APP下载

我国以房养老的研究现状与发展趋势

2021-10-30谢岱蓉连蓉娜张瑞年王建成田金徽

医学新知 2021年5期
关键词:发文聚类老龄化

谢岱蓉,连蓉娜,张瑞年,葛 龙,王建成,田金徽

1. 兰州大学第一临床医学院(兰州 730000)

2. 兰州大学公共卫生学院(兰州 730000)

3. 甘肃省人民医院全科医学科(兰州 730000)

4. 兰州大学基础医学院循证医学中心(兰州 730000)

根据联合国制定的老龄化标准,当某一国家60岁及以上老年人占全国总人口的比重高达10%时,即可称此国进入老龄化社会[1-3]。据此标准,我国于1999年进入老龄化社会[4-5]。2020年,我国60岁及以上老年人口数量达2.55亿,占比17.8%[5],人口老龄化程度持续加深。与发达国家相比,我国老年人口基数大、增速快[5-6],同时由于医疗水平持续提升,人均寿命不断延长,多代同堂的家庭日益增多[7],加之社会保障体系尚不完善和社会养老保障基金的短缺[8],使得养老问题成为政府和家庭的一大难题。我国以家庭养老和社会养老为主[9],其他养老模式还包括居家养老、机构养老、智慧养老、互助养老等[2,10-11]。21世纪初期,以房养老观念被提出[12]。以房养老是指居民以自有产权的住房作为抵押,定期向金融机构取得的主要用于养老费用的贷款,其放贷对象是无固定收入而有自有住房产权的老年人,贷款到期则以出售住房的收入或直接以该住房资产还贷[1,13-14]。以房养老将不动产转化为流动资产,弥补现有养老方式的不足,减轻政府和子女的养老负担[15]。作为一种新型养老模式,近年来以房养老在我国各地区被积极试点推广,受到广泛关注。但目前该领域的研究主题、研究热点和发展趋势尚不清晰,故本研究采用文献计量学分析方法探索国内以房养老研究现状,为开展相关研究提供借鉴和参考。

1 资料与方法

1.1 纳入与排除标准

纳入标准:①已发表的有关以房养老的中文文献;②文献类型为期刊论文和硕博士论文。

排除标准:①会议论文、报纸、年鉴、图书、专利、标准、成果;②研究主题与以房养老无关的文献;③重复研究。

1.2 文献检索与数据来源

计算机检索中国知网、维普、万方和中国生物医学文献数据库,检索时限均从建库至2020年12月31日。检索词包括“以房养老”“用房养老”,采用主题词和同义词相结合的方式进行检索。收集最终纳入研究的作者姓名、单位、发表时间、关键词等相关信息。

1.3 统计学分析

采用文献计量学及文本挖掘的方法进行分析。利用VOSviewer1.6.9软件对高频关键词进行热点分析和聚类分析,生成可视化密度图和聚类图。密度图中颜色的明亮程度代表关键词被研究的热度,颜色越亮,研究次数越多。网络图由节点和连线组成,节点表示关键词,节点的大小反映研究的数量或元素出现的频率,节点越大,研究数量或频率越高[16-18],节点之间的连线代表合作、共现或共被引的关系,节点和线条的颜色代表不同的聚类或年份[19]。本研究中VOSviewer软件参数设置如下:计数方法为fractional counting,软件默认忽略作者数量大于25名的文献研究。

2 结果

2.1 一般情况

共获得以房养老相关文献2 275篇,其中中国知网1 376篇,维普557篇,万方329篇,中国生物医学文献数据库13篇,根据纳排标准最终纳入中文文献1 007篇。

2.2 发表文献时间分布

2001年出现第一篇关于以房养老的研究文献,2006年之前以房养老的发文量每年不超过3篇, 2006至2012年每年不超过50篇, 2013年起以房养老文献量增长迅速, 年均突破100篇,2014年出现文献发表高峰(172篇), 2015年起发文量呈下降趋势, 2019年发文量已少于50篇(图1)。

图1 以房养老研究数量随时间变化趋势Figure 1. Trends in the number of studies on house-for-pension over time

2.3 发表文献作者情况

1 007篇研究共1 129位作者参与,发表文献量最多的作者是柴效武(7篇),其次为王红茹(5篇),另有5人各发表4篇文章,其余作者发文量均少于4篇(图2)。

图2 以房养老研究作者发文数量Figure 2. The number of articles published by the author of the house-for-pension

2.4 发表文献研究机构

1 129位作者来自333家机构,以大学院校为主,其中206家(61.86%)机构参与发表1篇文章。发文量最多的机构是浙江海洋学院,共发表14篇(1.39%),发文量大于6篇的机构有13家,占比3.90%(表1)。

表1 以房养老研究发文量大于6篇的机构Table 1. Institutions with more than 6 papers published on house-for-pension

