Aktuelle Corona-Infektionen Das aktuelle Corona-Krankheitsaufkommen in Deutschland beträgt schätzungsweise 513 Fälle pro 100.000 Einwohner, was bedeutet, dass ca. eine von 136 Personen derzeit akut infiziert ist (angenommen sind Ø 10 Tage Infektionsdauer).Das Robert-Koch-Institut (RKI) meldet eine Inzidenz von 4, wobei auf jede offiziell registrierte Infektion etwa 123 weitere unentdeckte Fälle entfallen – eine erhebliche Dunkelziffer (Stand: 27.09.2025). Die Verteilung der Erkrankungen variiert stark zwischen den Bundesländern (Angaben in Fälle pro 100.000): Baden-Württemberg: 389 Fälle (1 von 180 infiziert) Bayern: 642 Fälle (1 von 109 infiziert) Berlin: 454 Fälle (1 von 154 infiziert) Brandenburg: 624 Fälle (1 von 112 infiziert) Bremen: 840 Fälle (1 von 83 infiziert) Hamburg: 536 Fälle (1 von 131 infiziert) Hessen: 503 Fälle (1 von 139 infiziert) Mecklenburg-Vorpommern: 338 Fälle (1 von 207 infiziert) Niedersachsen: 312 Fälle (1 von 224 infiziert) Nordrhein-Westfalen: 557 Fälle (1 von 126 infiziert) Rheinland-Pfalz: 406 Fälle (1 von 172 infiziert) Saarland: 588 Fälle (1 von 119 infiziert) Sachsen: 680 Fälle (1 von 103 infiziert) Sachsen-Anhalt: 593 Fälle (1 von 118 infiziert) Schleswig-Holstein: 335 Fälle (1 von 209 infiziert) Thüringen: 350 Fälle (1 von 200 infiziert) Entwicklung der Infektionszahlen Seit Beginn der Pandemie gab es in Deutschland ~201,08 Millionen Corona-Infektionen.Das sind ca. 2,41 Infekte pro Person. Aktuelles Meldeniveau nach Landkreisen Diese Karte zeigt das Meldeniveau zu SARS-CoV-2 für jeden Landkreis. Mit dem Datumsschieber kann der zeitliche Verlauf bis ein Jahr in die Vergangenheit betrachtet werden. Reale Inzidenz und Dunkelzifferfaktorberechnung Die reine Betrachtung der gemeldeten 7-Tage-Inzidenz des Robert Koch-Instituts (RKI) für Covid-19-Erkrankungen im gesamten Bundesgebiet reicht häufig nicht aus, um die tatsächliche Verbreitung des Krankheitserregers abzuschätzen. Zahlreiche Fälle werden nicht erkannt, sodass eine Dunkelziffer entsteht. Um diese Lücke näherungsweise zu schließen, ist ein komplexer Berechnungsprozess notwendig, der auf mehreren Datengrundlagen und Annahmen fußt. Datenbasis: Offizielle Inzidenz und Hospitalisierungen Als primäre Eingangsgrößen dienen die täglich gemeldete 7-Tage-Inzidenz sowie Hospitalisierungszahlen, die jeweils die gesamte Bevölkerung und das gesamte Bundesgebiet umfassen. Die 7-Tage-Inzidenz spiegelt das gemeldete Infektionsgeschehen wider, ist jedoch abhängig vom mittlerweile stark reduzierten Testaufkommen, der Meldedisziplin und dem Erfassungsgrad. Die Hospitalisierungszahlen gelten als stabilerer, wenngleich zeitverzögerter Indikator, da sie schwere Verläufe abbilden. Hierzu werden fixierte 7-Tage-Hospitalisierungsfälle pro Tag herangezogen, die aktuell jedoch erst ab 2023 flächendeckend und einheitlich verfügbar sind. Der Dunkelzifferfaktor (DFZ) als Korrektur der gemeldeten Inzidenz Der zentrale Wert im Berechnungsprozess ist der Dunkelzifferfaktor (DFZ). Der DFZ gibt an, um welchen Faktor die gemeldete Inzidenz multipliziert werden muss, um eine Schätzung der tatsächlichen Infektionshäufigkeit zu erhalten. Ein DFZ von 2 würde beispielsweise bedeuten, dass auf einen gemeldeten Fall ein weiterer unerkannter Fall kommt. Kalibrierung über einen Referenztag mit bekanntem DFZ Die Berechnung des DFZ stützt sich auf einen Referenztag, an dem bereits ein gesicherter DFZ vorliegt. Derzeit wird der 13. Dezember 2024 mit einem DFZ von 125 angenommen. Dieser Wert ist nicht willkürlich, sondern basiert auf der Abschätzung von RV-Enigma und der Analyse der AMELAG-Abwasserdaten. Die Hospitalisierungsrate am Referenztag dient als Bezugsgröße, um die Hospitalisierungszahlen anderer Tage einzuordnen. Da angenommen wird, dass Hospitalisierungen in einer relativ stabilen Beziehung zum wahren Infektionsgeschehen stehen, lässt sich aus Veränderungen in diesem Verhältnis ein neuer DFZ ableiten. Zudem wurden unnatürliche Schwankungen der 7-Tage-Inzidenzwerte aller Bundesländer ab dem Jahr 2023 analysiert, um einen Faktor für die Bundesland-spezifische Meldedisziplin zu ermitteln. Um lokale Schwankungen zu erkennen, wurde für jedes Bundesland eine gleitende 7-Tage-Durchschnittsinzidenz