1 Einleitung

Soziale Ungleichheit ist ein Thema, das in den letzten Jahren immer mehr an Aufmerksamkeit gewonnen hat. Nicht zuletzt durch Corona hat die Debatte über soziale Gerechtigkeit wieder an Fahrt gewonnen. Erste Erhebungen zeigen, dass in Deutschland Haushalte mit dem niedrigsten Einkommen fast viermal so oft von finanziellen Einbußen betroffen sind als die Haushalte mit dem höchsten Einkommen (vgl. Hövermann 2020, S. 11). Auch die Lebenserwartung sinkt in Deutschland um bis zu zehn Jahre mit dem Haushaltseinkommen (vgl. Lampert, Kroll, and Dunkelberg 2007, S. 17). Weniger eindeutig verhält es sich mit dem Tabak- und Alkoholkonsum. So steigt in Deutschland der Alkoholkonsum mit dem Einkommen (vgl. Schupp 2012 S. 772), während der Tabakkonsum sinkt (vgl. Lampert 2010 S. 110). Diese Arbeit soll prüfen ob in einem internationalen Vergleich die Länder mit einem höheren Bruttoinlandsprodukt (BIP) pro Kopf im Durchschnitt mehr Alkohol trinken und weniger Rauchen als die mit einem niedrigen. Denkbar ist auch, dass sich dieses Phänomen nicht global beobachten lässt.

Um einen möglichen Zusammenhang zu untersuchen, werden im ersten Teil die Raucherquoten und im zweiten Teil der Alkoholkonsum betrachtet. Hierfür wird der Konsum mit dem BIP pro Kopf, aber auch anderen äußeren Faktoren verglichen. Die untere Grafik veranschaulicht noch einmal wie präsent das Rauchen bei den vermeidbaren Todesursachen weltweit ist. Die verwendeten Daten wurden aus freizugänglichen Datensätzen von Our World in Data, The World Bank, und The World Health Organisation zusammengesetzt. Alle Daten sind aus englischsprachigen Quellen, weswegen die Grafiken auch auf englisch beschriftet sind.

2 Tabakkonsum

Rauchen ist die zweithäufigste Todesursache der Welt und die absoluten Sterbezahlen wachsen jedes Jahr. Im Verhältnis zur Weltbevölkerung zeigt sich, dass die relative Raucherquote in den letzten Jahren zurückgegangen ist.

Weltweit sterben jährlich ca. 7 Millionen Menschen an den Folgen von Rauchen. Davon sind 1,2 Millionen Opfer von Passivrauchen. Es gibt ca. 1.3 Milliarden Tabaknutzende, von denen knapp 80% in Ländern mit niedrigem und mittlerem Einkommen leben. Durch den Tabakkonsum steigen die Haushaltskosten zum einen durch direkte Ausgaben, aber auch indirekt in Form von Gesundheitskosten. Ein Zustand, der ärmere Haushalte überproportional belastet (WHO 2020).

Das nachfolgende Kapitel vergleicht zunächst die Rauchertoten der letzten 30 Jahre mit dem BIP pro Kopf. Danach werden die aktuellen Raucherquoten mit dem BIP pro Kopf der einzelnen Länder verglichen. Hierfür werden die Länder nach ihrer geographischen Lage gruppiert. Dies ermöglicht das Beobachten von Regionen spezifischen Unterschieden und eliminiert potenzielle Ungenauigkeiten durch zu heterogene Länder.

2.1 Rauchertote der letzten 30 Jahre

Die folgende Animation zeigt das Verhältnis der Rauchertoten pro 100.000 Einwohner und dem BIP pro Kopf aller Länder Weltweit. Die Rauchertoten wurden diese Analyse genommen, da diese über die letzten 30 Jahre jährlich erfasst wurden. Zwischen den Erhebungen der einzelnen Raucherquoten liegen hingegen manchmal bis zu fünf Jahre.

Erkennbar ist ein negativer Zusammenhang zwischen dem BIP pro Kopf und den Rauchertoten pro 100.000 Einwohnern. Im Durchschnitt sind die Rauchertoten gesunken, während das BIP gestiegen ist.

2.2 Regionenspezifisches Einkommen mit Raucherquoten

Das vorliegende Kapitel prüft, ob es abseits der Korrelation über die Zeit auch eine negative Korrelation der Rauchquote mit dem BIP über einzelne Länder hinweg gibt. Der Faktor Zeit wurde aus der nächsten Grafik entfernt, um das BIP und die Raucherquote isoliert betrachten zu können. Dadurch soll der Rückgang der Rauchertoten durch die Variable Zeit alleine ausgeschlossen werden. Hierfür wurden das BIP pro Kopf und die Raucherquote aus dem Jahr 2018 herangezogen. Die einzelnen Regionen werden isoliert betrachtet.

Es ist erkennbar, dass in der East Asia & South Asia & Pacific (AAP) sowie Europe & Central Asia & North America (EAA) der Raucheranteil mit zunehmendem BIP pro Kopf fällt. In den Middle East & North Africa (MEA) und Latin America & Caribbean (LAC) Regionen lässt sich keine eindeutige Korrelation erkennen. Lediglich in der Sub-Saharan Africa (SSA) Region zeigt sich eine positive Korrelation zwischen BIP pro Kopf und der Raucherquote. Eine mögliche Erklärung hierfür ist, dass das BIP pro Kopf in einem Großteil der SSA Länder unter 5000 Dollar liegt. Demnach ist es möglich, dass die Raucherquote mit einem steigendem BIP pro Kopf erst zunimmt, bevor sie mit einem weiteren Anstieg wieder abnimmt. Dieser Zusammenhang wird im nächsten Kapitel noch einmal aufgegriffen.

