【摘 要】 中國(guó)人口老齡化形勢(shì)日趨嚴(yán)峻，將邁入中等程度老齡化社會(huì)。同時(shí)，家庭規(guī)模持續(xù)小型化，代際居住分離式家庭日益增多。作為影響老年人日常生活及養(yǎng)老資源獲取的重要方面，老年人的居住方式和居住環(huán)境與以往相比有所不同，因此值得關(guān)注。老年人心理健康是影響晚年福祉的重要因素，了解不同居住方式、居住環(huán)境對(duì)老年人心理健康的影響程度以及該影響在不同群體之間的差異，有助于更合理地制定改善老年人居住環(huán)境的策略，推動(dòng)實(shí)現(xiàn)健康老齡化。本研究使用2018年中國(guó)老年健康影響因素跟蹤調(diào)查（CLHLS）數(shù)據(jù)，在健康生態(tài)學(xué)等理論的基礎(chǔ)上通過(guò)多元線性回歸與自動(dòng)化機(jī)器學(xué)習(xí)相結(jié)合的方法進(jìn)行分析。通過(guò)線性回歸與基于元啟發(fā)式算法的神經(jīng)網(wǎng)絡(luò)相結(jié)合評(píng)估不同居住方式、居住環(huán)境對(duì)老年人心理健康的影響程度以及影響因素的優(yōu)先級(jí)，并與線性回歸、隨機(jī)森林等其他五種方法的結(jié)果對(duì)比證明神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性更高。然后使用神經(jīng)網(wǎng)絡(luò)對(duì)不同城鄉(xiāng)類(lèi)型、不同性別的老年群體進(jìn)行異質(zhì)性分析。研究結(jié)果顯示居住方式中促進(jìn)作用最大的為與配偶同住，獨(dú)居對(duì)心理健康有較大負(fù)面影響。住房環(huán)境中有獨(dú)立居住空間、住宅類(lèi)型選擇高層公寓及社區(qū)有服務(wù)設(shè)施均對(duì)老年心理健康產(chǎn)生積極影響。社會(huì)網(wǎng)絡(luò)支持方面多樣化的社會(huì)支持來(lái)源比僅親屬支持更有利于心理健康。從影響因素的優(yōu)先級(jí)來(lái)看，僅向親屬求助、住獨(dú)門(mén)獨(dú)院住宅、有獨(dú)立居住空間、僅和親屬聊天、獨(dú)居在居住相關(guān)因素中位列前五。因此從實(shí)踐的角度出發(fā)，在其他居住因素?zé)o法改變的情況下，老年人需避免僅與親屬進(jìn)行社會(huì)交往的情況，增加同朋友或鄰居的互動(dòng)。分城鄉(xiāng)類(lèi)型來(lái)看，除居住方式、住宅類(lèi)型外其他居住相關(guān)因素在影響心理健康方面保持一致。三代人同住對(duì)農(nóng)村老年人心理健康的促進(jìn)作用遠(yuǎn)超城鎮(zhèn)，與配偶同住擁有獨(dú)立的生活對(duì)城鎮(zhèn)老年人的心理健康則更有益。對(duì)影響因素的優(yōu)先級(jí)排序后發(fā)現(xiàn)在情感上農(nóng)村老人比城鎮(zhèn)老人更依賴親屬，在生活上城鎮(zhèn)老人比農(nóng)村老人更依靠親屬照顧。分性別來(lái)看，除居住方式、社會(huì)網(wǎng)絡(luò)支持來(lái)源外其他因素的影響保持一致。對(duì)女性老年人心理健康最有益的是僅與配偶同住，男性則為與子女同住。進(jìn)行優(yōu)先級(jí)排序后可知朋友互動(dòng)對(duì)于男性老年人而言比女性更重要，女性老年人在生活上比男性更依靠親屬照顧。

【關(guān)鍵詞】 居住方式；居住4yE10xZVi86Eyw2AXcPP7g==環(huán)境；老年人心理健康；BP神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化

【中圖分類(lèi)號(hào)】 C913.6 【文獻(xiàn)標(biāo)志碼】 A doi：10.16405/j.cnki.1004-129X.2024.05.004

【文章編號(hào)】 1004-129X（2024）05-0054-19一、引言

第七次人口普查數(shù)據(jù)顯示我國(guó)60周歲及以上的老齡人口達(dá)26 402萬(wàn)人，占總?cè)丝跀?shù)的18.7%，國(guó)家統(tǒng)計(jì)局預(yù)測(cè)在“十四五”期間我國(guó)將邁入“中度老齡化”社會(huì)。［1］隨著人口老齡化程度的加深，家庭結(jié)構(gòu)與規(guī)模逐漸向“核心化”“微型化”轉(zhuǎn)變?！岸啻谩辈辉僬冀^對(duì)主導(dǎo)位置，老年父母與成年子女同住的傳統(tǒng)模式逐漸弱化，空巢及獨(dú)居比例不斷增加。［2］老年人的居住環(huán)境也隨著城鎮(zhèn)化的快速推進(jìn)及農(nóng)村經(jīng)濟(jì)發(fā)展而改變。在老年人基本生活條件得到改善的同時(shí)，其心理健康水平，尤其是日益擴(kuò)大的空巢、獨(dú)居老人群體的心理健康問(wèn)題已經(jīng)引起社會(huì)各界關(guān)注。

2016年中共中央、國(guó)務(wù)院印發(fā)《“健康中國(guó)2030”規(guī)劃綱要》提出要促進(jìn)健康老齡化，推動(dòng)開(kāi)展老年心理健康與關(guān)懷服務(wù)，將老年人心理健康問(wèn)題提上議程?！丁笆奈濉苯】道淆g化規(guī)劃》提出開(kāi)展老年人心理關(guān)愛(ài)服務(wù)并擴(kuò)大行動(dòng)覆蓋范圍，關(guān)注有精神障礙、心理行為問(wèn)題的老人，積極促進(jìn)老年人心理健康。

老年人心理健康關(guān)系其身體健康、認(rèn)知能力、生活滿意度，心理健康程度與老年人福祉緊密相關(guān)。在影響老年人心理健康的諸多因素中，居住方式、居住環(huán)境因與養(yǎng)老資源配置及老年群體對(duì)安全性、舒適性的需求緊密相關(guān)而需要引起重視。在大部分老年人傾向選擇居家養(yǎng)老的情況下，宜居環(huán)境成為老年人安享晚年的必備條件。以往研究發(fā)現(xiàn)居住環(huán)境對(duì)老年人的獨(dú)立性、心理健康、幸福感等都會(huì)產(chǎn)生顯著影響。世界衛(wèi)生組織認(rèn)為年齡友好的物質(zhì)環(huán)境可以使所有個(gè)體的獨(dú)立性和依賴性產(chǎn)生變化，構(gòu)建適合老年人生活的居住環(huán)境是推動(dòng)我國(guó)健康老齡化事業(yè)的應(yīng)有之義。因此，本文將采用以高精確度著稱(chēng)的自動(dòng)化機(jī)器學(xué)習(xí)方法分析不同居住方式、居住環(huán)境對(duì)中國(guó)老年人心理健康的影響，并探討這種影響在不同老年群體中的異質(zhì)性。本文將相關(guān)研究從家庭內(nèi)拓展到家庭外，進(jìn)一步完善居住方式及居住環(huán)境對(duì)老年人心理健康影響研究的理論體系，并通過(guò)對(duì)不同影響因素的重要性排序提出貼合現(xiàn)實(shí)情況的實(shí)踐方式，為我國(guó)實(shí)現(xiàn)健康老齡化提供助力。

二、文獻(xiàn)綜述

（一）相關(guān)理論

健康生態(tài)學(xué)理論主張將生態(tài)學(xué)理論用于人類(lèi)健康的研究中，強(qiáng)調(diào)個(gè)體因素、衛(wèi)生服務(wù)、物質(zhì)和社會(huì)環(huán)境因素的相互作用和相互依賴，以及它們之間的相互制約和多層次的交互作用如何影響個(gè)體和群體的健康。Collins提出的健康生態(tài)學(xué)模型具有個(gè)人先天特質(zhì)，個(gè)人心理及生活方式，個(gè)人、家庭與社區(qū)網(wǎng)絡(luò)、生活與工作條件，社會(huì)、經(jīng)濟(jì)、環(huán)境條件和政治因素五個(gè)層次。［3］核心層為個(gè)人與健康有關(guān)的某些特質(zhì)，第二層包含個(gè)人行為（如生活方式等），第三層包括人與人之間的社會(huì)關(guān)系和社會(huì)支持，第四層包括生活與工作條件，最后一層為宏觀環(huán)境。該模型強(qiáng)調(diào)了環(huán)境對(duì)個(gè)體的影響以及影響因素的復(fù)雜性，即個(gè)體和人群健康是個(gè)體及環(huán)境因素相互作用的結(jié)果。鄰里效應(yīng)理論同樣指出個(gè)人所居住環(huán)境的特征對(duì)其態(tài)度、行為、健康等方面的影響，中微觀層面是鄰里效應(yīng)理論的亮點(diǎn)。［4］有學(xué)者將效應(yīng)機(jī)制總結(jié)為社會(huì)化機(jī)制、社會(huì)服務(wù)機(jī)制、環(huán)境機(jī)制和區(qū)位機(jī)制四類(lèi)，分別指鄰里內(nèi)的社會(huì)交往、服務(wù)機(jī)構(gòu)設(shè)施、環(huán)境氛圍和宏觀的政治經(jīng)濟(jì)因素對(duì)個(gè)人的影響。

