【摘 要】 中國人口老齡化形勢日趨嚴峻，將邁入中等程度老齡化社會。同時，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，推動實現(xiàn)健康老齡化。本研究使用2018年中國老年健康影響因素跟蹤調(diào)查（CLHLS）數(shù)據(jù)，在健康生態(tài)學等理論的基礎(chǔ)上通過多元線性回歸與自動化機器學習相結(jié)合的方法進行分析。通過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)合評估不同居住方式、居住環(huán)境對老年人心理健康的影響程度以及影響因素的優(yōu)先級，并與線性回歸、隨機森林等其他五種方法的結(jié)果對比證明神經(jīng)網(wǎng)絡(luò)模型的準確性更高。然后使用神經(jīng)網(wǎng)絡(luò)對不同城鄉(xiāng)類型、不同性別的老年群體進行異質(zhì)性分析。研究結(jié)果顯示居住方式中促進作用最大的為與配偶同住，獨居對心理健康有較大負面影響。住房環(huán)境中有獨立居住空間、住宅類型選擇高層公寓及社區(qū)有服務(wù)設(shè)施均對老年心理健康產(chǎn)生積極影響。社會網(wǎng)絡(luò)支持方面多樣化的社會支持來源比僅親屬支持更有利于心理健康。從影響因素的優(yōu)先級來看，僅向親屬求助、住獨門獨院住宅、有獨立居住空間、僅和親屬聊天、獨居在居住相關(guān)因素中位列前五。因此從實踐的角度出發(fā)，在其他居住因素無法改變的情況下，老年人需避免僅與親屬進行社會交往的情況，增加同朋友或鄰居的互動。分城鄉(xiāng)類型來看，除居住方式、住宅類型外其他居住相關(guān)因素在影響心理健康方面保持一致。三代人同住對農(nóng)村老年人心理健康的促進作用遠超城鎮(zhèn)，與配偶同住擁有獨立的生活對城鎮(zhèn)老年人的心理健康則更有益。對影響因素的優(yōu)先級排序后發(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。分性別來看，除居住方式、社會網(wǎng)絡(luò)支持來源外其他因素的影響保持一致。對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。進行優(yōu)先級排序后可知朋友互動對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

【中圖分類號】 C913.6 【文獻標志碼】 A doi：10.16405/j.cnki.1004-129X.2024.05.004

【文章編號】 1004-129X（2024）05-0054-19一、引言

第七次人口普查數(shù)據(jù)顯示我國60周歲及以上的老齡人口達26 402萬人，占總?cè)丝跀?shù)的18.7%，國家統(tǒng)計局預測在“十四五”期間我國將邁入“中度老齡化”社會。［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^對主導位置，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)化的快速推進及農(nóng)村經(jīng)濟發(fā)展而改變。在老年人基本生活條件得到改善的同時，其心理健康水平，尤其是日益擴大的空巢、獨居老人群體的心理健康問題已經(jīng)引起社會各界關(guān)注。

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

老年人心理健康關(guān)系其身體健康、認知能力、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)境對老年人的獨立性、心理健康、幸福感等都會產(chǎn)生顯著影響。世界衛(wèi)生組織認為年齡友好的物質(zhì)環(huán)境可以使所有個體的獨立性和依賴性產(chǎn)生變化，構(gòu)建適合老年人生活的居住環(huán)境是推動我國健康老齡化事業(yè)的應有之義。因此，本文將采用以高精確度著稱的自動化機器學習方法分析不同居住方式、居住環(huán)境對中國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，進一步完善居住方式及居住環(huán)境對老年人心理健康影響研究的理論體系，并通過對不同影響因素的重要性排序提出貼合現(xiàn)實情況的實踐方式，為我國實現(xiàn)健康老齡化提供助力。

