成功老龄化影响因素与实现路径的纵向网络分析：基于中国健康与养老追踪调查的跨时滞面板研究

为揭示多维度因素对成功老龄化(SA)的动态影响机制，研究团队基于生态系统理论，首次采用跨时滞面板网络分析(CLPN)方法，利用CHARLS 2018-2020年数据，发现健康保险通过提升生活满意度(SA2)和自评健康(SA1)成为关键预测因子，同时识别年龄对日常活动能力(SA3)的显著影响，为制定精准干预策略提供了科学依据。

　　

随着全球老龄化进程加速，如何实现"成功老龄化"(Successful Aging, SA)成为重大社会议题。联合国数据显示，65岁以上人口比例在过去50年翻倍至10.3%，中国60岁以上人口更达3亿（占21.1%）。尽管Rowe和Kahn早在1997年就提出SA的三维模型（避免疾病失能、保持高认知身体功能、积极参与生活），但该标准将大量患慢性病老人排除在外，且多维影响因素间的动态作用机制尚未明确。

针对这一科学难题，上海开放大学等机构的研究团队创新性地采用跨时滞面板网络分析(Cross-Lagged Panel Network, CLPN)方法，基于中国健康与养老追踪调查(CHARLS)2018-2020年3040名≥60岁老年人的数据，首次系统揭示了影响SA的关键因素及其作用路径。这项发表在《Acta Psychologica》的研究，通过生态系统理论框架将影响因素分为个体（年龄、居住地等）、家庭（子女经济支持等）和社会（医疗保险）三个层次，采用Luo(2021)提出的包含7个维度的SA评估体系（自评健康、生活满意度等）。

关键技术方法包括：1) 使用R语言glmnet和qgraph包构建CLPN模型，设置210条边权重；2) 计算外向预期影响(out-EI)、内向预期影响(in-EI)和桥接预期影响(BEI)三类中心性指标；3) 通过1000次Bootstrap抽样进行稳定性检验(CS系数>0.25)；4) 采用SPSS 29.0进行描述性统计分析。

【研究结果】
3.1 描述性统计
样本以男性为主(59.4%)，平均年龄67.99±5.81岁，98.2%参保健康保险，91.4%自评生活满意。

3.2 跨时滞面板网络模型
健康保险(IF11)→生活满意度(SA2)(权重0.70)和自评健康(SA1)(0.55)形成最强正向预测边；年龄(IF1)→日常活动能力(SA3)(1.14)为全局最强边；饮酒(IF5)→抑郁(SA5)(-0.22)显示负向关联。

3.3 中心性指标
• 健康保险(out-EI=4.01)和抑郁(SA5)(3.16)最具预测力
• 日常活动能力(in-EI=4.99)最易受其他变量影响
• 健康保险(BEI=2.11)是连接影响因素与SA的最强桥梁

【结论与意义】
该研究突破传统单因素分析局限，首次证实：1) 健康保险通过增强生活满意度与自评健康成为实现SA的核心杠杆，建议政府加大参保补贴力度；2) 年龄增长主要损害日常活动能力，需针对性开展防跌倒干预；3) 戒烟戒酒可能通过降低自我效能感加剧抑郁，提示行为干预需配套心理支持。这些发现为建立"社会政策-家庭支持-个体行为"多层级SA促进体系提供了实证依据，尤其对中国等发展中国家完善老龄化政策具有重要参考价值。研究创新性采用CLPN方法，但存在观察期较短(2年)、样本仅来自中国等局限，未来可纳入更长周期跨国数据深化机制研究。