死亡率指標介紹+2017臺灣死亡解析｜人口解析
世界各國各個時段各個年齡層都有不同的人口數，任何時刻也都有人死亡，但要如何將這些數字以一致的標準相互比較？人口學衡量死亡率的指標有很多種，而每個指標各有其特點與缺陷，以下🅰️列舉幾項較為重要的指標。最後來看看🅱️臺灣的死亡分布。
🅰️死亡率計算指標
⚉ 粗死亡率 (CDR, crude death rate）
- 粗死亡率 = 死亡人數 / 總人口數 x 1000‰
- CDR = (number of deaths) / (number of population) x 1000‰
粗死亡率表示每千名人口的死亡人數，顯示死亡人口數對總人口數的影響，是衡量死亡狀況最常使用的數據，計算方式也相對簡單。總人口數通常使用該年該地的年中人口數，也就是六月底的總人口數。2017年臺灣死亡人數172028人，年底總人口數為23571227人，粗死亡率約為7.30‰（在此以年底人口數充作年中人口數）。
⚉ 年齡別死亡率 (ASDR, age-specific death rate）
- 年齡別死亡率 = 特定年齡死亡人數 / 特定年齡總人口數 x 1000‰
- ASDR = (number of deaths in an age group) / (number of population in an age group) x 1000‰
年齡別死亡率表示每千名特定年齡人口的死亡人數，顯示不同年齡的死亡水準。年齡別死亡率可以是一組數據，每個數據的計算方式與粗死亡率相似，都是死亡人數除以總人口數。這些數據用於理解不同年齡層人口的死亡情況，通常隨著年齡越高，死亡率會越高。2017年臺灣婦女生育率最高的年齡層集中於30-34歲，五個年齡都突破80‰，其中最高的31歲達到約96.49‰。
嬰兒死亡率表示每千名嬰兒的死亡數量，新生兒亦同。嬰兒指的是不到1歲的小孩，新生兒則是指出生不到28天的嬰兒。剛出生的嬰兒死亡率相當高（與1歲後的兒童和青少年相比），因此這項指標能夠衡量一個地區的醫療與衛生水準，在醫療環境不佳的地區往往有較高的嬰兒死亡率。可參考最底下的延伸閱讀。
⚉ 標準化死亡率 (standardized death rate）
- 標準化死亡率 = (年齡別死亡率 x 標準組人口數)加總 / 標準人口總數
- SDR = ∑(ASDR x number of standard population in an age group ) / number of total standard population
標準化死亡率表示在標準人口的年齡結構組成之下，每千名人口的死亡人數。這個指標是為了補足粗死亡率的不足。計算粗死亡率時我們並不在意人口的年齡結構(age composition)，這會導致兩個死亡水準相同的地方（醫療水準相同、各年齡別死亡率相同）有不同的粗死亡率。例如，西歐已開發國家的粗死亡率高於許多開發中國家，這不是因為西歐的醫療水準落後，而是因為西歐的老年人口比例較高。因此不同地區的粗死亡率不宜直接比較。
標準化死亡率的目的，便是利用設計好的標準人口(standard population) 把不同地區的年齡結構拉成一致，藉此讓不同地區的死亡水準可以在同一標準下比較。計算標準化死亡率會用到標準人口與標準人口的年齡結構（包含不同年齡層的人口數量）。國際常用的標準人口為WHO公布的世界標準人口，不過也可以依據適當的年齡結構自行選擇適合的標準人口。上述內容皆以「年齡標準化」為例子，實際上也可以考慮其他人口因子的標準化，如性別、性別與年齡等。
標準化死亡率的目的，便是利用設計好的標準人口(standard population) 把不同地區的年齡結構拉成一致，藉此讓不同地區的死亡水準可以在同一標準下比較。計算標準化死亡率會用到標準人口與標準人口的年齡結構（包含不同年齡層的人口數量）。國際常用的標準人口為WHO公布的世界標準人口，不過也可以依據適當的年齡結構自行選擇適合的標準人口。上述內容皆以「年齡標準化」為例子，實際上也可以考慮其他人口因子的標準化，如性別、性別與年齡等。
⚉ 嬰兒死亡率 (IMR, infant mortality rate）
- 嬰兒死亡率 = 嬰兒死亡數 / 活嬰出生數 x 1000‰
- ASFR = (number of infant deaths) / (number of live births) x 1000‰
⚉ 新生兒死亡率 (NMR, neonatal mortality rate）
- 新生兒死亡率 = 新生兒死亡數 / 活嬰出生數 x 1000‰
- ASFR = (number of neonatal deaths) / (number of live births) x 1000‰
🅱️臺灣死亡分布
⬥ 各縣市死亡狀況
