ob die Gemeinde attrak- tive Differenz einen Auspendler- tive Wohnbedingungen bietet. überschuss an.“

Gesamtbetrag der Einkünf- „Der Gesamtbetrag der Einkünfte Dass Einkommen und Einkom- te je Steuerpflichtigem ergibt sich als Saldo der positiven mensungleichheit in Zusammen- und negativen Einkünfte der ge- hang mit psychischer Erkrankung setzlich unterschiedenen sieben stehen, zeigte sich in vorangegan- Einkunftsarten unter Berücksichti- genen Studien (Sundquist & Ahlen gung bestimmter Hinzurechnungs- 2006; Cifuentes et al. 2008). und Abzugsposten.“ Die Studie von Fritsch et al. (2012a; 2012b) zeigte, dass in Deutschland der Anteil der Geringverdiener bei den abhängig Beschäftigten um 34% höher liegt als bei Selbständi- gen und gleichzeitig fast 37% der Selbständigen mehr als 2.300€ im Monat verdienen (verglichen mit nur 17% der abhängig Beschäftig- ten). Die Studie von Brenke (2011) zeig- Einkommensungleichheit Errechnete Variable aus dem „Ge- te darüber hinaus, dass die Kluft samtbetrag der Einkünfte je Steu- zwischen sehr hohen und sehr erpflichtigem“ minus dem „Brutto- niedrigen Einkommen in Deutsch- lohn je Arbeitnehmer“ land in den letzten Jahren tiefer geworden ist. Dies lag vor allem daran, dass die Einkünfte aus selb- ständiger und Unternehmertätig- keit stark zugenommen haben, während dies bei den Lohnein- kommen nicht der Fall war. Zwar zeigt die verwendete Variable nicht die Gesamtdifferenz des Ein- kommens in einer Gemeinde, aber den Unterschied zwischen niedrigen und hohen Einkommen.

Arbeitslosenrate Errechnete Variable aus der „Ar- Arbeitslosigkeit zählt zu den be- beitslosenzahl“ (Bundesagentur für kannten Risikofaktoren für die Arbeit – Statistik 2010) geteilt Entstehung von psychischen Er- durch die „Erwerbsbevölkerung“ krankungen (Kilian & Becker 2006, (Personen zwischen 18 und 65 S. 452). Jahren.)

Anteil der Waldfläche Flächenanteil des Waldes an der Die Variablen „Anteil der Wald- Gesamtfläche der Gemeinde. bzw. Anteil der landwirtschaftli- „Zur Waldfläche gehören alle un- chen Flächen“ werden untersucht, bebauten Flächen, die mit Wald- da in Studien in städtischen Gebie- bäumen oder Sträuchern bestockt ten ein Zusammenhang zwischen sind. Hierzu gehören auch Auwäl- dem Vorhandensein von Grünflä- der, Gehölze, wieder aufzuforsten- chen und allgemeinem und/oder de Kahlschläge, Waldblößen, psychischem Wohlbefinden gefun- Pflanzgärten, Holzlagerplätze, den wurde (Maas et al. 2006; van Wildäsungsflächen und dgl.“ den Berg et al. 2010).

Anteil der landwirtschaftli- Anteil der landwirtschaftlichen chen Flächen Flächen an der Gesamtfläche der Gemeinde. „Zur Landwirtschaftsfläche gehö- ren alle Flächen, die dem Ackerbau, der Wiesen- und Weidewirtschaft, dem Gartenbau (einschl. Obstanla- gen und Baumschulen) oder dem Weinbau dienen. Zur Landwirt- schaftsfläche zählen auch Moor- und Heideflächen, Brachland sowie unbebaute landwirtschaftliche Betriebsflächen.“

Anteil der Straßenflächen Anteil der Straßenflächen in einer Auch der Zusammenhang zwischen Gemeinde an der Gesamtfläche der Straßen und durch sie verursach- Gemeinde. tem Lärm oder Luftverschmutzung „[…] Als „Straßen“ werden neben und einer psychischen Erkrankung der Fahrbahn auch zugehörige wurde in früheren Studien aufge- Flächen wie Trenn- und Seiten- zeigt (Pedersen et al. 2004). streifen, Brücken, Böschungen und Gräben, Rad- und Gehwege, Park- streifen und ähnliche Einrichtun- gen nachgewiesen. Als „Wege“ zählen auch Fahr- und Fußwege. Als „Plätze“ gelten vor allem Flä- chen, die überwiegend dem Ver- kehr oder zum Abhalten von Märk- ten dienen und allgemein als Platz bezeichnet werden, einschl. Markt-, Park- und Rastplätze.“

Distanz zum Krankenhaus Entfernung der untersuchten Ge- Die Distanz zum Krankenhaus in Günzburg meinde zum Krankenhaus in Günz- wurde in das Modell aufgenom- burg. men, um zu überprüfen, ob es ei- Gemessen mit google maps: Fahr- nen Zusammenhang zwischen dem route mit dem Auto von der Mitte Standort des Krankenhauses und der Gemeinde zum Krankenhaus in den Einweisungs- bzw. Aufnahme- Günzburg raten gibt (Randeffekte, Migrati- onsbewegungen von erkrankten Personen in die Nähe der Klinik, Krankenhaus- (Versorger-) indu- zierte Nachfrage) (siehe auch Kapi- tel 1.5) (Curtis 2007; Fortney et al. 2007).

Exposure: Erwachsenen- Bevölkerung der jeweiligen Ge- Diese Altersgruppe wurde gewählt, bevölkerung meinde im Alter über 18 Jahren. da das BKH Günzburg überwiegend Patienten in dieser Altersgruppe behandelt.

Ein geeignetes Modell für die theoretische Verteilung seltener, diskreter und nullzensierter Merkmale bildet die Poissonverteilung (Cameron & Trivedi 1998, S. 3- 5; Greene 2003, S. 740f). Das Poisson-Regressions-Modell hat allerdings eine ent- 29

scheidende Einschränkung: es setzt voraus, dass die Varianz und der Erwar- tungswert der Daten gleich sind (Greene 2003, S. 744). Bei den hier vorliegenden stationären Aufnahmen ergab der Pearsonsche Chi-Quadrat-Test (oder „goodness of fit“-Test; Stata-Modul „estat gof“ (StataCorp LP 2007a, S. 585)), dass bei den Daten der einzelnen Jahre die Varianz höher als der Erwartungswert war (man spricht dann von einer „Überdispersion“ (overdispersion) (Cameron & Trivedi 1998, S. 4)), also overdispersed sind (d.h. nicht Poisson-verteilt) und so das Pois- son-Regressions-Modell unpassend für die Studiendaten ist.

Ein besser geeigneter Ansatz für die Analyse überdisperser Daten ist das negativ- binomiale Regressionsmodell (Cameron & Trivedi 1998, S. 70f.; Greene 2003, S. 744). Dieses Modell stellt im Grunde eine Generalisierung des Poisson- Regressionsmodells dar, indem der Erwartungswert um einen „overdispersion- Parameter“ erweitert wird (dieser ergibt sich rechnerisch aus der Varianz dividiert durch den Erwartungswert); von diesem Parameter wird angenommen, dass er eine Gammaverteilung aufweist (Fleiss et al. 2003, S. 358f.; Greene 2003, S. 744f.).

Da in der vorliegenden Studie Aufnahmedaten aus vier Jahren ausgewertet wurden, wurde eine spezielle Form des negativ-binomialen Regressionsmodells verwendet, um dem Längsschnittcharakter der Untersuchung gerecht zu werden: ein sogenanntes „Random-Effects-Modell“. Diese Sonderform erlaubt eine Varianz des overdispersion-Parameters zwischen verschiedenen „Datengruppen“, d.h. in diesem Fall den Gemeinden (StataCorp LP 2007b, S. 318).

Die statistische Auswertung erfolgte mit STATA 12 (StataCorp LP 2011), mit dem Modul „xtnbreg“ für negativ-binomiale Regressions-Modelle mit dem geschätzten Koeffizienten und mit der Erweiterung „irr“, mit der die Koeffizienten als Raten der Eintrittswahrscheinlichkeiten (incidence-rate ratios IRR) dargestellt werden (d.h. exponierte Koeffizienten exp(b) statt Koeffizienten b). Dieses Modul ist für Längsschnitt-Daten geeignet, da es die Zeitvariable berücksichtigt (StataCorp LP 2007b, S. 318). Die Raten der Eintrittswahrscheinlichkeiten zeigen die proportio- nale Veränderung der abhängigen Variablen bei einer Veränderung der unabhän- gigen Variablen um eine (Variablen-)Einheit an.

Eine Beschreibung des Studiendesigns, der statistischen Methode und einiger Er- gebnisse finden sich auch bei Losert et al. (2012).

3 Ergebnisse

3.1 Deskriptive Auswertungen der Daten

3.1.1 Histogramme Die Abbildungen 3 bis 5 zeigen die Histogramme mit den Aufnahmezahlen der Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10- GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30-F39) gemeinsam und getrennt über die Jahre 2006 bis 2009 bezogen auf die Erwachsenenbevölkerung (Personen über 18 Jahren) der jeweiligen Gemeinden. Deutlich zu erkennen ist, dass die Daten eine rechtsschiefe und nullinflationäre und keine Normalverteilung aufweisen.

80 80 60 60 40 40 20 20 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden 0 0 0 0.005 0.01 0.015 0.02 0 0.002 0.004 0.006 0.008 0.01

Aufnahmenzahlen "Schizophrenie" und „affektive Störungen“ Aufnahmenzahlen „Schizophrenie" und „affektive Störunge bezogen auf die Erwachsenenbevölkerung- 2006 bezogen auf die Erwachsenenbevölkerung- 2007 80 80 60 60 40 40 20 20 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden 0 0 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden 0 0.005 0.01 0.015 0 0.002 0.004 0.006 0.008 0.01 Aufnahmenzahlen "Schizophrenie" und „affektive Störungen“ Aufnahmenzahlen "Schizophrenie" und „affektive Störunge bezogen auf die Erwachsenenbevölkerung- 2008 bezogen auf die Erwachsenenbevölkerung- 2009

Abbildung 3: Histogramm – Verteilung der Aufnahmezahlen der Diagnosegruppen „Schizophre- nie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD- 10-GM F30-F39) gemeinsam, bezogen auf die Erwachsenenbevölkerung über die Jahre 2006 bis 2009

0 0 10 10 0 0 8 8 0 0 6 6 0 0 4 4 0 0 2 2 entsprechenden Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl entsprechenden Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl 0 0 0 0.002 0.004 0.006 0 0.002 0.004 0.006 0.008 Aufnahmenzahlen "Schizophrenie" bezogen Aufnahmenzahlen "Schizophrenie" bezogen auf die Erwachsenenbevölkerung- 2006 auf die Erwachsenenbevölkerung- 2007 0 0 10 10 0 8 0 8 0 6 0 6 0 0 4 4 0 0 2 2 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden entsprechenden Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl 0 0 0 0.002 0.004 0.006 0.008 0 0.001 0.002 0.003 0.004 0.005 Aufnahmenzahlen "Schizophrenie" bezogen Aufnahmenzahlen „Schizophrenie" bezogen auf die Erwachsenenbevölkerung- 2008 auf die Erwachsenenbevölkerung- 2009

Abbildung 4: Histogramm – Verteilung der Aufnahmezahlen der Diagnosegruppe „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29), bezogen auf die Erwachsenenbe- völkerung über die Jahre 2006 bis 2009

0 0 8 8 0 0 6 6 0 0 4 4 0 0 2 2 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden 0 0 0 0.005 0.01 0 0.002 0.004 0.006 0.008 Aufnahmenzahlen „affektive Störungen“ bezogen Aufnahmenzahlen „affektive Störungen“ bezogen auf die Erwachsenenbevölkerung- 2006 auf die Erwachsenenbevölkerung- 2007 0 0 8 8 0 0 6 6 0 0 4 4 0 0 2 2 Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden Anzahl der Gemeinden mit der mit Gemeinden der Anzahl Aufnahmerate entsprechenden 0 0 0 0.002 0.004 0.006 0 0.002 0.004 0.006 0.008 0.01 Aufnahmenzahlen „affektive Störungen“ bezogen Aufnahmenzahlen „affektive Störungen“ bezogen auf die Erwachsenenbevölkerung- 2008 auf die Erwachsenenbevölkerung- 2009

Abbildung 5: Histogramm – Verteilung der Aufnahmezahlen der Diagnosegruppe „affektive Stö- rungen“ (ICD-10-GM F30-F39), bezogen auf die Erwachsenenbevölkerung über die Jahre 2006 bis 2009

3.1.2 Karten Die nachfolgenden Karten zeigen Analyseergebnisse zu ausgewählten Gemeinde- informationen. Die Abbildungen 6 bis 8 zeigen die räumliche Verteilung der Auf- nahmen pro Jahr immer bezogen auf die Erwachsenenbevölkerung über die Jahre 2006 bis 2009 für die Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30- F39) gemeinsam und getrennt je Gemeinde.

Die Abbildung 6 zeigt die räumliche Verteilung der kumulierten Aufnahmen bezogen auf die Erwachsenenbevölkerung für die Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Stö- rungen“ (ICD-10-GM F30-F39). Auffällig hierbei ist, dass die Gemeinden Günzburg (Aufnahmerate: 0,0077) und Donauwörth (Aufnahmerate: 0,005), in welchen sich je eine Klinik befindet, Aufnahmezahlen im oberen Drittel (Aufnahmeraten >0,005 bis 0,0127) aufweisen, wohingegen Gemeinden, die östlich und südlich des Einzugsgebietes der Klinik in Augsburg und des Verdichtungsraumes Augs- burg liegen, fast ausschließlich Aufnahmezahlen im unteren Drittel (Aufnahmera- te

Wie≥ zu0,002) erwarten aufweisen., zeigt Abbildung 7 aufgrund der allgemein niedrigen Aufnahme- zahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) eine eher gleichmäßige Verteilung über die Gemeinden, allerdings zählt die Gemeinde Günzburg auch hier zu den Gemeinden mit den höchsten Aufnah- meraten (>0,003 bis 0,004). Zudem sieht man, dass keine bzw. kaum Fälle in den Gemeinden östlich und südlich von Augsburg vorkommen.

In Abbildung 8, welche die räumliche Verteilung der Aufnahmezahlen von „affektiven Störungen“ (ICD-10-GM F30-F39) darstellt, zeigt sich ein ähnliches Bild, wie bei beiden Diagnosegruppen zusammen (Abbildungen 6): höhere Aufnahmeraten in Günzburg (0,0037) und Donauwörth (0,0032) und niedrige südlich und östlich von Augsburg.

Donauwörth

Günzburg

Augsburg

0 (9) > 0,004 bis 0,005 (9) Einzugsgebiet Augsburg Verdichtungsraum Neu-Ulm > 0 bis 0,001 (27) > 0,005 bis 0,006 (5) und Augsburg > 0,001 bis 0,002 (43) > 0,006 bis 0,008 (3) Gemeindefreie Gebiete

> 0,002 bis 0,003 (44) 0,0127 (1) Klinikstandorte

> 0,003 bis 0,004 (33)

Abbildung 6: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30- F39) bezogen auf die Erwachsenenbevölkerung je Gemeinde

Donauwörth

Günzburg

Augsburg

0 (36) > 0,003 bis 0,004 (3) Einzugsgebiet Augsburg Verdichtungsraum Neu-Ulm > 0 bis 0,001 (88) 0,0044 (1) und Augsburg > 0,001 bis 0,002 (42) 0,0061(1) Gemeindefreie Gebiete

> 0,002 bis 0,003 (3) Klinikstandorte

Abbildung 7: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) bezogen auf die Erwachsenenbevölkerung je Gemeinde

Donauwörth

Günzburg

Augsburg

0 (13) > 0,003 bis 0,004 (15) Einzugsgebiet Augsburg

> 0 bis 0,001 (46) > 0,004 bis 0,005 (2) Verdichtungsraum Neu-Ulm und Augsburg > 0,001 bis 0,002 (67) > 0,005 bis 0,0066 (2) Gemeindefreie Gebiete

> 0,002 bis 0,003 (29) Klinikstandorte

Abbildung 8: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „affektiven Störungen“ (ICD-10-GM F30-F39) bezogen auf die Erwachsenenbevölkerung je Gemeinde

Abbildung 9 zeigt die Mittelwerte der Einwohner pro Quadratkilometer je Ge- meinde in den Jahren 2006-2009. Insgesamt sind nur acht Gemeinden mit einer Einwohnerdichte von über 300 Personen pro km2 im gesamten Studiengebiet zu finden. Der Großteil der Gemeinden weist eine Einwohnerdichte von bis zu 150 Personen pro km2 auf. Diese bilden im Gegensatz zu den Gemeinden mit mittlerer bis hoher Einwohnerdichte größere zusammenhängende Flächen aus.

Stellt man die Abbildung 6 (Aufnahmezahlen beider Diagnosegruppen) und Ab- bildung 9 (Einwohnerdichte) gegenüber, kann man erkennen, dass die Gemeinden zwischen Günzburg und Augsburg sowie diejenigen im nördlichen Teil des Unter- suchungsgebietes durch niedrige Einwohnerzahlen (0-150 Personen pro km2) und gleichzeitig durch mittlere (0,002-0,004) Aufnahmezahlen beider Diagnose- gruppen zusammen bezogen auf die Erwachsenenbevölkerung gekennzeichnet sind. Dieser Zusammenhang zeigt sich allerdings nicht in der Nähe der Verdich- tungsräume Neu-Ulm und Augsburg. Während der Bereich östlich des Verdich- tungsraumes von Neu-Ulm eher eine höhere Bevölkerungsdichte (150-452 Perso- nen pro km2) und mittlere bis hohe Aufnahmezahlen (0,002-0,0127) aufweist, zeigen sich südlich und östlich des Verdichtungsraumes Augsburg wie schon er- wähnt geringe Aufnahmezahlen (0-0,002), allerdings sehr gemischte Einwohner- dichten.

Aufgrund der durchweg sehr niedrigen Aufnahmezahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) im gesamten Studienge- biet sind im Vergleich der dazugehörigen Abbildung 7 mit der Abbildung 9 keine Muster zu erkennen.

Der Vergleich zwischen der Abbildung 8 „Mittelwerte 2006-2009 der Aufnahme- zahlen von „affektiven Störungen“ (ICD-10-GM F30-F39) je Gemeinde“ und Abbil- dung 9 „Mittelwerte 2006-2009 der Einwohner pro Quadratkilometer je Gemein- de“ zeigt, dass die vier Gemeinden mit den höchsten Aufnahmezahlen (0,004 bis 0,0066) eine Einwohnerdichte von unter 100 Einwohnern pro Quadratkilometer aufweisen. Andere Muster sind nicht erkennbar.

Donauwörth

Günzburg

Augsburg

0 bis 50 (9) > 250 bis 300 (4) Einzugsgebiet Augsburg

> 50 bis 100 (88) > 300 bis 350 (1) Verdichtungsraum Neu-Ulm und Augsburg > 100 bis 150 (32) > 350 bis 450 (5) Gemeindefreie Gebiete

> 150 bis 200 (18) 452 (1) Klinikstandorte

> 200 bis 250 (15) 1115 (1)

Abbildung 9: Mittelwerte 2006-2009 der Einwohner pro Quadratkilometer je Gemeinde

In Abbildung 10 ist die räumliche Verteilung der Mittelwerte des Gesamtbetrags der Einkünfte je Steuerpflichtigem je Gemeinde der Jahre 2006-2009 dargestellt. Deutlich erkennbar ist, dass sich das durchschnittliche Einkommen je Steuer- pflichtigem bei einem Großteil der Gemeinden (153) im Bereich zwischen 25.000€ und 35.000€ befindet.

Vergleicht man die Abbildung 10 (Einkommen) mit der Abbildung 6 (Aufnahme- raten beider Diagnosegruppen) so kann man auf den ersten Blick keine Muster erkennen. Dies liegt an der großen Anzahl an Gemeinden mit gleichen Einkom- menssätzen. Betrachtet man die Gemeinden mit den höchsten Aufnahmeraten bezogen auf die Erwachsenenbevölkerung ( 0,005 bis 0,0127) gesondert, erkennt man, dass in diesen das durchschnittliche≥ Einkommen in den Bereich zwischen 25.000€ und 35.000€ fällt, somit kommen besonders hohe Aufnahmezahlen we- der in den Gemeinden mit den niedrigsten Einkommenssätzen (20.000€-25.000€; 4 Stück), noch in den Gemeinden mit einem durchschnittlichen Einkommen je Steuerpflichtigem über 35.000€ (16 Stück) vor.

Da der Großteil der Gemeinden eine Aufnahmerate bei der Diagnosegruppe von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) (Abb. 7) von unter 0,001 besitzt, kann man im optischen Vergleich mit der Ein- kommensverteilung kein Muster erkennen. Allerdings fällt im Vergleich der Ab- bildungen 7 und 10 auf, dass es keine Gemeinde gibt, die gleichzeitig eine hohe Aufnahmerate und einen hohen Einkommenssatz hat.

Bei der räumlichen Abbildung von Aufnahmeraten von „affektiven Störungen“ (ICD-10-GM F30-F39) (Abb. 8) sieht man im Vergleich mit Abbildung 10, dass alle Gemeinden mit einem durchschnittlichen Einkommen je Steuerpflichtigem von über 35.000€ gleichzeitig niedrige Aufnahmeraten (< 0,002) aufweisen.

Donauwörth

Günzburg

Augsburg

20.000 € bis 25.000 € (4) > 40.000 € bis 50.000 € (4) Einzugsgebiet Augsburg Verdichtungsraum Neu-Ulm > 25.000 € bis 30.000 € (70) 50.754 € (1) und Augsburg > 30.000 € bis 35.000 € (84) Gemeindefreie Gebiete

> 35.000 € bis 40.000 € (11) Klinikstandorte

Abbildung 10: Mittelwerte 2006-2009 des Gesamtbetrags der Einkünfte je Steuerpflichtigem je Gemeinde

In Abbildung 11 ist die Verteilung der Arbeitslosenraten im Studiengebiet dargestellt. Im Allgemeinen ist die Arbeitslosenrate im Gebiet eher gering; 107 Gemein- den weisen eine Arbeitslosenrate von unter 3% auf. Ein Großteil dieser Gemein- den weist gleichzeitig eine Einwohnerdichte von unter 150 Einwohnern pro Quadratkilometer auf.

Bei Abbildung 12 ist auffällig, dass der Großteil der Gemeinden (113 Stück) einen Grünflächenanteil von 85% bis 95% besitzt. Hieran kann man nochmals die länd- liche Ausprägung des Studiengebietes erkennen.

Donauwörth

Günzburg

Augsburg

0 bis 2% (22) Einzugsgebiet Augsburg > 2% bis 3% (85) Verdichtungsraum Neu-Ulm und Augsburg > 3% bis 4% (53) Gemeindefreie Gebiete

> 4% bis 5% (14) Klinikstandorte

Abbildung 11: Mittelwerte 2006-2009 des Arbeitslosenanteils je Gemeinde

Donauwörth

Günzburg

Augsburg

50% bis 70% (3) > 85% bis 90% (79) Einzugsgebiet Augsburg

> 70% bis 75% (6) > 90% bis 95% (34) Verdichtungsraum Neu-Ulm und Augsburg > 75% bis 80% (13) Gemeindefreie Gebiete

> 80% bis 85% (39) Klinikstandorte

Abbildung 12: Mittelwerte 2006-2009 des Anteils der Grünflächen pro Gemeinde

3.1.3 Boxplot Der Boxplot (Abb. 13) stellt die Varianzen der Aufnahmezahlen bezogen auf die Erwachsenenbevölkerung der Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10- GM F30-F39) getrennt nach Jahren dar. Deutlich zu erkennen ist, dass die Streu- ung der Daten zu den Diagnosen „affektive Störungen“ (ICD-10-GM F30-F39) brei- ter ist als bei denen der Diagnosen „Schizophrenie, schizotype und wahnhafte Stö- rungen“ (ICD-10-GM F20-F29).

0,012

0,010

0,008

0,006 erung in den Gemeinden k öl v e

0,004 achsenenb w ufnahmezahlen bezogen auf die A Er 0,002

2006 2007 2008 2009 Jahr

Aufnahmezahlen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10 F20-F29)

Aufnahmezahlen „affektive Störungen“ (ICD-10 F30-F39)

Abbildung 13: Boxplot – Aufnahmezahlen bezogen auf die Erwachsenenbevölkerung in den Ge- meinden in den Jahren 2006-2009, aufgeteilt nach den Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30- F39)

3.2 Statistische Auswertungen – Ergebnisse

3.2.1 Modell 1: Schizophrenie, schizotype und wahnhafte Störungen (ICD-10-GM F20-F29) und affektive Störungen (ICD-10-GM F30-F39) Im ersten Berechnungsmodell werden die Zusammenhänge zwischen den Auf- nahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) oder „affektive Störungen“ (ICD-10- GM F30-F39) und den ausgewählten Gemeindevariablen untersucht. Die Er- gebnisse werden in Tabelle 4 für die negativ-binomiale Regression mit den Raten der Eintrittswahrscheinlichkeiten (incidence-rate ratios; IRR) dargestellt.

