國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
門診處方及治療明細檔中合計點數為用藥明細點數小計、診療明細點數小計、
診察費、藥事服務費之加總。
（十三）AREA_NO_H：縣市區碼
醫事機構基本資料檔中，醫院所在的縣市代碼。可透過外部資料轉換成六都 制的縣市名稱。
（十四）月份
月份為自行新增之變數， 因為研究中需對每季的變化作追蹤，因此在資料 時間細緻度上必須精準到月份，故使用原始欄位退保日期（ID_OUT_DATE）、
出 院 年 月 日 （ OUT_DATE ）、 就 醫 日 期 （ FUNC_DATE ） 及 死 亡 日 期
（DEATH_DATE），作為醫療使用、死亡、定位的月份判斷。其中 1 月～3 月為 第一季、4 月～6 月為第二季、7 月～9 月為第三季、10 月～12 月為第四季。
圖 2-2-1、2005 百萬老人抽樣檔抽樣比例與資料涵蓋時間
第三節、政府資料介紹
除了全民健保資料庫之外，本研究另外使用了政府公布的資料來源，包含中 選會之選舉資料庫、內政部統計處，以及行政院重要性別統計資料庫。介紹如下：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
一、中選會選舉資料庫
中央選舉委員會提供歷屆公職人員選舉資料，其中包含各地區的選舉人數、
投票數等重要數據，資料的細緻度從縣市到鄉鎮市區可自由選擇，並對性別分開 統計。
二、內政部統計處
內政部統計處有提供與國政相關的重要統計指標，包含人口密度、依賴人口 比、老幼人口比、出生人數、死亡人數、自然增加、社會增加與生命表等，除了 人口相關的資料外之外，也統計民政、地政、警政、入出國及移民、消防及營建 等相關指標，面向廣泛，包是十分重要的資料來源。
三、重要性別統計資料庫
行政院為提升機關性別統計資料之應用與流通，提供各界了解我國性別平等 發展現況及長期趨勢，自 104 年建置啟用「重要性別統計資料庫」，提供一站式 查詢服務。其中國內指標專區依照「性別平等政策綱領」7 大政策領域為主架構，
提供各機關重要性別統計資料之查詢服務。其中政治參與的部分包含投票人數性 別比例等重要指標。
第四節、研究方法
本研究使用全民健保資料庫及選舉資料庫做為分析資料來源，以深入了解及 探討高齡人口在選舉介入前後的死亡風險與醫療利用情形；透過探索性資料分析
（Explorer Data Analysis; EDA）的方式對資料進行剖析及探討，同時搭配國內外 期刊、碩博士論文、研討會文章、研究報告以及一般著作等相關文獻，並加以整 理歸納，以作為本研究後續分析之參考。
因健保資料庫資料量大且內容多元，使得資料品質龐雜，本文在進行研究前 先對資料庫進行偵錯、清理與整併的動作，以確保後續資料分析結果是具有可信
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
度的；整併過後再搭配合適的研究方法與準則進行相關的實證分析。其中本文所 運用的相關研究方法與計算公式如下：
一、常住地判斷方法與限制
健保資料中僅記錄有保險對象之投保地，但是受限於投保地會因大公司集體 投保的現象而無法忠實呈現保險對象之實係活動低區。根據過去研究顯示，台灣 基層醫療院所設立普遍，民眾小病微恙在就醫選擇上，往往會前往就醫距離較近 的醫療院所（林民浩等人，2011）；假設一個人的生活圈不會離常住地太遠，就 醫常住地會近似投保人口常住地，並建議以合計點數小於等於 555 點作為常住地 的判斷標準（林敬昇，2016）。
綜合以上，本研究決定引用林敬昇（2016）的研究結果，以合計點數小於等 於 555 點，作為就醫常住地定位的依據，並輔以其他就醫紀錄之次數做判斷，圖 2-4-1 顯示本研究就醫常住地準則的涵蓋率，都在 97%以上，高涵蓋率也暗示高 齡人口有較高的機會得小病，且結果也顯示涵蓋率會隨時間變化有季節因素的震 盪，與老人在冬季抵抗力弱，容易感冒的現實相符合。關於此準則判斷出就醫常 住地的資料代表性，與內政部戶政司提供的人口統計資料做比較，表 2-4-1 與表 2-4-2 顯示 2006 年第一季與 2011 第四季的常住地定位結果與內政部資料對照，
