1、 91 2023 年 2 月第 1 期总第 177 期金融理论与教学Finance Theory and Teaching智慧养老模式影响因素及相关产业研究以河北省为例王康1,2，魏俊英2，兰翔英2，唐敏2（1.中央财经大学，北京 100081；中国邮政集团培训中心，河北 石家庄 050000）收稿日期：2022-07-26基金项目：2022 年河北省社会科学发展研究课题“智慧养老视域下河北省养老服务体系的优化路径研究”（青年课题 20220303180）；2022年石家庄市社科专家资助项目“智慧养老视域下石家庄养老服务体系的优化路径研究”（2022zjpy22）。作者简介：王康（1983-）
2、，女，河北石家庄人，中国邮政集团培训中心副教授，中央财经大学博士后，研究方向为碳金融。一、引言中国老龄化趋势不断加重，成为社会普遍关注的焦点。与此同时，人们也越来越关注老年生活的便利和幸福。随着物联网技术的进步，人工智能越来越多地渗透到各个领域。智能社区养老、智能居家养老、智能机构养老等智能养老模式正逐渐进入人们的视野，智能养老模式正受到越来越多的关注。自从英国信托人寿提出为老年人提供更便捷、高效、灵活的“全智能养老系统”，这种全新的公共管理服务模式进入大众视野，因此，很多学者对智能养老及相关产业发展进行了研究。首先，一些学者对智能社区的养老服务和互助进行了研究。例如，李等（2011）在研究中
3、介绍了邻里守望和普及医疗支持技术；其次，为了提高老年人的健康生活能力和水平，对辅助机器人和智能家居设施进行了研究。例如，桑德斯等人（2016 年）已经证明，老年人自己有可能在家庭智能家居环境中使用自主机器人或个性化的辅助机器人。Stoj koska 和 Trivodaliev（2017）提出了一个智能家居整体框架，并确定了一个基于 智 能 家 居 管 理 的 模 型，Suryadevara（2012）提出一种评估老年人健康状况的机制，该机制基于通过各种传感单元连接的家用电器的应用来确定老年人的健康状况，有助于实时监测和评估家庭中的老年人活动。Wong 等（2012）开发了一个新的智能综合互动护
4、理（ICIC）系统，为老年人护理提供综合服务，包括医疗、饮食、生活、摘要：随着物联网技术的发展，智能养老模式越来越受到人们的重视。研究以河北省部分城市成年居民问卷调查数据为基础，分析了智能养老模式及其可能影响因素之间的多元线性回归模型。可以发现，对于 59 岁及以下的参与者，他们的认知水平、血型、职业和年龄对智能养老模式有显著影响，对于 60 岁及以上参与者，只有他们的教育水平和年龄对智能养老方式有显著影响。最后对智能养老相关产业的发展提出了一些建议，以构建一体化的智能社区养老模式、一体化的智能居家养老模式或一体化的智能居家养老服务中心，调整和完善现有的养老机构，完善智能养老机构模式，推动智能
5、养老相关智能产业发展。关键词：智能养老；智能居家；物联网中图分类号：F719；F49 文献标识码：A文章编号：1004-9487（2023）01-0091-07DOI:10.13298/ki.ftat.2023.01.013 92 交通教育、娱乐和安全；第三，一些学者们对智能系统的实现做了一些研究。例如，Salman、Salman、Jahangirian 等（2016）认 为 智 能 家 居技术是住宅相关技术的未来，其目的是通过网络设备交付和分发房屋内外的服务数量，智能系统可以远程控制照明和加热或冷却。DawadiCook（2016）认为，智能家居技术通过自动化健康监测和良好评估，为帮助临床医
6、生检查患者的身体状况提供了潜在的好处，并提出“利用智能家居传感器数据和基于学习的数据分析预测临床分数是可行的；Transing 和 Rajput（2015）提出了一套基于无线传感器网络的老年人智能家居系统，帮助他们轻松开展工作，为他们提供安全、健康和有保障的生活；最后，一些学者研究了血型和教育背景对人的人格的影响，因为人格会影响人的行为和活动。例如，日本学者 Furukawa Takeji在 1927 年的调查基础上提出了人格与血型关系的理论。Jogawar（1983）发现了人们的血型和情感之间的关系。Jackson（2011）认为，教育经历可以导致人格特质的变化，反之亦然。虽然有学者研究了影
