居住方式、居住环境对老年人心理健康的影响

【摘 要】 中国人口老龄化形势日趋严峻，将迈入中等程度老龄化社会。同时，家庭规模持续小型化，代际居住分离式家庭日益增多。作为影响老年人日常生活及养老资源获取的重要方面，老年人的居住方式和居住环境与以往相比有所不同，因此值得关注。老年人心理健康是影响晚年福祉的重要因素，了解不同居住方式、居住环境对老年人心理健康的影响程度以及该影响在不同群体之间的差异，有助于更合理地制定改善老年人居住环境的策略，推动实现健康老龄化。本研究使用2018年中国老年健康影响因素跟踪调查（CLHLS）数据，在健康生态学等理论的基础上通过多元线性回归与自动化机器学习相结合的方法进行分析。通过线性回归与基于元启发式算法的神经网络相结合评估不同居住方式、居住环境对老年人心理健康的影响程度以及影响因素的优先级，并与线性回归、随机森林等其他五种方法的结果对比证明神经网络模型的准确性更高。然后使用神经网络对不同城乡类型、不同性别的老年群体进行异质性分析。研究结果显示居住方式中促进作用最大的为与配偶同住，独居对心理健康有较大负面影响。住房环境中有独立居住空间、住宅类型选择高层公寓及社区有服务设施均对老年心理健康产生积极影响。社会网络支持方面多样化的社会支持来源比仅亲属支持更有利于心理健康。从影响因素的优先级来看，仅向亲属求助、住独门独院住宅、有独立居住空间、仅和亲属聊天、独居在居住相关因素中位列前五。因此从实践的角度出发，在其他居住因素无法改变的情况下，老年人需避免仅与亲属进行社会交往的情况，增加同朋友或邻居的互动。分城乡类型来看，除居住方式、住宅类型外其他居住相关因素在影响心理健康方面保持一致。三代人同住对农村老年人心理健康的促进作用远超城镇，与配偶同住拥有独立的生活对城镇老年人的心理健康则更有益。对影响因素的优先级排序后发现在情感上农村老人比城镇老人更依赖亲属，在生活上城镇老人比农村老人更依靠亲属照顾。分性别来看，除居住方式、社会网络支持来源外其他因素的影响保持一致。对女性老年人心理健康最有益的是仅与配偶同住，男性则为与子女同住。进行优先级排序后可知朋友互动对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亲属照顾。

【关键词】 居住方式；居住4yE10xZVi86Eyw2AXcPP7g==环境；老年人心理健康；BP神经网络；粒子群优化

【中图分类号】 C913.6 【文献标志码】 A doi：10.16405/j.cnki.1004-129X.2024.05.004

【文章编号】 1004-129X（2024）05-0054-19一、引言

第七次人口普查数据显示我国60周岁及以上的老龄人口达26 402万人，占总人口数的18.7%，国家统计局预测在“十四五”期间我国将迈入“中度老龄化”社会。［1］随着人口老龄化程度的加深，家庭结构与规模逐渐向“核心化”“微型化”转变。“多代同堂”不再占绝对主导位置，老年父母与成年子女同住的传统模式逐渐弱化，空巢及独居比例不断增加。［2］老年人的居住环境也随着城镇化的快速推进及农村经济发展而改变。在老年人基本生活条件得到改善的同时，其心理健康水平，尤其是日益扩大的空巢、独居老人群体的心理健康问题已经引起社会各界关注。

2016年中共中央、国务院印发《“健康中国2030”规划纲要》提出要促进健康老龄化，推动开展老年心理健康与关怀服务，将老年人心理健康问题提上议程。《“十四五”健康老龄化规划》提出开展老年人心理关爱服务并扩大行动覆盖范围，关注有精神障碍、心理行为问题的老人，积极促进老年人心理健康。

老年人心理健康关系其身体健康、认知能力、生活满意度，心理健康程度与老年人福祉紧密相关。在影响老年人心理健康的诸多因素中，居住方式、居住环境因与养老资源配置及老年群体对安全性、舒适性的需求紧密相关而需要引起重视。在大部分老年人倾向选择居家养老的情况下，宜居环境成为老年人安享晚年的必备条件。以往研究发现居住环境对老年人的独立性、心理健康、幸福感等都会产生显著影响。世界卫生组织认为年龄友好的物质环境可以使所有个体的独立性和依赖性产生变化，构建适合老年人生活的居住环境是推动我国健康老龄化事业的应有之义。因此，本文将采用以高精确度著称的自动化机器学习方法分析不同居住方式、居住环境对中国老年人心理健康的影响，并探讨这种影响在不同老年群体中的异质性。本文将相关研究从家庭内拓展到家庭外，进一步完善居住方式及居住环境对老年人心理健康影响研究的理论体系，并通过对不同影响因素的重要性排序提出贴合现实情况的实践方式，为我国实现健康老龄化提供助力。

