.
Faculteit Wetenschappen
Opleiding Geografie en Geomatica Master in de Geografie
Bereikbaarheid van ziekenhuizen in Europa Nils Rondas
Aantal woorden in tekst: 14 085 Aantal kaarten in tekst: 12 Aantal tabellen in tekst: 6 Aantal figuren in tekst: 13
Copromotor: Prof. Dr. Philippe De Maeyer Vakgroep Geografie Copromotor: Dr. Tijs Neutens Vakgroep Geografie
Academiejaar 2014 – 2015
Masterproef ingediend tot het behalen van de graad van Master in de Geografie
WOORD VOORAF
Het schrijven van deze laatste regels luidt een belangrijk moment in in de vorming van deze masterproef, en bij uitbreiding de vorming van mijn interesse en kennis van de geografie als geliefde wetenschap. Het was een vijf jaar lang durende reis waarvan de verschillende etappes samen tot een eind gekomen zijn in dit onderzoek.
Die weg die leidde tot het afsluiten van dit werk was niet altijd gemakkelijk. De realisatie van deze studie zou niet gelukt zijn zonder de hulp van verschillende mensen rondom mij. Eerst en vooral bedank ik mijn copromotoren Prof. Dr. Philippe De Maeyer en Dr. Tijs Neutens om mij de kans te geven mij te verdiepen in de interessante wereld van de health care, en om mij van essentiële feedback te voorzien. Daarnaast wil ik ook ing. Koos Fransen bedanken voor de tijd te nemen mij met uitleg en raad bij te staan bij problemen.
Daarnaast zijn er nog verschillende personen die mij bijgestaan hebben; niet zozeer op technisch of inhoudelijk vlak, maar des te meer op mentaal gebied. Ze zorgden ervoor dat ik steeds vol motivatie aan dit project kon verder werken, ook wanneer het minder vlot liep.
Zo bedank ik mijn ouders, die deze steun reeds 23 jaar onafgebroken voorzien. Daarnaast bedank ik Barbara voor de momenten van verfrissende creatieve brainstorming, en ook Paul, Maxime, Jarne, en Jaap die elk op hun persoonlijke manier mij steeds konden motiveren. Niet te vergeten ook mijn klasgenoten van de geografie, met dewelke ik een zeer mooie tijd kan afsluiten.
Nils Rondas Augustus 2015
I
INHOUDSOPGAVE WOORD VOORAF...................................................................................................................I INHOUDSOPGAVE ............................................................................................................... II LIJST MET KAARTEN ........................................................................................................ IV LIJST MET TABELLEN ...................................................................................................... IV LIJST MET FIGUREN ......................................................................................................... IV 1.
INLEIDING ....................................................................................................................... 1
2.
LITERATUURSTUDIE ................................................................................................... 2 2.1 Afstand ........................................................................................................................ 2 2.2 Verplaatsingstijd ........................................................................................................ 3 2.3 Sociale toegankelijkheid ............................................................................................ 5 2.4 Optimalisatie .............................................................................................................. 6 2.4.1 Deterministische modellen ....................................................................................... 7 2.4.2 Probabilistische modellen ........................................................................................ 7 2.4.3 Dynamische modellen .............................................................................................. 8 2.4.4 Voordelen van optimalisatie van de bereikbaarheid ............................................... 9 2.4.5 Toekomst ................................................................................................................ 10 2.5 Probleemstelling ................................................................................................................ 11 2.6 Doelstelling ............................................................................................................... 12 2.7 Onderzoeksvragen en hypotheses .......................................................................... 12 2.7.1 Onderzoeksvragen .................................................................................................. 12 2.7.2 Onderzoekshypotheses ........................................................................................... 12 2.8 Structuur .................................................................................................................. 12
3.
METHODEN EN MATERIALEN ................................................................................ 14 3.1 Inleiding .................................................................................................................... 14 3.2 Afbakening studiegebied ......................................................................................... 14 3.3 Input datasets ........................................................................................................... 17 3.3.1 Ems-facilities.......................................................................................................... 17 3.3.2 Administratieve grenzen ......................................................................................... 21 3.3.2.1 Eurogeographics ............................................................................................. 21 3.3.2.2 Global Administrative Areas .......................................................................... 21 3.3.2.3 Andere bronnen betreffende nationale geodata .............................................. 21 3.3.3 Netwerk dataset ...................................................................................................... 24 3.3.3.1 Dichtheid van het wegennetwerk ................................................................... 24 3.3.3.2 Lokalisering van de verschillen tussen dataset OSM - EGM ......................... 26 3.3.3.3 Connectivity policies ...................................................................................... 26 3.3.3.4 Impedance value ............................................................................................. 28 3.4 Modelbuilder ............................................................................................................ 28 3.4.1 Model 1: Bevolkingsdichtheid................................................................................ 28 3.4.2 Model 2: afstandsanalyse....................................................................................... 31 II
3.4.3 Model 3: Standaardafwijking ................................................................................ 32 3.5 Service area’s ........................................................................................................... 33 3.6 Spreidingsmaten ...................................................................................................... 34 3.6.1 Nationale gemiddelde ............................................................................................ 34 3.6.2 GINI-Coëfficiënt .................................................................................................... 35 3.7 Link bevolkingsdichtheid ........................................................................................ 36 4.
RESULTATEN ............................................................................................................... 37 4.1 Vergelijking met OpenStreetMap .......................................................................... 37 4.2 Afstandsanalyse ....................................................................................................... 40 4.2.1 Afstandsanalyse per Local Administrative Unit..................................................... 40 4.2.2 Afstandsanalyse per Local Administrative Unit tot dichtste vijf EMS-faciliteiten. 42 4.2.3 Afstandsanalyse per land ....................................................................................... 44 4.3 Spreiding van de bereikbaarheid ........................................................................... 46 4.3.1 Standaardafwijking ................................................................................................ 46 4.3.2 GINI-Coëfficiënt .................................................................................................... 48 4.4 Samenhang bevolkingsdichtheid en bereikbaarheid ............................................ 51 4.4.1 Analyse per land .................................................................................................... 51 4.4.2 Analyse per bevolkingsdichtheidsklasse ................................................................ 52 4.5 Service area’s ........................................................................................................... 54
5.
DISCUSSIE ..................................................................................................................... 57 5.1 5.2 5.3 5.4
6.
Algemeen .................................................................................................................. 57 West-Europa ............................................................................................................ 57 Zuid-Europa ............................................................................................................. 57 Oost-Europa ............................................................................................................. 58
BESLUIT ......................................................................................................................... 59
REFERENTIELIJST ............................................................................................................. 61 Literatuur .............................................................................................................................. 651 Internetbronnen ..................................................................................................................... 65 BIJLAGEN ............................................................................................................................. 66
III
LIJST MET KAARTEN Kaart 1: Situering studiegebied en level van detail .................................................................. 16 Kaart 2: Situering EMS faciliteiten .......................................................................................... 20 Kaart 3: LAU grenzen in het studiegebied ............................................................................... 23 Kaart 4: Vergelijking tussen wegennetwerk OSM en EGM .................................................... 25 Kaart 5: Absoluut afstandsverschil analyse o.b.v. OSM – EGM ............................................. 38 Kaart 6: Procentueel afstandsverschil analyse o.b.v. OSM en EGM. ...................................... 38 Kaart 7: Afstandsanalyse van de Local Administrative Units ................................................. 40 Kaart 8: Gemiddelde afstand tot de 5 dichtstbijzijnde EMS-faciliteiten ................................. 43 Kaart 9: Gewogen gemiddelde nationale bereikbaarheid van dichtstbijzijnde EMS-faciliteit 44 Kaart 10: Aantal keer standaardafwijking dat afstand tot EMS afwijkt van het gemiddelde .. 47 Kaart 11: Gini-Coëfficiënt betreffende de bereikbaarheid van EMS ....................................... 48 Kaart 12: Service area's van EMS met als breaks 5, 10, 25, en 50 km. ................................... 54
LIJST MET TABELLEN Tabel 1: Niveau en aantal administratieve eenheden van landen binnen het studiegebied ...... 15 Tabel 2: Vergelijking aantal EMS faciliteiten volgens TomTom, JRC en WHO .................... 18 Tabel 3: Aantal EMS per oppervlakte (TomTom) en per 100 000 inwoners (TomTom en WHO) ....................................................................................................................................... 19 Tabel 4: Gemiddelde oppervlakte van LAU's .......................................................................... 22 Tabel 5: Gewogen gemiddelde afstand tot dichtstbijzijnde EMS ............................................ 45 Tabel 6: Bevolkingsdichtheid en bereikbaarheid per land ....................................................... 51
LIJST MET FIGUREN Figuur 1: Connectivity policy probleem bij EGM dataset ....................................................... 27 Figuur 2: Model bevolkingsdichtheid ...................................................................................... 29 Figuur 3: Model afstandsanalyse .............................................................................................. 32 Figuur 4: Model standaardafwijking ........................................................................................ 33 Figuur 5: Model service area’s ................................................................................................. 34 Figuur 6: Lorenz curve van Zweden om de GINI-coëfficiënt te bepalen ................................ 35 Figuur 7: Aantal LAU's voor elke klasse van afstandsverschil, procentueel en absoluut ........ 39 Figuur 8: Bevolking en oppervlakte voor elke afstandsklasse tot eerste 5 EMS ..................... 42 Figuur 9: Cumulatief inwoneraantal volgens ranking van bereikbaarheid van Spanje en Estland ...................................................................................................................................... 49 Figuur 10: Cumulatief inwoneraantal volgens ranking van bereikbaarheid van Slovakije en Groot-Brittannië ....................................................................................................................... 50 Figuur 11: Bereikbaarheid van EMS ten opzichte van de nationale bevolkingsdichtheid ....... 52 Figuur 12: Bereikbaarheid van EMS ten opzichte van bevolkingsdichtheidsklasse ................ 53 Figuur 13: Procentuele nationale oppervlaktes van service area's per bereikbaarheidsklasse . 55
IV
1. INLEIDING De opzet van dit onderzoek is om een algemeen beeld te kunnen geven van de bereikbaarheid van ziekenhuizen in Europa. Ondanks dat de Europese Unie de regio is met het hoogste Bruto Nationaal Product van de wereld zijn ziekenhuizen niet overal even toegankelijk of even dichtbij gelegen. Met de output van dit onderzoek is het de bedoeling verschillen op meerdere schaalniveaus bloot te leggen. De noodzaak aan evolutie in dit onderzoeksgebied ontstaat door verschillende factoren. In ontwikkelde gebieden overal ter wereld is de bevolking sneller en sneller aan het vergrijzen. Zo voorspelt onderzoek van Loo en Lam (2012) dat het percentage 65-plussers in Hong Kong zal groeien tot 15,9% in 2018 en zelfs 26,8% in 2033. In 2004 leed reeds 71,6% van de 60-plussers aan een chronische aandoening. Deze evolutie zal de lastdruk op de middelen in Emergency Medical Services (EMS) alleen maar vergroten. Naast de hogere druk wordt ook het onderhouden van deze diensten alsmaar duurder. De term bereikbaarheid omvat vele aspecten. Het kan uitgedrukt worden in afstandsmaten, in tijdseenheden, of ook in sociale toegankelijkheid. Het kwantificeren van deze term gebeurt dan ook niet altijd op dezelfde manier. De regelgevingen die hieruit volgen zijn dan ook zeer verschillend. In de VS bijvoorbeeld (volgens The United States Emergency Medical Services Act (Ball en Lin, 1993)) wordt als standaard genomen dat 95% van de oproepen in stedelijke gebieden binnen de 10 minuten bediend moet worden. Deze limiet ligt in landelijke gebieden op 30 minuten. Burkey et al. (2012) geven daarnaast een overzicht van enkele andere analysemethoden. Zo zijn er die zich bijvoorbeeld focussen op de verwachte langste bedieningstijd, afstand tot het huis van een patiënt, of de fairness van de dienstverlening (de variatie in kwaliteit en beschikbaarheid in verschillende regio's). Zijn conclusie is echter dat rittijden beter geschikt zijn om de bereikbaarheid te analyseren dan afstand. Op landelijke gebieden worden doorgaans hogere snelheden gemeten dan in stedelijke regio's, wat de afstandsresultaten zeer gevoelig maakt aan de omgeving. Er is reeds veel literatuur beschikbaar omtrent bereikbaarheids- en optimale locatie modellering. Toepassingen van deze modellen vinden vooral plaats bij case studies. Er is echter nog een grote leegte op grotere schaalniveaus. Het doel van dit onderzoek is dan ook om de situatie in kaart te brengen op een internationaal schaalniveau, meer bepaald het Europese werelddeel. Zeker in onze hedendaagse maatschappij waarin de Europese Unie een zeer prominente rol speelt is onderzoek op dit schaalniveau onontbeerlijk. 1
2. LITERATUURSTUDIE In deze sectie zal een overzicht gegeven worden van het reeds gevoerde onderzoek met betrekking tot de bereikbaarheid van ziekenhuizen. Een eerste luik zal de literatuur betreffende de verschillende aspecten van bereikbaarheid bespreken, namelijk afstand, verplaatsingstijd, en de sociale toegankelijkheid. Een tweede deel zal de evolutie van optimalisatiemodellen beschrijven. Deze evolutie loopt van deterministische modellen naar probabilistische modellen, gevolgd door als laatste de dynamische modellen. Nadien zal aangeraakt worden wat de voordelen van dit onderzoek zijn in dit vakgebied en wat deze in de toekomst kan betekenen voor beleidsmakers. 2.1 Afstand De bereikbaarheid van ziekenhuizen hangt zeer nauw samen met de spatiale component van de faciliteiten. Niet enkel de afstanden zijn belangrijk maar ook het tussenliggend wegennetwerk, natuurlijke barrières, kwaliteit van de wegen, ... Als voorbeeld kan het onderzoek door Iannoni et al. (2009) gegeven worden. Dat onderzoek wees erop dat de herverdeling van ambulances langsheen het studiegebied (stroken snelweg tussen São Paulo en Rio de Janeiro) kon zorgen voor een duidelijk snellere responstijd. De herverdeling bracht echter wel een groeiende oneven werklast met zich mee. Om de ideale locatie van een hospitaal te bepalen spelen verschillende spatiale factoren mee. Zo dienen patiënten vlotte toegang tot de faciliteiten te hebben, dokters willen aantrekkelijke werkplaatsen, politici willen uitstraling van hun projecten, ... (Burkey et al., 2012). Zelfs indien de locatie goed scoort op al deze voorwaarden is dit nog geen garantie dat ze ook ten volle gebruikt wordt; niet weinig potentiële gebruikers zullen het dichtstbijzijnde hospitaal overslaan ten koste van een verder afgelegen hospitaal. Zo hangt dit ook af van de ernst van de medische klacht; bij kleine problemen zal men sneller geneigd zijn genoegen te nemen met een dichtbijzijnd hospitaal terwijl men voor serieuze aandoeningen vaak verder reist naar een gespecialiseerde instelling (Hare en Barcus, 2007). Niet alleen de ernst van de aandoening kan het keuzegedrag van de patiënt beïnvloeden. Ook de benodigde sector zal daarin een rol spelen. De bereikbaarheid voor verschillende types van gezondheidszorg is verschillend, naargelang de noden van deze specifieke sector. Palliatieve zorgen zullen zich focussen op thuisverpleging en automatisch een oudere doelgroep hebben dan bijvoorbeeld EMS. 2
De verbeterde gezondheidszorg dient wereldwijd voor een groeiend aandeel ouderen te zorgen. Deze categorie heeft niet alleen noodzaak aan EMS, maar is vaak ook hulpbehoevend op andere vlakken. Palliatieve verzorging wordt aangewend wanneer genezing niet meer mogelijk is. Deze zorg omhelst fysieke, psychologische, of ook existentiële zorg. Wat bij palliatieve zorgverlening een groter probleem vormt dan bij traditionele EMS is de bereikbaarheid in landelijke en afgelegen gebieden. Als voorbeeld haalt Cinnamon et al. (2009) aan dat in het Canadese beleid van de provincie British Columbia opgenomen is dat palliatieve zorg van hoge kwaliteit moet plaatsvinden waar de patiënt woont, of indien onmogelijk zo dicht mogelijk bij de woonplaats van de patiënt. In de praktijk blijkt dit echter dat men er niet in geslaagd is deze zorg tot bij de patiënt te brengen. Stedelijke gebieden beschikken daarentegen wel over de nodige infrastructuur. Daarom oppert Cinnamon et al. (2009) de inplanting van secondary palliative care hubs. De locaties voor deze hubs werden berekend door middel van de Network Analyst Extension voor ArcMap (die ook in dit onderzoek aangewend zal worden). De problematiek van onbereikbaarheid van landelijke gebieden mag in dichtbevolkt België misschien minder aan de orde zijn; er zijn verschillende gebieden in Europa met een vergelijkbare rurale situatie als deze in British Columbia, Canada. 2.2 Verplaatsingstijd Wat naast afstand misschien nog belangrijker is voor EMS is de tijd die nodig is om tot bij een patiënt te geraken en eventueel terug naar het ziekenhuis te vervoeren. Op temporeel vlak is de bereikbaarheid opnieuw afhankelijk van verschillende factoren, die van ziekenhuis tot ziekenhuis anders zullen zijn. De tijd tussen het ontvangen van een noodoproep en het aankomen van een medisch interventieteam ter plekke wordt de responstijd genoemd. De responstijd is opgebouwd uit verschillende deeltaken (Schmid, 2012): de oproep komt toe bij een dispatcher, die alle relevante data noteert en de prioriteit van de oproep beoordeelt (dispatching time). Nadien alloceert de dispatcher een ambulance (indien één beschikbaar), waarna de bemanning zich klaarmaakt en zich begeeft naar de overeenkomstige plek (travel time). Alhoewel deze indeling algemeen zeer vaak gebruikt wordt is door Campbell et al. (1992) aan de responstijd nog een deeltaak toegevoegd: de tijd tussen het aankomen van de ambulance en het eerste contact met de patiënt. De resultaten lieten zien dat bij de aanwezigheid van barrières (verwijdering uit voertuig, afsluiten door politie, deuren of muren afbreken, weer, ... ) de mediaan steeg van 0,82 minuten tot 2,29 minuten om tot bij de patiënt te geraken.
