Show Less
Open access

Versorgungsbedarf, Angebot und Inanspruchnahme ambulanter hausärztlicher Leistungen im kleinräumigen regionalen Vergleich

Series:

Anke Schliwen

Die Sicherstellung einer flächendeckenden, wohnortnahen und bedarfsgerechten Versorgung ist ein zentrales Anliegen der deutschen Gesundheitspolitik. Anke Schliwen untersucht den regionalen Zusammenhang von Versorgungsbedarf, Angebot und Inanspruchnahme hausärztlicher Leistungen. Dabei wird der Versorgungsbedarf anhand eines multifaktoriellen Index auf der kleinräumigen Ebene der Mittelbereiche operationalisiert. Eine Clusteranalyse ermöglicht die Identifikation von Regionstypen, deren Eigenschaften Ansatzpunkte für eine Neuordnung der Ressourcenallokation bieten können. Mit ihrem Buch unterstreicht die Autorin die Notwendigkeit, innerhalb zentraler Rahmenbedingungen den Einsatz regionaler Planungs- und Steuerungsinstrumente zur Verteilung von ärztlichen Kapazitäten zu ermöglichen.
Show Summary Details
Open access

6 Versorgungsindikatoren nach Regionstypen

| 125 →

6 Versorgungsindikatoren nach Regionstypen

Wie die vorherigen Kapitel gezeigt haben, sind der Versorgungsbedarf, das hausärztliche Versorgungsangebot und die Inanspruchnahme dieses Angebotes regional zum Teil sehr unterschiedlich verteilt. Über alle Mittelbereiche hinweg ist nur ein sehr schwacher Zusammenhang zwischen der regionalen Bedarfsbelastung und den hausärztlichen Arztkapazitäten bzw. deren Inanspruchnahme auszumachen. Die Arztdichte und die Inanspruchnahmehäufigkeit korrelieren hingegen deutlich positiv miteinander.

Die folgenden Analysen dienen der Identifikation von Regionsgruppen, in denen Mittelbereiche zusammengefasst werden, die sich im Hinblick auf die relative Ausprägung der drei Versorgungsindikatoren ähnlich sind, also ein vergleichbares Profil des Versorgungsbedarfs, -angebots und der Inanspruchnahme von hausärztlichen Leistungen im Bezug auf die Abweichung vom Durchschnitt aufweisen.

Für 383 Mittelbereiche liegen die Informationen zum relativen Bedarfsindex, der absoluten Anzahl Ärzte je 100.000 Einwohner und der durchschnittlichen Fallzahl beim Hausarzt je Einwohner vollständig vor. Auf Grundlage dieser Stichprobe wird nun mithilfe eines zweistufigen Verfahrens aus Verteilungs- und Clusteranalyse nach Mustern in der Ausprägung dieser drei Faktoren auf kleinräumiger Ebene gesucht.

6.1 Verteilungsanalyse

Folgt man dem Equity-Prinzip, so sollen in Mittelbereichen mit einem stark über- bzw. unterdurchschnittlichen Versorgungsbedarf ein stark über- bzw. unterdurchschnittliches Versorgungsangebot und eine stark über- bzw. unterdurchschnittliche Inanspruchnahme dieses Angebots vorliegen. Da die absolute Quantifizierung des bedarfsgerechten Versorgungsangebots und seiner Inanspruchnahme problematisch ist (vgl. Kapitel 3.1.5), werden bei dieser Betrachtung immer die Stärke der relativen Abweichung von einem Benchmark, hier dem bundesdeutschen Durchschnitt, betrachtet.

Eine Verteilungsanalyse kann zunächst Aufschluss geben, ob ein Mittelbereich bei allen drei Versorgungsindikatoren eine vergleichbare Position in der Verteilung aller Mittelbereiche aufweist, ohne dass die absolute Höhe der prozentualen ← 125 | 126 → Abweichung relevant ist.46 Dafür werden die Verteilungen der drei Versorgungsindikatoren nach Quintilen ausgewertet, wobei im ersten Quintil Mittelbereiche mit stark unterdurchschnittlichen Werten und im fünften Quintil Mittelbereiche mit stark überdurchschnittlichen Werten zusammengefasst werden (Abbildung 16).

