居住方式、居住環境對老年人心理健康的影響

【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，家庭規模持續小型化，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老資源獲取的重要方面，老年人的居住方式和居住環境與以往相比有所不同，因此值得關注。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境的策略，推動實現健康老齡化。本研究使用2018年中國老年健康影響因素跟蹤調查（CLHLS）數據，在健康生態學等理論的基礎上通過多元線性回歸與自動化機器學習相結合的方法進行分析。通過線性回歸與基于元啟發式算法的神經網絡相結合評估不同居住方式、居住環境對老年人心理健康的影響程度以及影響因素的優先級，并與線性回歸、隨機森林等其他五種方法的結果對比證明神經網絡模型的準確性更高。然后使用神經網絡對不同城鄉類型、不同性別的老年群體進行異質性分析。研究結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。住房環境中有獨立居住空間、住宅類型選擇高層公寓及社區有服務設施均對老年心理健康產生積極影響。社會網絡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、獨居在居住相關因素中位列前五。因此從實踐的角度出發，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。分城鄉類型來看，除居住方式、住宅類型外其他居住相關因素在影響心理健康方面保持一致。三代人同住對農村老年人心理健康的促進作用遠超城鎮，與配偶同住擁有獨立的生活對城鎮老年人的心理健康則更有益。對影響因素的優先級排序后發現在情感上農村老人比城鎮老人更依賴親屬，在生活上城鎮老人比農村老人更依靠親屬照顧。分性別來看，除居住方式、社會網絡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。

【關鍵詞】 居住方式；居住4yE10xZVi86Eyw2AXcPP7g==環境；老年人心理健康；BP神經網絡；粒子群優化

【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

第七次人口普查數據顯示我國60周歲及以上的老齡人口達26 402萬人，占總人口數的18.7%，國家統計局預測在“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，家庭結構與規模逐漸向“核心化”“微型化”轉變。“多代同堂”不再占絕對主導位置，老年父母與成年子女同住的傳統模式逐漸弱化，空巢及獨居比例不斷增加。［2］老年人的居住環境也隨著城鎮化的快速推進及農村經濟發展而改變。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引起社會各界關注。

2016年中共中央、國務院印發《“健康中國2030”規劃綱要》提出要促進健康老齡化，推動開展老年心理健康與關懷服務，將老年人心理健康問題提上議程。《“十四五”健康老齡化規劃》提出開展老年人心理關愛服務并擴大行動覆蓋范圍，關注有精神障礙、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。在影響老年人心理健康的諸多因素中，居住方式、居住環境因與養老資源配置及老年群體對安全性、舒適性的需求緊密相關而需要引起重視。在大部分老年人傾向選擇居家養老的情況下，宜居環境成為老年人安享晚年的必備條件。以往研究發現居住環境對老年人的獨立性、心理健康、幸福感等都會產生顯著影響。世界衛生組織認為年齡友好的物質環境可以使所有個體的獨立性和依賴性產生變化，構建適合老年人生活的居住環境是推動我國健康老齡化事業的應有之義。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性。本文將相關研究從家庭內拓展到家庭外，進一步完善居住方式及居住環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實情況的實踐方式，為我國實現健康老齡化提供助力。

二、文獻綜述

（一）相關理論

健康生態學理論主張將生態學理論用于人類健康的研究中，強調個體因素、衛生服務、物質和社會環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提出的健康生態學模型具有個人先天特質，個人心理及生活方式，個人、家庭與社區網絡、生活與工作條件，社會、經濟、環境條件和政治因素五個層次。［3］核心層為個人與健康有關的某些特質，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，最后一層為宏觀環境。該模型強調了環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境因素相互作用的結果。鄰里效應理論同樣指出個人所居住環境的特征對其態度、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為社會化機制、社會服務機制、環境機制和區位機制四類，分別指鄰里內的社會交往、服務機構設施、環境氛圍和宏觀的政治經濟因素對個人的影響。

