王珊川，李明東，陶衛(wèi)國，陳 麗，許世杰

(1.西華師范大學(xué)，四川 南充 637000；2.四川德爾博睿科技股份有限公司，四川 南充 637000；3.南充市民政局，四川 南充 637000)

0 引言

2010年的第六次全國人口普查結(jié)果顯示，我國60歲及其以上的老年人口達到1.78億，占總?cè)丝诒戎貫?3.3%；2011年底，60歲及其以上的老年人口達到1.85億，占比為13.7%；根據(jù)2017年我國國務(wù)院印發(fā)的《“十三五”國家老齡事業(yè)發(fā)展和養(yǎng)老體系建設(shè)規(guī)劃》，預(yù)計到2020年，60歲以上老年人口將增加到2.55億人，占總?cè)丝诘?7.8%左右.這些數(shù)據(jù)都表明，我國人口老齡化的速度不斷在加快.面對日益嚴峻的人口老齡化，養(yǎng)老問題成了現(xiàn)在最熱的話題.為解決養(yǎng)老問題，了解老年人養(yǎng)老意愿尤為重要.以南充市為例，對南充市市轄三區(qū)的46個社區(qū)里年齡為50歲及以上的準老人及老年人進行問卷調(diào)查，通過分析他們的養(yǎng)老意愿及其影響因素，以期為解決養(yǎng)老問題提供幫助，為完善多元化養(yǎng)老模式提供依據(jù).

對于已有的有關(guān)養(yǎng)老方面的研究大多數(shù)使用Logistic算法、SPSS數(shù)據(jù)分析軟件[1-4]對數(shù)據(jù)進行分析處理.養(yǎng)老數(shù)據(jù)的研究方法較為單一，本文提出使用支持向量機遞歸特征消去方法(SVM-RFE)、支持向量機(SVM)來對養(yǎng)老數(shù)據(jù)進行研究分析，使用PyCharm軟件處理數(shù)據(jù)，為養(yǎng)老數(shù)據(jù)的研究提出新的研究處理方法.

1 問卷調(diào)查

1.1 調(diào)查對象

為了使調(diào)查具有普遍代表性，南充市民政局組織協(xié)調(diào)三區(qū)民政局，具體負責(zé)落實46個社區(qū)的問卷調(diào)查.在市區(qū)民政局的領(lǐng)導(dǎo)下，課題組組織西華師范大學(xué)在校學(xué)生20余人，進入各個社區(qū)，組織年齡為50歲及其以上的準老人及老年人填寫調(diào)查問卷.

1.2 調(diào)查方法

通過廣泛查閱資料、咨詢專家等方法，充分研討后，課題組設(shè)計了《居家養(yǎng)老問卷調(diào)查》表.應(yīng)用設(shè)計的調(diào)查表，在各區(qū)民政局的統(tǒng)一協(xié)調(diào)下，調(diào)查小組進入各個社區(qū)，組織50歲及以上的準老年人及老年人進行問卷調(diào)查.最后，收回1 836份問卷，其中有效問卷為1 816份，問卷率有效為98.9%.

2 研究方法

分析不同養(yǎng)老意愿選擇的影響因素，使用支持向量機遞歸特征消去方法(SVM-RFE)得到因素影響從大到小的排序集合，構(gòu)造排序集合的子集，采用支持向量機(SVM)分類方法，以其精確度、ROC曲線和RUC值為指標，選取顯著的影響因素，以便為解決養(yǎng)老問題提供更直接的幫助.

2.1 支持向量機

支持向量機是Corinna Cortes等人基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理提出的一種機器學(xué)習(xí)算法.

假設(shè)給定數(shù)據(jù)集為T={(x1,y1),(x2,y2),…,(xN,yN)}，其中xi∈χ=Rn，yi∈y={+1,-1}，i=1,2,…,N，xi為第i個特征向量，也稱為實例，yi為xi的類標記，當(dāng)yi=+1時，稱xi為正例；當(dāng)yi=-1時，稱xi為負例，(xi,yi)稱為樣本點.

2.2 支持向量機遞歸特征消去方法

2002年，Guyon等人提出了SVM-RFE算法.SVM-RFE算法的核心思想是反復(fù)構(gòu)建SVM模型，根據(jù)重要性選出最差的特征并選擇出來，重復(fù)這個過程，最后得到一個特征的排序集合.