Mittelbereiche, die sich in allen drei Verteilungen im gleichen Quintil befinden weisen einen hohen Grad an Equity auf – hier wird von einer gerechten Versorgung ausgegangen. Eine gewisser Grad von Abweichung wird toleriert, indem auch Mittelbereiche, in denen entweder die Arztdichte oder die Inanspruchnahmehäufigkeit maximal ein Quintil von dem Quintil des Versorgungsbedarfs differiert, als „gerecht“ bezeichnet werden (vgl. Mittelbereiche in grün markierten Feldern in Abbildung 16). Insgesamt erfüllen 94 der 383 Mittelbereiche nach diesen Verteilungsvoraussetzungen das Equity-Kriterium. Diese Mittelbereiche werden in den folgenden Analysen und Ergebnisdarstellungen als „Regionstyp 0“ bezeichnet.

Eine Korrelationsanalyse der drei Versorgungsindikatoren in den ausgewählten 94 Mittelbereichen bestätigt die Annahme, dass in diesen Mittelbereichen der Versorgungsbedarf stark positiv mit dem hausärztlichen Versorgungsangebot und der Inanspruchnahme zusammenhängt (Tabelle 16).

Tabelle 16: Pearson-Korrelationskoeffizienten für drei Versorgungsindikatoren in ausgewählten Mittelbereichen (N=94)

Illustration

Quelle: eigene Berechnung

Anmerkung: ** Signifikanzlevel p<0,01

Die anderen Mittelbereiche weichen, was die Hausarztdichte und die Inanspruchnahme anbelangt, mehr oder weniger stark von der Verteilung des Versorgungsbedarfs ab. Um diese Abweichungen empirisch in einer überschaubaren Anzahl Regionstypisierungen zusammenzufassen, wird eine Clusteranalyse verwendet. ← 126 | 127 →

Abbildung 16: Übersicht Anzahl Mittelbereiche nach Quintilen der Verteilungen von Bedarf, Angebot und Inanspruchnahme (1=niedrig, 5=hoch)

Illustration

Quelle: eigene Berechnung und Darstellung

Anmerkung: Grau markiert sind die Mittelbereiche, in denen eine bedarfsgerechte Versorgung angenommen wird. ← 127 | 128 →

6.2 Clusteranalyse

Bei der Clusteranalyse wird vermutet, dass sich Zusammenhänge zwischen den Indikatoren innerhalb einer Untergruppe anders darstellen, als in der gesamten Stichprobe. Im Gegensatz zur Verteilungsanalyse ist bei der Clusteranalyse der Grad der Abweichung vom Mittelwert für die drei Versorgungsindikatoren von zentraler Bedeutung.

Die Clusteranalyse ist ein strukturentdeckendes Klassifikationsverfahren, bei dem Objekte, hier die Mittelbereiche, so in Gruppen eingeteilt werden, dass

die Homogenität innerhalb der Gruppen möglichst hoch, und

die Homogenität zwischen den Gruppen möglichst gering ist.

Ziel der Analyse ist es also, dass Mittelbereiche, die sich möglichst ähnlich in ihrer Ausprägung der drei Faktoren Bedarf, Angebot und Inanspruchnahme sind, einer Gruppe zugeteilt werden, und dass sich die Gruppen untereinander deutlich unterscheiden. Die Anzahl der Gruppen ist a priori nicht festgelegt.