二、文献综述

（一）相关理论

健康生态学理论主张将生态学理论用于人类健康的研究中，强调个体因素、卫生服务、物质和社会环境因素的相互作用和相互依赖，以及它们之间的相互制约和多层次的交互作用如何影响个体和群体的健康。Collins提出的健康生态学模型具有个人先天特质，个人心理及生活方式，个人、家庭与社区网络、生活与工作条件，社会、经济、环境条件和政治因素五个层次。［3］核心层为个人与健康有关的某些特质，第二层包含个人行为（如生活方式等），第三层包括人与人之间的社会关系和社会支持，第四层包括生活与工作条件，最后一层为宏观环境。该模型强调了环境对个体的影响以及影响因素的复杂性，即个体和人群健康是个体及环境因素相互作用的结果。邻里效应理论同样指出个人所居住环境的特征对其态度、行为、健康等方面的影响，中微观层面是邻里效应理论的亮点。［4］有学者将效应机制总结为社会化机制、社会服务机制、环境机制和区位机制四类，分别指邻里内的社会交往、服务机构设施、环境氛围和宏观的政治经济因素对个人的影响。

（二）相关研究及评述

有关居住方式对老年人心理健康的影响大致分为两种看法。部分学者认为与独居或空巢相比，亲子同住对老年人的心理健康更有益处。如穆滢潭和原新基于两期中国老年健康影响因素调查数据，发现相对于空巢老人，亲子同住对老年人精神健康有显著的积极效应。［5］江克忠等基于2008年中国老年人健康长寿调查的数据进行研究，发现亲子同住改善了老年人的心理健康状况。［6］李延宇等研究指出空巢不利于城镇老年人的认知健康。［7］另一部分学者持不同意见，认为独居或与配偶共居对其身心健康更有利，因几代人共居容易引发摩擦和矛盾而导致代际关系紧张，反而给老年人带来心理上的压力，无益于心理健康。刘宏等发现与空巢独居相比，多代合住的居住模式并不能给老年人带来最优的健康和幸福度。［8］许琪认为与子女同住带给老年人的影响因其需求不同而产生差异。［9］Maruyama等研究发现在不以经济补偿作为交换条件的情况下，与子女同住反而对父母的健康状况产生负向影响。［10］

有关居住环境对老年人心理健康影响的研究目前侧重于社区环境产生的作用，如社区设施是否完备、邻里友好程度等。国内外相关研究较多，如任亮宝等学者认为老年人心理健康在居住环境上存在显著差异。［11］徐延辉等采用结构方程模型发现老年人的居住环境中所包含的物质及情感资源会显著作用于其健康水平。［12］郑晓冬等同样认为社区体育设施有助于提高中老年人日常活动能力并显著降低其抑郁程度。［13］Weiss等指出老年人会对长期居住的固定环境建立起物质和心理上的联系，流动性较强的社区难以形成社区网络，最终会影响心理健康。［14］靳永爱等发现社区环境可以调节老年人因居住方式对抑郁倾向产生的影响。［15］

在有关老年人心理健康的研究中大部分采用了统计学方法进行研究，近年来还有一些学者通过机器学习技术进行研究。Sau等利用随机森林方法（Random Forest，RF）从社会人口统计学和健康相关因素诊断老年患者的焦虑和抑郁，并通过包含随机森林、贝叶斯网络、逻辑回归等十种分析方法的对比得出随机森林预测准确性最高的结论。［16］Lin等人在对居家老年人抑郁症发展轨迹分类的基础上，通过梯度提升决策树（Gradient Boosting Decision Trees，GBDT）、支持向量机（Support Vector Machine，SVM）和随机森林进行分析，结果显示抑郁量表评分、认知、睡眠时间和自评记忆能力是预测轨迹类型的前四重要因子。［17］Wu等人通过正则化逻辑回归（Regularized Logistic Regression，r-LR）、支持向量机、超级学习者（Super Learner，SL）和随机森林等机器学习算法对认知轨迹进行预测，发现前三种方法表现良好。［18］Byeon等通过建立逻辑斯蒂模型、随机森林和梯度提升机（Gradient Boosting Machines，GBM）三种模型预测韩国老年人的抑郁情况，研究结果显示随机森林算法具有最高的精确度。［19］许金鹏等人通过随机森林方法度量影响老年人心理健康状态的各因素的重要性，结果显示老年人子女个数、所在地区、自评健康状况是影响老年人抑郁情况的三大重要因素。［20］

现有研究单独分析居住方式或居住环境对老年人影响的较多，将同属于居住相关因素下的两者放在同一理论框架下系统考虑的很少。在研究方法上，目前在老年人心理健康预测领域使用较多的方法是随机森林等基于决策树的集成学习方法和支持向量机等基于统计学习理论的方法。基于决策树的集成学习方法能够很好地捕捉数据中的非线性关系，并且在并行化方面具有很强的扩展性，但在高维数据中，这类方法可能会出现过拟合问题，需要进行特征选择或降维处理。基于统计学习理论的方法有着严格的统计学理论，方法的性质（如一致性、无偏性等）通常有明确的数学推导和解释。然而，基于统计学习理论方法对非线性关系的拟合能力有限。如果数据中的模式是非线性的，则这些模型可能表现不佳。

