Rückkehr in Arbeit nach einer beruflichen Rehabilitation in Zeiten der COVID-19-Pandemie: Eine retrospektive Kohortenstudie

Zusammenfassung

Ziel der Studie

Ziel der Studie war es zu untersuchen, wie sich die COVID-19-Pandemie auf die Rückkehr in Arbeit (engl. return to work, RTW) nach einer beruflichen Rehabilitation ausgewirkt hat. Besonderes Augenmerk lag dabei auf der Frage, ob sich pandemiebedingte Veränderungen der RTW-Wahrscheinlichkeit insgesamt sowie in Abhängigkeit von individuellen Vulnerabilitätsmerkmalen zeigen.

Methodik

Datenbasis bildeten Routinedaten der Deutschen Rentenversicherung (N=28 779; 2018–2021). In die Analyse wurden drei Kohorten einbezogen: Referenzkohorte (Maßnahme und RTW vor der Pandemie), Pandemiekohorte 1 (RTW während der Pandemie) und Pandemiekohorte 2 (Maßnahme und RTW während der Pandemie). Die RTW-Wahrscheinlichkeit wurde zunächst deskriptiv und anschließend mittels logistischer Regressionsmodelle unter Adjustierung relevanter Kovariaten analysiert. Zudem wurden Interaktionen zwischen Kohortenzugehörigkeit und Vulnerabilitätsmerkmalen (d. h. vorheriger Bezug von Arbeitslosengeld I bzw. II) geprüft.

Ergebnisse

Deskriptiv lag die RTW-Quote in beiden Pandemiekohorten niedriger als in der Referenzkohorte. Nach Adjustierung fiel der Rückgang geringer aus, was auf die Bedeutung struktureller Merkmale und des Kontexts – insbesondere der Arbeitsmarktlage – hinweist. Im adjustierten Modell zeigte sich für die Pandemiekohorte 1 im Vergleich zur Referenzkohorte kein statistisch nachweisbarer Unterschied mehr, während der Abstand für die Pandemiekohorte 2 gegenüber der Referenz verkleinert, aber nicht vollständig aufgehoben wurde. Interaktionsanalysen zeigten zudem, dass sich Effekte von RTW-Barrieren unter Pandemiebedingungen verschärften: Rehabilitand*innen mit vorangegangener Arbeitslosigkeit wiesen in der Pandemiekohorte 2 nochmals geringere RTW-Chancen auf als vor der Pandemie.

Schlussfolgerung

Insgesamt erschwerten die pandemiebedingten Rahmenbedingungen die Rückkehr in das Erwerbsleben nach einer beruflichen Rehabilitation. Besonders betroffen waren dabei Rehabilitand*innen mit vorbestehender Arbeitsmarktbenachteiligung, was auf eine Verstärkung sozialer Ungleichheiten unter Krisenbedingungen hindeutet. Um solchen Effekten künftig entgegenzuwirken, sollten Schnittstellen zwischen beruflicher Rehabilitation und Arbeitsmarktintegration stärker verzahnt werden.

Abstract

Purpose

The aim of this study was to examine how the COVID-19 pandemic affected return to work (RTW) after vocational rehabilitation. Particular attention was paid to whether pandemic-related changes in the likelihood of RTW could be observed overall and in relation to individual vulnerability characteristics.

Methods

The study was based on administrative data from the German Pension Insurance (n=28,779; 2018–2021). Three cohorts were included in the analysis: a reference cohort (rehabilitation and RTW before the pandemic), pandemic cohort 1 (RTW during the pandemic), and pandemic cohort 2 (rehabilitation and RTW during the pandemic). The probability of RTW was analyzed first descriptively and then again using logistic regression models, with adjustments made for relevant covariates. Additionally, interactions between the cohort variable and vulnerability characteristics (i. e., previous receipt of unemployment benefits I or II) were examined.

Results

Descriptive results showed lower RTW rates in both pandemic cohorts compared to the reference cohort. After adjustment, the decline was less pronounced, indicating the importance of individual characteristics and contextual factors – particularly labor market conditions. In the adjusted model, no statistically significant difference remained for pandemic cohort 1 relative to the reference cohort, whereas the gap for pandemic cohort 2 was reduced but not fully eliminated. Interaction analyses further indicated that barriers to RTW were amplified under pandemic conditions: rehabilitees with prior unemployment saw a further decrease in predicted probabilities of RTW in pandemic cohort 2 compared to before the pandemic.

Conclusion

Overall, pandemic-related conditions made the transition back to working life after vocational rehabilitation more difficult. Individuals with pre-existing labor market disadvantages were particularly affected, pointing to an intensification of social inequalities under crisis conditions. To counteract such effects in the future, stronger linkages between vocational rehabilitation and labor market integration should be established.

Schlüsselwörter

Berufliche Teilhabe - Berufliche Rehabilitation - COVID-19-Pandemie - Routinedaten

Keywords

vocational rehabilitation - COVID-19 pandemic - administrative data

Einleitung

Die berufliche Rehabilitation in Deutschland hat das Ziel, Menschen mit gesundheitlichen Einschränkungen die Rückkehr in das Erwerbsleben zu ermöglichen. Die Deutsche Rentenversicherung (DRV) ist der zentrale Kostenträger und bietet im Rahmen der Leistungen zur Teilhabe am Arbeitsleben (LTA) verschiedene Maßnahmen zur beruflichen Integration und Qualifizierung an. Diese reichen von betrieblichen Integrationsmaßnahmen, über Teilqualifizierungen bis hin zur zweijährigen Umschulung. Die Durchführung erfolgt je nach individuellem Bedarf in Betrieben, freien Bildungseinrichtungen oder Berufsförderungswerken (BFW). Im Fokus der vorliegenden Arbeit stehen die Teil- und Vollqualifizierungen in Trägerschaft der Deutschen Rentenversicherung gemäß § 16 SGB VI i. V. m. § 49 Abs. 3 Nr. 4 u. 5 SGB IX. Vollqualifizierungen zielen auf den Erwerb eines neuen Berufsabschlusses ab und dauern in der Regel zwei Jahre. Teilqualifizierungen erstrecken sich über sechs bis zwölf Monate und dienen der Erweiterung vorhandener Kompetenzen, um Teilnehmende zügig wieder in das Erwerbsleben zu reintegrieren [1].

Die COVID-19-Pandemie und die damit verbundenen Maßnahmen hatten ab März 2020 weitreichende Auswirkungen auf zahlreiche gesellschaftliche Bereiche – einschließlich der beruflichen Rehabilitation [2]. So kam es zu einem (verstärkten) Rückgang beruflicher Rehabilitand*innen, der sich beispielsweise durch weniger Zusteuerung aus den Jobcentern erklären lässt [3]. Rehabilitationsleistungen mussten teilweise in kürzester Zeit und mit teils knappen technischen Ressourcen auf digitale Angebote umgestellt und Praxisanteile gestrichen oder umstrukturiert werden [2]. Zudem wurde die Arbeitsweise in den Rehabilitationseinrichtungen durch Personalengpässe aufgrund von Infektionen und daraus resultierenden Quarantänemaßnahmen unter den Mitarbeitenden sowie Kurzarbeit oder auch Homeoffice für vulnerable Gruppen beeinflusst [4]. Diese Veränderungen hatten einen großen Einfluss auf die Praxis der beruflichen Rehabilitation und erschwerten damit die Lage – insbesondere für Rehabilitand*innen mit komplexem Unterstützungsbedarf, die auf enge Betreuung und Kommunikation angewiesen sind [3].