Eine Aussage über die Ähnlichkeit bzw. Unähnlichkeit der Mittelbereiche wird nur in Hinblick auf die drei analysierten Faktoren getroffen. Erst im anschließenden Schritt wird nach weiteren Gemeinsamkeiten der Mittelbereiche in einem Cluster gesucht. Besonderheit der Clusteranalyse ist, dass alle drei Indikatoren gleichzeitig bei der Gruppenbildung herangezogen werden. Um eine Gleichgewichtung der Indikatoren zu erreichen und eine Verzerrung aufgrund von unterschiedlichen Skalenniveaus zu vermeiden, müssen die Indikatoren zunächst standardisiert werden. Sonst hätte beispielsweise die Anzahl Hausärzte je 100.000 Einwohner (Range 35,5 bis 124,9) allein durch das absolut höhere Niveau einen stärkeren Einfluss auf Unterschiede zwischen den Mittelbereichen als der Bedarfsindex (Range –2,1 bis +2,5). Es wird eine Z-Standardisierung vorgenommen, so dass bei allen drei Indikatoren ein Mittelwert von Null und eine Standardabweichung von Eins vorliegt (Abbildung 17). ← 128 | 129 →

Abbildung 17: Z-Standardisierte Versorgungsindikatoren für ausgewählte Mittelbereiche, Darstellung nach Quintilen

Illustration

Quelle: eigene Berechnung und Darstellung

6.2.1 Bestimmung der Proximitäten

Erster Schritt der Clusteranalyse ist die Bestimmung der Distanzen bzw. Ähnlichkeiten zwischen den Mittelbereichen. Bei der Gruppierung der Mittelbereiche zu regionalen Profilen interessieren die absoluten Abstände der Objekte und soll die Unähnlichkeit mit steigender Distanz zunehmen. Das Niveau der Unterschiede ist entscheidend, da insbesondere die Über- bzw. Unterdurchschnittlichkeit der Ausprägung der drei Indikatoren für die Gruppierung und deren Interpretation von Bedeutung ist. Es wird daher ein Distanzmaß anstatt eines Ähnlichkeitsmaßes gewählt.47 Alle drei Indikatoren liegen auf metrischem Skalenniveau vor. Als Distanzmaße bei metrischen Skalen werden oft sogenannte L-Normen oder Minkowski-Metriken gewählt:

Illustration

← 129 | 130 →

wobei

dk,l : Distanz der Objekte k und l

xkj, xlj : Wert der Variablen j bei Objekt k, l (j=1,2,…J)

r ≥ 1 : Minkowski-Konstante

Wird r=1 gewählt, so ist das Ergebnis die sogenannte City-Block-Metrik (L1-Norm), wird r=2 gewählt, so berechnet man die Euklidische Metrik (L2-Norm). Bei den Minkowski-Metriken gehen alle Distanzwerte gleichwertig ein. Während bei der City-Block-Metrik (auch Manhattan-Metrik genannt) auch Ausreißer gleich gewichtet werden, werden bei der quadrierten euklidischen Distanz große Differenzwerte verstärkt berücksichtigt.

Für die folgende Clusteranalyse wird die quadrierte euklidische Distanz als Distanzmaß gewählt und die Unähnlichkeit zwischen allen Mittelbereichen jeweils berechnet:

Illustration

Das Ergebnis ist eine Distanzmatrix, die als Grundlage für das Zusammenfassen der Mittelbereiche zu Gruppen dient.

6.2.2 Methode der Clusteranalyse

Grundsätzlich wird bei den Clusteralgorithmen zwischen partitionierenden und hierarchischen Verfahren unterschieden (vgl. Backhaus, Erichson et al. 2008).

Die partitionierenden Verfahren gehen von einer vorgegebenen Gruppierung der Objekte aus (Anfangspartition) und ordnen die Objekte so lange zwischen den Gruppen um, bis eine Zielfunktion (z. B. maximale Verringerung der Varianz innerhalb der Gruppen) ihr Optimum erreicht. Die partitionierenden Verfahren sind sehr variabel, da die Objekte auch während des Fusionierungsprozesses noch die Gruppen wechseln können und nicht nach einmaliger Zuordnung in einem Cluster gesetzt sind. Die Wahl der Anfangspartition kann allerdings häufig nur in Teilen oder gar nicht theoretisch begründet werden, hat aber Einfluss auf die sich ergebenden Cluster-Lösungen. Auch spielt die Wahl der Zielfunktion eine entscheidende Rolle bei der Zuordnung der Objekte. Das Statistik-Programm SPSS bietet als partitionierenden Algorithmus das k-Means-Verfahren an.

