Routine Data for Workforce Equality Monitoring: Ethnic Inequalities in Recruitment and Workforce Representation in Nursing and Midwifery

スコットランドの NHS ボードにおける行政データを用いた後方視的観察研究により、看護師および助産師の採用選考と workforce 構成において白人と非白人の間に格差が存在し、日常収集データがこれらの不平等を監視・改善するための再現可能な指標を提供し得ることが示されました。

要約

🍽️ 物語：巨大な病院レストランの「不公平なメニュー」

想像してください。スコットランドにある巨大な病院は、**「世界で一番忙しいレストラン」だとしましょう。
ここでは、「白衣のシェフ（看護師や助産師）」**が毎日、患者さんというお客様に食事（医療）を提供しています。

この研究チームは、このレストランの**「過去の注文簿（事務データ）」**をひっくり返して、ある不思議な現象に気づきました。

1. 入店時の不公平（採用の壁）

レストランには、新しいシェフを雇うための「面接」という入り口があります。
研究によると、**「白人シェフ」と「白人以外（非白人）のシェフ」**が面接に来たとき、白人シェフの方が「採用（オファー）」をもらう確率が圧倒的に高いことがわかりました。

• 例え話：
  • 白人シェフが面接に来ると、店長は「よし、君は明日から働いてね！」とすぐに言います。
  • 非白人シェフが同じように面接を受けても、「うーん、ちょっと待って」と言われ、採用される確率が低いです。
  • 特に、**「ベテランシェフ（管理職）」**のポジションでは、この差がさらに大きくなりました。

2. 厨房内の不公平（キャリアの階段）

レストランには、レベルに応じた「制服の色（給与ランク）」があります。

• レベル 1（バンド 5）： 新人シェフ（基本の調理担当）
• レベル 2（バンド 6）： 熟練シェフ（専門的な調理やリーダー）
• レベル 3（バンド 7）： 厨房長（管理職）

データを見ると、「非白人シェフ」は、レベル 1（新人）にはたくさんいるのに、レベル 2 や 3（上級者）にはほとんどいません。
まるで、**「新人の部屋には混雑しているのに、厨房長の部屋は白人だけで占拠されている」**ような状態です。

この研究では、この状態を**「代表率の比率（RQ）」**という指標で測りました。

• 1.0 ＝ 公平な人数
• 1.0 より大きい ＝ そのランクに「多すぎる」（過剰）
• 1.0 より小さい ＝ そのランクに「少なすぎる」（不足）

結果、非白人シェフはレベル 1 では「1.5 倍」も多かったのに、レベル 7（厨房長）では**「0.2 倍」しかいませんでした。つまり、「上に行けば行くほど、非白人シェフが消えていく」**という現象が起きているのです。

3. なぜこれが重要なのか？（「小さな不公平」の積み重ね）

この研究の一番の発見は、**「採用時の小さな不公平が、キャリアを通じて積み重なって、大きな格差になる」**ということです。

• 例え話：
  • 採用の瞬間に「白人の方が 10% 有利」だとします。
  • でも、それが 10 年、20 年続くと、厨房長の席はほとんど白人で埋め尽くされてしまいます。
  • 非白人シェフは「なぜ昇進できないんだ？」と不満を持ち、辞めてしまうかもしれません。これはレストラン（病院）全体の味（医療の質）にも影響します。

4. この研究のすごいところ（「隠れた宝」の発見）

これまで、この手の不公平を調べるには、大掛かりなアンケートや特別な調査が必要だと思われていました。
でも、この研究チームは**「病院が普段から持っている『事務データ（名簿や採用記録）』だけで、この不公平を正確に測れる」**ことを証明しました。

• 例え話：
  • 特別な探偵道具がなくても、**「いつものレジの記録（事務データ）」**を上手に分析すれば、「誰がいつ、どんな不公平に遭ったか」がバレてしまうのです。
  • これを使えば、どの病院でも「自社の厨房に不公平がないか」を定期的にチェックできるようになります。