二、文獻綜述

（一）相關(guān)理論

健康生態(tài)學理論主張將生態(tài)學理論用于人類健康的研究中，強調(diào)個體因素、衛(wèi)生服務(wù)、物質(zhì)和社會環(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體和群體的健康。Collins提出的健康生態(tài)學模型具有個人先天特質(zhì)，個人心理及生活方式，個人、家庭與社區(qū)網(wǎng)絡(luò)、生活與工作條件，社會、經(jīng)濟、環(huán)境條件和政治因素五個層次。［3］核心層為個人與健康有關(guān)的某些特質(zhì)，第二層包含個人行為（如生活方式等），第三層包括人與人之間的社會關(guān)系和社會支持，第四層包括生活與工作條件，最后一層為宏觀環(huán)境。該模型強調(diào)了環(huán)境對個體的影響以及影響因素的復雜性，即個體和人群健康是個體及環(huán)境因素相互作用的結(jié)果。鄰里效應理論同樣指出個人所居住環(huán)境的特征對其態(tài)度、行為、健康等方面的影響，中微觀層面是鄰里效應理論的亮點。［4］有學者將效應機制總結(jié)為社會化機制、社會服務(wù)機制、環(huán)境機制和區(qū)位機制四類，分別指鄰里內(nèi)的社會交往、服務(wù)機構(gòu)設(shè)施、環(huán)境氛圍和宏觀的政治經(jīng)濟因素對個人的影響。

（二）相關(guān)研究及評述

有關(guān)居住方式對老年人心理健康的影響大致分為兩種看法。部分學者認為與獨居或空巢相比，親子同住對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老年健康影響因素調(diào)查數(shù)據(jù)，發(fā)現(xiàn)相對于空巢老人，親子同住對老年人精神健康有顯著的積極效應。［5］江克忠等基于2008年中國老年人健康長壽調(diào)查的數(shù)據(jù)進行研究，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)老年人的認知健康。［7］另一部分學者持不同意見，認為獨居或與配偶共居對其身心健康更有利，因幾代人共居容易引發(fā)摩擦和矛盾而導致代際關(guān)系緊張，反而給老年人帶來心理上的壓力，無益于心理健康。劉宏等發(fā)現(xiàn)與空巢獨居相比，多代合住的居住模式并不能給老年人帶來最優(yōu)的健康和幸福度。［8］許琪認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)濟補償作為交換條件的情況下，與子女同住反而對父母的健康狀況產(chǎn)生負向影響。［10］

有關(guān)居住環(huán)境對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。國內(nèi)外相關(guān)研究較多，如任亮寶等學者認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)及情感資源會顯著作用于其健康水平。［12］鄭曉冬等同樣認為社區(qū)體育設(shè)施有助于提高中老年人日常活動能力并顯著降低其抑郁程度。［13］Weiss等指出老年人會對長期居住的固定環(huán)境建立起物質(zhì)和心理上的聯(lián)系，流動性較強的社區(qū)難以形成社區(qū)網(wǎng)絡(luò)，最終會影響心理健康。［14］靳永愛等發(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)計學方法進行研究，近年來還有一些學者通過機器學習技術(shù)進行研究。Sau等利用隨機森林方法（Random Forest，RF）從社會人口統(tǒng)計學和健康相關(guān)因素診斷老年患者的焦慮和抑郁，并通過包含隨機森林、貝葉斯網(wǎng)絡(luò)、邏輯回歸等十種分析方法的對比得出隨機森林預測準確性最高的結(jié)論。［16］Lin等人在對居家老年人抑郁癥發(fā)展軌跡分類的基礎(chǔ)上，通過梯度提升決策樹（Gradient Boosting Decision Trees，GBDT）、支持向量機（Support Vector Machine，SVM）和隨機森林進行分析，結(jié)果顯示抑郁量表評分、認知、睡眠時間和自評記憶能力是預測軌跡類型的前四重要因子。［17］Wu等人通過正則化邏輯回歸（Regularized Logistic Regression，r-LR）、支持向量機、超級學習者（Super Learner，SL）和隨機森林等機器學習算法對認知軌跡進行預測，發(fā)現(xiàn)前三種方法表現(xiàn)良好。［18］Byeon等通過建立邏輯斯蒂模型、隨機森林和梯度提升機（Gradient Boosting Machines，GBM）三種模型預測韓國老年人的抑郁情況，研究結(jié)果顯示隨機森林算法具有最高的精確度。［19］許金鵬等人通過隨機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數(shù)、所在地區(qū)、自評健康狀況是影響老年人抑郁情況的三大重要因素。［20］

