基于數字挖掘的北京市智慧養老參與意愿的影響因素研究

王瀟瀟 郭旭林 陳建 陳夢昕

【提??要】智慧養老體系參與意愿影響因素本身是一個具有豐富內涵并受復雜因素影響的管理問題，傳統研究因方法所限難以全面揭示其內在影響機制。本文在理論和實證研究基礎上，以北京為例通過社會調研選擇最優機器學習模型算法來訓練和檢驗大數據，開展多層次數據挖掘進行探索性研究，揭示影響智慧養老體系參與意愿的主要因素。

【關鍵詞】??智慧養老;參與意愿;數據挖掘

一、研究背景

隨著中國老齡化問題日益加重，如何養老已經成為需要認真研究的重大社會問題。根據國家統計局數據顯示，截至2019年末，我國60歲以上老齡人口已經達到約25388萬人，占總人口比例為18.1%，其中65歲及以上老年人口達17603萬人，占總人口的12.6%。國際上通常將60歲以上的人口比重達到10%，或65歲以上的人口比重達到7%的國家或地區劃分為老齡化社會。因此，當前我國人口老年化問題已經相當嚴重。北京是中國老齡化態勢最具代表性的城市之一，據北京市統計局數據顯示，2019年北京市60歲及以上常住人口371.3萬人，占17.2%，遠遠超過10%的標準。據北京民政局預計，2030年北京市老齡化將達到重度，戶籍老年人口占比超過30%，2050年北京市戶籍老年人將超過630萬，并且這種人口結構和社會形態將持續50年。我國傳統的養老模式難以滿足日益增長的老年人口的需求。因此，將大數據、互聯網科技等金融科技應用于養老服務，加速傳統養老模式向智慧化方向轉變，應該成為緩解養老壓力的一種有效途徑。

（一）智慧養老的定義

英國生命信托基金首次提出“智慧養老”，所謂“智慧”即利用物聯網、云計算和人工智能等現代科技，打破原有的時間和空間束縛，將老人、社區、醫護人員、醫療機構、政府、服務機構形成一個有機整體，以此提高養老服務質量。國內關于智慧養老的相關研究最早可追溯到2007年胡黎明在《新型數字化居家式養老社區解決方案》一文中所提到的“數字化養老”，隨后陸續發展成?“信息化養老”（2010）、?“科技養老”（2011）?、“網絡化養老”（2012）?等概念。2013年以后，學術界開始統一使用“智慧養老”來代替上述概念。

學者們大多從服務內容、科學技術以及其優勢特點來闡釋智慧養老的概念。左美云（2014）認為智慧養老是以互聯網等現代科技為媒介，一方面為老年人提供安全、醫療保健、娛樂休閑、學習交流等服務，另一方面對涉老信息進行監測、上傳、分析、處理，從而滿足老年人各項需求，提高其生活質量;向運華和姚虹（2016）認為智慧養老是利用物聯網技術采集匯聚老年人的健康狀況和需求等信息，從而實現緊急救助、生活照料、健康預警、遠程診療等各種養老需求的智能供需交互。張雷和韓永樂（2017）認為智慧養老利用科技促進老人更多參與互動，不僅豐富了老人物質生活，也滿足了老年人的精神生活需求，提升了老人的幸福感。雖然學者們的側重點和表達多有不同，但立足點還是在“智慧”這個核心上，“智”是綜合利用互聯網、物聯網、大數據等先進技術和智能化產品，“慧”是為老年人提供更加安全便捷、健康舒適的貼心服務。

通過對文獻研究的比較以及網絡公開資料的闡釋，筆者認為以下對智慧養老概念的界定符合本文研究范圍和內容的要求：智慧養老是一種以數據為基礎的養老模式，核心是數據采集，政府和社會服務機構對數據進行整理分析，歸納老年人需求以及生活中所遇到的問題，對養老服務進行升級和完善。最終使政府監管更加及時透明，數據化決策更加精準，居家、社區、機構服務終端管理更加智能，推動社會養老資源的高效配置。

（二）智慧養老的發展

伴隨著大數據、互聯網科技和金融科技的發展與廣泛應用，養老模式逐漸向智慧養老模式發展。2015年國務院印發《關于積極推進“互聯網+”行動的指導意見》，明確提出了“促進智慧健康養老產業發展”的目標任務;2017年發布的《智慧健康養老產業發展行動計劃（2017-2020年）》，明確提出要加快智慧健康養老產業發展，到2020年基本形成覆蓋全生命周期的智慧健康養老產業體系。這些政策的出臺，說明智慧養老已經上升到國家戰略層面。同期，北京市按照《工業和信息化部辦公廳、民政部辦公廳、國家衛生計生委辦公廳關于開展智慧健康養老應用試點示范的通知》要求，大力促進北京地區智慧健康養老的發展。