（二）相關(guān)研究及評(píng)述

有關(guān)居住方式對(duì)老年人心理健康的影響大致分為兩種看法。部分學(xué)者認(rèn)為與獨(dú)居或空巢相比，親子同住對(duì)老年人的心理健康更有益處。如穆瀅潭和原新基于兩期中國(guó)老年健康影響因素調(diào)查數(shù)據(jù)，發(fā)現(xiàn)相對(duì)于空巢老人，親子同住對(duì)老年人精神健康有顯著的積極效應(yīng)。［5］江克忠等基于2008年中國(guó)老年人健康長(zhǎng)壽調(diào)查的數(shù)據(jù)進(jìn)行研究，發(fā)現(xiàn)親子同住改善了老年人的心理健康狀況。［6］李延宇等研究指出空巢不利于城鎮(zhèn)老年人的認(rèn)知健康。［7］另一部分學(xué)者持不同意見(jiàn)，認(rèn)為獨(dú)居或與配偶共居對(duì)其身心健康更有利，因幾代人共居容易引發(fā)摩擦和矛盾而導(dǎo)致代際關(guān)系緊張，反而給老年人帶來(lái)心理上的壓力，無(wú)益于心理健康。劉宏等發(fā)現(xiàn)與空巢獨(dú)居相比，多代合住的居住模式并不能給老年人帶來(lái)最優(yōu)的健康和幸福度。［8］許琪認(rèn)為與子女同住帶給老年人的影響因其需求不同而產(chǎn)生差異。［9］Maruyama等研究發(fā)現(xiàn)在不以經(jīng)濟(jì)補(bǔ)償作為交換條件的情況下，與子女同住反而對(duì)父母的健康狀況產(chǎn)生負(fù)向影響。［10］

有關(guān)居住環(huán)境對(duì)老年人心理健康影響的研究目前側(cè)重于社區(qū)環(huán)境產(chǎn)生的作用，如社區(qū)設(shè)施是否完備、鄰里友好程度等。國(guó)內(nèi)外相關(guān)研究較多，如任亮寶等學(xué)者認(rèn)為老年人心理健康在居住環(huán)境上存在顯著差異。［11］徐延輝等采用結(jié)構(gòu)方程模型發(fā)現(xiàn)老年人的居住環(huán)境中所包含的物質(zhì)及情感資源會(huì)顯著作用于其健康水平。［12］鄭曉冬等同樣認(rèn)為社區(qū)體育設(shè)施有助于提高中老年人日常活動(dòng)能力并顯著降低其抑郁程度。［13］Weiss等指出老年人會(huì)對(duì)長(zhǎng)期居住的固定環(huán)境建立起物質(zhì)和心理上的聯(lián)系，流動(dòng)性較強(qiáng)的社區(qū)難以形成社區(qū)網(wǎng)絡(luò)，最終會(huì)影響心理健康。［14］靳永愛(ài)等發(fā)現(xiàn)社區(qū)環(huán)境可以調(diào)節(jié)老年人因居住方式對(duì)抑郁傾向產(chǎn)生的影響。［15］

在有關(guān)老年人心理健康的研究中大部分采用了統(tǒng)計(jì)學(xué)方法進(jìn)行研究，近年來(lái)還有一些學(xué)者通過(guò)機(jī)器學(xué)習(xí)技術(shù)進(jìn)行研究。Sau等利用隨機(jī)森林方法（Random Forest，RF）從社會(huì)人口統(tǒng)計(jì)學(xué)和健康相關(guān)因素診斷老年患者的焦慮和抑郁，并通過(guò)包含隨機(jī)森林、貝葉斯網(wǎng)絡(luò)、邏輯回歸等十種分析方法的對(duì)比得出隨機(jī)森林預(yù)測(cè)準(zhǔn)確性最高的結(jié)論。［16］Lin等人在對(duì)居家老年人抑郁癥發(fā)展軌跡分類(lèi)的基礎(chǔ)上，通過(guò)梯度提升決策樹(shù)（Gradient Boosting Decision Trees，GBDT）、支持向量機(jī)（Support Vector Machine，SVM）和隨機(jī)森林進(jìn)行分析，結(jié)果顯示抑郁量表評(píng)分、認(rèn)知、睡眠時(shí)間和自評(píng)記憶能力是預(yù)測(cè)軌跡類(lèi)型的前四重要因子。［17］Wu等人通過(guò)正則化邏輯回歸（Regularized Logistic Regression，r-LR）、支持向量機(jī)、超級(jí)學(xué)習(xí)者（Super Learner，SL）和隨機(jī)森林等機(jī)器學(xué)習(xí)算法對(duì)認(rèn)知軌跡進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)前三種方法表現(xiàn)良好。［18］Byeon等通過(guò)建立邏輯斯蒂模型、隨機(jī)森林和梯度提升機(jī)（Gradient Boosting Machines，GBM）三種模型預(yù)測(cè)韓國(guó)老年人的抑郁情況，研究結(jié)果顯示隨機(jī)森林算法具有最高的精確度。［19］許金鵬等人通過(guò)隨機(jī)森林方法度量影響老年人心理健康狀態(tài)的各因素的重要性，結(jié)果顯示老年人子女個(gè)數(shù)、所在地區(qū)、自評(píng)健康狀況是影響老年人抑郁情況的三大重要因素。［20］

現(xiàn)有研究單獨(dú)分析居住方式或居住環(huán)境對(duì)老年人影響的較多，將同屬于居住相關(guān)因素下的兩者放在同一理論框架下系統(tǒng)考慮的很少。在研究方法上，目前在老年人心理健康預(yù)測(cè)領(lǐng)域使用較多的方法是隨機(jī)森林等基于決策樹(shù)的集成學(xué)習(xí)方法和支持向量機(jī)等基于統(tǒng)計(jì)學(xué)習(xí)理論的方法?；跊Q策樹(shù)的集成學(xué)習(xí)方法能夠很好地捕捉數(shù)據(jù)中的非線性關(guān)系，并且在并行化方面具有很強(qiáng)的擴(kuò)展性，但在高維數(shù)據(jù)中，這類(lèi)方法可能會(huì)出現(xiàn)過(guò)擬合問(wèn)題，需要進(jìn)行特征選擇或降維處理?；诮y(tǒng)計(jì)學(xué)習(xí)理論的方法有著嚴(yán)格的統(tǒng)計(jì)學(xué)理論，方法的性質(zhì)（如一致性、無(wú)偏性等）通常有明確的數(shù)學(xué)推導(dǎo)和解釋。然而，基于統(tǒng)計(jì)學(xué)習(xí)理論方法對(duì)非線性關(guān)系的擬合能力有限。如果數(shù)據(jù)中的模式是非線性的，則這些模型可能表現(xiàn)不佳。

綜上所述，以往研究面臨以下三個(gè)挑戰(zhàn)：首先，以往研究多采用線性運(yùn)算模型進(jìn)行分析。而心理健康是各種因素相互作用、相互調(diào)節(jié)的過(guò)程，傳統(tǒng)的線性運(yùn)算模型無(wú)法清晰地解釋其內(nèi)部關(guān)系和功能。且現(xiàn)實(shí)中一些變量并不都是線性、獨(dú)立、正態(tài)分布和均勻的，誤用某些統(tǒng)計(jì)方法可能會(huì)導(dǎo)致結(jié)果與實(shí)際情況之間的偏差，從而在歸納和應(yīng)用方面帶來(lái)限制。［21］其次，隨機(jī)森林算法、梯度提升機(jī)等是機(jī)器學(xué)習(xí)法應(yīng)用在老年心理健康研究時(shí)較為常見(jiàn)方法，這類(lèi)基于決策樹(shù)的集成學(xué)習(xí)方法能夠處理多種類(lèi)型的輸入變量，?但在處理高維數(shù)據(jù)時(shí)對(duì)于非線性關(guān)系的捕捉能力相對(duì)有限。相比之下，BP神經(jīng)網(wǎng)絡(luò)擁有更先進(jìn)的學(xué)習(xí)機(jī)制，能夠適應(yīng)更復(fù)雜的非線性問(wèn)題。［22］最后，手動(dòng)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)需要大量計(jì)算機(jī)專(zhuān)業(yè)經(jīng)驗(yàn)，并且神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)重和偏置高度敏感。［23］