Parallel dazu geriet der deutsche Arbeitsmarkt infolge der COVID-19-Pandemie erheblich unter Druck. Zu Beginn der Pandemie stieg die Arbeitslosenquote stark an. Analysen zufolge sind rund 117 000 Personen infolge der Eindämmungsmaßnahmen zur Pandemiebekämpfung arbeitslos geworden [5]. Diese negativen Effekte wären noch größer gewesen, wenn es nicht zu einem großen Einsatz von Kurzarbeit gekommen wäre [6]. Kurzarbeit wirkte dabei zwar stabilisierend und verhinderte zahlreiche Entlassungen, zugleich reduzierte sie jedoch die Zahl an Neueinstellungen. Damit verschärften sich die Bedingungen für Personen, die nach einer Rehabilitationsmaßnahme den (Wieder-)Einstieg in den Arbeitsmarkt suchten.

Der Erfolg beruflicher Rehabilitation, d. h. die Rückkehr in sozialversicherungspflichtige Beschäftigung, hängt maßgeblich von den sozialen und arbeitsmarktbezogenen Voraussetzungen der Rehabilitand*innen ab. So ist aus früheren Untersuchungen bekannt, dass ein höheres Einkommen vor der Maßnahme mit besseren Chancen auf eine Rückkehr in Arbeit (engl. return to work, RTW) assoziiert ist [7]. Die COVID-19-Pandemie könnte in diesem Zusammenhang als eine Art „Brennglas“ gewirkt haben: Bestehende soziale Ungleichheiten im Zugang zum Arbeitsmarkt könnten sich unter den Bedingungen der Pandemie weiter verschärft haben. Vor diesem Hintergrund stellt sich die Frage, inwiefern sich pandemiebedingte Veränderungen auf den Erfolg beruflicher Rehabilitation ausgewirkt haben – und ob sich diese Effekte zwischen Gruppen unterscheiden. Besonders betroffen sein könnten Personen mit ohnehin ungünstigen Ausgangsbedingungen und somit schwierigerer RTW-Prognose, wie etwa einem Bezug von Arbeitslosengeld I oder II vor der Maßnahme.

Die zentrale Forschungsfrage dieser Untersuchung lautete: Welchen Einfluss hatte die COVID-19-Pandemie auf den RTW nach einer beruflichen Rehabilitationsmaßnahme? Für die Analysen wurden die Teilnehmenden in drei Kohorten eingeteilt: Referenzkohorte (Rehabilitationsleistung und RTW präpandemisch), Pandemiekohorte 1 (Leistung präpandemisch, RTW pandemisch), und Pandemiekohorte 2 (Leistung und RTW pandemisch). Zur Beantwortung der Forschungsfrage wurden folgende Hypothesen getestet:

1. In nicht adjustierten Analysen sind die RTW-Quoten nach 12 Monaten in den Pandemiekohorten niedriger als in der Referenzkohorte.

2. Die Unterschiede im RTW zwischen den Kohorten verringern sich im adjustierten Modell.

3. Der negative Einfluss des Bezugs von Arbeitslosengeld I bzw. II im Kalenderjahr vor der Maßnahme auf den RTW war bei Personen der Pandemiekohorten stärker ausgeprägt als bei Personen der Referenzkohorte.

Material und Methoden

Diese Studie wurde im Rahmen des Projekts „Return to Work in Zeiten der Corona-Pandemie (CORONA-RTW)“ durchgeführt, welches durch die Deutschen Rentenversicherung Bund gefördert wird (0421/40-64-50-91). Das methodische Vorgehen folgte dem Ansatz ähnlicher Analysen für den Kontext der medizinischen Rehabilitation aufgrund von Muskel-Skelett-Erkrankungen [8]. Diese Studie orientiert sich an der RECORD-Checkliste (REporting of studies Conducted using Observational Routinely-collected health Data) [9].

Studiendesign

Es wurde eine retrospektive Kohortenstudie auf Basis der Reha-Statistik-Datenbasis (RSD) [10] der Deutschen Rentenversicherung (DRV) durchgeführt. Die Stichprobe umfasst die Daten von Teilnehmenden beruflicher Teilqualifizierungen und Vollausbildungen im System der DRV, die im Zeitraum vom 01.01.2018 bis 31.12.2021 ihre Maßnahme beendet haben. Der Endpunkt und somit die Zielgröße der Studie, das stabile RTW, wurde als durchgehende sozialversicherungspflichtige Beschäftigung im 9.–12. Monat nach Maßnahmeende operationalisiert [11] [12]. Damit umfasst die Ergebnisbeobachtung für alle Personen ein einheitliches, viermonatiges Outcome‑Fenster.

Kohortenbildung

Die a priori Kohortenbildung folgt dem Ziel, inhaltliche Überlappungen zwischen den Kohorten zu vermeiden. Zwischen den Kohortenfenstern wurden Pufferzeiten belassen, sodass beispielsweise die Outcome‑Fenster (9.–12. Monat nach Maßnahmeende) jeweils vollständig prä‑ (Referenz) bzw. pandemisch (Pandemiekohorte 1) liegen. Die Rehabilitand*innen wurden wie folgt basierend auf dem Zeitraum der Rehabilitationsleistung und des anschließenden RTW-Prozesses in drei Kohorten eingeteilt:

• Referenzkohorte: Sowohl die Maßnahme (Maßnahmeende 01.01.2018–26.01.2019) als auch der RTW-Prozess (Outcome-Fenster: 10/2018–01/2020) fanden vor Beginn der COVID-19-Pandemie statt.

• Pandemiekohorte 1: Die Maßnahme erfolgte vor der Pandemie (Maßnahmeende 01.08.2019–26.01.2020), der RTW-Prozess während der Pandemie (Outcome-Fenster: 05/2020–01/2021).

• Pandemiekohorte 2: Sowohl die Maßnahme (Maßnahmeende 01.04.2020–31.12.2021) als auch der RTW-Prozess fanden während der Pandemie statt (Outcome-Fenster: 01/2021–12/2022).

Der zeitliche Cut‑off zur Abgrenzung der Pandemie wurde an der erstmaligen Bestätigung einer SARS‑CoV‑2‑Infektion in Deutschland am 27.01.2020 ausgerichtet.

Ausschlusskriterien

Von der Datengeberin, der DRV, wurden Personen ausgeschlossen, auf die folgende Kriterien zutrafen: Todesfälle im Beobachtungszeitraum, Alter über 64 Jahre zum Maßnahmeende, diverses Geschlecht (Datenschutzgründe bei kleinen Fallzahlen), ohne Wohnort bzw. Wohnsitz im Ausland. Zusätzlich schloss das Studienteam Personen aus, deren Maßnahmendauer weniger als 90 oder mehr als 1300 Tage betrug (offensichtliche atypische bzw. fehlerhafte Maßnahmedauern). Personen mit fehlenden Angaben in einer für das Regressionsmodell relevanten Variable wurden von den Analysen ausgeschlossen. Fehlende Werte traten ausschließlich bei der Variable Maßnahmestatus auf. Außerdem wurden Personen mit Maßnahmeende außerhalb der oben definierten Kohortenfenster aus der Modellierung ausgeschlossen.