目前，北京市“智慧養老”發展成果已經初顯，截至2019年年底，北京市16個區中有7個區已經建成包括網頁和手機端App的智慧養老服務信息平臺，有5個區正在建設智慧養老服務平臺。這些“智慧養老”項目均借助大數據與互聯網等技術來滿足老人和家庭的現代化、科學化和人性化的養老需求，也推動了北京市智慧養老產業的發展。

二、基于數據挖掘的智慧養老參與意愿影響因素研究

學者們在有關意愿研究中所選取的研究方法多為描述性統計分析和logistic回歸方法。但是logistic回歸要求只有顯著力量才可納入，而智慧養老參與意愿影響因素較多，許多不顯著因素的綜合作用可能會對參與意愿產生較大影響，因此logistic回歸方法不一定能夠準確預測和判別參與智慧養老意愿。而數據挖掘方法能夠較好處理高緯度、線性不可分數據，對多變量問題進行建模，廣泛應用于分類數據的判別與預測，常用的分類模型有決策樹、支持向量機和隨機森林等。其中，決策樹具有分類速度快、可讀性高等優點（Breiman L I et al，2008）。支持向量機模型在研究分類問題時運用較多，通過將向量映射到一個更高維的空間里，對非線性、多維度的小樣本數據表現較好（Cortes C and Vapnik V， 1995）。隨機森林模型是一種多數表決的分類算法，分類擬合效果較好，也在研究分類問題時得到廣泛應用（Breiman L，2001）。總體來說，雖然支持向量機、決策樹、隨機森林的方法已經有廣泛的應用，但目前在智慧養老需求意愿問題方面的研究性應用還不多。因此本文嘗試用決策樹、支持向量機和隨機森林等數據挖掘方法對智慧養老需求意愿進行建模和預測。

（一）模型研究的主要內容

1. 智慧養老需求意愿的影響因素。高林等（2019）提出，“智慧養老”需求意愿包括老年人文化程度、健康狀況自評、自理能力、精神需求、物質生活水準、經濟情況、子女壓力、社區宣傳和政策體制等。本文將結合高林等學者提出的幾個影響因素并納入老人對智能終端的熟悉程度、子女經濟狀況、老人子女數等變量，通過描述統計、方差分析、卡方檢驗等方法探究影響需求意愿的主要原因。

2.智慧養老需求意愿及變化數據挖掘模型。對適齡老人“智慧養老”需求意愿及變化建立?Logistic 回歸、決策樹數據挖掘模型，對適齡老人“智慧養老”需求意愿做出判別和預測，基于正確率、查準率、查全率、AUC、Press'Q 這?5 個指標評價模型的性能。

（二）數據搜集

1.樣本選取

本文以北京市為例進行智慧養老相關調查研究，以北京市16個行政區為調研對象，收集到了包括東城區、西城區、朝陽區、豐臺區、石景山區、海淀區、門頭溝區、房山區、通州區、順義區、昌平區、大興區、平谷區、密云區在內的14個區的203個有效數據。樣本分布情況如表2所示。

2. 問卷調查

問卷調查對象為北京市各行政區內?50歲以上老人，調查時間為?2019 年?12月20日-2020年1月15日，調查方式為社區實地問卷，調查內容包括居住地所在行政區、年齡、文化程度、身體健康狀況、收入情況、子女數、子女收入情況、生活自理能力、對智能終端熟悉程度、社區對智慧養老宣傳力度、社區是否建立了智慧養老平臺、老人是否接觸過類似智慧平臺13個方面。

3.調查結果概述及統計性分析

本次調查一共收集有效問卷203份，問卷調查的基本情況見表3。

（三）數據挖掘模型對比分析

1.Logistic回歸。上文描述性統計分析了“智慧養老”需求意愿的影響因素，但僅檢驗了各自變量與因變量單獨的關系，并沒有把各個因素結合起來。此部分將用Logistic回歸研究各自變量與因變量之間的關系。通過Logistic回歸，顯著的自變量會被引入模型。但是考慮到影響智慧養老需求意愿的因素很多，許多因素并不顯著，但其綜合影響可能較大，因此需要進一步改進。