Der Zeiteffekt ist nicht signifikant (IRR = 1,003598; P = 0,466). Damit ergeben sich keine Hinweise auf eine Veränderung der Anzahl der Aufnahmen im untersuchten Zeitraum. Darüber hinaus zeigt die fehlende Signifikanz, dass über die Jahre in den Gemeinden keine zusätzlichen Variablen, sogenannte nicht beachtete Störfaktoren (unobserved confounders) auftreten, welche die unabhängigen Vari- ablen beeinflussen könnten.

Bei der Bevölkerungsentwicklung (IRR = 0,9856787; P = 0,001) deuten die IRR darauf hin, dass ein Bevölkerungswachstum von 1% seit 1987 mit einer Redukti- on der Aufnahmen um 1,43% einhergeht. Bei der Bevölkerungsdichte (IRR = 0,996659; P = 0,000) kann man anhand der IRR erkennen, dass ein An- stieg dieser um 1% zusammenhängt mit einer Abnahme der Aufnahmezahlen um 0,33%. Eine Zunahme der Einpendlerzahl um eine Person korreliert mit einer Er- höhung der Aufnahmerate um 0,009% (Pendlersaldo: IRR = 1,000095; P = 0,043).

Während ein Anstieg des Gesamtbetrages der Einkünfte je Steuerpflichtigem (IRR = 0,9999211; P = 0,000) um einen Euro mit einer Abnahme von Aufnahmen um 0,008% zusammenfällt, zeigt sich bei einem Anstieg der Einkommensun- gleichheit (IRR = 1,000085; P = 0,002) um einen Euro ein Anstieg der Aufnahme- zahlen um 0,008%. Die IRR des Arbeitslosenanteiles (IRR = 1,062128; P = 0,002) zeigen, dass ein Anstieg des Arbeitslosenanteils um 1% mit einer Zunahme der Aufnahmen um 6,21% zusammenhängt.

Auch bei den Flächennutzungen zeigen sich deutliche Zusammenhänge mit den Aufnahmezahlen. Die IRR für Flächenanteil der Straßen (IRR = 1,166056; P = 0,003) deuten darauf hin, dass bei einer Zunahme dieses Anteils um 1% die Auf- nahmen um 16,6% steigen. Im Gegensatz hierzu zeigen die IRR bei landwirtschaftlichen Flächen (IRR = 0,9517382; P = 0,001) einen 4,83%igen und bei Waldflä- chen (IRR = 0,9589112; P = 0,004) einen 4,11%igen Rückgang der Aufnahmen bei einer Flächenvergrößerung um je 1%.

Die IRR für die Variable „Distanz zum Krankenhaus in Günzburg“ (IRR = 0,9927972; P = 0,000) zeigen, dass bei jedem zusätzlichen Kilometer Fahrstrecke zum Krankenhaus die Aufnahmezahlen um 0,72% sinken.

Tabelle 4: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) oder „affektive Störungen“ (ICD-10-GM F30-F39) (An- zahl der Gemeinden = 174)

IRR Standard z P>|z| [95% Konfidenzinter-

Fehler vall]

------Zeitpunkt der Erhebung 1,003598 0,0049502 0,73 0,466 0,993943 1,013347 Bevölkerungszu- bzw. 0,985679 0,0044073 -3,23 0,001 0,977078 0,994355 -abnahme (-) in % gegenüber 1987 Migrationsindex 1,000013 0,0007023 0,02 0,986 0,998637 1,001390 Einwohner je km² 0,996659 0,0008195 -4,07 0,000 0,995054 0,998267 Pendlersaldo 1,000095 0,0000469 2,02 0,043 1,000003 1,000186 Gesamtbetrag der Einkünfte 0,999921 0,0000218 -3,63 0,000 0,999878 0,999964 je Steuerpflichtigem Einkommensungleichheit 1,000085 0,0000268 3,16 0,002 1,000032 1,000137 Arbeitslosenanteil 1,062128 0,0207497 3,09 0,002 1,022228 1,103586 Anteil der Straßenflächen 1,166056 0,0604335 2,96 0,003 1,053426 1,290729 Anteil der landwirtschaftli- 0,951738 0,0145197 -3,24 0,001 0,923701 0,980626 chen Flächen Anteil der Waldfläche 0,958911 0,0140284 -2,87 0,004 0,931807 0,986804 Distanz zum Krankenhaus in 0,992797 0,0020068 -3,58 0,000 0,988872 0,996738 Günzburg Erwachsenenbevölkerung 1 (Exposure)

------Wald chi2(12) = 134,70 Log likelihood = -1331,7445 Prob > chi2 = 0,0000

3.2.2 Modell 2: Schizophrenie, schizotype und wahnhafte Störungen (ICD-10-GM F20-F29) Im zweiten Modell werden die Zusammenhänge zwischen den Aufnahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Stö- rungen“ (ICD-10-GM F20-F29) und den ausgewählten Gemeindevariablen für die negativ-binomiale Regression mit den Raten der Eintrittswahrscheinlichkeiten (incidence-rate ratios; IRR) in Tabelle 5 dargestellt.

Der Regressionskoeffizient für den Zeiteffekt (IRR = 1,002843; P = 0,513) ist auch hier nicht signifikant. Damit ergeben sich keine Hinweise auf eine Verände- rung der Aufnahmeraten im untersuchten Zeitraum oder auf „unobserved confounders“.

Zu den Ergebnissen der Berechnungen mit beiden Diagnosearten zeigen sich deutliche Unterschiede. Während im Modell 1 (Schizophrenie, schizotype und wahnhafte Störungen sowie affektive Störungen zusammen) die Aufnahmezahlen nur mit den Variablen „Zeitpunkt der Erhebung“ und „Wanderungsgewinn bzw. - verlust“ unkorreliert sind, sind die Aufnahmen von Patienten mit der Erstdiagnose aus dem Bereich „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10- GM F20-F29) mit deutlich weniger Gemeindevariablen korreliert.

In dem vorliegenden Modell zur Diagnosegruppe „Schizophrenie, schizotype und wahnhafte Störungen“ sind die Regressionskoeffizienten für folgende Variablen signifikant negativ:

• prozentuale „Bevölkerungszu- bzw. -abnahme gegenüber 1987“ (IRR = 0,982186; P = 0,007); laut den IRR sinkt bei einem Bevölkerungs- wachstum von 1% die Anzahl der Aufnahmen um 1,78%.

• „Gesamteinkünfte je Steuerpflichtigem“ (IRR = 0,9999051; P = 0,004), die IRR zeigen hier, dass bei einem Anstieg der Gesamteinkünfte um einen Eu- ro die Zahl der Aufnahmen um 0,009% sinkt.

• „Anteil der landwirtschaftlichen Flächen“ (IRR = 0,9569608; P = 0,049); die IRR deuten darauf hin, dass bei einer Flächenvergrößerung um 1% die Aufnahmen um 4,3% sinken.

• Entfernungseffekt von der Klinik in Günzburg: hier zeigen die IRR (IRR = 0,994311; P = 0,048), dass bei jedem zusätzlichen Kilometer Fahrstrecke zum Krankenhaus die Aufnahmezahlen um 0,57% sinken.

Der Effekt der Variable Migrationsindex (IRR = 1,002328; P = 0,034) zeigt, dass bei einem Anstieg der absoluten Ein- und Auswanderungsbilanz einer Gemeinde um eine Person die Aufnahmen um 0,23% steigen. Die IRR für Einkommensun- gleichheit (IRR = 1,00011; P = 0,006) zeigen, dass mit einem Anstieg der Un- gleichheit um einen Euro die Aufnahmen um 0,011% steigen und die IRR für den Arbeitslosenanteil zeigen, dass bei einem Anstieg des Arbeitslosenanteils (IRR = 1,07153; P = 0,023) um 1% die Aufnahmezahlen um 7,15% steigen.

Alle anderen Variablen sind in diesem Modell nicht signifikant (P>0,05).

Tabelle 5: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) (Anzahl der Gemeinden = 174)

IRR Standard z P>|z| [95% Konfidenzinter-

Fehler vall]

------Zeitpunkt der Erhebung 1,002843 0,0043509 0,65 0,513 0,994351 1,011406 Bevölkerungszu- bzw. 0,982186 0,0065945 -2,68 0,007 0,969346 0,995196 -abnahme (-) in % gegenüber 1987 Migrationsindex 1,002328 0,0010988 2,12 0,034 1,000177 1,004484 Einwohner je km² 0,997867 0,0011406 -1,87 0,062 0,995634 1,000105 Pendlersaldo 1,000051 0,0000618 0,83 0,404 0,999931 1,000173 Gesamtbetrag der Einkünfte 0,999905 0,0000326 -2,91 0,004 0,999841 0,999969 je Steuerpflichtigem Einkommensungleichheit 1,000110 0,0000401 2,74 0,006 1,000031 1,000189 Arbeitslosenanteil 1,071530 0,0325113 2,28 0,023 1,009667 1,137184 Anteil der Straßenflächen 1,151567 0,0884968 1,84 0,066 0,990548 1,338762 Anteil der landwirtschaftli- 0,956961 0,0213546 -1,97 0,049 0,916009 0,999744 chen Flächen Anteil der Waldfläche 0,962156 0,0208965 -1,78 0,076 0,922059 1,003996 Distanz zum Krankenhaus in 0,994311 0,0028721 -1,98 0,048 0,988698 0,999956 Günzburg Erwachsenenbevölkerung 1 exposure

------Wald chi2(12) = 74,64 Log likelihood = -872,01832 Prob > chi2 = 0,0000

3.2.3 Modell 3: Affektive Störungen (ICD-10-GM F30-F39) Die nachfolgende Berechnung zeigt die Zusammenhänge zwischen Aufnahmen von Patienten mit der Erstdiagnose „affektive Störungen“ (ICD-10-GM F30-F39) und den ausgewählten Gemeindevariablen. Die Ergebnisse werden in Tabelle 6 für die negativ-binomiale Regression mit den Raten der Eintrittswahrscheinlichkeiten (incidence-rate ratios; IRR) dargestellt.

Auch hier zeigt sich kein Zusammenhang zwischen den Aufnahmezahlen und dem Zeitpunkt der Erhebung (IRR = 1,004521; P = 0,615).

Die IRR deuten bei der Bevölkerungsentwicklung (IRR = 0,9892166; P = 0,014) darauf hin, dass bei einem Bevölkerungswachstum von 1% die Aufnahmen um 1,08% sinken. Bei der Bevölkerungsdichte (IRR = 0,9961577; P = 0,000) zeigen die IRR, dass ein Anstieg dieser um 1% zusammenhängt mit einer Abnahme der Aufnahmezahlen um 0,38%. Bei einer Zunahme der Einpendlerzahl um eine Per- son steigt die Aufnahmerate um 0,01% (Pendlersaldo: IRR = 1,000099; P = 0,022).

Steigt der Gesamtbetrag der Einkünfte je Steuerpflichtigem (IRR = 0,9999098; P = 0,000) um einen Euro, sinkt die Anzahl der Aufnahmen um 0,01%, wohingegen bei einem Anstieg der Einkommensungleichheit (IRR = 1,000097; P = 0,001) um einen Euro ein Anstieg der Anzahl der Aufnahmen um 0,01% zu verzeichnen ist. Die IRR des Arbeitslosenanteiles (IRR = 1,054731; P = 0,026) zeigen, dass ein Anstieg des Arbeitslosenanteils um 1% mit einer Zunahme der Aufnahmezahlen um 5,47% zusammenhängt.

Die IRR deuten darauf hin, dass bei einer Zunahme des Straßenflächenanteils (IRR = 1,154245; P = 0,005) um 1% die Anzahl der Aufnahmen um 15,42% steigt. Im Gegensatz hierzu zeigen die IRR für landwirtschaftliche Flächen (IRR = 0,9449873; P = 0,000) einen 5,5%igen und beim Waldflächenanteil (IRR = 0,9531998; P = 0,001) einen 4,68%igen Rückgang der Aufnahmen bei einer Flächenvergrößerung von um 1%.

Die IRR für die Variable „Distanz zum Krankenhaus in Günzburg“ (IRR = 0,9923529; P = 0,000) zeigen, dass bei jedem zusätzlichen Kilometer Fahrstrecke zum Krankenhaus die Aufnahmen um 0,77% sinken.

Tabelle 6: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „affektive Störungen“ (ICD-10- GM F30-F39) (Anzahl der Gemeinden = 174)

IRR Standard z P>|z| [95% Konfidenzinter-

Fehler vall]

------Zeitpunkt der Erhebung 1,004521 0,0089965 0,50 0,615 0,987042 1,022309 Bevölkerungszu- bzw. 0,989217 0,0043426 -2,47 0,014 0,980742 0,997765 -abnahme (-) in % gegen- über 1987 Migrationsindex 0,998365 0,0008812 -1,85 0,064 0,996639 1,000094 Einwohner je km² 0,996158 0,0008249 -4,65 0,000 0,994542 0,997776 Pendlersaldo 1,000099 0,0000433 2,29 0,022 1,000014 1,000184 Gesamtbetrag der Einkünfte 0,999910 0,0000232 -3,89 0,000 0,999864 0,999955 je Steuerpflichtigem Einkommensungleichheit 1,000097 0,0000279 3,47 0,001 1,000042 1,000151 Arbeitslosenanteil 1,054731 0,0252704 2,22 0,026 1,006347 1,105441 Anteil der Straßenflächen 1,154245 0,0584710 2,83 0,005 1,045149 1,274728 Anteil der landwirtschaftli- 0,944987 0,0139581 -3,83 0,000 0,918022 0,972745 chen Flächen Anteil der Waldfläche 0,953199 0,0135187 -3,38 0,001 0,927069 0,980068 Distanz zum Krankenhaus 0,992353 0,0019422 -3,92 0,000 0,988554 0,996167 in Günzburg Erwachsenenbevölkerung 1 exposure

------Wald chi2(12) = 141,61 Log likelihood = -1166,2002 Prob > chi2 = 0,0000

4 Diskussion In den Unterkapiteln 4.1 und 4.2 werden zunächst die Ergebnisse für beide Diag- nosegruppen zusammen (vgl. Kapitel 3.2.1 - Modell 1: Schizophrenie, schizotype und wahnhafte Störungen (ICD-10-GM F20-F29) und affektive Störungen (ICD-10- GM F30-F39)) diskutiert.

Im Unterkapitel 4.1 wird auf die Ergebnisse eingegangen, die vergleichbare Zu- sammenhänge wie in urbanen Gebieten suggerieren. Bei ökonomischen Faktoren, wie Einkommen oder Arbeitslosigkeit, finden sich in der vorliegenden Studie vergleichbare Ergebnisse wie in anderen vorangegangenen Studien. Ähnlich verhält es sich bei der Landnutzung.

Im Unterkapitel 4.2 wird auf die Unterschiede zwischen den Ergebnissen voran- gegangener städtischer Studien und der vorliegenden Studie eingegangen. So zeigte sich, dass die Aufnahmen im Studiengebiet bei sinkenden Einwohnerzahlen an- steigen, gegenläufig zu der Tendenz in Städten.

Im Unterkapitel 4.3 wird auf die diagnosespezifischen Ergebnisse (vgl. Kapitel 3.2.2 - Modell 2: Schizophrenie, schizotype und wahnhafte Störungen (ICD-10-GM F20-F29) und Kapitel 3.2.3 Modell 3: Affektive Störungen (ICD-10-GM F30-F39)) für die beiden Erkrankungstypen eingegangen. Beim Modell 2 für die Diagnose- gruppe „Schizophrenie“ weichen die Ergebnisse relativ stark von den kumulierten und vom Modell 3 für die Diagnosegruppe der affektiven Störungen ab, welches keine großen Unterschiede zu den Ergebnissen des Modells 1 aufweist.

4.1 Diskussion der Fragestellung 1: Können Zusammenhänge zwischen aus städtischen Räumen bekannten Risikofaktoren und Aufnahmezahlen in einem ländlichen Studiengebiet gefunden werden?

4.1.1 Ökonomische Faktoren Betrachtet man die Ergebnisse der vorliegenden Studie und vergleicht sie mit vorangegangenen Studien, weisen sie darauf hin, dass ökonomische Faktoren sich sowohl in städtischen als auch in ländlichen Gebieten gleichermaßen auf die psy-

chische Gesundheit auswirken. Man kann davon ausgehen, dass die grundlegenden Wirkungsmechanismen ähnlich sind. Die vorliegende Studie unterstreicht noch einmal die Ergebnisse von Allardyce et al. (2005), die ausgehend von einem Stadt-Land-Vergleich im Bereich der materiellen Deprivation keinen Unterschied zwischen Stadt und Land fanden.

Die World Health Organization (WHO) nannte in ihrem Bericht zu psychischen Erkrankungen verschiedene Risikofaktoren, unter anderem das Fehlen von Bil- dung, schlechte soziale Umstände, Armut und Arbeitslosigkeit. Die Faktoren Bil- dung, Arbeit und Einkommen sind ineinander verflochten, beeinflussen sich gegenseitig und können zu verschiedenen, der Gesundheit schädlichen Lebensum- ständen führen (World Health Organization 2004, S. 20-23). Es besteht kein Kon- sens, inwieweit die einzelnen Komponenten voneinander losgelöst betrachtet werden können. Während Lahelma et al. (2004) darauf hindeuteten, dass die drei Faktoren sich gegenseitig stark beeinflussen und nicht voneinander getrennt betrachtet werden können, zeigten Pulkki-Råback et al. (2011), dass die stärkste Wechselbeziehung in einkommensstarken Ländern zwischen niedrigem Einkom- men und psychischen Krankheiten zu finden ist.

In der vorliegenden Studie wurde ein Zusammenhang zwischen niedrigem Ge- samtbetrag der Einkünfte je Steuerpflichtigem und hohen Aufnahmezahlen (jeweils auf der Gemeindeebene) gefunden. Die Beziehung zwischen Einkommen und psychischer Erkrankung wurde in ähnlicher Weise schon in früheren Studien, sowohl auf der individuellen Ebene als auch auf höheren Ebenen, nachgewiesen (Gresenz et al. 2001; Eibner et al. 2004; Sareen et al. 2011). Sundquist et al. (2006) untersuchten den Zusammenhang zwischen Ersteinweisungsraten in psychiatrische Krankenhäuser und Einkommen auf der Ebene der Stadtviertel. So- wohl die Sundquist-Studie als auch die vorliegende Arbeit zeigen, dass bei steigenden Einkommen in den untersuchten geographischen Einheiten die Kranken- hausaufnahmen sinken.

Neben dem geringen Einkommen an sich wird oftmals auch die Einkommensun- gleichheit in Gesellschaften als Risikofaktor für psychische Erkrankungen genannt. Im Vergleich von zwölf einkommensstarken Ländern zeigte sich, dass in

Ländern, die eine hohe Einkommensungleichheit aufweisen, mehr Menschen an einer psychischen Erkrankung leiden (Wilkinson & Pickett 2010; S.66-69). Pickett et al. (2010) betonten, dass auf der Ebene des Staates bis hin zu der Ebene der Landkreise ein deutlicher Zusammenhang bestehe, auf darunterliegenden Ebenen seien die Studienergebnisse allerdings nicht eindeutig. Obwohl in der vorliegenden Arbeit eine tiefer gelegene Ebene untersucht wurde, konnte ein Zusammen- hang zwischen erhöhten Aufnahmezahlen in Gemeinden und erhöhter Einkom- mensungleichheit nachgewiesen werden.

Es gibt zwei Theorien, wie Einkommensungleichheit psychische Gesundheit beeinflussen kann: Die erste Theorie geht davon aus, dass die gefühlte Position im sozio-ökonomischen Gefüge (des Stadtviertels, der Gemeinde, des Kreises, des Staates) sich sowohl negativ als auch positiv auf die Gesundheit auswirken kann. Für diejenigen, die offensichtlich bessergestellt sind als andere in der Gemein- schaft, entsteht ein positiver Effekt für die subjektive Lebenszufriedenheit und für die Gesundheit (Zimmerman & Katon 2005). Negative Auswirkungen entstehen durch sozialen Stress, z.B. wenn sozial oder ökonomisch schwächer gestellte Per- sonen auf Dauer mit Bessergestellten in ihrem Umfeld konfrontiert werden (Wen et al. 2003; Kondo et al. 2009). Pickett et al. (2010) deuteten darauf hin, dass Ein- kommensungleichheit nachhaltig das soziale Gefüge einer Gesellschaft stören kann, da sie sich durch erhöhten Statuswettbewerb und Statusunsicherheit negativ auf das Vertrauen und das Zusammenleben in der Gesellschaft und hierdurch negativ auf die psychische Gesundheit der Menschen in diesen Gesellschaften auswirkt. Die zweite Theorie besagt, dass Einkommensungleichheit ein Indikator für eine ungleiche Gesellschaft sein kann, in der nicht nur das Einkommen ungleich verteilt ist, sondern auch Güter und Ressourcen. In diesem Fall hat ein Teil der Bevölkerung schlechten oder sogar keinen Zugang zu diesen und unter Um- ständen auch nur beschränkten Zugang zu Gesundheitseinrichtungen (Wen et al. 2003; Doorslaer et al. 2004; Kondo et al. 2009).

Das Einkommen (und somit z.T. auch der soziale Status) ist bei den meisten Men- schen abhängig von einer Arbeitsstelle. Mit Arbeitslosigkeit werden daher Zu- kunftsängste (oft verbunden mit finanziellen Sorgen), das Wegfallen eines klaren

Lebensweges, Kontrollverlust (Strandh et al. 2011), der Verlust des Status’ und der Identifikation mit dem Beruf, der Verlust eines strukturierten Tagesablaufes, Einschränkungen der Möglichkeiten zur sozialen Interaktion, der Verlust von Ak- tivität, sowie von Zielen und Zweck in Verbindung gebracht (Ezzy 1993; Paul & Moser 2009). Hinzu kommen ein Gefühl des persönlichen Versagens, Scham und Stigmatisierung (Strandh et al. 2011). Es ist also nicht verwunderlich, dass ein Großteil der Studien bei arbeitslosen Menschen schlechtere psychische Gesund- heit zeigt als bei Menschen mit einer Arbeitsstelle (Graetz 1993; Paul & Moser 2009; Backhans & Hemmingsson 2011; Kroll & Lampert 2011). Andererseits gibt es auch Studien, die belegen, dass der Verlust einer als belastend empfundenen Arbeitsstelle zur Verbesserung der psychischen Gesundheit führen kann (Ezzy 1993). Insgesamt ergeben Studien zu diesem Thema ein gemischtes Bild, sowohl auf der Individualebene, bei welcher es stark davon abhängt, wie es zur Arbeitslo- sigkeit kam und wie die vorherigen Arbeitsplatzbedingungen waren, als auch auf der Aggregatebene (Häfner 1988; Ezzy 1993; Dooley et al. 1996). Beachten muss man auch, dass eine psychische Erkrankung zum Verlust der Arbeitsstelle führen kann (Häfner 1988). Ein steigender Arbeitslosenanteil in der Gemeinde ist in der vorliegenden Studie mit steigenden Aufnahmeraten verbunden. Da jedoch keine individuellen Aspekte berücksichtigt werden konnten, war es nicht möglich, die kausale Richtung des gefundenen Zusammenhangs (zwischen Aufnahmezahlen und Arbeitslosenraten) in den Gemeinden zu überprüfen. Es bleibt daher unklar, ob eine psychische Erkrankung zum Verlust der Arbeitsstelle geführt hat, oder ob umgekehrt der Verlust der Arbeitsstelle zu einer psychischen Erkrankung oder zu einer Verschlechterung der Symptome geführt hat.

