在作業三曾經提過
各種照顧機構（資本）和照護人員（人力資源）的資源分配與利用關係，是我們切入分析的觀察點，因此在作業四決定以「床數」和「各種照護人員數」做相關係數分析，想知道兩者是否有相關？相關程度為何？
首先先列出床數資料
rawdata = read.table('result1.csv',
encoding = 'UTF-8',header = T)
#df <- rawdata %>% group_by(Area)
library(knitr)
data = read.table('result1.csv')
kable(data)
| Changhua County |
24577.0000 |
7371.66667 |
| Chiayi City |
4829.0000 |
2685.33333 |
| Chiayi County |
12558.0000 |
2324.00000 |
| Hsinchu City |
6380.3333 |
1437.00000 |
| Hsinchu County |
8651.6667 |
2188.66667 |
| Hualien County |
6526.3333 |
2052.33333 |
| Kaohsiung City |
37659.3333 |
10080.66667 |
| Keelung City |
6867.3333 |
2428.33333 |
| Kinmen County |
2084.0000 |
294.00000 |
| Lienchiang County |
171.6667 |
40.66667 |
| Miaoli County |
11243.0000 |
1745.66667 |
| Nantou County |
10831.3333 |
2783.33333 |
| New Taipei City |
60141.3333 |
17917.00000 |
| Penghu County |
2108.6667 |
294.00000 |
| Pingtung County |
17050.3333 |
5449.66667 |
| Taichung City |
38278.0000 |
10543.00000 |
| Tainan City |
38543.6667 |
12070.00000 |
| Taipei City |
55674.3333 |
7011.00000 |
| Taitung County |
4486.3333 |
1510.33333 |
| Taiwan |
411035.3333 |
106490.33333 |
| Taoyuan City |
31697.0000 |
8710.00000 |
| Yilan County |
14544.3333 |
4413.66667 |
| Yunlin County |
16132.3333 |
3140.00000 |
再列出照護人員資料
rdata = read.csv('1.csv',
header = TRUE)
#df1 <- rdata %>% group_by(Area)
library(knitr)
data = read.csv('1.csv')
kable(data)
| New Taipei City |
63.21 |
3.87 |
13.77 |
2.74 |
40.81 |
2.01 |
| Taipei City |
52.60 |
4.68 |
9.51 |
2.95 |
31.64 |
3.83 |
| Taichung City |
35.81 |
3.31 |
6.62 |
1.54 |
24.33 |
0.00 |
| Tainan City |
55.73 |
5.52 |
11.37 |
1.70 |
32.78 |
4.37 |
| Kaohsiung City |
59.79 |
5.27 |
12.20 |
2.70 |
35.47 |
4.15 |
| Yilan County |
105.78 |
10.57 |
18.11 |
4.64 |
66.30 |
6.15 |
| Taoyuan County |
39.01 |
3.30 |
8.15 |
1.61 |
24.58 |
1.36 |
| Hsinchu County |
52.13 |
5.78 |
8.85 |
1.72 |
33.08 |
2.71 |
| Miaoli County |
30.82 |
2.38 |
5.23 |
1.33 |
20.74 |
1.14 |
| Changhua County |
48.16 |
5.04 |
8.74 |
2.32 |
29.39 |
2.67 |
| Nantou County |
37.54 |
3.54 |
5.99 |
2.16 |
21.42 |
4.42 |
| Yunlin County |
49.86 |
4.44 |
8.29 |
1.79 |
31.56 |
3.78 |
| Chiayi County |
41.66 |
4.10 |
8.20 |
1.20 |
24.76 |
3.41 |
| Pingtung County |
55.79 |
6.45 |
11.10 |
1.74 |
32.36 |
4.15 |
| Taitung County |
81.45 |
10.48 |
11.43 |
4.05 |
46.68 |
8.81 |
| Hualien County |
44.84 |
5.50 |
9.23 |
2.43 |
24.93 |
2.75 |
| Penghu County |
12.13 |
2.53 |
3.03 |
0.00 |
6.06 |
0.51 |
| Keelung City |
96.54 |
8.94 |
17.88 |
4.09 |
59.41 |
6.21 |
| Hsinchu City |
29.60 |
2.13 |
5.72 |
0.82 |
19.46 |
1.47 |
| Chiayi City |
85.32 |
6.30 |
15.63 |
3.91 |
50.59 |
8.90 |
| Kinmen County |
43.43 |
4.99 |
7.49 |
2.00 |
23.46 |
5.49 |
| Lienchiang County |
122.70 |
18.40 |
6.13 |
6.13 |
42.94 |
49.08 |
用join結合兩個表格
#newTable = rawdata %>% left_join(rdata, by = c("Area" = "Area"))
#df2 <- newTable [2:9]
library(knitr)
data = read.table('newTable.csv')
kable(data)
| 24577.0000 |
7371.66667 |
NA |
NA |
NA |
NA |
NA |
NA |
| 4829.0000 |
2685.33333 |
85.32 |
6.30 |