（1）數據準備及變量賦值

由于影響“智慧養老”需求意愿的因素較多，本文結合以往學者的研究成果，建模時以智慧養老需求意愿為因變量，其中將“打算參加智慧養老”賦值為1，“不打算參加智慧養老”的賦值為0;以老年人文化程度、年齡、經濟情況、子女數、子女經濟狀況（子女月平均工資）、自覺健康狀況、自理能力、對手機等智能終端的熟悉度、社區宣傳力度、是否了解或接觸過智慧養老平臺或相關類似平臺、政府智慧養老平臺是否建立完善11個變量為自變量，具體變量賦值見表4。

（2）模型回歸

Logistic模型使用逐步回歸分析方法篩選變量，最后進入模型的變量包括：老年人的文化水平（受教育程度edu）、老人的月收入情況（pay）、老人生活自理能力（self）和老人對智能終端的熟悉程度四個變量（見表5）。

（3）智慧養老需求意愿建模預測

采用?5 折交叉驗證法，并重復?10 次，建立?Logistic 回歸模型并進行預測。步驟如下：第一，把總樣本平均分為?5 份，每次取其中?4 份作為訓練集，剩余?1 份作為測試集，進行建模預測;第二，更換訓練集和測試集，再次進行建模，共建立?5 次模型;第三，重復?1、2 步驟?10 次;第四，最后基于50 次測試結果，比較各分類算法的性能。建立?Logistic 回歸模型時，調用?R 語言軟件的“nnet”包。表6 為?Logistic 回歸模型?50次建模預測的平均結果，其中實際參與智慧養老意愿的平均值為31，無參與意愿的平均值為16.4 。適齡老人實際有參與意愿，且被預測為有參與意愿的平均值為26.3 ，被預測為無參與意愿的平均值為?4.7;實際無參與意愿，但被預測為有參與意愿的平均值為2.8，被預測為無參與意愿的平均值為?13.6。

2.數據挖掘模型。Logistic 回歸模型對智慧養老需求意愿進行了建模，11 個變量中只有4個進入到模型中，但現實中影響智慧養老需求意愿的因素很多，許多單個因素雖然不顯著，但這些因素的綜合作用可能會對結果產生較大影響。而數據挖掘的方法在建模時不要求影響因素是顯著的，同時能較好處理高緯度、線性不可分數據，其廣泛應用于分類數據的判別與預測。因此本文接下來將通過決策樹模型方法，對智慧養老參與意愿進行建模預測。

True positives（TP）表示實際結果為正例，預測結果也為正例的樣本數;False positives（FP）表示實際結果為負例，但被預測為正例的樣本數;False negatives（FN）表示實際結果為正例，但被預測為負例的樣本數;True negatives（TN）表示實際結果為負例，預測結果也為負例的樣本數。混淆矩陣如表7所示。

模型預測結果根據以下幾個指標評價性能：

正確率（Accuracy）：Accuracy =（TP+TN）/（ TP+FN+FP+TN），是正確分類的樣本數與總樣本數的比值，若正確率越高，則對樣本分類的效果越好。

查準率（Precision）：Precision=TP/（TP+FP），表示在被預測為正例的樣本中，其中實際為正例的占比。

查全率（Recall）：Recall=TP/（TP+FN），表示在實際為正例的樣本中，其中被預測為正例的占比。

AUC：表示?ROC 曲線下面積的大小，AUC 的值在區間（0.5，1.0）內，在該區間內AUC的值越大，則說明模型的準確性越高。

Press'Q：

其中?N 是樣本總數，n 是被正確分類的樣本數，k 是分類組數。該工具是為了檢測模型的分類結果與隨機的分類結果之間是否具有顯著性差異，其服從自由度為?1 的卡方分布，當?Press'Q 的值大于?3.84 時，說明兩者具有顯著性差異。

同時，在建立模型中容易造成過擬合現象，為了避免這種現象，因此我們采用?5 折交叉驗證法，并重復?10 次，建立模型并進行預測。

（1）決策樹模型

決策樹模型是一種分類模型，模型呈樹狀結構，廣泛應用于自然科學領域，具有可讀性好，擬合速度快等優點。在分類時，依據基尼系數進行特征選取;建模時，通過訓練集數據，基于損失函數最小化的原則進行建模;預測時，根據已建立的決策樹模型對預測集數據進行分類（Breiman L I et al ，2008）。決策樹算法一般由兩步組成：（a）決策樹生成，根據訓練集數據生成一個盡可能大的決策樹;（b）決策樹剪枝，用測試集數據，依據損失函數最小化原則，對決策樹進行剪枝。同時，為了確保模型的準確度，本文調用?R 語言軟件中的“rpart”包，通過設置復雜性參數?CP 值，經過多次實驗發現?CP 值為?0.014 時，模型的準確率最高，最終，建立模型并進行預測。