Kovariaten

Die soziodemografischen Merkmale umfassten Geschlecht (männlich, weiblich), Altersgruppe (bis 29 Jahre, 30 bis 34 Jahre, 35 bis 39 Jahre, 40 bis 44 Jahre [Referenz], 45 bis 49 Jahre, 50 bis 54 Jahre, 55 bis 59 Jahre, 60 Jahre und älter) sowie den höchsten Schulabschluss (ohne Schulabschluss, Hauptschulabschluss, Mittlere Reife [Referenz], Abitur, unbekannt). Bei der schulischen Bildung – ebenso wie bei anderen Variablen, die auf dem Tätigkeitsschlüssel basieren – treten in der RSD häufig fehlende Werte auf. Es wurde jeweils der jüngste im Zeitraum von 2012 bis 2017 dokumentierte gültige Wert herangezogen. Personen, für die in diesem Zeitraum kein gültiger Wert vorlag, wurden der Kategorie „unbekannt“ zugeordnet.

Aus dem Rehabilitationsantrag gingen die Merkmale „Arbeit vor Antragstellung“ (erwerbstätig [Referenz], weder erwerbstätig noch arbeitslos gemeldet, arbeitslos gemeldet/haushaltsführend) und „Stellung im Beruf“ (nicht erwerbstätig, auszubildende Person, ungelernte Arbeitskraft, angelernte Arbeitskraft, Facharbeiter*in [Referenz], Meister*in/Polier*in, angestellte Person, verbeamtete Person) in das Modell ein.

Der Internatsstatus beschreibt, ob die Person während der Maßnahme überwiegend in einem Internat (z. B. in einem Berufsförderungswerk) verblieb oder vorwiegend zur Ausbildung pendelte. Die Maßnahmeart meint die Unterscheidung in Teil- und Vollausbildungen. Der Maßnahmestatus beschreibt, ob die Maßnahme regulär abgeschlossen wurde (Erfolg [Referenz], Prüfung nicht bestanden, Abbruch aufgrund von Aufnahme Beschäftigung, Abbruch). Zur Kontrolle saisonaler Muster (z. B. Prüfungszyklen) wurden Monatsindikatoren (Jan–Dez) in das Modell aufgenommen (Referenz: März; „neutraler” Monat außerhalb des Prüfungszeitraums). Zusätzlich wurde erfasst, ob innerhalb der drei Kalenderjahre vor Maßnahmeende bereits eine weitere Teil- oder Vollausbildung stattgefunden hatte.

Die erwerbsbiografischen Merkmale (Bezug von Arbeitslosengeld I, Arbeitslosengeld II oder sonstigen Leistungen wie Krankengeld oder Übergangsgeld) beziehen sich auf das Kalenderjahr vor der Maßnahme. Es bestand ein Leistungsbezug, wenn im betreffenden Kalenderjahr mindestens ein Tag die Leistung bezogen wurde. Das Entgelt aus sozialversicherungspflichtiger Beschäftigung pro Tag im Kalenderjahr vor der Maßnahme wurde in Anlehnung an die Literatur [11] [12] als kategoriale Variable berücksichtigt (0 Euro [Referenz], 1 bis 69 Euro, 70 bis 109 Euro,≥110 Euro). Außerdem wurde das jeweils höchste durchschnittliche Entgelt pro Tag im Kalenderjahr aus den letzten 4 Kalenderjahren berücksichtigt; zur besseren Interpretierbarkeit der Effekte wurde dieses Entgelt um den Faktor 10 skaliert.

Die regionalen Arbeitslosen- und Kurzarbeiterquoten stammen von der Bundesagentur für Arbeit und wurden auf der Ebene der 223 Arbeitsmarktregionen in die Modelle integriert. Für den Arbeitsmarktkontext wurde der höchste Wert innerhalb der ersten sechs Monate nach Maßnahmeende verwendet, um kurzfristige pandemiebedingte Ausschläge abzubilden. Die Wahl des Maximums in den ersten sechs Monaten bildet Ereignisspitzen (Lockdowns/Kurzarbeit) im unmittelbaren Übergangszeitraum ab und reduziert das Risiko, eine für den RTW relevante Spitzenbelastung zu verpassen.

Statistische Analyse

Die Daten stammen aus der Reha-Statistik-Datenbank (RSD), die primär zu administrativen und nicht zu Forschungszwecken erhoben wird. Daher war eine initiale Datenaufbereitung notwendig, um die Daten für analytische Fragestellungen nutzbar zu machen. Sämtliche Schritte der Datenaufbereitung wurden ausschließlich mittels reproduzierbarer R-Skripte vor den statistischen Analysen durchgeführt.

Zunächst wurde die Stichprobe nach Kohortenzugehörigkeit deskriptiv analysiert. Die RTW-Quoten wurden für jeden Monat des Maßnahmeendes berechnet und grafisch dargestellt. Anschließend wurde ein logistisches Regressionsmodell zur Vorhersage des RTW erstellt. Die einbezogenen Kovariaten umfassen Soziodemografie, Erwerbsbiografie, Arbeitsmarktbedingungen und Kohortenzugehörigkeit. In einem weiteren Modell wurden Interaktionseffekte zwischen vorangegangener Arbeitslosigkeit und Kohortenzugehörigkeit getestet.

Im Rahmen von Sensitivitätsanalysen wurden zur Kontrolle potenzieller Intra-Cluster-Korrelationen (innerhalb von Arbeitsmarktregionen) cluster-robuste Standardfehler berechnet (Cluster: 223 Arbeitsmarktregionen). Zudem wurde das Modell auch ohne Berücksichtigung der Arbeitsmarktsituation (regionale Arbeitslosenquote und Kurzarbeiterquote) geschätzt.

Multikollinearität wurde anhand des Varianzinflationsfaktors (VIF) überprüft. Als Gütemaße berichten wir das Nagelkerke-R² als Pseudo-Bestimmtheitsmaß (Skala 0–1, höhere Werte zeigen bessere Passung) sowie die Fläche unter der ROC-Kurve (AUC) als Maß der Diskriminationsfähigkeit (0,5=keine, 1,0=perfekte Trennschärfe). Die Modellergebnisse werden als Odds Ratios und Average Marginal Contrasts berichtet [13].

Die Analysen wurden mit der Programmiersprache R (Version 4.4.1) unter Verwendung der Pakete marginaleffects (Version 0.26.0) und ggplot2 (Version 3.5.1) durchgeführt [14] [15].

Ergebnisse

Stichprobenbeschreibung

[Abb. 1] zeigt ein Flussdiagramm der Stichprobenzusammensetzung. Die Stichprobe umfasst 35 475 Teilnehmende an beruflichen Teilqualifizierungen und Vollausbildungen. Wir ordneten jede Person einer der drei Kohorten zu. Personen mit Abschlüssen außerhalb dieser Zeitfenster erhielten keinen Kohortenwert und wurden somit in den statistischen Modellen nicht berücksichtigt. Die endgültige Modellstichprobe umfasst 28 779 Personen.