Da die Vorgabe der Anzahl Cluster bei den partitionierenden Verfahren eine zwingende Voraussetzung ist, wird häufig ein zweistufiges Verfahren angewandt, bei dem zunächst mit einem hierarchischen Verfahren die Anzahl der Cluster bestimmt und anschließend die endgültige Zuordnung der Objekte zu diesen ← 130 | 131 → Clustern durch ein partitionierendes Verfahren erfolgt (vgl. Tiede 1993; Bortz 2005; Strohmeier, Schultz et al. 2007).

Die hierarchischen Verfahren sind bezüglich der Rechenleistung weniger anspruchsvoll. Es wird zwischen agglomerativen und diversiven Algorithmen unterschieden. Bei agglomerativen Verfahren wird von der feinsten Partition der Objekte ausgegangen (d. h. jedes Objekt bildet ein Cluster) und die Objekte und im weiteren Verlauf Gruppen schrittweise so lange zusammengefügt, bis ein einziges Cluster entsteht (d. h. alle Objekte bilden ein Cluster). Die diversiven Clusterverfahren starten entsprechend mit einem einzigen Cluster aller Objekte als Ausgangspunkt und enden, wenn jedes Objekt ein eigenes Cluster bildet. Im Verlauf dieser Zusammenführung bzw. Trennung von Objekten und Objektgruppen muss eine Entscheidung über die optimale Clusteranzahl getroffen werden.

Für diese Clusteranalyse wurde zunächst ein agglomeratives, hierarchisches Vorgehen gewählt. Auf Grundlage der erstellten Distanzmatrix mit der quadrierten euklidischen Distanz als Distanzmaß werden die Mittelbereiche mit der geringsten Distanz zueinander zu einem Cluster zusammengefasst. Anschließend werden neue Abstände der Cluster zueinander berechnet. Die Cluster mit der größten Ähnlichkeit werden dann zu einer neuen Clustergruppe aggregiert. Dieser Ablauf erfolgt so lange, bis alle Mittelbereiche in einem einzigen Cluster zusammengeführt sind.

Der Abstand zwischen zwei Clustern und das entsprechende Zusammenfassen von Clustern wird mit einem Fusionierungsalgorithmus bestimmt. Gewählt wurde hier das Ward-Verfahren, bei dem die Gruppen zusammengefasst werden, die das Heterogenitätsmaß der bestehenden Gruppe am wenigsten vergrößern, die Varianz in der Gruppe also möglichst gering bleibt. Das Varianzkriterium (auch als Fehlerquadratsumme bezeichnet) wird für eine Gruppe g wie folgt berechnet:

Illustration

mit

xkjg : Beobachtungswert der Variablen j (j=1,…,J) bei Objekt k (für alle Objekte k=1,…,Kg in Gruppe g

xjg : Mittelwert über die Beobachtungswerte der Variablen j in Gruppe g

Das Ward-Verfahren wird als sehr guter Fusionierungsalgorithmus angesehen (vgl. Backhaus, Erichson et al. 2008), wenn ein Distanzmaß sinnvoll zur Anwendung kommen kann, die Variablen auf metrischem Skalenniveau vorliegen, keine ← 131 | 132 → Ausreißer bestehen und die Variablen nicht korreliert sind. Stein und Vollnhals (2011) bezeichnen das Ward-Verfahren als „das leistungsstärkste Verfahren unter den agglomerativen Verfahren“ (S. 37).

Um die Voraussetzungen für die Anwendung des Ward-Verfahrens zu schaffen, wurde ein Ausreißer korrigiert.48 Die positive Korrelation zwischen der Hausarztdichte und der Anzahl Hausarztfälle je Einwohner mit einem Pearson-Korrelationskoeffizienten von 0,541 kann bewirken, dass beide Merkmale bei der Distanzberechnung höher gewichtet werden. Als Ergebnis können Cluster erwartet werden, die möglichst homogen sind, in ihrer enthaltenen Objektzahl vergleichbar groß sind und etwa die gleiche Ausdehnung haben (Backhaus, Erichson et al. 2008). Da die Ergebnisse der hierarchischen Clusteranalyse als Ausgangspunkt für eine Clusterzentrenanalyse (k-Means) dienen, bei der eine erneute Zuordnung der Objekte vorgenommen wird, sind die Ergebniseigenschaften des Ward-Fusionierungs-Algorithmus hier schlussendlich aber nebensächlich.