在居住相關(guān)的因素中，居住方式是老年人和家庭成員（主要包括配偶、子女、孫子女）進(jìn)行生活照料、情感交流和互動(dòng)的載體，與誰(shuí)同住一定程度上影響著老年人受到照料的來(lái)源和頻率，有必要將居住方式作為核心變量之一進(jìn)行分析。住房環(huán)境、社區(qū)環(huán)境構(gòu)成了老年人居住的物質(zhì)環(huán)境，與他人的社會(huì)交往影響著老年人所受到的社會(huì)支持。因此，在本文中按照健康生態(tài)學(xué)模型選擇與居住相關(guān)的因素。個(gè)人行為層面選擇老年人的居住方式，個(gè)人、家庭、社區(qū)網(wǎng)絡(luò)層面選擇社會(huì)網(wǎng)絡(luò)支持情況，生活環(huán)境層面選擇社區(qū)環(huán)境及居住的房屋環(huán)境。綜合算法的預(yù)測(cè)能力、運(yùn)行速度和穩(wěn)定性，本文選擇了BP神經(jīng)網(wǎng)絡(luò)擬合自變量和因變量之間的關(guān)系，并且為解決BP神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)依賴人工經(jīng)驗(yàn)的問(wèn)題，使用了自動(dòng)化機(jī)器學(xué)習(xí)方法進(jìn)行優(yōu)化。

三、數(shù)據(jù)、變量與模型設(shè)定

（一）數(shù)據(jù)來(lái)源

本文使用的數(shù)據(jù)來(lái)源于2018年中國(guó)老年健康影響因素跟蹤調(diào)查（CLHLS），該調(diào)查由北京大學(xué)健康老齡與發(fā)展研究中心組織實(shí)施，是我國(guó)首個(gè)從跨學(xué)科角度探究老年人健康影響因素的追蹤調(diào)查數(shù)據(jù)。調(diào)查采取隨機(jī)抽樣方式，范圍覆蓋我國(guó)23個(gè)省631個(gè)市的城鄉(xiāng)老年人，具有較好的代表性和科學(xué)性，數(shù)據(jù)質(zhì)量被國(guó)內(nèi)外學(xué)者認(rèn)可。［24］因目前我國(guó)大部分老人仍為居家養(yǎng)老模式，本文選取60歲及以上居家老年人為研究對(duì)象，在剔除存在缺失值的樣本后得到有效樣本6 976個(gè)。

（二）變量及操作化

1. 被解釋變量

被解釋變量為老年人的心理健康水平。現(xiàn)有研究常用抑郁、孤獨(dú)等指標(biāo)測(cè)量心理健康，本文在參照以往相關(guān)研究的基礎(chǔ)上，［25-27］結(jié)合CLHLS問(wèn)卷中的調(diào)查內(nèi)容選擇性格和情緒特征部分的七個(gè)問(wèn)題，包括正向心理和負(fù)向心理兩方面內(nèi)容進(jìn)行測(cè)量。正向心理健康檢測(cè)老人的樂(lè)觀程度、責(zé)任心、自我掌握能力和對(duì)變老的看法，包括“不論什么事是否都能想得開(kāi)”“保持自己的東西干凈、整潔”“自己的事情自己做決定”“是否和年輕時(shí)一樣快活”。負(fù)向心理檢測(cè)老年人的緊張程度、自我能力喪失感和孤獨(dú)感，包括“感到緊張、害怕”“覺(jué)得越老越?jīng)]用”“覺(jué)得孤獨(dú)”。每道題目取值范圍為0～4分，負(fù)向心理題目的選項(xiàng)被反向編碼以保持方向一致性，總分0～28分，分?jǐn)?shù)越高心理健康水平越高。

2. 核心解釋變量

本文的核心解釋變量為居住方式與居住環(huán)境。居住方式根據(jù)“您現(xiàn)在和誰(shuí)住在一起”“共居住戶成員與老人的關(guān)系”兩個(gè)問(wèn)題來(lái)確定。參考以往研究并結(jié)合問(wèn)卷內(nèi)容，居住方式劃分為僅與配偶同住、與子女同住、三代人同住、其他、獨(dú)居五種類(lèi)型。［28］居住環(huán)境包括社會(huì)網(wǎng)絡(luò)支持情況、住房環(huán)境和社區(qū)環(huán)境。社會(huì)網(wǎng)絡(luò)支持來(lái)源的檢測(cè)部分參考社會(huì)網(wǎng)絡(luò)相關(guān)量表，［29］該量表出于識(shí)別社會(huì)孤立的目的測(cè)量受訪者能與幾個(gè)家人或朋友聯(lián)系、談私事、獲得幫助，若能夠參與的人較少則認(rèn)為有社會(huì)孤立的風(fēng)險(xiǎn)。因此選擇問(wèn)卷中的相關(guān)問(wèn)題，并將選項(xiàng)重新整合為僅親屬、僅朋友、親屬和朋友、無(wú)人四類(lèi)。住房環(huán)境調(diào)查住宅類(lèi)型和居住空間，即“當(dāng)前住房屬于哪種類(lèi)型”“是否有單獨(dú)臥室”。社區(qū)環(huán)境調(diào)查社區(qū)所提供的服務(wù)數(shù)量，計(jì)分范圍0～9分。

3. 控制變量

控制變量包括性別、年齡、城鄉(xiāng)類(lèi)型、受教育年限、婚姻狀況、身體健康狀況、家庭收入情況、生活方式。受訪老年人居住地類(lèi)型分為城鎮(zhèn)和農(nóng)村兩類(lèi)。本文將婚姻狀況劃分為“有配偶”和“無(wú)配偶”兩類(lèi)，無(wú)配偶包含離婚、喪偶、未婚。身體健康狀況通過(guò)自評(píng)健康狀況和日常生活自理能力（ADL）水平測(cè)量，自評(píng)健康狀況分為好、一般、不好三個(gè)水平，ADL分為很受限、受限、不受限三種情況。家庭收入情況通過(guò)家庭收入水平以及“收入是否夠用”衡量。生活方式包含煙酒使用情況，分為“一直不喝酒/不抽煙”“有時(shí)喝酒/抽煙”“一直喝酒/抽煙”三種情況。

（三）模型設(shè)定

本文使用的模型為多元線性回歸模型和自動(dòng)化機(jī)器學(xué)習(xí)方法，其中多元線性回歸模型通過(guò)Stata17.0操作，自動(dòng)化機(jī)器學(xué)習(xí)方法通過(guò)Matlab R2023a實(shí)現(xiàn)。

1. 多元線性回歸模型

本文先建立多元線性回歸模型，使用最小二乘法（OLS）分析居住方式、居住環(huán)境對(duì)老年人心理健康的影響。該模型能夠?yàn)楹罄m(xù)BP神經(jīng)網(wǎng)絡(luò)的分析提供便利，通過(guò)減少分析維度（即剔除控制變量中不顯著的因素）來(lái)提高BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度。模型如下：

[mental_healthi=α12+α13X1i+α14X2i+…+α19X7i+jβijZij+εi] （1）

[mental_healthi]為第[i]個(gè)老年人的心理健康水平；[X1i]至[X7i]分別為第[i]個(gè)老年人的居住方式、住宅類(lèi)型、居住空間、社區(qū)環(huán)境、聊天對(duì)象、傾訴對(duì)象、求助對(duì)象；[Zij]為第[i]個(gè)老年人的第[j]個(gè)控制變量。[α12]為截距項(xiàng)；[α13至α19]、[βij]分別為各個(gè)變量的回歸系數(shù)；[εi]為隨機(jī)誤差項(xiàng)。

2. BP神經(jīng)網(wǎng)絡(luò)模型

本文在多元線性回歸的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)算法中最經(jīng)典的BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步研究。BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)，在解決非線性問(wèn)題中擁有出色的性能，［30］并且擁有良好的自組織、自適應(yīng)性、容錯(cuò)性等優(yōu)點(diǎn)。［31］BP神經(jīng)網(wǎng)絡(luò)通過(guò)引入隱藏層增強(qiáng)網(wǎng)絡(luò)的預(yù)測(cè)能力，并且通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)重和偏置，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)這種學(xué)習(xí)機(jī)制使得其能夠適應(yīng)更復(fù)雜的非線性問(wèn)題。因此，目前BP神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應(yīng)用于預(yù)測(cè)問(wèn)題［32-33］及影響因素研究。［34-35］

如圖1所示，在BP神經(jīng)網(wǎng)絡(luò)中，[X=x1，x2，…，xn]為輸入變量，[w]為神經(jīng)元的權(quán)重，[b]為神經(jīng)元的偏置，[Y=y1，y2，…，ym]為輸出變量。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前需要初始化隱藏層和輸出層的權(quán)重和偏置，并給定學(xué)習(xí)率和激活函數(shù)。為了求解非線性問(wèn)題，激活函數(shù)通常使用Sigmoid函數(shù)，其定義如下：

