第8組：林亮瑩、黃莉雅、梁語


一、研究動機

【新聞節錄】去年十月底，一輛往花蓮方向的普悠瑪列車在蘇澳發生翻覆意外，有學者指出，幸好意外發生地點靠近宜蘭市，傷患能及時送醫，若再往花蓮方向，醫療院所數量不足，將會造成更嚴重的傷亡。

此事件帶出我國長期存在偏鄉醫療資源不足的問題，先前雖有民間單位透過政府機關統計得出花蓮縣平均每人享有的醫療資源為全國第二名的結論（參考資料：https://www.taiwanstat.com/statistics/medical-resources/），然而單純以人口數作計算，並無法反映出真實狀況，尤其東部區域因青年長期人口外流，老年人比例越來越高，就醫需求也增加，大型醫療院所的缺乏，亦成為迫切需要解決的問題。

根據上述提及的背景，我們進一步思考，隨著高齡化社會來臨，過去單純探討的醫療資源分布不均問題，加上長照、安養等其他老年人口需要的照護，是否變得更加棘手？各城市對於老人長期照護、安養需求的差異，與相關機構的設置是否相關，政府提供的幫助又有哪些不足之處呢？近年來積極推動長照2.0政策，提供各項對於老年人、身心障礙者、失智症患者的照護服務，又可再細分成醫療型、安養型，也有機構與居家照護的不同，項目種類繁多。

究竟這些政策是否能夠切中人民的需求，補足原先的缺乏；又或者資源仍集中於都會區、無法真正幫助到有需要的人？我們希望能透過此次研究，整理各縣市長照資源的概況，並探討我國各城市醫療資源與長照醫療資源的相關性，最後就長照的各項服務作出分類，整理出不同類型的需求增減趨勢，對應到其供給的數量，檢驗我國長照需求是否被滿足，以及未來政府在政策的制定與資源分配上可以努力的方向。

二、資料介紹

  1. 醫療資源：提供醫療服務的生產要素的總稱，通常包括人員、醫療費用 、醫療機構、醫療床位、醫療設施和裝備、知識技能和信息等。 我國將醫療院所由小到大分為四級，分別為基層診所、地區醫院、區域 醫院、醫學中心。

  2. 長期照護（長照）：依據2012年行政院衛生署的定義，長期照護係指對「身心失能持續已達或預期達6個月以上，且狀況穩定者，依其需要所提供之生活照顧、醫事照護」

  1. 醫療型長照機構：
    • 老人長期照顧中心（長期照顧型）：以有慢性病且有長期醫療服務需 求的長者為服務對象。
    • 老人長期照顧中心（養護型）：以無法自主生活，需他人照顧之老人 或需鼻胃管、導尿管護理服務需求之老人為照顧對象，但不需要看護 服務的長者為服務對象。
    • 失智照顧型：以神經科、精神科等專科醫師診斷為失智症中度以上、 具行動能力，且需受照顧之老人為照顧對象。
  2. 純照顧型安養機構：無重大疾病，生活可自理的長者。不同於前者，此 類機構無法行使醫療行為，僅提供基本保健服務、醫護通報系統。
  3. 居家服務：
    • 居家護理：居家護理是經由專業醫護人員定期到府提供醫療服務，使 病人在溫馨的家中得到良好的照顧，減少家屬在醫院與家庭間來回奔 波。
    • 喘息服務：經過申請核可後，政府安排照顧服務人員至家中照顧年長 者，使其家屬能有短暫休息的時間。

三、資料分析圖表

1. 2017年各縣市長照資源利用

people<-read.csv('people.csv')
people<-data.frame(people)
a<-people$使用率
library(ggplot2)
p1<-ggplot(people,aes(x=people$地區別,y=people$使用率))
p1+geom_bar(stat='identity',fill="#D28EFF")+theme(axis.text=element_text( size=6))+labs(title='2017各縣市老人長期照顧、安養機構使用率', x="縣市別", y="使用率")

此圖表的數據為2017年各縣市實際進住人數/可供進住人數，說明老人長期照顧、安養機構的使用率，我們可以看出普遍都在七成五左右，澎湖縣、台北市與嘉義市略高，差距不顯著。基本上各縣市的利用率雖不低，但實際進住人數仍少於可供進住人數，表示目前未有供不應求的情況。