2.3 精確度、ROC曲線和RUC值

精確度：ACC=(TP+TN)/(P+N)，即(真陽性+真陰性)/總樣本數(shù).

ROC曲線(又稱受試者工作特征曲線、感受性曲線)以假陽性概率為橫軸，真陽性概率為縱軸，可以反映分類器的準確性.

真陽性率(TPR)：(TPR)=TP/P=TP/(TP+FN)

假陽性率(FPR)：(FPR)=FP/N=FP/(FP+TN)

其中TP(真陽性)表示正確的肯定，TN(真陰性)表示正確的否定，F(xiàn)P(假陽性)表示錯誤的肯定，F(xiàn)N(假陰性)表示錯誤的否定.

AUC為ROC曲線所覆蓋的區(qū)域面積，AUC值越大，分類器分類效果越好.

3 數(shù)據(jù)分析

3.1 過程分析

數(shù)據(jù)分析思路如下：

圖1 分析過程

0表示傾向于選擇居家養(yǎng)老，1表示傾向于選擇社區(qū)養(yǎng)老，2表示傾向于選擇機構(gòu)養(yǎng)老.用SVM-REF、SVM對老年人不同傾向選擇的影響因素做分析，得到顯著的影響因素，即降維后的特征.

3.1.1 原始數(shù)據(jù)的處理

參與數(shù)據(jù)分析的原始數(shù)據(jù)有13個特征，1～13表示，分別是性別、年齡、受教育程度、身體情況、退休前行業(yè)、子女?dāng)?shù)量、自有住房面積、經(jīng)濟來源、家庭月均收入、每月能承受的養(yǎng)老費、體檢頻率、保險方式、是否滿足現(xiàn)在的養(yǎng)老方式；有3個分類標簽，分別是居家養(yǎng)老、社區(qū)養(yǎng)老以及機構(gòu)養(yǎng)老.

對原始數(shù)據(jù)進行處理，得到3個分類的數(shù)據(jù)分布、3個分類的ROC曲線圖和以不同分類標簽為正類的精確度，如圖2.可以從圖中看出，老年人傾向于選擇居家養(yǎng)老的居多，13個特征因素對社區(qū)養(yǎng)老有比較高的敏感度和關(guān)聯(lián)度.

圖2 數(shù)據(jù)的基本分析

3.1.2 不同標簽作正類的數(shù)據(jù)處理

應(yīng)用SVM-REF對不同標簽為正類的數(shù)據(jù)進行特征排序，如圖3，13個特征分別以1～13代表，顏色的深淺代表特征影響的大小，越淺影響越大.

圖3 正類分別是0、1、2的排序集合

根據(jù)排序序列構(gòu)造特征子集F1,F2,…,F13，并且F1?F2?…?F13.利用支持向量機的判別正確率以及AUC值來評估這些子集的優(yōu)劣，從而獲得最優(yōu)的影響因素.如圖4，以0標簽為正類時，選擇排序特征的前6個特征；如圖5，以1標簽為正類時，選擇排序特征的前4個特征；如圖6，以2標簽為正類時，選擇排序特征的前4個特征.

圖4 以0為正類的準確值和RUC值

圖5 以1為正類的準確值和RUC值

圖6 以1為正類的準確值和RUC值

3.1.3 降維后數(shù)據(jù)處理

利用降維后的數(shù)據(jù)做ROC曲線并計算AUC值，如圖7，降維后的數(shù)據(jù)單個對應(yīng)的分類準確性有所上升，但是對于總分類的準確性小有幅度的下降.

圖7 對應(yīng)正類依次為0、1、2的ROC圖

3.2 數(shù)據(jù)處理結(jié)果分析

由分析結(jié)果可知，對于居家養(yǎng)老，是否滿意現(xiàn)在養(yǎng)老方式、受教育程度、保險方式、身體情況、經(jīng)濟來源、自有住房面積對選擇傾向具有較大影響；據(jù)表1知，越滿意現(xiàn)在養(yǎng)老方式的越傾向于選擇居家養(yǎng)老；受教育程度越低的越傾向于選擇居家養(yǎng)老，目前老年人文憑普遍偏低，這與劉小春等[1-2]的研究結(jié)果一致；選擇醫(yī)療保險的老年人更傾向于選擇居家養(yǎng)老；身體狀況越健康越傾向于選擇居家養(yǎng)老；經(jīng)濟來源越不獨立越傾向于選擇居家養(yǎng)老，特別是經(jīng)濟來源是子女提供；自有住房面積越多的越傾向于選擇居家養(yǎng)老.