（二）相關研究及評述

有關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查數據，發現相對于空巢老人，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查的數據進行研究，發現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摩擦和矛盾而導致代際關系緊張，反而給老年人帶來心理上的壓力，無益于心理健康。劉宏等發現與空巢獨居相比，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生差異。［9］Maruyama等研究發現在不以經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生負向影響。［10］

有關居住環境對老年人心理健康影響的研究目前側重于社區環境產生的作用，如社區設施是否完備、鄰里友好程度等。國內外相關研究較多，如任亮寶等學者認為老年人心理健康在居住環境上存在顯著差異。［11］徐延輝等采用結構方程模型發現老年人的居住環境中所包含的物質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體育設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境建立起物質和心理上的聯系，流動性較強的社區難以形成社區網絡，最終會影響心理健康。［14］靳永愛等發現社區環境可以調節老年人因居住方式對抑郁傾向產生的影響。［15］

在有關老年人心理健康的研究中大部分采用了統計學方法進行研究，近年來還有一些學者通過機器學習技術進行研究。Sau等利用隨機森林方法（Random Forest，RF）從社會人口統計學和健康相關因素診斷老年患者的焦慮和抑郁，并通過包含隨機森林、貝葉斯網絡、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論。［16］Lin等人在對居家老年人抑郁癥發展軌跡分類的基礎上，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，發現前三種方法表現良好。［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的各因素的重要性，結果顯示老年人子女個數、所在地區、自評健康狀況是影響老年人抑郁情況的三大重要因素。［20］

現有研究單獨分析居住方式或居住環境對老年人影響的較多，將同屬于居住相關因素下的兩者放在同一理論框架下系統考慮的很少。在研究方法上，目前在老年人心理健康預測領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據中的非線性關系，并且在并行化方面具有很強的擴展性，但在高維數據中，這類方法可能會出現過擬合問題，需要進行特征選擇或降維處理。基于統計學習理論的方法有著嚴格的統計學理論，方法的性質（如一致性、無偏性等）通常有明確的數學推導和解釋。然而，基于統計學習理論方法對非線性關系的擬合能力有限。如果數據中的模式是非線性的，則這些模型可能表現不佳。

綜上所述，以往研究面臨以下三個挑戰：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、相互調節的過程，傳統的線性運算模型無法清晰地解釋其內部關系和功能。且現實中一些變量并不都是線性、獨立、正態分布和均勻的，誤用某些統計方法可能會導致結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，?但在處理高維數據時對于非線性關系的捕捉能力相對有限。相比之下，BP神經網絡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，手動設計神經網絡架構需要大量計算機專業經驗，并且神經網絡對初始權重和偏置高度敏感。［23］

在居住相關的因素中，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。住房環境、社區環境構成了老年人居住的物質環境，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學模型選擇與居住相關的因素。個人行為層面選擇老年人的居住方式，個人、家庭、社區網絡層面選擇社會網絡支持情況，生活環境層面選擇社區環境及居住的房屋環境。綜合算法的預測能力、運行速度和穩定性，本文選擇了BP神經網絡擬合自變量和因變量之間的關系，并且為解決BP神經網絡架構設計依賴人工經驗的問題，使用了自動化機器學習方法進行優化。

三、數據、變量與模型設定

（一）數據來源

本文使用的數據來源于2018年中國老年健康影響因素跟蹤調查（CLHLS），該調查由北京大學健康老齡與發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查數據。調查采取隨機抽樣方式，范圍覆蓋我國23個省631個市的城鄉老年人，具有較好的代表性和科學性，數據質量被國內外學者認可。［24］因目前我國大部分老人仍為居家養老模式，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。現有研究常用抑郁、孤獨等指標測量心理健康，本文在參照以往相關研究的基礎上，［25-27］結合CLHLS問卷中的調查內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”“覺得越老越沒用”“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境。居住方式根據“您現在和誰住在一起”“共居住戶成員與老人的關系”兩個問題來確定。參考以往研究并結合問卷內容，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］居住環境包括社會網絡支持情況、住房環境和社區環境。社會網絡支持來源的檢測部分參考社會網絡相關量表，［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。住房環境調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”。社區環境調查社區所提供的服務數量，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和農村兩類。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。