Abb. 1 Flussdiagramm der Stichprobenzusammensetzung.

Eine Deskription der Stichprobe differenziert nach der Kohortenzugehörigkeit ist in [Tab. 1] dargestellt. Die Stichprobe setzt sich überwiegend aus Männern (60,6%) zusammen und die größte Altersgruppe stellten die 40- bis 49-Jährigen (41,9%) dar. Der Anteil der Personen, die im Kalenderjahr vor der Maßnahme Arbeitslosengeld I bezogen haben, war in der Pandemiekohorte 1 und der Pandemiekohorte 2 (21,4% und 20,8%) größer als in der Referenzkohorte (17,2%). Für den Bezug von Arbeitslosengeld II zeigte sich ein uneindeutiges Bild – eine leichte Zunahme in der Pandemiekohorte 1 (+1,0 Prozentpunkte) und leichter Abfall in der Pandemiekohorte 2 (−1,4 Prozentpunkte), jeweils verglichen mit der Referenzkohorte. Der selbstberichteten Angabe der Arbeit vor Antragstellung folgend zeigte sich in den Pandemiekohorten eine Zunahme des Anteils der Personen in Erwerbstätigkeit (76,0% und 79,3%) verglichen mit der Referenzkohorte (72,4%). Der Anteil der Personen mit sonstigem Leistungsbezug (z. B. Krankengeld, Übergangsgeld) war in den Pandemiekohorten (93,6% und 95,2%) kleiner als in der Referenzkohorte (96,3%). Der Anteil der Maßnahmeabbrüche war in den Pandemiekohorten (13,5% und 15,0%) größer als in der Referenzkohorte (10,2%). Die regionale Arbeitslosenquote war in der Pandemie (6,4% und 6,1%) höher als in der Referenzkohorte (5,6%). Die regionale Kurzarbeiterquote war in der Pandemiekohorte 1 am höchsten (13,9%), verglichen mit der Pandemiekohorte 2 (7,3%) und der Referenzkohorte (0,2%).

Tab. 1 Deskription der Stichprobe differenziert nach Kohortenzugehörigkeit.

Charakteristik	Referenz N=10 754  1	Pandemie 1 N=3631  1	Pandemie 2 N=14 394  1	p-Wert  2
Geschlecht				<0,001
Männlich	62,5%	57,4%	60,0%
Weiblich	37,5%	42,6%	40,0%
Altersgruppe				<0,001
Bis 29 Jahre	6,7%	5,2%	6,4%
30 bis 34 Jahre	10,4%	9,9%	9,6%
35 bis 39 Jahre	18,3%	15,9%	16,0%
40 bis 44 Jahre	21,1%	20,9%	21,5%
45 bis 49 Jahre	21,4%	20,8%	20,0%
50 bis 54 Jahre	15,6%	18,4%	17,3%
55 bis 59 Jahre	5,9%	8,0%	7,9%
60 Jahre und älter	0,6%	0,9%	1,2%
Schulbildung				<0,001
Ohne Schulabschluss	0,7%	0,8%	0,9%
Hauptschulabschluss	24,0%	21,9%	25,0%
Mittlere Reife	31,7%	34,6%	32,7%
Abitur	7,1%	8,2%	8,9%
Unbekannt	36,5%	34,4%	32,4%
Arbeit vor Antragstellung				<0,001
Erwerbstätig	72,4%	76,0%	79,3%
Weder erwerbstätig noch arbeitslos gemeldet	10,0%	9,1%	6,8%
Arbeitslos gemeldet / haushaltsführend	17,6%	14,9%	13,9%
Stellung im Beruf				<0,001
Nicht erwerbstätig	8,2%	6,6%	5,1%
Auszubildende Person	0,9%	0,5%	0,6%
Ungelernte Arbeitskraft	4,4%	5,0%	4,2%
Angelernte Arbeitskraft	6,1%	5,4%	4,9%
Facharbeiter*in	47,1%	42,6%	46,6%
Meister*in, Polier*in	1,1%	0,7%	0,9%
Angestellte Person	31,8%	38,8%	37,1%
Verbeamtete Person	0,5%	0,4%	0,5%
Internatsstatus				0,2
Pendler*in	72,5%	72,7%	73,4%
Internat	27,5%	27,3%	26,6%
Maßnahmeart				0,2
Teilausbildung	12,4%	13,5%	12,6%
Vollausbildung	87,6%	86,5%	87,4%
Maßnahmestatus				<0,001
Erfolg	87,9%	84,1%	81,4%
Prüfung nicht bestanden	1,8%	1,9%	2,2%
Abbruch aufgrund von Aufnahme Beschäftigung	0,0%	0,5%	1,3%
Abbruch	10,2%	13,5%	15,0%
Andere Qualifizierung letzte 3 Jahre	12,3%	11,9%	12,6%	0,4
Arbeitslosengeld-I-Bezug	17,2%	21,4%	20,8%	<0,001
Arbeitslosengeld-II-Bezug	13,2%	14,2%	11,8%	<0,001
Sonstiger Leistungsbezug (Krankengeld, Übergangsgeld)	96,3%	93,6%	95,2%	<0,001
Entgelt pro Tag im Kalenderjahr vor der Maßnahme				<0,001
0 Euro	88,9%	84,6%	87,6%
1 bis 69 Euro	5,5%	7,1%	5,3%
70 bis 109 Euro	4,1%	6,2%	5,0%
≥110 Euro	1,5%	2,1%	2,1%
Höchstes Entgelt letzte 4 Jahre (pro Tag im Kalenderjahr/10)	7,1 (3,7)	7,3 (3,9)	7,7 (4,1)	<0,001
Regionale Arbeitslosenquote	5,6 (2,1)	6,4 (2,2)	6,1 (2,2)	<0,001
Regionale Kurzarbeiterquote	0,2 (0,5)	13,9 (6,9)	7,3 (4,1)	<0,001

¹ %; Mittelwert (SD)

²  Chi-Quadrat-Test auf Unabhängigkeit; ANOVA

Bei keiner Variable lagen fehlende Werte vor.

Vorhersage der Rückkehr in Arbeit

Die Ergebnisse des logistischen Modells zur Vorhersage der Rückkehr in Arbeit sind in [Tab. 2] dargestellt. Das Regressionsmodell wies mit einem Nagelkerke Pseudo-R² von 0,192 eine geringe erklärte Varianz auf und erzielte mit einer AUC von 0,707 eine akzeptable Klassifikationsgüte. Der stärkste Prädiktor im Modell war der Maßnahmestatus: In der Gruppe der Maßnahmeabbrecher lag die durchschnittlich vorhergesagte Wahrscheinlichkeit für einen RTW um 43,6 Prozentpunkte niedriger (95%-KI -45,3; −42,0) als bei erfolgreichem Abschluss.

Tab. 2 Vorhersage des RTW durch Kohortenzugehörigkeit und weitere Kovariaten.