综上所述，以往研究面临以下三个挑战：首先，以往研究多采用线性运算模型进行分析。而心理健康是各种因素相互作用、相互调节的过程，传统的线性运算模型无法清晰地解释其内部关系和功能。且现实中一些变量并不都是线性、独立、正态分布和均匀的，误用某些统计方法可能会导致结果与实际情况之间的偏差，从而在归纳和应用方面带来限制。［21］其次，随机森林算法、梯度提升机等是机器学习法应用在老年心理健康研究时较为常见方法，这类基于决策树的集成学习方法能够处理多种类型的输入变量，‌但在处理高维数据时对于非线性关系的捕捉能力相对有限。相比之下，BP神经网络拥有更先进的学习机制，能够适应更复杂的非线性问题。［22］最后，手动设计神经网络架构需要大量计算机专业经验，并且神经网络对初始权重和偏置高度敏感。［23］

在居住相关的因素中，居住方式是老年人和家庭成员（主要包括配偶、子女、孙子女）进行生活照料、情感交流和互动的载体，与谁同住一定程度上影响着老年人受到照料的来源和频率，有必要将居住方式作为核心变量之一进行分析。住房环境、社区环境构成了老年人居住的物质环境，与他人的社会交往影响着老年人所受到的社会支持。因此，在本文中按照健康生态学模型选择与居住相关的因素。个人行为层面选择老年人的居住方式，个人、家庭、社区网络层面选择社会网络支持情况，生活环境层面选择社区环境及居住的房屋环境。综合算法的预测能力、运行速度和稳定性，本文选择了BP神经网络拟合自变量和因变量之间的关系，并且为解决BP神经网络架构设计依赖人工经验的问题，使用了自动化机器学习方法进行优化。

三、数据、变量与模型设定

（一）数据来源

本文使用的数据来源于2018年中国老年健康影响因素跟踪调查（CLHLS），该调查由北京大学健康老龄与发展研究中心组织实施，是我国首个从跨学科角度探究老年人健康影响因素的追踪调查数据。调查采取随机抽样方式，范围覆盖我国23个省631个市的城乡老年人，具有较好的代表性和科学性，数据质量被国内外学者认可。［24］因目前我国大部分老人仍为居家养老模式，本文选取60岁及以上居家老年人为研究对象，在剔除存在缺失值的样本后得到有效样本6 976个。

（二）变量及操作化

1. 被解释变量

被解释变量为老年人的心理健康水平。现有研究常用抑郁、孤独等指标测量心理健康，本文在参照以往相关研究的基础上，［25-27］结合CLHLS问卷中的调查内容选择性格和情绪特征部分的七个问题，包括正向心理和负向心理两方面内容进行测量。正向心理健康检测老人的乐观程度、责任心、自我掌握能力和对变老的看法，包括“不论什么事是否都能想得开”“保持自己的东西干净、整洁”“自己的事情自己做决定”“是否和年轻时一样快活”。负向心理检测老年人的紧张程度、自我能力丧失感和孤独感，包括“感到紧张、害怕”“觉得越老越没用”“觉得孤独”。每道题目取值范围为0～4分，负向心理题目的选项被反向编码以保持方向一致性，总分0～28分，分数越高心理健康水平越高。

2. 核心解释变量

本文的核心解释变量为居住方式与居住环境。居住方式根据“您现在和谁住在一起”“共居住户成员与老人的关系”两个问题来确定。参考以往研究并结合问卷内容，居住方式划分为仅与配偶同住、与子女同住、三代人同住、其他、独居五种类型。［28］居住环境包括社会网络支持情况、住房环境和社区环境。社会网络支持来源的检测部分参考社会网络相关量表，［29］该量表出于识别社会孤立的目的测量受访者能与几个家人或朋友联系、谈私事、获得帮助，若能够参与的人较少则认为有社会孤立的风险。因此选择问卷中的相关问题，并将选项重新整合为仅亲属、仅朋友、亲属和朋友、无人四类。住房环境调查住宅类型和居住空间，即“当前住房属于哪种类型”“是否有单独卧室”。社区环境调查社区所提供的服务数量，计分范围0～9分。

3. 控制变量

控制变量包括性别、年龄、城乡类型、受教育年限、婚姻状况、身体健康状况、家庭收入情况、生活方式。受访老年人居住地类型分为城镇和农村两类。本文将婚姻状况划分为“有配偶”和“无配偶”两类，无配偶包含离婚、丧偶、未婚。身体健康状况通过自评健康状况和日常生活自理能力（ADL）水平测量，自评健康状况分为好、一般、不好三个水平，ADL分为很受限、受限、不受限三种情况。家庭收入情况通过家庭收入水平以及“收入是否够用”衡量。生活方式包含烟酒使用情况，分为“一直不喝酒/不抽烟”“有时喝酒/抽烟”“一直喝酒/抽烟”三种情况。

（三）模型设定

本文使用的模型为多元线性回归模型和自动化机器学习方法，其中多元线性回归模型通过Stata17.0操作，自动化机器学习方法通过Matlab R2023a实现。

1. 多元线性回归模型

本文先建立多元线性回归模型，使用最小二乘法（OLS）分析居住方式、居住环境对老年人心理健康的影响。该模型能够为后续BP神经网络的分析提供便利，通过减少分析维度（即剔除控制变量中不显著的因素）来提高BP神经网络的运算速度。模型如下：