2.3 Cluster Analyse

Die Clusteranalyse hilft dabei, nicht-lineare Trends zu erkennen. Die Datenpunkte werden in einzelne Segmente unterteilt, welche eine deutlich homogenere Einheit bilden. Zur Bestimmung der optimalen Clusteranzahl wird die Summe der kleinsten Quadrate (SKQ) grafisch dargestellt. Je höher diese Summe, desto größer die Abweichung der echten Daten von den Schätzdaten. Ziel ist es, diese Abweichung gering zu halten, ohne dabei eine Überanpassung des Models zu provozieren. Eine zu hohe Clusterzahl würde dann zwar dieses Modell sehr genau beschreiben, es wäre jedoch für andere Datensätze, die leicht abweichen, unbrauchbar. Die optimale Clusterzahl für dieses Modell ist vier, da danach die SKQ nur noch sehr flach abnimmt.

Da die Raucherquote bis maximal 100 Prozent geht und das BIP bis über 100.000, wurden die Datensätze vor dem Clustern skaliert, um die X und Y-Achse ins Verhältnis zu setzen. Länder mit hohem BIP entpuppen sich hierbei als eine sehr homogene Masse. Länder mit niedrigem BIP werden wiederum in drei einzelne Cluster unterteilt, welche niedrige, mittlere und hohe Raucherquoten haben. Länder mit niedrigem BIP sind entsprechend schwerer zu klassifizieren als Länder mit hohem BIP.

Jedes Land wurde einem Cluster zugewiesen und die einzelnen Regionen können nun miteinander verglichen werden. Zur leichteren Einordnung wurden die Cluster umbenannt in: “High income, moderate smoking”, “Low income, heavy smoking”, “Low income, moderate smoking”, und “Low income, light smoking”. Die Definition von „low income“ und „high income“ ist in diesem Kontext relativ zum gesamten Datensatz zu verstehen. Im nachfolgenden Abschnitt werden die einzelnen Regionen mithilfe ihrer Clusterzusammensetzung und einer Trendanalyse mithilfe eines Scatterplots genauer betrachtet.

2.3.1 East Asia & South Asia & Pacific

Das Cluster “Low income, light smoking” ist in der AAP Region nicht vertreten. Es zeichnet sich mit steigendem BIP eine starke Abnahme der Raucherquoten ab. Grund hierfür sind die hohen Raucherquoten in den ärmeren Ländern dieser Region.

2.3.2 Europe & Central Asia & North America

Ähnlich wie in der AAP Region ist auch hier das Cluster “Low income, light smoking” kaum, beziehungsweise nur einmal vertreten. Mit steigendem BIP pro Kopf steigt die Raucherquote erst leicht, bevor sie mit mit einem BIP pro Kopf von ca. 25,000 Dollar wieder deutlich abflacht. In dieser Region ist das Cluster “High income, moderate smoking” am häufigsten vertreten. Grund hierfür ist das hohe BIP der nordamerikanischen und europäischen Länder.

2.3.3 Latin America & Carribean

In diesen Regionen lässt sich kein eindeutiger Trend erkennen. Sie bestehen zum Großteil aus “Low income, light smoking”-Ländern. Es zeichnet sich kein eindeutiger Abwärtstrend ab, tendenziell sogar eher ein Aufwärtstrend.

2.3.4 Middle East & North Africa

Auch in dieser Region lässt sich kein Trend erkennen. Das “Low income, heavy smoking”-Cluster ist nur einmal vertreten. Die Raucherquote hält sich konstant unabhängig vom BIP pro Kopf.

2.3.5 Sub-Saharan Africa

In der SSA Region sind lediglich “Low income, light smoking” und “Low income heavy smoking” vertreten. Das „light smoking“-Cluster ist hierbei deutlich stärker vertreten. Der Trend zeigt eine steigende Raucherquote mit steigendem BIP. Da das BIP pro Kopf in dieser Region nur bis 15,000 Dollar reicht, könnte sich dieser Trend mit dem der AAE Region decken, welche bis 25,000 Dollar einen Anstieg der Raucherquote hat und danach abflacht.

2.3.6 Vergleich der Cluster

Aus dem Vergleich wird ersichtlich, dass Regionen, in denen Länder mit niedrigem Einkommen und hoher Raucherquote vertreten sind, eine abnehmende Raucherquote mit steigendem BIP pro Kopf haben. Die Cluster “Low income, light smoking” und “Low income, heavy smoking” sind in keiner Region ausgeglichen vertreten. Dort, wo das eine Cluster überwiegt, ist das andere kaum vorhanden. In Regionen mit vielen “Low income, light smoking”-Ländern lässt sich kein eindeutiger Abwärtstrend der Raucherquote mit steigendem BIP erkennen. In der SSA Region kann sogar eine positive Korrelation zwischen dem BIP pro Kopf und der Raucherquote beobachtet werden.

Bei den Durchschnittswerten der Cluster zeichnet sich der oben beschriebene Trend noch deutlicher ab. So verdoppelt sich die durchschnittliche Raucherquote eines Landes, wenn es vom “Low income, light smoking”-Cluster ins “High income, moderate smoking”-Cluster wechselt. Das Cluster der “Low income, heavy smoking”-Länder ist in Summe am wenigsten vertreten, es ist jedoch der Hauptgrund, weshalb im europäischen, nordamerikanischen, asiatischen und pazifischen Raum die Raucherquoten mit BIP so rasant fallen. Das “Low income, light smoking”-Cluster hebt sich durch ein im Durchschnitt deutlich niedrigeres BIP von den anderen „Low income, heavy smoking“-Ländern ab.