Charakteristik	OR	95%-KI	AMC (%-Punkte)	95%-KI (%-Punkte)
Kohorte
Referenz	–	–	–	–
Pandemie 1	0,95	0,83; 1,09	−1,0	−3,6;+1,7
Pandemie 2	0,92	0,85; 1,00	−1,7	−3,3; -0,1
Geschlecht
Männlich	–	–	–	–
Weiblich	1,12	1,06; 1,19	+2,3	+1,1;+3,4
Altersgruppe
Bis 29 Jahre	1,23	1,09; 1,40	+3,8	+1,6;+6,1
30 bis 34 Jahre	1,00	0,90; 1,10	−0,1	−2,1;+1,8
35 bis 39 Jahre	0,97	0,89; 1,06	−0,6	−2,2;+1,1
40 bis 44 Jahre	–	–	–	–
45 bis 49 Jahre	0,86	0,79; 0,93	−3,0	−4,6; -1,4
50 bis 54 Jahre	0,79	0,73; 0,86	−4,6	−6,3; −2,9
55 bis 59 Jahre	0,68	0,61; 0,76	−7,7	−10,1; −5,4
60 Jahre und älter	0,49	0,38; 0,64	−14,7	−20,3; −9,1
Schulbildung
Ohne Schulabschluss	1,01	0,75; 1,36	+0,1	−5,6;+5,8
Hauptschulabschluss	1,02	0,95; 1,09	+0,3	−1,1;+1,7
Mittlere Reife	–	–	–	–
Abitur	0,91	0,82; 1,00	−1,9	−4,0;+0,1
Unbekannt	0,95	0,89; 1,01	−1,1	−2,3;+0,2
Arbeit vor Antragstellung
Erwerbstätig	–	–	–	–
Weder erwerbstätig noch arbeitslos gemeldet	0,98	0,81; 1,19	−0,3	−4,1;+3,4
Arbeitslos gemeldet / haushaltsführend	0,91	0,85; 0,98	−1,8	−3,3; −0,3
Stellung im Beruf
Nicht erwerbstätig	1,22	0,97; 1,52	+3,7	−0,4;+7,8
Auszubildende Person	0,73	0,53; 1,00	−6,5	−13,2;+0,2
Ungelernte Arbeitskraft	0,90	0,79; 1,03	−2,1	−4,7;+0,5
Angelernte Arbeitskraft	1,05	0,93; 1,18	+0,9	−1,4;+3,3
Facharbeiter*in	–	–	–	–
Meister*in/Polier*in	1,25	0,95; 1,65	+4,2	−0,9;+9,2
Angestellte Person	1,00	0,94; 1,06	0,0	−1,3;+1,2
Verbeamtete Person	0,91	0,64; 1,30	-1,9	−9,0;+5,3
Internatsstatus
Pendler*in	–	–	–	–
Internat	0,72	0,67; 0,76	-6,6	−7,9; -5,3
Maßnahmeart
Teilausbildung	—	—	—	–
Vollausbildung	1,20	1,10; 1,30	+3,5	+1,8;+5,3
Maßnahmestatus
Erfolg	—	—	–	–
Prüfung nicht bestanden	0,40	0,34; 0,47	−20,7	−24,8; −16,7
Abbruch aufgrund von Aufnahme Beschäftigung	3,19	2,18; 4,84	+17,6	+13,4;+21,8
Abbruch	0,14	0,13; 0,15	−43,6	−45,3; −42,0
Andere Qualifizierung letzte 3 Jahre
Trifft nicht zu	—	—	–	–
Trifft zu	0,83	0,77; 0,90	-3,6	-5,2; -2,0
Arbeitslosengeld-I-Bezug
Trifft nicht zu	–	–	–	–
Trifft zu	0,87	0,81; 0,94	−2,7	−4,1; −1,2
Arbeitslosengeld-II-Bezug
Trifft nicht zu	–	–	–	–
Trifft zu	0,64	0,59; 0,69	−9,2	−11,0; −7,5
Sonstiger Leistungsbezug (Krankengeld, Übergangsgeld)
Trifft nicht zu	–	–	–	–
Trifft zu	1,13	0,99; 1,29	+2,4	−0,2;+5,1
Entgelt pro Tag im Kalenderjahr vor der Maßnahme
0 Euro	–	–	–	–
1 bis 69 Euro	1,74	1,54; 1,96	+10,1	+8,0;+12,1
70 bis 109 Euro	1,85	1,62; 2,12	+11,1	+8,9;+13,3
≥110 Euro	1,41	1,15; 1,74	+6,5	+2,7;+10,2
Höchstes Entgelt letzte 4 Jahre (pro Tag im Kalenderjahr / 10)	1,04	1,03; 1,05	+0,8	+0,7;+1,0
Regionale Arbeitslosenquote (Wertebereich 0–100)	0,99	0,97; 1,00	−0,2	−0,5; 0,0
Regionale Kurzarbeiterquote (Wertebereich 0–100)	0,98	0,97; 0,99	−0,4	−0,5; −0,2
Monats des Maßnahmeendes
Januar	1,31	1,11; 1,55	+5,3	+1,9;+8,8
Februar	1,26	1,02; 1,54	+4,5	+0,4;+8,7
März	–	–	–	–
April	1,03	0,84; 1,27	+0,6	−3,7;+4,9
Mai	0,99	0,81; 1,21	−0,2	−4,4;+4,0
Juni	1,24	1,04; 1,47	+4,3	+0,8;+7,8
Juli	1,28	1,08; 1,52	+4,9	+1,4;+8,4
August	1,04	0,86; 1,26	+0,8	−3,0;+4,7
September	0,90	0,75; 1,09	−2,1	−6,1;+1,8
Oktober	0,91	0,75; 1,10	−2,0	−6,0;+2,0
November	1,06	0,87; 1,30	+1,3	−2,8;+5,3
Dezember	0,97	0,80; 1,18	−0,6	−4,6;+3,4

OR: Odds Ratio; AMC: Average Marginal Contrast N=28 779

Größere Effekte zeigten sich auch bei erwerbsbiografischen Prädiktoren: Der Bezug von Arbeitslosengeld II im Kalenderjahr vor der Maßnahme war mit einer um 9,2 Prozentpunkte (95%-KI -11,0; −7,5) geringeren vorhergesagten RTW-Wahrscheinlichkeit assoziiert. Höhere Einkommenskategorien im Vergleich zur Referenzgruppe ohne Einkommen im Kalenderjahr vor der Maßnahme waren hingegen mit einer erhöhten RTW-Wahrscheinlichkeit assoziiert.

Rückkehr in Arbeit differenziert nach Kohortenzugehörigkeit

Die RTW-Quote im monatsweisen Zeitverlauf zwischen Januar 2018 und Dezember 2021 ist in [Abb. 2] dargestellt. Die blaue Linie zeigt einen geglätteten Trend durch die Datenpunkte, inklusive eines 95%-Konfidenzintervalls. Die Punktgröße gibt die Anzahl der Personen an, die in dem jeweiligen Monat die Rehabilitation abgeschlossen haben. Eine tabellarische Darstellung der monatsweisen RTW-Quoten befindet sich außerdem im Zusatzmaterial (Tabelle S1).

Abb. 2 Rückkehr in Arbeit im Zeitverlauf differenziert nach Monat des Maßnahmeendes von Januar 2018 bis Dezember 2021. Die blaue Linie zeigt einen geglätteten Trend durch die Datenpunkte einschließlich eines 95%-Konfidenzintervalls.