Die Ergebnisse der Clusteranalyse wurden mithilfe eines Dendogramms und einer Zuordnungsübersicht (Agglomeration Schedule) ausgewertet49. Auf Grundlage dieser Darstellung bzw. Auswertung wurde die Entscheidung über die optimale Anzahl der Cluster getroffen. Dabei steht der Anwender im Konflikt zwischen der Auswahl von vielen Clustern mit großer Homogenität oder wenigen Clustern mit besserer Handhabbarkeit (vgl. Backhaus, Erichson et al. 2008).

Neben sachlogischen Einschätzungen zur maximalen Clusterzahl oder dem maximal zulässigen Heterogenitätsmaß kann auch das Elbow-Kriterium herangezogen werden. Dabei wird die Fehlerquadratsumme gegen die entsprechende Clusterzahl in ein Diagramm eingetragen. Das Heterogenitätsmaß steigt mit abnehmender Clusterzahl. Als „Elbow“ wird ein „Knick“ in diesem Maß bezeichnet, der einen Sprung in der Entwicklung der Unähnlichkeit der Mittelbereiche in einem Cluster anzeigt.

Die Darstellung legt zwei mögliche Lösungen nahe (vgl. Abbildung 18): eine Zwei-Cluster oder eine Vier-Cluster-Lösung. Um ein gewisses Spektrum an möglichen Regionstypen mit Bezug auf die Versorgungsindikatoren abbilden ← 132 | 133 → zu können und eine höhere Ähnlichkeit der Mittelbereiche in einem Cluster zu erreichen, wurde die Vier-Cluster-Lösung gewählt.

Abbildung 18: Elbow-Kriterium beim Ward-Verfahren

Illustration

Quelle: eigene Berechnung und Darstellung

Die Anzahl von vier Clustern wurde anschließend als Ausgangspunkt für die Clusterzentrenanalyse (k-Means) gewählt, für die eine Vorgabe der Clusterzahl notwendig ist. Ausgangspunkt für das k-Means-Verfahren ist eine willkürlich gewählte oder a priori vom Anwender festgelegte Startpartition, die dann in einem iterativen Prozess so lange verändert wird, bis die Binnenheterogenität der gebildeten Gruppen ein Optimum erreicht hat oder ein gewähltes Abbruchkriterium zutrifft. Die Startpartition kann dabei das Ergebnis des Clusterprozesses entscheidend beeinflussen – nur wenn die Clusterstruktur der Ausgangsdaten sehr eindeutig ist, wird die Startpartition keinen Einfluss auf die Clusterlösung des k-Means-Prozesses haben (vgl. Wiedenbeck & Züll 2001).

Daher wurden im Sinne einer Sensitivitätsanalyse sieben unterschiedliche Startpartitionen gewählt.50 Die Sortierung der drei Versorgungsindikatoren ← 133 | 134 → wurde dafür willkürlich geändert. Auch das Ergebnis der vorhergegangenen hierarchischen Clusteranalyse wurde als Startpartition gewählt. Als Abbruchkriterium galt eine Überschreitung von 15 Iterationen oder eine Veränderung des Clusterzentrums um weniger als den Schwellenwert von 0,00. Es wurden keine gleitenden Mittelwerte verwendet, sondern die Clusterzentren neu berechnet, nachdem alle Mittelbereiche final einem der vier Cluster zugeordnet wurden.