[gz=11+ez] （2）

根據(jù)現(xiàn)有研究，［36］可以使用如下公式選擇最佳隱藏層的單元數(shù)：

[n1=n+m+a] （3）

[n1]為隱藏層的單元數(shù)，[n]為輸入單元數(shù)，[m]為輸出單元數(shù)，[a]為［1，10］之間的常數(shù)。本文借鑒自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）領(lǐng)域中的自動(dòng)化模型選擇思想，將[n1]的最小值設(shè)置為[n+m+1]，最大值設(shè)置為[n+m+10]，通過(guò)遍歷BP神經(jīng)網(wǎng)絡(luò)架構(gòu)，從而選擇出最優(yōu)隱藏層的單元數(shù)。以往研究認(rèn)為對(duì)于一般簡(jiǎn)單的數(shù)據(jù)集，一、二層隱藏層通常足夠分析，只有對(duì)于涉及時(shí)間序列或計(jì)算機(jī)視覺(jué)的復(fù)雜數(shù)據(jù)集才需要額外增加層數(shù)。［37］因此本文將在一層隱藏層BP神經(jīng)網(wǎng)絡(luò)和二層隱藏層BP神經(jīng)網(wǎng)絡(luò)中尋找最優(yōu)BP神經(jīng)網(wǎng)絡(luò)架構(gòu)。然而B(niǎo)P神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中采用均方誤差作為損失函數(shù)，并使用梯度下降的方式進(jìn)行收斂。因此，BP神經(jīng)網(wǎng)絡(luò)對(duì)初始化的權(quán)重和偏置具有較大的敏感性，從而容易陷入局部最優(yōu)。［38］

為了提升BP神經(jīng)網(wǎng)絡(luò)的性能，本文使用元啟發(fā)式算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重和偏置。粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法作為元啟發(fā)式算法的代表，因其易于實(shí)現(xiàn)和編碼、控制參數(shù)少、可以靈活與其他優(yōu)化算法混合使用等優(yōu)點(diǎn)，［39］一直被研究人員認(rèn)為是一種高效、精確和簡(jiǎn)單的算法，［40］并且將其應(yīng)用于參數(shù)優(yōu)化和求解數(shù)值問(wèn)題。［41］本文同樣借鑒AutoML領(lǐng)域中的超參數(shù)優(yōu)化方法，使用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重和偏置。

3. 粒子群優(yōu)化算法

PSO算法是一種基于群智能的元啟發(fā)式算法，由Kennedy和Eberhart通過(guò)觀察鳥(niǎo)類(lèi)的覓食行為而提出。［42］在連續(xù)空間坐標(biāo)系中，PSO算法的數(shù)學(xué)描述如下。

PSO算法使用[N]個(gè)粒子組成粒子群，通過(guò)反復(fù)迭代在[D]維空間中找到最優(yōu)解。每個(gè)粒子[i]在第[t]代具有速度[Vti=vti1，…，vtid，…，vtiD]和位置[Xti=xti1，…，xtid，…，xtiD]，其中[t]表示當(dāng)前迭代次數(shù)，[D]是問(wèn)題函數(shù)的維度，[i]是小于等于[N]的正整數(shù)。此外，每個(gè)粒子[i]會(huì)保存其歷史最佳位置[Pi=pi1，…，pid，…，piD]。種群中的歷史最優(yōu)位置被表示為[B=b1，…，bd，…，bD]。第[i]個(gè)粒子在第[t+1]代的速度通過(guò)如下公式進(jìn)行更新：

[vt+1id=ωvtid+c1rt1dpid-xtid+c2rt2dbd-xtid] （4）

[ω]是慣性權(quán)重，系數(shù)[c1]和[c2]是通常被設(shè)置為2的常數(shù)或者根據(jù)進(jìn)化狀態(tài)自適應(yīng)改變，[rt1d]和[rt2d]是［0，1］范圍內(nèi)隨機(jī)生成的兩個(gè)值。

根據(jù)粒子的速度，第[i]個(gè)粒子在第[t+1]代的位置通過(guò)如下公式進(jìn)行更新：

[xt+1id=xtid+vt+1id] （5）

4. 平均影響值算法

平均影響值（Mean Impact Value，MIV）算法是一種用于評(píng)估神經(jīng)網(wǎng)絡(luò)中自變量重要性的方法，并且被認(rèn)為是評(píng)估輸入變量和輸出變量之間相關(guān)性的最佳算法之一。［43］根據(jù)MIV的絕對(duì)值對(duì)變量進(jìn)行排序可以確定輸入變量對(duì)網(wǎng)絡(luò)輸出變量的影響程度。MIV值的符號(hào)表示相對(duì)方向，影響的相對(duì)重要性由MIV的絕對(duì)值表示。

5. 基于BPNN和PSO的自動(dòng)化機(jī)器學(xué)習(xí)方法

本文將所使用影響因素分析方法記為AutoBPNN-PSO，其流程圖如圖2所示。

本文首先會(huì)遍歷一層和二層BPNN，通過(guò)測(cè)試集返回的預(yù)測(cè)精度選擇最優(yōu)的BPNN架構(gòu)。其次，根據(jù)最優(yōu)網(wǎng)絡(luò)架構(gòu)構(gòu)建BPNN種群，并使用PSO算法優(yōu)化BPNN的初始化參數(shù)。最后，得到包含最優(yōu)初始化權(quán)重和偏置的最佳神經(jīng)網(wǎng)絡(luò)架構(gòu)，并使用MIV算法得到自變量的影響程度。

四、實(shí)證分析與討論

（一）描述性統(tǒng)計(jì)

觀測(cè)樣本的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表1。被解釋變量心理健康水平的均值為19.53，表明樣本心理健康狀況尚可。在解釋變量方面，居住方式中僅與配偶同住占比最多，其次為與子女同住，這兩種居住方式占樣本居住方式的半數(shù)以上；再次為獨(dú)居和三代人同住，可見(jiàn)傳統(tǒng)的多代同堂居住模式不再是主流選擇。在代表居住環(huán)境的住宅類(lèi)型中，觀測(cè)樣本居住獨(dú)門(mén)獨(dú)院類(lèi)型住宅的比重最大，其次為高層無(wú)電梯公寓、多家共連平房和有電梯公寓，居住公寓的占比為28.7%。在居住空間中，大部分老年人都有獨(dú)立臥室。社區(qū)環(huán)境滿分9分，樣本得分均值僅為1.87，說(shuō)明目前老年人所居住社區(qū)的服務(wù)設(shè)置還不完備。在社會(huì)網(wǎng)絡(luò)支持來(lái)源中，大部分老年人的聊天、傾訴、求助來(lái)源均為親屬，其次為親屬和朋友，僅和朋友互動(dòng)、沒(méi)有互動(dòng)對(duì)象的情況最少。

由于觀測(cè)樣本中高齡老人所占比重較大，故樣本整體年齡均值較高為83.23歲。樣本的男女比例相差不大，城鎮(zhèn)老年人比農(nóng)村老年人略多，沒(méi)有配偶的老人與有配偶的比例幾乎相同，老年人的受教育年限均值（3.81年）整體偏低。雖然近七成老年人日常生活自理很受限，但老年人對(duì)于健康的自我評(píng)價(jià)相對(duì)較好，認(rèn)為自己健康狀態(tài)不好的不到兩成。在家庭收入方面，大部分觀測(cè)樣本中的老年人認(rèn)為目前收入足夠使用。在煙酒的使用情況中，近七成老年人一直有吸煙或喝酒的習(xí)慣。

（二）居住方式、居住環(huán)境對(duì)老年人心理健康的影響

先通過(guò)多元線性回歸分析，刪除不顯著的控制變量為神經(jīng)網(wǎng)絡(luò)減少分析維度，再使用神經(jīng)網(wǎng)絡(luò)對(duì)全部樣本進(jìn)行分析。在通過(guò)對(duì)比兩種模型的精確度證明神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性的基礎(chǔ)上，進(jìn)行區(qū)分城鄉(xiāng)類(lèi)別和性別的異質(zhì)性分析。

1. 多元線性回歸的分析結(jié)果

本文先通過(guò)多元線性回歸模型分析居住方式、居住環(huán)境對(duì)老年人心理健康的影響。經(jīng)過(guò)多重共線性檢驗(yàn)對(duì)核心解釋變量和控制變量的檢查可知方差膨脹因子（VIF）均小于3，VIF平均值為1.73，排除了模型的多重共線性問(wèn)題。該模型通過(guò)了顯著性檢驗(yàn)。

從表2的線性回歸結(jié)果中可知，在居住方式方面，相較于獨(dú)居，三代人同住的方式對(duì)老年人心理健康更有益，僅與配偶同住、與子女同住和其他居住方式均不顯著。是否有獨(dú)立的居住空間以及社區(qū)環(huán)境如何沒(méi)有顯著影響。在住宅類(lèi)型中，與獨(dú)門(mén)獨(dú)院的住宅相比，多家共連平房和其他類(lèi)型的住宅都更不利于老年人心理健康，而住在公寓則有利于其心理健康。在社會(huì)網(wǎng)絡(luò)支持方面，與僅和親屬聊天、傾訴相比，和親屬及朋友聊天、無(wú)傾訴對(duì)象分別更有益于心理健康，和親屬相比遇到困難僅向朋友求助則有負(fù)面影響。