3
Ondanks dat bovenstaande factoren directe invloed hebben op de responstijd van EMS, valt de invloed van indirecte factoren zeker niet te onderschatten. Zo kan de organisatiemanier van de EMS grondig verschillen onder invloed van verschillende beleidsmakers. Verschillende reglementeringen en subsidies kunnen de werking van de EMS sterk bevorderen of bemoeilijken. Schmid (2012) voerde een onderzoek in Australië naar de efficiëntste wijze om ambulances te dispatchen en te herpositioneren. Omdat het in Australië wetmatig verboden is ambulances zonder opdracht te verplaatsen is de herpositionering (na een afgehandelde oproep) van groot belang. De resultaten van haar testen duiden op een daling van gemiddeld 12,89% in responstijd in vergelijking met de responstijden volgens de huidige politiek. De belangrijke invloed van de reglementering komt sterk naar voor in Church en Baker (1998). Zij onderzochten de regionalisatie van de gezondheidszorg in Canada. Om de stijgende kosten tegen te gaan is een algemene trend van herstructurering te merken waarbij de autoriteit en verantwoordelijkheid van provinciale naar regionale jurisdicties verhuist. Als gevolg daarvan
wordt
geprobeerd
de
gezondheidszorg te
centraliseren,
om
zo
schaaleconomieën te verkrijgen. Gezien ziekenhuizen de duurste component zijn zullen deze het ergst te lijden hebben onder besparingen (Barer et al., 2003). Voornamelijk de kleinere ziekenhuizen in rurale gebieden worden getroffen door sluiting, ondanks dat deze gebieden soms het moeilijkst te bereiken zijn (Liu et al., 2001). Om de gevolgen van deze beleidsmaatregelen te analyseren kan gebruikt gemaakt worden van één van de vele spatial analysis methoden die GIS rijk is. Eén daarvan is de floating catchment area method (FCAM). Deze berekent voor elke institutie een verzorgingsgebied (catchment area). Dit gebied is een geografisch oppervlak waarin zich de bevolking bevindt die gebruik maakt van de institutie. Deze methode is veel minder beschreven in de literatuur dan deze betreffende de toegankelijkheid van medische zorgverlening (Schuurman et al., 2006).
Het
grote
voordeel
van
de
FCAM
ten
opzichte
van
de
traditionele
bereikbaarheidsmethodes is dat FCAM geen gebruik maakt van administratieve grenzen als basis voor ruimtelijke eenheden. Administratieve grenzen laten geen variaties toe binnen één eenheid. FCAM daarentegen zal bevolkingsdata van een veel kleinere eenheid afleiden, in de VS bijvoorbeeld volgens het census district. Rond het centroïd van een census district wordt een cirkel getrokken die dan als basis zal dienen voor de ruimtelijke eenheden. Binnen deze cirkels kan dan bijvoorbeeld de ratio berekend worden tussen de bevolking en aanwezige dokters (Luo, 2004).
4
Een uitbreiding op de FCAM werd beschreven door Luo en Qi (2009). Zij implementeerden verschillende reistijdzones waaraan gewichten gekoppeld werden. Dit model wordt de enhanced two-step floating catchment area method (E2SFCAM) genoemd. De gewichten kunnen verschillen naargelang de probleemstelling. Zo zal voor zorgverlening voor kankerpatiënten men bereid zijn verder te rijden (gewicht verandert weinig met de afstand) dan wanneer men een apotheek zoekt (gewicht verandert sterk met de afstand). De resultaten van deze methode zijn consistenter met intuïtie en wijzen duidelijker op gebieden met tekorten. Ook de vlotte implementatie in GIS en duidelijke interpretatie zijn voordelen van deze methode. 2.3 Sociale toegankelijkheid Bereikbaarheid van ziekenhuizen wordt niet alleen bepaald door spatiotemporele factoren, maar kent ook sociale aspecten. Patiënten kunnen er bijvoorbeeld voor kiezen om niet de dichtste faciliteit te kiezen omdat een verder afgelegen instelling bijvoorbeeld beter aansluitende zorgverlening toedient. Zo kunnen ook raciale of religieuze overtuigingen deze keuzes beïnvloeden (Burkey et al., 2012). Veel meer dan bij acute gezondheidszorg zijn mensen bereid om bij preventieve gezondheidszorg een schijnbaar suboptimale spatiotemporele keuze te maken qua faciliteit. Wat hier minstens even belangrijk is is de gepercipieerde toegankelijkheid. Het succes van preventieve gezondheidszorg hangt voor een groot deel samen met de snelheid waarmee men ziektes kan diagnosticeren. Het is belangrijk dat faciliteiten voor preventieve gezondheidszorg zo toegankelijk mogelijk zijn voor het publiek. Hoe toegankelijker de faciliteiten, hoe sneller een cliënt zich preventief zal laten screenen (Zimmerman, 1997). Onderzoek van Facione (1999) wees er bijvoorbeeld op dat wanneer men de perceptie heeft van een gebrek aan toegankelijkheid van de faciliteiten er een daling van de mammografieparticipatie plaatsvindt. Currie en Reagan (2003) onderzochten dit fenomeen voor preventieve zorg bij kinderen. Het resultaat was dat de kans dat ze een een checkup gekregen hadden met 3% daalde per mijl dat ze verder verwijderd waren van een hospitaal. De noden van preventieve gezondheidszorg verschillen danig van deze van acute gezondheidszorg. Daardoor zal ook de methodologie om de optimale locatie te bepalen significant verschillen. Bij preventieve gezondheidszorg zal er niet steeds naar de dichtstbijzijnde locatie gezocht worden, maar kan een andere locatie (binnen aanvaardbare 5
afstand) gekozen worden omdat deze beter aansluit bij bijvoorbeeld het dagelijks spatiaal patroon (Gu et al., 2010). 2.4 Optimalisatie Het onderzoek naar modellering en analyse van locatieproblemen heeft reeds een lange weg afgelegd. ReVelle et al. (1977) onderzochten de literatuur omtrent EMS-locatieanalyse die voorgaande jaren uitgebracht was. Zij valideerden de bruikbaarheid van contextvrije modellen voor EMS-locatieanalyses. Het was duidelijk merkbaar dat de doelstellingen van de beleidsmakers zeer goed passen in het maximal covering model. Optimale locatie-modellen zouden een goede symbiose hebben met EMS-onderzoek; een bevinding die vele jaren later nog steeds niet achterhaald is. Marianov en ReVelle (1995) geven in een later overzicht nog eens een opening voor verder onderzoek, dit keer richting dynamische modellen: ‘‘rarely have ambulances been positioned at free standing stations’’ (p. 223). Brotcorne et al. (2003) geven een overzicht van de evolutie van locatiemodellen voor ambulances. Er zijn drie soorten modellen: deterministische, probabilistische, en dynamische modellen. Deterministische modellen maken geen gebruik van stochastische overwegingen in verband met de beschikbaarheid van ambulances. Deze worden aangewend in de voorafgaande planning. Probabilistische modellen houden er echter wel rekening mee dat ambulances niet altijd een oproep kunnen beantwoorden en dat er een wachtrij-systeem aanwezig is. Dynamische modellen op hun beurt hebben de bedoeling ambulances te herpositioneren doorheen de dag. Deze laatste categorie bevat de recentste ontwikkelingen in het onderzoek. De korte hieropvolgende bespreking van de modellen heeft niet het opzet een inventarisatie te zijn, doch wel een korte inleiding van de eigenschappen van de verschillende categorieën. (Voor een volledige lijst van modellen, zie: Brotcorne et al. 2003). Deze modellen zijn allen bedoeld om een optimale locatie te genereren. Ze vallen dan ook onder de categorie van de optimalisatieproblemen. Een andere catogerie van modellen focust zich niet op het vinden van de optimale locaties, maar op de analyse van de bereikbaarheid van bestaande faciliteiten. Onder deze categorie vallen de eerder besporken floating catchment area methods. Deze categorie van de bereikbaarheidsproblemen dient zich beter tot analyseren van tekortkomingen in de huidige situatie.
6
2.4.1 Deterministische modellen Een voorbeeld van een van de eerste modellen voor het statisch ambulance locatieprobleem is het Location Set Covering Model (LSCM) door Toregas et al. (1971). Het model is bedoeld om met een minimaal aantal ambulances alle demand points te bezetten. De groep demand points wordt verzameld in V. De groep potentiele locatiesites voor ambulances wordt genoteerd als W. Een demand point 𝑖 ∈ 𝑉 wordt gedekt door een site 𝑗 ∈ 𝑊 als en alleen als 𝑡𝑖𝑗 ≤ 𝑟 (𝑡𝑖𝑗 is de kortste reistijd tussen vertex i en vertex j, r is een vooropgestelde dekkingsstandaard). Nadien wordt 𝑊𝑖 = {𝑗 ∈ 𝑊: 𝑡𝑖𝑗≤𝑟 } de set van mogelijke locaties die het demand point i bedekken. LSCM: 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 ∑ 𝑥𝑗 𝑗∈𝑊
subject to ∑ 𝑥𝑗 ≥ 1 (𝑖 ∈ 𝑉), 𝑗∈𝑊𝑖
𝑥𝑗 ∈ {0,1}
(𝑗 ∈ 𝑊).
Wat dit model echter niet in rekening brengt is dat wanneer een ambulance toegewezen wordt aan een oproep sommige andere demand points niet meer gedekt worden. Het geeft echter wel een goed beeld van het minimale aantal ambulances benodigd om volledige dekking te garanderen (Brotcorne et al., 2003). 2.4.2 Probabilistische modellen Eén van de eerste probabilistische modellen is het Maximum Expected Covering Location Problem (MEXCLP) door Daskin (1983). In dit model wordt rekening gehouden met een probabiliteit q. Deze factor is voor elke ambulance gelijk en wordt de busy fraction genoemd. Het geeft de kans weer dat een ambulance niet in staat is een oproep te beantwoorden. De busy fraction kan berekend worden door de totale tijd aan oproepen te delen door het aantal beschikbare ambulances. Wanneer vertex 𝑖 ∈ 𝑉 gedekt wordt door k ambulances, zal de overeenkomstige verwachte dekkingsgraad zijn: 𝐸𝑘 = 𝑑𝑖 (1 − 𝑞 𝑘 ). De marginale waarde van de k-de ambulance wordt dan weergegeven door: 𝐸𝑘 − 𝐸𝑘−1 = 𝑑𝑖 (1 − 𝑞)𝑞 𝑘−1 . 7
MEXCLP: 𝑝
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑒 ∑ ∑ 𝑑𝑖 (1 − 𝑞)𝑞 𝑘−1 𝑦𝑖𝑘 𝑖∈𝑉 𝑘=1
subject to 𝑝
∑ 𝑥𝑗 ≥ ∑ 𝑦𝑖𝑘 𝑗∈𝑊𝑖
(𝑖 ∈ 𝑉),
𝑘=1 𝑝
∑ 𝑥𝑗 ≤ 𝑝, 𝑗∈𝑊
𝑥𝑗 𝑖𝑛𝑡𝑒𝑔𝑒𝑟 (𝑗 ∈ 𝑊), 𝑦𝑖𝑘 ∈ {0,1} (𝑖 ∈ 𝑉, 𝑘 = 1 , . . . , 𝑝). Een toepassing van MEXCLP kan gevonden worden in Fujiwara et al. (1987). De onderzoekers analyseerden de situatie in Bangkok met als parameters V = 59, W = 46 en 10 ≤p≤ 30. Er werd geconcludeerd dat wanneer het aantal ambulances van 21 (reële situatie) naar 15 verminderd werd er nog steeds een vergelijkbare dekkingsgraad en responstijd verkregen kon worden. 2.4.3 Dynamische modellen Om steeds een zo groot mogelijke dekking te garanderen dienen voertuigen gedurende de dag geherpositioneerd te worden. De eerste die dit probleem beschreven waren Kolesar en Walker (1974). Zij onderzochten de herallocatie voor brandweerdiensten in New York City. Hun systeem liet de dispatcher weten indien er buurten waren die ongedekt bleven, waarna een aanbeveling voor herallocatie gemaakt werd. Ambulancediensten dienen echter vaker en op kortere termijn geherpositioneerd te worden, wat dit probleem ingewikkelder maakt. Technologische vooruitgang heeft ervoor gezorgd dat deze problemen real-time berekend kunnen worden. Het eerste model met betrekking tot ambulances is ontwikkeld door Gendreau et al. (2001). Het maakt gebruik van drie overwegingen: 1) twee opeenvolgende deployments kunnen niet altijd aan hetzelfde voertuig gegeven worden; 2) herhaalde trips tussen dezelfde twee locaties dienen vermeden te worden; 3) lange trips tussen startlocatie en bestemming moeten vermeden worden. Dit oplossing van dit model kan nadien berekend 8
worden op elke instantie t wanneer een oproep geregistreerd is. Bijna alle variabelen, parameters, en constraints komen overeen met deze in het statische model, met dit verschil dat hier het dynamische aspect verkregen wordt met een tijdsafhankelijke constante 𝑀𝑗𝑙𝑡 , die de herpositioneringskost weergeeft op tijd t van ambulance l van de huidige site naar de nieuwe site 𝑗 ∈ 𝑊. Dit model heet Dynamic Double Standard Model op tijd t (DDSMt). Voor een diepgaandere analyse van deze materie zie Brotcorne et al.(2003). De voorgaande paragrafen lieten zien dat de modellen steeds complexer maar ook realistischer worden. Een voorbeeld van een interessante uitbreiding op deze modellen werd gegeven door Blackwell en Kaufman (2002). Zij waren de eersten die in hun onderzoek de ernst van de oproepen in rekening brachten. Het resultaat van hun onderzoek was dat er bij responstijden van minder dan 5 minuten een duidelijk grotere overlevingskans genoteerd werd dan wanneer de responstijd de 5-minutengrens overschreed. Bij responstijden boven de 5 minuten werd er geen voordeel gehaald bij tijdswinst. De curve van sterfterisico is in deze categorie quasi vlak. Deze nieuwe bevindingen zijn noodzakelijk om de dienstverlening modern en dynamisch te houden. Naast de evolutie in modellering heeft de tijd op het terrein zeker ook niet stil gestaan. De hedendaagse EMS-systemen zijn ook sterk geëvolueerd in vergelijking met deze 10 tot 20 jaar geleden. Toen bestond de prehospitale behandeling quasi enkel uit het toedienen van basic life support (BLS), terwijl er nu gebruikt gemaakt kan worden van geavanceerde interventies (advanced life support) onder invloed van technologische vooruitgang (Pons et al., 2005). De opdeling tussen BLS en ALS bestaat nu nog steeds, het vertaalt zich in verschillende types ambulances die eventueel aan verschillende soorten oproepen gekoppeld worden. In de evolutie is een steeds groter wordende invloed van GIS te merken. Momenteel is het gebruik van Geografische Informatie Systemen (GIS) wijdverspreid in onderzoek naar EMS. De mogelijkheid om data te analyseren en te visualiseren zorgt ervoor dat GIS een platform kan bieden voor een systeem van beslissingsondersteuning (Hanson, 2012). 2.4.4 Voordelen van optimalisatie van de bereikbaarheid Het onderzoek naar de bereikbaarheid van ziekenhuizen en daaraan gekoppelde responstijd na oproepen is van vitaal belang. Peleg et al. (2003) wezen bijvoorbeeld op de voordelen van optimalisatie van de responstijden. Naast uiteraard het vergroten van de overlevingskansen bij een snellere toediening van de eerste hulp en snellere spoedopname worden de gebruikte 9
ambulances ook sneller opnieuw inzetbaar voor volgende oproepen. Verder zijn EMS systemen ook vrij kostelijk om operationeel te houden, dus kan men de kosten verlagen doordat men minder uren personeel, ambulances, materieel, … nodig heeft. Maar misschien wel de voornaamste reden ter optimalisatie is dat er mensen gered worden. Belangrijk daarbij is het onderzoek door Sasaki et al. (2010) wat stelt dat het sterfterisico vooral gevoelig is bij responstijden onder de 4 tot 5 minuten. Na deze limiet worden betere responstijden niet geassocieerd met hogere overlevingskansen. De cruciale responstijd ligt bij ernstige oproepen dus op minder dan 5 minuten. De positionering van ambulances dient volgens Sasaki et al. (2010) zo te gebeuren dat de catchment-area van 5 minuten zo groot mogelijk is. Ook Pons et al. (2005) komen tot deze conclusie: in tegenstelling tot de vaak gehanteerde EMSkwaliteitsgrens van een responstijd van 8 minuten werd bij een responstijd van minder dan 4 minuten wel een hogere overlevingskans vastgesteld. 2.4.5 Toekomst De locatie van ziekenhuizen en ambulanceposten is zeker geen statisch gegeven. Zelfs indien de locaties volledig volgens wetenschappelijke analyses zouden vastgelegd worden zal er nog steeds geen optimale EMS aanwezig zijn. Dit enerzijds doordat er, ondanks de groeiende complexiteit en nauwkeurigheid van de huidige voorspellingsmodellen, steeds een random factor in rekening gebracht moet worden. Anderzijds zorgen ook veranderende sociale, politieke, en demografische aspecten voor een wijzigende situatie. Onderzoek door Sasaki et al. (2010) wees erop dat de huidige optimale plaatsen verschillend kunnen zijn van deze in de toekomst. De beschikbaarheid van toekomstmodellen omtrent dit onderwerp stelt ruimtelijke planners en beleidsmakers in staat reeds preventief rekening te houden met de toekomstige noden.