2. 2010年各縣市老人長期照顧、安養機構實際進住人數與需求人數

library(readxl)
old<-read_excel('2010.xlsx')
old<-data.frame(old)
old[,2:3] <-as.numeric(as.matrix(old[,2:3]))
library(ggplot2)
o<-old$實際進住人數
o<-as.matrix(o)
p2<-ggplot(old,aes(x=old$區域別,y=o))
p2+geom_bar(stat='identity',fill="#009FCC")+theme(axis.text=element_text( size=6))+labs(title='2010各縣市實際進住人數', x="縣市別", y="人數")

library(readxl)
old<-read_excel('2010.xlsx')
old<-data.frame(old)
old[,2:3] <-as.numeric(as.matrix(old[,2:3]))
library(ggplot2)
s<-old$X65歲以上常住人口長期照護需求者
s<-as.matrix(s)
p3<-ggplot(old,aes(x=old$區域別,y=s))
p3+geom_bar(stat='identity',fill='#00BBFF')+theme(axis.text=element_text( size=6))+labs(title='2010各縣市長期照護需求人數', x="縣市別", y="人數")

因我國為每十年進行一次人口普查，因此65歲以上常住人口長期照護需求人口數最近期的資料為2010年的資料，因此在此使用2010年之資料作分析。 上述的長期照護需求者係指因生病、受傷、或衰老而具下列活動障礙且需他人幫忙長達六個月以上者：吃飯、上下床、更換衣服、上廁所、洗澡、在室內外走動、家事活動能力，即此處的年長需求者皆為需有旁人在一旁隨時協助各種日常活動者。從上述兩份圖表來看，各縣市長期照護的需求者遠大於實際進住人數。其中，從需求者人口數來看，卻是台北市位居第一，高雄位居第二。然，實際進住人口數以高雄市和新北市位居一二。依上述需求者之定義推估需求人口數遠大於實際進住服務機構人口數之緣由：家中有後輩或伴侶照應，家中請看護照顧，或是申請居家服務。

3. 2017年各縣市老人長期照顧、安養機構實際進住人數與老年人口數

library(readxl)
old2017<-read_excel('2017.xlsx')
old2017<-data.frame(old2017)
old2017[,2:5] <-as.numeric(as.matrix(old2017[,2:5]))
library(ggplot2)
act<-old2017$實際進住人數
act<-as.matrix(act)
p4<-ggplot(old2017,aes(x=old2017$地區別,y=act))
p4+geom_bar(stat='identity',fill='#FF7744')+theme(axis.text=element_text( size=6))+labs(title='2017年實際進住人數', x="縣市別", y="人數")

library(readxl)
old2017<-read_excel('2017.xlsx')
old2017<-data.frame(old2017)
old2017[,2:5] <-as.numeric(as.matrix(old2017[,2:5]))
library(ggplot2)
population<-old2017$老年人口數
population<-as.matrix(population)
p5<-ggplot(old2017,aes(x=old2017$地區別,y=population))
p5+geom_bar(stat='identity',fill="#FFAA33")+theme(axis.text=element_text( size=6))+labs(title='2017年老年人口數', x="縣市別", y="人數")

因前一分析使用2010年之資料分析，與目前情況有所差距，所以，在此假設2017年的老年人口數為潛在需求服務者。由此可知，2017年潛在需求者仍是大於實際進住人口數。從上面兩組資料來看，實際進住服務機構人口數在這七年內增加許多，新北市從原先的近1000人上升至8500人。然而，2010年新北市的需求人口數為25000人，仍多於2017年的實際進住人口數，近年來因人口老化，2017年的需求人口數必定更多。因此，2017年的需求者數量比2017年也會比實際進住人口數多。

4. 2017年各縣市老人長期照顧、安養機構數與人力

library(readxl)
old2017<-read_excel('2017.xlsx')
old2017<-data.frame(old2017)
old2017[,2:5] <-as.numeric(as.matrix(old2017[,2:5]))
library(ggplot2)
house<-old2017$機構數
house<-as.matrix(house)
p6<-ggplot(old2017,aes(x=old2017$地區別,y=house))
p6+geom_bar(stat='identity',fill='#FFB7DD')+theme(axis.text=element_text( size=6))+labs(title='2017年老人長期照顧、安養機構數', x="縣市別", y="數量")

library(readxl)
old2017<-read_excel('2017.xlsx')
old2017<-data.frame(old2017)
old2017[,2:5] <-as.numeric(as.matrix(old2017[,2:5]))
library(ggplot2)
service<-old2017$老人長期照顧.安養機構每位工作人員服務老人數
service<-as.matrix(service)
p7<-ggplot(old2017,aes(x=old2017$地區別,y=service))
p7+geom_bar(stat='identity',fill='#FF88C2')+theme(axis.text=element_text(size=6))+labs(title='2017年老人長期照顧、安養機構每位工作人員服務老人數', x="縣市別", y="人數")