Die Güte der Clusterlösungen der unterschiedlichen Startpartitionen lässt sich anhand des Verhältnisses der Streuungen zwischen den Clustern und innerhalb der Cluster bewerten. Dafür können die Quadratsummen innerhalb der Cluster und die Quadratsummen zwischen den Clustern mit einer ANOVA-Tabelle ausgegeben werden. Dem Ziel der Clusteranalyse folgend sollte die Quadratsumme innerhalb der Cluster möglichst niedrig, die Quadratsumme zwischen den Clustern möglichst hoch ausfallen. Das Verhältnis der beiden Quadratsummen wird mit dem F-Wert ausgedrückt: Ist dieser Wert hoch und statistisch signifikant, kann davon ausgegangen werden, dass die Clusteranalyse im Bezug auf das zuvor beschriebene Grundziel erfolgreich war.

Für alle sieben Clusteranalysen weisen die drei Indikatoren jeweils einen sehr hohen F-Wert mit einer hohen Signifikanz auf (vgl. Anhang II). Ein qualitativer Unterschied bei der Güte der Clusterlösungen lässt sich nicht feststellen: In allen Fällen ist die Clusteranalyse insofern erfolgreich, dass sich die Werte der Indikatoren innerhalb der Cluster wesentlich ähnlicher sind als die Werte in unterschiedlichen den Clustern. Auch ist die Zuordnung zu den Clusterprofilen weitgehend identisch51: Es besteht eine hohe positive Korrelation zwischen den Lösungen der sieben Clusterzentrenanalysen.

Bei 187 der 289 Mittelbereiche, die nicht dem Regionstyp 0 angehören, wird in allen sieben Clusterzentrenanalysen mit unterschiedlichen Startpartitionen die gleiche Zuordnung erreicht (Tabelle 17). Bei 208 von 289 Mittelbereichen stimmt die Zuordnung in sechs von sieben, bei 224 in fünf von sieben der Clusterzentrenanalysen überein. Eine Zuordnung, die bei mindestens vier der sieben Clusterzentrenanalysen übereinstimmt, lässt sich für alle Mittelbereiche, die nicht dem Regionstyp 0 angehören, vornehmen. Da eine hohe Übereinstimmung zwischen den Ergebnissen der Clusterzentrenanalysen besteht, wird die Zuordnung zur finalen Clusterlösung unter Berücksichtigung der mehrheitlichen Zuordnung ← 134 | 135 → vorgenommen (vgl. Tabelle 17), so dass die Ergebnisse aller sieben Clusterzentrenanalysen einbezogen werden.

Tabelle 17: Überschneidungen der Clusterzuordnung: Sensitivität der Clusterzentrenanalysen

Illustration

Quelle. eigene Berechnung

6.3 Ergebnis: Fünf Regionstypen

Das kombinierte Verfahren aus Verteilungsanalyse und Clusteranalyse führt zu fünf Regionstypen innerhalb derer die Mittelbereiche sich im Hinblick auf das Verhältnis der drei Versorgungsindikatoren zueinander bzw. deren Abweichung vom bundesweiten Durchschnitt möglichst ähnlich sind. Anhand der Mittelwerte der Typen ist eine Darstellung der regionalen Profile möglich (Abbildung 19).

Abbildung 19: Mittelwerte der Versorgungsindikatoren (z-stand.) der Mittelbereiche in den fünf Regionstypen

Illustration

Quelle: eigene Berechnung und Darstellung ← 135 | 136 →

Regionstyp 0 wird durch die Mittelbereiche gebildet, in denen sich die Verteilungen von Versorgungsbedarf, Angebot und Inanspruchnahme am ehesten entsprechen (vgl. Kapitel 6.1). Der Versorgungsbedarf und die Inanspruchnahme weichen im Mittel kaum vom Durchschnitt ab, die Angebotsdichte ist leicht überdurchschnittlich. Dem Regionstyp 0 werden 94 Mittelbereiche zugeordnet.

Die Mittelbereiche des Regionstyps 1 sind geprägt von einem deutlich überdurchschnittlichen Versorgungsbedarf, bei einer eher durchschnittlichen hausärztlichen Angebotsdichte und einer durchschnittlichen Inanspruchnahme der hausärztlichen Versorgung. Diesem Regionstyp wurden 71 Mittelbereiche der Stichprobe zugeordnet.