10
2.5 Probleemstelling Over de hele wereld zijn reeds vele onderzoeken gevoerd omtrent optimalisatieproblemen en bereikbaarheidsproblemen. Quasi al deze onderzoeken zijn case studies of vinden plaats op een beperkt schaalniveau. Het aanbod aan studies met het opzet om een overzicht te kunnen bieden is uiterst schaars, zeker in Europa. In tegenstelling tot de VS of Canada kent Europa op een relatief kleine oppervlakte zeer veel verschillende landen met elk verschillende regels, wetten, data, inventarisaties, ... Dit heeft er voor gezorgd dat het lange tijd quasi onmogelijk was grensoverschrijdend onderzoek te voeren. Het is pas recent, met de ontwikkeling van nieuwe datasets, dat er gewerkt kan worden over de grenzen heen. De aanwezigheid van studies op een groter schaalniveau maakt het mogelijk om case studies te plaatsen in een groter geheel. De noodzaak aan onderzoek naar EMS kan verschillende oorzaken hebben. Beleidsvoerders kunnen bijvoorbeeld vragen hebben bij de optimale inplanting van EMS wanneer ze slechts over een beperkte hoeveelheid middelen beschikken (optimalisatieproblemen). Evoluerende gemeenschappen kennen ook evoluerende noden. Om de gezondheidszorg kwaliteitsvol te houden dient deze zich aan te passen aan de verschuivende noden van de samenleving. Onderzoek dat zich eerder richt op de ontwikkeling van nieuwe modellen en algoritmes ontstaat minder vanuit korte termijnvragen maar is daarom niet minder noodzakelijk. De continue ontwikkeling van nieuwe technologieën en technieken zorgt ervoor dat er meer en meer data sneller verwerkt kan worden. Daardoor kunnen bestaande modellen verfijnd worden zodat deze beter bij de realiteit aansluiten. Realistischere modellen geven beter de optimale locaties weer waardoor er opnieuw geld- en tijdswinst geboekt kan worden. Het is in ieders voordeel dat ziekenhuizen zo bereikbaar mogelijk zijn en dat de EMSsystemen geoptimaliseerd worden. Rijk en arm, oud en jong, iedereen heeft er baat bij om bij (acute) ziekte zo snel mogelijk hulp te krijgen. Dat zorgt ervoor dat onderzoek naar EMS over de hele wereld van belang is. Veel modellen zijn (mits soms enkele aanpassingen ten gevolge van het lokale beleid) overal toepasbaar.
11
2.6 Doelstelling Het doel van dit onderzoek is om een algemeen beeld te kunnen geven van de bereikbaarheid van ziekenhuizen in Europa. Op die manier hebben lokale case studies de mogelijkheid zich te spiegelen aan een groter schaalniveau. Dit kan ten goede komen voor de analyse van mogelijke pijnpunten en oplossingen. De doelstelling is ook om in dit overzicht een vergelijking tussen landen te kunnen maken. Deze resultaten kunnen gebruikt worden voor analyse waaraan de lokale situatie en/of beleid gekoppeld kan worden. Naast de inhoudelijke doelstellingen is deze studie ook een peiling naar de mogelijkheid van onderzoek op dit schaalniveau. De bruikbaarheid, zowel inhoudelijk als technisch, van verschillende datasets en methodes zal getest worden. Deze kennis kan gebruikt en verfijnd worden voor toekomstig onderzoek omtrent dit onderwerp. 2.7 Onderzoeksvragen en hypotheses 2.7.1 Onderzoeksvragen De onderzoeksvragen waarop in deze thesis geoogd zal worden een antwoord op te vormen zijn: (I) Wat is de situatie betreffende de bereikbaarheid van EMS in Europa? (II) Wat zijn de verschillen tussen Europese landen en regio’s op vlak van de bereikbaarheid van EMS? (III) Wat zijn de voornaamste oorzaken van deze verschillen? 2.7.2 Onderzoekshypotheses De hypotheses die hiervoor aangewend zullen worden zijn: (I) De bereikbaarheid is beduidend hoger in (dichtbevolkte) stedelijke gebieden dan in rurale streken (Hare & Barcus, 2007). (II) De bereikbaarheid in landen met een traditioneel gepercipieerde 'sterke' gezondheidszorg (bijvoorbeeld Scandinavische landen) is beter dan die in landen met een kwalitatief 'mindere' gezondheidszorg (bijvoorbeeld Zuiderse landen als Portugal en Griekenland). 2.8 Structuur Deze masterscriptie is opgebouwd met als doel om iedere lezer een logisch pad voor te stellen van onderzoeksopzet tot discussie van de resultaten. De achtergrond stelt de lezer in staat zich een goed georiënteerd beeld te vormen van het onderzoekslandschap betreffende deze materie. De probleemstelling tracht dit onderzoek te plaatsen in de ruimere visie van het 12
onderwerp, terwijl de doelstelling en onderzoeksvragen specifiek de vooropgestelde objectieven van dit onderzoek verwoord. Het onderdeel Methoden en materialen behandelt de oorsprong van de gebruikte data en ook op welke manier deze data verwerkt wordt om zo een sluitende output te bekomen. Gezien deze twee aspecten een belangrijke rol spelen bij de vorming van de resultaten van de analyse zullen deze grondig besproken worden. Vervolgens zal in het onderdeel resultaten eerst de impact van het gebruik van de EuroGlobalMap (EGM) dataset ten opzichte van de OpenStreetMap (OSM) dataset geanalyseerd worden. Nadien worden de absolute afstanden tot EMS voor het studiegebied besproken. Daarna wordt er ook op de spreiding van de waarden gefocust, gebruik makend van de standaardafwijkingen en de GINI-coëfficiënt. Er wordt onderzocht naar de samenhang van bevolkingsdichtheid en de bereikbaarheid en om een vergelijking te kunnen voorzien worden ook service area’s van de EMS weergegeven. De bespreking van deze resultaten zal gebeuren in het onderdeel Discussie. Tot slot zal er een besluit geformuleerd worden met openingen voor toekomstig onderzoek.
13
3. METHODEN EN MATERIALEN 3.1 Inleiding Dit onderzoek heeft als doelstelling de bereikbaarheid van ziekenhuizen in Europa te analyseren met behulp van een GIS. Europa is opgebouwd uit 51 verschillende landen, met elk hun verschillende wetten en regels. Gezien de grote verscheidenheid aan bronnen is een van de belangrijkste taken het bekomen van een betrouwbare en uniforme output. Omwille van de verschillende standaarden en middelen tussen Europese landen onderling werden sommige landen weggelaten in de analyse. Daarnaast is de kwaliteit van de analyse natuurlijk onlosmakelijk verbonden aan de kwaliteit van deze beschikbare data. De analyse baseert zich op drie basispijlers: EMS-facilities, LAU´s, en het wegennetwerk. Het wegennetwerk vormt de basis voor de Network Dataset die door de Network Analyst-extensie van ArcGIS gebruikt zal worden om de routering uit te voeren. Het netwerk dat in dit onderzoek gebruikt wordt is dit van EuroGlobalMap. De Network Analyst zal een OD-Cost (Origins – Destinations) matrix opstellen. Deze minimaliseert de kost van origin naar destination. In deze analyse worden de origins gevormd door de gewogen centroïden (op basis van beolkingsspreiding) van de polygonen die de LAU’s weergeven. De destinations bevatten de EMS-facilities, zoals terug te vinden in de Points-Of-Interest dataset van TomTom. Gezien de omvangrijke datasets werd de netwerkanalyse voor elk land afzonderlijk uitgevoerd. Daarvoor werd een model gecreëerd met behulp van de ModelBuilder van ArcGIS. 3.2 Afbakening studiegebied Het opzet van dit onderzoek was een zo compleet mogelijk beeld te kunnen geven van de bereikbaarheid van ziekenhuizen in Europa. Net zoals dit werelddeel is de beschikbare data een verzameling resulterend uit complexe en onderling verschillende regelgevingen, bestuurswijzen, en gemeenschappen. Overkoepelende instanties met op kop de Europese Unie zorgen voor een toenemende standaardisatie. Deze evolutie zorgt voor veel nieuwe mogelijkheden. De basis voor deze instanties wordt echter nog steeds gevormd door de landen afzonderlijk en voor veel zaken zijn er nog steeds grote verschillen tussen data-kwaliteit, aanbod, en beschikbaarheid.
14
De afbakening van het studiegebied hangt onlosmakelijk verbonden met de aanwezige EMSdata. De dataset van TomTom betreffende de EMS-facilities is bijvoorbeeld niet representatief voor de reële situatie in de meeste landen van de Balkan en Oost-Europa. Omwille hiervan werden deze landen verwijderd uit de analyse. De Europese landen die weerhouden werden zijn weergegeven in tabel 1. De situering is terug te vinden op kaart 1. Tabel 1: Niveau en aantal administratieve eenheden van landen binnen het studiegebied
Land België Bulgarije Denemarken Duitsland Estland Finland Frankrijk Griekenland Hongarije Ierland Italië Kroatië Letland Litouwen Luxemburg Nederland Noorwegen Oostenrijk Polen Portugal Slovenië Slowakije Spanje Tsjechië Verenigd Koninkrijk Zweden Zwitserland
Niveau LAU 2 LAU 1 LAU 1 LAU 2 LAU 2 LAU 2 LAU 2 LAU 2 LAU 1 LAU 2 LAU 2 LAU 2 LAU 1 LAU 1 LAU 2 LAU 2 LAU 2 LAU 2 LAU 1 LAU 2 LAU 2 LAU 1 LAU 2 LAU 1 LAU 2 LAU 2 LAU 2
Aantal 589 263 244 11447 4658 434 36594 7189 168 3153 7989 526 26 48 139 484 416 2103 376 4095 192 79 8289 98 10799 285 2794
Bron GADM GADM GADM Zensusdatenbank GADM GADM GADM GeoData Greece GADM Central Statistics Office Ireland GADM GADM GADM GADM GADM GADM GADM CKAN Land Kärnten GADM GADM GADM GADM GADM GADM Office for National Statistics/Census GADM GADM
Bron: eigen verwerking
15
Kaart 1: Situering studiegebied en niveau van detail Bron: GADM, eigen verwerking
Het coördinatensysteem dat gebruikt zal worden voor de weergave is WGS 84/UTM zone 32N (EPSG:32632). Deze strook loopt verticaal door centraal Duitsland. Deze centrale ligging in Europa maakt dit coördinatensysteem uiterst geschikt voor de presentatie van gegevens in Europa.
16
3.3 Input datasets 3.3.1 Ems-facilities Om de ziekenhuizen in Europa in kaart te brengen werd gebruikt gemaakt van de TomTom1 POI-dataset. Uit de attributentabel gelinkt aan deze puntenlaag werden de records gefilterd met SUBCAT-code 7321001/7321002 (General or unspecified Hospital/Polyclinic), of FEATTYP-code 7391 (Emergency Medical Service). Deze laatste categorie (FEATTYP: 7391) omvat een Grieks netwerk genaamd National Instant Aid Centre (http://www.ekab.gr). Dit netwerk bevat standplaatsen van ambulancewagens en – helikopters, met als doel snellere en betere gezondheidsdiensten te kunnen leveren. Gezien deze snelle interventiediensten ook medisch personeel aan boord hebben en zo ook bijdragen aan de toegankelijkheid van EMS werd deze categorie weerhouden. SUBCAT-codes onder de FEATTYP-code 7321 (Hospital/Polyclinic) die niet weerhouden werden zijn: 7321003 (Special), 7321004 (Hospital of Chinese Medicine), en 7321005 (Hospital for Women and Children). De betrouwbaarheid van de TomTom-dataset is echter niet eenduidig te meten. De gezondheidszorg in Europa is op nationaal niveau gereguleerd en kent een groot aantal verschillende systemen. De systemen kunnen steunen op belastinggeld of op sociale bijdragen, of een combinatie hiervan. Een indicatie kan gegeven worden door de data te vergelijken met deze gepubliceerd in rapporten uitgegeven door Europese instanties. Deze tellingen zijn allen onderhevig aan de gehanteerde definities en kunnen verschillen naar gelang de geselecteerde systemen. In tabel 2 worden de aantallen weergegeven zoals gepubliceerd in World Health Organization (WHO), European Health for All database (2007) en Joint Research Centre (JRC) European Hospital Survey (2013). Het JRC gebruikt als definities voor de Acute Care Hospitals: I. II.
Respondents consider that the hospital is an acute or general hospital; or The hospital has an emergency department, and at least one of the following: a. a routine and/or life-saving surgery operating room; and/or b. an intensive care unit.
