醫院網絡中心性分析

65

66

的醫師畢業於相同學校之人數為 X=6。假設 A 醫院醫師數量為 13 人，B 醫院為 21 人，因此計算兩間醫師畢業學校相似程度則為 6／34。

計算畢業相同學校的醫師人數之演算法如下：

for (int m=1 ; m <=10 ; m++) {

for (int k=1; k <=10 ; k++) {

if (culA[ l , 10 + m] == culA[a, k]) {

if (culA[l, 10 + m] != 0) {

x+=2 ; }

} } }

表 19 專科關係計算方式 A 醫院

專科 1 專科 2 專科 3 專科 4 專科 5 專科 6 專科 7 專科 8 專科 9

1 1 1 0 1 1 0 1 0

B 醫院

專科 1 專科 2 專科 3 專科 4 專科 5 專科 6 專科 7 專科 8 專科 9

0 1 1 1 1 1 0 1 0

67

表 20 醫生畢業學校計算方式 A 醫院

學校 1 學校 2 學校 3 學校 4 學校 5 學校 6 學校 7 學校 8 學校 9 學校 10 4 5 3 8 0 0 0 0 0 0

B 醫院

學校 1 學校 2 學校 3 學校 4 學校 5 學校 6 學校 7 學校 8 學校 9 學校 10 4 5 2 3 6 0 0 0 0 0

在完成計算醫師畢業學校關係程度之後，別給予專科數量、所屬縣市、醫師 學歷這三項屬性的權重，專科 0.3(ω1)、縣市 0.4(ω2)、醫師學歷 0.3(ω3)，因此 在公式如下：

(專科關係程度 * ω1)＋(縣市關係程度 * ω2)＋(醫師學歷關係程度 * ω3)

引用上述之公式，可得到醫院之間關係程度值，並利用關係程度完成關係矩陣，

以社會網絡分析法建構出醫院網絡關係圖，如圖 24 所示，為醫院關係的網絡，

可從圖中得知網絡內規模最大的群體為 A 區塊，其餘的醫院皆各自形成小群體。

經由表 20 所示，在 A 區塊中橘色的節點為網絡內 Degree、Closeness 分析值最 高的醫院，因此說明「行政院衛生署台南醫院」為 A 區塊內以及整體網絡內連 接數最多的醫院，在網絡中可以看出因為地緣的特性，基本在同縣市的醫院關係 程度較高，也各自形成獨立的群體，而從網絡中醫院的關係連接可以直接了解醫 院內部醫師其出身背景是否與其他醫院相同、在醫院提供的專科服務上也較相似，

醫院關係網絡內值得注意的焦點在於「宜蘭繫東聖母醫院、馬階醫院台東分院」

兩間醫院皆屬於較邊緣的地位，可說明這兩間醫院與網絡內其他醫院較無交集之 醫院，比貣 A 區塊而言在資源上的分享及利用，顯得劣勢許多，也反應出東部 地區醫療資源與台灣其他地區如北部、中部相較之下，資源較較缺乏的情況。

68

圖24 醫院關係網絡圖

表 21 醫院網絡中心性分析

院名 Degree

行政院衛生署台南醫院 7

財團法人天主教耕莘醫院 4

行政院衛生署雙和醫院 3

天主教若瑟醫院 3

台北立聯合醫院 3

Mean 1.958

Std Dev 1.241

Minimum 0

Maximum 7

Network Centralization 11.19%

69

第四章 研究實作

經過先前第三章的設計與分析後，本研究先前以社會網絡分析軟體 Ucinet 製作出醫師人際關係的網絡圖，並對其進行網絡中心性分析，以探討在該網絡內 行為者之特徵和地位，除了對網絡圖及網絡中心性分析進行解釋外，也說明了學 經歷、專長關係程度的判別方式和計算方法，在本節將分為三節，第一節為醫師 推薦之流程說明，第二節將進行醫師推薦功能之畫陎展示，以搜尋為主，勾選推 薦條件為輔之方式，介紹醫師推薦服務帄台各項推薦功能。