Cluster Smokers in % GDP per Capita n
Low income, heavy smoking 41.30 8720.79 18
Low income, moderate smoking 25.63 9429.19 54
High income, moderate smoking 21.79 54462.81 28
Low income, light smoking 11.20 5044.55 46

Die unten abgebildete Grafik zeigt die Raucherquoten im Vergleich zum BIP pro Kopf in vier nach BIP sortierten Gruppen. Man erkennt auch hier die regionenspezifischen Unterschiede in den einzelnen BIP Gruppen. So liegen bei gleichem Einkommen die Rauchquoten der asiatischen Länder weit über denen der afrikanischen Länder. Beim BIP zwischen 5,000 und 10,000 Dollar liegt Lateinamerika & Karibik bei gleichem BIP weit unter den Raucherquoten der anderen Länder. Im durchschnittlichen bis sehr hohem BIP Bereich fällt auf, dass Länder der EAA Region deutlich höhere Raucherquoten haben als vergleichbare Regionen, gleichzeitig nimmt die Quote bei steigendem BIP stärker ab.

Die bisherige Analyse konnte zeigen, dass die Raucherquote mit dem BIP zusammenhängt. Dennoch spielen regionenspezifische Faktoren eine wichtige Rolle und sind für eine negative und teilweise auch positive Korrelation mitverantwortlich. Durch das Aufteilen in Regionen können auch nicht-lineare Zusammenhänge besser betrachtet werden. Es liegt nahe, dass die Raucherquote erst mit dem BIP pro Kopf steigt, bevor sie dann mit deutlich höherem Einkommen wieder abnimmt. Eine isolierte Betrachtung der Raucherquoten und des BIP ist nicht sinnvoll.

2.4 Weitere Einflussfaktoren auf den Tabakkonsum und Korrelationen

In diesem Abschnitt wird der Einfluss anderer messbarer Faktoren auf die Raucherquote gemessen. Somit sollen die regionenspezifischen Unterschiede noch besser erklärt und weitere Einflussfaktoren gefunden werden, die womöglich unabhängig von den Regionen korrelieren. Die Korrelationen wurden auch auf ihre Signifikanz geprüft, wobei hierbei Stichproben der LAC und MEA Region durch die geringe Länderzahl zu minimal war, sodass hier nie eine signifikante Korrelation beschrieben werden kann. Diese Regionen bleiben demnach bei dieser Betrachtung außen vor. Im nachfolgendem Abschnitt wird nur auf signifikante Korrelationen eingegangen. Beschrieben werden hier jeweils die Korrelationen mit der Raucherquote einer Region.

Beim BIP pro Kopf gibt es in der AP Region eine negative Korrelation von -0.56. Dies trifft ebenfalls auf die EAA Region zu, mit einem Wert von -0.41. Die SSA Region hat eine positive Korrelation von 0.5. Diese Ergebnisse decken sich auch mit der vorherigen grafischen Betrachtung.

Die Ausgaben für Bildung werden am prozentualen Anteil der Bildungsausgaben am BIP gemessen. Die einzig signifikante Korrelation kann hier die EAA Region mit -0.52 verzeichnen. Je höher die relativen Ausgaben für Bildung in dieser Region sind, desto geringer wird die Raucherquote.

Die Bezahlbarkeit der Zigaretten wird gemessen am Anteil des BIP pro Kopf, der aufgewendet werden muss, um 2,000 Zigaretten der am häufigsten verkauften Marke zu erwerben. Je höher die Kennziffer, desto höher sind die relativen Kosten für Zigaretten. Die AAP Region weist hier eine positive Korrelation von 0.45 vor. Je höher die relativen Kosten für Zigaretten in dieser Region sind, desto höher ist auch die Raucherquote. Diese Beobachtung deckt sich auch dem dem “Low income, heavy smoking”-Cluster, welches in dieser Region sehr stark vertreten ist.

Zuletzt werden die Steuern auf Zigaretten betrachtet. Diese sagen nichts über die Höhe des Preises aus, sind sie doch der prozentuale Aufschlag auf den Verkaufspreis. Die EAA Region hat hier eine positive Korrelation von 0.51, die SSA Region eine von 0.62. Diese Korrelation erscheint auf den ersten Blick unerwartet. So sagt sie aus, dass in diesen Regionen mit zunehmender Tabaksteuer auch der Tabakkonsum steigt. Einen Erklärungsansatz für diesen Trend in der EAA Region liefert eine Untersuchung die zeigt, dass der Tabakkonsum mit steigenden Steuern zwar abnimmt, jedoch Länder mit hohem Einkommen weniger sensibel auf diese Steuern reagieren (Chaloupka, Straif, and Leon 2011). Eindeutig ist der Trend jedoch nicht belegt. Da in dieser Region viele Länder mit hohem Einkommen sind, erscheint er jedoch plausibel. Schwarzmärkte und Steuervermeidung verringern ebenfalls den Effekt von höheren Tabaksteuern (ebd.). Eine Untersuchung auf dem afrikanischen Kontinent ergab, dass der Zigarettenschmuggel dort floriert (Titeca, Joossens, and Raw 2011). Grund hierfür sind hohe Korruption und schwache Kapazitäten des Staates sowie Rebellengruppen, die sich durch Zigarettenschmuggel finanzieren (ebd.). In Europa kommen legal und illegal über die Grenze verkaufte Zigaretten meist aus Tschechien. So vermerkt Morris in seinem Geschäftsbericht 2021, dass Verkäufe in Tschechien im ersten Quartal 2021 um knapp 25% eingebrochen sind (PMI 2021). Als Grund hierfür werden geringere grenzüberschreitende Verkäufe durch die Lockdown-Maßnahmen der Corona-Pandemie genannt (ebd).

In der AAP Region ist die Korrelation mit den Tabaksteuern negativ (-0.57). Das dürfte vor allem daran liegen, dass dort Länder wie Australien, Neuseeland und Singapur liegen, die sehr hohe Tabaksteuern und niedrige Raucherquoten haben.