Het WHO hanteert als definitie voor hospital: “A hospital is a residential establishment equipped with inpatient facilities for 24-hour medical and nursing care, diagnosis, treatment and rehabilitation of the sick and injured, usually for both medical and surgical conditions, and staffed with professionally trained 1
MultiNet® EUR 2013.03, March 15, 2013
17
medical practitioners, including at least one physician. The hospital may, but does not need to, also provide services on an outpatient basis. The number of hospitals includes: general, specialized, acute care and long-stay hospitals. The number of hospitals excludes: balneological institutes, health resorts, sanatoria, nursing homes for the physically and mentally disabled, homes for the elderly (i.e. establishments providing principally custodial care), day centres, day hospitals. Variations in interpreting the meaning of nursing home' are a major source of differences between countries in the content of data on hospitals. Whenever possible, it is recommended to make a distinction between institutions providing principally nursing care (`nursing hospitals') and those providing principally custodial care (nursing homes). In the former case the establishment should be counted as a hospital, while in the latter case it should not.” Deze definitie selecteert naast de acute care hospitals ook general, specialized, en long-stay hospitals. Daarnaast geeft ze ook aan dat de internationale verschillen in interpretaties een belangrijke invloed in de aantallen kunnen hebben. Tabel 2: Vergelijking aantal EMS faciliteiten volgens TomTom, JRC en WHO
Land
EMS TomTom (2013)
België Bulgarije Denemarken Duitsland Estland Finland Frankrijk Griekenland Hongarije Ierland Italië Kroatië Letland Litouwen Luxemburg Nederland Noorwegen Oostenrijk Polen Portugal Slovenië Slowakije Spanje Tsjechië Verenigd Koninkrijk Zweden Zwitserland Bron: JRC, WHO, eigen verwerking
EMS JRC (2012)
EMS WHO (2004)
194 127 40 1415 86 51 1530 746 117 48 789
120 109 54 1295 25 46 997 120 102 42 497
210 260 70 3460 50 370 2890 320 180 180 1295
99 132 209 15 166 63 153 557 169 31 186 608 383
22 32 63 7 114 28 132 459 73 14 72 478 142
no data
992 80
102 78 no data
no data
203
120 180 15 200 no data 270 845 210 30 145 740 360 80
no data
18
De cijfers weergegeven in tabel 2 duiden op een grotendeels consistente dataset van TomTom. In quasi alle gevallen liggen de aantallen van TomTom in de grootteorde van de aantallen die door JRC of WHO bekomen werden. Een deel van de dataset kan gekaderd worden in de ruimere definitie van het WHO, het andere deel in de engere definitie van het JRC. Het onderscheid dat JRC hanteert is niet aanwezig in de dataset van TomTom, wat er voor zorgt dat niet specifiek deze definitie gevolgd kan worden. De uitzondering wordt gevormd door Griekenland. De aantallen weerhouden EMS faciliteiten van Griekenland liggen enkele malen hoger dan de verwachte aantallen van het WHO en JRC. De extra locaties van het EKAB-systeem verhogen dit aantal, doch deze zijn niet van die hoeveelheid (ongeveer 20 locaties) om deze aantallen te kunnen verklaren. Tabel 3: Aantal EMS per oppervlakte (TomTom) en per 100 000 inwoners (TomTom en WHO)
Land
EMS per 100 km²
België 63,21 Bulgarije 10,96 Denemarken 9,32 Duitsland 39,57 Estland 18,31 Finland 1,50 Frankrijk 27,74 Griekenland 54,62 Hongarije 12,40 Ierland 6,67 Italië 26,20 Kroatië 17,48 Letland 19,97 Litouwen 31,46 Luxemburg 58,05 Nederland 46,36 Noorwegen 1,95 Oostenrijk 18,16 Polen 17,65 Portugal 17,44 Slovenië 15,12 Slowakije 37,48 Spanje 11,66 Tsjechië 48,41 Verenigd Koninkrijk 39,95 Zweden 1,79 Zwitserland 48,93 Bron: TomTom, WHO, eigen verwerking
EMS per 100.000 inw (TomTom) 1,74 1,74 0,71 1,76 6,51 0,94 2,33 6,79 1,18 1,05 1,32 2,32 6,52 7,03 2,79 0,99 1,25 1,81 1,46 1,61 1,51 3,44 1,30 3,64 1,55 0,84 2,53
EMS per 100.000 inw (WHO) 1,99 4,60 no data 4,02 4,48 5,62 4,92 2,81 1,75 3,98 2,08 no data 3,88 3,36 no data 1,11 1,38 3,20 2,16 1,78 1,42 2,55 1,68 2,44 no data no data 4,23
19
Zoals reeds aangehaald in de afbakening van het studiegebied bevat de dataset onvoldoende betrouwbare data voor de Balkanregio (met uitzondering van Kroatië, Griekenland, en Bulgarije) en Roemenië. Op kaart 2 is de locatie weergegeven van de weerhouden EMS faciliteiten.
Kaart 2: Situering EMS faciliteiten Bron: eigen verwerking, TomTom (2013)
20
3.3.2 Administratieve grenzen De af te leggen afstand naar het dichtstbijzijnde hospitaal wordt telkens vanuit het gewogen centroïd van elke polygon berekend. Daarom is het belangrijk de polygonen zo klein mogelijk te kunnen maken zodat de analyses zo representatief mogelijk zijn voor de realiteit. Als uitgangspunt voor deze polygonen werd naar de LAU Level 2 (Local Administrative UnitLevel 2) gestreefd. De opdeling in LAU’s gebeurt niet in elk land op dezelfde manier, maar wordt vaak gevormd door municipalities of gelijkaardige eenheden. De Europese Unie stelt enkel shapefiles ter beschikking van NUTS-levels (Nomenclature of Territorial Units for Statistics). Voor de LAU-levels maakt de EU gebruik van de dataset van eurogeographics.org. 3.3.2.1 Eurogeographics Eurogeographics is een European National Mapping Agency en zorgt voor een eenduidig aanspreekpunt voor overheden, de bedrijfswereld, en burgers door producten en diensten te bundelen. Naast EGM biedt Eurogeographics ook de EuroBoundaryMap aan, die voor elk land de administratieve eenheden tot op LAU level 2 bevat. Deze dataset wordt door de Europese instanties gebruikt voor de presentaties van hun kaartmateriaal, doch is in tegenstelling tot EGM niet gratis beschikbaar. Een enkelvoudige licentie voor EBM kost minimaal €6000. 3.3.2.2 Global Administrative Areas Als alternatief werd gezocht naar open source datasets betreffende de lokale administratieve grenzen. Een groot deel van Europa (voornamelijk West-Europa) is gratis terug te vinden op gadm.org. GADM (Global Administrative Areas) bevat een database die de administratieve grenzen in de hele wereld ter beschikking stelt voor gebruik in GIS-software. Voor ongeveer twee derde van de landen in het studiegebied bezit deze dataset de grenzen van de LAU level 2 eenheden. 3.3.2.3 Andere bronnen betreffende nationale geodata Voor de andere delen van Europa zijn de lokale grenzen niet zo evident terug te vinden. Op gouvernementele websites is soms de nodige geodata voorhanden, doch voornamelijk voor Oost-Europese landen is dit aanbod nog zeer beperkt. Door deze restricties konden niet alle landen op LAU Level 2 geanalyseerd worden. Een overzicht van het niveau per land wordt weergegeven in tabel 1. Deze tabel geeft ook de instantie die de dataset ter beschikking stelt. 21
Zoals hierboven vermeld werden de shapefiles voor het merendeel van de landen verkregen via de GADM database, versie 2.0 uit 2011 (GADM.org). De resterende landen zijn: voor Engeland en Wales het Office for National Statistics in 2011, voor Griekenland de Pre Kapodistrias uit 2010 (geodata.gov.gr), voor Ierland de Census Enumeration Areas Boundaries uit 2006 (census.cso.ie), voor Oostenrijk de Gemeindegrenzen Österreich uit 2015 (data.gv.at), en voor Duitsland de Shapefile der Verwaltungsgrenzen uit 2011 (zesus2011.de). Voor eilanden die geen rechtstreekse link hebben met het vasteland (via het transportnetwerk) maar wel een individuele administratieve eenheid vormen werden geen scores berekend. Dit omdat er geen zinvolle routering kan plaatsvinden. De nulwaarde die teruggegeven wordt in deze gevallen is niet realistisch en dus niet zinvol. Tabel 4: Gemiddelde oppervlakte van LAU's
Land België Bulgarije Denemarken Duitsland Estland Finland Frankrijk Griekenland Hongarije Ierland Italië Kroatië Letland Litouwen Luxemburg Nederland Noorwegen Oostenrijk Polen Portugal Slovenië Slowakije Spanje Tsjechië Verenigd Koninkrijk Zweden Zwitserland Bron: Eigen verwerking
Gem. opp LAU (km²) 52 445 176 31 10 785 15 18 549 21 37 105 2 545 966 18 72 773 40 841 23 104 630 63 791 18 1 583 15
Gem. aantal inw/LAU 18 460 28 121 21 863 6 953 277 11 745 1 708 1 380 57 708 1 337 7 633 7 419 79 193 62 878 3 670 33 117 10 978 3 995 103 337 2 492 10 412 67 882 5 569 105 219 4 455 32 977 2 822
22
Een overzicht van de grenzen van de administratieve eenheden wordt weergegeven op kaart 3, de gemiddelde oppervlakte en inwoneraantal van de LAU’s per land in tabel 4. Voor alle landen met administratieve eenheden op LAU level 2 is de gemiddelde oppervlakte per LAU 199 km². Bij de landen op LAU level 1 stijgt deze waarde naar 868 km². Dit verschil is duidelijk die zien op kaart 3: bij Oost- en Noord-Europese landen zijn de individuele LAUgrenzen nog te onderscheiden, terwijl dit bij de rest van Europa grotendeels onmogelijk is.
Kaart 3: LAU grenzen in het studiegebied Bron: Eigen verwerking
23
3.3.3 Netwerk dataset Om de OriginDestination (OD)-cost matrix te kunnen opstellen dient er een netwerk dataset opgesteld te worden. Deze dataset wordt nadien gebruikt om de routering uit te voeren. Het gebruik van OpenStreetMap was wenselijk gezien de hoge graad van detail van deze data. Dit zorgde echter ook voor een niet onaanzienlijke grootte van de dataset. Voor België kon nog net een analyse uitgevoerd worden, maar bij grotere landen zorgde een beperkte rekenkracht ervoor dat het beschikbare systeem te licht uitviel. Als alternatief werd gekozen voor EuroGlobalMap (EGM). EGM wordt als opensource ter beschikking gesteld door Eurogeographics. De netwerk dataset is dus gebaseerd op het transportnetwerk van EuroGlobalMap. Deze dataset kent een goede balans tussen bestandsgrootte en graad van detail. Om de netwerken gebaseerd op OSM en EGM te vergelijken zal voor België de analyse uitgevoerd worden gebruik makende van beide netwerken. Op die manier kan de impact gekwantificeerd worden. Het verschil tussen het wegennetwerk van OSM en EGM wordt weergegeven voor België op kaart 4. 3.3.3.1 Dichtheid van het wegennetwerk Het verschil tussen beide datasets kan gekwantificeerd worden door de dichtheid van beide datasets te berekenen. Dit omvat het aantal kilometer aan gemodelleerd wegsegment per vierkante kilometer oppervlakte. De totale lengte van de gemodelleerde wegsegmenten bij de EGM-dataset bedraagt 14 675,87 km. Verdeeld over een oppervlakte van België die 30 617,9 km² bedraagt komt dit neer op 0,48 km per vierkante kilometer. De OSM-dataset bevat voor België 57 492,95 km wegen. Verdeeld over België geeft dit 1,88 km per vierkante kilometer.
24
Kaart 4: Vergelijking tussen wegennetwerk OSM en EGM in België Bron: OpenStreetMap, EuroGlobalMap, eigen verwerking
25
3.3.3.2 Lokalisering van de verschillen tussen dataset OSM - EGM Op kaart 4 is zichtbaar dat de verschillen zich voornamelijk situeren in de verstedelijkte dichtbevolkte gebieden. In de buitengebieden (zoals Ardennen, Fagne-Famenne, Westhoek, Leiestreek, ... ) zijn beide datasets quasi gelijkaardig. De invloed op afstanden vanuit de buitengebieden zal dan ook weinig verschillend zijn tussen beide datasets. In de verstedelijkte gebieden kent OSM duidelijk veel meer detail dan EGM. In deze gebieden liggen door het dichte wegennetwerk de kleinere wegen echter vaak dicht bij grotere wegen. Deze grotere wegen zijn ook te vinden in de EGM dataset. Er zullen dus quasi steeds verschillen zijn qua nauwkeurigheid tussen beide input datasets, doch deze zijn zelden van die aard een al te grote invloed te hebben op de resultaten. De gedetailleerde resultaten van de vergelijking zullen later besproken worden onder punt 4.1 bij de resultaten. 3.3.3.3 Connectivity policies Een echter niet onbelangrijk nadeel van deze dataset is de modellering van wegsegmenten op niveaus anders dan het maaiveld. Standaard wordt ernaar gestreefd om voor deze wegsegmenten andere connectivity policies te voorzien dan voor wegsegmenten op het maaiveld. Gebruik makend van een elevation-field kan dan gespecifieerd worden dat het voor bruggen en tunnels enkel mogelijk is om van wegsegment te veranderen aan de endpoints, en niet bij elke kruising met een ander wegsegment (Any Vertex). In de dataset van EGM echter worden wegsegmenten telkens opgesplitst bij het kruisen van een ander wegsegment. Om deze reden heeft een endpoint-policy geen effect gezien deze endpoints steeds voorkomen waar bij een Any Vertex een junction zou gecreëerd worden. Dit wordt geïllustreerd in figuur 1. Op deze figuur uit de EGM dataset worden twee bruggen gemodelleerd (beide met junction op de kruising), terwijl er in realiteit slechts één brug is met mogelijkheid tot verandering van niveau (op – en afrit aanwezig).
26
Figuur 1: Connectivity policy probleem bij EGM dataset Bron: EuroGlobalMap, Google Maps, eigen verwerking
Het gevolg hiervan is dat de berekende afstanden lager kunnen liggen dan de reële afstanden. Dit omdat er in sommige gevallen van niveau veranderd kan worden zonder dat dit in werkelijkheid mogelijk is. Een tweede gevolg van de beperktere graad van detail van de EGM dataset is dat er in sommige gevallen routes naar ziekenhuizen berekend worden die langer zijn dan in werkelijkheid het geval is. De oorzaak hiervan is dat kleinere wegen die een doorsteek tussen twee grotere wegen vormen niet gemodelleerd werden in deze dataset. Daardoor kunnen de afstanden worden overschat. Een derde gevolg is dat er in regio’s met dun wegennetwerk een groot verschil kan ontstaan tussen de reële locaties van de centroïden en ziekenhuizen en hun gealloceerde positie langs het wegennetwerk. In de Scandinavische landen werd de standaard offset van 5 km opgetrokken naar 20 km.
27
3.3.3.4 Impedance value Bij het uitvoeren van de netwerk analyse zal de routering uitgevoerd worden aan de hand van een impedance value. De impedance value is het attribuut dat geminimaliseerd dient te worden. Voor dit attribuut wordt vaak voor de afstand of de reistijd geselecteerd. In deze analyse is gekozen om voor het attribuut afstand (Length) te kiezen als impedance value. Hiervoor zijn twee redenen: om de reistijd te kunnen bepalen dient er een attribuut voorhanden te zijn waarin de maximale toegelaten snelheid wordt bijgehouden, wat bij de EGM-dataset niet het geval is. Daarnaast zijn medische voertuigen vaak ook niet gebonden aan de geldende snelheidsbeperkingen en is afstand dus een betere maatstaf om de bereikbaarheid te meten. 3.4 Modelbuilder Om de berekening van de nodige data en analyses te automatiseren werd gebruik gemaakt van ESRI’s ModelBuilder. De python scripts die hiervoor gebruikt werden zijn terug te vinden in de bijlagen. Deze zijn gebaseerd op de modellen die hier besproken worden. 3.4.1 Model 1: Bevolkingsdichtheid Om de centroïden te kunnen berekenen aan de hand van de bevolkingsspreiding binnen de LAU dient er eerst een dataset gevormd te worden met de bevolkingsgegevens op een graad van detail die hoog genoeg is. De vorming van deze data gebeurt met behulp van ESRI’s ModelBuilder. Gedetailleerde gegevens met betrekking tot de bevolkingsdichtheid op grote schaal zijn wederom moeilijk te vinden. Eurostat stelt deze ter beschikking tot op NUTS 3 niveau, wat voor te weinig differentiatie zorgt tussen de LAU’s onderling. Een tweede optie is de dataset geproduceerd door Corine Land Cover. Deze rasterdataset kent een hoge graad van detail, doch dateert reeds uit 2000 en bevat desgevallend verouderde gegevens. Er werd geopteerd voor de derde optie: het GEOSTAT 1 km² Population grid uit 2011. Deze dataset is opgebouwd uit een vectorlaag met polygonen, die de lege cellen met bijhorende codes bevatten. Deze codes zijn gekoppeld aan een Excelbestand, waarin de bevolkingsaantallen worden bijgehouden.
28
Gezien de aanzienlijke grootte van deze dataset (1 900 000 records) werd deze voor verdere verwerking opgesplitst per land. Vervolgens werd via de ModelBuilder een model gecreëerd die voor elke municipality het inwoneraantal berekent.
Figuur 2: Model bevolkingsdichtheid Bron: eigen verwerking
In dit model wordt gebruik gemaakt van een Iterate Feature Classes-iterator. Deze zal voor elke feature class (elk land) in de geodatabase het model doorlopen. Eerst wordt via de Table Select-tool de tabel verkleind tot enkel de cellen met landcode gelijkaardig aan het te onderzoeken land. Na het joinen van deze twee features worden de cellen geconverteerd naar punten via de FeatureToPoint-toolbox. Als volgende stap worden deze punten samengevoegd met de overeenkomstige LAU’s door middel van Spatial Join. Om alle inhoud van de cellen te behouden wordt gejoind volgens de ONE-TO-MANY regel. Deze zal per LAU meerdere records aanmaken voor elk punt die het bevat.
29
Ten slotte zorgt de Dissolve-tool ervoor dat er per LAU een inwoneraantal gevonden wordt. De bevolkingsspreiding per land wordt gegeven door de output van de Join Field tool. De bevolkingsdichtheid die hieruit per LAU berekend kan worden is weergegeven op kaart 5.