Da viele sozio-ökonomische Faktoren auf Gemeindeebene nicht zur Verfügung standen, wurde versucht, über die demographische Entwicklung und über den Pendlersaldo Rückschlüsse auf die Prosperität der Gemeinden zu ziehen. Eine geringe Bevölkerungszunahme und eine hohe Anzahl von Personen, die nicht in der Gemeinde arbeiten, können darauf hindeuten, dass die betroffene Gemeinde öko- nomisch schlechter gestellt ist als andere Gemeinden. Beide Faktoren deuten darauf hin, dass die Gemeinde für viele Menschen z.B. wegen fehlender Arbeitsstel- len uninteressant ist. Zwar zeigte sich, dass ein Bevölkerungsrückgang mit höhe-

ren Aufnahmeraten verbunden ist, aber die Vermutung, dass eine hohe Anzahl von Auspendlern zu einem Anstieg der Aufnahmen führt, konnte nicht bestätigt werden. Entgegen der Annahme zeigte sich, dass in Gemeinden mit hohen Einpendlerzahlen die Aufnahmezahlen erhöht sind. Pendlerbewegungen entstehen durch zwei Faktoren: durch angebotene Arbeitsstellen und durch angebotene Wohnmöglichkeiten. Sind genügend Arbeitsplätze bei ungenügendem Wohnange- bot vorhanden, werden mehr Menschen in die Gemeinde einpendeln. In der Ein- leitung in Kapitel 1.4 wurde bereits auf den Zusammenhang zwischen inadäqua- tem Wohnraum und psychischer Erkrankung eingegangen. So können für die Menschen, die in Gemeinden mit hoher Einpendlerzahl leben, mehrere die psychische Gesundheit negativ beeinflussende Mechanismen wirken: schlechte Wohn- bedingungen (s.o.), soziale Selektion (Kapitel 1.3.), Beeinträchtigung des sozialen Kapitals (da viele Einpendler keine Verbundenheit zum Arbeitsort spüren und sich sozial eher in ihrer Wohngemeinde engagieren) und hiermit verbunden eine Schwächung des gegenseitigen Vertrauens und der sozialen Kontrolle (McKenzie 2006, S. 30-33), sowie verstärkte Fluktuation in der Gemeinde (Silver et al. 2002).

4.1.2 Landnutzung In der vorliegenden Studie zeigte sich ein Zusammenhang zwischen hohem Grün- bzw. Waldflächenanteil und niedrigen Aufnahmezahlen. Mehrfach wurde eine positive Wirkung von Natur auf Gesundheit, psychisches Wohlbefinden, Stressreduk- tion oder Schmerzlinderung belegt (Ulrich 1984; de Vries et al. 2003; Guite et al. 2006; Maas et al. 2006; Kline 2009). Laut der Aufmerksamkeits-Wieder- herstellungs-Theorie (attention restoration theory) rufen natürliche Elemente, wie sie in Gärten, Parks und sonstigen öffentlichen Grünräumen zu finden sind, ungerichtete und hierdurch entspannende Aufmerksamkeit hervor (Herzog et al. 1997; Wells & Evans 2003; Roe & Aspinall 2011). Zusätzlich bietet ein Aufenthalt in der Natur auch Gelegenheit für Reflektion, und gleichzeitig wird der „Vorrat“ für gezielte Aufmerksamkeit wieder aufgefüllt. Oftmals wird ein Spaziergang in der Natur mit einem Kurzurlaub vom Alltäglichen verglichen, wodurch der Mensch sich zusätzlich entspannen kann (Herzog et al. 1997; Wells & Evans 2003;

Roe & Aspinall 2011). Fuller et al. (2007) fanden in ihrer Studie, dass in Städten insbesondere Grünräume mit einer hohen Artenfülle sich positiv auf die Besucher auswirkten, da sie in stärkerem Maße Reflektion fördern.

Nachgewiesen in mehreren Studien wurde auch, dass die Natur als Puffer gegen belastende Erfahrungen wirken kann. Van den Berg et al. (2010) konnten nach- weisen, dass Grünräume Gesundheitsbeschwerden und die Auswirkung von belastenden Erfahrungen auf die allgemeine Gesundheit abmilderten. Besonders interessant im Zusammenhang mit der vorliegenden Studie ist die Studie von Wells und Evans (2003), welche den Zusammenhang zwischen dem psychischen Wohl- befinden von Kindern und belastenden Lebenserfahrungen in einem ländlichen Setting untersuchten. Obwohl es sich hier um eine Studie im ländlichen Raum handelt, zeigte sie, dass Stress eine geringere Auswirkung auf Kinder hat, denen viel Natur in der Umgebung zur Verfügung steht. Dieser Puffereffekt zeigte sich am deutlichsten bei den Kindern mit dem höchsten Stresslevel. Die Autoren vermuteten, dass die Möglichkeit im Freien zu spielen den Freundeskreis erweitert, die Kinder aus der Nachbarschaft enger zusammenhalten lässt und dass dieses soziale Netzwerk der grundlegende Schutzfaktor gegen Stress sein könnte (Wells & Evans 2003). Den positiven Effekt von Grünflächen allerdings nur auf soziale Interaktionen zurückzuführen wäre falsch, da hierdurch der positive Effekt von Grünflächen nicht vollständig erklärt wird (Sugiyama et al. 2008).

Somit ist das Ergebnis der vorliegenden Studie, das einen Zusammenhang zwischen hohem Grün- bzw. Waldflächenanteil und niedrigen Aufnahmezahlen zeigt, auf der einen Seite nicht verwunderlich, da der positive Effekt schon bekannt ist, aber dennoch auch bemerkenswert, da ländliche Gegenden per se durch einen sehr hohen Anteil von Grünflächen gekennzeichnet sind und trotzdem ein Zu- sammenhang gefunden wurde. Es scheint fast so, als ob es keine Sättigungsgrenze gäbe, ab der der Mengenanteil der Grünflächen keinen Einfluss auf das Wohlbe- finden mehr hat. Ähnliche Ergebnisse fanden Maas et al. (2006) in ihrer Studie. Die Studie zeigte, dass sich in Gegenden, die einen hohen Grünanteil um den Wohnort besitzen, weniger Bewohner gesundheitlich unwohl fühlen als in Gegen- den mit sehr niedrigem Grünanteil.

Einen Hinweis auf die zugrunde liegenden Mechanismen und einen Erklärungsan- satz liefern folgende Studien: Die Studie von van den Berg et al. (2010) deutete darauf hin, dass größere Grünflächen, wie landwirtschaftliche Flächen oder Wäl- der, in einem Drei-Kilometer-Radius um das Zuhause der Studienteilnehmer (aus ländlichen und städtischen Bereichen) einen stärkeren positiven Einfluss auf das psychische Wohlbefinden hatten, als kleinere Grünflächen, wie Gärten oder Parks, in direkter Umgebung des Zuhauses. Die Autoren nahmen an, dass landwirtschaftliche Flächen oder Wälder eine tiefere Form der Entspannung bieten und dass die Distanz zum Wohnort die Erholung zusätzlich fördert (van den Berg et al. 2010). Auch Maas et al. (2006) fanden, dass sich landwirtschaftliche Flächen bzw. natür- liches Grün positiv auf die wahrgenommene Gesundheit auswirkt. Es dürfen allerdings die Studien nicht außer Acht gelassen werden, die einen direkten Zusam- menhang zwischen Entfernung der Grünfläche, Häufigkeit des Besuchs und Stressreduzierung überprüft haben. Diese Studien weisen darauf hin, dass eine Grünfläche umso häufiger besucht wird, je näher sie beim Wohnort liegt (was dann umso besser für die Gesundheit wäre) (de Vries et al. 2003; Nielsen & Han- sen 2007; Stigsdotter et al. 2010). Verbindet man die Ergebnisse der verschiedenen Studien, könnte dies für ländliche Räume bedeuten, dass die Nähe zu größe- ren, zusammenhängenden Grünflächen mit hoher Biodiversität (vgl. weiter oben Fuller et al. (2007)) sich besonders positiv auf die psychische Gesundheit auswirkt.

Der positive Effekt von Natur auf die psychische Gesundheit wird in Studien oftmals auch auf in der Natur durchgeführte Aktivitäten, wie einen Spaziergang, eine Fahrradtour oder Sport, zurückgeführt. Eine Studie von Roe und Aspinall (2011) zeigte, dass ein Spaziergang in einer ländlichen Umgebung sowohl bei der Gruppe der gesunden Studienteilnehmer, als auch bei den Studienteilnehmern mit einer psychischen Erkrankung (Depression, Angsterkrankung, Bipolare Störung oder Schizophrenie), hier sogar noch deutlicher, eine positive Auswirkung auf Stim- mung und Geisteshaltung hatte. In einer zweiten Versuchsanordnung untersuchten die Autoren den Unterschied zwischen einem Spaziergang in ländlicher und urbaner Umgebung. Während bei der Gruppe der gesunden Teilnehmer die ländli- che Umgebung bessere Ergebnisse brachte als die städtische, waren bei der er-

krankten Personengruppe die Ergebnisse gleich. Die Autoren deuteten jedoch darauf hin, dass das Ergebnis der zweiten Studie auch darauf zurückzuführen sein könnte, dass bei erkrankten Personen die positiven Elemente des Gruppenspa- ziergangs die Faktoren ländlich versus urban überlagert haben könnten (Roe & Aspinall 2011). Es gibt auch eine Reihe von Studien aus Japan, die nachwiesen, dass Waldspaziergänge oder auch einfach eine Weile im Wald zu sitzen deutlich zur Stressreduktion und Entspannung der Versuchspersonen beitrugen und depressive Verstimmungen und Feindseligkeiten abminderten (Morita et al. 2007; Park et al. 2010).

Eine weitere Landnutzungsform, deren Auswirkung auf die psychische Gesund- heit untersucht wurde, war der Anteil der Straßenflächen in den Gemeinden, mit dessen Zunahme die Aufnahmezahlen in der vorliegenden Studie stiegen. Stark befahrene Straßen oder Straßen, die keine adäquaten Fußgängerwege bieten, beeinflussen die „Ergehbarkeit“ (walkability), also die Möglichkeit für Erwachsene und Kinder, ihre Umgebung zu Fuß zu erkunden, und behindern somit den Zugang zu Grünflächen und sozialen Netzwerken (in den Parks, in lokalen Treffpunkten wie Märkten oder Cafés, oder spontan, wenn man zu Fuß unterwegs ist), welche wichtig für die psychische Gesundheit sind (Leyden 2003; Leslie & Cerin 2008). In ihrer Studie von 2008 untersuchten Leslie und Cerin den Zusammenhang zwischen der Zufriedenheit mit der Nachbarschaft und der psychischen Gesundheit von Bewohnern und fanden, dass vor allem die Faktoren Sicherheit und „Ergehbarkeit“, soziales Netzwerk, Verkehr und Lärm signifikant mit der Gesund- heit in Verbindung stehen (Leslie & Cerin 2008). Somit kommen zu der ein- schränkenden Wirkung von Straßen auch noch durch hohes Verkehrsaufkommen verursachter Lärm und Luftverschmutzung hinzu, die sich negativ auf die psychische Gesundheit auswirken (Marcelis et al. 1999; Gee & Takeuchi 2004; Pedersen et al. 2004; Pollack et al. 2004; Almedom 2005; Pedersen & Mortensen 2006b). Dass Straßenlärm als Geräuschkulisse die Stressreduktion behindert, während das Hören von natürlichen Geräuschen (z.B. Plätschern eines Brunnens, Vogel- zwitschern) schneller zu einer Erholung des sympathischen Nervensystems führt, zeigte der Versuch von Alvarsson (2010).

Der Zusammenhang zwischen Straßen und psychischer Gesundheit könnte aber auch durch andere Variablen beeinflusst sein. Menschen mit niedrigem sozio- ökonomischen Status leben häufig in Wohngegenden, in denen es eine Anhäufung von Hauptstraßen und anderen Infrastruktureinrichtungen (z.B. Busbahnhöfe) gibt (Frumkin 2005; Braubach & Fairburn 2010). Somit könnte der Zusammen- hang auch durch den sozio-ökonomischen Status zu erklären sein.

Leider war es in der vorliegenden Studie nicht möglich, die unterschiedlichen Straßentypen (Wohnstraße, Durchgangsstraße etc.) voneinander zu unterscheiden, deshalb ist eine weitergehende Interpretation der Ergebnisse schwierig. Be- schriebene mögliche Ursachen des Zusammenhangs zwischen Straßen und Ge- sundheit wurden vor allem unterhalb der Gemeindeebene erforscht oder waren konkret auf einen bestimmten Straßentyp oder Wohnort abgestimmt. Die Variable „Straßen“ wurde vor allem als Gegenpol zu den Variablen „Waldflächen“ und „landwirtschaftliche Flächen“ in das Modell aufgenommen, um den Effekt und den Unterschied von Landschaftselementen zu untersuchen. Die Ergebnisse der vorliegenden Studie können auf folgende Ursachen (oder eine Kombination daraus) zurückzuführen sein: entweder darauf, dass sich auch in ländlichen Gemeinden Grünflächen im Gegensatz zu Straßen positiv auf die psychische Gesundheit auswirken, oder aber darauf, dass aufgrund von wenigen Straßen eine schlechte An- bindung an Einrichtungen der medizinischen Versorgung (und somit verringerte Möglichkeiten, diese aufzusuchen) besteht.

4.1.3 Distanz zum Krankenhaus Das Ergebnis der vorliegenden Studie, dass mit steigender Distanz zum Kranken- haus die Aufnahmezahlen pro Gemeinde für beide Diagnosegruppen zusammen und auch in den einzelnen Modellen sinken, war zu erwarten, da hier zwei bekannte Mechanismen wirken: Zum einen existiert der Effekt, dass größere Klini- ken die Nachfrage nach einer Behandlung und somit die Aufnahmeraten in umlie- genden Gemeinden erhöhen, und zum anderen der, dass Personen mit einer psychischen Erkrankung dazu neigen, in die Nähe von medizinischen Versorgungsan- geboten zu ziehen, wie schon im Kapitel 1.5 angesprochen. Darüber hinaus kommt

hier zum Tragen, dass Patienten, die an der Grenze des Untersuchungsgebietes wohnen, möglicherweise in andere (für sie nähere) Kliniken abwandern (vgl. Ka- pitel 4.4).

4.2 Diskussion der Fragestellung 2: Inwieweit unterscheiden sich Zusammen- hänge im ländlichen Studiengebiet von den bisher gefundenen Zusammen- hängen aus Städten? Überraschend war das Ergebnis, dass mit steigender Einwohnerdichte die Auf- nahmezahlen sinken, also genau gegenläufig zu bisherigen Forschungsergebnis- sen aus städtischen Gebieten, in denen Aufnahmezahlen oder auch die Prävalenz proportional zur Einwohnerdichte stiegen (Laird 1973; Paykel et al. 2003; Sundquist et al. 2004; Kringlen et al. 2006; Weich et al. 2006; Dekker et al. 2008).

Es gibt zwei vorangegangene Studien, welche im Vergleich Stadt und Land einen Zusammenhang zwischen niedriger Einwohnerzahl und hohen Raten fanden. Greiner et al. (2004) fanden in ihrer Studie heraus, dass ländliche und vor allem schwach besiedelte ländliche Gebiete im Bereich der Wohn- und Lebensqualität in der Gemeinde schlechter bewertet wurden, als eher städtische Gebiete. Auffallend ist hierbei der Zusammenhang zwischen schwacher Besiedelung, schlechter Be- wertung der Gemeinde und schlechtem allgemeinen Gesundheitszustand der Be- wohner einerseits und dem Auftreten von Depressionen andererseits. In Schott- land wurden die höchsten Suizidraten bei Männern in den am stärksten besiedelten und den am wenigsten besiedelten Gebieten gefunden (Stark et al. 2007). Eine U-förmige Verteilung der Raten, d.h. hohe Zahlen in den am dichtesten und am spärlichsten besiedelten Gebieten, wurde auch in der Studie von Barnett et al. (Barnett et al. 2001) für selbstberichtete einschränkende chronische Erkrankun- gen gefunden.

Der Zusammenhang zwischen Einwohnerdichte und psychischer Erkrankung könnte über den Faktor der sozialen Integration bzw. der sozialen Ausgrenzung hergestellt werden. Die WHO nannte in ihrem Bericht zur Prävention psychischer Erkrankungen unter anderem folgende Schutzfaktoren: gute zwischenmenschli-

che Interaktionen, soziale Partizipation, soziale Unterstützung und Gemein- schaftsnetzwerke (World Health Organization 2004, S. 20-23). Auch fällt in diesem Zusammenhang oft der Begriff des sozialen Kapitals, das neben den von der WHO genannten Faktoren noch folgende beinhaltet: lokale (städtische/ bürgerli- che) Identität, Solidarität mit der lokalen Gemeinschaft und Vertrauen in die Ge- meinschaft, aber auch bürgerliche Verpflichtung, Prinzip der gegenseitigen Unter- stützung und Regeln der Zusammenarbeit (McKenzie & Harpham 2006). Das allgemeine Bild einer ländlichen Gemeinschaft beinhaltet meist eine große Anzahl dieser Faktoren. Es wird davon ausgegangen, dass gerade in ländlichen Gegenden mit wenigen Einwohnern die verwandtschaftlichen und auch die nachbarschaftli- chen Beziehungen besonders eng sind, dass man sich gegenseitig hilft und dass dies zu einem besseren allgemeinen Gesundheitszustand als in Städten führt. Die Kehrseite von solcherart hohem sozialen Kapital ist allerdings, dass lediglich diejenigen, die in die jeweilige (ländliche) Gemeinschaft passen, also den Norm- und Wertvorstellungen der Gemeinde entsprechen, die benannten Vorteile genießen. Diejenigen Bewohner, die sich nicht einfügen können bzw. wollen, erleben aber besonders ausgeprägt negative Konsequenzen, da sie oft sozial ausgegrenzt werden (McKenzie et al. 2002; Whitley & McKenzie 2005).

Anhand von drei Beispielen (Homosexualität, frisch geschiedene und alleinste- hende Frauen) untersuchten Watkins und Jacoby (2007), was es für die einzelnen Personen bedeutet, nicht in eine ländliche Gemeinschaft zu passen. Die betroffenen Personen berichteten, dass sie zwar selten offen (verbal) angegriffen wurden, dass aber ihre Lebensweise als Bedrohung der vorherrschenden Lebensweise (verheiratet mit Kindern) angesehen wurde und dies dazu führte, dass sie beab- sichtigt und auch unbeabsichtigt aus der Gemeinschaft ausgegrenzt wurden. Die soziale Ausgrenzung führte bei allen drei Gruppen zu psychischen Problemen (Watkins & Jacoby 2007). Parr et al. (2004) untersuchten sehr ausführlich die Er- fahrungen, die psychisch kranke Menschen in ländlichen Gebieten im schottischen Hochland in Bezug auf Integration und Ausgrenzung machten. Die Studie ergab ein sehr differenziertes und komplexes Bild des Gemeinschaftslebens. Ein Großteil der befragten psychisch erkrankten Personen berichtete von durchaus positiven Erfahrungen, d.h. dass sie in der Gemeinschaft akzeptiert wurden und dass sie von

unterschiedlichen Stellen (Familie, Freunde, Nachbarn) unterstützt wurden. Al- lerdings wurde die Anteilnahme der Dorfbewohner (z.B. Fragen nach dem aktuel- len Befinden) unterschiedlich bewertet; auf der einen Seite gab es viele, die sich dadurch stärker in die Gemeinschaft eingebunden fühlten, auf der anderen Seite empfanden einige Betroffene dieses Nachfragen als aufdringlich, reiner Neugierde entsprungen und fühlten sich dadurch belästigt oder kontrolliert (Parr et al. 2004). Gerade die soziale Kontrolle, die in kleinen Orten besonders stark ausge- prägt sein kann, wurde von vielen als Belastung empfunden. In kleinen Gemein- schaften ist es oft schwierig, wenn nicht sogar unmöglich, durch die Krankheit hervorgerufenes, von der allgemein anerkannten Norm abweichendes Verhalten dauerhaft zu verbergen. Doch dies scheint vielen Betroffenen elementar, um nicht aus der Gemeinschaft ausgeschlossen zu werden. Das Bedürfnis nicht aufzufallen kann soweit führen, dass bestimmte Orte gemieden werden oder der Betroffene sich in eine selbstgewählte Isolation zurückzieht (Parr et al. 2004). Wird die Krankheit bekannt, leiden die Betroffenen meist unter indirekter (u.a. Klatsch, nicht mehr eingeladen oder besucht werden) oder direkter (u.a. nicht mehr ge- grüßt werden, offene verbale Anfeindungen) Ausgrenzung. Auch wurden Fälle berichtet, in denen Nachbarn abweichendes Verhalten von Personen mit bekann- ter psychischer Erkrankung bei den Behörden meldeten, was zu einer ungewoll- ten und vielleicht auch unnötigen Einweisung in eine Klinik führte (Parr et al. 2004). Die ambivalenten emotionalen Reaktionen der Allgemeinbevölkerung ge- genüber psychisch Erkrankten zeigte auch die Studie von Angermeyer et al. (2010). Obwohl die Mehrzahl der Personen positive Gefühle, wie den Wunsch zu helfen, Mitgefühl, Empathie, Freundlichkeit, aber auch Mitleid zeigte, wurden oft auch Unbehagen, Unsicherheit, Misstrauen und Angst genannt. Hinzukommt, dass eine Unkenntnis der Erkrankung und ihrer Folgen oder Symptome negative Reak- tionen verstärken kann. Die emotionale Reaktion eines Menschen bestimmt sei- nen Wunsch nach sozialer Distanz gegenüber der erkrankten Person. So kommen für Betroffene zu den fehlenden Schutzfaktoren von sozialen Beziehungen noch die Risikofaktoren Isolation, Entfremdung und Diskriminierung hinzu (World Health Organization 2004, S. 20-23), was die Erkrankung verschlimmern kann.

Bei der vorliegenden Studie war es allerdings nicht möglich, niedrige Einwohner- dichte aufzugliedern nach Gemeinden, in denen wenige Personen leben, diese aber konzentriert in Ansiedlungen, oder Gemeinden, in denen wenige Einwohner auf der gesamten Fläche der Gemeinde verteilt leben. Im ersten Fall könnte der Zusammenhang zwischen Einwohnerdichte und Aufnahmen auf die oben beschriebenen Mechanismen zurückgehen. Im zweiten Fall könnte auch eine Isolie- rung und Vereinsamung stattfinden, allerdings auf Grund von fehlenden Möglich- keiten zur sozialen Interaktion. Hier wäre eine Untersuchung auf einer Ebene unterhalb der Gemeindeebene erforderlich, z.B. ein Vergleich zwischen Dörfern mit hauptsächlich alteingesessenen Bewohnern, zwischen welchen oft starke soziale Bande bestehen, und Dörfern mit großem Anteil von Neubauflächen (und somit zugezogenen Bewohnern) in welchen die gültigen Normen vielleicht schon etwas aufgelockert sind, Kleinstädten ähnlich.

4.3 Diskussion der Fragestellung 3: Sind Unterschiede bei den Aufnahmezahlen der in die Studie einbezogenen Diagnosegruppen (Schizophrenie und affektive Störungen) zu finden?

4.3.1 Modell 2: Schizophrenie, schizotype und wahnhafte Störungen (ICD-10-GM F20-F29) Im Modell zu den Zusammenhängen zwischen Gemeindeeigenschaften und Auf- nahmezahlen für Patienten mit Schizophrenie, schizotypen und wahnhaften Stö- rungen verlieren viele der Variablen im Vergleich zum ersten Modell ihre Signifi- kanz. Dies könnte an einer zu niedrigen Fallzahl bei den Aufnahmen liegen und/oder daran, dass bei Schizophrenie die Heritabilität bei ca. 70% bis 87% liegt (Cardno et al. 1999; Sullivan et al. 2000; Shih et al. 2004), und somit Umweltein- flüsse eine eher geringe Rolle in der Ätiologie der Erkrankung spielen. Dennoch kann man in der vorliegenden Studie einige Trends und signifikante Zusammen- hänge erkennen. Diese müssten aber u.a. daraufhin geprüft werden, ob sie in manchen Fällen nicht eher auf die soziale Selektion zurückgehen (z.B. beim gefundenen signifikanten, negativen Zusammenhang zwischen den Aufnahmezahlen und dem Gesamtbetrag der Einkünfte je Steuerpflichtigem). In früheren Studien wurde

schon darauf hingewiesen, dass die soziale Selektion bei Personen mit einer Er- krankung aus dem schizophrenen Formenkreis eine größere Rolle spielt als die soziale Verursachung (Dohrenwend et al. 1992).