Fotowarnungen auf Zigarettenverpackungen wurden auch auf ihre Korrelation geprüft, hierbei gab es keine signifikanten Ergebnisse. Außerdem wurde die Korrelation mit der Variable Zeit über die letzten 30 Jahre geprüft. Die einzige signifikante Korrelation hatte die EAA Region, diese war lediglich bei -0.18. In Anbetracht der Tatsache, dass die Wirtschaft in dieser Region sehr stabil und in den letzten 30 Jahren stetig gewachsen ist, relativiert sich diese Korrelation wieder.

2.5 Geschäftsberichte von Philip Morris International

Im globalen Durchschnitt ist mit einem kontinuierlichen Zuwachs des BIP pro Kopf auch ein konstanter Rückgang der Raucherquote einhergegangen. Dieser Trend zeigt sich auch in den Geschäftszahlen von Philip Morris International (PMI). So ist der Absatz von Zigaretten im ersten Quartal 2021 verglichen mit dem ersten Quartal 2013 um knapp 30% eingebrochen. Als Gegenstrategie wurden die im Quartalsbericht 2017 das erste Mal erwähnten “Heated Tobacco Units” (HTP) genommen. Seit 2017 verzeichnet die Rubrik HTP einen Zuwachs von über 400%. Während der Zigarettenabsatz im ersten Quartal 2021 um mehr als 7% einbrach, wuchs der Absatz von HTP um knapp 30%. Der Hauptabsatzmarkt ist mit über 80% der verkauften Einheiten immer noch konventioneller Tabak. HTP gewinnen dennoch an Relevanz, da sie im Gegensatz zu herkömmlichem Tabak noch starkes Wachstumspotenzial haben. Das stärkste Wachstum findet hierbei in Europa, Ostasien und Australien statt (PMI 2021).

PMI hat durch HTP einen neuen, stark wachsenden Markt gefunden. Problematisch ist hierbei, dass vor allem junge Menschen E-Zigaretten rauchen (Dai and Leventhal 2019). So rauchen beispielsweise in den USA knapp 8% der 18 bis 24-Jährigen E-Zigarette, während es bei der Gesamtbevölkerung nur knapp 3% sind (ebd.). Befragungen an US-Schulen zeigen, dass an High-Schools sogar knapp 12% der Kinder E-Zigarette rauchen (Jamal et al. 2017). An US-amerikanischen Schulen werden mehr E-Zigaretten geraucht als jedes andere rauchbare Tabakprodukt (ebd.). PMI versuchte bereits 2011 mit seiner „Be Marlboro“ Kampagne nach eigenen Angaben 18 bis 24-Jährige anzusprechen (Bath 2020). Diese Kampagne wurde 2013 gerichtlich in Deutschland verboten, da sie gezielt Jugendliche ab dem Alter von 14 Jahren anspricht (“Tobacco Giant Pressured to Discontinue ‘Be Marlboro’ Campaign” 2014). Trotz des Urteils wurde die Kampagne weiter in niedrigen und mittleren Einkommensländern wie Argentinien, Kolumbien und Indonesien fortgeführt (ebd.). Dieses an Jugendliche gerichtetes Marketing in Ländern mit niedrigem Einkommen ist keine Seltenheit. In Ländern mit niedrigem Einkommen bieten 60% der Läden einzelne Zigaretten zum Kauf an (Savell et al. 2015, S. 854 ff.). Eine Verkaufsstrategie, die vor allem Jugendlichen den Zugang zu Zigaretten erleichtert. Die Wahrscheinlichkeit in einem dieser Länder in irgendeiner Form Tabakwerbung ausgesetzt zu sein, ist zehnmal höher als in einem Land mit hohem Einkommen (ebd.).

Be Marlboro Kampagne

Gleichzeitig darf PMI seine HTP in den USA nun als gesündere Alternative zum rauchen vermarkten. Im Juli 2020 wurden die der IQOS, eine E-Zigarette von PMI von der U.S. Food and Drug Administration (FDA) zu einem “modified risk tobacco product” erklärt (PMI 2020). Diese Einstufung ermöglicht es PMI nun, sein Produkt als weniger gesundheitsschädlich und als gesündere Alternative zum Rauchen zu vermarkten (ebd.). Das von PMI für die Zulassung notwendige Modell wurde in einer wissenschaftlichen Analyse, trotz Zulassung, als unvollständig bewertet (Max et al. 2018, S. 85). So ignoriert das Modell unter anderem die Doppelnutzung von normalem Tabak und des IQOS; der Einfluss des IQOS auf Nichtraucher wird nicht beachtet. Außerdem wurden Raucherdaten aus den 1990er Jahren herangezogen, eine Zeit, in der die Raucherquote in den USA deutlich höher war als heute (ebd.). HTP als vermeintlich weniger gesundheitsschädlicher Tabakersatz wirkt wie ein vorgeschobenes Argument. Sieht man sich die „Be Marlboro“ Kampagne aus der Vergangenheit an, so wirkt die hohe Anzahl der E-Zigaretten Nutzenden an den High-Schools eher wie Kalkül als ein Kollateralschaden auf dem Weg, eine rauchende Bevölkerung rauchfrei zu machen. So werden E-Zigaretten in bunten Farben mit knapp 15,000 verschiedenen Geschmacksrichtungen verkauft, was besonders Jugendliche anspricht (“E-Cigarettes: Flavored Products Fuel A Youth Epidemic - Campaign for Tobacco-Free Kids” 2017). Vermarktet werden sie als weniger schädliche Alternative für bereits rauchende Erwachsene und als ein Schritt Richtung rauchfreie Gesellschaft (PMI n.d.).