現(xiàn)有研究單獨分析居住方式或居住環(huán)境對老年人影響的較多，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測領(lǐng)域使用較多的方法是隨機森林等基于決策樹的集成學習方法和支持向量機等基于統(tǒng)計學習理論的方法。基于決策樹的集成學習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的擴展性，但在高維數(shù)據(jù)中，這類方法可能會出現(xiàn)過擬合問題，需要進行特征選擇或降維處理。基于統(tǒng)計學習理論的方法有著嚴格的統(tǒng)計學理論，方法的性質(zhì)（如一致性、無偏性等）通常有明確的數(shù)學推導和解釋。然而，基于統(tǒng)計學習理論方法對非線性關(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挑戰(zhàn)：首先，以往研究多采用線性運算模型進行分析。而心理健康是各種因素相互作用、相互調(diào)節(jié)的過程，傳統(tǒng)的線性運算模型無法清晰地解釋其內(nèi)部關(guān)系和功能。且現(xiàn)實中一些變量并不都是線性、獨立、正態(tài)分布和均勻的，誤用某些統(tǒng)計方法可能會導致結(jié)果與實際情況之間的偏差，從而在歸納和應用方面帶來限制。［21］其次，隨機森林算法、梯度提升機等是機器學習法應用在老年心理健康研究時較為常見方法，這類基于決策樹的集成學習方法能夠處理多種類型的輸入變量，?但在處理高維數(shù)據(jù)時對于非線性關(guān)系的捕捉能力相對有限。相比之下，BP神經(jīng)網(wǎng)絡(luò)擁有更先進的學習機制，能夠適應更復雜的非線性問題。［22］最后，手動設(shè)計神經(jīng)網(wǎng)絡(luò)架構(gòu)需要大量計算機專業(yè)經(jīng)驗，并且神經(jīng)網(wǎng)絡(luò)對初始權(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）進行生活照料、情感交流和互動的載體，與誰同住一定程度上影響著老年人受到照料的來源和頻率，有必要將居住方式作為核心變量之一進行分析。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，與他人的社會交往影響著老年人所受到的社會支持。因此，在本文中按照健康生態(tài)學模型選擇與居住相關(guān)的因素。個人行為層面選擇老年人的居住方式，個人、家庭、社區(qū)網(wǎng)絡(luò)層面選擇社會網(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。綜合算法的預測能力、運行速度和穩(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)計依賴人工經(jīng)驗的問題，使用了自動化機器學習方法進行優(yōu)化。

三、數(shù)據(jù)、變量與模型設(shè)定

（一）數(shù)據(jù)來源

本文使用的數(shù)據(jù)來源于2018年中國老年健康影響因素跟蹤調(diào)查（CLHLS），該調(diào)查由北京大學健康老齡與發(fā)展研究中心組織實施，是我國首個從跨學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)查采取隨機抽樣方式，范圍覆蓋我國23個省631個市的城鄉(xiāng)老年人，具有較好的代表性和科學性，數(shù)據(jù)質(zhì)量被國內(nèi)外學者認可。［24］因目前我國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象，在剔除存在缺失值的樣本后得到有效樣本6 976個。