Der in der vorliegenden Studie gefundene signifikante Zusammenhang von niedrigen Gesamteinkünften je Steuerpflichtigem und höheren Aufnahmezahlen wurde ähnlich auch schon in der Studie von Fortney et al. (2009) gefunden. Hier zeigte sich ein Zusammenhang zwischen dem Prozentsatz der in Armut lebenden Be- wohner einer Gemeinde und Einweisungsraten wegen Schizophrenie. Des Weite- ren wurde in dieser Studie ein Zusammenhang zwischen dem Anteil an Arbeitslo- sen in der Gemeinde und Aufnahmezahlen von Patienten mit Schizophrenie, schizotypen oder wahnhaften Störungen gefunden. Dieser Zusammenhang ist auch in der vorliegenden Studie zu sehen. Während es Hinweise darauf gibt, dass eine Arbeitsstelle sich positiv auf soziale Fähigkeiten, Symptomniveau, Lebens- qualität und Selbstwertgefühl des Schizophrenieerkrankten auswirken kann (Marwaha & Johnson 2004), deutet vieles darauf hin, dass eher die Erkrankung den Beschäftigungsstatus beeinflusst, als dass Arbeitslosigkeit direkt Schizophre- nie verursacht (Häfner 1988). Als Hauptfaktoren für den Verlust der Arbeit und für die Probleme, Arbeit zu finden, werden die Dauer und Schwere der Erkran- kung genannt (Marwaha et al. 2009). In Verbindung hiermit stehen die Ergebnisse anderer Studien, die einen Zusammenhang zwischen der regionalen allgemeinen Erwerbstätigenquote und der Wahrscheinlichkeit, dass Personen mit Schizophre- nie eine Anstellung haben, fanden. Je höher die Erwerbstätigenquote ist, desto wahrscheinlicher haben auch Personen mit Schizophrenie eine Beschäftigung (Ki- lian & Becker 2007; Marwaha et al. 2009).

Bei den zwei Variablen, die Auskunft über die Prosperität der Gemeinden geben sollen, zeigt sich nur beim Bevölkerungswachstum ein signifikanter Zusammen- hang. Zusammen mit dem Ergebnis, dass Gemeinden im Studiengebiet, in denen eine hohe Einkommensdifferenz herrscht, höhere Aufnahmezahlen aufweisen, ergaben sich Hinweise, dass es einen Zusammenhang zwischen dem Wohnen in einer benachteiligten Gemeinde und der Entstehung bzw. dem Verlauf von Schi- zophrenie gibt (Thornicroft 1991; Fortney et al. 2009).

Einflüsse von Landnutzungstypen auf die Entstehung und den Verlauf sind bei Schizophrenie verglichen mit z.B. depressiven Erkrankungen kaum belegt. Eher allgemein wird darauf hingewiesen, dass sich auch hier die entspannende Wir- kung von Natur positiv auf das Befinden des Erkrankten auswirkt, wie z.B. in der oben beschrieben Studie von Roe et al. (2011). In der vorliegenden Studie zeigt sich bei beiden Grünflächenarten die Tendenz, dass mit steigendem Grünflächen- anteil in der Gemeinde die Aufnahmezahlen sinken, obwohl nur beim Anteil der landwirtschaftlichen Flächen ein statistisch signifikanter Zusammenhang nach- weisbar ist. Der einzige Aspekt, der in mehreren Studien untersucht wurde, ist der Zusammenhang zwischen Schizophrenie und Lärm- und Luftverschmutzung durch Straßen (Marcelis et al. 1999; Pedersen & Mortensen 2001; Pedersen et al. 2004; Pedersen & Mortensen 2006a), obwohl auch hier die Ergebnisse nicht eindeutig sind. Da diese Studien vor allem in Städten durchgeführt wurden, in welchen das Verkehrsaufkommen und somit Luftverschmutzung und Lärmbelastung höher sind als in den Gemeinden der Studienregion, könnte es tatsächlich so sein, dass sich der Anteil der Straßenflächen in ländlichen Gegenden nicht auf Aufnah- mezahlen von Schizophreniepatienten auswirkt.

Es zeigt sich zwischen Einwohnerdichte und Aufnahmen für Patienten mit Schizo- phrenie zwar die gleiche Tendenz wie im Modell 1 (je niedriger die Einwohner- dichte, desto höher die Aufnahmezahlen), diese Tendenz ist allerdings nicht statistisch signifikant. Geht man davon aus, dass eine niedrige Einwohnerzahl sich auf die sozialen Netzwerke von psychisch erkrankten Menschen auswirkt, so kann man auch hier verschiedene Wirkmechanismen vermuten. Die Studie von Schomerus et al. (2007) zeigte auf der einen Seite, dass an Schizophrenie erkrankte Personen im ländlichen Studiengebiet häufiger ihre Familie oder Freunde be- suchten und auch sonst öfter sozialen Aktivitäten nachgingen als Personen in Städten. Auf der anderen Seite war aber erkennbar, dass bei Auftreten von schizophrenie-bedingten Symptomen soziale Kontakte (auch die zur Familie) leiden und zurückgehen, insbesondere bei verstärkt auftretender Negativsymptomatik. Bes- seres allgemeines Funktionsniveau bedeutete hingegen häufigeren sozialen Kon- takt. Da in der vorliegenden Studie nur die Personengruppe untersucht wurde, bei der ein Krankenhausaufenthalt nötig war, könnte dies das Ergebnis beeinflusst

haben. Die gefundene Tendenz, dass bei niedrigen Einwohnerzahlen die Aufnah- mezahlen steigen, könnte wie bei Schomerus et al. darauf hindeuten, dass es v.a. in akuten Phasen, in denen die Erkrankung ggf. auch für Dritte erkennbar ist, zu einer sozialen Isolierung kommt, oder dass eine Einweisung auch deshalb erfolgt, weil sich Familie und Freunde überfordert fühlen. Eine Rolle spielt wahrscheinlich auch, dass Schizophrenie als die am leichtesten durch Laien zu erkennende, aber auch gleichzeitig als die am wenigsten sozial tolerierte psychische Erkrankung gilt (Stuart & Arboleda-Flórez 2001; Angermeyer et al. 2010). In ihrer Studie fanden Stuart und Arboleda-Flórez (2001), dass gerade Bewohner von ländlichen Gegen- den die biologischen Ursachen der Erkrankung nicht kennen und dass sie Perso- nen, die an Schizophrenie erkrankt sind, als persönlichkeitsgespalten und gewalt- tätig beschreiben. Dieses Bild des gefährlichen psychisch Kranken wirkt sich besonders negativ auf die Reaktionen der Allgemeinheit auf die betroffene Person aus und führt zu ihrer Stigmatisierung und sozialen Isolation (Angermeyer & Mat- schinger 2003). Um dies zu verhindern, versuchen viele ihre Erkrankung geheim zu halten und vermeiden sogar den Kontakt mit anderen Menschen, womit sie sich selber aus der Gemeinschaft ausgrenzen (Angermeyer & Matschinger 2003; Parr et al. 2004). Trotz der fehlenden Signifikanz in der vorliegenden Studie und der zum Teil bestätigten Vermutung, dass erkrankte Personen im ländlichen Raum besser sozial eingebunden sind, müssten die zugrunde liegenden Mecha- nismen genauer betrachtet werden als in der vorliegenden Studie möglich, um die Auswirkungen von geringer Einwohnerzahl, geringer Möglichkeit zur sozialen Interaktion, Stigmatisierung und Isolation auf eine Schizophrenieerkrankung bzw. auf eine Aufnahme aufgrund dieser Erkrankung zu entschlüsseln.

Im Gegensatz zu den Modellen, in denen beide Diagnosegruppen zusammen oder die affektiven Störungen (ICD-10-GM F30-F39) allein untersucht wurden, zeigte sich beim Modell für Schizophrenie, schizotype und wahnhafte Störungen ein Zu- sammenhang mit dem Migrationsindex; je höher dieser war, desto mehr Aufnah- men fanden statt. Dass es in Stadtteilen mit erhöhter Wohnmobilität, d.h. mit häu- figen Weg- bzw. Zuzügen, einen Zusammenhang mit erhöhten Raten von Schizo- phrenie, Majorer Depression und Drogenabhängigkeit gibt, zeigte sich schon in früheren Studien (Faris & Dunham 1965, S. 173 u. 177; Silver et al. 2002). Für die-

sen Zusammenhang gibt es mehrere Erklärungsansätze. Basierend auf der Theorie der sozialen Verursachung wird davon ausgegangen, dass der verstärkte Wechsel von Anwohnern die Entstehung von sozialen Netzwerken erschwert oder sogar verhindert. Die Möglichkeiten zu sozialem Kontakt, informellen Netzwerken und für lokale Freundschaften werden reduziert (Cockerham 2002, S. 148-155; Silver et al. 2002). In Kapitel 4.2 wurde der Zusammenhang zwischen sozialer Integrati- on und psychischer Gesundheit schon ausführlicher dargestellt. Es wird auch darauf hingewiesen, dass gerade in benachteiligten Gebieten der Wechsel von Be- wohnern besonders hoch ist (Silver et al. 2002), so dass er nur ein Risikofaktor von vielen in diesen Gebieten ist. Eine andere Möglichkeit besteht darin, dass die Erkrankten selber vermehrt umziehen. Ein Hauptrisikofaktor ist hierbei wieder das Fehlen von sozialen lokalen Kontakten, da diese nach jedem Umzug neu etab- liert werden müssen. Hinzukommen der durch den Umzug verursachte Stress und gegebenenfalls eine Unterbrechung der medizinischen und psychologischen Be- handlung (Lix et al. 2006). Aber auch hier kann der dahinterliegende Mechanis- mus durch soziale Selektion entstehen: gerade in benachteiligten Wohngegenden kann es zu dem Phänomen kommen, dass nur die vergleichsweise besser gestell- ten Personen wegziehen können. Bei denjenigen, die zurück bleiben, kommt es verstärkt zu Gefühlen wie Ärger oder Frustration und zur sozialen Isolation (Cockerham 2002, S. 148-155). Da es in der vorliegenden Arbeit nicht möglich war, Wanderungsbewegungen von Patienten mit in die Analyse aufzunehmen, kann keine Aussage darüber getroffen werden, welcher der beiden Faktoren in der Studiengegend eine größere Rolle spielt. Ebenfalls unklar bleibt, warum in der vorliegenden Studie der Zusammenhang nur für das Modell der Schizophrenie, schizotypen und wahnhaften Störungen gefunden wurde und bei den anderen Modellen nicht.

4.3.2 Modell 3: Affektive Störungen (ICD-10-GM F30-F39) Bei den affektiven Störungen (ICD-10-GM F30-F39) konnten die meisten der in der Literatur bereits beschriebenen Zusammenhänge repliziert werden. Dieses Ergebnis war zu erwarten, da sowohl Heritabilitätsstudien als auch Studien zur

sozialen Verursachung darauf hindeuten, dass die Ätiologie der Depression stär- ker durch Umweltfaktoren als durch genetische Faktoren beeinflusst wird (Dohrenwend et al. 1992; Sullivan et al. 2000; Shih et al. 2004).

Erwartungsgemäß zeigten Gemeinden mit einem hohen Gesamtbetrag der Ein- künfte je Steuerpflichtigem niedrigere Aufnahmezahlen und Gemeinden mit einer hohen Einkommensdifferenz hohe Aufnahmezahlen. Den Zusammenhang zwischen niedrigen Einkommen und Depressionen zeigte auch die Meta-Analyse über sozio-ökonomische Risikofaktoren bei Depressionen von Lorant et al. (2003). Die untersuchten sechs Studien zum Thema Einkommen zeigten, dass Menschen in der niedrigsten Klasse des sozio-ökonomischen Status’ höhere odds ratios (1.11- 3.30) hatten als die in der höchsten Klasse. Die Autoren fassten zusammen, dass niedriger sozio-ökonomischer Status mit einem erhöhten Depressionsrisiko (Lo- rant et al. 2003) einhergeht; an anderer Stelle wurde gefunden, dass niedriger sozialer Status auch mit höheren Verschreibungsraten von Antidepressiva (von Soest et al. 2012) zusammenhing. In einer zweiten Studie zeigte Lorant (2007), dass eine Verschlechterung der materiellen Lebenslage durch z.B. finanzielle Be- lastungen, Deprivation oder Armut während eines Jahres zu einem Anstieg der depressiven Symptome in der Studienpopulation führte.

Über den Zusammenhang ausschließlich zwischen Einkommen und Depressions- erkrankungen in ländlichen Gebieten in Europa gibt es kaum neuere Studien. Die einzige der Autorin bekannte Studie stammt von Simmons et al. (2008) und un- tersuchte, ob der Zusammenhang zwischen finanziellem Status und Depressionen bei Frauen in ländlichen Gebieten durch soziale Selektion oder soziale Verursa- chung erklärt werden kann. Ihre Ergebnisse deuteten darauf hin, dass man eher von einer sozialen Verursachung ausgehen kann, dass also niedriger finanzieller Status (v.a. Armut) Depressionen bei Frauen in ländlichen Gebieten mit verursacht. Gleichzeitig gab es aber Hinweise darauf, dass sich soziale Selektion und soziale Verursachung gegenseitig beeinflussten (Simmons et al. 2008).

Es muss allerdings erwähnt werden, dass der Zusammenhang zwischen Einkom- men und Depression nicht in allen Studien klar hervortritt. So zeigte die Studie von Zimmerman et al. (2005), dass bei einer Aufnahme anderer sozio-

ökonomischer Variablen (z.B. Ausbildung, Geschlecht oder Beruf) in das Modell der Effekt fast ganz verschwindet, obwohl im einfachen Modell eine Verdopplung des Einkommens mit einer 10%igen Reduktion von Depressionssymptomen asso- ziiert war. Einkommen kann somit auch für die Gesundheit beeinflussende Dritt- variablen stehen. Beispielsweise bedeutet ein höheres Einkommen weniger finanziellen Stress, welcher zur Entstehung von Depressionen beitragen kann. Besser bezahlte Arbeitsstellen bedeuten oft mehr Prestige und ein besseres Arbeitsum- feld, welches sich wiederum positiv auf die Gesundheit auswirken kann. Ein höhe- res Einkommen bedeutet aber auch besseren Zugang zur Gesundheitsversorgung und somit zur Behandlung von Depressionen (Zimmerman & Katon 2005).

In der vorliegenden Studie steigen die Aufnahmen von Patienten mit einer affektiven Erkrankung mit einem Anstieg der Einkommensungleichheit in der Gemeinde, was darauf hindeutet, dass sich eine ungleiche Verteilung der finanziellen Res- sourcen auch auf der Ebene der Gemeinde negativ auf die psychische Gesundheit der Bewohner auswirkt. Wie in Kapitel 4.1.1 schon beschrieben, wurde der negative Einfluss von Einkommensungleichheit auf psychische Gesundheit bisher vor allem auf nationaler Ebene untersucht. Cifuentes et al. (2008) befassten sich mit dem Zusammenhang zwischen depressiven Episoden, Einkommensungleichheit und dem Human Development Index (HDI)1 auf nationaler Ebene. Sie fanden einen positiven Zusammenhang zwischen dem Gini-Koeffizienten2 in den Staaten mit hohem HDI Wert und depressiven Episoden in der Bevölkerung. Ihre Studie zeigte, dass man beim Vergleich zweier hoch entwickelter Staaten mit unterschiedlichen Gini-Werten auch unterschiedliche Prävalenzraten erwarten kann

1 Der HDI (Human Development Index) der Vereinten Nationen ist ein aggregierter Index, der als Ver- gleichsgröße für den Wohlstand einer Nation verwendet wird und sich aus insgesamt vier Indikatoren für die Bereiche Gesundheit, Bildung und Lebensstandard zusammensetzt (vgl. United Nations’ global development network 2011). Sein Wertebereich erstreckt sich theoretisch von 0-100% bzw. zwischen 0 und 1, wobei die Extremwerte i.d.R. von keinem Land erreicht werden.

2 Algebraisch definiert sich der Gini-Koeffizient als die Hälfte des arithmetischen Mittels des absoluten Unterschiedes zwischen allen Einkommenspaaren in einer Population; die Gesamtmenge wird dann auf das Durchschnittseinkommen normiert. Wenn das Einkommen einer Population vollkommen gleich auf alle verteilt ist, beträgt der Gini-Wert 0, und wenn eine einzige Person alles Einkommen besitzt (was einer maximalen Ungleichheit entsprechen würde), dann ist der Gini-Wert 1 (eigene Übersetzung nach: Subramanian & Kawachi 2004).

(im Beispiel niedrige Einkommensungleichheit: Gini = 0.25 und 4,0% Prävalenz, verglichen mit hoher Ungleichheit Gini = 0.39 und 6,2% Prävalenz).

Der Wirkungskomplex zwischen Arbeitslosigkeit und Depressionen beinhaltet mehrere Risikofaktoren und gegenseitige Abhängigkeiten. So ist bekannt, dass der Verlust der Arbeitsstelle zu depressiven Symptomen führen kann, und dass das Auftreten oder die Verschlimmerung von depressiven Symptomen umso wahrscheinlicher ist, je länger die Arbeitslosigkeit anhält. Das Finden einer Arbeitsstel- le hingegen ist mit einer Verbesserung der Symptomatik verbunden, gleichzeitig können Depressionen jedoch zum Verlust der Arbeitsstelle führen oder das Fin- den einer neuen Arbeitsstelle erschweren (Jefferis et al. 2011). Hinzu kommen die in Kapitel 4.1.1 beschriebenen, in diesem Fall speziell durch Arbeitslosigkeit ver- ursachten Risikofaktoren, wie z.B. Einkommensverlust, Statusverlust oder auch Versagensgefühle (im Speziellen für Depression siehe auch Zimmerman et al. (2005)). Doch nicht nur auf individueller Ebene finden sich Zusammenhänge: In der Studie von Fortney et al. (2007) traten in Landkreisen mit hoher Arbeitslosig- keit und hoher Armut signifikant mehr Einweisungen auf. Ein Anstieg der Arbeits- losigkeit um 10% führte zu einem Anstieg von 10,1% bei den Einweisungsraten (bei Armut stiegen die Einweisungsraten um 3%). In der vorliegenden Studie wurde hingegen kein signifikanter Zusammenhang zwischen Aufnahmezahlen und Arbeitslosigkeit gefunden, dennoch zeigt sich der Trend, dass bei höherer Ar- beitslosigkeit auch die Aufnahmezahlen höher sind. Da die Wirkzusammenhänge vielfältig sind, kann nicht beurteilt werden, ob das Ergebnis durch eine nicht in das Modell aufgenommene Drittvariable verursacht wurde, oder ob durch die Kombination von seltener Erkrankung (der maximale Mittelwert der kumulierten Aufnahmen bezogen auf die Erwachsenenbevölkerung beträgt nur 0,0066; siehe Abbildung 9) und seltenem Ereignis (die maximale Arbeitslosenrate in der Region beträgt 5%; siehe Abbildung 11) eine zu geringe Fallzahl entsteht, so dass kein signifikanter Effekt gefunden werden konnte.

Bei den Variablen, mit welchen die Prosperität der Gemeinden überprüft wurde (demographische Entwicklung und Pendlersaldo), wurden die gleichen Ergebnis- se gefunden wie im Modell 1 (Schizophrenie, schizotype und wahnhafte Störun-

gen (ICD-10-GM F20-F29) und affektive Störungen (ICD-10-GM F30-F39) gemeinsam). Der vermutete zugrundeliegende Mechanismus wurde bereits im Kapitel 4.1.1 dargelegt.

Die in das Modell aufgenommenen Landnutzungstypen zeigen die gleichen Muster wie in vorherigen Studien: je höher der Grünflächenanteil, desto niedriger die Aufnahmezahlen und je höher der Straßenflächenanteil, desto höher die Aufnah- mezahlen. Der vermutete zugrundeliegende Mechanismus wurde bereits im Kapi- tel 4.1.2 dargelegt.

Bei der Diagnosegruppe der affektiven Störungen (ICD-10-GM F30-F39) tritt im Zusammenhang mit der Einwohnerdichte der gleiche unerwartete Effekt auf, dass die Aufnahmezahlen in den am wenigsten besiedelten Gemeinden höher sind als in den dichter besiedelten. Neben den im Kapitel 4.2 angeführten möglichen Risi- kofaktoren (z.B. fehlende soziale Netzwerke, Isolation, Stigmatisierung) wurde bei affektiven Störungen im Speziellen nochmals der Zusammenhang zur Einsamkeit hergestellt (Cacioppo et al. 2006; Heinrich & Gullone 2006). Einsamkeit und De- pression beeinflussen sich wechselseitig: So können depressive Symptome durch Einsamkeit hervorgerufen oder verstärkt werden, an Depression erkrankte Men- schen neigen allerdings auch dazu, sich von sozialen Aktivitäten zurückzuziehen und somit verstärkt Einsamkeitsgefühle zu erleben (Cacioppo et al. 2006). Der Zusammenhang zur Einwohnerdichte besteht auch hier möglicherweise wieder im Mangel an sozialen Netzwerken, der Ausgrenzung durch andere oder dem Rückzug aus dem Gemeinschaftsleben, um gerade in kleinen Gemeinschaften Aus- grenzung und Stigmatisierung vorzubeugen, wie in der Studie von Parr et al. (2004) beschrieben.

4.4 Umgang mit den Einschränkungen der Studie Um die Zusammenhänge zwischen Umfeld und Krankheitsentstehung bzw. -verlauf zu erforschen, wäre sicherlich eine Kohortenstudie auf Individual- ebene am geeignetsten, da hier nachgeprüft werden könnte, wie bestimmte Risi- kofaktoren auf eine Gruppe gesunder Personen über den Lauf der Studienjahre

einwirken. Dies war allerdings aufgrund des dafür notwendigen langen Studien- zeitraums (bei Schizophrenie werden u.a. auch pränatale und während der Kind- heit einwirkende Risikofaktoren diskutiert (vgl. Kapitel 1.6), der Erkrankungsbe- ginn liegt allerdings üblicherweise zwischen der Pubertät und dem dreißigsten Lebensjahr (Möller et al. 2011, S. 216f.)) und der damit verbundenen hohen Kos- ten nicht möglich. Zudem spricht gegen eine Kohortenstudie, dass es sich bei den untersuchten psychischen Erkrankungen wie bei den meisten schweren psychischen Erkrankungen um im epidemiologischen Sinn „seltene Ereignisse“ handelt; hinzu kommt, dass auch einige der untersuchten Risikofaktoren eher selten vorkommen, so dass man eine sehr große Anzahl von Probanden in die Studie auf- nehmen müsste, um ausreichend Studienteilnehmer mit den untersuchten Risiko- faktoren und Erkrankungen in der Studie zu haben (Müllner 2005, S. 79-82). Eine andere Möglichkeit wäre eine Fall-Kontroll-Studie gewesen, allerdings hätte man hierfür eine Zufallsstichprobe aus der Bevölkerung benötigt, was den Rahmen der Dissertation zeitlich und finanziell gesprengt hätte. Zusätzlich bestünde auch hier das Problem der seltenen Risikofaktoren (Müllner 2005, S. 76 u. 78).

Bei der Analyse und Interpretation von Daten auf Aggregatsebene ist immer darauf zu achten, dass jede Studie, die auf einer aggregierten Ebene anstatt der individuellen Ebene Daten auswertet, anfällig für den „ökologischen Fehlschluss“ ist, welcher erstmals 1950 von William Robinson mathematisch nachgewiesen wurde (Rothman et al. 2008, S. 519; Robinson 2009). Der „ökologische Fehlschluss“ besteht darin, dass man fälschlicherweise von Ergebnissen der Aggregatsebene Rückschlüsse auf die Individualebene zieht (Morgenstern 1982; Piantadosi et al. 1988; Diez-Roux 1998; Rothman et al. 2008, S. 519f.).

Rothman et al. (2008, S. 520) unterscheiden drei typische Verzerrungen im Zu- sammenhang mit dem ökologischen Fehlschluss: Bias innerhalb der Gruppe, d.h. innerhalb der untersuchten Gruppe ergeben sich Fehler aufgrund von Störfakto- ren (Confoundern), Fehlern in der Auswahlmethode oder von Fehlklassifikation (dieser Fehler kann allerdings auch bei jeder anderen Studienart vorkommen); „Confounding by group“: die Krankheitsrate innerhalb der nicht exponierten Po- pulation variiert zwischen den unterschiedlichen Gruppen; „Gruppenspezifische

Effektmodifikation“: diese kann vorkommen, wenn alle Individuen einer Gruppe im Vergleich mit einer anderen auf eine Exposition z.B. besonders stark reagieren. Die zwei letzteren Bias-Typen sind die Ursachen des „cross-level bias“, welcher besagt, dass es zu Fehlern in der Interpretation von Ergebnissen ökologischer Studien kommen kann, wenn man die Ergebnisse wie die einer Studie auf Indivi- dualebene behandelt. Fehlinterpretationen können zurückgeführt werden auf: von außen einwirkende Risikofaktoren (Confounder) sind innerhalb der Gruppen ungleich verteilt; die ökologische Expositionsvariable hat einen kontextabhängi- gen Effekt auf das Risiko, welcher sich vom analogen, biologischen Effekt auf der Individualebene unterscheidet (Bsp.: man lebt in einer verarmten Gegend im Ge- gensatz zu man ist selbst arm); das Krankheitsrisiko hängt von der Prävalenz der Erkrankung bei den anderen Gruppenmitgliedern ab, dies gilt v.a. für Infektions- krankheiten (eigene Übersetzung nach: Rothman et al. 2008, S. 520).