Kaart 5: Bevolkingsdichtheid per LAU o.b.v. GEOSTAT 1 km² grid Bron: Eurostat, eigen verwerking
30
3.4.2 Model 2: afstandsanalyse Gezien de omvangrijke datasets werd voor elk land afzonderlijk het model doorlopen. Als input wordt aan het model de ISO-code meegegeven zodat de correcte administratieve gebieden geselecteerd kunnen worden. Van deze gebieden wordt nadien een centroïd berekend gebaseerd op de bevolkingsspreiding in de administratieve eenheid. Om deze gewogen centroïd te berekenen wordt het script Mean Center gebruikt. Hierbij wordt in het Weight Field het inwoneraantal meegegeven per vierkante kilometer en in het Case Field de code van elke administratieve eenheid. De bevolkingsspreiding zit omvat in een grid met cellen van 1 km². De formule om dit centroïd te bepalen is:
𝑋̅𝑤
∑𝑛 𝑖=1
𝑤𝑥 = 𝑛 𝑖 𝑖, ∑𝑖=1 𝑤𝑖
𝑌̅𝑤
=
∑𝑛 𝑖=1
𝑤𝑖 𝑦𝑖 ∑𝑛 𝑖=1 𝑤𝑖
Waarbij 𝑤𝑖 het gewicht is van cel 𝑖. Deze centroïden zullen de basis vormen voor de Origins van waaruit de routering start. Hiervoor wordt de Add Locations-toolbox aangewend. Analoog voor de EMS-faciliteiten die de Destinations moeten voorstellen. Voor de allocatie van deze punten werd de standaard tolerantie in deze analyse verhoogd van 5000 m naar 20 000 m. Dit om ervoor te zorgden dat ook in bepaalde regio’s met een dunner wegennetwerk de punten gealloceerd worden. Een benaderende hoge waarde heeft meer betekenis in deze analyse dan een nietzeggende nulwaarde wat bij niet gealloceerde centroïden het geval zou zijn. Uit het resultaat van de netwerkanalyse worden de routes (Lines) weerhouden. Deze lijnen bevatten de totale lengte van het kortste pad van Origin naar Destination. Om nadien ervoor te zorgen dat de juiste afstand bij de juiste polygoon gevoegd wordt, werd een extra field toegevoegd (CODE). Dit veld bestaat uit de eerste term van de naam van de route (!Name!.partition(" - ") [0]). De tabel wordt op basis van deze code samengevoegd met de polygonen die de administratieve eenheden weergeven.
31
Figuur 3: Model afstandsanalyse Bron: Eigen verwerking
Na het analyseren van elk land worden deze allen samengevoegd tot een kwantitatieve thematische kaart van Europa. Om de gemiddelde afstand te berekenen tot de 5 dichtstbijzijnde EMS-faciliteiten werd hetzelfde model gebruikt, met dit verschil dat bij de OD Cost Matrix Layer de aantal te zoeken Destinations naar vijf werd verhoogd. Van de vijf verkregen ODlines werd nadien met behulp van de Summary Statistics tool het gemiddelde bepaald. 3.4.3 Model 3: Standaardafwijking Om de verkregen output beter te kunnen bespreken werd er gekozen om de binnenlandse spreiding van de bereikbaarheid tussen de landen onderling te onderzoeken. Hiervoor werd gebruik gemaakt van de spreidingsmaat standaardafwijking. Het script werd gebaseerd op het model weergegeven in figuur 4. In dit model zal voor elk land een veld worden toegevoegd waarin het aantal maal standaardafwijking wordt weergegeven. Hiervoor worden de waarden gemiddelde en standaardafwijking weerhouden uit de Summary Statistics-tool.
32
Figuur 4: Model standaardafwijking Bron: Eigen verwerking
3.5 Service area’s De voorgaande analyses vertrekken quasi allen vanuit de LAU’s als basiseenheid. Het gewogen centroïd zorgt voor een realistisch zwaartepunt van de bevolking, doch de omvang van deze eenheden kent een sterke variatie. Om deze resultaten te vergelijken met een gelijkaardige methode die zich niet baseert op de LAU’s, zullen voor de EMS-faciliteiten service area’s berekend worden. Deze netwerk analyse zal polygonen weergeven dewelke gebieden bedekken van waaruit de dichtstbijzijnde EMS een bepaald aantal kilometer maximaal verwijderd is. Het script voor deze analyse is gebaseerd op het model zoals weergegeven in figuur 5. Er wordt een netwerk analyse uitgevoerd door een service area layer aan te maken en vervolgens de EMS faciliteiten als locaties toe te voegen. Van de output wordt de laag Polygons geselecteerd waarna deze naar een shapefile van dit land weggeschreven wordt. Hierbij worden de oppervlaktes van deze polygonen berekend met behulp van het Add Geomtery Attributes script.
33
Figuur 5: Model service area's Bron: Eigen verwerking
3.6 Spreidingsmaten 3.6.1 Nationale gemiddelde Met behulp van het inwoneraantal per LAU kan een betekenisvol gemiddelde per land berekend worden. Niet elke administratieve eenheid kent hetzelfde aantal inwoners dus eenheden met een hoog inwoneraantal zullen een grotere invloed uitoefenen op het nationale gemiddelde dan eenheden met weinig inwoners. De formule die dit gewogen rekenkundig gemiddelde weergeeft is:
∑𝑛𝑖=1 𝑔𝑖 𝑥𝑖 𝑥̅ = ∑𝑛𝑖=1 𝑔𝑖 Met de bereikbaarheid voor LAU 𝑖 gegeven door 𝑥𝑖 , … , 𝑥𝑛 en de bijhorende gewichten door 𝑔𝑖 , … , 𝑔𝑛 .
34
3.6.2 GINI-Coëfficiënt Waar het gemiddelde niet in slaagt, is de spreiding van de toegankelijkheid weer te geven. Een spreidingsmaat die vlot te interpreteren en voor te stellen is, is de GINI-coëfficiënt. Deze coëfficiënt werd in 1912 ontwikkeld door de Italiaanse statisticus Corrado Gini en gepubliceerd in zijn Variabilità e mutabilità (1912). De coëfficiënt wordt vaak toegepast om de inkomensongelijkheid weer te geven, maar kan aangewend worden om elke mate van ongelijkheid te meten. Deze coëfficiënt varieert van 0 (iedereen kent een gelijke bereikbaarheid) tot 1 (slechts één individu kent een bereikbaarheid groter dan 0) en wordt berekend aan de hand van de Lorenzcurve. De coëfficiënt wordt gevormd door de ratio van de oppervlakte tussen de Lorenz-curve en de diagonaal van perfecte gelijkheid, ten opzichte van de driehoek onder de diagonaal van perfecte gelijkheid. Hoe dichter de Lorenz-curve dus tegen de diagonaal (gevormd door de punten (0,0) en (1,1)) aan ligt, hoe lager de GINI-coëfficiënt en hoe hoger de gelijke spreiding van de waarden. Op figuur 6 is de Lorenz curve voor Zweden weergegeven.
Gini-coëfficiënt 100%
Cumulatief percentage van de bereikbaarheid
90% 80% 70% 60% Lorenz curve Zweden
50% 40%
Curve van perfecte gelijkheid
30% 20% 10% 0% 0%
20%
40%
60%
80%
100%
Cumulatief percentage van de bevolking
Figuur 6: Lorenz curve van Zweden om de GINI-coëfficiënt te bepalen Bron: eigen verwerking
35
Hier zal de berekening van de GINI-coëfficiënt gebeuren met behulp van de formule zoals gegeven door Brown (1994). Deze index maakt gebruik van twee variabelen, namelijk bereikbaarheid een inwoneraantal. 𝑛
𝐺 = 1 − ∑(𝑋𝑘 − 𝑋𝑘−1 )(𝑌𝑘 + 𝑌𝑘−1 ) 𝑘=1
Waarbij 𝑋 de cumulatieve proportie is van de bevolkingsvariabele en 𝑌 de cumulatieve proportie van de toegankelijkheidsvariabele. 𝑌 is geïndexeerd in stijgende orde, dewelke de rang weergegeven worden door k.
3.7 Link bevolkingsdichtheid Om het verband tussen de bevolkingsdichtheid en de bereikbaarheid te kunnen analyseren werd eerst gekeken op nationaal niveau hoe de landen zich onderling tot elkaar verhouden. De punten werden in een grafiek uitgezet waarna een trendlijn de mate van correlatie kon weergeven. Om de analyse over een grotere dataset te kunnen uitvoeren werd als tweede optie het verband tussen de bevolkingsdichtheid van elke LAU en de bereikbaarheid van de EMS in deze LAU beschouwd. Zo werden alle administratieve eenheden opgedeeld in 10 klassen volgens stijgende bevolkingsdichtheid. Elk van deze klassen bevat ongeveer 10 000 eenheden. Van deze groepen werd nadien de gemiddelde afstand tot EMS berekend. Deze waarden werden nadien uitgezet in een staafdiagram om zo de trend weer te geven.
36
4. RESULTATEN 4.1 Vergelijking met OpenStreetMap De analyse in dit onderzoek gebeurde op basis van de EuroGlobalMap dataset. Met het gebruik van deze dataset worden echter toegevingen gedaan qua graad van detail, echter ten voordele van de uitvoerbaarheid. Om te kunnen inschatten wat de impact is van het gebruik van deze dataset werd voor België de analyse uitgevoerd zowel gebruik makend van de EGM netwerk dataset als de OSM netwerk dataset. De netwerk dataset die verkregen werd op basis van OSM is een stuk complexer dan deze op basis van EGM. In het wegennetwerk zitten bepaalde digitalisatiefouten die er voor zorgen dat bepaalde routeringsopdrachten niet voltooid kunnen worden. Voor België is dit het geval voor 19 gemeenten. Het merendeel van deze fouten bestaan uit wegsegmenten die niet verbonden zijn met het algemene netwerk, of straten die onterecht of verkeerdelijk als éénrichtingsstraat gedigitaliseerd zijn. Wanneer er vervolgens centroïden naar deze segmenten gealloceerd worden zal het niet mogelijk zijn een route te bepalen tot de EMS. De overblijvende 570 administratieve eenheden kunnen wel met elkaar vergeleken worden. Het absolute afstandsverschil tussen de routeringen op basis van OSM en EGM wordt weergegeven op kaart 5. De impact van dit absolute verschil wordt vergeleken met de reële situatie (analyse op basis van de OSM netwerk dataset) en weergegeven als de procentuele afwijking, terug te vinden op kaart 6. De data van de verschillende klassen wordt weergegeven via de histogram in figuur 7.
37
Kaart 5: Absoluut afstandsverschil analyse o.b.v. OSM – EGM. Bron: Eigen verwerking
Kaart 6: Procentueel afstandsverschil analyse o.b.v. OSM - EGM. Bron: Eigen verwerking
38
Absoluut afstandsverschil OSM - EGM
250
300
200
250 Aantal LAU's
Aantal LAU's
Procentueel afstandsverschil OSM - EGM
150 100
200 150 100
50
50
0
0 < 10
10-25 25-50 50-100 > 100 Afstandsverschil (%)
<1
1-2,5 2,5-5 5-10 Afstandsverschil (km)
> 10
Figuur 7: Aantal LAU's voor elke klasse van afstandsverschil, procentueel en absoluut Bron: Eigen verwerking
Op beide grafieken is een dalende trend aanwezig. Bij het grootste deel van de gemeenten is er slechts een klein verschil tussen de resultaten van de twee datasets. Ongeveer de helft van de onderzochte gemeenten kent een afstandsverschil kleiner dan één kilometer. Aan de andere zijde is er een kleine groep gemeenten waar de twee netwerk datasets zeer sterk verschillen. Bij 19 gemeenten (3% van de gevallen) is de berekende afstand minstens dubbel zo hoog als de reële afstand. Het verschil tussen beide analyses bedraagt voor België gemiddeld 1 885 m, wat overeenkomt met een gemiddeld verschil van 27%. In 66% van deze gevallen geeft de berekening via OSM een hogere waarde weer dan EGM, in 34% wordt via EGM de langere afstand bekomen. De verschillen tussen beide routeringen kunnen ontstaan doordat de locaties van de centroïden en EMS faciliteiten bij OSM vaak minder ver van hun reële positie gealloceerd worden, waardoor er een extra afstand gevormd kan worden. Als tweede verschil kunnen routes gevonden worden die via kleinere wegen lopen, waardoor de berekende afstanden op basis van OSM lager kunnen zijn dan deze die via EGM bekomen worden. Het resultaat wijst erop dat voor het merendeel van de LAU’s de afstandsverschillen klein zijn. Het gebruik van een gegeneraliseerde dataset zorgt er wel voor dat in sommige gevallen de routering sterk kan afwijken van de reële situatie. Doch dit aantal is beduidend lager dan de groep waarvan de routering wel overeenkomt met de realiteit. 39
4.2 Afstandsanalyse 4.2.1 Afstandsanalyse per Local Administrative Unit De kern van dit onderzoek wordt gevormd door de toegankelijkheid van de medische faciliteiten. Deze toegankelijkheid wordt gekwantificeerd als de afstand tussen de gewogen centroïden van de LAU’s en de dichtstbijzijnde EMS. Het resultaat van de netwerk analyse wordt weergegeven op kaart 7.
Kaart 7: Afstandsanalyse van de Local Administrative Units Bron: Eigen verwerking
40
Vooreerst dient het vermeld te worden dat er steeds aandacht geschonken moet worden aan het niveau van de administratieve eenheden. Het verschil is duidelijk zichtbaar tussen de LAU’s op level 1 en level 2. Voor de Oost-Europese landen is er geen hoge graad van detail aanwezig zoals deze terug te vinden is in de fijnkorrelige LAU’s van West-Europa. De bekomen resultaten van deze regio zullen dan ook vaak meer geaggregeerd zijn. Dit is goed zichtbaar in de Centraal Europese landen Tsjechië en Slovakije. Het gewogen centroïd van de grootschalige LAU’s valt quasi samen met de stedelijke gebieden, in dewelke zich de EMS faciliteiten bevinden. Deze lage afstand wordt nadien geaggregeerd weergegeven per LAU, waardoor een niet onbelangrijke differentiatie verloren gaat. Ook landen die op LAU level 2 ingedeeld zijn kunnen uitgestrekte polygonen kennen. De gemiddelde oppervlakte van bijvoorbeeld Zweden of Noorwegen ligt hoger dan deze van Hongarije of Bulgarije. Deze noordelijke regio’s kennen verschillende eenheden met een oppervlakte van meer dan 10 000 km². Deze gebieden zijn echter zeer dunbevolkt waardoor de aanwezige bevolkingsconcentraties relatief zwaar doorwegen op het gewogen centroïd. Dit is goed te merken aan de verschillende eenheden in en rond Lapland waar de afstand onder de 10 km ligt. Een van de eerste zaken die opvalt op deze figuur is het verschil tussen enerzijds West- en Centraal-Europa en anderzijds Noord- en Zuid-Europa. De eerste regio wordt gekenmerkt door een bereikbaarheid die gedomineerd wordt door afstanden onder de 25 km. De kern bestaat grotendeels uit de regio’s Vlaanderen, de Randstad, en het Ruhrgebied. In deze regio zijn de afstanden tot de ziekenhuizen het kleinst: er is overal een ziekenhuis binnen 15 km afstand. In contrast daarvan staan het Iberisch schiereiland en de Scandinavische landen, waar er verschillende (al dan niet dunbevolkte) gebieden zijn waar zich geen EMS faciliteiten bevinden binnen een afstand van 50 km. Opvallend is de graduele daling van de bereikbaarheid vanuit de buitengebieden naarmate er zuidelijker gegaan wordt. Deze trend is goed zichtbaar in de regio rond het Centraal Massief in Frankrijk, en versterkt zich in het Iberisch schiereiland. Daar zijn er vooral in het binnenland van Spanje en Portugal grote hiaten. In deze regio is een goede bereikbaarheid enkel terug te vinden in de centrumsteden. Tussen de landen op LAU level 1 onderling valt op dat het voornamelijk Polen en Bulgarije zijn waar nog een groot deel van het land te maken heeft met een lagere bereikbaarheid van EMS.