Geschmacksrichtungen für E-Zigaretten

Die quantitative Analyse hat gezeigt, dass die Raucherquote tendenziell bei sehr niedrigem Einkommen mit zunehmendem Einkommen steigt und dann mit höherem Einkommen wieder stark abnimmt. Parallel hierzu zeigen verschiedene Quellen, dass PMI, das größte Tabakunternehmen der Welt, in Ländern mit niedrigem Einkommen deutlich stärkeres Marketing betreibt. Über die letzten Jahrzehnte ist das BIP pro Kopf der meisten Länder gestiegen, während ihre Raucherquote gesunken ist. Der Abwärtstrend der Raucherquote mit steigendem BIP pro Kopf zeigt sich also in den jeweiligen Ländern auf individueller Ebene und im internationalen Vergleich.

3 Alkoholkonsum

Weltweit gibt es jährlich ca. drei Millionen Tote durch Alkoholmissbrauch. Junge Menschen sind hierbei überproportional betroffen (vgl. WHO 2018). In der Gruppe der 20 bis 39 Jährigen stehen 13.5% der Tode mit Alkohol in Verbindung. Darüber hinaus macht ein übermäßiger Alkoholkonsum Menschen anfälliger für mentale Erkrankungen, und auch Infektionskrankheiten wie Tuberkulose und HIV sind in diesem Teil der Bevölkerung öfter vorzufinden. Zudem entsteht ein sozialer und ökonomischer Schaden, sowohl bei den Betroffenen als auch in der Gesellschaft (ebd.).

Der zweite Teil dieser Arbeit wird sich mit Einflussfaktoren auf den Alkoholkonsum beschäftigen, insbesondere den ökonomischen. So geben fast alle Länder mit hohem Einkommen mehr als ein Prozent ihres BIP für Kosten in Verbindung mit Alkohol aus (Mohapatra et al. 2010, S.152).

3.1 Weltweiter Alkoholkonsum der letzten 30

Zunächst wird das Verhältnis des BIP pro Kopf und dem unverhältnismäßigen Alkoholkonsum betrachtet. Beleuchtet wird der prozentuale Anteil der Bevölkerung mit einem “Alcohol Use Disorder”. Diese definiert sich durch verschiedene Faktoren: Der erfolglose Versuch den Alkoholkonsum zu reduzieren, trotz negativer sozialer und persönlicher Folgen. Wichtige soziale und berufliche Aktivitäten werden eingeschränkt, um dem Alkoholkonsum nachzugehen (Association and Association 2013, S. 490f). Insgesamt gibt es elf Faktoren, die alle in ihrer Auslegung einen sehr schädlichen Alkoholkonsum nahelegen. Diese Daten wurden gewählt, weil sie über die letzten 30 Jahre jährlich erhoben wurden, anders als der reine Alkoholverzehr pro Kopf.

Erkennbar ist auch hier ein Anstieg des BIP pro Kopf, ein Wachstum, das fast alle Länder in den letzten 30 Jahren mehr oder weniger stark erlebt haben. Der Anteil des schädlichen Alkoholgenusses in der Bevölkerung blieb vom Anstieg des BIPs weitestgehend unberührt. In Summe lässt sich sogar eher ein leichter Aufwärtstrend erkennen.

3.2 Regionenspezifischer Alkoholkonsum mit Einkommen

Für den regionenspezifischen Vergleich wurde der Alkoholkonsum pro Kopf herangezogen. Damit dieser unabhängig von Spirituose, Wein oder Bier verglichen werden kann, wird dieser als purer Alkohol in Litern gemessen. Die Daten beziehen sich auf das Jahr 2018.

Werden alle Regionen vereint betrachtet ist ersichtlich, dass der Alkoholkonsum bei Ländern mit höherem BIP pro Kopf tendenziell steigt. In den AAP, EAA und LAC Regionen zeichnet sich der Aufwärtstrend sichtbar ab. Sichtbar ist jedoch auch, dass in der AAP und EAA Region viele ärmere Länder vertreten sind, die dennoch einen hohen pro Kopf Konsum haben. Mit steigendem BIP wird der Trend eindeutiger, es gibt in diesen Regionen kaum Länder mit hohem BIP und niedrigem Alkoholkonsum.

In der MEA Region, ist dieser Trend gar nicht, beziehungsweise höchstens sehr leicht zu erkennen. Grund hierfür könnte der restriktive Umgang mit Alkohol der mehrheitlich muslimisch geprägten Länder dieser Region sein (auf diesen Punkt wird im Kapitel 3.3.6 spezifischer eingegangen). Mit zunehmendem BIP pro Kopf nimmt der Alkoholkonsum in der SSA Region ab.

3.3 Cluster Analyse

Ähnlich wie bei der vorangegangenen Tabakanalyse sind Daten zum Alkoholkonsum pro Kopf in Cluster unterteilt. Eine Clustergröße von drei ist bei diesen Daten am sinnvollsten. Vor dem Prozess wurden die Daten skaliert, um die X und Y-Achse ins gleiche Verhältnis zu setzen.

Die Länder mit niedrigem BIP lassen sich hierbei in zwei Cluster unterteilen, eins mit hohem und eins mit niedrigem Alkoholkonsum. Das dritte Cluster bilden die Länder mit hohem BIP und vergleichsweise hohem Alkoholkonsum. Es fällt auf, dass bis auf den einen Ausreißer die Cluster eins und drei einen ähnlich hohen Alkoholkonsum haben. Länder mit hohem BIP und einem niedrigem pro Kopf Konsum sind kaum vertreten.

Im nachfolgenden Teil werden die Regionen mithilfe der drei Clustern und einer Trendanalyse ihrer Scatterplots genauer beleuchtet. Zum leichteren Verständnis wurden die Cluster umbenannt in: “High income, high consumption”, “Low income, high consumption”, und “Low income, low consumption”.

