Ungleichheit bei Entwicklungshilfe: Globale Gesundheitsfinanzierung unterstützt oft nicht den tatsächlichen Krankheitsbedarf.

Global Health: Analyse der Verteilung von Entwicklungshilfe im Gesundheitssektor

Die Verteilung von Finanzmitteln zur Bekämpfung von Krankheiten wird zunehmend hinterfragt. Forschende der Ludwig-Maximilians-Universität München (LMU) haben eine Machine-Learning-basierte Methode entwickelt, um Diskrepanzen zwischen der Verteilung von Hilfsgeldern und dem tatsächlichen Krankheitsbedarf aufzuzeigen.

Herausforderungen im globalen Gesundheitssektor

Obwohl erhebliche Summen an Entwicklungshilfe bereitgestellt werden, bleibt die globale Gesundheitssituation, insbesondere in Ländern mit niedrigem und mittlerem Einkommen, kritisch. Die Belastung durch Krankheiten wie HIV, Malaria und Tuberkulose übersteigt vielfach die angestrebten Ziele der Vereinten Nationen. Kürzungen bei der Gesundheitsfinanzierung, unter anderem durch bedeutende Geberländer wie die USA, verschärfen die Diskrepanz zwischen Bedarf und verfügbaren Mitteln.

Methodik zur Bewertung der Mittelverteilung

Das Forschungsteam um Prof. Stefan Feuerriegel vom Institut für Künstliche Intelligenz im Management hat eine mehrstufige Machine-Learning-Pipeline entwickelt. Diese ermöglicht es, die krankheitsspezifische Verteilung von Hilfsgeldern auf Länderebene mit der jeweiligen Krankheitslast zu vergleichen und relative Ungleichgewichte zu identifizieren.

Ergebnisse der Analyse

• Obwohl ein signifikanter Zusammenhang zwischen Finanzierung und Krankheitslast für viele Krankheiten besteht, zeigen sich in Regionen wie Zentralafrika, Süd- und Westasien deutliche Abweichungen.
• Nichtübertragbare Krankheiten, die etwa 60 % der globalen Krankheitslast ausmachen, erhielten lediglich 2,5 % der spezifischen Hilfsgelder. Insbesondere Herz-Kreislauf-Erkrankungen, Diabetes und Nierenerkrankungen sind unterfinanziert.
• Im Gegensatz dazu entfielen 34 % der Mittel auf HIV und sexuell übertragbare Krankheiten, obwohl diese nur sechs Prozent der Krankheitslast ausmachen. Ähnliche Ungleichgewichte zeigten sich bei Malaria und ernährungsbedingten Erkrankungen.

Datenbasis und Besonderheiten der Studie

Die Analyse basiert auf einem umfassenden Datensatz der OECD, der 3,7 Millionen Entwicklungshilfeprojekte aus den Jahren 2000 bis 2022 umfasst. Davon konnten rund 320.000 Projekte mit einem Gesamtvolumen von 332 Milliarden US-Dollar als gesundheitsbezogen identifiziert werden. Im Vergleich zu früheren Untersuchungen zeichnet sich diese Studie durch eine globale Perspektive mit hoher Detailgenauigkeit aus.

Bedeutung und Ausblick

Die Forschenden sehen ihre Arbeit nicht als direkten Beleg für Fehlallokationen, da weitere Faktoren wie Kosteneffizienz und Gesundheitssystemstrukturen die Mittelvergabe beeinflussen. Dennoch schaffen die Ergebnisse Transparenz und können als Grundlage für politische Entscheidungen im Bereich der Entwicklungshilfe dienen. Der entwickelte Machine-Learning-Ansatz bietet die Möglichkeit, Gesundheitsfinanzierung gezielter an den tatsächlichen Bedarf anzupassen und so zur Reduktion der globalen Krankheitslast beizutragen.

Kontakt für wissenschaftliche Rückfragen

Prof. Stefan Feuerriegel
Institut für Künstliche Intelligenz im Management
Ludwig-Maximilians-Universität München
E-Mail: ai@som.lmu.de

Originalpublikation

Stürenburg, F., Forster, K., Banholzer, N. et al. (2026): Tracking funding disparities in global health aid with machine learning. Nature Communications, 17, 8569.
https://www.nature.com/articles/s41467-026-76542-z

Auch interessant: Buisiness.Bucheditionen