berechnet. Diese dient als Basislinie, um »normale« Schwankungen von auffälligen Abweichungen zu unterscheiden. Die absoluten Abweichungen der tatsächlichen 7-Tage-Inzidenzwerte vom gleitenden Durchschnitt wurden ermittelt. Je größer diese Abweichungen, desto stärker sind die potenziellen unnatürlichen Schwankungen. Die Abweichungen wurden pro Bundesland aufsummiert, um eine Gesamtbewertung der Schwankungen für jedes Bundesland zu erhalten. Jedes Bundesland erhält einen spezifischen Kompensationsfaktor basierend auf seinen Schwankungen zur bundesweiten Inzidenz und jeweiligen Altersverteilung (Schleswig-Holstein: 0,88, Hamburg: 1,04, Niedersachsen: 1,15, Bremen: 1,13, Nordrhein-Westfalen: 1,10, Hessen: 1,17, Rheinland-Pfalz: 1,01, Baden-Württemberg: 1,13, Bayern: 1,26, Saarland: 1,09, Berlin: 0,99, Brandenburg: 0,95, Mecklenburg-Vorpommern: 0,92, Sachsen: 0,97, Sachsen-Anhalt: 0,94, Thüringen: 0,91). Der Berechnungsablauf im Detail: Datenerfassung und SortierungZunächst werden alle gemeldeten Zahlen – darunter die 7-Tage-Inzidenz, Neuinfektionen und Hospitalisierungsdaten – nach Meldedatum sortiert. Aufschlag für die letzten 7 TageUm kurzfristige Untererfassungen auszugleichen, die später als Nachmeldungen in den Daten auftauchen, wird in den jüngsten Datensätzen von Tag zu Tag ein ansteigender Wert aufgeschlagen (zum Beispiel +14 % am aktuellen Tag, +12 % am Vortag etc.). Berechnung des DunkelzifferfaktorsLiegen sämtliche Daten vollständig vor, wird ein spezieller Faktor berechnet, der u. a. die Hospitalisierungen ins Verhältnis zur Inzidenz setzt und durch einen konstanten Referenzwert skaliert. Auf diese Weise entsteht der Dunkelzifferfaktor, der eine realistischere Größe zur Infektionslage angibt. FeiertagskorrekturAn Nullmeldetagen, Wochenenden, Feiertagen und zum Teil am folgenden Tag wird der Dunkelzifferfaktor des Vortages sowie die Vortagsinzidenz mal dem aktuellen R-Wert übernommen, der auf Basis der neu gemeldeten Fälle berechnet wird. Fallback bei fehlenden DatenErgeben sich an einem Tag keine ausreichenden Angaben (z. B. unplausible oder fehlende Neuinfektionen), wird stattdessen ein Ersatzwert herangezogen. Korrektur von WellentälernDa in den Tiefphasen zwischen zwei Infektionswellen erfahrungsgemäß besonders wenige Tests durchgeführt werden, unterschätzen die Rohdaten hier die tatsächliche Infektionslast. Um diese Täler realitätsnäher abzubilden, wird ein gleitender Korrekturfaktor angewendet, der bei niedriger korrigierter Inzidenz die Dunkelziffer vorsichtig nach oben skaliert. Hohe Inzidenzen und Wellenpeaks bleiben davon unberührt. Glättung über sieben TageAbschließend wird der Dunkelzifferfaktor über sieben aufeinanderfolgende Tage gemittelt. Dadurch werden sehr starke Schwankungen abgemildert und eine stabilere Zeitreihe entsteht. Nachteile und Einschränkungen Die Berechnung unterstellt, dass das Verhältnis von Hospitalisierungen zur tatsächlichen Infektionslast über die Zeit weitgehend konstant bleibt. Weder Veränderungen in der Krankheitsschwere unterschiedlicher Virusvarianten noch die Impfquote, die zwar Einfluss auf die Hospitalisierungen hat, jedoch voraussichtlich stabil bleibt, werden berücksichtigt. Wenn eine Variante häufiger zu schweren Verläufen führt als eine andere, kann dies die Annahmen hinter dem Modell verzerren. Ein weiterer Nachteil ist, dass Hospitalisierungsdaten in konsistenter Form erst ab 2023 vorliegen. Frühere Zeiträume können somit nicht mit demselben Modell abgedeckt werden, was die historische Vergleichbarkeit einschränkt. Zudem kann es vorkommen, dass an einzelnen Tagen wichtige Kennzahlen fehlen. In diesen Fällen wird der DFZ mit einem Fallback-Wert geschätzt, was die Genauigkeit der Zeitreihe mindert. Ergebnis Die oben dargestellten Graphen zeigen neben der offiziellen RKI-Inzidenz den geglätteten DFZ und die daraus resultierende korrigierte Inzidenz. Diese Kombination versucht, aus eingeschränkten Meldedaten ein realistischeres Bild der Infektionslage zu zeichnen. Trotz verbleibender Unsicherheiten und methodischer Vereinfachungen verbessert diese Vorgehensweise die Interpretierbarkeit der vorliegenden Daten, um längerfristige Trends im Infektionsgeschehen klarer zu erkennen.