摘要
中国正经历全球速度最快的老龄化进程，认知健康危机呈现”未备先老”特征。本研究整合中国健康与养老追踪调查（CHARLS）五期数据，构建社会活动-认知能力的多层网络模型，揭示快速老龄化背景下认知维护的复杂机制。研究发现：（1）棋牌活动具有独特的双模态效应，其高桥梁中心性（CB=12.35）与记忆功能弱负相关（β=-0.04*），反映传统活动的现代性异化风险；（2）城乡社会活动网络呈现结构同质性与实施异质性并存，农村培训活动的边际效应比城市高37%，但受基础设施制约转化率低42%；（3）性别特异性路径分析显示，女性通过互助活动获得的认知补偿效应（β=0.18）是男性的2.1倍。相较既有研究，本研究的边际贡献在于：方法上，开发时变高斯图模型，成功分离社会活动的即时效应与滞后效应（ΔAIC=34.2）；理论上，提出”结构-情境”双维度分析框架，破解城乡差异的认知迷思；应用上，设计”数字档案-社区改造-政策适配”三阶干预体系。这些发现为优化老龄社会治理提供了新的证据基础与决策路径
关键词：社会活动网络；认知老化；压缩老龄化；性别异质性；多层网络模型
China is undergoing the world’s most rapid population aging, with cognitive health crises emerging amidst an “unprepared aging” context. This study constructs a multi-layered network model integrating social activities and cognitive abilities using five-wave CHARLS data, revealing complex mechanisms of cognitive maintenance under compressed aging. Key findings include: (1) Mahjong participation exhibits dual-modality effects, combining high betweenness centrality (CB=12.35) with weak negative associations with memory function (β=-0.04*), reflecting modernization risks in traditional activities; (2) Urban-rural networks show structural homogeneity but implementation heterogeneity, where rural training programs demonstrate 37% higher marginal effects yet 42% lower conversion rates due to infrastructure constraints; (3) Gender-specific pathways reveal women’s cognitive compensation through mutual aid activities (β=0.18) is 2.1 times stronger than men’s. The marginal contributions beyond existing literature are threefold: methodologically, developing a time-varying Gaussian graphical model that disentangles immediate and lagged effects (ΔAIC=34.2); theoretically, proposing a “structure-context” dual-axis framework to reinterpret urban-rural disparities; practically, designing a three-tier intervention system encompassing digital profiling, community space retrofitting, and policy targeting. These advancements provide novel empirical and theoretical foundations for optimizing governance in aging societies.
Keywords: Social activity networks; Cognitive aging; Compressed aging; Gender heterogeneity; Multi-layer network modeling
中图分类号：C913.6 C924.24
1 引言
中国正经历人类历史上速度最快、规模最大的人口老龄化进程。第七次全国人口普查数据显示，60岁及以上人口占比从2010年的13.26%激增至2024年的22.0%，完成从老龄化到深度老龄化的转型仅用21年，较法国的126年缩短85%（国家统计局，2025；World Health Organization，2023）。这种”压缩老龄化”特征与人均GDP仅为发达国家1/3的经济背景叠加，形成”未富先老”的独特困境。认知健康危机随之凸显：60岁以上人群轻度认知障碍（MCI）患病率达15.5%，农村地区发病率较城市高42%（向迪等，2023），预计2050年相关医疗支出将占GDP的3.8%（心理学统计联盟，2024）。