表格中的差異欄位顯示本研究判斷方法與內政部資料的比例差異，正值（藍色）
為高估，負值（紅色）為低估；不難發現本研究的判斷方法在台北市皆高估，在 新北市皆低估，且差距隨時間演進越顯明顯，造成原因認為除了與雙北間的交通 便利有關外，也和台北市比新北市有較多的醫療院所有關聯。就醫常住地判斷流 程如圖 2-4-2。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 2-4-1、定位準則（T_AMT<=555）的涵蓋率
表 2-4-1、2006 年第一季就醫常住地判斷與內政部資料比較─人口數與比例5
5
表中比例為該地區的高齡人口數除以全體高齡人口數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 2-4-2、2011 年第四季就醫常住地判斷與內政部資料比較─人口數與比例6
圖 2-4-2、健保資料庫推估人口就醫常住地流程（以 2006 第一季為例）
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
二、死亡判定準則
由於健保資料控中並無紀錄保險對象的死亡時間，因此參考許筱翎（2017）
的研究結果，利用承保資料檔（ID）、門診處方及治療明細檔（CD）、住院醫療 費用清單明細檔（DD）以及重大傷病證明明細檔（HV）整理出的六大準則，配 合連續兩年沒有門診紀錄的篩選再取聯集，得到估計死亡人口名單。詳細的死亡 準則與死亡人口估計過程如圖 2-4-3，注意取聯集的部分是指只要符合任一條準 則，便判斷為死亡人口。另外，該研究也指出，利用這六條準則估計的死亡人數 和官方數據有一致的表現，唯獨 100 歲以上人口有較大的誤差，原因和抽樣的數 量太少有關。綜合以上考量，本研究決定聚焦在 65～99 歲的高齡人口。
圖 2-4-3、死亡人口估計過程（重繪參考許筱翎，2017）
關於此準則判斷高齡死亡人口數的資料代表性，與內政部戶政司提供的人口 統計資料做比較，圖 2-4-4 顯示 2006 年至 2011 的死亡人數判定與內政部資料對 照，可以發現不論性別 2006 年的死亡人數最接近，差距小於 3%，之後隨時間演 進，到 2011 年死亡人數差距漸大，但仍在可接受的範圍內。另外比較可惜的是，
內政部資料只有統計年度高齡人口的死亡數，所以無法比較每季的死亡人數變 化。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 2-4-4、2006 年至 2011 年死亡估計高齡死亡人數與內政部比較─按性別 三、滑動窗口的時間判斷
在死亡準則上，連續兩年沒有門診紀錄的條件篩選上，因為時間細緻度是季
（三個月），因此條件判斷上也是以季為單位做滑動，引用滑動窗口（sliding windows）的概念，如圖 2-4-5 所示。
圖 2-4-5、滑動窗口的時間判斷示意圖 四、年齡別死亡率
年齡別死亡率（Age-specific Mortality Rate）代表在一個社區中某個年齡層 的死亡率，用來測量各年齡層的死亡風險，通常以單齡組或五齡組呈現，其定義 為某年齡的死亡人數除以這個地區年齡為該年齡的人數。實證上，由於年滿某個 年齡的人數較不容易計算其死亡率，因此研究上習慣以年中年齡為某個年齡的人 數，取代一年內年滿該年齡的人數。計算公式如下：
𝑥歲別死亡率 =一年內𝑥歲死亡人數 𝑥歲年中人口數
又本研究時間單位為季，因此將上述計算公式改為每季即可。
‧
五、標準死亡比（standardised mortality ratio，SMR）7
粗死亡率（死亡人數/人口數）不容易拿來作縣市間的比較。除了每個縣市