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、居住環境對老年人心理健康的影響。該模型能夠為后續BP神經網絡的分析提供便利，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神經網絡的運算速度。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、社區環境、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；[εi]為隨機誤差項。

2. BP神經網絡模型

本文在多元線性回歸的基礎上，采用神經網絡算法中最經典的BP（Back Propagation）神經網絡模型進一步研究。BP神經網絡是一種基于誤差反向傳播算法的人工神經網絡，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、容錯性等優點。［31］BP神經網絡通過引入隱藏層增強網絡的預測能力，并且通過反向傳播來不斷調整網絡的權重和偏置，使網絡的誤差平方和最小。BP神經網絡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神經網絡已經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神經網絡中，[X=x1，x2，…，xn]為輸入變量，[w]為神經元的權重，[b]為神經元的偏置，[Y=y1，y2，…，ym]為輸出變量。在訓練神經網絡之前需要初始化隱藏層和輸出層的權重和偏置，并給定學習率和激活函數。為了求解非線性問題，激活函數通常使用Sigmoid函數，其定義如下：

[gz=11+ez] （2）

根據現有研究，［36］可以使用如下公式選擇最佳隱藏層的單元數：

[n1=n+m+a] （3）

[n1]為隱藏層的單元數，[n]為輸入單元數，[m]為輸出單元數，[a]為［1，10］之間的常數。本文借鑒自動化機器學習（AutoML）領域中的自動化模型選擇思想，將[n1]的最小值設置為[n+m+1]，最大值設置為[n+m+10]，通過遍歷BP神經網絡架構，從而選擇出最優隱藏層的單元數。以往研究認為對于一般簡單的數據集，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據集才需要額外增加層數。［37］因此本文將在一層隱藏層BP神經網絡和二層隱藏層BP神經網絡中尋找最優BP神經網絡架構。然而BP神經網絡在訓練過程中采用均方誤差作為損失函數，并使用梯度下降的方式進行收斂。因此，BP神經網絡對初始化的權重和偏置具有較大的敏感性，從而容易陷入局部最優。［38］

為了提升BP神經網絡的性能，本文使用元啟發式算法優化BP神經網絡的初始化權重和偏置。粒子群優化（Particle Swarm Optimization，PSO）算法作為元啟發式算法的代表，因其易于實現和編碼、控制參數少、可以靈活與其他優化算法混合使用等優點，［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優化和求解數值問題。［41］本文同樣借鑒AutoML領域中的超參數優化方法，使用PSO算法優化BP神經網絡的初始化權重和偏置。

3. 粒子群優化算法

PSO算法是一種基于群智能的元啟發式算法，由Kennedy和Eberhart通過觀察鳥類的覓食行為而提出。［42］在連續空間坐標系中，PSO算法的數學描述如下。

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，[D]是問題函數的維度，[i]是小于等于[N]的正整數。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]是慣性權重，系數[c1]和[c2]是通常被設置為2的常數或者根據進化狀態自適應改變，[rt1d]和[rt2d]是［0，1］范圍內隨機生成的兩個值。

根據粒子的速度，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網絡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性的最佳算法之一。［43］根據MIV的絕對值對變量進行排序可以確定輸入變量對網絡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的BPNN架構。其次，根據最優網絡架構構建BPNN種群，并使用PSO算法優化BPNN的初始化參數。最后，得到包含最優初始化權重和偏置的最佳神經網絡架構，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）描述性統計

觀測樣本的描述性統計結果見表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以上；再次為獨居和三代人同住，可見傳統的多代同堂居住模式不再是主流選擇。在代表居住環境的住宅類型中，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。社區環境滿分9分，樣本得分均值僅為1.87，說明目前老年人所居住社區的服務設置還不完備。在社會網絡支持來源中，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，城鎮老年人比農村老年人略多，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網絡減少分析維度，再使用神經網絡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網絡準確性的基礎上，進行區分城鄉類別和性別的異質性分析。