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

[mental_healthi]为第[i]个老年人的心理健康水平；[X1i]至[X7i]分别为第[i]个老年人的居住方式、住宅类型、居住空间、社区环境、聊天对象、倾诉对象、求助对象；[Zij]为第[i]个老年人的第[j]个控制变量。[α12]为截距项；[α13至α19]、[βij]分别为各个变量的回归系数；[εi]为随机误差项。

2. BP神经网络模型

本文在多元线性回归的基础上，采用神经网络算法中最经典的BP（Back Propagation）神经网络模型进一步研究。BP神经网络是一种基于误差反向传播算法的人工神经网络，在解决非线性问题中拥有出色的性能，［30］并且拥有良好的自组织、自适应性、容错性等优点。［31］BP神经网络通过引入隐藏层增强网络的预测能力，并且通过反向传播来不断调整网络的权重和偏置，使网络的误差平方和最小。BP神经网络这种学习机制使得其能够适应更复杂的非线性问题。因此，目前BP神经网络已经被广泛地应用于预测问题［32-33］及影响因素研究。［34-35］

如图1所示，在BP神经网络中，[X=x1，x2，…，xn]为输入变量，[w]为神经元的权重，[b]为神经元的偏置，[Y=y1，y2，…，ym]为输出变量。在训练神经网络之前需要初始化隐藏层和输出层的权重和偏置，并给定学习率和激活函数。为了求解非线性问题，激活函数通常使用Sigmoid函数，其定义如下：

[gz=11+ez] （2）

根据现有研究，［36］可以使用如下公式选择最佳隐藏层的单元数：

[n1=n+m+a] （3）

[n1]为隐藏层的单元数，[n]为输入单元数，[m]为输出单元数，[a]为［1，10］之间的常数。本文借鉴自动化机器学习（AutoML）领域中的自动化模型选择思想，将[n1]的最小值设置为[n+m+1]，最大值设置为[n+m+10]，通过遍历BP神经网络架构，从而选择出最优隐藏层的单元数。以往研究认为对于一般简单的数据集，一、二层隐藏层通常足够分析，只有对于涉及时间序列或计算机视觉的复杂数据集才需要额外增加层数。［37］因此本文将在一层隐藏层BP神经网络和二层隐藏层BP神经网络中寻找最优BP神经网络架构。然而BP神经网络在训练过程中采用均方误差作为损失函数，并使用梯度下降的方式进行收敛。因此，BP神经网络对初始化的权重和偏置具有较大的敏感性，从而容易陷入局部最优。［38］

为了提升BP神经网络的性能，本文使用元启发式算法优化BP神经网络的初始化权重和偏置。粒子群优化（Particle Swarm Optimization，PSO）算法作为元启发式算法的代表，因其易于实现和编码、控制参数少、可以灵活与其他优化算法混合使用等优点，［39］一直被研究人员认为是一种高效、精确和简单的算法，［40］并且将其应用于参数优化和求解数值问题。［41］本文同样借鉴AutoML领域中的超参数优化方法，使用PSO算法优化BP神经网络的初始化权重和偏置。

3. 粒子群优化算法

PSO算法是一种基于群智能的元启发式算法，由Kennedy和Eberhart通过观察鸟类的觅食行为而提出。［42］在连续空间坐标系中，PSO算法的数学描述如下。

PSO算法使用[N]个粒子组成粒子群，通过反复迭代在[D]维空间中找到最优解。每个粒子[i]在第[t]代具有速度[Vti=vti1，…，vtid，…，vtiD]和位置[Xti=xti1，…，xtid，…，xtiD]，其中[t]表示当前迭代次数，[D]是问题函数的维度，[i]是小于等于[N]的正整数。此外，每个粒子[i]会保存其历史最佳位置[Pi=pi1，…，pid，…，piD]。种群中的历史最优位置被表示为[B=b1，…，bd，…，bD]。第[i]个粒子在第[t+1]代的速度通过如下公式进行更新：

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

[ω]是惯性权重，系数[c1]和[c2]是通常被设置为2的常数或者根据进化状态自适应改变，[rt1d]和[rt2d]是［0，1］范围内随机生成的两个值。

根据粒子的速度，第[i]个粒子在第[t+1]代的位置通过如下公式进行更新：

[xt+1id=xtid+vt+1id] （5）

4. 平均影响值算法

平均影响值（Mean Impact Value，MIV）算法是一种用于评估神经网络中自变量重要性的方法，并且被认为是评估输入变量和输出变量之间相关性的最佳算法之一。［43］根据MIV的绝对值对变量进行排序可以确定输入变量对网络输出变量的影响程度。MIV值的符号表示相对方向，影响的相对重要性由MIV的绝对值表示。

5. 基于BPNN和PSO的自动化机器学习方法

本文将所使用影响因素分析方法记为AutoBPNN-PSO，其流程图如图2所示。

本文首先会遍历一层和二层BPNN，通过测试集返回的预测精度选择最优的BPNN架构。其次，根据最优网络架构构建BPNN种群，并使用PSO算法优化BPNN的初始化参数。最后，得到包含最优初始化权重和偏置的最佳神经网络架构，并使用MIV算法得到自变量的影响程度。