Trotz des Risikos der Fehlinterpretation von Ergebnissen haben ökologische Stu- dien durchaus eine Berechtigung: Zusammenhänge zwischen der Entstehung und dem Verlauf von Erkrankungen lassen sich nicht nur auf der Individualebene, sondern auch auf der Ebene von Gruppen oder Gemeinschaften finden. Einige Ri- sikofaktoren lassen sich nur schwer oder gar nicht auf der Individualebene, sondern nur auf der Gruppenebene analysieren. Diese Gruppencharakteristika kön- nen in drei Grundtypen eingeteilt werden: In abgeleitete Variablen (auch Aggre- gatvariablen), welche die Charakteristika aller Individuen einer Gruppe zusam- menfassen (z.B. mittleres Haushaltseinkommen, Einkommensverteilung), integra- le Variablen (auch globale Variablen), welche Charakteristika der Gruppe erfassen, die nicht abgeleitet sind von Charakteristika der einzelnen Gruppenmitglie- der (z.B. Bevölkerungsdichte, Vorhandensein von medizinischen Einrichtungen) und umweltbezogene Variablen, welche die physikalischen Eigenschaften der Wohn- oder Arbeitsorte der Gruppenmitglieder beschreiben (z.B. Luftverschmut- zung) (eigene Übersetzung nach: Rothman et al. 2008, S. 512). Im Allgemeinen kann man davon ausgehen, dass Gruppencharakteristika mehr sind als nur die Summe der Individualcharakteristika und somit auf einer anderen Ebene auf Ge- sundheit oder Erkrankung einwirken (Diez-Roux 1998; Rothman et al. 2008, S. 512). Es ist wichtig, beide Ebenen zu untersuchen, allerdings dürfen die Ergebnis-

se der unterschiedlichen Ebenen nicht ohne Einschränkungen mit einander verglichen werden oder Rückschlüsse von der Gruppenebene auf die Individualebene oder vice versa gezogen werden.

Da keiner Patienten- oder Kontrollgruppe über eine bestimmte Zeit gefolgt wurde, um Daten zu erheben, handelt es sich bei der vorliegenden Studie um eine retrospektive Studie. Die verwendeten Daten wurden alle am Ende des jeweiligen Jah- res aus den verschiedenen Quellen, in welchen die Einzeldaten des vergangenen Jahres gesammelt waren, extrahiert. Die Genauigkeit der Daten kann daher nicht nachgeprüft werden und bei den Gemeindedaten fehlen für die Studie interessan- te Daten, z.B. zum Thema Bildung. Auch kann es sein, dass die Einbeziehung fehlender Daten in die Berechnungen die Ergebnisse verändert hätte (Müllner 2005, S. 78; Rothman et al. 2008, S. 99). Allerdings hätte es einen enormen Zeitaufwand bedeutet, für die gleiche Anzahl von Patienten und Gemeindeeinwohnern die gleichen und zusätzlich die fehlenden Informationen zu erheben. Wenn man sich au- ßerdem andere typische Fehlerquellen anschaut, die für retrospektive Studien aufgezeigt werden, wird schnell ersichtlich, dass sich diese meist auf die nachträg- liche Erhebung von Daten, z.B. durch ein Interview, beziehen und nicht auf die vorliegende Studie zutreffen. So bergen retrospektive Studien auf der Individual- ebene insbesondere die Gefahr des „Reporting Bias“, d.h. die Erinnerung an Risi- kofaktoren wird bei Personen mit der untersuchten Krankheit ausgeprägter vorhanden sein (Müllner 2005, S. 77). Andererseits kann es zum „Observer Bias“ kommen, d.h. dass anhand von Risikofaktoren gezielter nach Erkrankungen gesucht wird (Müllner 2005, S. 77). Bei Kohortenstudien kommt es außerdem häufig zu einem „Selection Bias“, da im Laufe der Jahre Studienteilnehmer aus der Studie ausscheiden und es somit zu einer Verzerrung der Ergebnisse kommen kann (Müllner 2005, S. 82f).

Alle drei Bias-Typen sind in der vorliegenden Studie sehr unwahrscheinlich. Der „Observer Bias“ kann ausgeschlossen werden, da Patienten nicht direkt gesucht wurden, sondern die Gesamtzahl der aufgenommenen Patienten der zwei Kran- kenhäuser bzw. alle Einwohner einer Gemeinde genommen wurden, somit kam es nicht zu einer Vorsortierung. Der „Reporting Bias“ kann ebenfalls ausgeschlossen

werden, da Patienten nicht direkt zu Risikofaktoren oder Erkrankungen befragt wurden. Die untersuchten Risikofaktoren wurden anhand der Literaturrecherche ermittelt und wurden auf der Ebene der Gemeindedaten, die objektiv von den jeweiligen staatlichen Einrichtungen erhoben werden, analysiert. Die Diagnosen wurden während der Aufnahmeuntersuchung gestellt. Und letztendlich kann der „Selection Bias“ auf der Individualebene ausgeschlossen werden, da keine Studi- enteilnehmer aus der Studie über die Jahre hinweg ausscheiden konnten, da die Untersuchungseinheiten die Gemeinde und die Gesamtzahl der Aufnahmen waren. Allerdings fand insofern eine gewisse Selektion statt, als wie im Folgenden genauer beschrieben nur stationäre Patienten aus zwei Krankenhäusern aus dem Studi- engebiet in die Studie aufgenommen wurden.

Die Verwendung der BADO der Kliniken für Psychiatrie, Psychotherapie und Psy- chosomatik an den Bezirkskrankenhäusern Günzburg und Augsburg ermöglicht zwar den Einschluss einer großen Anzahl von Fällen, allerdings gibt es zwei Ein- schränkungen. Erstens konnten keine Aufnahmedaten aus anderen Kliniken in die Studie einbezogen werden. Zwar lag der Anteil der Aufnahmen von Patienten, die im Einzugsgebiet der Klinik in Günzburg leben, aber in der Klinik in Augsburg behandelt werden, unter 5 %, dennoch ist es nicht möglich, eine Aussage darüber zu treffen, ob sich bei Einbeziehung von Daten aus weiteren Kliniken signifikante Unterschiede in den Ergebnissen gezeigt hätten. Auch könnten sich die Ergebnisse verändern, wenn man mehrere Kliniken mit ihren Einzugsgebieten in die Studie aufnähme. Zweitens konnten erkrankte Personen, die nicht stationär in einer der Kliniken behandelt wurden, wie z.B. diejenigen, die ambulant oder von einem niedergelassenen Arzt oder Psychologen behandelt wurden, nicht in die Studie aufgenommen werden. Ob und welche Art von Hilfe eine erkrankte Person in An- spruch nimmt, hängt von verschiedenen Faktoren ab: Der Schwere der Erkran- kung und der Prognose, der Art und Weise, wie jemand Hilfe sucht, dem Versor- gungsangebot, von Geschlecht, Ausbildungsgrad, Einbindung in soziale Netzwer- ke, Familienstand, Einkommen und sozio-ökonomischem Status (Olfson & Kler- man 1992; Bijl & Ravelli 2000; Drukker et al. 2007). Neuere Studien zeigen zudem, dass viele Menschen mit psychischen Störungen keine Behandlung in An- spruch nehmen. So zeigte eine Studie von Olfson et al. (1992), dass nur 34%-41%

aller Personen mit depressiver Erkrankung auch eine Behandlung in Anspruch nahmen. Wittchen et al. (2001) fanden in ihrer Gesamtstichprobe einen Versor- gungsanteil von nur 36,4 % für Deutschland. Somit ist nur ein Teil der Erkrankten in Behandlung und hiervon wiederum nur ein Teil stationär in einer Klinik. Hier- durch kann es zu einer systematischen Verzerrung der Ergebnisse kommen, da man davon ausgehen muss, dass die Beschränkung auf die Aufnahmen in ein Krankenhaus mit Selektionseffekten verbunden ist. Wenn man allerdings die Ver- sorgungssituation im Einzugsgebiet der Klinik in Günzburg betrachtet, kann man davon ausgehen, dass ein Großteil der Personen mit gewisser Erkrankungsschwe- re auch in den Kliniken Günzburg oder Donauwörth behandelt wird. So gab es im Einzugsgebiet nur 30 niedergelassene Fachärzte (Psychiatrie, Psychotherapie, Neurologie und Nervenheilkunde) und Psychotherapeuten (Stand 2009) (Kassen- ärztliche Vereinigung Bayern 2009) und auch nur eine zusätzliche psychiatrische Ambulanz (in Ursberg). Um zu überprüfen, ob die Verteilung der Ärzte oder die Ambulanz in Ursberg sich auf die Modelle auswirken, wurden Modelle mit ent- sprechender Anpassung des ursprünglichen Modells getestet (siehe Anhang). Es ergaben sich allerdings keine signifikanten Unterschiede zu den Ergebnissen der ursprünglichen Modelle. Somit kann davon ausgegangen werden, dass im vorliegenden Fall keine starke Verzerrung der Ergebnisse durch das Vorhandensein von anderen Behandlungsoptionen besteht. Das Problem der „Dunkelziffer“ von nicht behandelten Erkrankten konnte in der vorliegenden Studie allerdings nicht gelöst werden.

Insgesamt ergibt sich aus der räumlichen Begrenzung des Studiengebietes nicht nur das Problem der Randeffekte, d.h. der Abwanderung von „Fällen“ in eine Kli- nik außerhalb der Studienregion, sondern auch das Problem der veränderbaren räumlichen Einheiten. Das Letztere besteht darin, dass die Ergebnisse einer Studie mit räumlicher Abgrenzung stark von der räumlichen Definition des Studi- engebietes abhängen. Auf dieses Problem wurde im Kapitel 2.2 unter der Erklä- rung, warum die Gemeinde als Studienebene gewählt wurde, schon näher eingegangen.

Eine weitere, in der Einleitung bereits ausführlich dargestellte Schwierigkeit der Analyse ökologischer Einflussfaktoren auf die Häufigkeit psychischer Erkrankun- gen besteht in der Differenzierung der „Theorie der sozialen Verursachung“ von der „Theorie der sozialen Selektion“ (siehe Kapitel 1.3). In der vorliegenden Stu- die ist es nicht möglich nachzuweisen, ob die gefundenen Zusammenhänge zwischen Aufnahmedaten und Charakteristika von Gemeinden durch Kausal- oder Selektionsprozesse entstanden sind.

4.5 Schlussfolgerungen In der vorliegenden Studie wurde untersucht, ob Risikofaktoren, welche in Städ- ten gefunden wurden, auch in einer ländlichen Region existieren und Einfluss auf Aufnahmezahlen haben. Die vorliegende Studie konnte einige Ergebnisse aus vorangegangenen Studien in ähnlicher Form replizieren und weist somit darauf hin, dass die aus städtischen Gebieten bekannten Risikofaktoren auch in ländlichen Gebieten Auswirkungen haben können. Aber es zeigte sich auch, dass sich nicht alle Faktoren im ländlichen Raum genauso auf Aufnahmeraten auswirken wie in städtischen Gebieten. So zeigen die Ergebnisse, dass vor allem Risikofaktoren aus dem ökonomischen Bereich Aufnahmezahlen ähnlich wie in Städten beeinflussen, allerdings zeigen sich auch Effekte, die den Erfahrungen aus urbanen Gebieten vollkommen entgegenlaufen, z.B. bei der Einwohnerdichte.

Die Analyse der Modelle zeigte, dass sozio-ökonomische Faktoren unabhängig von der geographischen Situation wirken. Bei den drei geprüften Variablen (Einkom- men, Einkommensungleichheit und Arbeitslosenanteil) zeigte sich, ähnlich wie in der Literatur schon für städtische Gebiete beschrieben, ein positiver Zusammen- hang zwischen ökonomischen Problemen und Aufnahmerate. Dies lässt erkennen, dass bei den umfeldbedingten Risikofaktoren der sozio-ökonomische Bereich eine wichtige Stellung einnimmt und dass soziale Benachteiligung und/oder das Woh- nen in einer benachteiligten Gegend im Zusammenhang mit psychischer Erkran- kung steht. Dies gilt anscheinend nicht nur in großen Städten, sondern auch in ländlichen Regionen. Zusätzlich ist bekannt, dass Patienten aus sozial schwachen Schichten seltener medizinische Versorgung in Anspruch nehmen. Zusammenge-

nommen ergibt sich das Bild, dass im ländlichen Bereich psychisch kranke Men- schen aus benachteiligten Gemeinden, wo auch die medizinische Versorgungssi- tuation lückenhaft sein könnte, verstärkt in eine psychiatrische Klinik aufgenommen werden.

Im Bereich der Bevölkerungsdynamik zeigten sich auf der einen Seite vorab vermutete Zusammenhänge, wie der Einfluss von Migrationsbewegungen auf psychische Erkrankung, aber auf der anderen Seite auch Unerwartetes, wie bei der Be- völkerungsdichte. Bevölkerungswachstum, Migrationsbilanz und Pendlersaldo lassen Rückschlüsse auf die Prosperität und die Attraktivität der Gemeinden im gegenseitigen Vergleich zu. Ein eindeutiges Bild über die verschiedenen Modelle zeigte sich nicht, was darauf hindeutet, dass sich nicht alle Risikofaktoren glei- chermaßen auf die unterschiedlichen Diagnosegruppen auswirken. Dennoch kann man im Gesamtbild erkennen, dass auch hier eine Benachteiligung der Gemeinde (z.B. Bevölkerungsrückgang) zu erhöhten Aufnahmezahlen führen kann.

Das Thema Landnutzung zeigte die gleichen Tendenzen wie in städtischen Gebie- ten. Zudem gab es auch hier wieder Unterschiede zwischen den Modellen. Wäh- rend Grünflächen in allen drei Modellen die Aufnahmeraten senken, war bei den Straßenflächen nur im Modell der schizophrenen Erkrankungen kein Zusammen- hang zu finden. Bisher wurden bei diesem Thema meistens nur Einzelaspekte (wie z.B. der Einfluss von Parks oder Gärten in der Stadt auf die seelische Gesund- heit oder der Einfluss von körperlicher Bewegung im Freien auf psychische Er- krankungen) untersucht. Zwar entstanden so mehrere Hypothesen, woher der Zusammenhang zwischen Landnutzungstypen und psychischer Erkrankung stam- men könnte, doch ein Gesamtbild oder einen übergeordneten Ansatz gibt es bisher nicht. Beim Thema Landnutzung ist es auf der untersuchten Ebene nicht mög- lich, konkrete Handlungsrückschlüsse zu ziehen, da der zugrundliegende Mecha- nismus auf Aggregatebene nicht überprüft werden konnte und es hierzu nur wenige Studien auf der Individualebene gibt.

Besonders interessant war das Ergebnis, dass bei sinkenden Einwohnerzahlen die Aufnahmezahlen steigen (Modelle beider Diagnosegruppen zusammen und affektive Störungen) bzw. dass eine Tendenz dazu zu erkennen ist (Modell Schizophre-

nie). Hier zeigte sich deutlich, dass sich wie vermutet doch nicht alle Risikofakto- ren aus städtischen Gebieten eins zu eins auf ländliche Gebiete übertragen lassen. Vermutet wird, dass der Grund für dieses Ergebnis in den sozialen Netzwerken zu suchen ist. Zwar ist aus anderen Studien bekannt, dass in ländlichen Gebieten oftmals Personen mit psychischen Erkrankungen besser in die Familie integriert sind als in städtischen Räumen, gleichzeitig ist aber die außerfamiliäre Integration oft beeinträchtigt. Während Städte eine gewisse Anonymität bieten und von Nor- men abweichendes Verhalten eher akzeptiert wird, ist dies in ländlichen Gebieten oft nicht gegeben. So kann eine mögliche U-förmige Verteilung (vgl. Kapitel 4.2) des Zusammenhangs zwischen Einwohnerdichte und Vorkommen von psychischen Erkrankungen (bzw. Aufnahmezahlen) daher kommen, dass Städte durch die bessere medizinische Versorgung erkrankte Personen anziehen, andererseits Stress dort aber ein wichtiger Risikofaktor ist, während in ländlichen Gegenden mit sehr wenigen Einwohnern deshalb hohe Raten zu finden sind, weil erkrankte Personen verstärkt unter Isolation und Stigmatisierung leiden. Für ländliche Ge- biete würde das bedeuten, dass es hier noch einen besonderen Aufklärungs- und Integrationsbedarf gibt.

Die vorliegende Studie zeigt somit erste Ansatzpunkte im Bereich psychischer Er- krankungen im ländlichen Raum auf. Die Ergebnisse dieser Studie bedürfen allerdings einer Replikation und einer Vertiefung durch zukünftige Multilevel-Studien auf der Bevölkerungsebene, um die grundlegenden Mechanismen hinter den gefundenen Ergebnissen besser zu verstehen, genauer zu interpretieren und um letztendlich Handlungsvorschläge für Interventionen zur Prävention psychischer Erkrankungen geben und um bestehende Versorgungssysteme optimieren zu können.

5 Zusammenfassung

Einleitung

Ausgehend davon, dass die Entstehung und der Verlauf von psychischen Erkran- kungen nicht nur durch genetische Faktoren, sondern auch von Umweltfaktoren beeinflusst werden, wurde in der vorliegenden Arbeit untersucht, welche Risiko- faktoren im ländlichen Einzugsgebiet der psychiatrischen Kliniken Günzburg und Donauwörth Einfluss auf stationäre Aufnahmezahlen zeigen. Der Großteil der bisher veröffentlichten Studien befasst sich vor allem mit Städten oder mit Unter- schieden zwischen Stadt und Land, während Studien im ländlichen Gebieten selten sind. Die in dieser Arbeit überprüften Risikofaktoren lassen sich grob in drei Kategorien einteilen: a) sozio-ökonomische Faktoren, b) Bevölkerungsdynamik und c) Landnutzungstypen. Es wurde erwartet, dass sich zwar Ergebnisse frühe- rer Studien replizieren lassen, dass dies aber nicht für alle Faktoren gilt.

Methode

Die stationären Aufnahmedaten aus den Jahren 2006-2009 für Patienten mit einer Erstdiagnose aus dem Bereich „Schizophrenie, schizotype und wahnhafte Störun- gen“ (ICD-10-GM F20-F29) oder „affektive Störungen“ (ICD-10-GM F30-F39) aus 174 ländlichen Gemeinden im Einzugsgebiet der psychiatrischen Klinik des BKHs Günzburg wurden ermittelt und mit bevölkerungsspezifischen, sozio- ökonomischen und strukturellen Gemeindedaten verknüpft. Zusammenhänge zwischen den Gemeindedaten und der Gesamtzahl der Aufnahmen von Patienten beider Diagnosegruppen zusammen bzw. der einzelnen Diagnosegruppen getrennt wurden im Rahmen eines negativ-binomialen Regressionsmodell errechnet.

Ergebnisse

Aufnahmezahlen von Patienten mit den Erstdiagnosen Schizophrenie und affektive Störungen zusammengenommen sinken mit steigendem Bevölkerungswachs- tum, steigender Einwohnerdichte, steigenden Einkünften bzw. einem steigenden Anteil von Grünflächen. Höhere Aufnahmezahlen lassen sich erkennen bei stei-

gendem Pendlersaldo, steigender Einkommensungleichheit und Arbeitslosigkeit, sowie bei steigendem Anteil von Verkehrsflächen. Aufnahmezahlen für Patienten mit einer Diagnose der Schizophrenie sind negativ mit dem Bevölkerungswachs- tum, dem Einkommen und dem Anteil der Agrarflächen, aber positiv mit dem Mig- rationsindex, der Einkommensungleichheit und der Arbeitslosenrate verknüpft. Bei den Aufnahmezahlen von Patienten mit einer affektiven Störung zeigen sich negative Zusammenhänge mit Bevölkerungswachstum, Einwohnerdichte, Ein- kommen und Grünflächenanteil und positive mit Pendlersaldo, Einkommensun- gleichheit, Arbeitslosenrate und Verkehrsflächenanteil.

Diskussion

Die Tatsache, dass Prävalenzraten von psychischen Erkrankungen bei Menschen aus niedrigen sozialen Schichten höher liegen und dass Einweisungs- bzw. Auf- nahmezahlen bei dieser Gruppe höher sind als bei sozio-ökonomisch besser ge- stellten Personen, ist schon seit langem bekannt. Vorliegende Ergebnisse zeigen nun, dass dieses Phänomen sich nicht geographisch auf bestimmte Gebiete ein- grenzen lässt. Andere Ergebnisse zeigen allerdings, dass es sehr wohl Unterschie- de zwischen städtischen und ländlichen Gebieten gibt, so steigen die Aufnahmen im Studiengebiet bei sinkenden Einwohnerzahlen an, gegenläufig zu der Tendenz in Städten. Während in Städten vermutet wird, dass die Einwohnerdichte der Menschen bei vulnerablen Personen durch Stress dem psychischen Wohlergehen schadet, könnten in spärlich besiedelten ländlichen Gebieten auf der einen Seite fehlende soziale Netzwerke und auf der anderen Seite starre soziale Normen sich negativ auswirken. Interessant waren auch die gefundenen Zusammenhänge im Bereich der Landnutzung, ein Thema, das in dieser Form noch kaum untersucht wurde, wodurch eine Interpretation der Ergebnisse nicht leicht fiel. Wanderungs- bewegungen und das Bevölkerungswachstum zeigen keine eindeutigen Ergebnis- se, können allerdings zusätzliche Informationen zur Prosperität und Attraktivität der Gemeinde und somit Hinweise auf die Lebensqualität in den Gemeinden liefern. Hier kann die These, dass Personen in benachteiligten Wohngebieten eher psychisch erkranken, eine Rolle spielen.