（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?，F(xiàn)有研究常用抑郁、孤獨等指標測量心理健康，本文在參照以往相關(guān)研究的基礎(chǔ)上，［25-27］結(jié)合CLHLS問卷中的調(diào)查內(nèi)容選擇性格和情緒特征部分的七個問題，包括正向心理和負向心理兩方面內(nèi)容進行測量。正向心理健康檢測老人的樂觀程度、責任心、自我掌握能力和對變老的看法，包括“不論什么事是否都能想得開”“保持自己的東西干凈、整潔”“自己的事情自己做決定”“是否和年輕時一樣快活”。負向心理檢測老年人的緊張程度、自我能力喪失感和孤獨感，包括“感到緊張、害怕”“覺得越老越?jīng)]用”“覺得孤獨”。每道題目取值范圍為0～4分，負向心理題目的選項被反向編碼以保持方向一致性，總分0～28分，分數(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)在和誰住在一起”“共居住戶成員與老人的關(guān)系”兩個問題來確定。參考以往研究并結(jié)合問卷內(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、獨居五種類型。［28］居住環(huán)境包括社會網(wǎng)絡(luò)支持情況、住房環(huán)境和社區(qū)環(huán)境。社會網(wǎng)絡(luò)支持來源的檢測部分參考社會網(wǎng)絡(luò)相關(guān)量表，［29］該量表出于識別社會孤立的目的測量受訪者能與幾個家人或朋友聯(lián)系、談私事、獲得幫助，若能夠參與的人較少則認為有社會孤立的風險。因此選擇問卷中的相關(guān)問題，并將選項重新整合為僅親屬、僅朋友、親屬和朋友、無人四類。住房環(huán)境調(diào)查住宅類型和居住空間，即“當前住房屬于哪種類型”“是否有單獨臥室”。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型分為城鎮(zhèn)和農(nóng)村兩類。本文將婚姻狀況劃分為“有配偶”和“無配偶”兩類，無配偶包含離婚、喪偶、未婚。身體健康狀況通過自評健康狀況和日常生活自理能力（ADL）水平測量，自評健康狀況分為好、一般、不好三個水平，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化機器學習方法，其中多元線性回歸模型通過Stata17.0操作，自動化機器學習方法通過Matlab R2023a實現(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)境對老年人心理健康的影響。該模型能夠為后續(xù)BP神經(jīng)網(wǎng)絡(luò)的分析提供便利，通過減少分析維度（即剔除控制變量中不顯著的因素）來提高BP神經(jīng)網(wǎng)絡(luò)的運算速度。模型如下：

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

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

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)，在解決非線性問題中擁有出色的性能，［30］并且擁有良好的自組織、自適應性、容錯性等優(yōu)點。［31］BP神經(jīng)網(wǎng)絡(luò)通過引入隱藏層增強網(wǎng)絡(luò)的預測能力，并且通過反向傳播來不斷調(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)這種學習機制使得其能夠適應更復雜的非線性問題。因此，目前BP神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應用于預測問題［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，并給定學習率和激活函數(shù)。為了求解非線性問題，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)。本文借鑒自動化機器學習（AutoML）領(lǐng)域中的自動化模型選擇思想，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)。以往研究認為對于一般簡單的數(shù)據(jù)集，一、二層隱藏層通常足夠分析，只有對于涉及時間序列或計算機視覺的復雜數(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BP神經(jīng)網(wǎng)絡(luò)在訓練過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行收斂。因此，BP神經(jīng)網(wǎng)絡(luò)對初始化的權(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，［39］一直被研究人員認為是一種高效、精確和簡單的算法，［40］并且將其應用于參數(shù)優(yōu)化和求解數(shù)值問題。［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通過觀察鳥類的覓食行為而提出。［42］在連續(xù)空間坐標系中，PSO算法的數(shù)學描述如下。

PSO算法使用[N]個粒子組成粒子群，通過反復迭代在[D]維空間中找到最優(yōu)解。每個粒子[i]在第[t]代具有速度[Vti=vti1，…，vtid，…，vtiD]和位置[Xti=xti1，…，xtid，…，xtiD]，其中[t]表示當前迭代次數(shù)，[D]是問題函數(shù)的維度，[i]是小于等于[N]的正整數(shù)。此外，每個粒子[i]會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]個粒子在第[t+1]代的速度通過如下公式進行更新：