2. BP神經(jīng)網(wǎng)絡(luò)的分析結(jié)果

（1）超參數(shù)設(shè)置及BPNN架構(gòu)

在本文所用方法中需要提前設(shè)置BPNN的訓(xùn)練參數(shù)以及PSO算法的超參數(shù)。本文實(shí)驗(yàn)過(guò)程中用到的超參數(shù)設(shè)置如表3所示。

不同的任務(wù)有不同的自變量，因此不同的任務(wù)也對(duì)應(yīng)著不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)。本文共研究了總樣本、分城鄉(xiāng)類(lèi)型和分性別的樣本，因此本文共構(gòu)建了五種不同的BPNN架構(gòu)（見(jiàn)表4）。

（2）結(jié)果分析

在經(jīng)過(guò)回歸后，發(fā)現(xiàn)沒(méi)有不顯著的控制變量需要剔除。因此將變量再次放入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析（見(jiàn)表5）。在居住方式中，僅與配偶同住促進(jìn)作用最大，其他居住方式均為負(fù)面影響且獨(dú)居負(fù)面效應(yīng)最大。這與以往的研究結(jié)論保持一致。［44］該結(jié)果與線性回歸結(jié)果都顯示三代同住比獨(dú)居更有利于心理健康，不同之處是線性回歸中與配偶、子女同住的促進(jìn)作用均不顯著，不具備參考價(jià)值，而神經(jīng)網(wǎng)絡(luò)中與子女同住的促進(jìn)作用不如配偶。兩個(gè)模型本質(zhì)上都是對(duì)數(shù)據(jù)進(jìn)行擬合，但線性回歸只能擬合線性關(guān)系，神經(jīng)網(wǎng)絡(luò)可以擬合更復(fù)雜的非線性關(guān)系，因此理論上神經(jīng)網(wǎng)絡(luò)的分析結(jié)果更貼近數(shù)據(jù)原本的分布。在居住空間方面，有獨(dú)立空間比無(wú)獨(dú)立空間更有利于心理健康。在住宅類(lèi)型中，住在公寓尤其是高層無(wú)電梯公寓比其他住宅更有益，這可能是因?yàn)楦邔庸⒌木幼…h(huán)境較好，水、電、氣、供暖系統(tǒng)等基礎(chǔ)設(shè)施完備，提高了居住的舒適度和便利性。且不需要電梯的老人身體情況較好，身體健康同樣會(huì)對(duì)心理健康產(chǎn)生影響。社區(qū)服務(wù)設(shè)施越多越有利于心理健康。在社會(huì)網(wǎng)絡(luò)支持情況方面，和親屬及朋友這兩類(lèi)人群聊天、傾訴、求助對(duì)心理健康有正向影響，如果精神慰藉和幫助的來(lái)源只有親屬則有負(fù)面影響。

有關(guān)控制變量的分析結(jié)果顯示年齡增長(zhǎng)、無(wú)配偶、ADL受限、一直吸煙及使用酒精對(duì)心理健康有負(fù)面影響，城鎮(zhèn)、有配偶、受教育年限高、自評(píng)健康好、ADL不受限、收入情況好、一直不吸煙對(duì)心理健康的影響更好。

總體而言對(duì)老年人心理健康促進(jìn)較大的居住相關(guān)因素是有獨(dú)立臥室、住在高層無(wú)電梯公寓、和配偶同住，和親屬及朋友聊天、求助并傾訴心事，社區(qū)有服務(wù)設(shè)施。對(duì)老年人心理健康消極影響最大的居住因素是主要求助對(duì)象為親屬、住獨(dú)門(mén)獨(dú)院的住宅、主要聊天對(duì)象僅為親屬、獨(dú)居、心事僅向親屬傾訴。

（3）方法對(duì)比

本文選擇平均絕對(duì)值誤差（Mean Absolute Error，MAE）、均方誤差（Mean Square Error，MSE）、決定系數(shù)（Coefficient of Determination）[R2]、平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）四個(gè)指標(biāo)全面對(duì)比本文所用方法AutoBPNN-PSO與多元線性回歸進(jìn)行對(duì)比，以驗(yàn)證本文所使用方法的有效性。這四個(gè)指標(biāo)的計(jì)算公式如下：

[MAE=1Ni=1NYi-Yi] （6）

[MSE=1Ni=1NYi-Yi2] （7）

[R2=1-i=1NYi-Yi2i=1NYi-Yi2] （8）

[MAPE=100%Ni=1NYi-YiYi] （9）

[Yi]是第[i]個(gè)樣本的真實(shí)值，[Yi]是第[i]個(gè)樣本的預(yù)測(cè)值，[Yi]是[N]個(gè)樣本的真實(shí)值的平均值。[MSE]和[MAE]提供有關(guān)誤差大小的信息，[MAPE]強(qiáng)調(diào)相對(duì)百分比誤差。這三個(gè)指標(biāo)值越大，模型越不穩(wěn)定。[R2]評(píng)估模型的整體解釋力，其值范圍為［0，1］。[R2]的值越高，表明模型在解釋數(shù)據(jù)差異方面的能力更強(qiáng)。

為了使比較更為全面，本文將AutoBPNN-PSO與多元線性回歸、隨機(jī)森林（Random Forest，RF）、支持向量機(jī)（Support Vector Machine，SVM）、極端梯度提升（Extreme Gradient Boosting，XGBoost）、輕量級(jí)梯度提升機(jī)（Light Gradient Boosting Machine，LightGBM）在[MAE]、[MSE]、[MAPE]和[R2]指標(biāo)上進(jìn)行對(duì)比，結(jié)果如表6所示。AutoBPNN-PSO、RF和SVM使用Matlab實(shí)現(xiàn)并且運(yùn)行在Matlab R2023a中，XGBoost和LightGBM使用Python語(yǔ)言實(shí)現(xiàn)，多元線性回歸使用Stata實(shí)現(xiàn)。其中RF需要提前設(shè)置決策樹(shù)數(shù)量和葉節(jié)點(diǎn)最小樣本數(shù)，SVM需要提前設(shè)置核函數(shù)類(lèi)型，XGBoost需要提前設(shè)置學(xué)習(xí)率、決策樹(shù)數(shù)量、樹(shù)最大深度，LightGBM需要提前設(shè)置學(xué)習(xí)率、決策樹(shù)數(shù)量、葉節(jié)點(diǎn)數(shù)量。本文采取網(wǎng)格搜索來(lái)優(yōu)化超參數(shù)，在RF中，最優(yōu)決策數(shù)為500，葉節(jié)點(diǎn)最小樣本數(shù)為5；在SVM中，核函數(shù)采用高斯核函數(shù)，并使用默認(rèn)參數(shù)；在XGBoost中，最優(yōu)學(xué)習(xí)率為0.1，決策樹(shù)數(shù)量為100，樹(shù)最大深度為3；在LightGBM中，最優(yōu)學(xué)習(xí)率為0.05，決策樹(shù)數(shù)量為100，葉節(jié)點(diǎn)數(shù)量為15。

如表6所示，可以看出與RF、SVM、XGBoost、LightGBM及多元線性回歸方法相比，代表模型誤差的MAE、MSE、MAPE三個(gè)指標(biāo)在使用BP神經(jīng)網(wǎng)絡(luò)時(shí)最小，代表模型解釋能力的[R2]最大，說(shuō)明AutoBPNN-PSO方法對(duì)數(shù)據(jù)的解釋能力更好，精確度更高。

（三）異質(zhì)性分析

1. 居住方式、居住環(huán)境對(duì)不同城鄉(xiāng)類(lèi)型老人的影響

受我國(guó)二元經(jīng)濟(jì)結(jié)構(gòu)影響，城鄉(xiāng)之間存在著經(jīng)濟(jì)發(fā)展水平、基礎(chǔ)設(shè)施建設(shè)等方面的差距，老年人的居住環(huán)境可能也存在城鄉(xiāng)差異。且以往研究表明城鄉(xiāng)老年人在心理健康水平上存在差異，［45］因此將兩類(lèi)人群進(jìn)行對(duì)比研究。在證明了BP神經(jīng)網(wǎng)絡(luò)精確度更高的基礎(chǔ)上，使用該方法分析城鄉(xiāng)老年人的異質(zhì)性。

