[Analytics] 주간보호센터 고객, 위치 데이터 분석 [2]

주간보호센터란?

장기요양 등급을 받은 어르신들을 낮 시간 동안에 보호하며, 거동이 불편한 어르신들에게 기능 강화, 정서지원, 건강증진, 사회재활 등의 전문화된 서비스를 제공하는 곳이다.




분석에 이용한 자료는 다음과 같다.

1. 연령별 인구현황(행정안정부)
2. 주간보호센터(보건복지부)
3. 노인복지시설현황(e-나라지표)
4. 의료기관 현황(보건복지부)
5. 논문 '노인주간보호시설에 대한 잠재 이용자의 이용욕구 및 발전방향, 정지나, 2020'
6. 논문 '노인 주간보호시설의 운영, 인력, 서비스 현황, 박연환, 2007'

2. 위치 데이터 분석

- 주간보호센터(보건복지부)
- 의료기관 현황(보건복지부)

전국의 모든 주간보호센터(2022.02)와 병원(2022) 데이터를 받아왔다.
장기요양 등급 판정을 받은 노인들을 모시는 주간보호센터는 어떤 곳에 위치해야 할까?
혹여 병원의 위치와 상관이 있지 않을까?
* 여기서 병원이라 함은 병상수가 100개 이상인 병원을 말한다.
장기요양 등급을 받은 노인 환자는 소형 병원보단 중대형 병원을 더 많이 이용할 것이라 판단했다.



이번 글은
'주간보호센터의 80%가 병원 3km 이내 위치할 것이다'
라는 가설을 세우고 분석을 진행한다.

주간보호센터(보건복지부), 의료기관 현황(보건복지부) 데이터는 공공데이터 포털(https://www.data.go.kr/)에서 가져왔다. 여기서 데이터 받아올 때마다 느끼는 건데, 데이터 형식이 통일되고 있다고 하나 여전히 데이터들이 뒤죽박죽이다. 표준화된 데이터를 제공해줘... 데이터들 중 필요 없는 칼럼은 제거하고 좌표 데이터를 위경도 데이터로 바꿔줬다. 다음은 전처리를 모두 끝낸 데이터들이다.

# 주간보호센터 데이터 -------------------------------------------------------------------------------------------------------------------------------------------------------
df_center = pd.read_csv("/content/주간보호센터/df_center.csv")
df_c = df_center.drop('Unnamed: 0', axis=1)
print(df_c.info(null_counts = True))
df_c.head()

주간보호센터의 전체 데이터

# 의료시설 데이터 -------------------------------------------------------------------------------------------------------------------------------------------------------
df_hospital = pd.read_csv("/content/주간보호센터/df_hospital.csv")
df_hospital = df_hospital.dropna(axis=0)
df_hospital = df_hospital.drop(['Unnamed: 0','latitude', 'longitude'], axis=1)
df_hospital = df_hospital[df_hospital['병상수'] >  100].copy()

# 좌표 -> 경위도 변환
epsg2097 = Proj(init='epsg:2097')
wgs84=Proj(init='epsg:4326')
longitude, latitude = transform(epsg2097, wgs84, df_hospital['좌표정보(x)'], df_hospital['좌표정보(y)'])
df_hospital['longitude'] = longitude
df_hospital['latitude'] = latitude

display(df_hospital.head())
print(df_hospital.info(null_counts=True))

전국 병원의 위치 데이터

확보된 데이터로 지도를 그려보자.
지도는 Python의 Folium으로 그렸다.
빨간색 동그라미 : 병원
파란색 동그라미 : 주간보호센터

import folium

center = [37.541, 126.986]
m = folium.Map(location=center, zoom_start=10)

df_c = df_center[['기관명', 'latitude', 'longitude']].copy()
df_h = df_hospital[['병상수', 'latitude', 'longitude', '사업장명']].copy()

# 주간보호센터 데이터를 그려냅니다.
for i in df_c.index[:2266]:
    folium.Circle(
        location = df_c.loc[i, ['latitude', 'longitude']],
        tooltip = df_c.loc[i, '기관명'],
        radius = 100
    ).add_to(m)

# 의료시설 데이터를 그려냅니다.  -> 좌표정보를 위경도로 바꿔나타낼 것
for i in df_h.index[:4364]:
    folium.Circle(
        location = df_h.loc[i, ['latitude', 'longitude']],
        tooltip = df_h.loc[i, '사업장명'],
        radius = 150,
        color='red',
    ).add_to(m)

m

주간보호센터 & 병원(병상수 > 100) 위치 데이터

전체적으로 봤을 때, 주간보호센터와 병원은 외곽 지역보단 사람들이 모여사는 지역에 많이 분포하고 있다. 두 곳 모두 주 고객이 일반 시민이기에 당연한 결과라고 할 수 있다. 더하여 얼핏 보면 주간보호센터와 병원의 거리들이 가까워 보인다. 지역별로 확대했을 때도 결과가 같을까? 이는 지역 별로 확대하여 알아보도록 하자.