四、实证分析与讨论

（一）描述性统计

观测样本的描述性统计结果见表1。被解释变量心理健康水平的均值为19.53，表明样本心理健康状况尚可。在解释变量方面，居住方式中仅与配偶同住占比最多，其次为与子女同住，这两种居住方式占样本居住方式的半数以上；再次为独居和三代人同住，可见传统的多代同堂居住模式不再是主流选择。在代表居住环境的住宅类型中，观测样本居住独门独院类型住宅的比重最大，其次为高层无电梯公寓、多家共连平房和有电梯公寓，居住公寓的占比为28.7%。在居住空间中，大部分老年人都有独立卧室。社区环境满分9分，样本得分均值仅为1.87，说明目前老年人所居住社区的服务设置还不完备。在社会网络支持来源中，大部分老年人的聊天、倾诉、求助来源均为亲属，其次为亲属和朋友，仅和朋友互动、没有互动对象的情况最少。

由于观测样本中高龄老人所占比重较大，故样本整体年龄均值较高为83.23岁。样本的男女比例相差不大，城镇老年人比农村老年人略多，没有配偶的老人与有配偶的比例几乎相同，老年人的受教育年限均值（3.81年）整体偏低。虽然近七成老年人日常生活自理很受限，但老年人对于健康的自我评价相对较好，认为自己健康状态不好的不到两成。在家庭收入方面，大部分观测样本中的老年人认为目前收入足够使用。在烟酒的使用情况中，近七成老年人一直有吸烟或喝酒的习惯。

（二）居住方式、居住环境对老年人心理健康的影响

先通过多元线性回归分析，删除不显著的控制变量为神经网络减少分析维度，再使用神经网络对全部样本进行分析。在通过对比两种模型的精确度证明神经网络准确性的基础上，进行区分城乡类别和性别的异质性分析。

1. 多元线性回归的分析结果

本文先通过多元线性回归模型分析居住方式、居住环境对老年人心理健康的影响。经过多重共线性检验对核心解释变量和控制变量的检查可知方差膨胀因子（VIF）均小于3，VIF平均值为1.73，排除了模型的多重共线性问题。该模型通过了显著性检验。

从表2的线性回归结果中可知，在居住方式方面，相较于独居，三代人同住的方式对老年人心理健康更有益，仅与配偶同住、与子女同住和其他居住方式均不显著。是否有独立的居住空间以及社区环境如何没有显著影响。在住宅类型中，与独门独院的住宅相比，多家共连平房和其他类型的住宅都更不利于老年人心理健康，而住在公寓则有利于其心理健康。在社会网络支持方面，与仅和亲属聊天、倾诉相比，和亲属及朋友聊天、无倾诉对象分别更有益于心理健康，和亲属相比遇到困难仅向朋友求助则有负面影响。

2. BP神经网络的分析结果

（1）超参数设置及BPNN架构

在本文所用方法中需要提前设置BPNN的训练参数以及PSO算法的超参数。本文实验过程中用到的超参数设置如表3所示。

不同的任务有不同的自变量，因此不同的任务也对应着不同的神经网络架构。本文共研究了总样本、分城乡类型和分性别的样本，因此本文共构建了五种不同的BPNN架构（见表4）。

（2）结果分析

在经过回归后，发现没有不显著的控制变量需要剔除。因此将变量再次放入BP神经网络模型进行分析（见表5）。在居住方式中，仅与配偶同住促进作用最大，其他居住方式均为负面影响且独居负面效应最大。这与以往的研究结论保持一致。［44］该结果与线性回归结果都显示三代同住比独居更有利于心理健康，不同之处是线性回归中与配偶、子女同住的促进作用均不显著，不具备参考价值，而神经网络中与子女同住的促进作用不如配偶。两个模型本质上都是对数据进行拟合，但线性回归只能拟合线性关系，神经网络可以拟合更复杂的非线性关系，因此理论上神经网络的分析结果更贴近数据原本的分布。在居住空间方面，有独立空间比无独立空间更有利于心理健康。在住宅类型中，住在公寓尤其是高层无电梯公寓比其他住宅更有益，这可能是因为高层公寓的居住环境较好，水、电、气、供暖系统等基础设施完备，提高了居住的舒适度和便利性。且不需要电梯的老人身体情况较好，身体健康同样会对心理健康产生影响。社区服务设施越多越有利于心理健康。在社会网络支持情况方面，和亲属及朋友这两类人群聊天、倾诉、求助对心理健康有正向影响，如果精神慰藉和帮助的来源只有亲属则有负面影响。

有关控制变量的分析结果显示年龄增长、无配偶、ADL受限、一直吸烟及使用酒精对心理健康有负面影响，城镇、有配偶、受教育年限高、自评健康好、ADL不受限、收入情况好、一直不吸烟对心理健康的影响更好。