1. 多元線性回歸的分析結果

本文先通過多元線性回歸模型分析居住方式、居住環境對老年人心理健康的影響。經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環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。在社會網絡支持方面，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神經網絡的分析結果

（1）超參數設置及BPNN架構

在本文所用方法中需要提前設置BPNN的訓練參數以及PSO算法的超參數。本文實驗過程中用到的超參數設置如表3所示。

不同的任務有不同的自變量，因此不同的任務也對應著不同的神經網絡架構。本文共研究了總樣本、分城鄉類型和分性別的樣本，因此本文共構建了五種不同的BPNN架構（見表4）。

（2）結果分析

在經過回歸后，發現沒有不顯著的控制變量需要剔除。因此將變量再次放入BP神經網絡模型進行分析（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。這與以往的研究結論保持一致。［44］該結果與線性回歸結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，而神經網絡中與子女同住的促進作用不如配偶。兩個模型本質上都是對數據進行擬合，但線性回歸只能擬合線性關系，神經網絡可以擬合更復雜的非線性關系，因此理論上神經網絡的分析結果更貼近數據原本的分布。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境較好，水、電、氣、供暖系統等基礎設施完備，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生影響。社區服務設施越多越有利于心理健康。在社會網絡支持情況方面，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。

有關控制變量的分析結果顯示年齡增長、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、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，社區有服務設施。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（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]提供有關誤差大小的信息，[MAPE]強調相對百分比誤差。這三個指標值越大，模型越不穩定。[R2]評估模型的整體解釋力，其值范圍為［0，1］。[R2]的值越高，表明模型在解釋數據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，結果如表6所示。AutoBPNN-PSO、RF和SVM使用Matlab實現并且運行在Matlab R2023a中，XGBoost和LightGBM使用Python語言實現，多元線性回歸使用Stata實現。其中RF需要提前設置決策樹數量和葉節點最小樣本數，SVM需要提前設置核函數類型，XGBoost需要提前設置學習率、決策樹數量、樹最大深度，LightGBM需要提前設置學習率、決策樹數量、葉節點數量。本文采取網格搜索來優化超參數，在RF中，最優決策數為500，葉節點最小樣本數為5；在SVM中，核函數采用高斯核函數，并使用默認參數；在XGBoost中，最優學習率為0.1，決策樹數量為100，樹最大深度為3；在LightGBM中，最優學習率為0.05，決策樹數量為100，葉節點數量為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神經網絡時最小，代表模型解釋能力的[R2]最大，說明AutoBPNN-PSO方法對數據的解釋能力更好，精確度更高。

（三）異質性分析

1. 居住方式、居住環境對不同城鄉類型老人的影響

受我國二元經濟結構影響，城鄉之間存在著經濟發展水平、基礎設施建設等方面的差距，老年人的居住環境可能也存在城鄉差異。且以往研究表明城鄉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神經網絡精確度更高的基礎上，使用該方法分析城鄉老年人的異質性。

分析結果如表7所示，在居住方式方面，對城鎮老年人心理健康產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生負面影響。對農村老年人心理健康產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果支持“家庭支持理論”。［46］有獨立的臥室均對城鄉老年人心理產生正向影響。從住宅類型看，除了“其他”住宅類型外均對城鎮老年人有促進作用；對農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。社區服務設施越多對城鄉老年人越好。從聊天對象來看，與親屬、親屬及朋友聊天均能對城鄉老年人產生正面影響。而傾訴心事對象中，對城鄉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老年人產生正面影響，對農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。

從影響的優先級來看，對城鎮老年人心理健康影響較大的居住相關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）。對比城鄉老年人的求助對象可以發現城鎮老年人比農村老年人更依賴親屬，說明城鎮老年人相比農村老年人生活上更依靠子女照顧。在住宅類型方面，農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生影響。獨立居住空間方面均對兩性產生正面作用，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。社區服務設施越多對兩性老年人越好。在社會網絡支持方面，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生的正面影響遠優于男性。