📝 まとめ：この研究が伝えたいこと

1. 不公平は実在する： 看護師や助産師の世界でも、人種によって「採用されやすさ」や「昇進のしやすさ」に大きな差があります。
2. データは味方になる： 特別な調査をしなくても、普段の事務データを使えば、この不公平を「見える化」できます。
3. 行動を起こそう： 不公平を「見える化」したら、次はそれを直すためのルール作りや対策が必要です。そうしないと、優秀な人材が辞めてしまい、病院（社会）全体が損をします。

一言で言えば：
「普段の帳簿をちゃんと見れば、隠れていた『人種による不公平』が見えてきます。それを直せば、もっと公平で、みんなが働きやすい素晴らしい病院（社会）が作れるはずです！」

---

※この研究は、まだ専門家による厳密な審査（ピアレビュー）を通過していない「予備的な報告」ですが、非常に重要な示唆を含んでいます。

技術概要

論文の技術的サマリー：看護師・助産師における人種的不平等のモニタリング

論文タイトル: Routine Data for Workforce Equality Monitoring: Ethnic Inequalities in Recruitment and Workforce Representation in Nursing and Midwifery
短縮タイトル: Ethnic Inequalities in Nursing Careers
著者: Anuka Boldbaatar, Sanna Strahle, Azwa Shamsuddin, David Henderson
発表媒体: medRxiv プレプリント（2026 年 4 月 3 日掲載）

---

1. 背景と課題 (Problem)

医療システム、特に看護・助産分野では、労働力の維持（リテンション）が世界的な課題となっています。研究により、組織内での不公平感やキャリアアップの障壁は、職員の満足度低下や離職率の上昇、ひいては患者ケアの質の低下に関連することが示されています。

特に、少数民族（Non-White）の医療従事者は、シニア職への昇進における障壁や採用プロセスにおける不平等に直面しており、これらの格差は体系的なデータに基づいたモニタリングが不足しているために解消されにくくなっています。

• イングランド: 「労働力の人種平等基準（WRES）」という全国的なモニタリング枠組みが存在します。
• スコットランド: 公的機関の平等義務（PSED）に基づきデータは収集されていますが、WRES に相当する全国的な体系的なモニタリングメカニズムが存在せず、データの質や報告の断片化により、格差の傾向分析やベンチマーキングが困難な状況でした。

研究の目的:

1. 看護師および助産師の採用結果と給与帯（Pay Bands）における労働力構成に、人種的不平等が存在するかを調査する。
2. 日常的に収集される行政データ（Routine Administrative Data）を用いて、労働力平等モニタリングのための再現性のある指標を生成できるかを評価する。

2. 研究方法 (Methodology)

• 研究デザイン: 後ろ向き観察研究（Retrospective observational study）。
• 対象: スコットランドの 1 つの NHS ボード（NHS Lothian）のデータ。
• データソース:
  • 労働力データ: 2021/22 年度から 2024/25 年度までの在職者データ（HR システム）。
  • 採用データ: 2021/22 年度から 2023/24 年度までの面接参加者および条件付きオファーのデータ（JobTrain システム）。
• 分析対象: 給与 Band 5（登録看護師の主なエントリーポイント）、Band 6（専門職・リーダーシップ）、Band 7（専門職・管理職）。Band 8a 以上はサンプル数が少なかったため除外。
• 人種分類: 「White（白人）」と「Non-White（非白人）」の 2 群に集約（スコットランド国勢調査の 22 分類を統合）。
• 統計手法:
  • 採用結果: 面接を受けた候補者に対する条件付きオファーの相対リスク（Relative Risk, RR）を算出。
  • 労働力構成: 各給与帯における Non-White 職員の「代表率（Representation Quotient, RQ）」を算出。
    • RQ = (特定の給与帯内の Non-White 職員の割合) ÷ (全労働力内の Non-White 職員の割合)
    • RQ > 1: 過剰代表、RQ < 1: 過少代表。
  • 分析は記述的かつ未調整（Unadjusted）で行われ、STROBE ガイドラインに従いました。

3. 主要な結果 (Key Results)