在上面兩個圖表中，我們欲從各縣市的長照、安養機構數與每位工作人員服務老人數的關係，來檢驗是否有長照工作人員人力不足的問題。 工作人員人力的多寡決定了照護的品質及安全性，是為一重要指標： 根據第一個長條圖，我們可以看出新北、高雄、台北、台南這幾個直轄市的機構數較多，推論是人口基數較多，需求者人數也呈正相關。第二個圖表中，除了澎湖縣的人均照顧數量超過2.5人，其餘皆在2人左右，可知澎湖縣的照護人力較缺乏，其他縣市機構的人力資源大多充足。

5. 2017年各縣市醫療院所平均每萬人口醫療院所數與每萬老人長期照顧、安養機構數比較

library(ggplot2)
density<-read.csv('density.csv')
density<-data.frame(density)
qplot(x=density$醫療院所平均每萬人口病床數,                               y=density$每萬老人長期照顧.安養機構數,                          data=density,                      
      geom="point",
      main = "醫療與長照資源分析",  
      xlab="醫療院所平均每萬人口病床數",                          
      ylab="每萬老人長期照顧.安養機構數",                    
      color=地區別)

由此分布圖可以得知，各縣市醫療院所與老人照顧、安養機構數與醫療資源的相關性，扣除金門縣、連江縣、嘉義市三個極端值後，其餘縣市兩者存在相關性，因此我們推論多數醫療資源較充足的地區，其老年人照護、安養資源也較多。至於極端值的部分，可能與該縣市人口數較少(離島)，以及老年人口比例較高有關。

6. 長照資源變遷趨勢

library(readxl)
library(ggplot2)
nums1<- c(2279,47372,62,3869)
type<- c('長期照護型機構','養護型機構','失智型機構','安養型機構')
df<- data.frame(type =type,nums1=nums1)
label_value<- paste('(', round(df$nums1/sum(df$nums1) * 100, 1), '%)', sep = '')
label<- paste(df$type,label_value, sep = '')
df<- data.frame(type =type,nums1=nums1)
p9<-ggplot(data=df,mapping = aes(x='Content',y=nums1,fill=type))
p9+geom_bar(stat='identity')+coord_polar(theta='y')+labs(title='2015年各類型老人長期照顧、安養機構數',x='',y='')+ scale_fill_discrete(labels = label)

library(readxl)
library(ggplot2)
nums1<- c(2183,44101,60,3231)
type<- c('長期照護型機構','養護型機構','失智型機構','安養型機構')
df<- data.frame(type =type,nums1=nums1)
label_value<- paste('(', round(df$nums1/sum(df$nums1) * 100, 1), '%)', sep = '')
label<- paste(df$type,label_value, sep = '')
df<- data.frame(type =type,nums1=nums1)
p9<-ggplot(data=df,mapping = aes(x='Content',y=nums1,fill=type))
p9+geom_bar(stat='identity')+coord_polar(theta='y')+labs(title='2018年各類型老人長期照顧、安養機構數',x='',y='')+ scale_fill_discrete(labels = label)

在此部分的比較中，原本我們預期能檢驗出不同養護機構需求的成長趨勢，亦假設安養型機構的需求會因傳統觀念逐漸改變而有顯著的成長。但分析結果出來後發現，2015與2018年的差異並不明顯，養護型機構與安養型機構僅有小幅度的成長，我們認為造成此結果的原因是調查資料不齊全、有許多空缺，以及兩筆資料僅相隔三年，時間的變化幅度不夠大；若是能夠取得2010年的調查資料，應該能更準確的顯示出不同類型機構需求增減的趨勢。

四、結果發現和結論

由上述資料可得知，我國可供資源數是大於實際運用數，其中也有城鄉差距。在城鄉差距上，就有可能會產生距離問題、生活方式、家庭因素、經濟能力、觀念間的差距。

首先，距離問題，需求者住家與服務機構間的距離，通常鄉下會較都市的距離來的遠，可能就會產生交通與接送問題，也有些年長者不願離家太遠，所以需求方去運用資源的意願就會比較低。再者，生活方式，在鄉下鄰里間平時多有互動，在家發生意外無人知曉，或基於無聊想去安養中心與其他老人互動的機率隨之減少。相較之下，都市老人與鄰居的互動就相對較少。第三，家庭因素，因後輩忙於工作無法照顧之，都市老人前往安養中心，或是請看護來家中照料的比例可能會因此相對較高。雖然政府補助大部分的花費，但每個月的費用仍是一筆金額，都市家庭大部分較有經濟能力去負擔之，或是較願意、需要去花這筆錢。最後，最重要的是年長者的意願，在傳統觀念下，鄉下老人比起都市老人會更排斥前往安養機構。