总体而言对老年人心理健康促进较大的居住相关因素是有独立卧室、住在高层无电梯公寓、和配偶同住，和亲属及朋友聊天、求助并倾诉心事，社区有服务设施。对老年人心理健康消极影响最大的居住因素是主要求助对象为亲属、住独门独院的住宅、主要聊天对象仅为亲属、独居、心事仅向亲属倾诉。

（3）方法对比

本文选择平均绝对值误差（Mean Absolute Error，MAE）、均方误差（Mean Square Error，MSE）、决定系数（Coefficient of Determination）[R2]、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）四个指标全面对比本文所用方法AutoBPNN-PSO与多元线性回归进行对比，以验证本文所使用方法的有效性。这四个指标的计算公式如下：

[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]个样本的真实值，[Yi]是第[i]个样本的预测值，[Yi]是[N]个样本的真实值的平均值。[MSE]和[MAE]提供有关误差大小的信息，[MAPE]强调相对百分比误差。这三个指标值越大，模型越不稳定。[R2]评估模型的整体解释力，其值范围为［0，1］。[R2]的值越高，表明模型在解释数据差异方面的能力更强。

为了使比较更为全面，本文将AutoBPNN-PSO与多元线性回归、随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、极端梯度提升（Extreme Gradient Boosting，XGBoost）、轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）在[MAE]、[MSE]、[MAPE]和[R2]指标上进行对比，结果如表6所示。AutoBPNN-PSO、RF和SVM使用Matlab实现并且运行在Matlab R2023a中，XGBoost和LightGBM使用Python语言实现，多元线性回归使用Stata实现。其中RF需要提前设置决策树数量和叶节点最小样本数，SVM需要提前设置核函数类型，XGBoost需要提前设置学习率、决策树数量、树最大深度，LightGBM需要提前设置学习率、决策树数量、叶节点数量。本文采取网格搜索来优化超参数，在RF中，最优决策数为500，叶节点最小样本数为5；在SVM中，核函数采用高斯核函数，并使用默认参数；在XGBoost中，最优学习率为0.1，决策树数量为100，树最大深度为3；在LightGBM中，最优学习率为0.05，决策树数量为100，叶节点数量为15。

如表6所示，可以看出与RF、SVM、XGBoost、LightGBM及多元线性回归方法相比，代表模型误差的MAE、MSE、MAPE三个指标在使用BP神经网络时最小，代表模型解释能力的[R2]最大，说明AutoBPNN-PSO方法对数据的解释能力更好，精确度更高。

（三）异质性分析

1. 居住方式、居住环境对不同城乡类型老人的影响

受我国二元经济结构影响，城乡之间存在着经济发展水平、基础设施建设等方面的差距，老年人的居住环境可能也存在城乡差异。且以往研究表明城乡老年人在心理健康水平上存在差异，［45］因此将两类人群进行对比研究。在证明了BP神经网络精确度更高的基础上，使用该方法分析城乡老年人的异质性。

分析结果如表7所示，在居住方式方面，对城镇老年人心理健康产生促进的是仅与配偶同住，其次为其他居住方式，与子女同住影响较小，三代人同住、独居均对心理健康产生负面影响。对农村老年人心理健康产生促进的是三代人同住、仅与配偶同住和其他居住方式，独居和与子女同住均对心理健康产生负面影响。任强等人的研究提到与子女同住不利于老年人情感健康，其影响支持“家庭冲突理论”，而三代人同住更有利于老年人心理的研究结果支持“家庭支持理论”。［46］有独立的卧室均对城乡老年人心理产生正向影响。从住宅类型看，除了“其他”住宅类型外均对城镇老年人有促进作用；对农村老年人有正向影响的是高层无电梯公寓，多家共连平房为负面影响。社区服务设施越多对城乡老年人越好。从聊天对象来看，与亲属、亲属及朋友聊天均能对城乡老年人产生正面影响。而倾诉心事对象中，对城乡老年人心理健康均有促进的是亲属及朋友，均有负面作用的是仅向朋友倾诉，仅向亲属倾诉影响相反。遇到困难寻求帮助的对象中，向亲属、亲属及朋友求助对城镇老年人产生正面影响，对农村老年人来说除仅向亲属求助有较大负面影响外其余对象影响微弱。

从影响的优先级来看，对城镇老年人心理健康影响较大的居住相关因素是有独立居住空间、仅向亲属倾诉心事（负向）、向亲属求助。对农村老年人来说，影响较大的是向亲属倾诉、有独立居住空间、住独门独院住宅（负向）。对比城乡老年人的求助对象可以发现城镇老年人比农村老年人更依赖亲属，说明城镇老年人相比农村老年人生活上更依靠子女照顾。在住宅类型方面，农村老年人应尤其避免独门独院的住宅类型。

2. 居住方式、居住环境对不同性别老人的影响

以往研究表明性别是影响老年人心理健康水平的重要因素，［47-48］本文选择性别作为老年人自身生理因素的代表。下面分性别研究居住方式、居住环境对老年人心理健康的影响（见表8）。