A. 労働力構成（在職者データ）

• Band 5（エントリー）: Non-White 職員の割合は 2021/22 年度の 9% から 2024/25 年度の 14% へと増加しました。
• 高次帯（Band 6, 7）: Non-White 職員の割合は依然として低く、Band 6 で 3〜4%、Band 7 で 2% 程度にとどまり、期間を通じて大きな変化はありませんでした。
• 代表率（RQ）:
  • Band 5 では Non-White 職員の過剰代表（RQ ≈ 1.5）が確認されました。
  • Band 6 では過少代表（RQ ≈ 0.5）、Band 7 では深刻な過少代表（RQ ≈ 0.2〜0.3）が確認されました。
  • この「下位帯での過剰代表、上位帯での過少代表」という勾配は、研究期間中ほぼ一定でした。

B. 採用結果（面接からオファーまで）

• 全体的な傾向: 面接を受けた候補者において、White 候補者が Non-White 候補者よりも条件付きオファーを受け取る確率が高かった（RR > 1）。
• Band 別詳細:
  • Band 5: 格差は存在したが（RR 1.15〜1.37）、変動が大きかった。
  • Band 6: 格差が顕著に拡大。2021/22 年度の RR 1.29 から 2023/24 年度には 1.96 へと悪化。
  • Band 7: 最も顕著な格差が確認され、RR は 2.09〜2.10（White 候補者が Non-White より約 2 倍オファーを受け取りやすい）で、統計的に有意（p < 0.005）。
• 傾向: 採用プロセスにおける不平等は、キャリアの初期段階だけでなく、昇進段階（Band 6, 7）においてより深刻化している傾向が見られました。

4. 主要な貢献と知見 (Key Contributions)

1. 行政データの実用性の実証: 特別な調査ではなく、既存の HR システムや採用管理システムから収集された「日常データ」を用いることで、再現性のある人種格差指標を生成できることを実証しました。
2. 複合アプローチの採用: 「採用結果（採用時の格差）」と「労働力構成（キャリアパス上の格差）」の両方を分析に組み合わせた点。これにより、採用段階での不平等が、最終的なシニア職における過少代表（累積的 disadvantage）にどう結びついているかを可視化しました。
3. スコットランドにおける初の試み: 英国において、看護師・助産師を対象に、代表率（RQ）と採用格差（RR）を組み合わせ、採用から労働力分布までを包括的に分析した最初の研究です。
4. 政策提言の基盤: 新たなデータ収集システムを構築するのではなく、既存のデータガバナンスと分析フレームワークを強化することで、WRES（イングランド）のような全国的なモニタリング体制をスコットランドでも構築可能であることを示唆しました。

5. 限界点 (Limitations)

• 単一組織: 1 つの NHS ボードのデータのみであり、スコットランド全体や他の国への一般化には注意が必要です。
• データ欠損: 人種データの欠損率（4〜8%）があり、特に少数民族で欠損が多い場合、実際の格差は報告値よりも大きい可能性があります（保守的な推定）。
• 因果関係の特定: 横断的データのプール分析であるため、個人のキャリアパスを追跡したり、因果関係を証明したりすることはできません。
• データ品質: 採用プロセスの「書類選考」や「短縮リスト」段階のデータが不完全だったため、面接前の段階での格差分析は行えませんでした。

6. 意義とインパクト (Significance)

本研究は、医療労働力の公平性と持続可能性を高める上で、以下の点で重要な意義を持ちます。

• 説明責任の強化: 標準化された指標を用いることで、組織間のベンチマーキングや、特定の格差に対するターゲットを絞った介入を可能にします。
• 政策への示唆: 新たなデータ収集コストをかけずとも、既存の行政データを体系的に分析・報告する枠組み（スコットランド版 WRES のようなもの）を確立する必要性を強く示しています。
• 労働力維持: 公平なキャリアパスの確保は、職員の満足度向上や離職防止、ひいては患者ケアの質向上に直結するため、データに基づくモニタリングは医療システム全体の持続可能性に寄与します。

結論として、日常的な行政データは、採用と労働力構成における人種的不平等を監視するための強力かつ実用的なツールとなり得ます。これを医療現場の慣行に組み込むことは、より公平で持続可能な医療サービスを実現するための現実的な第一歩です。