Regionstyp 2 wird durch eine unterdurchschnittliche Ausprägung aller drei Versorgungsindikatoren, insbesondere des hausärztlichen Angebotes und der Inanspruchnahme, charakterisiert. Dieser Regionstyp enthält 84 Mittelbereiche der Stichprobe.

Die Mittelbereiche des Regionstyps 3 zeigen einen überdurchschnittlichen Versorgungsbedarf und eine deutlich überdurchschnittliche hausärztliche Angebotsdichte und eine ebenfalls deutlich überdurchschnittliche Inanspruchnahme dieser Hausärzte. Mit 30 zugeordneten Mittelbereichen ist der Regionstyp 3 der am wenigsten verbreitete.

Regionstyp 4 wird charakterisiert durch einen unterdurchschnittlichen Versorgungsbedarf, ein durchschnittliches hausärztliches Versorgungsangebot und eine überdurchschnittliche Inanspruchnahme dieses Angebotes. Dem Regionstyp wurden 104 Mittelbereiche zugeordnet.

Anhand der standardisierten Werte der Typenzentren lassen sich Diagramme erstellen, die einen Eindruck über die Streuung innerhalb der Regionstypen vermitteln können (Abbildung 20). Anhand dieser Diagramme werden die unterschiedlichen Charaktere der Regionstypen deutlich: Während in Regionstyp 0 die Mittelbereiche im Hinblick auf alle drei Versorgungsindikatoren in gleichem Maße vom Durchschnitt abweichen (i. S. der Verteilung) und ein linearer, positiver Zusammenhang zwischen Bedarf, Angebot und Inanspruchnahme besteht, lassen die unterschiedlichen Abweichungen vom Durchschnitt der Regionstypen 1–4 auf Versorgungsprobleme schließen. Hier entsprechen die Abweichungen vom Durchschnitt im Hinblick auf die drei Indikatoren nicht notwendigerweise einander. ← 136 | 137 →

Abbildung 20: Verteilung der Mittelbereiche innerhalb der fünf Regionstypen nach stand. Bedarfsindex, Angebotsdichte und Inanspruchnahme

Illustration

Quelle: eigene Berechnung und Darstellung ← 137 | 138 →

Die regionale Verteilung der unterschiedlichen Regionstypen nach Mittelbereichen lässt sich vorzugsweise anhand von Karten zeigen (Abbildung 21). Mit Ausnahme von Regionstyp 2 in Thüringen und Regionstyp 3 in Sachsen kommen alle fünf Regionstypen in den Flächen-KVen mindestens einmal vor. Eine räumliche Konzentration der Mittelbereiche nach Regionstyp lässt sich nur bei Regionstyp 1 finden, deren Verbreitung sich überwiegend auf Thüringen und insbesondere Sachsen konzentriert.

Bei den Mittelbereichen des Regionstyps 0, in denen sich Abweichungen von Versorgungsbedarf, Angebot und Inanspruchnahme entsprechen, ist keine regionale Häufung innerhalb eines Bundeslandes oder eines Landstrichs erkennbar. In allen Flächen-KVen lassen sich mehrere Mittelbereiche mit diesem Regionstyp finden (zwischen 8 in Sachsen und 29 Mittelbereiche in Westfalen-Lippe). In diesen Mittelbereichen des Regionstyps 0 leben rund 22,2 % der Bevölkerung der analysierten Stichprobe. ← 138 | 139 →

Die Mittelbereiche des Regionstyps 1 sind bis auf wenige Ausnahmen Mittelbereiche in den ostdeutschen KV-Regionen Sachsen (N=37) und Thüringen (N=15). Der Anteil der Bevölkerung in den Mittelbereichen dieses Regionstyps an der gesamten Stichprobenbevölkerung liegt bei 11,3 %.

Die Einordnung in Regionstyp 2 erfolgt hingegen in Thüringen bei keinem und in Sachsen nur bei einem einzigen Mittelbereich (Mittelbereich Großenhain in Sachsen). Die Mittelbereiche dieses Typs liegen überwiegend in Westfalen-Lippe (N=38), Hessen (N=27) und Nordrhein (N=13) und umfassen 20,0 % der Stichprobenbevölkerung.