3.3.1 East Asia & South Asia & Pacific

Bei genauerer Betrachtung der AAP Region erscheint der Aufwärtstrend des Alkoholkonsums mit steigendem BIP nicht mehr eindeutig. Grund hierfür sind Singapur und Brunei Darussalam, welche ein hohes Einkommen und niedrigen Alkoholkonsum haben, während die vier anderen Länder mit hohem BIP einen hohen Alkoholkonsum verzeichnen. Das BIP allein reicht hier zur Beschreibung des Alkoholkonsums nicht aus. Die Region ist zum Großteil von “Low income, low consumption”-Ländern geprägt.

3.3.2 Europe & Central Asia & North America

Diese Region ist sehr gemischt geprägt. “Low income, high consumption” bildet das größte Cluster, in diesem sind primär Länder aus Osteuropa vertreten. Bis zu einem BIP von ca. 25,000 Dollar steigt der Alkoholkonsum stark an, danach bleibt er konstant auf einem Level.

3.3.3 Latin America & Carribean

Diese Region teilt sich sehr gleichmäßig in “Low income, high consumption” und “Low income, low consumption” auf. Auch hier sieht man, dass bis zu einem BIP von ca. 12,500 Dollar der Alkoholkonsum stark zunimmt. Danach fällt der Konsum vermeintlich wieder stark ab. Bei genauerer Betrachtung fällt jedoch auf, dass die Trendlinie auf einen Ausreißer, nämlich die Bahamas zusteuert. Der Verlauf der Kurve nach einem BIP von 12,500 hat entsprechend wenig Aussagekraft.

3.3.4 Middle East & North Africa

In der MEA Region zeigt sich auch wegen der geringen Stichprobengröße kein eindeutiger Verlauf. Auffallend ist jedoch, dass mehr als drei viertel der Länder im Cluster “Low income, low consumption” liegen. Nach diesem Cluster ist der Verlauf nicht mehr eindeutig.

3.3.5 Sub-Saharan Africa

Durch das niedrige BIP pro Kopf der Region entfallen auch dieses Mal alle Cluster dieser Region auf den Bereich “Low income”, jeweils mit hohem und niedrigem Konsum. Es zeichnet sich ein eindeutiger Anstieg ab. Die Kurve ist leicht verfälscht durch die Seychellen, die sowohl durch ihr hohes BIP als auch ihren hohen Alkoholkonsum herausstechen. Dennoch zeichnet sich auch ohne diesen Ausreißer eine positive Korrelation ab.

3.3.6 Vergleich der Cluster

Das größte vertretene Cluster ist mit 92 Ländern “Low income, low consumption”. Das durchschnittliche BIP pro Kopf dieser Länder liegt bei knapp 5,000 Dollar. Mit einem BIP, das fast doppelt so hoch ist, hebt sich das Cluster “Low income, high consumption” von diesem Cluster ab. Der durchschnittliche Alkoholkonsum ist bei “Low income, high consumption” und “High income, high consumption”-Ländern mit über neun Litern im Jahr relativ ähnlich. Im Gegensatz dazu verzeichnen “Low income, low consumption”-Länder einen durchschnittlichen Alkoholkonsum von 2,8 Litern pro Kopf.

Diese durchschnittlichen Werte der Cluster decken sich auch mit den Beobachtungen der EAA und LAC Regionen. Hier kommt es mit einem wachsendem BIP pro Kopf erst zu einem Anstieg des Alkoholkonsum, gefolgt von einem Plateau ab einer bestimmten BIP-Grenze.

Cluster Pure Alcohol intake Liters/Year per Capita GDP per Capita n
Low income, high consumption 9.63 11132.83 65
High income, high consumption 9.27 57036.52 25
Low income, low consumption 2.77 5093.54 92

Obwohl mit einem Anstieg des BIP auch ein Anstieg des Alkoholkonsums einhergeht, spielen kulturelle Faktoren auch eine wichtige Rolle. Man kann sehr gut erkennen, dass christlich geprägte Länder im Durchschnitt am meisten Alkohol konsumieren und muslimisch geprägte Länder im Durchschnitt am wenigsten. Der Trend bei christlichen Ländern ist mit steigendem BIP auch ein steigender Alkoholkonsum. Bei muslimischen Ländern ist hier kein eindeutiger Trend erkennbar.

3.4 Weitere Einflussfaktoren

Kulturelle Einflüsse, gerade in Bezug auf den Alkoholkonsum, lassen sich durch Religion gut abbilden. Islamisch und christlich geprägte Länder bilden hierbei eine deutlich homogenere Masse, weswegen Einflussfaktoren innerhalb dieser Gruppen mehr Aussagekraft haben als die Summe aller Länder. Dieser zwei Religionen vereinen knapp 90% der beobachteten Länder. Die Stichprobe für die übrigen Religionen ist zu klein, um Korrelationen ableiten zu können, weswegen sich die Korrelationsanalyse auf diese zwei Religionen beschränkt.

Das BIP pro Kopf hat bei christlich geprägten Ländern eine Korrelation von 0.53. Bei islamisch geprägten Ländern gibt es keine signifikante Korrelation.

Klimatische Verhältnisse haben einen signifikanten Einfluss: Je niedriger die Temperatur, desto höher der Alkoholkonsum pro Kopf. Bei christlichen Ländern mit einer Korrelation von -0.67 und bei islamischen -0.73. In christlichen Ländern korreliert das BIP pro Kopf ebenfalls negativ mit der jährlichen Durchschnittstemperatur, weswegen diese Korrelation nicht weiter verwunderlich ist. Interessanter sind hier die muslimischen Länder, welche keine Korrelation zwischen BIP pro Kopf und der jährlichen Durchschnittstemperatur haben.