Literaturverzeichnis

1. Agyemang C, van Hooijdonk C, Wendel-Vos W, Lindeman E, Stronks K, Droomers M (2007). The association of neighbourhood psychosocial stressors and self-rated health in Amsterdam, The Netherlands. J Epidemiol Community Health; 61: S. 1042-1049

2. Allardyce J, Boydell J (2006). Review: the wider social environment and schizophrenia. Schizophr Bull; 32: S. 592-598

3. Allardyce J, Gilmour H, Atkinson J, Rapson T, Bishop J, McCreadie RG (2005). Social fragmentation, deprivation and urbanicity: relation to first-admission rates for psychoses. Br J Psychiatry; 187: S. 401-406

4. Almedom AM (2005). Social capital and mental health: an interdisciplinary review of primary evidence. Soc Sci Med; 61: S. 943-964

5. Alvarsson JJ, Wiens S, Nilsson ME (2010). Stress Recovery during Exposure to Nature Sound and Environmental Noise. Int J Environ Res Public Health; 7: S. 1036-1046

6. Angermeyer MC, Holzinger A, Matschinger H (2010). Emotional reactions to people with mental illness. Epidemiol Psichiatr Soc; 19: S. 26-32

7. Angermeyer MC, Matschinger H (2003). The stigma of mental illness: effects of labelling on public attitudes towards people with mental disorder. Acta Psychiatr Scand; 108: S. 304-309

8. Arbeitsgruppe Psychiatrie der Obersten Landesgesundheitsbehörden (2007) Psychiatrie in Deutschland – Strukturen, Leistungen, Perspektiven. Gesund- heitsministerkonferenz der Länder 2007 (Hrsg.). (http://www.gmkonline.de/ _beschluesse/Protokoll_80-GMK_Top1002_Anlage1_Psychiatrie-Bericht.pdf). Letzter Zugriff am 11.03.2012

9. Ayuso-Mateos JL, Vazquez-Barquero JL, Dowrick C, Lehtinen V, Dalgard OS, Casey P, Wilkinson C, Lasa L, Page H, Dunn G, Wilkinson G, ODIN Group. (2001). Depressive disorders in Europe: prevalence figures from the ODIN study. Br J Psychiatry; 179: S. 308-316

10. Backhans MC, Hemmingsson T (2011). Unemployment and mental health - who is (not) affected? Eur J Public Health; [Epub ahead of print]

11. Barnett S, Roderick P, Martin D, Diamond I (2001). A multilevel analysis of the effects of rurality and social deprivation on premature limiting long term illness. J Epidemiol Community Health; 55: S. 44-51

12. Bayerisches Landesamt für Statistik und Datenverarbeitung (2006-2009). Gemeindedaten 2006 bis 2009. München: Bayerisches Landesamt für Statistik und Datenverarbeitung. (CD-ROM)

13. Bayerisches Landesamt für Statistik und Datenverarbeitung (2009). Gemeinde- daten 2009. München: Bayerisches Landesamt für Statistik und Datenverar- beitung. (CD-ROM)

14. Bayerisches Staatsministerium für Umwelt und Gesundheit (2010). Kranken- hausplan des Freistaates Bayern – 35. Fortschreibung des Krankenhausplans 2010. München: Bayerisches Staatsministerium für Umwelt und Gesundheit

15. Bayerisches Staatsministerium für Wirtschaft, Infrastruktur, Verkehr und Technologie (StMWIVT) (2009). 16. Raumordnungsbericht – Bericht über die Verwirklichung des Landesentwicklungsprogramms und über räumliche Entwicklungstendenzen in Bayern 2003 - 2007. München: StMWIVT

16. Becker T, Sartorius N (1999). Ökologie und Psychiatrie. In: Helmchen H, Henn F, Lauter H und Sartorius N (Hrsg.) Psychiatrie der Gegenwart – Band 1: Grundlagen der Psychiatrie. Berlin, Heidelberg, Springer Verlag: S. 473-506

17. Berry HL (2007). 'Crowded suburbs' and 'killer cities': a brief review of the relationship between urban environments and mental health. NSW Public Health Bulletin; 18: S. 11-12

18. Bezirkskliniken Schwaben / Bezirkskrankenhaus Günzburg (2010). Informati- onsbroschüre: Klinik für Psychiatrie, Psychotherapie und Psychosomatik Bezirkskrankenhaus Günzburg. Günzburg: Bezirkskliniken Schwaben / Bezirkskrankenhaus Günzburg

19. Bijl R, Ravelli A (2000). Psychiatric morbidity, service use, and need for care in the general population: results of The Netherlands Mental Health Survey and Incidence Study. Am J Public Health; 90: S. 602-607

20. Braubach M, Fairburn J (2010). Social inequities in environmental risks associated with housing and residential location – a review of evidence. Eur J Public Health; 20: S. 36-42

21. Brenke K (2011). Einkommensumverteilung schwächt privaten Verbrauch. Wochenbericht des DIW Berlin; 8: S. 2-12

22. Bundesagentur für Arbeit – Statistik (2010) Arbeitslosenzahlen 2006-2009 – Statistik nach Themen. (http://statistik.arbeitsagentur.de/Navigation/Statis tik/Statistik-nach-Themen/Statistik-nach-Themen-Nav.html). Letzter Zugriff am 07.03.2012

23. Cacioppo JT, Hughes ME, Waite LJ, Hawkley LC, Thisted RA (2006). Loneliness as a specific risk factor for depressive symptoms: Cross-sectional and longitudinal analyses. Psychol Aging; 21: S. 140-151

24. Cameron AC, Trivedi PK (1998). Regression Analysis of Count Data. Cambridge, New York, Melbourne, Cambridge University Press

25. Cardno AG, Marshall EJ, Coid B, Macdonald AM, Ribchester TR, Davies NJ, Venturi P, Jones LA, Lewis SW, Sham PC, Gottesman II, Farmer AE, McGuffin P, Reveley AM, Murray RM (1999). Heritability estimates for psychotic disorders: the Maudsley twin psychosis series. Arch Gen Psychiatry; 56: S. 162-168

26. Cifuentes M, Sembajwe G, Tak SW, Gore R, Kriebel D, Punnett L (2008). The association of major depressive episodes with income inequality and the human development index. Soc Sci Med; 67: S. 529-539

27. Cockerham WC (2002). Sociology of Mental Disorder. sixth edition edn. New Jersey, Prentice Hall

28. Curtis S (2007). Socio-economic status and geographies of psychiatric inpatient service use. Places, provision, power and well-being. Epidemiol Psichiatr Soc; 16: S. 10-15

29. Dannenberg AL, Jackson RJ, Frumkin H, Schieber RA, Pratt M, Kochtitzky C, Tilson HH (2003). The impact of community design and land-use choices on public health: a scientific research agenda. Am J Public Health; 93: S. 1500- 1508

30. de Vries S, Verheij RA, Groenewegen PP, Spreeuwenberg P (2003). Natural environments – healthy environments? An exploratory analysis of the relationship between greenspace and health. Environ plann A; 35: S. 1717-1731

31. Dekker J, Peen J, Koelen J, Smit F, Schoevers R (2008). Psychiatric disorders and urbanization in Germany. BMC Public Health; 8: S. 17

32. Dembling BP, Rovnyak V, Mackey S, Blank M (2002). Effect of Geographic Migration on SMI Prevalence Estimates. Ment Health Serv Res; 4: S. 7-12

33. Deutsches Institut für Medizinische Dokumentation und Information (DIMDI) (2011) ICD-10-GM Version 2011: Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme, 10. Revision German Modification Version 2011. (www.dimdi.de/static/de/klassi/diagnosen/ icd10/htmlgm2011/index.htm). Letzter Zugriff am 07.03.2012

34. DeVerteuil G, Hinds A, Lix L, Walker J, Robinson R, Ross LL (2007). Mental health and the city: Intra-urban mobility among individuals with schizophrenia. Health Place; 13: S. 310-323

35. Diez-Roux AV (1998). Bringing context back into epidemiology: variables and fallacies in multilevel analysis. Am J Public Health; 88: S. 216-222

36. Dohrenwend BP, Levav I, Shrout PE, Schwartz S, Naveh G, Link BG, Skodol AE, Stueve A (1992). Socioeconomic status and psychiatric disorders: the causation-selection issue. Science; 255: S. 946-952

37. Dooley D, Fielding J, Levi L (1996). Health and Unemployment. Annu Rev Public Health; 17: S. 449-465

38. Doorslaer Ev, Koolman X, Jones AM (2004). Explaining income-related inequalities in doctor utilisation in Europe. Health Econ; 13: S. 629-647

39. Drukker M, Gunther N, van Os J (2007). Disentangling associations between poverty at various levels of aggregation and mental health. Epidemiol Psichiatr Soc; 16: S. 3-9

40. Egle UT, Hoffmann SO, Steffens M (1997). Psychosoziale Risiko- und Schutzfak- toren in Kindheit und Jugend als Prädisposition für psychische Störungen im Erwachsenenalter Gegenwärtiger Stand der Forschung. Nervenarzt; 68: S. 683-695

41. Eibner C, Sturn R, Gresenz CR (2004). Does relative deprivation predict the need for mental health services? J Ment Health Policy Econ; 7: S. 167-175

42. Evans GW, Wells NM, Moch A (2003). Housing and Mental Health: A Review of the Evidence and a Methodological and Conceptual Critique. J Soc Issues; 59: S. 475-500

43. Ezzy D (1993). Unemployment and mental health: A critical review. Soc Sci Med; 37: S. 41-52

44. Faris REL, Dunham WH (1965). Mental Disorders in Urban Areas: An Ecologi- cal Study of Schizophrenia and Other Psychoses. Chicago / London, Phoenix Books – The University of Chicago Press

45. Fleiss JL, Levin B, Paik MC (2003). Statistical Methods for Rates and Proportions. New Jersey, John Wiley & Sons

46. Fortney JC, Rushton G, Wood S, Zhang L, Xu S, Dong F, Rost K (2007). Community-level risk factors for depression hospitalizations. Adm Policy Ment Health; 34: S. 343-352

47. Fortney JC, Xu S, Dong F (2009). Community-Level Correlates of Hospitaliza- tions for Persons With Schizophrenia. Psychiatr Serv; 60: S. 772-778

48. Fritsch M, Kritikos A, Rusakova A (2012a). Selbständigkeit in Deutschland: der Trend zeigt seit langem nach oben. Wochenbericht des DIW Berlin; 4: S. 3-12

49. Fritsch M, Kritikos A Rusakova A (2012b) Who Starts a Business and Who Is Self-Employed in Germany. Deutsches Institut für Wirtschaftsforschung (Hrsg.). (www.diw.de/documents/publikationen/73/diw_01.c.391994.de/ dp1184.pdf). Letzter Zugriff am 28.02.2012

50. Frumkin H (2005). Health, equity, and the built environment. Environ Health Perspect; 113: S. A290-1

51. Fuller RA, Irvine KN, Devine-Wright P, Warren PH, Gaston KJ (2007). Psychological benefits of greenspace increase with biodiversity. Biol Lett; 3: S. 390-394

52. Gaebel W, Zielasek J (2011). Ätiopathogenetische Konzepte und Krankheits- modelle. In: Möller HJ, Laux G und Kapfhammer HP (Hrsg.) Psychiatrie, Psychosomatik, Psychotherapie. Berlin, Heidelberg, Springer Verlag: S. 79-107

53. Galea S, Ahern J, Rudenstine S, Wallace Z, Vlahov D (2005). Urban built environment and depression: a multilevel analysis. J Epidemiol Community Health; 59: S. 822-827

54. Gee GC, Takeuchi DTDT (2004). Traffic stress, vehicular burden and well-being: A multilevel analysis. Soc Sci Med; 59: S. 405-414

55. Graetz B (1993). Health consequences of employment and unemployment: Longitudinal evidence for young men and women. Soc Sci Med; 36: S. 715-724

56. Greene WH (2003). Econometric analysis New Jersey, Prentice Hall International

57. Greiner KA, Li C, Kawachi I, Hunt DC, Ahluwalia JS (2004). The relationships of social participation and community ratings to health and health behaviors in areas with high and low population density. Soc Sci Med; 59: S. 2303-2312

58. Gresenz CR, Sturm R, Tang L (2001). Income and Mental Health: Unraveling Community and Individual Level Relationships. J Ment Health Policy Econ; 4: S. 197-203

59. Guite HF, Clark C, Ackrill G (2006). The impact of the physical and urban environment on mental well-being. Public Health; 120: S. 1117-1126

60. Häfner H (1988). Macht Arbeitslosigkeit krank? Ein Überblick über den Wissensstand zu den Zusammenhängen zwischen Erwerbslosigkeit, körperlichen und seelischen Gesundheitsrisiken. Fortschr Neurol Psychiatr; 56: S. 326-343

61. Halpern D (1995). Mental Health and the Built Environment: More than Bricks and Mortar? London, Taylor and Francis

62. Heinrich LM, Gullone E (2006). The clinical significance of loneliness: A literature review. Clin Psychol Rev; 26: S. 695-718

63. Herzog TR, Black AM, Fountaine KA, Knotts DJ (1997). Reflection And Attentional Recovery As Distinctive Benefits Of Restorative Environments. J Environ Psychol; 17: S. 165-170

64. Hölling H, Schlack R (2008). Psychosoziale Risiko- und Schutzfaktoren für die psychische Gesundheit im Kindes- und Jugendalter – Ergebnisse aus dem Kinder- und Jugendgesundheitssurvey (KiGGS). Gesundheitswesen; 70: S. 154-163

65. Howden-Chapman P (2004). Housing standards: a glossary of housing and health. J Epidemiol Community Health; 58: S. 162-168

66. Hudson CG (2005). Socioeconomic status and mental illness: tests of the social causation and selection hypotheses. Am J Orthopsychiatry; 75: S. 3-18

67. IBM Company (2010). SPSS predictive analytics software – Version 19. New York

68. Intergraph Corporation (2007). GeoMedia Professional – German v6.1. Huntsville, Alabama

69. Jefferis BJ, Nazareth I, Marston L, Moreno-Kustner B, Bellón JÁ, Svab I, Rotar D, Geerlings MI, Xavier M, Goncalves-Pereira M, Vicente B, Saldivia S, Aluoja A, Kalda R, King M (2011). Associations between unemployment and major depressive disorder: Evidence from an international, prospective study (the predict cohort). Soc Sci Med; 73: S. 1627-1634

70. Kassenärztliche Vereinigung Bayerns – Körperschaft des öffentlichen Rechts (2009) Arztsuche auf der Homepage der Kassenärztlichen Vereinigung Bayerns. (www.kvb.de). Letzter Zugriff am 09.03.2012

71. Kelly BD, O'Callaghan E, Waddington JL, Feeney L, Browne S, Scully PJ, Clarke M, Quinn JF, McTigue O, Morgan MG, Kinsella A, Larkin C (2010). Schizophrenia and the city: A review of literature and prospective study of psychosis and urbanicity in Ireland. Schizophr Res; 116: S. 75-89

72. Kilian R, Becker T (2006). Die Prävention psychischer Erkrankungen und die Förderung psychischer Gesundheit. In: Kirch W und Badura B (Hrsg.) Präven- tion – Ausgewählte Beiträge des Nationalen Präventionskongresses Dresden, 1. und 2. Dez. 2005. Heidelberg, Springer Medizin Verlag: S. 443-472

73. Kilian R, Becker T (2007). Macro-economic indicators and labour force participation of people with schizophrenia. J Ment Health; 16: S. 211-222

74. Kline GA (2009). Does A View of Nature Promote Relief From Acute Pain? J Holist Nurs; 27: S. 159-166

75. Kohn R, Dohrenwend BP, Mirotznik J (1998). Epidemiological Findings on Selected Psychiatric Disorders in the General Population. In: Dohrenwend BP

(Hrsg.) Adversity, Stress, and Psychopathology. New York, Oxford, Oxford University Press US: S. 253-284

76. Kondo N, Sembajwe G, Kawachi I, van Dam RM, Subramanian SV, Yamagata Z (2009). Income inequality, mortality, and self rated health: meta-analysis of multilevel studies. British Medical Journal; 339: S. b4471

77. Kovess-Masféty V, Alonso J, de Graaf R, Demyttenaere K (2005). A European approach to rural-urban differences in mental health: the ESEMeD 2000 comparative study. Can J Psychiatry; 50: S. 926-936

78. Krabbendam L, van Os J (2005). Schizophrenia and urbanicity: a major environmental influence – conditional on genetic risk. Schizophr Bull; 31: S. 795-799

79. Krieger J, Higgins DL (2002). Housing and health: time again for public health action. Am J Public Health; 92: S. 758-768

80. Kringlen E, Torgersen S, Cramer V (2006). Metanl illness in a rual area: A norwegian psychiatric epidemiological study. Soc Psychiatry Psychiatr Epidemiol; 41: S. 713-719

81. Kroll LE, Lampert T (2011). Unemployment, Social Support and Health Problems: Results of the GEDA Study in Germany, 2009. Dtsch Arztebl International; 108: S. 47-52

82. Lahelma E, Martikainen P, Laaksonen M, Aittomäki A (2004). Pathways between socioeconomic determinants of health. J Epidemiol Community Health; 58: S. 327-332

83. Laird JT (1973). Mental health and population density. J Psychol; 85: S. 171-177

84. Landesamt für Vermessung und Geoinformation (2009). VEKTOR500 (M: 1:500000) – Vektordaten der Übersichtskarte 1:500 000 von Bayern. München: Landesamt für Vermessung und Geoinformation. (CD-ROM)

85. Leslie E, Cerin E (2008). Are perceptions of the local environment related to neighbourhood satisfaction and mental health in adults? Prev Med; 47: S. 273-278

86. Leyden KM (2003). Social capital and the built environment: the importance of walkable neighborhoods. Am J Public Health; 93: S. 1546-1551

87. Lipp O, Souery D, Mendlewicz J (1999). Populationsgenetik. In: Helmchen H, Henn F, Lauter H und Sartorius N (Hrsg.) Psychiatrie Der Gegenwart – Band 1: Grundlagen der Psychiatrie. Berlin, Heidelberg, Springer Verlag: S. 79-107

88. Lix LM, Hinds A, DeVerteuil G, Robinson JR, Walker J, Roos LL (2006). Residential mobility and severe mental illness: a population-based analysis. Adm Policy Ment Health; 33: S. 160-171

89. Lorant V, Croux C, Weich S, Deliege D, Mackenbach J, Ansseau M (2007). Depression and socio-economic risk factors: 7-year longitudinal population study. Br J Psychiatry; 190: S. 293-298

90. Lorant V, Deliège D, Eaton W, Robert A, Philippot P, Ansseau M (2003). Socioeconomic Inequalities in Depression: A Meta-Analysis. Am J Epidemiol; 157: S. 98-112

91. Losert C, Schmauß M, Becker T, Kilian R (2012). Area characteristics and admission rates of people with schizophrenia and affective disorders in a Ger- man rural catchment area. Epidemiol Psychiatr Sci; 21: S. 371-379

92. Maas J, Verheij RA, Groenewegen PP, de Vries S, Spreeuwenberg P (2006). Green space, urbanity, and health: how strong is the relation? J Epidemiol Community Health; 60: S. 587-592

93. Maier W, Rujescu D (2011). Genetik bei psychischen Erkrankungen. In: Möller HJ, Laux G und Kapfhammer HP (Hrsg.) Psychiatrie, Psychosomatik, Psycho- therapie. Berlin Heidelberg, Springer Verlag: S. 127-165

94. Marcelis M, Takei N, van Os J (1999). Urbanization and risk for schizophrenia: does the effect operate before or around the time of illness onset? Psychol Med; 29: S. 1197-1203

95. Marwaha S, Johnson S (2004). Schizophrenia and employment – a review. Soc Psychiatry Psychiatr Epidemiol; 39: S. 337-349

96. Marwaha S, Johnson S, Bebbington PE, Angermeyer MC, Brugha TS, Azorin JM, Kilian R, Hansen K, Toumi M (2009). Predictors of employment status change over 2 years in people with schizophrenia living in Europe. Epidemiol Psichiatr Soc; 18: S. 344-351

97. Mauz E, Jacobi F (2008). Psychische Störungen und soziale Ungleichheit im Geburtskohortenvergleich. Psychiatr Prax; 35: S. 343-352

98. McGrath J, Scott J (2006). Urban birth and risk of schizophrenia: a worrying example of epidemiology where the data are stronger than the hypotheses. Epidemiol Psichiatr Soc; 15: S. 243-246

99. McKenzie K (2006). Social Risk, mental health and social capital. In: McKenzie K und Harpham T (Hrsg.) Social Capital and Mental Health. London and Philadelphia, Jessica Kingsley Publishers: S. 24-38

100. McKenzie K, Harpham T (2006). Meanings and uses of social capital in the mental health field. In: McKenzie K und Harpham T (Hrsg.) Social Capital and Mental Health. London and Philadelphia, Jessica Kingsley Publishers: S. 11-23

101. McKenzie K, Whitley R, Weich S (2002). Social capital and mental health. Br J Psychiatry; 181: S. 280-283

102. Möller HJ, Schaub A, Riedel M (2011). Schizophrene Psychosen. In: Möller HJ, Laux G und Kapfhammer HP (Hrsg.) Psychiatrie, Psychosomatik, Psychothe- rapie. Berlin, Heidelberg, New York, Springer-Verlag: S. 215-360

103. Morgenstern H (1982). Uses of ecologic analysis in epidemiologic research. Am J Public Health; 72: S. 1336-1344

104. Morita E, Fukuda S, Nagano J, Hamajima N, Yamamoto H, Iwai Y, Nakashima T, Ohira H, Shirakawa T (2007). Psychological effects of forest environments on healthy adults: Shinrin-yoku (forest-air bathing, walking) as a possible method of stress reduction. Public Health; 121: S. 54-63

105. Mortensen PB, Pedersen CB, Melbye M, Mors O, Ewald H (2003). Individual and Familial Risk Factors for Bipolar Affective Disorders in Denmark. Arch Gen Psychiatry; 60: S. 1209-1215

106. Müllner M (2005). Erfolgreich wissenschaftlich arbeiten in der Klinik: Evidence Based Medicine. Wien, Springer

107. Muntaner C, Eaton WW, Miech R, O'Campo P (2004). Socioeconomic position and major mental disorders. Epidemiol Rev; 26: S. 53-62

108. Nielsen TS, Hansen KB (2007). Do green areas affect health? Results from a Danish survey on the use of green areas and health indicators. Health Place; 13: S. 839-850

109. Olfson M, Klerman GL (1992). Depressive symptoms and mental health service utilization in a community sample. Soc Psychiatry Psychiatr Epidemiol; 27: S. 161-167

110. Page A (2002). Poor Housing and Mental Health in the United Kingdom: Changing the Focus for Intervention. Int J Environ Health Res; 1: S. 31-40

111. Park BJ, Tsunetsugu Y, Kasetani T, Kagawa T, Miyazaki Y (2010). The physiological effects of Shinrin-yoku (taking in the forest atmosphere or forest bathing): evidence from field experiments in 24 forests across Japan. Environ Health Prev Med; 15: S. 18-26

112. Parr H, Philo C, Burns N (2004). Social geographies of rural mental health: experiencing inclusions and exclusions. Trans Inst Br Geogr; 29: S. 401-419

113. Paul KI, Moser K (2009). Unemployment impairs mental health: Meta- analyses. J Vocat Behav; 74: S. 264-282

114. Paykel E, Abbott R, Jenkins R, Brugha T, Meltzer H (2003). Urban-rural mental health differences in Great Britain: findings from the National Morbidity Survey. Int Rev Psychiatry; 15: S. 97-107

115. Pedersen CB (2006). No evidence of time trends in the urban-rural differences in schizophrenia risk among five million people born in Denmark from 1910 to 1986. Psychol Med; 36: S. 211-219

116. Pedersen CB, Mortensen PB (2001). Evidence of a dose-response relationship between urbanicity during upbringing and schizophrenia risk. Arch Gen Psychiatry; 58: S. 1039-1046

117. Pedersen CB, Mortensen PB (2006a). Urbanization and traffic related exposures as risk factors for Schizophrenia. BMC Psychiatry; 6: S. 2

118. Pedersen CB, Mortensen PB (2006b). Why factors rooted in the family may solely explain the urban-rural differences in schizophrenia risk estimates. Epidemiol Psichiatr Soc; 15: S. 247-251

119. Pedersen CB, Raaschou-Nielsen O, Hertel O, Mortensen PB (2004). Air pollution from traffic and schizophrenia risk. Schizophr Res; 66: S. 83-85

120. Peen J, Schoevers RA, Beekman AT, Dekker J (2010). The current status of urban-rural differences in psychiatric disorders. Acta Psychiatr Scand; 121: S. 84-93

121. Perälä J, Saarni SI, Ostamo A, Pirkola S, Haukka J, Härkänen T, Koskinen S, Lönnqvist J, Suvisaari J (2008). Geographic variation and sociodemographic characteristics of psychotic disorders in Finland. Schizophr Res; 106: S. 337-347

122. Peterson LE, Tsai AC, Petterson S, Litaker DG (2009). Rural-urban comparison of contextual associations with self-reported mental health status. Health Place; 15: S. 125-132

123. Piantadosi S, Byar DP, Green SB (1988). The ecological fallacy. Am J Epidemiol; 127: S. 893-904

124. Pickett KE, Wilkinson RG (2010). Inequality: an underacknowledged source of mental illness and distress. Br J Psychiatry; 197: S. 426-428

125. Pollack CE, von dem Knesebeck O, Siegrist J (2004). Housing and health in Germany. J Epidemiol Community Health; 58: S. 216-222

126. Pulkki-Råback L, Ahola K, Elovainio M, Kivimäki M, Hintsanen M, Isometsä E, Lönnqvist J, Virtanen M (2011). Socio-economic position and mental disorders in a working-age Finnish population: the health 2000 study. Eur J Public Health; Sep 27 [Epub ahead of print]

127. Regionaler Planungsverband Augsburg (2007) Regionalplan der Region Augsburg (Teil A: Überfachliche Ziele (Z) und Grundsätze (G) und Karte1: Raumstruktur). (www.rpv-augsburg.de/Regionalplan.htm). Letzter Zugriff am 09.03.2012

128. Regionalverband Donau-Iller (1987) Region Donau-Iller, Regionalplan / Regionalverband Donau-Iller. (www.rvdi.de/regionalplan.html). Letzter Zu- griff am 09.03.2012

129. Richter D (2003). Psychisches System und soziale Umwelt – Soziologie psychischer Störungen in der Ära der Biowissenschaften. 1. Auflage. Bonn, Psychiatrie Verlag

130. Riva M, Bambra C, Curtis S, Gauvin L (2011). Collective resources or local social inequalities? Examining the social determinants of mental health in rural areas. Eur J Public Health; 21: S. 197-203

131. Robinson WS (2009). Ecological Correlations and the Behavior of Individuals. Int J Epidemiol; 38: S. 337-341

132. Roe J, Aspinall P (2011). The restorative benefits of walking in urban and rural settings in adults with good and poor mental health. Health Place; 17: S. 103-113

133. Rothman KJ, Grennland S (1998). Modern Epidemiology. 2 Sub. Philadelphia, Lippincott – Ravens Publishers

134. Rothman KJ, Grennland S, Lash TL (2008). Modern Epidemiology. 3rd Revised edition. Philadelphia, Lippincott Williams & Wilkins