[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)進化狀態(tài)自適應改變，[rt1d]和[rt2d]是［0，1］范圍內(nèi)隨機生成的兩個值。

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

[xt+1id=xtid+vt+1id] （5）

4. 平均影響值算法

平均影響值（Mean Impact Value，MIV）算法是一種用于評估神經(jīng)網(wǎng)絡(luò)中自變量重要性的方法，并且被認為是評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的絕對值對變量進行排序可以確定輸入變量對網(wǎng)絡(luò)輸出變量的影響程度。MIV值的符號表示相對方向，影響的相對重要性由MIV的絕對值表示。

5. 基于BPNN和PSO的自動化機器學習方法

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。

本文首先會遍歷一層和二層BPNN，通過測試集返回的預測精度選擇最優(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、實證分析與討論

（一）描述性統(tǒng)計

觀測樣本的描述性統(tǒng)計結(jié)果見表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；再次為獨居和三代人同住，可見傳統(tǒng)的多代同堂居住模式不再是主流選擇。在代表居住環(huán)境的住宅類型中，觀測樣本居住獨門獨院類型住宅的比重最大，其次為高層無電梯公寓、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立臥室。社區(qū)環(huán)境滿分9分，樣本得分均值僅為1.87，說明目前老年人所居住社區(qū)的服務(wù)設(shè)置還不完備。在社會網(wǎng)絡(luò)支持來源中，大部分老年人的聊天、傾訴、求助來源均為親屬，其次為親屬和朋友，僅和朋友互動、沒有互動對象的情況最少。

由于觀測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，但老年人對于健康的自我評價相對較好，認為自己健康狀態(tài)不好的不到兩成。在家庭收入方面，大部分觀測樣本中的老年人認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慣。

（二）居住方式、居住環(huán)境對老年人心理健康的影響

先通過多元線性回歸分析，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)對全部樣本進行分析。在通過對比兩種模型的精確度證明神經(jīng)網(wǎng)絡(luò)準確性的基礎(chǔ)上，進行區(qū)分城鄉(xiāng)類別和性別的異質(zhì)性分析。

1. 多元線性回歸的分析結(jié)果

本文先通過多元線性回歸模型分析居住方式、居住環(huán)境對老年人心理健康的影響。經(jīng)過多重共線性檢驗對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題。該模型通過了顯著性檢驗。

從表2的線性回歸結(jié)果中可知，在居住方式方面，相較于獨居，三代人同住的方式對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。是否有獨立的居住空間以及社區(qū)環(huán)境如何沒有顯著影響。在住宅類型中，與獨門獨院的住宅相比，多家共連平房和其他類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、無傾訴對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的訓練參數(shù)以及PSO算法的超參數(shù)。本文實驗過程中用到的超參數(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)也對應著不同的神經(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)（見表4）。

（2）結(jié)果分析

在經(jīng)過回歸后，發(fā)現(xiàn)沒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)模型進行分析（見表5）。在居住方式中，僅與配偶同住促進作用最大，其他居住方式均為負面影響且獨居負面效應最大。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、子女同住的促進作用均不顯著，不具備參考價值，而神經(jīng)網(wǎng)絡(luò)中與子女同住的促進作用不如配偶。兩個模型本質(zhì)上都是對數(shù)據(jù)進行擬合，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，有獨立空間比無獨立空間更有利于心理健康。在住宅類型中，住在公寓尤其是高層無電梯公寓比其他住宅更有益，這可能是因為高層公寓的居住環(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，身體健康同樣會對心理健康產(chǎn)生影響。社區(qū)服務(wù)設(shè)施越多越有利于心理健康。在社會網(wǎng)絡(luò)支持情況方面，和親屬及朋友這兩類人群聊天、傾訴、求助對心理健康有正向影響，如果精神慰藉和幫助的來源只有親屬則有負面影響。

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

總體而言對老年人心理健康促進較大的居住相關(guān)因素是有獨立臥室、住在高層無電梯公寓、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。對老年人心理健康消極影響最大的居住因素是主要求助對象為親屬、住獨門獨院的住宅、主要聊天對象僅為親屬、獨居、心事僅向親屬傾訴。