41
4.2.2 Afstandsanalyse per Local Administrative Unit tot dichtste vijf EMS-faciliteiten Om een ruimer beeld te krijgen van de bereikbaarheid van de EMS in een regio werd ook onderzocht wat de gemiddelde afstand is tot de vijf dichtstbijzijnde EMS-faciliteiten. Vooral in grootstedelijke gebieden, waar vaak meerdere ziekenhuizen gevestigd zijn, zal dit een verschillend resultaat opleveren ten opzichte van kleinere steden in de meer rurale regio’s. Deze steden kunnen door het gewogen centroïd een lage afstand kennen tot de dichtstbijzijnde EMS, terwijl er wel geen consistente dekking is van medische faciliteiten. Het resultaat, zoals weergegeven op kaart 8, geeft een vloeiender beeld weer dan dit op kaart 7. De gebieden die op de vorige kaart reeds aangehaald werden komen hier nog sterker naar voor. Wanneer het beeld dat op kaart 8 gevormd wordt vergeleken wordt met dit van de bevolkingsdichtheid op kaart 5 zijn er reeds verschillende gelijkenissen te merken. De dichtbevolkte West-Europese gordel van Londen tot Milaan en de Mediterrane kustgebieden kennen zowel een dichte bevolkingsspreiding en een goede toegankelijkheid tot EMS. De gegevens voor elke klasse uit kaart 8 zijn weergegeven op figuur 8. De oppervlaktes van de klassen zijn allen in dezelfde grootteorde, maar het inwoneraantal verschilt sterk.
Aantal inwoners en oppervlakte per afstandsklasse 350
1 400 000 Aantal inwoners Oppervlakte
1 200 000
250
1 000 000
200
800 000
150
600 000
100
400 000
50
200 000
0
Oppervlakte (km²)
Aantal inwoners (mln.)
300
0 < 20
20 - 30
30 - 50 Afstand (km)
50 - 100
> 100
Figuur 8: Bevolking en oppervlakte voor elke afstandsklasse tot eerste 5 EMS Bron: Eigen verwerking
42
De donkergroene gebieden kennen samen bijna 320 miljoen inwoners (of gemiddeld 393 inw/km²), terwijl de andere vier klassen samen slechts 173 miljoen inwoners inhouden.
Kaart 8: Gemiddelde afstand tot de 5 dichtstbijzijnde EMS-faciliteiten Bron: Eigen verwerking
43
4.2.3 Afstandsanalyse per land Kaart 9 geeft voor elk Europees land de gemiddelde afstand weer die moet afgelegd worden tot de dichtstbijzijnde EMS. Dit is een gewogen gemiddelde wat inhoudt dat er rekening is gehouden met het aantal inwoners per LAU. In tabel 5 zijn de exacte scores weergegeven.
Kaart 9: Gewogen gemiddelde nationale bereikbaarheid van de dichtstbijzijnde EMS-faciliteit Bron: eigen verwerking
44
Tabel 5: Gewogen gemiddelde afstand tot dichtstbijzijnde EMS
Rang
Land
1 Litouwen 2 Slovakije 3 Tsjechië 4 Griekenland 5 Zwitserland 6 Letland 7 België 8 Verenigd Koninkrijk 9 Nederland 10 Duitsland 11 Luxemburg 12 Frankrijk 13 Estland 14 Oostenrijk 15 Italië 16 Spanje 17 Polen 18 Portugal 19 Slovenië 20 Hongarije 21 Denemarken 22 Bulgarije 23 Zweden 24 Ierland 25 Kroatië 26 Noorwegen 27 Finland Bron: Eigen verwerking
Gem. afstand EMS (km) 2,61 3,71 4,88 5,01 5,03 5,17 5,37 5,51 5,73 5,79 7,13 7,45 7,80 8,38 9,15 9,73 10,26 10,31 10,81 11,12 12,31 12,32 12,60 15,81 16,03 17,70 18,97
Landen op LAU level 1 zijn in paars weergegeven, landen op LAU level 2 in geel. De lijst wordt aangevoerd door Litouwen, Slovakije, en Tsjechië. Alle drie deze landen kennen relatief grote administratieve eenheden. De afwezigheid van eenheden met centroïden in de buitengebieden heeft zeker een invloed op de gemiddelde nationale scores. Wat ook zowel op kaart 7 als kaart 8 te zien is, is dat deze landen een algemene goede bereikbaarheid kennen en in vergelijking met de andere Oost-Europese LAU level 1 landen het een pak beter doen. Vervolgens zijn er op LAU level 2 zes landen wiens gewogen gemiddelde rond de 5 km schommelt. Griekenland dankt zijn lage gemiddelde aan het feit dat de bevolking zeer gecentraliseerd in de steden woont. Op basis van het 1 km² populatiegrid van Eurostat woont 46% van de bevolking in High Density Clusters (in vergelijking met 35% voor de EU). Deze concentraties zorgen er voor dat veel mensen een lage afstand kennen tot de EMS.
45
Bij de daaropvolgende West-Europese landen (Zwitserland, België, Verenigd Koninkrijk, Nederland, Duitsland) kent de ruimte andere indelingen. In deze regio zijn er verschillende urbane gebieden aanwezig die in elkaar overlopen, zonder grote verschillen met de buitengebieden. De grote aantallen EMS-faciliteiten in deze regio zorgen er echter voor dat vanop de meeste locaties een EMS kortbij is.
4.3 Spreiding van de bereikbaarheid 4.3.1 Standaardafwijking Kaart 10 geeft het aantal keer standaardafwijking weer dat de bereikbaarheid per LAU verschilt van het nationale gemiddelde. De standaardafwijking is een eerste indicatie betreffende de spreiding van de bereikbaarheid op binnenlands niveau. Deze figuur laat zien in welke landen de bereikbaarheid uniform verdeeld is en waar er grote verschillen zijn. Vooral in dunbevolkte gebieden (waar er absoluut gezien vaak een lagere bereikbaarheid is) kan de standaardafwijking wijzen op een consistente toegankelijkheid op nationaal niveau. Deze spreidingsmaat toont aan dat er ook in West- en Centraal-Europa gebieden zijn die, in het zicht van de nationale situatie, een slechte bereikbaarheid van EMS kennen. Gebieden die op nationaal niveau zeer sterk afwijken van het nationale gemiddelde worden weergegeven door een rode kleur. Het zijn voornamelijk bergachtige streken die onder deze categorie vallen. Enkele van deze regio’s zijn de Schotse Hooglanden, de Alpen, de Pyreneeën, Frans Centraal Massief, ... De Oost – Europese landen op LAU level 1(voornamelijk Tsjechië, Slovakije, Hongarije) kennen een kleinere spreiding dan de rest van Europa. Deze lage spreiding kan grotendeels verklaard worden door de centroïden die zich voornamelijk in de stedelijke gebieden liggen, zonder dat de buitengebieden met een lagere toegankelijkheid de spreiding kunnen beïnvloeden. De grote LAU’s zoals deze zich ook in Noord-Scandinavië bevinden zijn daar eerder het gevolg van een lage bevolkingsdichtheid en niet door een hoger LAU niveau. Zij geven de spreiding wel realistisch weer gezien de routering gebeurt vanuit het zwaartepunt van deze dunbevolkte regio’s. Sommige van deze gebieden hebben EMS binnen hun grondgebied, terwijl er bij andere eenheden geen EMS aanwezig is. Dit resulteert in de respectievelijk groene of rood/oranje kleur.
46
Kaart 10: Aantal keer standaardafwijking dat de afstand tot EMS afwijkt van het gemiddelde Bron: eigen verwerking
Daarnaast dient er in deze landen absoluut gezien een lange afstand afgelegd te worden tot een EMS, doch de spreiding is (zeker in het geval van Noorwegen) kleiner dan deze in sommige West-Europese landen.
47
4.3.2 GINI-Coëfficiënt De spreiding die weergegeven werd met behulp van de standaardafwijking gaf een beeld hoe verschillend de LAU’s onderling aan elkaar zijn. Om de Europese landen in dit studiegebied te vergelijken zijn nationale scores gemakkelijker te hanteren, met zo nodig terugkoppeling naar de gedetailleerdere data op lager niveau. De spreiding van de toegankelijkheid wordt op kaart 11 weergeven met behulp van de GINIcoëfficiënt. Deze analyse houdt ook rekening met de inwoneraantallen van de LAU’s.
Kaart 11: Gini-Coëfficiënt betreffende de bereikbaarheid van EMS. Bron: Eigen verwerking
48
In de Scandinavische landen is de bereikbaarheid duidelijk beter verspreid dan in de OostEuropese landen. De cumulatieve bevolkingsaantallen volgens rang van bereikbaarheid kunnen inzicht bieden in de oorzaken van de spreiding. De grafieken van de twee landen met de laagste GINI-coëfficiënt Spanje en Estland worden weergegeven in figuur 9. De grafiek van beide landen kent duidelijk eerst een licht hellend verloop, maar stijgt naar het einde toe quasi verticaal. De betekenis hiervan is dat er een zeer groot deel van de bevolking in de LAU’s woont met een goede bereikbaarheid van de EMS. Bijna 15 miljoen Spanjaarden kennen een EMS binnen 1 km afstand. In de 1418 LAU’s waar de Spanjaarden meer dan 50 km moeten afleggen woont samen slechts 1 miljoen. In Estland is er een gelijkaardige verdeling aanwezig. Ongeveer 50% van de Esten (+/- 650 000) woont op minder dan 1 km van een EMS. Net geen 100 000 inwoners dienen 30 km of meer af te leggen naar de dichtstbijzijnde EMS. Doordat in deze landen een zeer groot deel van de bevolking op nationaal vlak de beste bereikbaarheid kent, is er een zeer hoge gelijkheidsfactor. Het gemiddelde van deze landen is niet noodzakelijk bij de beste van Europa, maar er heerst wel een hoge graad van gelijkheid tussen alle inwoners.
Spanje
Estland 1,4
45
Cumulatief inwoneraantal (Mln.)
Cumulatief inwoneraantal (Mln.)
50 40 35 30 25 20 15 10 5 0
1,2 1,0 0,8 0,6 0,4 0,2 0,0
0
2 500 5 000 7 500 Ranking bereikbaarheid EMS
0
2 000 4 000 Ranking bereikbaarheid EMS
Figuur 9: Cumulatief inwoneraantal volgens ranking van bereikbaarheid van Spanje en Estland Bron: Eigen verwerking
In figuur 10 worden de grafieken weergegeven van twee landen met een veel hogere GINIcoëfficiënt, namelijk Slovakije en Groot-Brittannië. Slovakije kent met een coëfficiënt van 49
0,96 de hoogste ongelijkheid in dit onderzoek. Groot-Brittannië heeft van de landen op LAU level 2 de hoogste score met 0,80. De curves in deze grafieken verschillen duidelijk van deze op figuur 8. De exponentiële vorm is verdwenen en hier is een opmerkelijk lineaire curve te noteren. In Slovakije is er voor 1,75 miljoen inwoners een EMS bereikbaar binnen één kilometer. Ongeveer 900 000 inwoners dienen meer dan 7,5 km af te leggen, de dubbele afstand van het nationale gemiddelde van 3,71 (tabel 5). Omdat de data van Slovakije gevormd wordt door een klein aantal LAU level 1 eenheden wordt ook de grafiek van Groot-Brittannië weergegeven. Iets meer dan 10% van de Britse LAU’s kent een bereikbaarheid lager dan 1 km, goed voor 6,8 miljoen inwoners. Daar tegenover staan ongeveer 4,2 miljoen Britten die meer dan 15 km moeten afleggen.
Slovakije
Groot-Brittannië 70 Cumulatief inwoneraantal (Mln.)
Cumulatief inwoneraantal (Mln.)
6 5 4 3 2 1 0
60 50 40 30 20 10 0
0
20 40 60 Ranking bereikbaarheid EMS
80
0
5 000 10 000 Ranking bereikbaarheid EMS
15 000
Figuur 10: Cumulatief inwoneraantal volgens ranking van bereikbaarheid in Slovakije en GrootBrittannië Bron: Eigen verwerking
Slovakije en Groot-Brittannië kennen een laag nationaal gemiddelde (en dus goede bereikbaarheid van EMS), doch de spreiding van de toegankelijkheid is groter. Aanzienlijke delen van de bevolking hebben geen toegang tot deze gemiddeld gezien hoge toegankelijkheid.
50
4.4 Samenhang bevolkingsdichtheid en bereikbaarheid 4.4.1 Analyse per land Waarover de vorige resultaten reeds een beeld gaven was de samenhang tussen de bevolkingsdichtheid
van
een
gebied
en
de
bereikbaarheid
van
de
EMS.
De
bevolkingsdichtheid wordt samen met het gewogen nationaal gemiddelde weergegeven in tabel 6. Tabel 6: Bevolkingsdichtheid en bereikbaarheid per land
Rang 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Land Noorwegen Finland Zweden Estland Letland Litouwen Bulgarije Ierland Kroatië Griekenland Spanje Oostenrijk Slovenië Hongarije Portugal Slowakije Frankrijk Polen Denemarken Tsjechië Zwitserland Italië Luxemburg Duitsland Verenigd Koninkrijk België Nederland
Bevolkingsdichtheid (inw/km²) 16 16 21 28 31 45 63 64 75 80 90 100 100 105 108 109 119 121 130 133 194 198 208 225 257 364 469
Gewogen gem. afstand tot EMS (m) 17700 18971 12604 7805 5166 2612 12324 15959 16018 5020 9734 8381 10808 11125 10311 3714 7451 10260 12315 4876 5027 9077 7128 5789 5485 5366 5725
Bron: Eigen verwerking
De waarden in tabel laten reeds zien dat er een verschil merkbaar is tussen landen met lage en landen met hoge bevolkingsdichtheid. De spreiding van deze waarden is te zien op figuur 11. Een variatie qua bereikbaarheid bij lage bevolkingsdichtheid verdwijnt gradueel naarmate de bevolkingsdichtheid stijgt. 51
Gemiddelde nationale bereikbaarheid 20 000 2
Afstand tot dichtstbijzijnde EMS (m)
18 000
1
16 000
8
9
14 000 3 7
12 000
19 14
13 18 1115
10 000 8 000
12
4
22
17
6 000
10
5 4 000
20
23 21
24
25
27
26
16 6
2 000 0 0
50
100
150
200
250
300
350
400
450
500
Bevolkingsdichtheid (inw/km²)
Figuur 11: Bereikbaarheid van EMS ten opzichte van de nationale bevolkingsdichtheid Bron: eigen verwerking
4.4.2 Analyse per bevolkingsdichtheidsklasse Om de samenhang nog verder te kunnen analyseren worden alle administratieve eenheden van het studiegebied gegroepeerd per bevolkingsdichtheidsklasse, zonder landsgrenzen in rekening te brengen. De verschillende klassen geven de gemiddelde afstand weer tot de dichtstbijzijnde medische faciliteit. Er zijn 10 klassen gevormd volgens stijgende bevolkingsdichtheid, die elk uit ongeveer 10 000 eenheden bestaan. Binnen deze klassen is een relatief grote variantie aanwezig tussen de afstanden, doch wanneer deze klassen gemiddeld bekeken worden is er duidelijk een trend merkbaar. De resultaten zijn weergegeven in figuur 12.
52
Bereikbaarheid per bevolkingsdichtheidklasse Afstand tot dichtstbijzijnde EMS (m)
40 000 35 000 30 000 25 000 20 000 15 000 10 000 5 000 0 0-5
5 - 10
10 - 20
20 - 30
30 - 50
50 - 70 70 - 100
100 200
200 600
> 600
Bevolkingsdichtheid (inw/km²)
Figuur 12: Bereikbaarheid van EMS ten opzichte van bevolkingsdichtheidsklasse Bron: eigen verwerking
De dalende trend is op de staafdiagram duidelijk zichtbaar. Bij stijgende bevolkingsdichtheid daalt de gemiddelde afstand tot de dichtstbijzijnde EMS. Bij (quasi) onbewoonde gebieden ligt de afstand gemiddeld op 33,4 km, terwijl deze in de dichtbevolkte stedelijke gebieden daalt tot 5,1 km.
53
4.5 Service area’s Om de situatie in Europa te analyseren zonder gebruik te maken van centroïden kunnen service area’s aangewend worden. Deze service area’s geven gebieden weer van waaruit een bepaald aantal kilometer gereden moet worden om zich tot bij de EMS faciliteit te begeven. Op kaart 12 zijn de service area’s weergegeven voor de landen in dit studiegebied. Er zijn service area’s gedefinieerd met als breaks 5 km, 10 km, 25 km, en 50 km. Vooral in Scandinavië, bergachtige regio’s (Alpen, Pyreneeën, Schotse Hooglanden), en rurale gebieden in
Spanje
en
Portugal
dient
er
een
langere
afstand
afgelegd
te
worden.