135. Saraceno B, Levav I, Kohn R (2005). The public mental health significance of research on socio-economic factors in schizophrenia and major depression. World Psychiatry; 4: S. 181-185

136. Sareen J, Afifi TO, McMillan KA, Asmundson GJG (2011). Relationship Between Household Income and Mental Disorders: Findings From a Population-Based Longitudinal Study. Arch Gen Psychiatry; 68: S. 419-427

137. Schomerus G, Heider D, Angermeyer MC, Bebbington PE, Azorin JM, Brugha T, Toumi M, European Schizophrenia C (2007). Residential area and social con- tacts in schizophrenia. Results from the European Schizophrenia Cohort (EuroSC). Soc Psychiatry Psychiatr Epidemiol; 42: S. 617-622

138. Schüssler G, Brunnauer A (2011). Psychologische Grundlagen psychischer Erkrankungen. In: Möller HJ, Laux G und Kapfhammer HP (Hrsg.) Psychia- trie, Psychosomatik, Psychotherapie. Berlin, Heidelberg, Springer Verlag: S. 293-333

139. Shih RA, Belmonte PL, Zandi PP (2004). A review of the evidence from family, twin and adoption studies for a genetic contribution to adult psychiatric disorders. Int Rev Psychiatry; 16: S. 260-283

140. Silver E, Mulvey EP, Swanson JW (2002). Neighborhood structural characteristics and mental disorder: Faris and Dunham revisited. Soc Sci Med; 55: S. 1457-1470

141. Simmons LA, Braun B, Charnigo R, Havens JR, Wright DW (2008). Depression and poverty among rural women: a relationship of social causation or social selection? Journal of Rural Health; 24: S. 292-298

142. Spauwen J, Krabbendam L, Lieb R, Wittchen HU, van Os J (2004). Does urbanicity shift the population expression of psychosis? J Psychiatr Res; 38: S. 613-618

143. Spauwen J, Krabbendam L, Lieb R, Wittchen HU, van Os J (2006). Evidence that the outcome of developmental expression of psychosis is worse for adolescents growing up in an urban environment. Psychol Med; 36: S. 407-415

144. Stark C, Hopkins P, Gibbs D, Belbin A, Hay A (2007). Population density and suicide in Scotland. Rural Remote Health; 7: S. 672 (Epub)

145. StataCorp LP (2007a). Stata Base Reference Manual Volume 2 I-P Release 10. vol. r. College Station, Texas, Stata Press

146. StataCorp LP (2007b). Stata Longitudinal / Panel-Data Reference Manual release 1. vol. xt. College Station, Texas, Stata Press

147. StataCorp LP (2011). Stata: Release 12. Statistical Software – Stata/MP 12.0 for Windows (32-bit). College Station, TX 77845 USA

148. Stigsdotter UK, Ekholm O, Schipperijn J, Toftager M, Kamper-Jørgensen F, Randrup TB (2010). Health promoting outdoor environments - Associations between green space, and health, health-related quality of life and stress based on a Danish national representative survey. Scand J Public Health; 38: S. 411-417

149. Strandh M, Novo M, Hammarström A (2011). Mental health among the unemployed and the unemployment rate in the municipality. Eur J Public Health; 21: S. 799-805

150. Stuart H, Arboleda-Flórez J (2001). Community attitudes toward people with schizophrenia. Can J Psychiatry; 46: S. 245-252

151. Subramanian SV, Kawachi I (2004). Income Inequality and Health: What Have We Learned So Far? Epidemiol Rev; 26: S. 78-91

152. Sugiyama T, Leslie E, Giles-Corti B, Owen N (2008). Associations of neighbourhood greenness with physical and mental health: do walking, social coherence and local social interaction explain the relationships? J Epidemiol Community Health; 62: S. e9

153. Sullivan PF, Neale MC, Kendler KS (2000). Genetic Epidemiology of Major Depression: Review and Meta-Analysis. Am J Psychiatry; 157: S. 1552-1562

154. Sundquist K, Ahlen H (2006). Neighbourhood income and mental health: a multilevel follow-up study of psychiatric hospital admissions among 4.5 million women and men. Health Place; 12: S. 594-602

155. Sundquist K, Frank G, Sundquist J (2004). Urbanisation and incidence of psychosis and depression: follow-up study of 4.4 million women and men in Sweden. Br J Psychiatry; 184: S. 293-298

156. Thornicroft G (1991). Social deprivation and rates of treated mental disorder. Developing statistical models to predict psychiatric service utilisation. Br J Psychiatry; 158: S. 475-484

157. Thornicroft G, Bisoffi G, De Salvia D, Tansella M (1993). Urban-rural differences in the associations between social deprivation and psychiatric service utilization in schizophrenia and all diagnoses: a case-register study in Northern Italy. Psychol Med; 23: S. 487-496

158. Tsuang MT, Stone WS, Faraone SV (2001). Genes, environment and schizophrenia. Br J Psychiatry Suppl; 40: S. 18-24

159. Ulrich RS (1984). View through a window may influence recovery from surgery. Science; 224: S. 420-421

160. Ungewitter C, Böttger D, Choucair B, ElJurdi J, Gockel T, Hausner H, Kilian K, Kowalenko B, Losert C, Ludwig K, Steinkohl V, Hegerl U, Bramesfeld A (2010). Bestandsaufnahme der Versorgung psychisch kranker Menschen in Deutsch- land: Inanspruchnahmemuster und Kooperation der Leistungserbringer – Abschlussbericht des Forschungsprojektes im Rahmen der Förderinitiative der Bundesärztekammer zur Versorgungsforschung. Leipzig: Klinik und Poliklinik für Psychiatrie der Universität Leipzig

161. United Nations’ global development network (2011) Human Development Index (HDI). United Nations’ global development network (Hrsg.). (http://hdr.undp.org/en/statistics/hdi/). Letzter Zugriff am 14.03.2012

100

162. Universitätsklinikum Ulm (2008). Strukturierter Qualitätsbericht gemäß §137 Abs. 3 Satz 1 Nr. 4 SGB V für das Berichtsjahr 2008. Ulm: Universität Ulm

163. van den Berg AE, Maas J, Verheij RA, Groenewegen PP (2010). Green space as a buffer between stressful life events and health. Soc Sci Med; 70: S. 1203-1210

164. van Os J, Hanssen M, Bak M, Bijl RV, Vollebergh W (2003). Do urbanicity and familial liability coparticipate in causing psychosis? Am J Psychiatry; 160: S. 477-482

165. van Os J, Hanssen M, Bijl RV, Vollebergh W (2001). Prevalence of Psychotic Disorder and Community Level of Psychotic Symptoms: An Urban-Rural Comparison. Arch Gen Psychiatry; 58: S. 663-668

166. van Os J, Pedersen CB, Mortensen PB (2004). Confirmation of synergy between urbanicity and familial liability in the causation of psychosis. Am J Psychiatry; 161: S. 2312-2314

167. von Soest T, Bramness JG, Pedersen W, Wichstrøm L (2012). The relationship between socio-economic status and antidepressant prescription: a longitudinal survey and register study of young adults. Epidemiol Psychiatr Sci; 21: S. 87-95

168. Watkins F, Jacoby A (2007). Is the rural idyll bad for your health? Stigma and exclusion in the English countryside. Health Place; 13: S. 851-864

169. Weich S, Blanchard M, Prince M, Burton E, Erens B, Sproston K (2002). Mental health and the built environment: cross-sectional survey of individual and contextual risk factors for depression. Br J Psychiatry; 180: S. 428-433

170. Weich S, Burton E, Blanchard M, Prince M, Sproston K, Erens B (2001). Measuring the built environment: validity of a site survey instrument for use in urban settings. Health Place; 7: S. 283-292

101

171. Weich S, Twigg L, Lewis G (2006). Rural/non-rural differences in rates of common mental disorders in Britain: prospective multilevel cohort study. Br J Psychiatry; 188: S. 51-57

172. Wells NM, Evans GW (2003). Nearby Nature: A Buffer of Life Stress among Rural Children. Environment and Behavior; 35: S. 311-330

173. Wen M, Browning CR, Cagney KA (2003). Poverty, affluence, and income inequality: neighborhood economic structure and its implications for health. Soc Sci Med; 57: S. 843-860

174. Whitley R, McKenzie K (2005). Social Capital and Psychiatry: Review of the Literature. Harv Rev Psychiatry; 13: S. 71-84

175. Wilkinson R, Pickett K (2010). The Spirit Level: Why Equality is Better for Everyone. London, Penguin

176. Wittchen HU, Jacobi F (2001). Die Versorgungssituation psychischer Störungen in Deutschland. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz; 44: S. 993-100

177. World Health Organization (2004) Prevention of mental disorders: effective interventions and policy options – summary report / a report of the World Health Organization Department of Mental Health and Substance Abuse in collaboration with the Prevention Research Centre of the Universities of Nijmegen and Maastricht. (www.who.int/mental_health/evidence/en/ prevention_of_mental_disorders_sr.pdf). Letzter Zugriff am 23.02.2012

178. Ziersch AM, Baum FE, Macdougall C, Putland C (2005). Neighbourhood life and social capital: the implications for health. Soc Sci Med; 60: S. 71-86

179. Zimmerman FJ, Katon W (2005). Socioeconomic status, depression disparities, and financial strain: what lies behind the income-depression relationship? Health Econ; 14: S. 1197-1215

102

Anhang

Danksagung

Mein Dank geht vor allem an meinen Doktorvater Herrn Prof. Dr. Thomas Becker, der es mir ermöglichte, in der Forschung trotz eines fachfremden Studienab- schlusses durchzustarten und der mich bei der Erstellung der Dissertation immer unterstützte.

Ein besonderes Wort des Dankes möchte ich auch an Herrn Prof. Dr. Reinhold Ki- lian richten, der mich mit viel Geduld, Fachwissen und Humor durch die Höhen und Tiefen der Arbeit begleitete.

Mein Dank gilt auch:

Herrn Prof. Dr. Richard Peter für seine Bereitschaft, das Zweitgutachten zu erstel- len.

Herrn Prof. Dr. Dietrich Rothenbacher und Herrn Prof. Dr. Ferdinand Keller für den Beisitz in meinem Promotionskolloquium.

Herrn Professor Dr. Max Schmauß für die Bereitstellung der Daten des Bezirks- krankenhauses Augsburg.

Herrn Maximilian v. Gottberg für die unzähligen Stunden Korrekturarbeit, seine Geduld und tatkräftige Unterstützung in allen Phasen der Arbeit.

Herrn Dr. Markus Kösters für seine die Arbeit bereichernden Anregungen und Kommentare.

Frau Marie-Louise Bäcker und Frau Dr. Rana Kalkan für ihre Aufmunterungen und das Endlektorat.

Den Co-Autoren der Publikation, allen Kollegen und dem Doktorandenkolloquium der Forschungsgruppe an der Klinik für Psychiatrie und Psychotherapie II für die vielen hilfreichen Tipps und Anregungen.

103

Abbildungsverzeichnis und Tabellenverzeichnis

Abbildung 1: Studiengebiet: Einzugsgebiet BKH Günzburg exklusive Einzugs- gebiet Augsburg und Gemeinden in den Verdichtungsräumen Neu-Ulm und Augsburg (Rechts oben: Lage des Studiengebietes in Bayern); Quelle: eigene Darstellung; Kartengrundlage: © Landesamt für Vermessung und

Geoinformation Bayern ...... 21 Abbildung 2: Graphische Darstellung der Filterung der Aufnahmedaten und

der Auswahl der Gemeinden ...... 25 Abbildung 3: Histogramm – Verteilung der Aufnahmezahlen der Diagnose- gruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30-F39) gemeinsam, bezogen auf die Erwachsenenbevölkerung über die Jahre

2006 bis 2009 ...... 32 Abbildung 4: Histogramm – Verteilung der Aufnahmezahlen der Diagnose- gruppe „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29), bezogen auf die Erwachsenenbevölkerung über

die Jahre 2006 bis 2009 ...... 33 Abbildung 5: Histogramm – Verteilung der Aufnahmezahlen der Diagnose- gruppe „affektive Störungen“ (ICD-10-GM F30-F39), bezogen auf die

Erwachsenenbevölkerung über die Jahre 2006 bis 2009 ...... 33 Abbildung 6: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30-F39) bezogen auf

die Erwachsenenbevölkerung je Gemeinde ...... 35 Abbildung 7: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM

F20-F29) bezogen auf die Erwachsenenbevölkerung je Gemeinde...... 36 Abbildung 8: Mittelwerte 2006-2009 der kumulierten Aufnahmezahlen von „affektiven Störungen“ (ICD-10-GM F30-F39) bezogen auf die

Erwachsenenbevölkerung je Gemeinde ...... 37 Abbildung 9: Mittelwerte 2006-2009 der Einwohner pro Quadratkilometer

je Gemeinde ...... 39

104

Abbildung 10: Mittelwerte 2006-2009 des Gesamtbetrags der Einkünfte je

Steuerpflichtigem je Gemeinde ...... 41 Abbildung 11: Mittelwerte 2006-2009 des Arbeitslosenanteils je Gemeinde ...... 43 Abbildung 12: Mittelwerte 2006-2009 des Anteils der Grünflächen pro

Gemeinde ...... 44 Abbildung 13: Boxplot – Aufnahmezahlen bezogen auf die Erwachsenen- bevölkerung in den Gemeinden in den Jahren 2006-2009, aufgeteilt nach den Diagnosegruppen „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“

(ICD-10-GM F30-F39) ...... 45

Tabelle 1: Darstellung der stationären Aufnahmen der einzelnen Jahre insgesamt und nach Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) und „affektive Störungen“

(ICD-10-GM F30-F39) ...... 23 Tabelle 2: Übersicht über die einzelnen Jahre und die in die Studie

aufgenommenen Aufnahmen aus den Klinken Günzburg bzw. Augsburg...... 24 Tabelle 3: Übersicht über die in das Modell eingeflossenen Variablen und deren Definition. Quelle der Definitionen (falls als wörtliches Zitat gekennzeichnet): (Bayerisches Landesamt für Statistik und

Datenverarbeitung 2009, Datenblatt: Erläuterungen) ...... 27 Tabelle 4: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) oder „affektive Störungen“

(ICD-10-GM F30-F39) (Anzahl der Gemeinden = 174) ...... 47 Tabelle 5: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „Schizophrenie, schizotype und wahnhafte

Störungen“ (ICD-10-GM F20-F29) (Anzahl der Gemeinden = 174) ...... 50

105

Tabelle 6: Ergebnisse des negativ-binomialen Regressions-Modells mit den IRR (incidence-rate ratios) für die Gesamtzahl der Aufnahmen von Patienten mit der Erstdiagnose „affektive Störungen“

(ICD-10-GM F30-F39) (Anzahl der Gemeinden = 174) ...... 52

106

Übersicht der Gemeinden

Zu Kapitel 2.2 Gemeindedaten

Markierte Gemeinden liegen entweder im Verdichtungsraum Neu-Ulm oder Augs- burg und/oder im Einzugsgebiet der Klinik in Augsburg oder sind ohne Bewohner (Gemeindefreie Gebiete) und wurden aus der Studie ausgeschlossen.

Gemeinde- Gemeindenamen Studien- Einzugsgebiet Einzugsgebiet Verdichtungs- kennziffer gebiet Günzburg Augsburg raum Augsburg und Neu-Ulm 9771111 Adelzhausen X X

9771112 Affing X X

9771113 Aichach, St X X

9771114 Aindling, M X X

9771129 Eurasburg X X

9771140 Hollenbach X X

9771141 Inchenhofen, M X X

9771144 Kühbach, M X X

9771145 Merching X X

9771149 Obergriesbach X X

9771155 Petersdorf X X

9771156 Pöttmes, M X X

9771158 Rehling X X

9771160 Ried X X

9771162 Schiltberg X X

9771163 Schmiechen X X

9771165 Sielenbach X X

9771168 Steindorf X X

9771169 Todtenweis X X

9771176 Baar (Schwaben) X X

9772111 Adelsried X X

9772114 Allmannshofen X X

9772115 Altenmünster X X

9772117 Aystetten X X

107

9772121 Biberbach, M X X

9772125 Bobingen, St X X

9772126 Bonstetten X X

9772130 Diedorf, M X X

9772131 Dinkelscherben, M X X

9772134 Ehingen X X

9772136 Ellgau X X

9772137 Emersacker X X

9772141 Fischach, M X X

9772145 Gablingen X X

9772148 Gessertshausen X X

9772149 Graben X X

9772151 Großaitingen X X

9772156 Heretsried X X

9772157 Hiltenfingen X X

9772159 Horgau X X

9772160 Kleinaitingen X X

9772162 Klosterlechfeld X X

9772163 Königsbrunn, St X X

9772166 Kühlenthal X X

9772167 Kutzenhausen X X

9772168 Langenneufnach X X

9772170 Langerringen X X

9772171 Langweid a. Lech X X

9772177 Meitingen, M X X

9772178 Mickhausen X X

9772179 Mittelneufnach X X

9772185 Nordendorf X X

9772186 Oberottmarshausen X X

9772197 Scherstetten X X

9772200 Schwabmünchen, St X X 9772207 Thierhaupten, M X X

9772209 Untermeitingen X X

108

9772211 Ustersbach X X

9772214 Walkertshofen X X

9772215 Wehringen X X

9772216 Welden, M X X

9772217 Westendorf X X

9772223 Zusmarshausen, M X X

9773111 Aislingen, M X X

9773112 Bachhagel X X

9773113 Bächingen a. d. Brenz X X

9773116 Binswangen X X

9773117 Bissingen, M X X

9773119 Blindheim X X

9773122 Buttenwiesen X X

9773125 Dillingen/Donau, GKSt X X

9773133 Glött X X

9773136 Gundelfingen/Donau, X X St 9773137 Haunsheim X X

9773139 Höchstädt/Donau, St X X 9773140 Holzheim X X

9773143 Laugna X X

9773144 Lauingen (Donau), St X X

9773146 Lutzingen X X

9773147 Mödingen X X

9773150 Finningen X X

9773153 Medlingen X X

9773164 Schwenningen X X

9773170 Syrgenstein X X

9773179 Villenbach X X

9773182 Wertingen, St X X

9773183 Wittislingen, M X X

9773186 Ziertheim X X

9773187 Zöschingen X X

9773188 Zusamaltheim X X

109

9774111 Aletshausen X X

9774115 Balzhausen X X

9774116 Ursberg X X

9774117 Breitenthal X X

9774118 Bubesheim X X

9774119 Bibertal X X

9774121 Burgau, St X X

9774122 Burtenbach, M X X

9774124 Deisenhausen X X

9774127 Dürrlauingen X X

9774129 Ebershausen X X

9774133 Ellzee X X

9774135 Günzburg, GKSt X X

9774136 Gundremmingen X X

9774140 Haldenwang X X

9774143 Ichenhausen, St X X

9774144 Jettingen-Scheppach, X X M

9774145 Kammeltal X X

9774148 Kötz X X

9774150 Krumbach (Schwa- X X ben), St 9774151 Landensberg X X

9774155 Leipheim, St X X

9774160 Münsterhausen, M X X

9774162 Neuburg a. d. Kammel, X X M 9774166 Aichen X X

9774171 Offingen, M X X

9774174 Rettenbach X X

9774178 Röfingen X X

9774185 Thannhausen, St X X

9774189 Wiesenbach X X

9774191 Waldstetten, M X X

9774192 Waltenhausen X X

110

9774196 Winterbach X X

9774198 Ziemetshausen, M X X

9775111 Altenstadt, M X X

9775115 Bellenberg X X

9775118 Buch, M X X

9775126 Holzheim X X

9775129 Illertissen, St X X

9775132 Kellmünz a. d. Iller, M X X

9775134 Nersingen X X

9775135 Neu-Ulm, GKSt X X

9775139 Elchingen X X

9775141 Oberroth X X

9775142 Osterberg X X

9775143 Pfaffenhofen/Roth, M X X

9775149 Roggenburg X X

9775152 Senden, St X X

9775161 Unterroth X X

9775162 Vöhringen, St X X

9775164 Weißenhorn, St X X

9779111 Alerheim X X

9779112 Amerdingen X X

9779115 Asbach-Bäumenheim X X

9779117 Auhausen X X

9779126 Buchdorf X X

9779129 Daiting X X

9779130 Deiningen X X

9779131 Donauwörth, GKSt X X

9779136 Ederheim X X

9779138 Ehingen a. Ries X X

9779146 Forheim X X

9779147 Fremdingen X X

9779148 Fünfstetten X X

9779149 Genderkingen X X

111

9779154 Hainsfarth X X

9779155 Harburg (Schwaben), X X St

9779162 Hohenaltheim X X

9779163 Holzheim X X

9779167 Huisheim X X

9779169 Kaisheim, M X X

9779176 Maihingen X X

9779177 Marktoffingen X X

9779178 Marxheim X X

9779180 Megesheim X X

9779181 Mertingen X X

9779184 Mönchsdeggingen X X

9779185 Möttingen X X

9779186 Monheim, St X X

9779187 Münster X X

9779188 Munningen X X

9779192 Niederschönenfeld X X

9779194 Nördlingen, GKSt X X

9779196 Oberndorf a. Lech X X

9779197 Oettingen i. Bay., St X X

9779198 Otting X X

9779201 Rain, St X X

9779203 Reimlingen X X

9779206 Rögling X X

9779217 Tagmersheim X X

9779218 Tapfheim X X

9779224 Wallerstein, M X X

9779226 Wechingen X X

9779228 Wemding, St X X

9779231 Wolferstadt X X

9761000 Augsburg X X

9771122 Dasing X X

9771130 Friedberg X X

112

9772147 Gersthofen X X

9771142 Kissing X X

9771146 Mering X X

9772184 Neusäß X X

9772202 Stadtbergen X X

9772451 Gemeindefreies Gebiet X (Schmellerforst) 9779452 Gemeindefreies Gebiet X (Dornstadt-Linkers- baindt) 9779453 Gemeindefreies Gebiet X (Esterholz) 9779451 Gemeindefreies Gebiet X (Brand) 9774451 Gemeindefreies Gebiet X (Ebershauser-Natten- hauser Wald) 9774452 Gemeindefreies Gebiet X (Winzerwald) 9775455 Gemeindefreies Gebiet X (Unterroggenburger Wald) 9775454 Gemeindefreies Gebiet X (Stoffenrieder Forst)

9775452 Gemeindefreies Gebiet X (Oberroggenburger Wald) 9775451 Gemeindefreies Gebiet X (Auwald)

113

Raumstrukturkarten

Zu Kapitel 2.2 Gemeindedaten

Karte 1: Raumstruktur Donau-Iller: „Regionalplan (1987) des Regionalverbandes Donau-Iller“ (nicht maßstabsgetreu) (Regionalverband Donau-Iller 1987)

114

Karte 2: Raumstruktur Augsburg: „Regionalplan der Region Augsburg: Verordnung zur Neufassung des Regionalplans der Region Augsburg (9) 2006“ (nicht maßstabsgetreu) (Regionaler Planungs- verband Augsburg 2007)

115

STATA -Berechnungen

Abkürzungen der Variablen im STATA-Modell: Die aufgelisteten Abkürzungen gelten nur für den Anhang, da hier die Berechnungen ohne Veränderungen aus STATA kopiert wurden.

gkz Gemeindekennziffer f2f3 Patientendaten für die Aufnahmen nach „Schizophrenie, schizotype und wahnhafte Stö- rungen“ (ICD-10-GM F20-F29) und „affektive Störungen“ (ICD-10-GM F30-F39) zusammen f2 Nur Aufnahmedaten für die Diagnosegruppe „Schizophrenie, schizotype und wahnhafte Störungen“ (ICD-10-GM F20-F29) f3 Nur Aufnahmedaten für die Diagnosegruppe „affektive Störungen“ (ICD-10-GM F30-F39) zeit Zeitpunkt der Erhebung v15 Bevölkerungszu- bzw. -abnahme (-) in % gegenüber 1987 v30 Migrationsindex v16 Einwohner je km² v43 Pendlersaldo v61 Gesamtbetrag der Einkünfte je Steuerpflichtigem einkdif Einkommensdifferenz alanteil Arbeitslosenanteil strassen Anteil der Straßenflächen landwfl Anteil der landwirtschaftlichen Flächen waldfl Anteil der Waldfläche km Distanz zur Gemeinde Günzburg

Erwabev Erwachsenenbevölkerung ngazahl Anzahl der niedergelassenen Ärzte Pro Gemeinde