[서울광역시]

강남, 종로 같은 서울 중심부를 보면, 병원은 많이 위치해 있지만 주간보호센터는 얼마 없음을 알 수 있다.
하지만 조금 더 외곽지(주거지역)로 시선을 옮기면 주간보호센터의 수가 많아진다.




[인천광역시]

인천에 있는 대형병원도 중심지에 많이 분포해있다. 하지만 서울과 다른 점이 있다면,
주간보호센터도 중심지에 존재한다. 이는 서울의 중심지엔 주거지역이 거의 없는 반면,
인천의 중심지엔 주거지역도 섞여있기 때문으로 보인다.




[경기도]

주간보호센터가 주거지역과 가깝게 위치한다는 점은 위 지도를 통해 확인할 수 있다.
상업 지역, 기업체가 많이 위치한 서울과 달리, 주거 지역이 몰려있는 경기도에 주간보호센터가
많이 위치해있다. 이에 따라 주거 지역이 없는 상업 지역에도 위치하는 병원과 달리,
주간보호센터는 주거 지역에 주로 위치하려 한다는 점을 확인할 수 있다.



[대구광역시]

대구를 볼 때도, 주간보호센터는 미묘하게 중심지를 벗어나 위치해 있다.
다만, 병원도 주거 지역과 상업 지역 사이에 위치해 있다 보니 전반적으로
병원과 주간보호센터의 거리가 가까울 것으로 보인다.

지도를 통해 본 결과, 주간보호센터는 주로 주거 지역에 위치해 있었다. 병원이 없는 지역에도 많은 센터들이 존재했다. 주간보호센터의 필수 입지조건에 과연 '병원'이 있는가라는 의문이 든다. 전반적으로 주간보호센터와 병원의 거리는 가까워 보였다. 좀 더 확실하게 주간보호센터의 반경 3km에 병원의 존재 유무를 확인하여 가설을 검증하도록 하겠다.

가설 '주간보호센터의 80%가 병원 3km 이내 위치할 것이다'

* 여기서 병원이란, 병상수 100석 이상인 중대형 병원을 말한다.



가설은 센터의 위경도 데이터, 병원의 위경도 데이터를 이용해 거리를 계산하여 검증한다. 거리를 계산하는 방법으로 하버 사인(haversine) 공식을 채택했다. 평면이 아닌 둥근 지구 표면에 있는 두 지점 사시의 직선거리를 구하는 방법으로 꽤 널리 쓰이는 공식이다.

# 반경 3km 이내 병원 존재여부 확인
from haversine import haversine, Unit

c_lat_list = df_c['latitude'].copy()
c_lon_list = df_c['longitude'].copy()
h_lat_list = df_h['latitude'].copy()
h_lon_list = df_h['longitude'].copy()

num = 0
for i in range(0,2266) : 
  c = (c_lat_list[i], c_lon_list[i])
  for a in range(0,2461):
    h = (h_lat_list[a], h_lon_list[a])
    distance = haversine(c, h, unit = 'km')
    if distance <= 3:
      print(f'{c} / {h}')
      num += 1
      break

두 지점 사이의 거리가 3km가 안될 경우, 두 지점의 위경도 데이터를 출력하도록 했다. 자세히 보니 센터의 위경도 데이터가 겹치는 부분이 있어서 코드를 잘못 짰나 생각했는데, 확인해보니 데이터 오류였다. 두 센터가 비슷한 곳에 있으니 위경도 데이터도 똑같이 입력한 것 같다. (일 똑바로 안 하지...)
주간보호센터 경우, 위경도 데이터가 '0.0'인 곳이 2241곳 중에 712곳이었다. 이에 따라 비율 계산할 때도 2266-712 = 1554 곳으로 설정하여 계산했다.

print(f"Center Ratio in hospital's 3km is {num/1554}")

병원의 반경 3km 안에 있는 센터 비율이 87.7%로 나왔다. 가설은 채택되었다. 생각보다 많은 센터들이 병원 주변에 있어 놀라웠다. 아마도 중소병원까지 합치면 비율은 더 커질 것으로 보인다. 지도로만 보았을 때는 센터와 병원의 거리가 가까워도 우연이 아닐까라는 생각을 했다. 하지만 이렇게 수치로 보니 우연일 수가 없다. 주간보호센터는 국가 복지 서비스에 가깝지만 한편으론 노인들을, 부양가족들을 영업해야 하는 곳이기도 하다. 경쟁을 하지 않으면 사람들을 모을 수가 없기 때문이다. 그렇다 보니 자연스럽게 병원, 그 주변 의료기기 상점, 약국 등과 커뮤니티를 쌓으려 노력하는 것이 아닐까? 커뮤니티의 근본은 유대감이 쌓이고 가까워야 하니 센터도 자연스럽게 주거 지역 + 병원 주변으로 모인 것은 아닐까 라는 생각이 든다.



이만 글을 마치도록 하겠다.