表1 顯著因素比例表

續(xù)表1

對于社區(qū)養(yǎng)老，是否滿意現(xiàn)在養(yǎng)老方式、自有住房面積、身體情況、受教育程度對其選擇傾向具有較大影響；越不滿意現(xiàn)在養(yǎng)老方式的越傾向于選擇社區(qū)養(yǎng)老，對現(xiàn)在養(yǎng)老方式不存在滿意和不滿意的占多數(shù)，不滿意的比例是滿意的2倍；自有住房面積越少越傾向于選擇社區(qū)養(yǎng)老；身體狀況越不好越傾向于選擇社區(qū)養(yǎng)老，其中，相比機構(gòu)養(yǎng)老，更傾向于選擇社區(qū)養(yǎng)老，這與胡斌等[3]的研究結(jié)果一致.老年人身體狀況越差，自理能力越弱，不想成為子女的負擔(dān)，就更傾向于選擇去提供基本生活照料、醫(yī)療護理服務(wù)等的社區(qū)和機構(gòu)養(yǎng)老；受教育程度越高越傾向于選擇社區(qū)養(yǎng)老.

對于機構(gòu)養(yǎng)老，是否滿意現(xiàn)在養(yǎng)老方式、保險方式、經(jīng)濟來源、子女?dāng)?shù)量對其選擇傾向具有較大影響.越不滿意現(xiàn)在養(yǎng)老方式越傾向于選擇機構(gòu)養(yǎng)老，不滿意的比例是滿意的3倍；選擇非醫(yī)療保險的更傾向于選擇機構(gòu)養(yǎng)老；經(jīng)濟來源越獨立、子女?dāng)?shù)量越少越傾向于選擇機構(gòu)養(yǎng)老.這種子女與老年人養(yǎng)老意愿之間的關(guān)系跟劉小春等[2-4]的研究結(jié)果一致.我國傳統(tǒng)的“養(yǎng)兒防老”“孝道”等文化根深蒂固[5]，這與認為沒有子女才選擇機構(gòu)養(yǎng)老、送老人進養(yǎng)老院是不孝等錯誤認知有關(guān).

4 結(jié)論

根據(jù)理論分析所得的結(jié)果，以期為解決養(yǎng)老問題提供理論依據(jù).針對傳統(tǒng)的、主流的三大養(yǎng)老模式——居家養(yǎng)老、社區(qū)養(yǎng)老和機構(gòu)養(yǎng)老，做了老年人養(yǎng)老意愿的研究.對于傾向于選擇不同養(yǎng)老模式的準老人及老年人而言，有不同的顯著特征.根據(jù)這些顯著的特征，可為養(yǎng)老服務(wù)或相關(guān)政策等提供更好更直接的幫助.由文章分析結(jié)果和相關(guān)研究成果[1-5]，可知隨著社會的發(fā)展和進步，人們的生活和觀念不斷發(fā)生改變，人們對社區(qū)養(yǎng)老和機構(gòu)養(yǎng)老的認可度和接受度越來越高.在現(xiàn)實生活中，人們的生活水平越來越好，傳統(tǒng)的三大養(yǎng)老模式已不能滿足人們對養(yǎng)老的需求，居家養(yǎng)老護理服務(wù)O2O、居家智慧養(yǎng)老模式、虛擬養(yǎng)老院、“互聯(lián)網(wǎng)+居家養(yǎng)老”模式、抱團養(yǎng)老 、“候鳥式”養(yǎng)老等不同養(yǎng)老模式相繼出現(xiàn)，養(yǎng)老變得更加多元化、層次化.為更好更快更直接地滿足老年人的養(yǎng)老需求，政府應(yīng)制定相關(guān)政策，加強養(yǎng)老模式的引導(dǎo)，帶動企業(yè)積極參與養(yǎng)老服務(wù)行業(yè)，帶領(lǐng)社會力量促進養(yǎng)老的多元化，以滿足老年人不同的養(yǎng)老需求.

本文采用支持向量機及其拓展的方法(即支持向量機特征消除算法)對養(yǎng)老意愿進行分析研究，為養(yǎng)老方面的研究提出了一種新的研究方法作為參考.