Kaart 12: Service area's van EMS met als breaks 5, 10, 25, en 50 km. Bron: Eigen verwerking
54
De oppervlaktes van de service area’s worden als percentages van de totale nationale oppervlakte weergegeven in figuur 13. De landen zijn aflopend geordend van hoogste percentage beste service area (< 5 km). De lage landen scoren het best met 15% voor België en 11% voor Nederland. Andere West-Europese landen volgen kort daarachter. Duitsland kent de beste consistente landelijke dekking. In 92% van de oppervlakte van het land is de afstand tot EMS 25 km of minder. Daarnaast staan Tsjechië (10%) en ook Slovakije (5%) in de top 10. Dit resultaat versterkt het beeld dat reeds gevormd werd op kaart 7 en kaart 8. Deze twee landen tonen over hun gehele grondgebied een consistente, goede toegankelijkheid van hun EMS faciliteiten. Dit is te besluiten uit hun lage nationale gemiddelde afstand en relatief grote service area’s (onder 10 km), waarbij bij deze laatste metriek de grotere LAU-eenheden geen invloed hebben. Zoals ook door Holcik en Koupilova (2000) beschreven is Tsjechië een van de meest gezonde landen in de Centraal- en Oost-Europese regio. De transformatie die vanaf 1989 plaats vond zorgde voor een opmerkelijke daling van de sterftecijfers. Verder vermelden ze nog dat de kwaliteit en aanbod (nog) niet op het niveau is van West-Europese landen. De analyse die hier gedaan wordt betreft ook enkel de geografische toegankelijkheid, en heeft niet als doel de kwaliteit of andere health care-statistieken te beoordelen.
Oppervlakte service area's per bereikbaarheidsklasse
100%
25-50 km
Percentage van de oppervlakte
90%
10-25 km
80%
5-10 km
70%
0-5 km
60% 50% 40% 30% 20% 10%
BEL NLD CHE DEU CZE GBR LUX FRA SVK GRC ITA LTU AUT SVN POL HUN DNK IRL PRT HRV ESP LVA BGR EST SWE NOR FIN
0% Land (ISO) Figuur 13: Procentuele nationale oppervlaktes van de service area's per bereikbaarheidsklasse Bron: Eigen verwerking
55
De resultaten van deze analyse zijn verder ook opvallend voor Litouwen: de service area tot 5 km beslaat een te verwachten 5% van het oppervlak, doch de totale oppervlakte van de service area’s (tot 50 km) bedraagt met slechts 29% minder dan die van Zweden (30%). De Scandinavische landen sluiten zoals te verwachten deze ranking. Doordat de specifieke bevolkingsspreiding in deze landen zijn er uitgestrekte gebieden zonder enige toegang tot EMS. De oppervlaktepercentages van de service area’s binnen 50 km variëren dan ook van 15 tot 30%.
56
5. DISCUSSIE 5.1 Algemeen De situatie betreffende de bereikbaarheid van ziekenhuizen in de Europese landen die in deze analyse onderzocht werden is in elk land uniek. Verschillen betreffende bevolkingsdichtheid, urbanisatiegraad, en wegennetwerk zorgen voor een zeer divers resultaat. Toch is juist door deze verscheidenheid zo een noodzaak aan vergelijkend onderzoek. Deze analyses hebben als opzet een eerste beeld te geven van de Europese toegankelijkheid van de ziekenhuizen, en dit aan de hand van de af te leggen afstanden. De computationele limieten werden verschillende malen getest en er werd steeds een afweging gemaakt tussen detail en uitvoerbaarheid. Deze keuzes brengen steeds gevolgen met zich mee waar er rekening mee gehouden dient te worden. De resultaten zullen per geografische regio besproken worden, gezien deze vaak een gelijkaardige situatie kennen. 5.2 West-Europa In absolute termen is de bereikbaarheid het best in de West - Europese regio bestaande uit Vlaanderen, de Randstad en het Ruhrgebied. Ook in Engeland liggen de afstanden eerder laag. Wat deze regio’s kenmerkt is dat het stedelijke netwerken zijn zonder duidelijk afgelijnde grens tussen urbane gebieden en rurale gebieden. Dit gaat gepaard met een hoge bevolkingsdichtheid en ook een zeer dicht wegennetwerk. Deze combinatie zorgt voor een hoge concentratie aan EMS faciliteiten (ongeveer 50 per 100 km²) die ook zeer goed bereikbaar zijn. Deze urbane regio werd reeds besproken door Brunet (1989) en kreeg de naam Blue Banana. Hij zag het als een West-European backbone. Ondanks de goede absolute bereikbaarheid zorgt de continue hoge bevolkingsdichtheid ervoor dat er soms een minder gelijke verdeling is van deze goede bereikbaarheid dan in andere Europese regio’s. Verder is Ierland het enigste West-Europese land dat beduidend een andere situatie kent. Het zijn vooral de kustgebieden (met uitzondering van de regio rond Dublin) waar de afstanden hoog oplopen. Ook de service area’s van de EMS onder 10 km beslaan net geen 7% van het nationale oppervlak, ver onder andere West-Europese landen. 5.3 Zuid-Europa Deze situatie in andere delen van Europa is zeer uiteenlopend. Op het Iberisch schiereiland is de bevolking veel gecentraliseerder in de steden aanwezig. Zo kent Spanje na Groot57
Brittannië het hoogste percentage Densely Populated Areas (http://ec.europa.eu/eurostat/), namelijk 50%. Tussenliggende gebieden worden gevormd door een lage bevolkingsdichtheid en veel lagere densiteit van het wegennetwerk. Dit heeft als gevolg dat vanuit de steden de EMS goed bereikbaar zijn, doch deze bereikbaarheid sterk daalt wanneer er buiten de steden gegaan wordt. De spreiding van de bereikbaarheid hangt dan ook sterk af van de situatie in de dichtbevolkte stedelijke gebieden. Zo is de beste bereikbaarheid in Spanje te vinden in de grootsteden, zodat deze gunstige situatie voor een groot deel van de bevolking aanwezig is. In contrast daarvan staat Portugal, waar de minimale afstanden voor de stedelijke bevolking meer variatie kennen. Dit wordt gereflecteerd in hun GINI-coëfficiënten van respectievelijk 0,35 en 0,80. Analoog aan de Blue Banana, is de Golden Banana. Dit is een dichtbevolkte regio die loopt van Valencia tot Genua (Hospers, 2003). Deze regio komt in deze resultaten iets minder prominent naar voor dan zijn blauwe tegenhanger. Hij wordt gevormd door een strook Mediterrane kustgebieden waar er een goede bereikbaarheid is. Dit in tegenstelling tot de gebieden verder land inwaarts, waar de bereikbaarheid meer het beeld heeft van algemeen hoge afstanden met stedelijke ‘eilanden’ van goede bereikbaarheid. 5.4 Oost-Europa In tegenstelling tot quasi alle landen uit West- en Zuid-Europa en Scandinavië is de data voor Oost-Europa een stuk ruwer. Door de grotere LAU’s wordt een groot deel van de variatie in bereikbaarheid uitgemiddeld. Ondanks dat er met gewogen centroïden gewerkt wordt, worden grote gebieden en bevolkingsgroepen nog steeds gesimplificeerd tot één enkel punt. Gezien er voor deze landen met dezelfde methodiek gewerkt werd kan hun onderlinge vergelijking toch nog van enige betekenis zijn. Tsjechië, Slovakije, en Litouwen kennen de beste bereikbaarheid. In zo goed als alle centrumsteden (die vaak de kern van de LAU vormen) is een EMS aanwezig op minder dan 15 km afstand. Ter vergelijking: Kringos et al.(2013) categoriseren de Acces to primary care van Litouwen en Tsjechië als Strong, deze van Slovakije als Medium. Daartegenover staan Polen en Bulgarije, die over de gehele serie resultaten geen goede scores kunnen voorleggen. De gemiddelde afstand tot EMS is bij beide aan de hoge kant, ondanks dat ze grote LAU level 1 eenheden kennen. Ook is er een relatief ongelijke spreiding van de toegankelijkheid aanwezig in deze landen. 58
6. BESLUIT Het veelzijdige Europa laat ook in dit onderzoek veel verschillende facetten zien. De bereikbaarheid van EMS-faciliteiten is een combinatie van nationale regelgevingen, definities, administratieve eenheden, en weginfrastructuur. Elk van deze begrippen kunnen in meer of mindere mate een invloed uitoefenen op de toegankelijkheid van medische faciliteiten in een land. Deze studie liet zien dat er een zeer sterke samenhang is tussen de bevolkingsdichtheid en de bereikbaarheid van EMS. De West-Europese Blue Banana regio, dewelke de hoogste bevolkingsconcentratie kent in Europa, komt hier ook naar voor als de regio waar de laagste afstanden afgelegd moeten worden tot de dichtstbijzijnde EMS. Enkele Centraal- en OostEuropese landen (Tsjechië, Slovakije, Litouwen) geven ook aan een zeer goede bereikbaarheid te hebben, doch de resultaten van de service area’s van de EMS temperen deze hoge scores. Deze service area’s zijn, door hun onafhankelijkheid van de LAU’s, zeer geschikt om de bekomen resultaten te vergelijken met elkaar. De hierboven genoemde landen tonen wel dat ze in de Oost-Europese regio de beste en meest consistente bereikbaarheid hebben van EMS. In absolute termen loopt de bereikbaarheid van ongeveer 10 km in de Blue Banana tot meer dan 50 km in grote delen van Scandinavië en het Iberisch schiereiland. Ondanks dat er vanuit sommige gebieden in deze landen zeer lange afstanden dienen afgelegd te worden, zorgt de bevolkingsverdeling ervoor dat de spreiding van de bereikbaarheid bij de laagste van Europa is. De bevolking is hier sterk geconcentreerd in de stedelijke ruimte, waardoor een groot deel van de bevolking toch een zeer goede bereikbaarheid kent van EMS. De vergelijking met de service area’s van de EMS liet zien dat de topregio in Europa qua bereikbaarheid duidelijk deze Blue Banana is. Daarnaast is er ook voor een zeer groot deel in Europa een EMS gelokaliseerd binnen de 25 km afstand. Het zijn enkel bergstreken en rurale buitengebieden waar deze bereikbaarheid duidelijk afneemt tot meer dan 50 km. Dit onderzoek is steeds een evenwichtsoefening gebleven tussen een zo hoog mogelijk niveau van detail en de beschikbare rekenkracht. Zowel op het vlak van administratieve eenheden als datasets van het wegennetwerk of de bevolkingsdichtheid was de rekenkracht vaak een beslissende factor omtrent de gebruikte methodes en data. Het is dan ook op dit vlak dat er
59
een grote vooruitgang geboekt kan worden om zo de realiteit nog nauwkeuriger voor te stellen. Het gebruik van OpenStreetMap als basis voor het wegennetwerk kan verschillende positieve invloeden hebben op de realisme van de resultaten. Zo kan de allocatie en routering gedetailleerder uitgevoerd worden, en kunnen verschillende niveaus in het wegdek ingecalculeerd worden. In dit onderzoek werd gebruik gemaakt van de lengte als impedance value, doch het zou zeker niet oninteressant kunnen zijn als impedance value de reistijd te kunnen selecteren. Bij medische voertuigen zijn maximale snelheden minder restricterend, doch het zou de differentiatie tussen lokale wegen en snelwegen ten goede komen. Daarnaast zou de analyse op basis van LAU level 2 eenheden in geheel Europa een Europese vergelijking veel meer draagkracht geven. De geaggregeerde resultaten die nu voor enkele Oost-Europese landen bekomen werden zijn reeds een goede indicatie omtrent de reële situatie, doch er zit een aanzienlijk verschil in realisme in vergelijking met de resultaten voor de andere Europese landen.
60
REFERENTIELIJST Literatuur Barer, M.L., Morgan, S.G., Evans, R.G. (2003) "Strangulation or rationalization? Costs and access in Canadian hospitals". Healthcare Quarterly, 7(1), 10-19. Blackwell, T.H., Kaufman, J.S. (2002) "Response time effectiveness: Comparison of response time and survival in an urban emergency medical services system". Academic Emergency Medicine, 9(4), 288-295. Boscoe, F.P., Henry, K.A., Zdeb, M.S. (2012) "A nationwide comparison of driving distance versus straight-line distance to hospitals". The Professional Geographer, 64(2), 188-196. Boussauw, K., Neutens, T., Witlox, F. (2011) “Minimum commuting distance as a spatial characteristic in a non-monocentric urban system: The case of Flanders”. Papers in Regional Science, 90(1), 47-65. Boussauw, K., Neutens, T., Witlox, F. (2012) “Relationship between Spatial Proximity and Travel-to-Work Distance: The Effect of the Compact City”. Regional Studies, 46(6), 687-706. Brotcorne, L., Laporte, G., Semet, F. (2003) "Ambulance location and relocation models". European Journal of Operational Research, 147(3), 451-463. Brown, M.C. (1994) “Using Gini-style indices to evaluate the spatial patterns of health practitioners: theoretical considerations and an application based on Alberta data”. Social Science & Medicine, 38(9), 1243-1256. Brunet, R. (1989) Les villes europeénnes: Rapport pour la DATAR. Montpellier: RECLUS. Burkey, M.L., Bhadury, J., Eiselt, H.A. (2012) "A location-based comparison of health care services in four U.S. states with efficiency and equity". Socio-Economic Planning Sciences, 45(2), 157-163. Campbell, J.P., Gratton, M.C., Salomone, J.A., Watson, W.A. (1992) "Ambulance arrival to patient contact: The hidden component of prehospital response time intervals". Annals of emergency medicine, 22(8), 1254-1257. Church, J., Barker, P. (1998) "Regionalization of health services in Canada: A critical perspective". International Journal of Health Services, 28(3), 467-486. 61
Cinnamon, J., Schuurman, N., Crooks, V.A. (2009) "Assessing the suitability of host communities for secondary palliative care hubs: A location analysis model". Health & Place, 15(3), 822-830. Currie, J., Reagan, P.B. (2003) "Distance to hospital and children’s use of preventive care: is being closer better and for whom?" Economic Inquiry, 41(3), 378-391. Delameter, P.L., Messina, J.P, Shortridge, A.M., Grady, S.C. (2012) "Measuring geographic access to health care: Raster and network-based methods". International Journal of Health Geographics, 11, 15-33. Facione, N.C. (1999) "Breast cancer screening in relation to access to health services". Oncology Nursing Forum, 26(4), 689-696. Fransen, K., Neutens, T., De Maeyer, P., Deruyter, G. (2015) “A commuter-based two-step floating catchment area method for measuring spatial accessibility of daycare centers“. Health & Place, 32, 65-73. Gini, C. (1912) “Variabilità e Mutuabilità. Contributo allo Studio delle Distribuzioni e delle Relazioni Statistiche. C. Cuppini”. Bologna, 156 blz. Gu, W., Wang, X., McGregor, E. (2010) "Optimization of preventive health care facility locations". International Journal of Health Geographics, 9, 17-34. Hanson, C. (2012) "A comparative analysis and evaluation of actual emergency incident response times and GIS modeled incident response times using network analysis and geographic information systems".
Papers in resource analysis, 14, 1-17.
Hare, T.S., Barcus, H.R. (2007) "Geographical accessibility and Kentucky's heart-related hospital services". Applied Geography, 27(3-4), 181-205. Holcik, J., Koupilova, I. (2000) “Primary health care in the Czech Republic: brief history and current issues”. International Journal of Integrated Care, 1, e06. Hospers, G.j. (2003) “Beyond the Blue Banana?”. Intereconomics, 38(2), 76-85. Iannoni, A.P., Morabito, R., Saydam, C. (2009) "An optimization approach for ambulance location and the districting of the response segments on highways". European Journal of Operational Research, 195(2), 528-542. 62
Kolesar, P., Walker, W.E. (1974) "An algorithm for the dynamic relocation of fire companies". Operations research, 22(2), 249-274. Kringos, D., Boerma, W., Bourgueil, Y., Cartier, T., Dedeu, T., Hasvold, T., Hutchinson, A., Lember, M., Oleszczyk, M., Pavlic, D.R., Svab, I., Tedeschi, P., Wilm, S., Wilson, A., Windak, A., Van der Zee, J., Groenewegen, P. (2013) “The strength of primary care in Europe: an international comparative study”. The British Journal of General Practice, 63(616), e742-e750. Liu, L., Hader, J., Brossart, B., White, R., Lewis, S. (2001) "Impact of rural hospital closures in Saskatchewan, Canada". Social Science & Medicine, 52(12), 1793-1804. Loo, B.P.Y., Lam, W.W.Y. (2012) "Geographic accessibility around health care facilities for elderly residents in Hong Kong: A microscale walkability assessment". Environment and Planning B: Planning and Design, 39(4), 629-646. Luo, W. (2004) "Using a GIS-based floating catchment method to assess areas with shortage of physicians". Health & Place, 10(1), 1-11. Luo, W., Qi, Y. (2009) "An enhanced two-step floating catchment area (E2SFCA) method for measuring spatial accessibility to primary care physicians". Health & Place, 15(4), 11001107. Mao, L., Nekorchuck, D. (2013) "Measuring spatial accessibility to healthcare for populations with multiple transportation modes". Health & Place, 24(6), 155-122. Neutens, T., Schwanen, T., Witlox, F., De Maeyer, P. (2010) “Equity of urban service delivery: a comparison of different accessibility measures”. Environment and Planning A, 42, 1613-1635. Ng, E., Wilkins, R., Perras, A. (1993) “How far is it to the nearest hospital? Calculating distances using the Statistics Canada Postal Code Conversion File”. Health reports, 5(2), 179188. Patel, A.B., Waters, N.M., Blanchard, I.E., Doig, C.J., Ghali, W.A. (2012) “A validation of ground ambulance pre-hospital times modeled using geographic information systems”. International Journal of Health Geographics, 11, 42-52.