（3）方法對比

本文選擇平均絕對值誤差（Mean Absolute Error，MAE）、均方誤差（Mean Square Error，MSE）、決定系數(shù)（Coefficient of Determination）[R2]、平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）四個指標全面對比本文所用方法AutoBPNN-PSO與多元線性回歸進行對比，以驗證本文所使用方法的有效性。這四個指標的計算公式如下：

[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]個樣本的真實值，[Yi]是第[i]個樣本的預測值，[Yi]是[N]個樣本的真實值的平均值。[MSE]和[MAE]提供有關(guān)誤差大小的信息，[MAPE]強調(diào)相對百分比誤差。這三個指標值越大，模型越不穩(wěn)定。[R2]評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。

為了使比較更為全面，本文將AutoBPNN-PSO與多元線性回歸、隨機森林（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）、極端梯度提升（Extreme Gradient Boosting，XGBoost）、輕量級梯度提升機（Light Gradient Boosting Machine，LightGBM）在[MAE]、[MSE]、[MAPE]和[R2]指標上進行對比，結(jié)果如表6所示。AutoBPNN-PSO、RF和SVM使用Matlab實現(xiàn)并且運行在Matlab R2023a中，XGBoost和LightGBM使用Python語言實現(xiàn)，多元線性回歸使用Stata實現(xiàn)。其中RF需要提前設(shè)置決策樹數(shù)量和葉節(jié)點最小樣本數(shù)，SVM需要提前設(shè)置核函數(shù)類型，XGBoost需要提前設(shè)置學習率、決策樹數(shù)量、樹最大深度，LightGBM需要提前設(shè)置學習率、決策樹數(shù)量、葉節(jié)點數(shù)量。本文采取網(wǎng)格搜索來優(yōu)化超參數(shù)，在RF中，最優(yōu)決策數(shù)為500，葉節(jié)點最小樣本數(shù)為5；在SVM中，核函數(shù)采用高斯核函數(shù)，并使用默認參數(shù)；在XGBoost中，最優(yōu)學習率為0.1，決策樹數(shù)量為100，樹最大深度為3；在LightGBM中，最優(yōu)學習率為0.05，決策樹數(shù)量為100，葉節(jié)點數(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三個指標在使用BP神經(jīng)網(wǎng)絡(luò)時最小，代表模型解釋能力的[R2]最大，說明AutoBPNN-PSO方法對數(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)境對不同城鄉(xiāng)類型老人的影響

受我國二元經(jīng)濟結(jié)構(gòu)影響，城鄉(xiāng)之間存在著經(jīng)濟發(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］因此將兩類人群進行對比研究。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，對城鎮(zhèn)老年人心理健康產(chǎn)生促進的是僅與配偶同住，其次為其他居住方式，與子女同住影響較小，三代人同住、獨居均對心理健康產(chǎn)生負面影響。對農(nóng)村老年人心理健康產(chǎn)生促進的是三代人同住、僅與配偶同住和其他居住方式，獨居和與子女同住均對心理健康產(chǎn)生負面影響。任強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］有獨立的臥室均對城鄉(xiāng)老年人心理產(chǎn)生正向影響。從住宅類型看，除了“其他”住宅類型外均對城鎮(zhèn)老年人有促進作用；對農(nóng)村老年人有正向影響的是高層無電梯公寓，多家共連平房為負面影響。社區(qū)服務(wù)設(shè)施越多對城鄉(xiāng)老年人越好。從聊天對象來看，與親屬、親屬及朋友聊天均能對城鄉(xiāng)老年人產(chǎn)生正面影響。而傾訴心事對象中，對城鄉(xiāng)老年人心理健康均有促進的是親屬及朋友，均有負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象中，向親屬、親屬及朋友求助對城鎮(zhèn)老年人產(chǎn)生正面影響，對農(nóng)村老年人來說除僅向親屬求助有較大負面影響外其余對象影響微弱。