在居住方式方面，对男性老年人有促进作用的是与子女同住，其次为仅与配偶同住、三代人同住，独居及其他居住方式影响微弱;对女性有促进作用的是仅与配偶同住，其余为负面影响。这可能是因为代际之间摩擦所导致的压力更容易对女性老年人产生影响。独立居住空间方面均对两性产生正面作用，没有独立空间对女性的影响更加负面。在住宅类型方面，公寓类住宅对两性均有正面促进作用，独门独院住宅对男性老人的影响更加消极。社区服务设施越多对两性老年人越好。在社会网络支持方面，倾诉、求助对象为亲属、亲属及朋友均对两性老年人产生正面影响，而男性和朋友聊天会带来更大的积极作用，女性选择亲属作为聊天对象对心理产生的正面影响远优于男性。

从影响因素的优先级来看，有独立居住空间、向亲属倾诉心事对两性老年人影响均位于前列，和亲属聊天（负向）、向亲属求助分别是影响男性、女性心理健康优先级较高的因素。因此男性更需拓展自己的社会网络，女性在生活照料中则更依赖亲属。

五、结论与建议

（一）结论

本文使用2018年中国老年健康影响因素跟踪调查（CLHLS）数据，通过多元线性回归与神经网络相结合的方式分析了老年人居住方式、居住环境对其心理健康的影响。在验证神经网络精确度更高的基础上，使用该方法分析了居住方式、居住环境对老年人心理健康的影响在不同城乡类型和性别的老年人群体中存在着怎样的差异。本文的主要结论是：

第一，在居住相关影响因素中，仅与配偶同住、有独立居住空间、住高层公寓、有社区服务的老人心理健康水平较高。在社会网络支持情况方面，和亲属及朋友这两类人群聊天、倾诉心事及寻求帮助对心理健康有正向影响，社会网络支持仅来源于亲属则不利于心理健康。对影响因素的优先级排序，从高到低依次为仅向亲属求助（负向）、住独门独院的住宅（负向）、有独立居住空间（正向）、仅和亲属聊天（负向）、独居（负向）、仅向亲属倾诉心事（负向）。老年人受身体衰弱、行动不便等因素影响，社会交往逐渐减少，亲属有可能成为部分老年人社会关系网中唯一保持联系的对象。但以往研究表明多样化的、以朋友为主的网络与良好的健康相关，而受限制的、以家人为主的网络不利于老年人的健康。［49］因此从实践的角度出发，在其他居住因素无法改变的情况下，老年人需避免仅与亲属进行社会交往的情况，保持与亲属联络的同时扩展社交范围，增加同朋友或邻居的互动。

第二，除居住方式、住宅类型外，其余居住相关因素对城乡老年人心理健康的影响基本一致。对农村老年人促进最大的并非是对城镇老年人最有益的仅与配偶同住，而是三代人同住，符合了“家庭支持理论”。城镇老年人更倾向于有独立的生活。在住宅类型中，农村老年人可选择的对心理健康有促进作用的住宅类型少于城镇老年人，可能因为农村部分住宅的质量和舒适度仍有不足。影响因素的优先级排序表明，城镇老人和亲属聊天、向亲属求助的重要性要远高于农村，农村老人向亲属倾诉心事的重要性则高于城镇，这说明城镇老年人在生活上对亲属的依靠比农村高，农村老年人在情感上对亲属的依赖比城镇高。

第三，存在性别差异的居住相关因素是居住方式和社会网络支持来源。女性老年人因受人际交往的压力影响最适宜的居住方式是仅与配偶同住，对男性促进作用最大的是与子女同住。在社会网络支持来源方面，男性相较女性而言在心理上对朋友的需求更明显，与朋友聊天为心理上带来的促进比女性更多。影响因素的优先级排序表明，向亲属求助对女性心理影响的优先级比男性高很多，仅与亲属聊天对男性心理的影响的优先级比女性高很多且影响方向为负，说明女性老年人在生活上更依赖亲属照顾，男性老年人相较女性要更加避免仅和亲属互动的情况。

（二）建议

第一，拓展老年人社会网络，重视社会交往心理需求。受身体机能老化、社会角色变化等因素影响，老年人进行社会交往和社会参与的机会减少，在社会网络缩小、同质化后易出现社会孤立的情况。且老年人（尤其是男性老年人）在心理上存在更多和朋友互动的需求，而心理上的需求与身体健康相比往往容易受到忽视。应从硬件环境与文化环境两方面入手为老年人创造社会交往的机会，如改善老年人出行环境，在社区构建友好邻里关系的氛围，开发适合老年人参与的活动项目等，为老年人创造交友以及和朋友一起参与活动的机会。子女需意识到老年人除了亲属和家庭生活外还需有自己的社交网络和爱好，鼓励老年人参与社交活动，通过满足老年人和朋友互动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，选择适宜的居住类型。从心理健康的角度考虑，不同老年群体适宜的居住方式不同。虽从整体来讲仅与配偶同住对老年人心理健康有益，但农村老年人更倾向于三代同住。在条件允许的情况下农村子女可选择三代同住的居住方式，在满足老年人心理需求的同时通过代际间资源的交换促进家庭氛围和谐。城镇老年人与配偶同住更有利于心理健康，但考虑其在生活上对亲属的依赖，子女仍需为老年人提供一定的精神慰藉和生活照料以满足其需求。