Einen möglichen Erklärungsansatz für diese negative Korrelation zwischen Alkoholkonsum und der jährlichen Durchschnittstemperatur muslimischer Länder liefert die unten abgebildete Karte. Es ist erkennbar, dass die muslimischen Länder, die an Europa und Asien grenzen, einen höheren Alkoholkonsum haben als Länder in der Mitte des Kontinents. Diese Grenzgebiete sind nördlicher und daher kälter. Die Durchschnittstemperatur dient hierbei also lediglich als Mediator für die geographische Nähe zu Asien und Europa, beides Regionen, in denen mehr Alkohol getrunken wird. An Grenzgebieten zu christlich und buddhistisch geprägten Ländern ist der Alkoholkonsum teilweise deutlich höher als in anderen muslimischen Ländern. Bildung hatte keinen signifikanten Einfluss auf den Alkoholkonsum.

4 Fazit

Ziel dieser Arbeit war es herauszufinden, ob es weltweit, ähnlich wie in Deutschland, die Tendenz gibt, dass der Alkoholkonsum mit steigendem Einkommen steigt und der Tabakkonsum sinkt. Diese Korrelation konnte in beiden Fällen nachgewiesen werden. Es wurde außerdem gezeigt, dass eine isolierte Betrachtung des BIP als Einflussfaktor nicht immer sinnvoll ist. So steigt die Raucherquote im weltweiten Vergleich erst mit dem BIP pro Kopf und nimmt dann wieder ab. Bei Alkohol ist lässt sich auch ein Anstieg des Verzehres bei einem steigendem BIP pro Kopf beobachten. Ab einem Schwellenwert, erreicht der Alkoholkonsum jedoch ein Plateau, während der Tabakkonsum immer weiter sinkt. Es konnte außerdem gezeigt werden, dass kulturelle und geographische Faktoren hierbei eine ebenso große Rolle spielen. Viele externe Faktoren abseits vom BIP wurden in diesem Paper nicht mit einbezogen. Diese müssen in weiterführenden Analysen genauer betrachtet werden, um den Konsum der einzelnen Ländern noch genauer beschreiben zu können.

Die R-Pakete von folgenden Autoren wurden in dieser Arbeit verwendet und sind dem Anhang zu entnehmen

nocite: | Wickham and Bryan (2019), Sievert (2020), Wickham (2016), Arnold (2021), Bryan (2017), Ooms (2021), Dowle and Srinivasan (2020), Wickham et al. (2021), Wickham (2020), Bache and Wickham (2020), Firke (2021), Pebesma (2018), Bivand and Rundel (2020), Andy (2017), South (2017), Kuhn (2021), Kassambara and Mundt (2020), Wickham et al. (2019), Hester and Wickham (2020), Schloerke et al. (2021), Grolemund and Wickham (2011), Wickham (2019), Torgo (2010), Auguie (2017), Ren and Russell (2021), Robinson, Hayes, and Couch (2020), Xie (2013)

Inhaltverzeichnis

Andy, South. 2017. Rnaturalearth: World Map Data from Natural Earth. https://CRAN.R-project.org/package=rnaturalearth.

Arnold, Jeffrey B. 2021. Ggthemes: Extra Themes, Scales and Geoms for ’Ggplot2’. https://CRAN.R-project.org/package=ggthemes.

Association, American Psychiatric, and American Psychiatric Association, eds. 2013. Diagnostic and Statistical Manual of Mental Disorders: DSM-5. 5th ed. Washington, D.C: American Psychiatric Association.

Auguie, Baptiste. 2017. GridExtra: Miscellaneous Functions for "Grid" Graphics. https://CRAN.R-project.org/package=gridExtra.

Bache, Stefan Milton, and Hadley Wickham. 2020. Magrittr: A Forward-Pipe Operator for R. https://CRAN.R-project.org/package=magrittr.

Bath, University of. 2020. “Be Marlboro: Targeting the World’s Biggest Brand at Youth - TobaccoTactics.” Tobaccotactics.org. https://tobaccotactics.org/wiki/be-marlboro-targeting-the-worlds-biggest-brand-at-youth/.

Bivand, Roger, and Colin Rundel. 2020. Rgeos: Interface to Geometry Engine - Open Source (’Geos’). https://CRAN.R-project.org/package=rgeos.

Bryan, Jennifer. 2017. Gapminder: Data from Gapminder. https://CRAN.R-project.org/package=gapminder.

Chaloupka, Frank J, Kurt Straif, and Maria E Leon. 2011. “Effectiveness of Tax and Price Policies in Tobacco Control.” Tobacco Control 20 (3): 235–38. https://www.jstor.org/stable/41320112.

Dai, Hongying, and Adam M. Leventhal. 2019. “Prevalence of E-Cigarette Use Among Adults in the United States, 2014-2018.” JAMA 322 (18): 1824–7. https://doi.org/10.1001/jama.2019.15331.

Dowle, Matt, and Arun Srinivasan. 2020. Data.table: Extension of ‘Data.frame‘. https://CRAN.R-project.org/package=data.table.

“E-Cigarettes: Flavored Products Fuel A Youth Epidemic - Campaign for Tobacco-Free Kids.” 2017. Campaign. Tobaccotactics.org. https://www.tobaccofreekids.org/what-we-do/industry-watch/e-cigarettes.

Firke, Sam. 2021. Janitor: Simple Tools for Examining and Cleaning Dirty Data. https://CRAN.R-project.org/package=janitor.

Grolemund, Garrett, and Hadley Wickham. 2011. “Dates and Times Made Easy with lubridate.” Journal of Statistical Software 40 (3): 1–25. https://www.jstatsoft.org/v40/i03/.

Hester, Jim, and Hadley Wickham. 2020. Fs: Cross-Platform File System Operations Based on ’Libuv’. https://CRAN.R-project.org/package=fs.

Hövermann, Andreas. 2020. “Soziale Lebenslagen, Soziale Ungleichheit Und Corona-Auswirkungen Für Erwerbstätige: Eine Auswertung Der Hbs-Erwerbstätigenbefragung Im April 2020.” WSI Policy Brief.