15.63 |
3.91 |
50.59 |
8.90 |
| 12558.0000 |
2324.00000 |
NA |
NA |
NA |
NA |
NA |
NA |
| 6380.3333 |
1437.00000 |
29.60 |
2.13 |
5.72 |
0.82 |
19.46 |
1.47 |
| 8651.6667 |
2188.66667 |
52.13 |
5.78 |
8.85 |
1.72 |
33.08 |
2.71 |
| 6526.3333 |
2052.33333 |
44.84 |
5.50 |
9.23 |
2.43 |
24.93 |
2.75 |
| 37659.3333 |
10080.66667 |
59.79 |
5.27 |
12.20 |
2.70 |
35.47 |
4.15 |
| 6867.3333 |
2428.33333 |
96.54 |
8.94 |
17.88 |
4.09 |
59.41 |
6.21 |
| 2084.0000 |
294.00000 |
43.43 |
4.99 |
7.49 |
2.00 |
23.46 |
5.49 |
| 171.6667 |
40.66667 |
122.70 |
18.40 |
6.13 |
6.13 |
42.94 |
49.08 |
| 11243.0000 |
1745.66667 |
30.82 |
2.38 |
5.23 |
1.33 |
20.74 |
1.14 |
| 10831.3333 |
2783.33333 |
37.54 |
3.54 |
5.99 |
2.16 |
21.42 |
4.42 |
| 60141.3333 |
17917.00000 |
NA |
NA |
NA |
NA |
NA |
NA |
| 2108.6667 |
294.00000 |
12.13 |
2.53 |
3.03 |
0.00 |
6.06 |
0.51 |
| 17050.3333 |
5449.66667 |
55.79 |
6.45 |
11.10 |
1.74 |
32.36 |
4.15 |
| 38278.0000 |
10543.00000 |
35.81 |
3.31 |
6.62 |
1.54 |
24.33 |
0.00 |
| 38543.6667 |
12070.00000 |
NA |
NA |
NA |
NA |
NA |
NA |
| 55674.3333 |
7011.00000 |
NA |
NA |
NA |
NA |
NA |
NA |
| 4486.3333 |
1510.33333 |
81.45 |
10.48 |
11.43 |
4.05 |
46.68 |
8.81 |
| 411035.3333 |
106490.33333 |
NA |
NA |
NA |
NA |
NA |
NA |
| 31697.0000 |
8710.00000 |
NA |
NA |
NA |
NA |
NA |
NA |
| 14544.3333 |
4413.66667 |
NA |
NA |
NA |
NA |
NA |
NA |
| 16132.3333 |
3140.00000 |
49.86 |
4.44 |
8.29 |
1.79 |
31.56 |
3.78 |
想了解失能老年人口、床數和照護人員的相關性
#df3 <- cor(df2, use="complete.obs", method="kendall")
library(knitr)
data = read.table('cor.csv')
kable(data)
| mean.Disabled.Aged.Population. |
1.0000000 |
0.7846980 |
-0.0666667 |
-0.2190476 |
0.1047619 |
-0.2000000 |
0.0095238 |
-0.3062236 |
| mean.Total.Beds. |
0.7846980 |
1.0000000 |
0.1148339 |
-0.0382780 |
0.2870846 |
-0.0191390 |
0.1913898 |
-0.0865385 |
| Grand.Total |
-0.0666667 |
0.1148339 |
1.0000000 |
0.8095238 |
0.7142857 |
0.7523810 |
0.8857143 |
0.6507252 |
| Administrators |
-0.2190476 |
-0.0382780 |
0.8095238 |
1.0000000 |
0.5619048 |
0.6761905 |
0.6952381 |
0.5550303 |
| Nursing.Staff |
0.1047619 |
0.2870846 |
0.7142857 |
0.5619048 |
1.0000000 |
0.5428571 |
0.7523810 |
0.4401964 |
| Social.Workers |
-0.2000000 |
-0.0191390 |
0.7523810 |
0.6761905 |
0.5428571 |
1.0000000 |
0.6380952 |
0.7081421 |
| Serviceman |
0.0095238 |
0.1913898 |
0.8857143 |
0.6952381 |
0.7523810 |
0.6380952 |
1.0000000 |
0.5358913 |
| Others |
-0.3062236 |
-0.0865385 |
0.6507252 |
0.5550303 |
0.4401964 |
0.7081421 |
0.5358913 |
1.0000000 |
資料分析
出乎意料的，原本預期「床數」和「照護人員數」會呈現高度且正相關，沒想到使用相關係數分析後，卻出現完全相反的結果：「床數」和「照護人員數」為低度相關，最高的Nursing Staff 相關係數為0.287，再來是Service Man的0.191，剩下的Social Workers、Administrators呈現非常低度的負相關（幾乎可以說是無關）。不過可以觀察到，「床數」和「失能老年人口數」為高度正相關（0.784）。由此推論一地的機構床數會和當地的失能老年人口數成正比，但照護人員卻不會因為床數的多寡而有影響。
小結：
然而我在作業三提過：失能老年人口數和床數的資源差異——相較之下，住宿式機構床數明顯不足。也就是說在床數不足的情況下，照護人員卻沒有因為資本的不足而做出適當的反應，也就是增加人力資源去遞補，因此不管是在機構還是人員方面都是呈現資源短缺的狀態。
長照服務的資源嚴重不足，而且分佈的不均（作業三有分析城鄉差距，可以推論到在一地內也會有內部差異），其次人力有待充實。政府的政策方面，照護人員雖然已經開班，但未來可能沒有辦法滿足真正有需要的人的需求，另外產業參與跟長照服務沒有辦法做出適切的搭配，可以說無法照顧到偏遠的部落，最重要的整個資源沒有辦法整合。