7、响智能养老服务的因素，包括教育水平。例如，张和徐（2016）提出，影响老年人智能护理服务需求的因素包括财务状况、身体健康、文化生活和教育背景。然而很少有学者从血型、年龄、文化程度和职业的综合角度对智能养老模式进行研究，这就是本研究的出发点。二、数据选择和模型确定物联网技术的发展促进了人工智能产业的不断升级，推动了智能养老模式的发展。为了找出影响智能技术在老年护理中应用的因素，对 59 岁及以下已经工作的成年人和 60 岁及以上的老年人分别进行了问卷调查。最后，从 59 岁及以下人群中收集了 1146 份有效问卷。从 60 岁及以上老年人中收集有效问卷 700 份。在这个关于养老的问题中，物联网
8、技术可以应用于智能社区、智能家居和智能养老机构中，分析找出哪些因素（如年龄、血型、教育水平和职业）会影响人们对智能养老的选择。因此，养老模式是以被调查者的年龄、受教育程度、血型和职业作为因变量，进行多元线性回归。多元线性回归模型表示为公式（1）。Yi=0+1x1i+2x2i+3x3i+4x4i+i （1）其中 yi是被解释变量，x1i代表年龄，x2i代表教育水平，x3i代表血型，x4i代表职业，为模型的误差项。在有效问卷中，59岁及以下参与者的年龄分布、教育水平、血型分布和职业状况如表 1-4 所示。表 1 59 岁及以下参与者的年龄比例年龄段5059 岁4049 岁3039 岁30 岁以下占
9、比24%25%32%19%表 2 59 岁及以下参与者的血型比例血型ABABORh占比14%28%33%24%1%表 3 59 岁及以下参与者的教育水平比例受教育程度没上过学中学及以下高中专科本科研究生占比1%13%28%23%23%12%表 4 59 岁及以下参与者的职业比例公务员事业员工企业员工工人或服务人员农民职业经理人私营企业主个体劳动者自由职业其他失业退休5.89%16.39%30.21%13.75%2.34%4.91%3.55%3.47%5.51%3.55%2.95%7.48%通过上表显示，30 至 59 岁之间的人所占比例最高。因为 Rh 血型数量相对较少，研究不考虑 Rh血型，
10、AB 和 B 血型的比例相对较高，而 A 血型的比例最低。此外，高中至本科学历的受访者比例相对较高，这与中等城市和中等城市以下的教育背景有关。此外，企事业单位的员工数量也相对较高。表 5-7 中显示了 60 岁及以上参与者的年龄分布、文化程度和血型分布。很明显，79 岁以下以及 AB 型和 B 型血型的人所占比例最高，初中及以下的人数最多。93 表 5 60 岁及以上参与者的年龄比例年龄段80 岁及以上7079 岁6069 岁占比5.86%40.99%53.16%表 6 60 岁及以下参与者的血型比例血型ABABORh占比15.1%28.66%33.59%22.34%0.31%表 7 60 岁
11、及以下参与者的教育水平比例受教育程度没上过学中学及以下高中专科本科研究生占比13.10%43.91%28.66%5.55%7.4%1.39%根据表 8-11 中针对 59 岁以下人群的数据，研究人员显然可以找到养老服务的未来偏好和养老服务产业链的发展趋势。也就是说，人们更倾向于享受方便的养老服务，以及未来的智能护理。此外，人们不仅仅关注未来如何养老，还关心与养老相关的一些辅助功能，例如：智能医疗、娱乐、教育等。三、智能养老模式偏好的影响因素（一）影响因素与智能社区养老方式之间的因果关系1.对于 59 岁及以下的人群，影响因素与智能社区养老模式之间的多元线性回归结果如表 8所示。表 8 智能社区