從影響的優(yōu)先級來看，對城鎮(zhèn)老年人心理健康影響較大的居住相關(guān)因素是有獨立居住空間、僅向親屬傾訴心事（負向）、向親屬求助。對農(nóng)村老年人來說，影響較大的是向親屬傾訴、有獨立居住空間、住獨門獨院住宅（負向）。對比城鄉(xiāng)老年人的求助對象可以發(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。在住宅類型方面，農(nóng)村老年人應尤其避免獨門獨院的住宅類型。

2. 居住方式、居住環(huán)境對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)境對老年人心理健康的影響（見表8）。

在居住方式方面，對男性老年人有促進作用的是與子女同住，其次為僅與配偶同住、三代人同住，獨居及其他居住方式影響微弱;對女性有促進作用的是僅與配偶同住，其余為負面影響。這可能是因為代際之間摩擦所導致的壓力更容易對女性老年人產(chǎn)生影響。獨立居住空間方面均對兩性產(chǎn)生正面作用，沒有獨立空間對女性的影響更加負面。在住宅類型方面，公寓類住宅對兩性均有正面促進作用，獨門獨院住宅對男性老人的影響更加消極。社區(qū)服務(wù)設(shè)施越多對兩性老年人越好。在社會網(wǎng)絡(luò)支持方面，傾訴、求助對象為親屬、親屬及朋友均對兩性老年人產(chǎn)生正面影響，而男性和朋友聊天會帶來更大的積極作用，女性選擇親屬作為聊天對象對心理產(chǎn)生的正面影響遠優(yōu)于男性。

從影響因素的優(yōu)先級來看，有獨立居住空間、向親屬傾訴心事對兩性老年人影響均位于前列，和親屬聊天（負向）、向親屬求助分別是影響男性、女性心理健康優(yōu)先級較高的因素。因此男性更需拓展自己的社會網(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年中國老年健康影響因素跟蹤調(diào)查（CLHLS）數(shù)據(jù)，通過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)境對其心理健康的影響。在驗證神經(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)境對老年人心理健康的影響在不同城鄉(xiāng)類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。在社會網(wǎng)絡(luò)支持情況方面，和親屬及朋友這兩類人群聊天、傾訴心事及尋求幫助對心理健康有正向影響，社會網(wǎng)絡(luò)支持僅來源于親屬則不利于心理健康。對影響因素的優(yōu)先級排序，從高到低依次為僅向親屬求助（負向）、住獨門獨院的住宅（負向）、有獨立居住空間（正向）、僅和親屬聊天（負向）、獨居（負向）、僅向親屬傾訴心事（負向）。老年人受身體衰弱、行動不便等因素影響，社會交往逐漸減少，親屬有可能成為部分老年人社會關(guān)系網(wǎng)中唯一保持聯(lián)系的對象。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］因此從實踐的角度出發(fā)，在其他居住因素無法改變的情況下，老年人需避免僅與親屬進行社會交往的情況，保持與親屬聯(lián)絡(luò)的同時擴展社交范圍，增加同朋友或鄰居的互動。

第二，除居住方式、住宅類型外，其余居住相關(guān)因素對城鄉(xiāng)老年人心理健康的影響基本一致。對農(nóng)村老年人促進最大的并非是對城鎮(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立的生活。在住宅類型中，農(nóng)村老年人可選擇的對心理健康有促進作用的住宅類型少于城鎮(zhèn)老年人，可能因為農(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)，這說明城鎮(zhèn)老年人在生活上對親屬的依靠比農(nóng)村高，農(nóng)村老年人在情感上對親屬的依賴比城鎮(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網(wǎng)絡(luò)支持來源。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，對男性促進作用最大的是與子女同住。在社會網(wǎng)絡(luò)支持來源方面，男性相較女性而言在心理上對朋友的需求更明顯，與朋友聊天為心理上帶來的促進比女性更多。影響因素的優(yōu)先級排序表明，向親屬求助對女性心理影響的優(yōu)先級比男性高很多，僅與親屬聊天對男性心理的影響的優(yōu)先級比女性高很多且影響方向為負，說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的情況。