Auffällig ist, dass die meisten Maßnahmen in den Monaten Januar, Juni und Juli (und teilweise auch in den angrenzenden Monaten Februar und August) beendet wurden und dass die RTW-Quoten in diesen Monaten höher ausfielen als in den übrigen Monaten. Im Vergleich der Monate (Jan/Jun/Jul vs. Mrz/Apr/Mai/Sep/Okt/Nov/Dez) war auch der Anteil an Personen mit einem erfolgreichen Maßnahmeende erhöht (92,5% vs. 70,3%). Eine Deskription der Stichprobe differenziert nach Monat des Maßnahmeendes kann dem Zusatzmaterial entnommen werden (Tabelle S2).

Bei Gegenüberstellung der Kohorten, zeigte sich deskriptiv eine RTW-Quote von 68,9% in der Referenzkohorte, 59,8% in der Pandemiekohorte 1 und 62,1% in der Pandemiekohorte 2 ([Abb. 3]). Im einfachen Modell mit der Kohortenzugehörigkeit als alleinigem Prädiktor ergaben sich Odds Ratios von 0,67 für die Pandemiekohorte 1 und 0,74 für die Pandemiekohorte 2. Die aus diesem Modell abgeleiteten vorhergesagten RTW-Wahrscheinlichkeiten entsprechen erwartungsgemäß den deskriptiven Werten. Die RTW-Quote ist somit während der Pandemie zurückgegangen, wobei der Rückgang in der Pandemiekohorte 1 stärker ausfiel als in der Pandemiekohorte 2.

Abb. 3 Die RTW-Quoten aus der deskriptiven Analyse sind in Blau dargestellt, während die vorhergesagten Wahrscheinlichkeiten (Average Marginal Predictions) aus dem logistischen Modell in Orange dargestellt sind.

Im adjustierten Regressionsmodell zeigte sich hingegen ein anderes Muster ([Abb. 3]): Die vorhersagte RTW-Wahrscheinlichkeit lag in der Referenzkohorte bei 65,3% (95%-KI 64,1%; 66,5%), in der Pandemiekohorte 1 bei 64,4% (95%-KI 62,4%; 66,3%) und in der Pandemiekohorte 2 bei 63,6% (95%-KI 62,8%; 64,4%). Nach Adjustierung – verglichen mit der deskriptiven Analyse – fiel der Rückgang in der Pandemie somit geringer aus, und ein stärkerer Rückgang in Pandemiekohorte 1 gegenüber der Pandemiekohorte 2 ließ sich nicht bestätigen. Unter Verwendung cluster‑robuster Standardfehler (Cluster: 223 Arbeitsmarktregionen) waren die vorhergesagten RTW‑Wahrscheinlichkeiten identisch zur Hauptanalyse; lediglich die Standardfehler und damit die Breite der Konfidenzintervalle änderten sich geringfügig (Veränderungen im dritten Dezimalbereich).

Den größten Beitrag zur Adjustierung leistete im Modell der Arbeitsmarkt (d. h. die regionale Arbeitslosenquote und Kurzarbeiterquote). Wurden ausschließlich strukturelle Merkmale der Rehabilitand*innen als Kovariaten berücksichtigt und der Arbeitsmarkt ausgeklammert, veränderten sich die vorhergesagten RTW-Wahrscheinlichkeiten gegenüber der Deskription hingegen nur minimal (Abbildung S1).

Interaktionen

Die Interaktionen zwischen dem Bezug von Arbeitslosengeld I bzw. Arbeitslosengeld II im Kalenderjahr vor der Maßnahme und der Kohortenvariable sind in [Abb. 4] bzw. [Abb. 5] dargestellt. Beide Interaktionen zeigen ein ähnliches Muster: Der Effekt des Bezugs von Arbeitslosengeld variiert in Abhängigkeit von der Kohortenzugehörigkeit der Rehabilitand*innen, wobei der negative Effekt des Arbeitslosengeldbezugs (im Vergleich zu keinem Bezug) stärker war bei Personen in der Pandemiekohorte 2 verglichen mit den Personen in der Referenzkohorte. Beide Interaktionen waren statistisch signifikant bei p=0,017 bzw. p=0,034. In der Pandemiekohorte 1 zeigte sich keine Interaktion.

Abb. 4 Interaktionseffekte zwischen Arbeitslosengeld-I-Bezug und Kohortenzugehörigkeit auf die vorhergesagten Wahrscheinlichkeiten der Rückkehr in Arbeit.

Abb. 5 Interaktionseffekte zwischen Arbeitslosengeld-II-Bezug und Kohortenzugehörigkeit auf die vorhergesagten Wahrscheinlichkeiten der Rückkehr in Arbeit.

Diskussion

Ziel dieser Studie war es, den Einfluss der COVID-19-Pandemie auf den RTW nach einer beruflichen Rehabilitation im System der DRV zu untersuchen. Die Diskussion folgt der Struktur der drei eingangs formulierten Hypothesen.

Hypothese 1: Reduktion der RTW-Quote in den Pandemiekohorten

Die deskriptiven Analysen zeigten, dass die RTW-Quote in den beiden Pandemiekohorten niedriger war als in der Referenzkohorte. Dieser Befund bestätigt Hypothese 1 und legt nahe, dass die pandemiebedingten Veränderungen die berufliche Wiedereingliederung der Rehabilitand*innen erschwert haben. Besonders in der Pandemiekohorte 1, also bei Personen, die unmittelbar zu Beginn der Pandemie arbeitssuchend waren, fiel die RTW-Quote deskriptiv am niedrigsten aus.

Hypothese 2: Abschwächung der pandemiebedingten Effekte nach Adjustierung

In den Regressionsmodellen unter Kontrolle relevanter Kovariaten nivellierten sich die Unterschiede in der RTW-Wahrscheinlichkeit in der Pandemiekohorte 1 im Vergleich zur Referenzkohorte. In Pandemiekohorte 2 fiel der Unterschied zur Referenzkohorte deutlich geringer aus als in der deskriptiven Analyse. Dies stützt Hypothese 2 und deutet darauf hin, dass ein Teil der beobachteten Unterschiede auf strukturelle Merkmale der Rehabilitand*innen oder des Arbeitsmarktkontexts zurückzuführen ist – etwa auf Unterschiede in den beruflichen und gesundheitlichen Voraussetzungen oder auf regionale Arbeitsmarktgegebenheiten [7] [16]. Unsere Ergebnisse deuten insbesondere auf die Rolle des Arbeitsmarktkontexts hin: Der größte Teil der Adjustierung entfiel auf arbeitsmarktbezogene Variablen, was nahelegt, dass die wirtschaftlichen Rahmenbedingungen eine zentrale Rolle für den RTW in der beruflichen Rehabilitation spielen. Studien aus Zeiten vor der Pandemie zeigten, dass die Arbeitsmarktabhängigkeit des RTW nach beruflicher Rehabilitation bedeutsamer [16] ist als nach medizinischer Rehabilitation [17]. Auch während der Pandemie war der Arbeitsmarkt für die medizinische Rehabilitation, gezeigt am Beispiel der Muskel-Skelett-Erkrankungen, von nachrangiger Bedeutung [8].