從影響因素的優先級來看，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、女性心理健康優先級較高的因素。因此男性更需拓展自己的社會網絡，女性在生活照料中則更依賴親屬。

五、結論與建議

（一）結論

本文使用2018年中國老年健康影響因素跟蹤調查（CLHLS）數據，通過多元線性回歸與神經網絡相結合的方式分析了老年人居住方式、居住環境對其心理健康的影響。在驗證神經網絡精確度更高的基礎上，使用該方法分析了居住方式、居住環境對老年人心理健康的影響在不同城鄉類型和性別的老年人群體中存在著怎樣的差異。本文的主要結論是：

第一，在居住相關影響因素中，僅與配偶同住、有獨立居住空間、住高層公寓、有社區服務的老人心理健康水平較高。在社會網絡支持情況方面，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，社會網絡支持僅來源于親屬則不利于心理健康。對影響因素的優先級排序，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系網中唯一保持聯系的對象。但以往研究表明多樣化的、以朋友為主的網絡與良好的健康相關，而受限制的、以家人為主的網絡不利于老年人的健康。［49］因此從實踐的角度出發，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，保持與親屬聯絡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，其余居住相關因素對城鄉老年人心理健康的影響基本一致。對農村老年人促進最大的并非是對城鎮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”。城鎮老年人更傾向于有獨立的生活。在住宅類型中，農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老年人，可能因為農村部分住宅的質量和舒適度仍有不足。影響因素的優先級排序表明，城鎮老人和親屬聊天、向親屬求助的重要性要遠高于農村，農村老人向親屬傾訴心事的重要性則高于城鎮，這說明城鎮老年人在生活上對親屬的依靠比農村高，農村老年人在情感上對親屬的依賴比城鎮高。

第三，存在性別差異的居住相關因素是居住方式和社會網絡支持來源。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。在社會網絡支持來源方面，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。影響因素的優先級排序表明，向親屬求助對女性心理影響的優先級比男性高很多，僅與親屬聊天對男性心理的影響的優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，拓展老年人社會網絡，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，在社會網絡縮小、同質化后易出現社會孤立的情況。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。應從硬件環境與文化環境兩方面入手為老年人創造社會交往的機會，如改善老年人出行環境，在社區構建友好鄰里關系的氛圍，開發適合老年人參與的活動項目等，為老年人創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絡和愛好，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，但農村老年人更傾向于三代同住。在條件允許的情況下農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，改善居住環境，豐富農村老年人選擇。研究顯示農村老年人可選擇的有益于心理健康的住房類型相較城鎮少很多，這可能因為農村老年人住宅的房屋結構、衛生設施、取暖設施等硬件環境仍存在問題，造成老年人生活上不便利、不舒適。因此需要對農村老年人的住宅進行改造，使老年人在實現居家養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，完善社區服務及設施，構建老年友好社區。研究結果表明社區服務對老年人心理健康有一定促進作用，但大部分社區都缺乏針對老年人的服務內容。增加社區的服務內容，保障公共設施數量，提高服務質量，構建水平高、覆蓋廣的社區服務體系對大部分老年人選擇居家養老的現狀而言十分重要。尤其對于獨居且無法改變居住方式的老年人，社區提供的養老服務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［J］. 人口與發展，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：基于人口普查數據的考察［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數據的證據［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. 養老模式對健康的影響［J］. 經濟研究，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追蹤調查數據的實證研究［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. 社區體育基礎設施建設、中老年人健康及不平等：基于中國健康與養老追蹤調查的實證分析［J］. 勞動經濟研究，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：社區環境的調節作用［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，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］ 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］. 現代預防醫學，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、居住環境與城鄉老年人心理健康：一個老年友好社區建設的分析框架［J］. 城市問題，2022（1）：65-74.

［29］ 劉彩梅，張恩慧，董及美. 社會網絡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神經網絡隱含層單元數的確定［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. 農村老年人心理健康的發展軌跡：基于安徽省農村老年人福利狀況調查的分析［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. 農村老年人社會網絡類型與健康及其行為關聯機制研究［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。