はじめに
前職で介護士をしていた際に、介護士の人口不足を実感しました。
なので、機械学習で学んだ技術を使って、介護士と要介護者の人口推移を可視化し、その中で見えた傾向を分析結果としてまとめていこうと思います。
解決したい社会問題
介護士と要介護者の将来の割合を予測する。
実行環境
パソコン: Windows
開発環境： Google Coraboratory
言語： python
ライブラリ： Pandas、 Numpy、 Matplotlib
分析するデータ
以下のデータを利用して分析結果をまとめます。
| A.D. | CareRecipients | Caregivers |
|---|---|---|
| 2000 | 244 | 54.9 |
| 2001 | 280 | 63.5 |
| 2002 | 326 | 72.4 |
| 2003 | 368 | 84.9 |
| 2004 | 402 | 96.4 |
| 2005 | 425 | 108.6 |
| 2006 | 442 | 114.1 |
| 2007 | 449 | 119.6 |
| 2008 | 462 | 123.3 |
| 2009 | 477 | 136.3 |
| 2010 | 498 | 142.7 |
| 2011 | 520 | 150.9 |
| 2012 | 546 | 163.0 |
| 2013 | 576 | 170.8 |
| 2014 | 598 | 176.5 |
| 2015 | 616 | 183.9 |
| 2016 | 629 | 189.9 |
| 2017 | 641 | 195.1 |
| 2018 | 654 | 203.0 |
| 2019 | 667 | 210.6 |
| 2020 | 676 | 211.9 |
| 2021 | 688 | 214.9 |
| 2022 | 697 | 215.4 |
分析の流れ
・データの確認
・データの可視化
・予測データの作成
・予測データの可視化
データの確認
必要なライブラリをインポートします
実行したコード
# ライブラリのインポート
# No.1
# ライブラリのインポート
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import seaborn as sns
import numpy as np
from sklearn.linear_model import LinearRegression
使用するデータを読み込みます
実行したコード
# No.2
# csvデータの読み込み
df = pd.read_csv('/content/NursingData.csv')
読み込んだデータを確認します
実行したコード
# No.3
# 読み込んだデータの全体像を確認
df
実行結果
| A.D. | CareRecipients | Caregivers |
|---|---|---|
| 2000 | 244 | 54.9 |
| 2001 | 280 | 63.5 |
| 2002 | 326 | 72.4 |
| 2003 | 368 | 84.9 |
| 2004 | 402 | 96.4 |
| 2005 | 425 | 108.6 |
| 2006 | 442 | 114.1 |
| 2007 | 449 | 119.6 |
| 2008 | 462 | 123.3 |
| 2009 | 477 | 136.3 |
| 2010 | 498 | 142.7 |
| 2011 | 520 | 150.9 |
| 2012 | 546 | 163.0 |
| 2013 | 576 | 170.8 |
| 2014 | 598 | 176.5 |
| 2015 | 616 | 183.9 |
| 2016 | 629 | 189.9 |
| 2017 | 641 | 195.1 |
| 2018 | 654 | 203.0 |
| 2019 | 667 | 210.6 |
| 2020 | 676 | 211.9 |
| 2021 | 688 | 214.9 |
| 2022 | 697 | 215.4 |
データの可視化
データを用いて折れ線グラフを作成します
実行したコード
# No.4
# グラフサイズの調整
plt.figure(figsize=(12, 6))
# 折れ線グラフの作成
plt.plot(df['A.D.'], df['CareRecipients'], label='CareRecipients')
plt.plot(df['A.D.'], df['Caregivers'], label='Caregivers')
# ラベル名の設定
plt.title('CareRecipients and Caregivers Over Years')
plt.xlabel('A.D.')
plt.ylabel('Number of People(in tens of thousands)')
# データの可視化
plt.legend()
plt.show()
実行した結果
可視化したデータから得られた情報
・2000年の要介護者と介護士の差が190万人なのと比べて、2022年の要介護者と介護士の数の差は482万人と、292万人も増加している
・2000年と2022年の上昇率は要介護者が約2.85倍なのに対して、介護士は約3.92倍でより高い上昇率をもっている
予測データの作成
ARIMAモデルを使用して将来のデータの推移を予測します
実行したコード
# No.5
# ARIMAモデルによる予測
model_recipients = ARIMA(df['CareRecipients'], order=(1, 1, 1))
model_caregivers = ARIMA(df['Caregivers'], order=(1, 1, 1))
# データにARIMAモデルを適応
fit_recipients = model_recipients.fit()
fit_caregivers = model_caregivers.fit()
作成したモデルを使用して向こう10年のデータの推移を予測します
実行したコード
# No.6
# 10年間の予測
forecast_recipients = fit_recipients.forecast(steps=10)
forecast_caregivers = fit_caregivers.forecast(steps=10)
予測結果を表示します
# No.7
# リストの幅を調整
future_years = list(range(2023, 2033))
# 10年間の予測を使用してデータフレームを作成
df_forecast = pd.DataFrame({
"A.D.": future_years,
"Predicted_CareRecipients": forecast_recipients,
"Predicted_Caregivers": forecast_caregivers
})
# A.D.列を追加したデータの確認
df_forecast.set_index('A.D.', inplace=True)
print(df_forecast)
実行した結果
| A.D. | Predicted_CareRecipients | Predicted_Caregivers |
|---|---|---|
| 2023 | 704.717730 | 217.943495 |
| 2024 | 712.110035 | 220.444931 |
| 2025 | 719.190636 | 222.905002 |
| 2026 | 725.972676 | 225.324393 |
| 2027 | 732.468745 | 227.703776 |
| 2028 | 738.690901 | 230.043814 |
| 2029 | 744.650693 | 232.345155 |
| 2030 | 750.359186 | 234.608441 |
| 2031 | 755.826973 | 236.834301 |
| 2032 | 761.064207 | 239.023354 |
予測データの可視化
予測結果を用いて折れ線グラフを作成します
実行したコード
# No.8
# 実際のデータから折れ線グラフを作成
plt.plot(df['A.D.'], df['CareRecipients'], label='CareRecipients (Actual)')
plt.plot(df['A.D.'], df['Caregivers'], label='Caregivers (Actual)')
# 予測したデータから折れ線グラフを作成
plt.plot(df_forecast['Predicted_CareRecipients'], label='Predicted CareRecipients', linestyle='--')
plt.plot(df_forecast['Predicted_Caregivers'], label='Predicted Caregivers', linestyle='--')
# ラベルの設定
plt.title('Predicted CareRecipients and Caregivers')
plt.xlabel('A.D')
plt.ylabel('Number of People(in tens of thousands)')
# データの可視化
plt.legend()
plt.show()
実行した結果|
考察
要介護者と介護士の上昇率は2000年~2022年までの期間に比べて、2023年~2032年の期間では緩やかになっている。
| 2000年~2022年までの上昇率 | 2023年~2032年までの上昇率 | |
|---|---|---|
| 介護士 | 3.92倍 | 1.09倍 |
| 要介護者 | 2.85倍 | 1.07倍 |
このことから、介護士と要介護者の割合は向こう10年では変化が少ないことが分かりました。
まとめ
今回の考察はあくまで介護人口の推移のみに着目したデータで、少子高齢化の影響を度外視しているが、現状維持のままだと介護士と要介護者の割合は変化しないことが理解できました。
そのため今より積極的な外国人労働者の雇用や、1日介護などの介護業界の多様化などに力を入れることで介護士と要介護者の差を埋めることが出来ると思います。