Ursberg Gemeinden im potentiellen Einzugsgebiet der Ambulanz in Ursberg

116

„Goodness of fit“ – Test Jahr 2006

Zu Kapitel 2.5 Statistische Auswertungen

______(R)

/__ / ____/ / ____/

Statistics/Data Analysis StataCorp

4905 Lakeway Drive

MP - Parallel Edition College Station, Texas 77845 USA

800-STATA-PC http://www.stata.com

979-696-4600 [email protected]

979-696-4601 (fax)

Single-user 4-core Stata perpetual license:

Serial number:

Licensed to:

opened on: 6 Feb 2012, 16:56:38

. do "C:\Users\pslosert\AppData\Local\Temp\STD00000000.tmp"

. xi: poisson f2f3 v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf km if vdrkarte==0 & zeit == 2006, exposure(erwabev)noconstant

Iteration 0: log likelihood = -22875.828

Iteration 1: log likelihood = -704.19478

Iteration 2: log likelihood = -511.16858

Iteration 3: log likelihood = -364.42279

117

Iteration 4: log likelihood = -363.62054

Iteration 5: log likelihood = -363.61995

Iteration 6: log likelihood = -363.61995

Poisson regression Number of obs = 168

Wald chi2(11) = 32784.01

Log likelihood = -363.61995 Prob > chi2 = 0.0000

------

f2f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

v15 | -.0146005 .0043651 -3.34 0.001 -.023156 -.0060451

betragv30 | -.0034797 .0015092 -2.31 0.021 -.0064376 -.0005218

v16 | -.0024345 .000774 -3.15 0.002 -.0039515 -.0009175

v43 | .00005 .000026 1.92 0.055 -9.72e-07 .000101

v61 | -.0000711 .000022 -3.23 0.001 -.0001142 -.000028

einkdif | .0000844 .0000263 3.21 0.001 .000033 .0001359

alanteil | .1592286 .0408097 3.90 0.000 .079243 .2392142

sf | .0199804 .0440931 0.45 0.650 -.0664405 .1064013

lwf | -.0494682 .0068407 -7.23 0.000 -.0628758 -.0360606

wf | -.0424017 .0073716 -5.75 0.000 -.0568499 -.0279536

km | -.0085146 .0016109 -5.29 0.000 -.0116719 -.0053574

ln(erwabev) | 1 (exposure)

------

. estat gof

118

Deviance goodness-of-fit = 290.1298

Prob > chi2(156) = 0.0000

Pearson goodness-of-fit = 280.5853

Prob > chi2(156) = 0.0000

. end of do-file

. do "C:\Users\pslosert\AppData\Local\Temp\STD00000000.tmp"

. xi: poisson f2 v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf km if vdrkarte==0 & zeit == 2006, exposure(erwabev)noconstant

Iteration 0: log likelihood = -142676.6

Iteration 1: log likelihood = -976.70591

Iteration 2: log likelihood = -335.12088

Iteration 3: log likelihood = -256.68622

Iteration 4: log likelihood = -246.49207

Iteration 5: log likelihood = -246.30478

Iteration 6: log likelihood = -246.30426

Iteration 7: log likelihood = -246.30426

Poisson regression Number of obs = 168

Wald chi2(11) = 16683.75

Log likelihood = -246.30426 Prob > chi2 = 0.0000

------119

f2 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

v15 | -.0201855 .0074753 -2.70 0.007 -.0348368 -.0055342

betragv30 | -.0022641 .002437 -0.93 0.353 -.0070404 .0025123

v16 | -.0016351 .0012021 -1.36 0.174 -.0039911 .0007209

v43 | .0000286 .0000423 0.68 0.498 -.0000542 .0001115

v61 | -.0000594 .0000361 -1.65 0.100 -.0001303 .0000114

einkdif | .0000422 .000045 0.94 0.348 -.000046 .0001305

alanteil | .2061062 .0675854 3.05 0.002 .0736413 .3385711

sf | -.0459211 .0729533 -0.63 0.529 -.188907 .0970647

lwf | -.0625723 .0113611 -5.51 0.000 -.0848397 -.0403049

wf | -.0588717 .0121689 -4.84 0.000 -.0827223 -.035021

km | -.005314 .0026493 -2.01 0.045 -.0105065 -.0001215

ln(erwabev) | 1 (exposure)

------

. estat gof

Deviance goodness-of-fit = 245.34

Prob > chi2(156) = 0.0000

Pearson goodness-of-fit = 258.7525

Prob > chi2(156) = 0.0000

. end of do-file

120

. do "C:\Users\pslosert\AppData\Local\Temp\STD00000000.tmp"

. xi: poisson f3 v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf km if vdrkarte==0 & zeit == 2006, exposure(erwabev)noconstant

Iteration 0: log likelihood = -7886.5136

Iteration 1: log likelihood = -501.65641

Iteration 2: log likelihood = -318.32065

Iteration 3: log likelihood = -302.11457

Iteration 4: log likelihood = -301.89863

Iteration 5: log likelihood = -301.89857

Iteration 6: log likelihood = -301.89857

Poisson regression Number of obs = 168

Wald chi2(11) = 23955.19

Log likelihood = -301.89857 Prob > chi2 = 0.0000

------

f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

v15 | -.0114586 .0053722 -2.13 0.033 -.0219879 -.0009293

betragv30 | -.0042263 .0019332 -2.19 0.029 -.0080153 -.0004374

v16 | -.0031973 .0010005 -3.20 0.001 -.0051582 -.0012363

v43 | .0000536 .0000333 1.61 0.107 -.0000116 .0001188

v61 | -.0000858 .0000276 -3.10 0.002 -.00014 -.0000316

einkdif | .0001119 .0000324 3.46 0.001 .0000484 .0001754

alanteil | .1345361 .0512254 2.63 0.009 .0341361 .2349362

sf | .0431217 .0553905 0.78 0.436 -.0654418 .1516851

lwf | -.0504308 .0085412 -5.90 0.000 -.0671713 -.0336902 121

wf | -.0412422 .009219 -4.47 0.000 -.0593112 -.0231733

km | -.00984 .0020361 -4.83 0.000 -.0138308 -.0058492

ln(erwabev) | 1 (exposure)

------

. estat gof

Deviance goodness-of-fit = 238.6498

Prob > chi2(156) = 0.0000

Pearson goodness-of-fit = 215.7616

Prob > chi2(156) = 0.0011

. end of do-file

Verteilung und Anzahl der niedergelassenen Ärzte im Studiengebiet

Zu Kapitel 4.4: „Umgang mit den Einschränkungen der Studie“

______(R)

/__ / ____/ / ____/

Statistics/Data Analysis StataCorp

4905 Lakeway Drive

MP - Parallel Edition College Station, Texas 77845 USA

800-STATA-PC http://www.stata.com 122

979-696-4600 [email protected]

979-696-4601 (fax)

Single-user 4-core Stata perpetual license:

Serial number:

Licensed to:

opened on: 6 Feb 2012, 17:13:58

. do "C:\Users\pslosert\AppData\Local\Temp\STD00000000.tmp"

. xtnbreg f2f3 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf km ngazahl if vdrkarte==0, exposure( erwabev) noconstant

Fitting negative binomial (constant dispersion) model:

Iteration 0: log likelihood = -6879081.3

Iteration 1: log likelihood = -55246.07

Iteration 2: log likelihood = -16836.973

Iteration 3: log likelihood = -2033.7216

Iteration 4: log likelihood = -1557.34

Iteration 5: log likelihood = -1451.7755

Iteration 6: log likelihood = -1451.5169

Iteration 7: log likelihood = -1451.5168

Iteration 0: log likelihood = -1410.8641

Iteration 1: log likelihood = -1406.0464

Iteration 2: log likelihood = -1405.9727

Iteration 3: log likelihood = -1405.9727 123

Fitting full model:

Iteration 0: log likelihood = -1484.7491

Iteration 1: log likelihood = -1377.8504

Iteration 2: log likelihood = -1346.23

Iteration 3: log likelihood = -1338.8348

Iteration 4: log likelihood = -1332.6167

Iteration 5: log likelihood = -1331.9304

Iteration 6: log likelihood = -1331.7828

Iteration 7: log likelihood = -1331.7477

Iteration 8: log likelihood = -1331.7434

Iteration 9: log likelihood = -1331.7434

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 134.65

Log likelihood = -1331.7434 Prob > chi2 = 0.0000

------

f2f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0035852 .0049299 0.73 0.467 -.0060772 .0132476

124

v15 | -.0143985 .0045072 -3.19 0.001 -.0232324 -.0055646

betragv30 | .0000131 .0007024 0.02 0.985 -.0013636 .0013898

v16 | -.0033494 .0008246 -4.06 0.000 -.0049655 -.0017333

v43 | .0000939 .0000493 1.90 0.057 -2.84e-06 .0001906

v61 | -.000079 .0000218 -3.63 0.000 -.0001217 -.0000363

einkdif | .0000846 .0000268 3.16 0.002 .0000321 .000137

alanteil | .0602446 .0195456 3.08 0.002 .0219359 .0985533

sf | .1538997 .0521609 2.95 0.003 .0516661 .2561333

lwf | -.049397 .0153272 -3.22 0.001 -.0794378 -.0193562

wf | -.0418932 .0146947 -2.85 0.004 -.0706942 -.0130921

km | -.0072151 .0020434 -3.53 0.000 -.0112201 -.00321

ngazahl | .0010661 .0232688 0.05 0.963 -.0445399 .046672

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 8.843971 9.854151 -10.46981 28.15775

/ln_s | 1.584249 .1731154 1.244949 1.923549

------+------

r | 6932.465 68313.56 .0000284 1.69e+12

s | 4.87563 .8440467 3.472759 6.845211

------

Likelihood-ratio test vs. pooled: chibar2(01) = 148.46 Prob>=chibar2 = 0.000

. end of do-file

. xtnbreg f2 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf ngazahl km if vdrkarte==0, exposure( erwabev) noconstant

Fitting negative binomial (constant dispersion) model: 125

Iteration 0: log likelihood = -7.407e+08

Iteration 1: log likelihood = -116079.81

Iteration 2: log likelihood = -103829.2

Iteration 3: log likelihood = -19275.614

Iteration 4: log likelihood = -1695.3526

Iteration 5: log likelihood = -1161.3947

Iteration 6: log likelihood = -960.07084

Iteration 7: log likelihood = -958.31362

Iteration 8: log likelihood = -958.31209

Iteration 9: log likelihood = -958.31209

Iteration 0: log likelihood = -934.76039

Iteration 1: log likelihood = -928.22494

Iteration 2: log likelihood = -928.04095

Iteration 3: log likelihood = -928.04085

Iteration 4: log likelihood = -928.04085

Fitting full model:

Iteration 0: log likelihood = -977.01539

Iteration 1: log likelihood = -896.09106

Iteration 2: log likelihood = -879.16507

Iteration 3: log likelihood = -873.42257

Iteration 4: log likelihood = -872.16181

Iteration 5: log likelihood = -871.86582

Iteration 6: log likelihood = -871.79466

Iteration 7: log likelihood = -871.78808

126

Iteration 8: log likelihood = -871.78794

Iteration 9: log likelihood = -871.78794

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 74.13

Log likelihood = -871.78794 Prob > chi2 = 0.0000

------

f2 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0027171 .0043182 0.63 0.529 -.0057465 .0111807

v15 | -.0173204 .0067524 -2.57 0.010 -.0305549 -.0040859

betragv30 | .0023537 .0010979 2.14 0.032 .000202 .0045055

v16 | -.0021685 .0011412 -1.90 0.057 -.0044052 .0000682

v43 | .0000374 .0000637 0.59 0.557 -.0000875 .0001622

v61 | -.0000963 .0000325 -2.96 0.003 -.00016 -.0000325

einkdif | .0001119 .0000401 2.79 0.005 .0000334 .0001905

alanteil | .0687959 .0303093 2.27 0.023 .0093909 .128201

sf | .1470793 .0771289 1.91 0.057 -.0040905 .2982492

lwf | -.0419036 .0224832 -1.86 0.062 -.0859699 .0021627

wf | -.0365542 .0219031 -1.67 0.095 -.0794836 .0063751

ngazahl | .0196609 .029925 0.66 0.511 -.0389909 .0783127

127

km | -.0053704 .0029224 -1.84 0.066 -.0110982 .0003574

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 8.120558 8.463908 -8.468398 24.70951

/ln_s | 1.032087 .2089723 .6225087 1.441665

------+------

r | 3362.896 28463.24 .00021 5.39e+10

s | 2.806917 .5865681 1.863597 4.22773

------

Likelihood-ratio test vs. pooled: chibar2(01) = 112.51 Prob>=chibar2 = 0.000

. end of do-file

. xtnbreg f3 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf ngazahl km if vdrkarte==0, exposure( erwabev) noconstant

Fitting negative binomial (constant dispersion) model:

Iteration 0: log likelihood = -372307.86

Iteration 1: log likelihood = -4216.0988

Iteration 2: log likelihood = -2407.9248

Iteration 3: log likelihood = -1237.6118

Iteration 4: log likelihood = -1206.5903

Iteration 5: log likelihood = -1206.1662

Iteration 6: log likelihood = -1206.166

Iteration 7: log likelihood = -1206.166

Iteration 0: log likelihood = -1217.0831 128

Iteration 1: log likelihood = -1195.7208

Iteration 2: log likelihood = -1194.9167

Iteration 3: log likelihood = -1194.9023

Iteration 4: log likelihood = -1194.9023

Fitting full model:

Iteration 0: log likelihood = -1321.2768

Iteration 1: log likelihood = -1207.874

Iteration 2: log likelihood = -1187.7747

Iteration 3: log likelihood = -1182.4399

Iteration 4: log likelihood = -1172.168

Iteration 5: log likelihood = -1166.9182

Iteration 6: log likelihood = -1166.2555

Iteration 7: log likelihood = -1166.1151

Iteration 8: log likelihood = -1166.0969

Iteration 9: log likelihood = -1166.0955

Iteration 10: log likelihood = -1166.0955

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 142.42

Log likelihood = -1166.0955 Prob > chi2 = 0.0000

129

------

f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0045685 .0090712 0.50 0.615 -.0132106 .0223477

v15 | -.0110913 .004426 -2.51 0.012 -.0197661 -.0024165

betragv30 | -.0016401 .0008823 -1.86 0.063 -.0033693 .0000892

v16 | -.0038128 .0008308 -4.59 0.000 -.0054412 -.0021844

v43 | .0001051 .0000456 2.31 0.021 .0000157 .0001944

v61 | -.00009 .0000232 -3.88 0.000 -.0001355 -.0000445

einkdif | .0000964 .0000279 3.45 0.001 .0000417 .0001511

alanteil | .0536885 .0239966 2.24 0.025 .0066561 .1007209

sf | .1405672 .0510374 2.75 0.006 .0405357 .2405986

lwf | -.0571411 .0148107 -3.86 0.000 -.0861695 -.0281127

wf | -.0484266 .0142057 -3.41 0.001 -.0762692 -.020584

ngazahl | -.009617 .0206942 -0.46 0.642 -.0501768 .0309429

km | -.0078139 .0019799 -3.95 0.000 -.0116945 -.0039332

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 10.47962 18.24301 -25.27601 46.23525

/ln_s | 1.911242 .2182555 1.483469 2.339015

------+------

r | 35582.9 649139.1 1.05e-11 1.20e+20

s | 6.761484 1.475731 4.408213 10.37102

------

Likelihood-ratio test vs. pooled: chibar2(01) = 57.61 Prob>=chibar2 = 0.000

. end of do-file

130

- Auswirkungen potentielles Einzugsgebiet der Ambulanz in Ursberg -

Zu Kapitel 4.4 Statistische Auswertungen

______(R)

/__ / ____/ / ____/

Statistics/Data Analysis StataCorp

4905 Lakeway Drive

MP - Parallel Edition College Station, Texas 77845 USA

800-STATA-PC http://www.stata.com

979-696-4600 [email protected]

979-696-4601 (fax)

Single-user 4-core Stata perpetual license:

Serial number:

Licensed to:

opened on: 6 Feb 2012, 17:13:58

. xtnbreg f2f3 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf km ursberg if vdrkarte==0, exposure( erwabev) noconstant

Fitting negative binomial (constant dispersion) model:

Iteration 0: log likelihood = -92473.476

Iteration 1: log likelihood = -3091.3563

Iteration 2: log likelihood = -2189.7443

Iteration 3: log likelihood = -1457.0846

Iteration 4: log likelihood = -1450.5914 131

Iteration 5: log likelihood = -1450.5759

Iteration 6: log likelihood = -1450.5759

Iteration 0: log likelihood = -1409.7518

Iteration 1: log likelihood = -1404.9401

Iteration 2: log likelihood = -1404.8657

Iteration 3: log likelihood = -1404.8657

Fitting full model:

Iteration 0: log likelihood = -1484.4139

Iteration 1: log likelihood = -1376.3378

Iteration 2: log likelihood = -1345.4656

Iteration 3: log likelihood = -1337.5338

Iteration 4: log likelihood = -1332.6507

Iteration 5: log likelihood = -1331.9985

Iteration 6: log likelihood = -1331.7897

Iteration 7: log likelihood = -1331.7484

Iteration 8: log likelihood = -1331.743

Iteration 9: log likelihood = -1331.7429

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 134.68

Log likelihood = -1331.7429 Prob > chi2 = 0.0000 132

------

f2f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0035963 .0049413 0.73 0.467 -.0060884 .013281

v15 | -.0144323 .0044736 -3.23 0.001 -.0232005 -.0056641

betragv30 | .0000111 .0007029 0.02 0.987 -.0013665 .0013887

v16 | -.0033517 .0008276 -4.05 0.000 -.0049737 -.0017298

v43 | .0000946 .0000469 2.02 0.044 2.76e-06 .0001864

v61 | -.0000787 .0000222 -3.55 0.000 -.0001222 -.0000352

einkdif | .0000843 .0000272 3.10 0.002 .000031 .0001375

alanteil | .0601884 .0195938 3.07 0.002 .0217853 .0985916

sf | .1536198 .0518288 2.96 0.003 .0520373 .2552024

lwf | -.0495312 .0153005 -3.24 0.001 -.0795197 -.0195427

wf | -.0420447 .0147128 -2.86 0.004 -.0708813 -.0132081

km | -.0072139 .0020388 -3.54 0.000 -.0112099 -.0032179

ursberg | .0116284 .2063972 0.06 0.955 -.3929026 .4161594

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 8.858141 9.88027 -10.50683 28.22311

/ln_s | 1.583665 .1731358 1.244325 1.923005

------+------

r | 7031.398 69472.11 .0000273 1.81e+12

s | 4.872781 .8436531 3.470591 6.841485

------

Likelihood-ratio test vs. pooled: chibar2(01) = 146.25 Prob>=chibar2 = 0.000

. xtnbreg f2 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf ursberg km if vdrkarte==0, exposure( erwabev) noconstant

133

Fitting negative binomial (constant dispersion) model:

Iteration 0: log likelihood = -342316.5

Iteration 1: log likelihood = -4041.0451

Iteration 2: log likelihood = -2663.4157

Iteration 3: log likelihood = -1328.479

Iteration 4: log likelihood = -964.3769

Iteration 5: log likelihood = -951.90283

Iteration 6: log likelihood = -951.7722

Iteration 7: log likelihood = -951.77217

Iteration 0: log likelihood = -931.44735

Iteration 1: log likelihood = -924.13093

Iteration 2: log likelihood = -923.919

Iteration 3: log likelihood = -923.91874

Iteration 4: log likelihood = -923.91874

Fitting full model:

Iteration 0: log likelihood = -976.78657

Iteration 1: log likelihood = -894.68224

Iteration 2: log likelihood = -878.52083

Iteration 3: log likelihood = -873.41864

Iteration 4: log likelihood = -872.12925

Iteration 5: log likelihood = -871.87147

Iteration 6: log likelihood = -871.80415

Iteration 7: log likelihood = -871.79472

Iteration 8: log likelihood = -871.79428

Iteration 9: log likelihood = -871.79428 134

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 75.74

Log likelihood = -871.79428 Prob > chi2 = 0.0000

------

f2 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0027728 .0042079 0.66 0.510 -.0054745 .0110202

v15 | -.0178276 .0066924 -2.66 0.008 -.0309446 -.0047107

betragv30 | .0023505 .0010967 2.14 0.032 .000201 .0044999

v16 | -.0020644 .0011424 -1.81 0.071 -.0043034 .0001747

v43 | .0000522 .0000615 0.85 0.396 -.0000684 .0001727

v61 | -.0000993 .0000331 -3.00 0.003 -.0001641 -.0000344

einkdif | .0001148 .0000406 2.83 0.005 .0000352 .0001943

alanteil | .0707233 .0304023 2.33 0.020 .0111359 .1303106

sf | .14163 .0765785 1.85 0.064 -.008461 .291721

lwf | -.0426634 .0223315 -1.91 0.056 -.0864322 .0011055

wf | -.0368199 .0217969 -1.69 0.091 -.0795411 .0059013

ursberg | -.2040772 .3007798 -0.68 0.497 -.7935949 .3854404

km | -.0059716 .0029045 -2.06 0.040 -.0116644 -.0002789

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 8.05318 8.24258 -8.10198 24.20834 135

/ln_s | 1.043136 .2120869 .6274537 1.458819

------+------

r | 3143.776 25912.82 .0003029 3.26e+10

s | 2.838104 .6019248 1.872836 4.300878

------

Likelihood-ratio test vs. pooled: chibar2(01) = 104.25 Prob>=chibar2 = 0.000

. xtnbreg f3 zeit v15 betragv30 v16 v43 v61 einkdif alanteil sf lwf wf ursberg km if vdrkarte==0, exposure( erwabev) noconstant

Fitting negative binomial (constant dispersion) model:

Iteration 0: log likelihood = -55344.861

Iteration 1: log likelihood = -2170.9049

Iteration 2: log likelihood = -1336.0237

Iteration 3: log likelihood = -1211.2765

Iteration 4: log likelihood = -1208.6807

Iteration 5: log likelihood = -1208.6769

Iteration 6: log likelihood = -1208.6769

Iteration 0: log likelihood = -1217.8366

Iteration 1: log likelihood = -1197.5183

Iteration 2: log likelihood = -1196.7355

Iteration 3: log likelihood = -1196.7245

Iteration 4: log likelihood = -1196.7245

Fitting full model:

Iteration 0: log likelihood = -1320.8283

136

Iteration 1: log likelihood = -1206.9092

Iteration 2: log likelihood = -1184.0473

Iteration 3: log likelihood = -1174.8604

Iteration 4: log likelihood = -1168.6411

Iteration 5: log likelihood = -1166.8362

Iteration 6: log likelihood = -1166.2767

Iteration 7: log likelihood = -1166.136

Iteration 8: log likelihood = -1166.1004

Iteration 9: log likelihood = -1166.0935

Iteration 10: log likelihood = -1166.0929

Iteration 11: log likelihood = -1166.0929

Random-effects negative binomial regression Number of obs = 671

Group variable: gkz Number of groups = 174

Random effects u_i ~ Beta Obs per group: min = 2

avg = 3.9

max = 4

Wald chi2(13) = 141.84

Log likelihood = -1166.0929 Prob > chi2 = 0.0000

------

f3 | Coef. Std. Err. z P>|z| [95% Conf. Interval]

------+------

zeit | .0046819 .0102336 0.46 0.647 -.0153755 .0247393

v15 | -.0109419 .004396 -2.49 0.013 -.0195579 -.0023259

betragv30 | -.0016583 .0008839 -1.88 0.061 -.0033908 .0000741

v16 | -.0039076 .0008384 -4.66 0.000 -.0055507 -.0022644

v43 | .0000991 .0000433 2.29 0.022 .0000144 .0001839 137

v61 | -.0000875 .0000239 -3.66 0.000 -.0001344 -.0000406

einkdif | .0000939 .0000286 3.29 0.001 .0000379 .0001499

alanteil | .0525409 .0242131 2.17 0.030 .0050841 .0999977

sf | .1434387 .0506142 2.83 0.005 .0442367 .2426407

lwf | -.0572754 .0148278 -3.86 0.000 -.0863372 -.0282135

wf | -.0488444 .0143054 -3.41 0.001 -.0768823 -.0208064

ursberg | .0886808 .1922359 0.46 0.645 -.2880947 .4654564

km | -.0075609 .0019707 -3.84 0.000 -.0114235 -.0036983

ln(erwabev) | 1 (exposure)

------+------

/ln_r | 10.77012 20.59718 -29.59961 51.13985

/ln_s | 1.909725 .2177067 1.483027 2.336422

------+------

r | 47577.8 979968.4 1.40e-13 1.62e+22

s | 6.751229 1.469788 4.406264 10.34416

------

Likelihood-ratio test vs. pooled: chibar2(01) = 61.26 Prob>=chibar2 = 0.000

. end of do-file

138