Der Regionstyp 3 enthält nur 30 Mittelbereiche und 4,4 % der Bevölkerung der Stichprobe. Ein Drittel der Mittelbereiche liegt in der KV Nordrhein, sieben in Westfalen-Lippe und sechs in Hessen.

Die größte Anzahl Mittelbereiche ist in Regionstyp 4 zusammengefasst. Von den 104 enthaltenen Mittelbereichen liegen rund 80 % im Bundesland Nordrhein-Westfalen (49 in der KV Nordrhein und 35 in der KV Westfalen-Lippe). Zudem enthält dieser Regionstyp die Großstädte Hamburg und Berlin. In den Mittelbereichen dieses Regionstyps leben 42,1 % der Bevölkerung der analysierten Stichprobe.

Abbildung 21: Kartographische Darstellung der Mittelbereiche nach Regionstyp

Illustration

Quelle: eigene Berechnung und Darstellung ← 139 | 140 →

6.4 Zwischenfazit Regionstypisierung

Mithilfe eines zweistufigen Verfahrens lassen sich die 383 Mittelbereiche der Stichprobe in fünf Regionstypen einteilen. Mithilfe einer Verteilungsanalyse werden zunächst die Mittelbereiche, in denen sich Versorgungsbedarf, Angebot und Inanspruchnahme der hausärztlichen Versorgung in ihrer relativen Abweichung vom Durchschnitt möglichst entsprechen, identifiziert. In den 94 Mittelbereichen, auf die eine ähnliche Verteilung der drei Versorgungsindikatoren zutrifft, kann von Equity ausgegangen werden. Sie werden dem Regionstyp 0 zugeordnet.

In den übrigen Mittelbereichen unterscheiden sich die drei Versorgungsindikatoren in ihrer relativen Position im Verhältnis zum Bundesdurchschnitt untereinander in unterschiedlichem Ausmaß. Zur Identifikation von Regionstypen wird eine Clusteranalyse verwendet. Dabei können vier Profile in der Verteilung der Versorgungsindikatoren ermittelt werden. Die Frage, welche Gemeinsamkeiten die Mittelbereiche innerhalb eines Regionstyps aufweisen und welche Einflussfaktoren sich daraus auf das Verhältnis der drei Versorgungsindikatoren ableiten lassen, ist zentraler Gegenstand des nächsten Kapitels.


46 Eine Abweichung aufgrund eines erhöhten Versorgungsbedarf um +3 % muss nicht notwendigerweise eine erhöhte Arztkapazität von +3 % erfordern.

47 Ein Ähnlichkeitsmaß ist dann geeignet, wenn primär der gleiche Verlauf von zwei Objekten angestrebt wird, unabhängig vom absoluten Niveau der Objekte (z. B. Bevölkerungsentwicklung).

48 Der Mittelbereich Westerland weist mit 116,8 Hausärzten je 100.000 Einwohner eine stark überdurchschnittliche Arztdichte auf. Um Verzerrungen zu vermeiden, wurde für diesen Mittelbereich die zweithöchste Arztdichte (93,3 Ärzte je 100Tsd. EW) für die Clusteranalyse festgelegt.

49 Aufgrund der großen Datenmenge von 383 geclusterten Objekten und der damit verbundenen Unübersichtlichkeit wird von einer Abbildung des Dendogramms und der Zuordnungsübersicht abgesehen. Beide Auswertungen können bei der Verfasserin eingesehen werden.

50 Insgesamt wurden 25 Startpartitionen getestet, aber nur mit den sieben hier dargestellten wurden minimal unterschiedliche Ergebnisse des k-Means-Prozesses erreicht. Mit den übrigen 18 Startpartitionen erfolgte eine Duplizierung der Ergebnisse, so dass von einer Darstellung dieser Startpartitionen hier abgesehen wird.

51 Bei der Interpretation der Clusterlösungen ist zu beachten, dass die Bezeichnung der Cluster unterschiedlich ausfallen kann. Es wurden immer die Clusterprofile anhand der Mittelwertausprägungen für die drei Indikatoren verglichen.