Jamal, Ahmed, Andrea Gentzke, S. Sean Hu, Karen A. Cullen, Benjamin J. Apelberg, David M. Homa, and Brian A. King. 2017. “Tobacco Use Among Middle and High School Students — United States, 2011–2016.” MMWR. Morbidity and Mortality Weekly Report 66 (23): 597–603. https://doi.org/10.15585/mmwr.mm6623a1.

Kassambara, Alboukadel, and Fabian Mundt. 2020. Factoextra: Extract and Visualize the Results of Multivariate Data Analyses. https://CRAN.R-project.org/package=factoextra.

Kuhn, Max. 2021. Caret: Classification and Regression Training. https://CRAN.R-project.org/package=caret.

Lampert, Thomas. 2010. “Soziale Determinanten Des Tabakkonsums Bei Erwachsenen in Deutschland.” Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 53 (2): 108–16.

Lampert, Thomas, Lars Eric Kroll, and Annalena Dunkelberg. 2007. “Soziale Ungleichheit Der Lebenserwartung in Deutschland.”

Max, Wendy B, Hai-Yen Sung, James Lightwood, Yingning Wang, and Tingting Yao. 2018. “Modelling the Impact of a New Tobacco Product: Review of Philip Morris International’s Population Health Impact Model as Applied to the IQOS Heated Tobacco Product.” Tobacco Control 27 (Suppl 1): s82–s86. https://doi.org/10.1136/tobaccocontrol-2018-054572.

Mohapatra, Satya, Jayadeep Patra, Svetlana Popova, Amy Duhig, and Jürgen Rehm. 2010. “Social Cost of Heavy Drinking and Alcohol Dependence in High-Income Countries.” International Journal of Public Health 55 (3): 149–57. https://doi.org/10.1007/s00038-009-0108-9.

Ooms, Jeroen. 2021. Gifski: Highest Quality Gif Encoder. https://CRAN.R-project.org/package=gifski.

Pebesma, Edzer. 2018. “Simple Features for R: Standardized Support for Spatial Vector Data.” The R Journal 10 (1): 439–46. https://doi.org/10.32614/RJ-2018-009.

PMI. 2021. “Reports & Filings.” https://www.pmi.com/investor-relations/reports-filings.

———. 2020. “10 Facts About the FDA’s Modified Risk Tobacco Product Authorization of IQOS.” Firmen Website. Philip Morris International. https://www.pmi.com/our-science/FDA-modified-risk-tobacco-product-authorization-of-IQOS-10-facts.

———. n.d. “Delivering a Smoke-Free Future.” PR Website. Pmi.com. Accessed June 27, 2021. https://www.pmi.com/our-transformation/delivering-a-smoke-free-future.

Ren, Kun, and Kenton Russell. 2021. Formattable: Create ’Formattable’ Data Structures. https://CRAN.R-project.org/package=formattable.

Robinson, David, Alex Hayes, and Simon Couch. 2020. Broom: Convert Statistical Objects into Tidy Tibbles. https://CRAN.R-project.org/package=broom.

Savell, Emily, Anna B. Gilmore, Michelle Sims, Prem K. Mony, Teo Koon, Khalid Yusoff, Scott A. Lear, et al. 2015. “The Environmental Profile of a Community’s Health: A Cross-Sectional Study on Tobacco Marketing in 16 Countries.” Bulletin of the World Health Organization 93 (December): 851–61. https://doi.org/10.2471/BLT.15.155846.

Schloerke, Barret, Di Cook, Joseph Larmarange, Francois Briatte, Moritz Marbach, Edwin Thoen, Amos Elberg, and Jason Crowley. 2021. GGally: Extension to ’Ggplot2’. https://CRAN.R-project.org/package=GGally.

Schupp, Jürgen. 2012. “Das Sozio-Oekonomische Panel (Soep).” Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 55 (6-7): 767–74.

Sievert, Carson. 2020. Interactive Web-Based Data Visualization with R, Plotly, and Shiny. Chapman; Hall/CRC. https://plotly-r.com.

South, Andy. 2017. Rnaturalearthdata: World Vector Map Data from Natural Earth Used in ’Rnaturalearth’. https://CRAN.R-project.org/package=rnaturalearthdata.

Titeca, Kristof, Luk Joossens, and Martin Raw. 2011. “Blood Cigarettes: Cigarette Smuggling and War Economies in Central and Eastern Africa.” Tobacco Control 20 (3): 226–32. https://www.jstor.org/stable/41320110.

“Tobacco Giant Pressured to Discontinue ‘Be Marlboro’ Campaign.” 2014. Framework Convention Alliance. https://www.fctc.org/tobacco-giant-pressured-to-end-be-marlboro-campaign/.

Torgo, L. 2010. Data Mining with R, Learning with Case Studies. Chapman; Hall/CRC. http://www.dcc.fc.up.pt/~ltorgo/DataMiningWithR.

WHO. 2018. “Alcohol.” NGO. Who.int. https://www.who.int/news-room/fact-sheets/detail/alcohol.

———. 2020. “Tobacco.” NGO. Who.int. https://www.who.int/news-room/fact-sheets/detail/tobacco.

Wickham, Hadley. 2016. Ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org.

———. 2019. Stringr: Simple, Consistent Wrappers for Common String Operations. https://CRAN.R-project.org/package=stringr.

———. 2020. Tidyr: Tidy Messy Data. https://CRAN.R-project.org/package=tidyr.

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.

Wickham, Hadley, and Jennifer Bryan. 2019. Readxl: Read Excel Files. https://CRAN.R-project.org/package=readxl.

Wickham, Hadley, Romain François, Lionel Henry, and Kirill Müller. 2021. Dplyr: A Grammar of Data Manipulation.

Xie, Yihui. 2013. “animation: An R Package for Creating Animations and Demonstrating Statistical Methods.” Journal of Statistical Software 53 (1): 1–27. http://www.jstatsoft.org/v53/i01/.