（二）建議

第一，拓展老年人社會網(wǎng)絡(luò)，重視社會交往心理需求。受身體機能老化、社會角色變化等因素影響，老年人進行社會交往和社會參與的機會減少，在社會網(wǎng)絡(luò)縮小、同質(zhì)化后易出現(xiàn)社會孤立的情況。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)造社會交往的機會，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，開發(fā)適合老年人參與的活動項目等，為老年人創(chuàng)造交友以及和朋友一起參與活動的機會。子女需意識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)和愛好，鼓勵老年人參與社交活動，通過滿足老年人和朋友互動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。雖從整體來講僅與配偶同住對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通過代際間資源的交換促進家庭氛圍和諧。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型相較城鎮(zhèn)少很多，這可能因為農(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)境仍存在問題，造成老年人生活上不便利、不舒適。因此需要對農(nóng)村老年人的住宅進行改造，使老年人在實現(xiàn)居家養(yǎng)老愿望的同時也能夠提升生活幸福感，促進老年人心理健康。

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)對老年人心理健康有一定促進作用，但大部分社區(qū)都缺乏針對老年人的服務(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。尤其對于獨居且無法改變居住方式的老年人，社區(qū)提供的養(yǎng)老服務(wù)能夠一定程度彌補家庭照料的缺位，滿足老年人的日常生活需求。通過社區(qū)組織的休閑娛樂活動擴大老年人的社交范圍和社會參與，增加老年人的獲得感、價值感進而促進心理健康，減少罹患抑郁癥的風險。

【參考文獻】

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

［2］ 胡湛，彭希哲. 中國當代家庭戶變動的趨勢分析：基于人口普查數(shù)據(jù)的考察［J］. 社會學研究，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. 歐美鄰里效應研究進展及對我國的啟示［J］. 國際城市規(guī)劃，2017（6）：42-48.

［5］ 穆瀅潭，原新. 居住安排對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［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)老年人健康的危險因素嗎？［J］. 人口學刊，2017（5）：73-93.

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

［9］ 許琪. 居住安排對中國老年人精神抑郁程度的影響：基于CHARLS追蹤調(diào)查數(shù)據(jù)的實證研究［J］. 社會學評論，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. 老年人社會支持與心理健康［J］. 中國老年學雜志，2017（6）：1530-1533.

［12］ 徐延輝，劉彥. 居住環(huán)境、社會地位與老年人健康研究［J］. 廈門大學學報（哲學社會科學版），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：基于中國健康與養(yǎng)老追蹤調(diào)查的實證分析［J］. 勞動經(jīng)濟研究，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，周峰，翟振武. 居住方式對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. 基于隨機森林模型的我國老年人抑郁癥狀影響因素分析［J］. 醫(yī)學與社會，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)代預防醫(yī)學，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制［J］. 北京社會科學，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：一個老年友好社區(qū)建設(shè)的分析框架［J］. 城市問題，2022（1）：65-74.

［29］ 劉彩梅，張恩慧，董及美. 社會網(wǎng)絡(luò)對老年人心理健康的影響研究：以老年開放大學學員為例［J］. 遠程教育雜志，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］. 天津理工大學學報，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，唐啟明. 中國老年人的居住安排與情感健康研究［J］. 中國人口科學，2014（4）：82-91，128.

［47］ 殷華西，劉莎莎，宋廣文. 我國老年人心理健康的研究現(xiàn)狀及其展望［J］. 中國健康心理學雜志，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)村老年人社會網(wǎng)絡(luò)類型與健康及其行為關(guān)聯(lián)機制研究［D］. 武漢：華中科技大學，2021.

［責任編輯 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

【基金項目】 教育部人文社會科學重點研究基地項目：中日韓應對老齡化政策比較研究（15JJD810009）

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