使用excel圖表視覺化臺灣各縣市的總人口數與死亡人數。
使用excel圖表視覺化臺灣各縣市的總人口數與死亡人數。
2017年臺灣總人口數為23571227人，而一半以上的人口居住在四個大都市：北北中高。
2017年臺灣死亡人數為172028人，雖然北北中高的總人口數佔全國超過一半，但死亡人數卻不到一半，由此可見六都以外的縣市死亡率相對更高。許多縣市的名次在此洗牌，如台南、高雄、嘉義都向前移動。
比較總人口數與死亡人數可以可以得出粗死亡率CDR。全國人口粗死亡率約為7.30‰。以下是全國各縣市的粗死亡率，不過粗死亡率僅能知道各縣市死亡人數對總人口的影響。若要比較各縣市的死亡水準應該要使用標準化死亡率。
下圖的標準化死亡率比較圖分別依據WHO公布的世界標準人口和臺灣總人口作為標準人口。我認為使用WHO的標準人口並不合適，因為WHO公布的世界標準人口以幼年人口為大宗，但臺灣各縣市的人口現況都是以青壯年人口為大宗。如果要讓死亡率更貼近臺灣現況應當使用臺灣總人口作為標準人口。比較兩種標準人口的計算結果，兩者排名差距比較大的縣市是連江縣，原因是連江縣的0-4歲年齡別死亡率特別高，WHO標準人口又以0-4歲的人數最多，因此不利於其排名。
⬥ 各年齡死亡狀況
這張圖片可以看到2017年各年齡人口的死亡人數，總共有172028人死亡。死亡人數最多的年齡集中在80-89歲。死亡年齡中位數落在75-79歲。全國有超過56%的人口在44歲以下，但只有不到10%的死亡人數發生在這個年紀。
⬥ 各縣市各年齡死亡狀況
下圖是全國各縣市的年齡別死亡率曲線圖，x軸是死亡年齡，y軸是死亡率，單位為千分比‰。若一次看0-100+歲幾乎看不出各縣市有什麼差別，只像是一搓分岔的頭髮。因此以下會把年齡分為三個區段觀察。另由於22個縣市類別過多將導致讀圖困難，因此我僅選擇幾個有代表性的縣市。
在0-54歲的區段可以清楚看到在1-29歲各縣市的死亡率差異不大，幾乎都在1‰以下微幅擺盪。過了30歲之後，花蓮、台東、屏東等縣市的死亡率開始攀升，與全國數據拉開差距。台北新北與新竹市則低於全國。
在50-79歲的區段可以更明顯看出各縣市的差距。75-79歲的區間，全國死亡率平均達到約35‰，台北市則只有25‰左右，少了10‰，明顯低於其他各縣市。
以下是75-100+歲的高齡區段。綜合這一連串的幾張圖可以明確斷定設籍在台北市的老年人口死亡率遠低於其他縣市。
細看各年齡別的死亡率，可以發現台北市的死亡率在各年齡層都遠低於各縣市，然而回到前面各縣市粗死亡率比較圖，可以發現台北市只排在第7低。為什麼？原因出在人口年齡結構。這與前面討論的標準化死亡率相關。以下我們細看台北市和桃園市的死亡狀況作為解析。
台北市和桃園市的粗死亡率分別為6.55‰、5.81‰（分別為第7低、第3低）。標準化死亡率(以臺灣為標準人口)則分別為5.50‰、7.07‰（分別為第1低、第7低）。回顧這兩個計算指標的意義。粗死亡率只考慮總人口數與死亡人數的比例，但人在每個年齡的死亡機會並不是均等的，老年人口是死亡率比較高的族群，而台北的中老年人口比例高於桃園。因此，台北總死亡人數的比例當然也會比較高。標準化死亡率就有把人口年齡結構和各年齡別的死亡率考慮進來，既然各年齡死亡率台北都低於桃園，標準化死亡率當然也就會比較低。
這個例子說明了使用標準化死亡率，因為它進行了年齡校正(age adjustment)，移除了資料的一些偏誤。國高中學地理時必定會學到德國的死亡率比土耳其高，這是因為學校課本教的內容都是「粗死亡率」，而德國和土耳其有明顯的人口結構差異。上面台北與桃園的例子也可以套用在德國和土耳其的案例上。
延伸閱讀＞【人口指標】台北還是桃園的死亡率比較高？從人口數據看辛普森悖論
⬥ 各縣市人口自然成長
把粗出生率 減去 粗死亡率 CBR-CDR 可以得到自然成長率。若自然成長率 >0 代表總人口呈現正成長，若 <0 代表人口減少，又稱為負成長。目前臺灣人口的自然成長率為0.96‰，全年成長人數為22588人。但若細看全國各縣市的狀況，可以發現2017年已經有一半以上的縣市為人口負成長，其中濁水溪以南的縣市更是全部負成長。
下圖呈現每個縣市的人口自然淨成長數量。綠色縣市為人口正成長的縣市，紅色縣市則為人口負成長（因此紅色縣市的自然成長人數應為負值）。可以發現目前人口正成長的縣市大部份為人口眾多的都會區，因此整體的人口成長數量仍為正值。圖底的黑線為人口成長的平衡線，當紅色區塊的人數突破黑線，那就是人口負成長的時刻了。
注意：以上數據皆以2017年底人口為計算數據，而非年中人口。
首次發表2019.04.14
最近更新2019.11.29
參考資料
- 人口計算指標：臺灣師範大學地理學系「人口地理」課程
- 人口統計資料：中華民國內政部
- WHO世界標準人口：美國國家癌症研究中心
留言
張貼留言