Hypothese 3: Verstärkte soziale Ungleichheit im RTW zu Zeiten der Pandemie

Die Interaktionsanalysen mit Vulnerabilitätsmerkmalen zeigen, dass insbesondere Rehabilitand*innen mit vorherigem Bezug von Arbeitslosengeld I oder II in der Pandemiekohorte 2 nochmals geringere Chancen auf einen RTW hatten als in der Referenzkohorte. Diese verstärkten Unterschiede deuten auf eine Zunahme sozialer Ungleichheiten unter Pandemiebedingungen hin und bestätigen Hypothese 3 zumindest für die zweite Pandemiekohorte. Der „Brennglaseffekt“ der Pandemie – also die Verschärfung bereits bestehender Benachteiligungen – scheint sich somit im Kontext der beruflichen Rehabilitation tatsächlich gezeigt zu haben.

Vergleichbare Analysen für die medizinische Rehabilitation haben ebenfalls einen Brennglaseffekt gefunden [8]. Dieser Effekt zeigte sich in Bezug auf die Arbeitsunfähigkeitszeiten vor der Rehabilitationsmaßnahme insbesondere in der Pandemiekohorte 1, während er in der Pandemiekohorte 2 nicht mehr nachweisbar war.

Der Befund, dass die Effekte von Individualmerkmalen von Kontextfaktoren abhängen können, lässt sich grundsätzlich durch die bestehende Literatur plausibilisieren. So zeigte sich beispielsweise, dass der Effekt einer individuellen vorausgegangenen Arbeitslosigkeit auf die RTW-Wahrscheinlichkeit nach einer beruflichen Rehabilitation abhängig von der regionalen Arbeitsmarktlage ist [16]. Im Kontext beruflicher Vollqualifizierungen zeigte sich, dass bei einer maximalen regionalen Arbeitslosenquote die vorhergesagte RTW-Wahrscheinlichkeit von Personen mit einer Arbeitslosigkeit von 30 bis 36 Monaten in den letzten drei Jahren im Vergleich zu keiner vorangegangenen Arbeitslosigkeit um 17,4 Prozentpunkte sank. Bei einer minimalen regionalen Arbeitslosenquote betrug der Rückgang hingegen lediglich 7,2 Prozentpunkte [16]. Es ist jedoch zu beachten, dass in unseren Analysen für die Arbeitsmarktsituation im Modell adjustiert wurde. Somit ist der beobachtete Brennglaseffekt nicht direkt auf Unterschiede im Arbeitsmarkt zurückzuführen. Vielmehr weisen die Ergebnisse auf die Relevanz anderer pandemiebedingter Rahmenbedingungen hin. In diese Richtung weist auch eine qualitative Untersuchung im Rahmen des Projekts, die unter anderem gestiegene Anforderungen an persönliche Kompetenzen während der Rehabilitation sowie Einschränkungen im Bereich von Praxiserfahrungen als Barrieren identifizieren konnte [18].

Dass die soziale Ungleichheit durch die Pandemie teils verstärkt wurde, konnte auch außerhalb des Rehabilitationskontextes beobachtet werden. Im Sommer 2020 verloren in Europa vermehrt Menschen mit niedrigerem Bildungsstand und auch Menschen mit ohnehin geringerem Haushaltseinkommen ihre Arbeit [19]. Zudem waren Menschen mit geringerer Bildung häufiger von Kurzarbeit und bezahlten oder unbezahlten Freistellungen betroffen [20].

Monatliche Schwankungen der RTW-Quote

Ein Zufallsbefund war die sichtbare Variation der RTW-Quoten in Abhängigkeit vom Kalendermonat des Maßnahmeendes. Insbesondere in den Monaten Januar, Juni und Juli (und teilweise in den angrenzenden Monaten Februar und August) zeigte sich eine erhöhte RTW-Quote im Vergleich zu den übrigen Monaten. Eine plausible Erklärung dafür liegt in den institutionellen Rahmenbedingungen der Berufsförderungswerke und weiterer Bildungsträger: Viele Maßnahmen enden mit einer Abschlussprüfung vor den zuständigen Kammern – in der Regel der Industrie- und Handelskammer (IHK) oder der Handwerkskammer (HWK). Diese Prüfungen folgen bundesweit einheitlichen Prüfungszyklen. Die praktischen bzw. mündlichen Prüfungen und Abschlussbescheinigungen erfolgen in der Regel im Januar sowie im Juni und Juli [21]. Infolgedessen konzentrieren sich viele Maßnahmeabschlüsse – mit anschließenden erfolgreichen beruflichen Wiedereinstiegen – auf diese Monate. Dagegen war die RTW‑Quote in Monaten außerhalb dieser Prüfungszyklen niedriger. Eine plausible Erklärung dafür ist, dass Maßnahmeenden in diesen Monaten häufiger mit nicht regulären oder unvollständigen Verläufen einhergehen – etwa durch Abbrüche und Prüfungswiederholungen. In solchen Fällen ist ein Übergang in Erwerbstätigkeit seltener, was sich entsprechend in den niedrigeren RTW‑Quoten niederschlägt.

Limitationen und Implikationen

Stärken dieser Studie liegen in der großen, bundesweiten Datenbasis der RSD sowie in der systematischen Untersuchung pandemiebedingter Effekte anhand zeitlich definierter Kohorten. Nach unserem Kenntnisstand war es in diesem Projekt erstmals möglich mittels der RSD, Rehabilitand*innen mit einem Maßnahmeende in vier verschiedenen Kalenderjahren gemeinsam mit ihrer jeweiligen Erwerbsbiografie und Arbeitsmarktsituation in einem Modell abzubilden, um so den Einfluss eines externen Ereignisses – in diesem Fall der COVID-19-Pandemie – zu analysieren.

Gleichwohl sind Limitationen zu beachten: So wurden Veränderungen in der Durchführung der Maßnahmen (z. B. Digitalisierung, Einschränkung praktischer Inhalte, zusätzlicher Aufwand durch die Angestellten der Einrichtungen) nicht berücksichtigt [22] [23]. Auch psychische Belastungen im Pandemiekontext – potenziell bedeutsam für Reha-Prozesse und RTW – blieben unbeachtet [24]. Obwohl es sich um Routinedaten handelt, traten bei der Variable Maßnahmestatus fehlende Werte auf, sodass betroffene Personen aus den Modellen ausgeschlossen wurden. Zudem erlaubt das nicht-experimentelle Design keine kausalen Schlussfolgerungen.

Für die Praxis bedeuten die Ergebnisse, dass Rehabilitand*innen mit prekären Arbeitsmarktvoraussetzungen gezielter unterstützt werden müssen – insbesondere in krisenhaften Zeiten. Dabei ist das Übergangs- und Schnittstellenmanagement zwischen beruflichen Rehabilitationseinrichtungen und Arbeitsmarktintegration besonders wichtig [2] [25] [26]. Einen Überblick über Handlungsempfehlungen liefert der ebenfalls in diesem Projekt entstandene Artikel zur Triangulation der Projektergebnisse [27].