分析結(jié)果如表7所示，在居住方式方面，對(duì)城鎮(zhèn)老年人心理健康產(chǎn)生促進(jìn)的是僅與配偶同住，其次為其他居住方式，與子女同住影響較小，三代人同住、獨(dú)居均對(duì)心理健康產(chǎn)生負(fù)面影響。對(duì)農(nóng)村老年人心理健康產(chǎn)生促進(jìn)的是三代人同住、僅與配偶同住和其他居住方式，獨(dú)居和與子女同住均對(duì)心理健康產(chǎn)生負(fù)面影響。任強(qiáng)等人的研究提到與子女同住不利于老年人情感健康，其影響支持“家庭沖突理論”，而三代人同住更有利于老年人心理的研究結(jié)果支持“家庭支持理論”。［46］有獨(dú)立的臥室均對(duì)城鄉(xiāng)老年人心理產(chǎn)生正向影響。從住宅類(lèi)型看，除了“其他”住宅類(lèi)型外均對(duì)城鎮(zhèn)老年人有促進(jìn)作用；對(duì)農(nóng)村老年人有正向影響的是高層無(wú)電梯公寓，多家共連平房為負(fù)面影響。社區(qū)服務(wù)設(shè)施越多對(duì)城鄉(xiāng)老年人越好。從聊天對(duì)象來(lái)看，與親屬、親屬及朋友聊天均能對(duì)城鄉(xiāng)老年人產(chǎn)生正面影響。而傾訴心事對(duì)象中，對(duì)城鄉(xiāng)老年人心理健康均有促進(jìn)的是親屬及朋友，均有負(fù)面作用的是僅向朋友傾訴，僅向親屬傾訴影響相反。遇到困難尋求幫助的對(duì)象中，向親屬、親屬及朋友求助對(duì)城鎮(zhèn)老年人產(chǎn)生正面影響，對(duì)農(nóng)村老年人來(lái)說(shuō)除僅向親屬求助有較大負(fù)面影響外其余對(duì)象影響微弱。

從影響的優(yōu)先級(jí)來(lái)看，對(duì)城鎮(zhèn)老年人心理健康影響較大的居住相關(guān)因素是有獨(dú)立居住空間、僅向親屬傾訴心事（負(fù)向）、向親屬求助。對(duì)農(nóng)村老年人來(lái)說(shuō)，影響較大的是向親屬傾訴、有獨(dú)立居住空間、住獨(dú)門(mén)獨(dú)院住宅（負(fù)向）。對(duì)比城鄉(xiāng)老年人的求助對(duì)象可以發(fā)現(xiàn)城鎮(zhèn)老年人比農(nóng)村老年人更依賴親屬，說(shuō)明城鎮(zhèn)老年人相比農(nóng)村老年人生活上更依靠子女照顧。在住宅類(lèi)型方面，農(nóng)村老年人應(yīng)尤其避免獨(dú)門(mén)獨(dú)院的住宅類(lèi)型。

2. 居住方式、居住環(huán)境對(duì)不同性別老人的影響

以往研究表明性別是影響老年人心理健康水平的重要因素，［47-48］本文選擇性別作為老年人自身生理因素的代表。下面分性別研究居住方式、居住環(huán)境對(duì)老年人心理健康的影響（見(jiàn)表8）。

在居住方式方面，對(duì)男性老年人有促進(jìn)作用的是與子女同住，其次為僅與配偶同住、三代人同住，獨(dú)居及其他居住方式影響微弱;對(duì)女性有促進(jìn)作用的是僅與配偶同住，其余為負(fù)面影響。這可能是因?yàn)榇H之間摩擦所導(dǎo)致的壓力更容易對(duì)女性老年人產(chǎn)生影響。獨(dú)立居住空間方面均對(duì)兩性產(chǎn)生正面作用，沒(méi)有獨(dú)立空間對(duì)女性的影響更加負(fù)面。在住宅類(lèi)型方面，公寓類(lèi)住宅對(duì)兩性均有正面促進(jìn)作用，獨(dú)門(mén)獨(dú)院住宅對(duì)男性老人的影響更加消極。社區(qū)服務(wù)設(shè)施越多對(duì)兩性老年人越好。在社會(huì)網(wǎng)絡(luò)支持方面，傾訴、求助對(duì)象為親屬、親屬及朋友均對(duì)兩性老年人產(chǎn)生正面影響，而男性和朋友聊天會(huì)帶來(lái)更大的積極作用，女性選擇親屬作為聊天對(duì)象對(duì)心理產(chǎn)生的正面影響遠(yuǎn)優(yōu)于男性。

從影響因素的優(yōu)先級(jí)來(lái)看，有獨(dú)立居住空間、向親屬傾訴心事對(duì)兩性老年人影響均位于前列，和親屬聊天（負(fù)向）、向親屬求助分別是影響男性、女性心理健康優(yōu)先級(jí)較高的因素。因此男性更需拓展自己的社會(huì)網(wǎng)絡(luò)，女性在生活照料中則更依賴親屬。

五、結(jié)論與建議

（一）結(jié)論

本文使用2018年中國(guó)老年健康影響因素跟蹤調(diào)查（CLHLS）數(shù)據(jù)，通過(guò)多元線性回歸與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式分析了老年人居住方式、居住環(huán)境對(duì)其心理健康的影響。在驗(yàn)證神經(jīng)網(wǎng)絡(luò)精確度更高的基礎(chǔ)上，使用該方法分析了居住方式、居住環(huán)境對(duì)老年人心理健康的影響在不同城鄉(xiāng)類(lèi)型和性別的老年人群體中存在著怎樣的差異。本文的主要結(jié)論是：

第一，在居住相關(guān)影響因素中，僅與配偶同住、有獨(dú)立居住空間、住高層公寓、有社區(qū)服務(wù)的老人心理健康水平較高。在社會(huì)網(wǎng)絡(luò)支持情況方面，和親屬及朋友這兩類(lèi)人群聊天、傾訴心事及尋求幫助對(duì)心理健康有正向影響，社會(huì)網(wǎng)絡(luò)支持僅來(lái)源于親屬則不利于心理健康。對(duì)影響因素的優(yōu)先級(jí)排序，從高到低依次為僅向親屬求助（負(fù)向）、住獨(dú)門(mén)獨(dú)院的住宅（負(fù)向）、有獨(dú)立居住空間（正向）、僅和親屬聊天（負(fù)向）、獨(dú)居（負(fù)向）、僅向親屬傾訴心事（負(fù)向）。老年人受身體衰弱、行動(dòng)不便等因素影響，社會(huì)交往逐漸減少，親屬有可能成為部分老年人社會(huì)關(guān)系網(wǎng)中唯一保持聯(lián)系的對(duì)象。但以往研究表明多樣化的、以朋友為主的網(wǎng)絡(luò)與良好的健康相關(guān)，而受限制的、以家人為主的網(wǎng)絡(luò)不利于老年人的健康。［49］因此從實(shí)踐的角度出發(fā)，在其他居住因素?zé)o法改變的情況下，老年人需避免僅與親屬進(jìn)行社會(huì)交往的情況，保持與親屬聯(lián)絡(luò)的同時(shí)擴(kuò)展社交范圍，增加同朋友或鄰居的互動(dòng)。

第二，除居住方式、住宅類(lèi)型外，其余居住相關(guān)因素對(duì)城鄉(xiāng)老年人心理健康的影響基本一致。對(duì)農(nóng)村老年人促進(jìn)最大的并非是對(duì)城鎮(zhèn)老年人最有益的僅與配偶同住，而是三代人同住，符合了“家庭支持理論”。城鎮(zhèn)老年人更傾向于有獨(dú)立的生活。在住宅類(lèi)型中，農(nóng)村老年人可選擇的對(duì)心理健康有促進(jìn)作用的住宅類(lèi)型少于城鎮(zhèn)老年人，可能因?yàn)檗r(nóng)村部分住宅的質(zhì)量和舒適度仍有不足。影響因素的優(yōu)先級(jí)排序表明，城鎮(zhèn)老人和親屬聊天、向親屬求助的重要性要遠(yuǎn)高于農(nóng)村，農(nóng)村老人向親屬傾訴心事的重要性則高于城鎮(zhèn)，這說(shuō)明城鎮(zhèn)老年人在生活上對(duì)親屬的依靠比農(nóng)村高，農(nóng)村老年人在情感上對(duì)親屬的依賴比城鎮(zhèn)高。

第三，存在性別差異的居住相關(guān)因素是居住方式和社會(huì)網(wǎng)絡(luò)支持來(lái)源。女性老年人因受人際交往的壓力影響最適宜的居住方式是僅與配偶同住，對(duì)男性促進(jìn)作用最大的是與子女同住。在社會(huì)網(wǎng)絡(luò)支持來(lái)源方面，男性相較女性而言在心理上對(duì)朋友的需求更明顯，與朋友聊天為心理上帶來(lái)的促進(jìn)比女性更多。影響因素的優(yōu)先級(jí)排序表明，向親屬求助對(duì)女性心理影響的優(yōu)先級(jí)比男性高很多，僅與親屬聊天對(duì)男性心理的影響的優(yōu)先級(jí)比女性高很多且影響方向?yàn)樨?fù)，說(shuō)明女性老年人在生活上更依賴親屬照顧，男性老年人相較女性要更加避免僅和親屬互動(dòng)的情況。