12、养老及其影响因素的回归结果智能居家养老Regression coefficientP valueT valueVIF变量年龄-0.0330.011*-2.5561.37受教育程度0.0860.000*8.0221.327血型0.0420.001*3.4841.102职业-0.0130.001*-3.4491.141*P0.05 *p0.01由于 1VIF5，因此模型不存在多重共线性，并且统计结果显著，通过分析可知，年龄、文化程度、血型和职业身份等因素，都将影响先进物联网配套设施、智能医疗诊断系统和智能家居的智能社区养老模式的选择。年龄和职业身份将对智能社区养老模式产生显著的负面影响，而教育水平
13、和血型将对智能社区养老模式产生显著的积极影响。2.智能居家养老及其影响因素之间的多元线性回归结果如表 9 所示。表 9 智能家居养老及其影响因素的回归结果智能居家养老Regression coefficientP valueT valueVIF变量年龄0.0350.003*2.9851.37变量受教育程度0.0840.000*8.8131.327血型0.0220.042*2.0311.102职业-0.010.003*-2.9741.141*P0.05 *p0.01由于 1VIF5，因此模型不存在多重共线性。因此，参与者的职业身份、年龄、教育水平和血型对基于智能家居的现代护理具有重要影响，包括先
14、进的互联网设施、智能医疗诊断系统和智能家居。职业对智能居家养老有显著的负面影响，而年龄、教育水平和血型对智能居家养老有显著的正向影响。3.根据线性回归结果，年龄不能影响智能养老机构模式的选择。因此，不考虑年龄的智能养老机构模式及其影响因素之间的多元线性回归结果如表 10 所示。表 10 智能养老机构模式及其影响因素的回归结果智能养老机构Regression coefficientP valueT valueVIF变量血型0.0190.022*2.291.121受教育程度0.060.000*8.3641.001职业-0.010.000*-3.5571.122*P0.05 *p0.01由于 1VI
15、F5，因此模型不存在多重共线性，并且统计结果显著，可知，教育水平、血型和职业将对物联网、智能医疗或智能护理、智能家居甚至全方位辅助机器人护理等先进配套设施的智能养老机构模式产生重大影响。其中，参与者的 94 职业对智能养老机构有显著的负面影响，而参与者的文化程度和血型对智能养老机构选择有显著的负面影响。4.多元线性回归模型的结果表明，老年人护理模式与其血型、职业认同等影响因素之间没有显著的因果关系。因此，这里只考虑养老模式与其影响因素（如教育水平和年龄）之间的回归关系。智能社区养老与教育水平、年龄等影响因素的多元线性回归结果如表 11 所示。表 11 智能社区养老及其影响因素的回归结果智能社区
16、养老Regression coefficientP valueT valueVIF变量受教育水平0.0950.000*2.9851.049年龄-0.0470.021*8.8131.049*P0.05 *p0.01可知，参与者的教育水平和年龄将对智能社区养老产生显著影响，其中他们的教育水平将对智能社区养老的选择产生显著的积极影响，护理模式及其年龄将对智能社区老年护理的选择产生显著的负面影响。5.教育水平、年龄与智能居家护理之间的多元线性回归结果如表 12 所示。表 12 智能居家养老及其影响因素的回归结果智能居家养老Regression coefficientP valueT valueVIF变量受教育水平0.0950.000*8.5461.049年龄-0.0730.000*-3.5721.049*P0.05 *p0.01可以发现，统计结果显著。VIF 与之前一样为1.049。这表明不存在共线问题。因此，参与者的教育水平和年龄将对智能家居的养老模式选择产生重大影响。其中，参与者的受教育程度将对智能居家养老模式产生显著的积极影响，而年龄将对智能家居养老模式产生重大负面影响。表 13 智能养