63
Peleg, K., Pliskin, J.S. (2004) "A geographic information system simulation model of EMS: Reducing ambulance response time". American Journal of Emergency Medicine, 22(3), 164170. Pons, P.T., Haukoos, J.S., Bludworth, W., Cribley, T., Pons, K.A., Markovchick, V.J. (2005) “Paramedic response time: Does it affect patient survival?”. Academic Emergency Medicine, 12(7), 594-600. ReVelle, C., Bigman, D., Schilling, D., Cohon, J., Church, R. (1977) “Facility location: A review of context-free and EMS models”. Health Services Research, 12(2), 129-146. Sabes-Figuera, R., Maghiros, I. (2013) “European Hospital Survey: Benchmarking Deployment of eHealth Services (2012 – 2013). Synthesis of Outcomes”. Luxembourg: Publications Office of the European Union, 36 blz. Sasaki, S., Comber, A.J., Suzuki, H., Brunsdon, C. (2010) "Using genetic algorithms to optimise current and future health planning - the example of ambulance locations". International Journal of Health Geographics, 9, 4-14. Schmid, V. (2012) "Solving the dynamic ambulance relocation and dispatching problem using approximate dynamic programming". European Journal of Operational Research, 219(3), 611-621. Schuurman, N., Fiedler, R.S., Grzybowski, S.C.W, Grund, D. (2006) "Defining rational hospital catchments for non-urban areas based on travel-time". International Journal of Health Geographics, 5, 43-54. Sorensen, P., Church, R. (2010) "Integrating expected coverage and local reliability for emergency medical services location problems". Socio-Economic Planning Sciences, 44(1), 818. Tanser, F., Gijsbertsen, B., Herbst, K. (2006) "Modelling and understanding primary health care accessibility and utilization in rural South Africa: An exploration using a geographical information system". Social Science & Medicine, 63(3), 691-705. Zimmerman, S. (1997) "Factors influencing Hispanic participation in prostate cancer screening". Oncology Nursing Forum, 24(3), 499-504.
64
Internetbronnen http://ec.europa.eu/eurostat/, 15/05/2015 http://www.eurogeographics.org/about, 17/05/2015 http://data.euro.who.int/hfadb/, 02/08/2015
65
BIJLAGEN
Bijlage 1: Python script bevolkingsdichtheid Bijlage 2: Python script afstandsanalyse Bijlage 3: Python script standaardafwijking Bijlage 4: Python script service area’s
66
Bijlage 1: Python script bevolkingsdichtheid Bron: Eigen verwerking
# Set the necessary product code # import arcinfo # Import arcpy module import arcpy # Load required toolboxes arcpy.ImportToolbox("Model Functions") # Local variables: Thesis_gdb = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Thesis.gdb" GEOSTAT_grid_POP_1K_2011_V1_0_csv = "C:\\Users\\Marc thuis\\Downloads\\GEOSTAT_grid_POP_1K_2011_V1_0\\GEOSTAT_grid_POP_1K_2011 _V1_0.csv" EU2_shp = "F:\\School\\EU2.shp" GEOSTAT_grid_POP_1K_2011_V1_1 = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\GEOSTAT_grid_POP_1K_2011_V1_1" test1_osm_ply = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Thesis.gdb\\IE" IE = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Thesis.gdb\\IE" IE_FeatureToPoint = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint" EU_SpatialJoin5 = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_SpatialJoin5" EU_SpatialJoin5_Dissolve = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_SpatialJoin5_Dissolve" # Process: Iterate Feature Classes arcpy.IterateFeatureClasses_mb(Thesis_gdb, "", "POLYGON", "NOT_RECURSIVE") # Process: Table Select arcpy.TableSelect_analysis(GEOSTAT_grid_POP_1K_2011_V1_0_csv, GEOSTAT_grid_POP_1K_2011_V1_1, "\"CNTR_CODE\" = '%NAME%'") # Process: Join Field 67
arcpy.JoinField_management(test1_osm_ply, "CODE", GEOSTAT_grid_POP_1K_2011_V1_1, "GRD_ID", "") # Process: Feature To Point arcpy.FeatureToPoint_management(IE, IE_FeatureToPoint, "INSIDE") # Process: Spatial Join arcpy.SpatialJoin_analysis(EU2_shp, IE_FeatureToPoint, EU_SpatialJoin5, "JOIN_ONE_TO_MANY", "KEEP_COMMON", "OBJECTID_1 \"OBJECTID_1\" true true false 9 Long 0 9,First,#,F:\\School\\EU2.shp,OBJECTID_3,-1,-1;OBJECTID \"OBJECTID\" true true false 9 Long 0 9 ,First,#,F:\\School\\EU2.shp,OBJECTID,-1,-1;GEM_NR \"GEM_NR\" true true false 19 Double 0 0 0 0 ,First,#,F:\\School\\EU2.shp,Shape_Leng,-1,1;Name \"Name\" true true false 128 Text 0 0 ,First,#,F:\\School\\EU2.shp,Name,-1,1;Total_Leng \"Total_Leng\" true true false 19 Double 0 0 ,First,#,F:\\School\\EU2.shp,Total_Leng,-1,-1;ID_0 \"ID_0\" true true false 9 Long 0 9 ,First,#,F:\\School\\EU2.shp,ID_0,-1,-1;ISO \"ISO\" true true false 3 Text 0 0,First,#,F:\\School\\EU2.shp,LAND_AREA,-1,-1;TOTAL_AREA \"TOTAL_AREA\" true true false 19 19 Double 0 0 ,First,#,F:\\School\\EU2.shp,Shape_Area,-1,-1;DIFF \"DIFF\" true true false 13 Float 0 0 ,First,#,F:\\School\\EU2.shp,DIFF,-1,-1;DIFF_PERC \"DIFF_PERC\" true true false 13 Float 0 0 ,First,#,F:\\School\\EU2.shp,DIFF_PERC,-1,-1;ABS_DIFF \"ABS_DIFF\" true true false 13 Float 0 0 ,First,#,F:\\School\\EU2.shp,ABS_DIFF,-1,1;OPPER \"OPPER\" true true false 19 Double 0 0 ,First,#,F:\\School\\EU2.shp,OPPER,-1,1;OBJECTID_12 \"OBJECTID\" true true false 4 Long 0 0 ,First,#,C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint,Shape_Area,-1,-1;TOT_P \"TOT_P\" true true false 4 Long 0 0 ,First,#,C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint,TOT_P,-1,-1;GRD_ID \"GRD_ID\" true true false 255 Text 0 0 ,First,#,C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint,TOT_P_CON_DT,-1,1;TOT_P_1 \"TOT_P_1\" true true false 4 Long 0 0 ,First,#,C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint,TOT_P_CON_DT_1,-1,1;ORIG_FID \"ORIG_FID\" true true false 0 Long 0 0 ,First,#,C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\IE_FeatureToPoint,ORIG_FID,-1,-1", "INTERSECT", "", "") # Process: Dissolve arcpy.Dissolve_management(EU_SpatialJoin5, EU_SpatialJoin5_Dissolve, "TARGET_FID", "TOT_P SUM", "MULTI_PART", "DISSOLVE_LINES")
68
Bijlage 2: Python script afstandsanalyse Bron: eigen verwerking
# Import arcpy module import arcpy # Check out any necessary licenses arcpy.CheckOutExtension("Network") # Script arguments String = arcpy.GetParameterAsText(0) if String == '#' or not String: String = "\"ISO\" = 'MLT'" # provide a default value if unspecified # Local variables: Road_EU_ND_nd = "F:\\School\\Thesis\\Road_EU_ND.nd" EU_ems3_shp = "F:\\School\\EU_ems3.shp" Grid_ETRS89_LAEA_1K_ref_GEOSTAT_2011_V1_0_shp = "C:\\Users\\Marc thuis\\Downloads\\GEOSTAT_grid_POP_1K_2011_V1_0\\Grid_ETRS89_LAEA_1K_ref_G EOSTAT_2011_V1_0.shp" EU2_shp = "F:\\School\\EU2.shp" LAU_EU_Select_shp = String LAU_EU_SELECT_shp__2_ = LAU_EU_Select_shp TEMP = LAU_EU_Select_shp TEMPCENTER = TEMP OD_Cost_Matrix__3_ = TEMPCENTER Network_Analyst_Layer__4_ = OD_Cost_Matrix__3_ Lines = Network_Analyst_Layer__4_ ODL = Lines ODLines__4_ = ODL ODLines__2_ = ODLines__4_ Solve_Succeeded = OD_Cost_Matrix__3_ LAU_EMS_Clip_shp = LAU_EU_Select_shp OD_Cost_Matrix__4_ = LAU_EMS_Clip_shp 69
OD_Cost_Matrix = "OD Cost Matrix" # Process: Make OD Cost Matrix Layer arcpy.MakeODCostMatrixLayer_na(Road_EU_ND_nd, "OD Cost Matrix", "Length", "", "1", "", "ALLOW_UTURNS", "", "NO_HIERARCHY", "", "STRAIGHT_LINES", "") # Process: Select arcpy.Select_analysis(EU2_shp, LAU_EU_Select_shp, String) # Process: Clip arcpy.Clip_analysis(EU_ems3_shp, LAU_EU_Select_shp, LAU_EMS_Clip_shp, "") # Process: Add Locations (2) arcpy.AddLocations_na(OD_Cost_Matrix, "Destinations", LAU_EMS_Clip_shp, "Name Name #", "20000 Meters", "FID", "RoadL SHAPE;Road_EU_ND_Junctions NONE", "MATCH_TO_CLOSEST", "APPEND", "SNAP", "5 Meters", "INCLUDE", "RoadL #;Road_EU_ND_Junctions #") # Process: Spatial Join arcpy.SpatialJoin_analysis(Grid_ETRS89_LAEA_1K_ref_GEOSTAT_2011_V1_0_shp, LAU_EU_Select_shp, TEMP, "JOIN_ONE_TO_MANY", "KEEP_COMMON", "", "INTERSECT", "", "") # Process: Mean Center arcpy.MeanCenter_stats(TEMP, TEMPCENTER, "TOT_P", "JOIN_FID", "") # Process: Add Locations arcpy.AddLocations_na(OD_Cost_Matrix__4_, "Origins", TEMPCENTER, "Name JOIN_FID #;TargetDestinationCount # #", "20 Kilometers", "", "RoadL SHAPE;Road_EU_ND_Junctions NONE", "MATCH_TO_CLOSEST", "CLEAR", "SNAP", "50 Meters", "INCLUDE", "RoadL #;Road_EU_ND_Junctions #") # Process: Solve arcpy.Solve_na(OD_Cost_Matrix__3_, "SKIP", "TERMINATE", "") # Process: Select Data arcpy.SelectData_management(Network_Analyst_Layer__4_, "Lines") # Process: Copy Features arcpy.CopyFeatures_management(Lines, ODL, "", "0", "0", "0") # Process: Add Field arcpy.AddField_management(ODL, "CODE", "LONG", "", "", "", "", "NULLABLE", "NON_REQUIRED", "") # Process: Calculate Field 70
arcpy.CalculateField_management(ODLines__4_, "CODE", "!Name!.partition(\" - \") [0]", "PYTHON_9.3", "") # Process: Join Field (2) arcpy.JoinField_management(LAU_EU_Select_shp, "FID", ODLines__2_, "CODE", "Name;Total_Length;CODE")
71
Bijlage 3: Python script standaardafwijking Bron: Eigen verwerking
# Import arcpy module import arcpy # Load required toolboxes arcpy.ImportToolbox("Model Functions")
# Local variables: EU_POP_shp = "F:\\School\\Thesis\\2\\FINAL\\EU_POP.shp" SBA_gdb = "F:\\School\\Thesis\\NUTS\\SBA EU_landen\\SBA.gdb" Iterator2_gdb = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Iterator2.gdb" NUTS_ID_AT = "F:\\School\\Thesis\\NUTS\\SBA EU_landen\\SBA.gdb\\NUTS_ID_FR" EU_Clip = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_Clip" EU_Clip__4_ = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_Clip" EU_Clip_Statistics = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_Clip_Statistics" EU_Clip__2_ = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Default.gdb\\EU_Clip" v_Name_ = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Iterator2.gdb\\%Name%" # Process: Iterate Feature Classes arcpy.IterateFeatureClasses_mb(SBA_gdb, "", "POLYGON", "NOT_RECURSIVE") # Process: Clip arcpy.Clip_analysis(EU_POP_shp, NUTS_ID_AT, EU_Clip, "") # Process: Add Field arcpy.AddField_management(EU_Clip, "STDEV", "FLOAT", "", "", "", "", "NULLABLE", "NON_REQUIRED", "") # Process: Summary Statistics arcpy.Statistics_analysis(EU_Clip__4_, EU_Clip_Statistics, "AFSTAND STD;AFSTAND MEAN", "") 72
# Process: Get Field Value arcpy.GetFieldValue_mb(EU_Clip_Statistics, "STD_AFSTAND", "Long", "0")
# Process: Get Field Value (2) arcpy.GetFieldValue_mb(EU_Clip_Statistics, "MEAN_AFSTAND", "Long", "0") # Process: Calculate Field arcpy.CalculateField_management(EU_Clip__4_, "STDEV", "([AFSTAND] - %Value (2)% ) / %Value%", "VB", "") # Process: Copy arcpy.Copy_management(EU_Clip__2_, v_Name_, "")
73
Bijlage 4: Python script service area’s Bron: Eigen verwerking
# Import arcpy module import arcpy # Check out any necessary licenses arcpy.CheckOutExtension("Network") # Local variables: Road_BE_ND_nd = "F:\\School\\Thesis\\Countries\\BE\\Road_BE_ND.nd" EMS_BEL_shp = "F:\\School\\Thesis\\EMS\\EMS_BEL.shp" Service_Area_2 = "Service Area 2" Service_Area_2__4_ = "Service Area 2" Service_Area_2__3_ = "Service Area 2" Polygons = "Service Area 2\\Polygons" BEL = "C:\\Users\\Marc thuis\\Documents\\ArcGIS\\Serv_Areas.gdb\\BEL" # Process: Make Service Area Layer arcpy.MakeServiceAreaLayer_na(Road_BE_ND_nd, "Service Area 2", "Length", "TRAVEL_TO", "5000 10000 25000 50000", "SIMPLE_POLYS", "MERGE", "RINGS", "NO_LINES", "OVERLAP", "NO_SPLIT", "", "", "ALLOW_UTURNS", "", "TRIM_POLYS", "100 Meters", "NO_LINES_SOURCE_FIELDS", "NO_HIERARCHY", "") # Process: Add Locations arcpy.AddLocations_na(Service_Area_2, "Facilities", EMS_BEL_shp, "Name FID #", "10000 Meters", "", "RoadBE SHAPE;Road_BE_ND_Junctions NONE", "MATCH_TO_CLOSEST", "APPEND", "NO_SNAP", "5 Meters", "INCLUDE", "RoadBE #;Road_BE_ND_Junctions #") # Process: Solve arcpy.Solve_na(Service_Area_2__4_, "SKIP", "TERMINATE", "") # Process: Select Data arcpy.SelectData_management(Service_Area_2__3_, "Polygons")
74
# Process: Copy Features arcpy.CopyFeatures_management(Polygons, BEL, "", "0", "0", "0")
# Process: Add Geometry Attributes arcpy.AddGeometryAttributes_management(BEL, "AREA_GEODESIC", "KILOMETERS", "SQUARE_KILOMETERS", "PROJCS['ETRS_1989_ETRSTM32',GEOGCS['GCS_ETRS_1989',DATUM['D_ETRS_1989',SPHEROID['GRS_1980',63 78137.0,298.257222101]],PRIMEM['Greenwich',0.0],UNIT['Degree',0.0174532925199433]], PROJECTION['Transverse_Mercator'],PARAMETER['False_Easting',500000.0],PARAMET ER['False_Northing',0.0],PARAMETER['Central_Meridian',9.0],PARAMETER['Scale_Facto r',0.9996],PARAMETER['Latitude_Of_Origin',0.0],UNIT['Meter',1.0]]")
75