（二）建議

第一，拓展老年人社會(huì)網(wǎng)絡(luò)，重視社會(huì)交往心理需求。受身體機(jī)能老化、社會(huì)角色變化等因素影響，老年人進(jìn)行社會(huì)交往和社會(huì)參與的機(jī)會(huì)減少，在社會(huì)網(wǎng)絡(luò)縮小、同質(zhì)化后易出現(xiàn)社會(huì)孤立的情況。且老年人（尤其是男性老年人）在心理上存在更多和朋友互動(dòng)的需求，而心理上的需求與身體健康相比往往容易受到忽視。應(yīng)從硬件環(huán)境與文化環(huán)境兩方面入手為老年人創(chuàng)造社會(huì)交往的機(jī)會(huì)，如改善老年人出行環(huán)境，在社區(qū)構(gòu)建友好鄰里關(guān)系的氛圍，開(kāi)發(fā)適合老年人參與的活動(dòng)項(xiàng)目等，為老年人創(chuàng)造交友以及和朋友一起參與活動(dòng)的機(jī)會(huì)。子女需意識(shí)到老年人除了親屬和家庭生活外還需有自己的社交網(wǎng)絡(luò)和愛(ài)好，鼓勵(lì)老年人參與社交活動(dòng)，通過(guò)滿足老年人和朋友互動(dòng)的心理需求提高老年人的心理健康水平。

第二，尊重老年人需求，選擇適宜的居住類(lèi)型。從心理健康的角度考慮，不同老年群體適宜的居住方式不同。雖從整體來(lái)講僅與配偶同住對(duì)老年人心理健康有益，但農(nóng)村老年人更傾向于三代同住。在條件允許的情況下農(nóng)村子女可選擇三代同住的居住方式，在滿足老年人心理需求的同時(shí)通過(guò)代際間資源的交換促進(jìn)家庭氛圍和諧。城鎮(zhèn)老年人與配偶同住更有利于心理健康，但考慮其在生活上對(duì)親屬的依賴，子女仍需為老年人提供一定的精神慰藉和生活照料以滿足其需求。

第三，改善居住環(huán)境，豐富農(nóng)村老年人選擇。研究顯示農(nóng)村老年人可選擇的有益于心理健康的住房類(lèi)型相較城鎮(zhèn)少很多，這可能因?yàn)檗r(nóng)村老年人住宅的房屋結(jié)構(gòu)、衛(wèi)生設(shè)施、取暖設(shè)施等硬件環(huán)境仍存在問(wèn)題，造成老年人生活上不便利、不舒適。因此需要對(duì)農(nóng)村老年人的住宅進(jìn)行改造，使老年人在實(shí)現(xiàn)居家養(yǎng)老愿望的同時(shí)也能夠提升生活幸福感，促進(jìn)老年人心理健康。

第四，完善社區(qū)服務(wù)及設(shè)施，構(gòu)建老年友好社區(qū)。研究結(jié)果表明社區(qū)服務(wù)對(duì)老年人心理健康有一定促進(jìn)作用，但大部分社區(qū)都缺乏針對(duì)老年人的服務(wù)內(nèi)容。增加社區(qū)的服務(wù)內(nèi)容，保障公共設(shè)施數(shù)量，提高服務(wù)質(zhì)量，構(gòu)建水平高、覆蓋廣的社區(qū)服務(wù)體系對(duì)大部分老年人選擇居家養(yǎng)老的現(xiàn)狀而言十分重要。尤其對(duì)于獨(dú)居且無(wú)法改變居住方式的老年人，社區(qū)提供的養(yǎng)老服務(wù)能夠一定程度彌補(bǔ)家庭照料的缺位，滿足老年人的日常生活需求。通過(guò)社區(qū)組織的休閑娛樂(lè)活動(dòng)擴(kuò)大老年人的社交范圍和社會(huì)參與，增加老年人的獲得感、價(jià)值感進(jìn)而促進(jìn)心理健康，減少罹患抑郁癥的風(fēng)險(xiǎn)。

【參考文獻(xiàn)】

［1］ 劉一偉. 居住方式影響了老年人的健康嗎？——來(lái)自中國(guó)老年人的證據(jù)［J］. 人口與發(fā)展，2018（4）：77-86，96.

［2］ 胡湛，彭希哲. 中國(guó)當(dāng)代家庭戶變動(dòng)的趨勢(shì)分析：基于人口普查數(shù)據(jù)的考察［J］. 社會(huì)學(xué)研究，2014（3）：145-166，244.

［3］ Collins A E. Health Ecology and Environmental Management in Mozambique［J］. Health & Place，2002，8（4）：263-272.

［4］ 盛明潔. 歐美鄰里效應(yīng)研究進(jìn)展及對(duì)我國(guó)的啟示［J］. 國(guó)際城市規(guī)劃，2017（6）：42-48.

［5］ 穆瀅潭，原新. 居住安排對(duì)居家老年人精神健康的影響：基于文化情境與年齡的調(diào)解效應(yīng)［J］. 南方人口，2016（1）：71-80.

［6］ 江克忠，陳友華. 親子共同居住可以改善老年人的心理健康嗎？——基于CLHLS數(shù)據(jù)的證據(jù)［J］. 人口學(xué)刊，2016（6）：77-86.

［7］ 李延宇，高敏，張維軍，等. 空巢真的是影響城鎮(zhèn)老年人健康的危險(xiǎn)因素嗎？［J］. 人口學(xué)刊，2017（5）：73-93.

［8］ 劉宏，高松，王俊. 養(yǎng)老模式對(duì)健康的影響［J］. 經(jīng)濟(jì)研究，2011（4）：80-93，106.

［9］ 許琪. 居住安排對(duì)中國(guó)老年人精神抑郁程度的影響：基于CHARLS追蹤調(diào)查數(shù)據(jù)的實(shí)證研究［J］. 社會(huì)學(xué)評(píng)論，2018（4）：47-63.

［10］ Maruyama S. The Effect of Coresidence on Parental Health in Japan［J］. Journal of the Japanese and International

Economies，2015（35）：1-22.

［11］ 任亮寶，王金梅. 老年人社會(huì)支持與心理健康［J］. 中國(guó)老年學(xué)雜志，2017（6）：1530-1533.

［12］ 徐延輝，劉彥. 居住環(huán)境、社會(huì)地位與老年人健康研究［J］. 廈門(mén)大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2020（1）：52-59.

［13］ 鄭曉冬，方向明. 社區(qū)體育基礎(chǔ)設(shè)施建設(shè)、中老年人健康及不平等：基于中國(guó)健康與養(yǎng)老追蹤調(diào)查的實(shí)證分析［J］. 勞動(dòng)經(jīng)濟(jì)研究，2018（4）：119-144.

［14］ Weiss R S，Bass S A. Challenges of the Third Age：Meaning and Purpose in Later Life［M］. Oxford University Press，2002：81-114.

［15］ 靳永愛(ài)，周峰，翟振武. 居住方式對(duì)老年人心理健康的影響：社區(qū)環(huán)境的調(diào)節(jié)作用［J］. 人口學(xué)刊，2017（3）：66-77.

［16］ Sau A，Bhakta I. Predicting Anxiety and Depression in Elderly Patients Using Machine Learning Technology［J］. Healthcare Ta4a4cc5e1fb3b1eda3ee0ea494aae8dfechnology Letters，2017，4（6）：238-243.

［17］ Lin S，Wu Y，He L，et al. Prediction of Depressive Symptoms Onset and Long-term Trajectories in Home-based Older Adults Using Machine Learning Techniques［J］. Aging & Mental Health，2023，27（1）：8-17.

［18］ Wu Y，Jia M，Xiang C，et al. Predicting the Long-term Cognitive Trajectories Using Machine Learning Approaches：A Chinese Nationwide Longitudinal Database［J］. Psychiatry Research，2022，310：114434.

［19］ Byeon H. Predicting the Depression of the South Korean Elderly Using SMOTE and an Imbalanced Binary Dataset［J］. International Journal of Advanced Computer Science and Applications，2021，12（1）：74-79.

［20］ 許金鵬，康正，王海鑫，等. 基于隨機(jī)森林模型的我國(guó)老年人抑郁癥狀影響因素分析［J］. 醫(yī)學(xué)與社會(huì)，2022（12）：85-92.

［21］ Dong X X，Li D L，Miao Y F，et al. Prevalence of Depressive Symptoms and Associated Factors during the COVID-19 Pandemic：A National-based Study［J］. Journal of Affective Disorders，2023，333：1-9.

［22］ Zheng B，Wang J，F(xiàn)eng S，et al. A New，F(xiàn)ast，and Accurate Algorithm for Predicting Soil Slope Stability based on Sparrow Search Algorithm-back Propagation［J］. Natural Hazards，2024，120（1）：297-319.

［23］ Liu Y，Sun Y，Xue B，et al. A Survey on Evolutionary Neural Architecture Search［J］. IEEE Transactions on Neural Networks and Learning Systems，2021，34（2）：550-570.