表?8 為決策樹模型?50 次建模預測的平均結果，其中實際具有智慧養老需求意愿的平均值為31，無需求意愿的平均值為?16.4。適齡老人實際有需求意愿，且被預測為有需求意愿的平均值為28.9，被預測為無需求意愿的平均值為2.1;實際無需求意愿，但被預測為有需求意愿的平均值為?0.2，被預測為無需求意愿的平均值為?16.2。

整體來說，數據挖掘模型的決策樹模型在正確率、查準率、查全率、AUC、PressQ方面的結果都好于Logistic回歸模型。其中決策樹模型的正確率95.1%大于Logistic模型的84.2%，查準率99.3%大于Logistic回歸模型的90.3%，查全率93.2%大于Logistic回歸模型的84.8%。AUC決策樹模型較接近1，且決策樹模型的PressQ值4.01大于Logistic模型的3.92，表明決策樹分類方法好于Logistic模型的結果。

三、主要結論與建議

由Logistic回歸模型和數據挖掘模型可知，北京地區適齡老人對智慧養老需求意愿的主要影響因素是老年人的文化程度、老年人的月收入水平、老年人的生活自理能力、老年人對智慧終端的熟悉程度。而老年人年齡、子女數、子女經濟狀況（子女月平均工資）、社區宣傳力度、是否了解或接觸過智慧養老平臺或相關類似平臺、政府智慧養老平臺是否建立完善等因素對老人的智慧養老需求的影響并不大。

近年來多項相關養老政策的出臺的確提高了一部分人加入智慧養老體系的意愿，但我國自古以來養兒防老理念早已深入人心，導致總體而言人們的智慧養老參與意愿仍不高。未來幾年是智慧養老推行和實施的關鍵期和成熟期，如何更好地解決上述問題，完善智慧養老體系，提高養老服務水平，增強對老年人的安全保障等，是當今學者和實務界人士需重點考慮的問題。譬如，利用社區力量組織舉辦各種豐富的教育文化活動，同時鼓勵民間組織開展老年人再教育活動，為愿意學習各種書法、繪畫、舞蹈以及棋類等的老年人提供平臺;加大對老年人信息服務建設的投入力度，比如購置智能檢測儀，時刻關注老年人的身體健康以及出行安全等情況，從而能為應對老年人出現的突發情況提供應急措施。

參考文獻

[1]高林：《社區老年人“智慧養老”需求意愿影響因素分析》，《衛生職業教育》，2019年第12期。

[2]胡黎明：《新型數字化居家式養老社區解決方案》，《智能建筑》，2007年第11期。

[3]向運華、姚虹：《養老服務體系創新：智慧養老的地方實踐與對策》，《西安財經學院學報》，2016年第6期。

[4]張雷、韓永樂：《當前我國智慧養老的主要模式、存在問題與對策》，《社會保障研究》，2017年第2期。

[5]左美云：《智慧養老的內涵、模式與機遇》，《中國公共安全》，2014年第10期。

[6]Breiman L I et al， “Classification and Regression Trees （CART）”， Encyclopedia of Ecology， 2008， Vol.3：582-588.

[7]Cortes C，Vapnik V， “Support-Vector Networks”， Kluwer Academic Publishers，1995，Vol.20：273-279.

[8]Breiman L， “Random Forests”， Machine Learning， 2001， Vol.1：5-32.

（*王瀟瀟、郭旭林、陳建，中國政法大學商學院（研究生院）;陳夢昕，中國礦業大學管理學院（北京）。本文是2019年度教育部哲學社會科學研究后期資助重大課題《全生命周期養老準備的金融理論與實踐創新研究》的階段性成果（項目編號：19JHQ007）。責任編輯：崔克亮）

RESEARCH ON INFLUENCING FACTORS OF

PARTICIPATION INTENTION OF BEIJING SMART PENSION

SYSTEM BASED ON DATA MINING

Wang Xiaoxiao， Guo Xulin， Chen Jian， Chen Mengxin

Abstract： The smart pension system itself has a management problem with rich content and influenced by complex factors. The traditional research is difficult to reveal its comprehensive inner influence mechanism because of the limitation of methods. This paper collects large sample data through social investigation on the basis of theoretical and empirical research， selects the optimal machine learning model algorithm to train and test the large data， carries out multi-level data mining for exploratory research， reveals influencing factors of participation intention of Beijing smart pension system.

Keywords： Smart Pension; Participation Intention; Data Mining