7
https://qi.cch.org.tw/zh-tw/qs/smr/hospital-standardized-mortality-ratio
8
式中的標準人口該組死亡率，為樣本的五齡組死亡率，並非政府資料分組後的死亡率。即以樣
本整體分組後的數值作為比較的基準對象。
‧
七、辛普森指標 Simpson Index、得票不均度在生態學研究上，多樣性指數常用來評估群集中的物種組成與分布情形，多
‧
標之一為辛普森指數（Simpson Index）
本文引用 Edward H. Simpson 於 1949 年提出的 Simpson Index，中文又譯作
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
九、差異中的差異模型（Difference-in-Differnece Method；DD Method）
差異中的差異分析法（DD Method）是利用跨期橫斷面資料（Pooled Cross Section Over Time）最具代表性的模型之一。在一般文獻中會讓樣本分成兩組討 論，一為實驗組，另一為控制組，並設定一個虛擬變數作為判斷時間前後的條件，
也就是說，利用此虛擬變數的改變作為變數改變前或改變後的依據，以分析在變 數產生改變後的影響程度，因此能準確地觀察到真正的影響力，且有效地排除其 他干擾因素。圖 2-4-7 與表 2-4-4 說明差異中的差異法計算過程與理論概念。
圖 2-4-7、差異中的差異法之理論概念 表 2-4-4、差異中的差異法計算過程
在本研究中，選舉活動介入前後的醫療使用變化，無法區分是否為社會參與 抑或是受時間趨勢及時間改變而影響的其他因素造成，因此，為了消弭上述所帶 來的衝擊，有效地排除時間、地區所產生的影響而設計了控制組。而本研究挑選 實驗組與控制組的做法，是依據選舉時的得票不均度與選情激烈程度（平均得票 率差異）來做挑選，將實驗組定調為選舉中，得票不均度高或是選情較為激烈的 區域；反之，控制組定調為選舉中，得票不均度低或是選情較為平緩的區域。目 標是希望控制組在選舉介入前後，不會對該組的醫療使用有太大的影響，而比較
‧
差異中的差異（DD Estimate）選舉前到選舉介入 選舉介入到選舉結束 (𝑈𝑒− 𝐵𝑒) − (𝑈𝑐 − 𝐵𝑐) (𝐴𝑒− 𝑈𝑒) − (𝐴𝑐− 𝑈𝑐)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第參章、探索性分析
本研究目的是探討選舉介入前後，醫療利用的改變與死亡風險的變化。使用 的資料為全民健康保險資料庫 2005 年百萬高齡人口抽樣檔，資料收集時間從 2002 年至 2013 年，由於 2005 年抽樣資料是由 2005 年末之高齡人口中抽取一百 萬人，具有倖存者效應，加上死亡判斷準則加入兩年未就醫之條件，因此，可探 討分析的時間範圍，限縮到 2006 年至 2011 年。由於健保資料庫內容多元且資料 龐大，資料中出現輸入錯誤或是標示不明等是無可避免的問題。所以，第一節會 先對資料進行前處理，接著，第二節統計不同縣市的醫療資源，第三節到第八節 再對不同地區、性別、年齡分組下，高齡人口的死亡率與醫療使用行為作探索性
本研究目的是探討選舉介入前後，醫療利用的改變與死亡風險的變化。使用 的資料為全民健康保險資料庫 2005 年百萬高齡人口抽樣檔，資料收集時間從 2002 年至 2013 年，由於 2005 年抽樣資料是由 2005 年末之高齡人口中抽取一百 萬人，具有倖存者效應，加上死亡判斷準則加入兩年未就醫之條件，因此，可探 討分析的時間範圍，限縮到 2006 年至 2011 年。由於健保資料庫內容多元且資料 龐大，資料中出現輸入錯誤或是標示不明等是無可避免的問題。所以，第一節會 先對資料進行前處理，接著，第二節統計不同縣市的醫療資源，第三節到第八節 再對不同地區、性別、年齡分組下，高齡人口的死亡率與醫療使用行為作探索性