第三，改善居住环境，丰富农村老年人选择。研究显示农村老年人可选择的有益于心理健康的住房类型相较城镇少很多，这可能因为农村老年人住宅的房屋结构、卫生设施、取暖设施等硬件环境仍存在问题，造成老年人生活上不便利、不舒适。因此需要对农村老年人的住宅进行改造，使老年人在实现居家养老愿望的同时也能够提升生活幸福感，促进老年人心理健康。

第四，完善社区服务及设施，构建老年友好社区。研究结果表明社区服务对老年人心理健康有一定促进作用，但大部分社区都缺乏针对老年人的服务内容。增加社区的服务内容，保障公共设施数量，提高服务质量，构建水平高、覆盖广的社区服务体系对大部分老年人选择居家养老的现状而言十分重要。尤其对于独居且无法改变居住方式的老年人，社区提供的养老服务能够一定程度弥补家庭照料的缺位，满足老年人的日常生活需求。通过社区组织的休闲娱乐活动扩大老年人的社交范围和社会参与，增加老年人的获得感、价值感进而促进心理健康，减少罹患抑郁症的风险。

【参考文献】

［1］ 刘一伟. 居住方式影响了老年人的健康吗？——来自中国老年人的证据［J］. 人口与发展，2018（4）：77-86，96.

［2］ 胡湛，彭希哲. 中国当代家庭户变动的趋势分析：基于人口普查数据的考察［J］. 社会学研究，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］ 盛明洁. 欧美邻里效应研究进展及对我国的启示［J］. 国际城市规划，2017（6）：42-48.

［5］ 穆滢潭，原新. 居住安排对居家老年人精神健康的影响：基于文化情境与年龄的调解效应［J］. 南方人口，2016（1）：71-80.

［6］ 江克忠，陈友华. 亲子共同居住可以改善老年人的心理健康吗？——基于CLHLS数据的证据［J］. 人口学刊，2016（6）：77-86.

［7］ 李延宇，高敏，张维军，等. 空巢真的是影响城镇老年人健康的危险因素吗？［J］. 人口学刊，2017（5）：73-93.

［8］ 刘宏，高松，王俊. 养老模式对健康的影响［J］. 经济研究，2011（4）：80-93，106.

［9］ 许琪. 居住安排对中国老年人精神抑郁程度的影响：基于CHARLS追踪调查数据的实证研究［J］. 社会学评论，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］ 任亮宝，王金梅. 老年人社会支持与心理健康［J］. 中国老年学杂志，2017（6）：1530-1533.

［12］ 徐延辉，刘彦. 居住环境、社会地位与老年人健康研究［J］. 厦门大学学报（哲学社会科学版），2020（1）：52-59.

［13］ 郑晓冬，方向明. 社区体育基础设施建设、中老年人健康及不平等：基于中国健康与养老追踪调查的实证分析［J］. 劳动经济研究，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］ 靳永爱，周峰，翟振武. 居住方式对老年人心理健康的影响：社区环境的调节作用［J］. 人口学刊，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］ 许金鹏，康正，王海鑫，等. 基于随机森林模型的我国老年人抑郁症状影响因素分析［J］. 医学与社会，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，Feng S，et al. A New，Fast，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］ 张威，陈娜，陈亚楠，等. 居家失能老人生活满意度的性别差异比较及Fairlie分解［J］. 现代预防医学，2022（10）：1846-1851.

［25］ 李安琪，吴瑞君. 老年再婚可以改善心理健康吗？——基于CLHLS的实证分析［J］. 南方人口，2019（4）：70-80.

［26］ 李丹，白鸽. 收入差异下的老年心理健康不平等及影响机制［J］. 北京社会科学，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］ 蒋炜康，孙鹃娟. 居住方式、居住环境与城乡老年人心理健康：一个老年友好社区建设的分析框架［J］. 城市问题，2022（1）：65-74.

［29］ 刘彩梅，张恩慧，董及美. 社会网络对老年人心理健康的影响研究：以老年开放大学学员为例［J］. 远程教育杂志，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神经网络隐含层单元数的确定［J］. 天津理工大学学报，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］ 高丽，李树茁. 农村老年人心理健康的发展轨迹：基于安徽省农村老年人福利状况调查的分析［J］. 人口研究，2023（6）：51-64.

［46］ 任强，唐启明. 中国老年人的居住安排与情感健康研究［J］. 中国人口科学，2014（4）：82-91，128.

［47］ 殷华西，刘莎莎，宋广文. 我国老年人心理健康的研究现状及其展望［J］. 中国健康心理学杂志，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］ 叶丽萍. 农村老年人社会网络类型与健康及其行为关联机制研究［D］. 武汉：华中科技大学，2021.

［责任编辑 傅 苏］

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

【基金项目】 教育部人文社会科学重点研究基地项目：中日韩应对老龄化政策比较研究（15JJD810009）

【作者简介】 王晓峰（1967-），男，吉林长春人，吉林大学东北亚研究中心教授；王 坦（1994-），女，山西大同人，吉林大学东北亚学院博士研究生。