［24］ 張威，陳娜，陳亞楠，等. 居家失能老人生活滿意度的性別差異比較及Fairlie分解［J］. 現(xiàn)代預(yù)防醫(yī)學(xué)，2022（10）：1846-1851.

［25］ 李安琪，吳瑞君. 老年再婚可以改善心理健康嗎？——基于CLHLS的實(shí)證分析［J］. 南方人口，2019（4）：70-80.

［26］ 李丹，白鴿. 收入差異下的老年心理健康不平等及影響機(jī)制［J］. 北京社會(huì)科學(xué)，2022（7）：108-117.

［27］ Li D，Wu T C Z. An Exploration of the Subjective Well-being of the Chinese Oldest-old［J］. Healthy Longevity in China：Demographic，Socioeconomic，and Psychological Dimensions，2008，20：347-356.

［28］ 蔣煒康，孫鵑娟. 居住方式、居住環(huán)境與城鄉(xiāng)老年人心理健康：一個(gè)老年友好社區(qū)建設(shè)的分析框架［J］. 城市問(wèn)題，2022（1）：65-74.

［29］ 劉彩梅，張恩慧，董及美. 社會(huì)網(wǎng)絡(luò)對(duì)老年人心理健康的影響研究：以老年開(kāi)放大學(xué)學(xué)員為例［J］. 遠(yuǎn)程教育雜志，2023（6）：104-110.

［30］ Qian H M，Zhang H，Huang T，et al. Accuracy Analysis of Satellite Antenna Panel Expansion Based on BP Neural Network［J］. Quality and Reliability Engineering International，2023，39（5）：1878-1888.

［31］ Tian J，Liu Y，Zheng W，et al. Smog Prediction Based on the Deep Belief-BP Neural Network Model（DBN-BP）［J］. Urban Climate，2022，41：101078.

［32］ Feng Q，Xie X，Wang P，et al. Prediction of Durability of Reinforced Concrete Based on Hybrid-BP Neural Network［J］. Construction and Building Materials，2024，425：136091.

［33］ Lu Y，Li T，Deng Y. Predication of Water Pollution Peak Concentrations by Hybrid BP Artificial Neural Network Coupled with Genetic Algorithm［J］. Applied Artificial Intelligence，2024，38（1）：2341356.

［34］ Chen J，Liu Z，Yin Z，et al. Predict the Effect of Meteorological Factors on Haze Using BP Neural Network［J］. Urban Clim，2023，51：101630.

［35］ Yang Z，Ke P，Zhang Y，et al. Quantitative Analysis of the Dominant External Factors Influencing Elite Speed Skaters' Performance Using BP Neural Network［J］. Frontiers in Sports and Active Living，2024，6：1227785.

［36］ 沈花玉，王兆霞，高成耀，等. BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定［J］. 天津理工大學(xué)學(xué)報(bào)，2008（5）：13-15.

［37］ LeCun Y，Bengio Y，Hinton G. Deep Learning［J］. Nature，2015，521（7553）：436-444.

［38］ Khan A，Bukhari J，Bangash J I，et al. Optimizing Connection Weights of Functional Link Neural Network Using APSO Algorithm for Medical Data Classification［J］. Journal of King Saud University-Computer and Information Sciences，2022，34（6）：2551-2561.

［39］ Shami T M，El-Saleh A A，Alswaitti M，et al. Particle Swarm Optimization：A Comprehensive Survey［J］. Ieee Access，2022，10：10031-10061.

［40］ Ajibade S S M，Ojeniyi A. Bibliometric Survey on Particle Swarm Optimization Algorithms（2001—2021）［J］. Journal of Electrical and Computer Engineering，2022（1）：3242949.

［41］ Van den Bergh F，Engelbrecht A P. A Study of Particle Swarm Optimization Particle Trajectories［J］. Information Sciences，2006，176（8）：937-971.

［42］ Kennedy J，Eberhart R. Particle Swarm Optimization［C］//Proceedings of ICNN'95-International Conference on Neural Networks. IEEE，1995，4：1942-1948.

［43］ Wang X F，Li H，Sun C Y，et al. Prediction of Mental Health in Medical Workers during COVID-19 Based on Machine Learning［J］. Frontiers in Public Health，2021，9：697850.

［44］ Guo Y Q，et al. Mental Health and Related Influencing Factors among the Empty-nest Elderly and the Non-empty-nest Elderly in Taiyuan，China：Across-sectional Study［J］. Public Health，2016，12（141）：210-217.

［45］ 高麗，李樹(shù)茁. 農(nóng)村老年人心理健康的發(fā)展軌跡：基于安徽省農(nóng)村老年人福利狀況調(diào)查的分析［J］. 人口研究，2023（6）：51-64.

［46］ 任強(qiáng)，唐啟明. 中國(guó)老年人的居住安排與情感健康研究［J］. 中國(guó)人口科學(xué)，2014（4）：82-91，128.

［47］ 殷華西，劉莎莎，宋廣文. 我國(guó)老年人心理健康的研究現(xiàn)狀及其展望［J］. 中國(guó)健康心理學(xué)雜志，2014（10）：1566-1569.

［48］ Wang X，Guo J，Liu H，et al. Impact of Social Participation Types on Depression in the Elderly in China：An Analysis Based on Counterfactual Causal Inference［J］. Frontiers in Public Health，2022，10：792765.

［49］ 葉麗萍. 農(nóng)村老年人社會(huì)網(wǎng)絡(luò)類(lèi)型與健康及其行為關(guān)聯(lián)機(jī)制研究［D］. 武漢：華中科技大學(xué)，2021.

［責(zé)任編輯 傅 蘇］

The Impact of Living Style and Living Environment

on Elderly Mental Health

——An Analysis Based on Automated Machine Learning

WANG Xiaofeng，WANG Tan

（Northeast Asian Studies Center，Jilin University，Changchun Jilin，130012，China）

Abstract：The aging population in China is becoming increasingly severe，with the country soon entering a moderately aging society. Concurrently，family sizes are shrinking，and the number of intergenerationally separated households is rising. Given that living arrangements and environments play a crucial role in the daily lives and access to resources for the elderly，it is essential to examine the changes in these aspects compared to the past. Mental health among the elderly is a significant factor influencing their well-being in later life. Understanding the impact of different living arrangements and environments on the mental health of the elderly，as well as the variations of this impact across different groups，can inform the development of more effective strategies to improve the living environments of the elderly and promote healthy aging. This study utilized data from the 2018 China Longitudinal Healthy Longevity Survey（CLHLS） and analyzed it through a combination of multiple linear regression and automated machine learning，grounded in theories such as health ecology. Initially，the study employed a hybrid approach，combining linear regression with a neural network based on a metaheuristic algorithm，to assess the impact and prioritize the factors associated with different living arrangements and environments on the mental health of the elderly. The accuracy of the neural network model was then validated by comparing it with the results from five other methods，including linear regression and random forest. Subsequently，the neural network was used to conduct a heterogeneity analysis of elderly groups across different urban and rural settings and genders. The findings indicate that，among various living arrangements，cohabitation with a spouse has the most positive effect，while living alone has a significantly negative impact on mental health. In terms of housing environment，factors such as having an independent living space，residing in high-rise apartments，and living in communities with service facilities all contribute positively to elderly mental health. Regarding social network support，a diverse range of social support sources is more beneficial for mental health than relying solely on familial support. Prioritization of influencing factors reveals that seeking help only from relatives，living in detached houses with independent living spaces，engaging only in conversations with relatives，and living alone rank among the top five factors associated with mental health outcomes. From a practical perspective，in cases where other living factors cannot be altered，elderly individuals should avoid relying solely on interactions with relatives and should instead increase their social interactions with friends or neighbors. When comparing urban and rural settings，the study found that most housing-related factors，except for living arrangements and housing type，have a consistent impact on mental health. Cohabitation with three generations has a more substantial positive effect on the mental health of rural elderly individuals，while cohabitation with a spouse and independent living is more beneficial for urban elderly individuals. Prioritization analysis also shows that rural elderly individuals are more emotionally dependent on relatives compared to their urban counterparts，while urban elderly individuals rely more on relatives for daily care than rural elderly. From a gender perspective，the impact of factors other than living arrangements and social network support sources is consistent. For elderly women，cohabiting with only a spouse is most beneficial for mental health，whereas for elderly men，living with children is more advantageous. The prioritization analysis indicates that social interactions with friends are more critical for elderly men than women，and elderly women rely more on relatives for daily care compared to men.

Key Words：Living Style，Living Environment，Elderly Mental Health，BP Neural Network，Particle Swarm Optimization

【收稿日期】 2024-05-07

【基金項(xiàng)目】 教育部人文社會(huì)科學(xué)重點(diǎn)研究基地項(xiàng)目：中日韓應(yīng)對(duì)老齡化政策比較研究（15JJD810009）

【作者簡(jiǎn)介】 王曉峰（1967-），男，吉林長(zhǎng)春人，吉林大學(xué)東北亞研究中心教授；王 坦（1994-），女，山西大同人，吉林大學(xué)東北亞學(xué)院博士研究生。