2.5 主要关键词分布和热点关键词情况

1 007篇以房养老研究共有1 708个关键词,仅有30个(1.76%)出现篇数大于10次,其中出现篇数最多的是以房养老(930篇,92.35%),其次为倒按揭(434篇,43.10%)、老龄化(261篇,25.92%)等(表2)。图3为出现篇数大于5次的关键词的密度图,以房养老、倒按揭和老龄化研究最多,其次为国际经验、养老模式/服务、养老/社会保障和房屋产权。

图3 以房养老研究主要关键词密度图Figure 3. Density map of keywords in domestic research on house-for-pension

表2 出现频次前15位的关键词Table 2. Top 15 keywords in terms of frequency of occurrence

2.6 主要关键词聚类分析

对出现频次大于5的关键词进行聚类分析,共形成了3个聚类。最大的聚类(红色)涉及以房养老、国际经验、可行性分析、政府主导、必要性、困境、对策建议、(运行)模式等17个关键词;第二个聚类(蓝色)涉及老龄化、社区养老、养老模式/服务、新模式、中国式等15个关键词;第三个聚类(绿色)涉及倒按揭、抵押、制度构建、养老/社会保障等7个关键词(图4)。

图4 以房养老研究主要关键词聚类分析图Figure 4. Cluster analysis of the main keywords in the study of house-for-pension

2.7 新兴关键词分析

对出现频次大于5的关键词生成可视化时间网络,图中不同节点的颜色表示关键词的出现年份。黄色代表近年新出现的关键词,共有7个,分别为制度构建、影响因素、模式、定价模型、传统观念、社区养老、(养老)保险(图5)。

图5 以房养老研究主要关键词时间网络分布图Figure 5. Temporal network distribution of the main keywords for the study of house-for-pension

3 讨论

本文通过文献计量学分析方法探讨了我国近20年来以房养老领域相关产出的趋势和发展,有助于分析以房养老研究现状和热点,反映不同作者、机构等的影响力及学术水平。总体来看,2001至2012年以房养老研究每年发文量均少于50篇,可见此段时间该领域处于萌芽阶段,发展较为缓慢,2013至2015年发文量快速增长,连续三年超过100篇,说明该领域逐渐受到研究者的重视。2016年至今,发文量呈下降趋势,2019年发文量少于50篇,推测未来几年的发文数量可能不会显著增长。

高达88.93%的作者只参与发表了一篇文章,说明以房养老研究的高产作者较少,缺乏长期专注该领域的学者。目前以房养老领域各研究者、机构之间合作缺乏,未来需加强该领域的合作与创新,推动新兴研究主题不断涌现,为以房养老研究提供新方向。

1 007篇以房养老研究共有1 708个关键词,其中出现1次和2次的关键词分别为1 345个(78.75%)和193个(11.30%),可见高频关键词数量较少,一定程度上反映了以房养老研究的内容较为广泛。关键词密度图表明国内以房养老领域研究的热点主要聚焦在以房养老、倒按揭、老龄化、房屋产权、可行性分析、对策建议、养老模式/服务等方面,反映该领域研究聚焦于实施困境与对策建议方面。形成的3个关键词聚类中,红色聚类侧重于研究养老相关的政策,聚焦国内外以房养老的实施过程;蓝色聚类关注人口老龄化的社会问题,探讨目前各种养老模式的特点,聚焦中国特色型互助养老;绿色聚类聚焦于以房养老制度的构建和社会保障。三个研究聚类彼此关联交叉,研究方向存在转化,研究内容的广度和深度得到了一定程度的拓展。2019年出现的新兴关键词为制度构建、影响因素、模式、定价模型、传统观念、社区养老、(养老)保险,可能是以房养老未来研究的热点和趋势,反映近年来以房养老的研究开始聚焦于对以房养老模式制度的探索。

本文对1 007篇以房养老研究进行了分析,该领域过于广泛且研究尚处探索阶段。下一步应加强作者和机构之间的合作,以便及时交流分享信息,推动以房养老研究的发展。本研究也存在一定的局限性,首先研究者和机构之间的合作不够紧密,难以反映未来的合作趋势;其次关键词缺乏代表性和统一性,尽管本研究以多种方式对一些机构和关键词进行了标准化,但仍可能存在偏差。

猜你喜欢

发文聚类老龄化
七部门联合发文 进一步完善和落实积极生育支持措施
一种傅里叶域海量数据高速谱聚类方法
老龄化研究如何改变我们的生活
老龄化社会下老年心理变化的应对
基于知识图谱的k-modes文本聚类研究
一种改进K-means聚类的近邻传播最大最小距离算法
基于模糊聚类和支持向量回归的成绩预测
校园拾趣
爷孙趣事
以牙还牙