Kernbotschaft

Die Rückkehr in sozialversicherungspflichtige Beschäftigung war während der COVID-19-Pandemie niedriger als in der Zeit davor. Nach statistischer Adjustierung zeigte sich, dass dieser Rückgang teilweise auf veränderte Arbeitsmarktbedingungen zurückzuführen war. Zudem verschärfte sich die soziale Ungleichheit: Rehabilitand*innen mit vorherigem Bezug von Arbeitslosengeld hatten während der Pandemie nochmals geringere Chancen auf eine erfolgreiche Wiedereingliederung. Dieser Befund zeigt, dass die Pandemie bestehende Benachteiligungen im beruflichen Wiedereinstieg verschärft hat.

Interessenkonflikt

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.

• Literatur

• 1 Bethge M, Fauser D, Zollmann P. et al. Reduced Requests for Medical Rehabilitation Because of the SARS-CoV-2 Pandemic: A Difference-in-Differences Analysis. Arch Phys Med Rehabil 2022; 103: 14-19.e2
• 2 Heide MS, Bauer J, Hagen B. et al. Lernen von der COVID-19-Pandemie: Handlungsfelder für eine zukunftsfähige Gestaltung der ambulanten beruflichen Rehabilitation. Rehabilitation 2023; 62: 9-12
• 3 Rauch A, Reims N. Berufliche Rehabilitation in Zeiten der Covid-19-Pandemie. Rehabilitation 2024; 63: 282-288
• 4 Boehle M, Buschmann-Steinhage R, Seidel M. et al. Corona-Konsultationsprozess der Deutschen Vereinigung für Rehabilitation. Ergebnisse Themenfeld 2 – Arbeitsleben (einschl. Leistungen zur Teilhabe am Arbeitsleben). 2021 Zugriff am 07.10.2025 unter: https://www.dvfr.de/fileadmin/user_upload/DVfR/Downloads/Projektberichte/Konsultationsprozess-Berichte-6-2021/2_Teilbericht_Arbeitsleben_bf.pdf
• 5 Bauer A, Weber E. COVID-19: How Much Unemployment Was Caused by the Shutdown in Germany?. Appl Econ Lett 2021; 28: 1053-1058
• 6 Statistik der Bundesagentur für Arbeit. Berichte: Arbeitsmarkt kompakt – Auswirkungen der Corona-Krise. Nürnberg; 2022
• 7 Streibelt M, Egner U. Eine systematische Übersichtsarbeit zu den Einflussfaktoren auf die berufliche Wiedereingliederung nach beruflichen Bildungsleistungen. Rehabilitation 2013; 52: 111-118
• 8 Elling JM, Sänger N, Schwarz B. et al. Return to Work After Medical Rehabilitation for Musculoskeletal Disorders in Times of the COVID-19 Pandemic: A Retrospective Cohort Study. Arch Phys Med Rehabil 2025;
• 9 Benchimol EI, Smeeth L, Guttmann A. et al. The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) Statement. PLOS Medicine 2015; 12: e1001885
• 10 Brünger M, Brzoska P, Du Prel J-B. et al. Nutzung von Routinedaten in der Rehabilitationsforschung – Teil 1: Ein Überblick über Art, Zugang, Qualität und Datenschutz. Rehabilitation 2025; 64: 167-175
• 11 Streibelt M, Zollmann P. Berufliche Teilhabe nach einer medizinischen Rehabilitation aufgrund pneumologischer Erkrankungen. Rehabilitation 2021; 60: 330-338
• 12 Streibelt M, Zollmann P, Völler H. et al. Berufliche Teilhabe nach einer medizinischen Rehabilitation aufgrund von kardiovaskulären Erkrankungen – Repräsentative Analysen auf Basis der Routinedaten der Deutschen Rentenversicherung. Rehabilitation 2023; 63: 169-179
• 13 Larmarange J, Sjoberg DD. Marginal Effects / Slopes, Contrasts, Means and Predictions With broom.helpers. Zugriff am 07.10.2025 unter: https://larmarange.github.io/broom.helpers/articles/marginal_tidiers.html
• 14 Arel-Bundock V, Greifer N, Heiss A. How to Interpret Statistical Models Using marginaleffects for R and Python. J Stat Softw 2024; 111: 1-32
• 15 Wickham H. ggplot2: Elegant Graphics for Data Analysis. Springer; Cham: 2016.
• 16 Hetzel C, Streibelt M. Hängt die berufliche Wiedereingliederung nach beruflichen Bildungsleistungen vom Arbeitsmarkt ab?. Rehabilitation 2016; 55: 290-298
• 17 Hetzel C, Leinberger S, Kaluscha R. et al. Return to Work After Medical Rehabilitation in Germany: Influence of Individual Factors and Regional Labour Market Based on Administrative Data. J Labour Mark Res 2023; 57: 4
• 18 Sänger N, Elling JM, Hetzel C. et al. Return-to-Work von Menschen mit chronischen Erkrankungen nach einer medizinischen oder beruflichen Rehabilitation während der COVID-19-Pandemie – eine qualitative Studie. Rehabilitation (under review).
• 19 Ksinan Jiskrova G, Bobák M, Pikhart H. et al. Job Loss and Lower Healthcare Utilisation Due to COVID-19 Among Older Adults Across 27 European Countries. J Epidemiol Community Health 2021; 75: 1078-1083
• 20 Naumann E, Möhring K, Reifenscheid M. et al. COVID-19 Policies in Germany and Their Social, Political, and Psychological Consequences. Eur Policy Anal 2020; 6: 191-202
• 21 Niederrheinische Industrie- und Handelskammer. Ausbildung: Prüfungstermine. Zugriff am 07.10.2025 unter: https://www.ihk.de/niederrhein/hauptnavigation/ausbildung/pruefungen/pruefungstermine-3952598
• 22 Elling JM, Hetzel C, Koch AM. et al. Psychological Service Utilization and its Impact on Return to Work in Vocational Retraining Centers: A Cohort Study. J Occup Rehabil 2024;
• 23 Koch AM, Hetzel C, Elling JM. et al. Prädiktion der Inanspruchnahme psychologischer Unterstützung während der beruflichen Rehabilitation in einem Berufsförderungswerk. Rehabilitation 2024; 63: 289-297
• 24 Bhattacharyya MR, Perkins-Porras L, Whitehead DL. et al. Psychological and Clinical Predictors of Return to Work After Acute Coronary Syndrome. Eur Heart J 2007; 28: 160-165
• 25 Jahn K, Reims N. Fachkräfte und Unternehmen zusammenbringen? Kooperation zwischen Leistungserbringern und Unternehmen im Kontext der beruflichen Rehabilitation. Sozialer Fortschritt 2021; 70: 167-186
• 26 Ebener-Holscher K, Tophoven S. Schnittstellen zu betrieblichen Akteur:innen im Rahmen beruflicher Rehabilitationsprozesse. Sozialer Fortschritt 2024; 73: 671-688
• 27 Schwarz B, Sänger N, Hetzel C. et al. Return to Work nach medizinischer und beruflicher Rehabilitation in Zeiten der COVID-19-Pandemie – Triangulationsergebnisse einer Mixed-Methods-Studie. Rehabilitation (under review).

Publikationsverlauf

Artikel online veröffentlicht:
19. Dezember 2025