總體而言，不論是前一部分資料分析的結果，還是政府近年致力推動的長照2.0政策，都可看出政府在老年人照護、安養這方面投資許多心力，與前幾年相較也確實有顯著的提升。然而，依舊存在需要盡快被解決的問題，如離島與偏鄉的醫療與照護資源，即便以數字看來各縣市人均資源沒有不足，實際上卻面臨距離阻礙、大型醫學中心缺乏等問題，就算有安養照護的機構，若臨時因重大疾病需要急救，仍會面臨困難；再者，根據政府統計的數據可以發現，照護安養的需求人數遠遠大於實際進住機構的人數，這個部分除了是人數統計的不精確外，也可能是前段所提到的各種成因所致，究竟政府需不需要提供更多的補助與鼓勵，使有需求者皆可以獲得專業的照顧，亦或者考量到成本效益比而維持現狀即可，是未來政府與人民應該積極協調、達成共識的課題。

此次數據分析的過程中，最大的困難在於資料統計的不齊全與分類的方式不統一，尤其是2010前的資料即便有檔案，也大多空缺不全或明顯有誤，以致於部分數據只能採用推估計算，或使用資料較完整的年份；統計的範圍多以全國為主，缺少各縣市比較的詳細數據，無法明顯看出城鄉之間的差異；安養機構統計出的數量差異也很大，不確定是否精確，能推得的結論亦存在侷限性。 我們無法明確得知政府是否沒有作完整的區域統計，或者只是未將資料整合在公開平台上，但在收集資料同時我們也注意到，如果不是特地為了製作報告書或學者專業研究，一般民眾基本上不會需要這些數據，亦沒有足夠的專業能力去判讀這些數據所代表的現象或趨勢；政府在這些公開平台上的管理雖有其必要性，但其所花費的人力、資金成本不一定能讓人民感受到實質的成效，反而有人質疑政府未將資源用在刀口上。 其實，若統計資料越完備，越有利於政策制定時的判斷，也可以清楚點出需要補足之處；至於資訊公開的部分，我們認為政府應更積極與各種統計、數位專家學者商討，建立資料齊全且易於查詢的系統，以落實透明化政府的概念，其指標不在於民眾對於這些統計數據的利用程度，而是無論何時政府都應該扮演主動提供的角色，將資料作系統化的整理，而非等待人民索求後才被動給予。

最後，我們也收集的其他國家的政策資料，試圖找出我國可以參照效仿的部分。

1.日本：採取社區整體照顧模式，是以社區整合型服務中心為服務主軸，在失能老人住家車程30分鐘範圍內，建構結合醫療、介護、住宅、預防、生活支援等各項服務一體化之照顧體系。社區整合型服務中心由指定專業人員組成團體共同營運，再分別整合介護等服務，並提供綜合諮詢等業務項目。利用社區整體照顧模式，可減少上述的距離問題，不願離家太遠的年長者會較願前往，家屬在時間與距離上也較方便接送，由機構負責接送的費用亦隨之降低。以社區為單位，年長者可與本就認識的街訪鄰居一同前往；或是在服務中心認識周遭的鄰居，在往後也能相互照應，以上兩者皆能提升需求者使用服務率及意願。

2.美國：老人全包式照護計畫（PACE），由聯邦醫療保險與醫療救助中心、周衛生部以及PACE承辦單位三方共同執行。PACE承辦單位設立日間照顧中心，自行或由合約醫療機構提供各式居家與機構式長期照顧服務。PACE計畫管理員協助調跨專業團隊提供許可項目內的服務。

就我國目前的狀況而言，需要提升需求者使用服務率及意願，日本的社區整體照顧模式值得參考學習；此外，長照2.0的各項服務亦需足夠的宣導，使民眾能更便利的尋求到符合自身需要的協助。高齡化問題在許多議題的討論上時常被提及，但絕非老生常談，隨著世代更迭，目前的青壯年人背負著比過往更沉重的負擔，長照的各項政策其實也和經濟發展、城鄉差距密切相關，未來若有機會做更深入的研究，將會往這方面做進一步的延伸探討。

五、參考資料

1.https://dep.mohw.gov.tw/DOS/cp-2977-13854-113.html

2.http://censusall.dgbas.gov.tw/top/census/ultraq/aqx.aspx

3.https://statdb.dgbas.gov.tw/pxweb/Dialog/Statfile9O.asp

4.https://dep.mohw.gov.tw/DOS/cp-1735-3245-113.html

5.https://dep.mohw.gov.tw/DOS/cp-1735-3244-113.html

6.衛生福利部長照十年計畫2.0 (106~115年)-核定本