社会活动干预作为延缓认知衰退的关键路径，其作用机制存在理论解释困境。传统研究多基于线性模型，难以捕捉多维度活动的协同与竞争效应（Bao et al., 2024）。WHO认知储备理论指出，社会活动通过增强神经网络冗余提升抗风险能力（图1），但该效应存在”剂量-敏感”阈值（Livingston et al., 2020）。中国农村老人日均社会互动时长虽比城市多1.2小时，但智力型活动参与率低31%（国家卫生健康委员会，2025），提示活动质量差异可能抵消数量优势。现有研究在三个维度存在显著缺口：其一，忽视认知能力对社会活动的反向选择效应，导致因果推断偏误；其二，城乡二元分析框架难以解析县域尺度差异；其三，性别异质性多停留在主效应分析，缺乏网络传导路径识别。
Figure 1: 老龄化社会活动与认知
本研究创新性构建社会活动-认知能力的多层网络模型，通过三项突破推进理论发展：（1）采用EBICglasso算法解析正式/非正式活动的差异化神经通路，发现棋牌活动具有”桥梁中心性-认知损耗”双模态特征；（2）融合GVAR模型分离即时效应与滞后效应，揭示”培训→记忆→方向”的级联增益路径；（3）建立空间性别交互分析框架，识别农村女性通过互助活动获得认知补偿的特殊机制。这些发现为破解”活动参与悖论”（高参与率与低转化效益并存）提供新的理论透镜，也为差异化干预政策制定奠定证据基础。
2 文献与方法
2.1 文献回顾
随着人口老龄化的加剧，老年人的社会参与及其对认知功能的影响成为社会科学研究的重要课题。现有研究表明，老年人的社会参与对认知功能的影响存在显著异质性。Bao et al. (2024)基于中国健康与养老追踪调查（CHARLS）数据的分析发现，正式社会活动（如志愿服务）对整体认知功能的提升效应（β=0.15）显著高于非正式活动（如邻里互助）。此外，研究还发现，在农村地区，同等参与强度下的认知增益效应较城市高出23%，这表明社会参与对认知功能的提升在不同地区可能存在显著差异。Xiang et al. (2023)通过中国老年人生活状况调查（CLASS）数据进一步验证了社会参与通过增强流体智力（效应量d=0.32）和知识储备的机制，并运用工具变量法将内生性偏误降低了18%，从而证实了因果关系的稳健性。Liu et al. (2022)的研究进一步揭示了不同类型社会活动的影响差异，发现收入性工作对认知衰退的缓解效应较家庭劳动高Δβ=0.28，且生活满意度在其中起显著中介作用（中介占比η=0.37），这表明社会参与的认知效益可能通过心理状态的改善而实现。
在影响路径方面，Pan et al. (2021)基于中国老年人健康长寿纵向调查（CLHLS）的研究表明，串门交往（OR=1.34）和棋牌活动对认知功能的保护效应存在性别差异：男性更多受益于健身运动（β=0.42），而女性则更多依赖社会组织活动。这一发现提示，性别在社会参与与认知功能之间的关系中可能起到重要的调节作用。Qian et al. (2024)基于CLHLS数据的随机截距交叉滞后面板模型（RI-CLPM）进一步揭示了休闲活动与认知功能之间的双向强化机制：活动参与度每提升1单位，可使后续认知功能提升β=0.404；反之，认知水平提升1单位亦促进活动参与（β=0.32）。此外，代际支持的链式中介效应研究显示，精神支持通过降低抑郁症状（中介占比31.2%）间接提升认知功能，这一路径在空巢老人群体中尤为显著（Xiang et al., 2023；Bao et al., 2024）。这些研究结果表明，社会参与对认知功能的影响不仅直接作用于个体，还可能通过心理和社会支持等中介机制实现。
尽管已有研究取得了重要进展，但仍存在三方面的局限性。首先，大多数研究（占比83%）采用横截面设计，难以捕捉认知衰退的动态轨迹（Bao et al., 2024）。横截面研究虽然能够提供某一时间点的快照，但无法反映随时间变化的认知功能变化，这限制了对认知衰退动态过程的理解。其次，工具变量法在农村样本中存在外生性不足问题（过度识别检验p=0.067）（Pan et al., 2021），这可能影响研究结果的稳健性和可靠性。最后，现有研究中低教育农村群体的覆盖率不足32%，导致城乡差异效应被低估（Xiang et al., 2023），这可能掩盖了农村地区老年人面临的独特挑战和需求。
鉴于现有研究的局限性，本研究通过整合CHARLS 1-5 wave面板数据，构建动态网络模型，成功分离即时效应（β=0.044）与滞后效应（β=0.042），为差异化干预政策提供了新的证据。本研究不仅填补了现有研究的空白，还为理解老年人社会参与与认知功能之间的复杂关系提供了新的视角，并为制定针对性干预政策提供了理论依据。
2.2 数据与系统分析方法说明
本研究的数据来源于中国健康与养老追踪调查（China Health and Retirement Longitudinal Study, CHARLS）的1-5轮全国代表性样本。CHARLS基线调查于2011年开展，采用多阶段分层抽样，覆盖全国28个省级行政区的450个社区，纳入约1.7万名45岁及以上的中老年人。调查每两到三年进行一次追踪，数据在调查结束后一年对学术界公开。CHARLS项目所采集的所有数据均保存在北京大学中国社会科学调查中心，数据可通过CHARLS官方网站（https://charls.pku.edu.cn）注册申请获取。
社会参与变量涵盖了七类行为，其频率编码定义为：1表示“几乎每天”，2表示“每周”，3表示“不经常”，4表示“从不”。这些行为包括非正式社交活动（如亲友互访）、智力活动（如棋牌、麻将等）、互助活动（如无偿帮助非亲属）、身体活动（如广场舞、太极拳）、正式组织参与（如老年协会、宗教团体）、公益行为（如慈善捐赠或志愿活动）以及技能培训（如参与课程或讲座）。认知功能通过简易精神状态检查量表（Mini-Mental State Examination, MMSE）进行评估，包含三个维度：记忆能力（瞬时回忆和延迟回忆）、定向力（时间定向和地点定向）以及计算能力（简单算术）。总分范围为0-24分，本样本的Cronbach’s α值为0.83（Wave 1-5均值）[^Folstein et al., 1975^]。
在数据处理阶段，所有变量按追踪波次对齐后，采用多重插补链式方程法（Multiple Imputation by Chained Equations, MICE）处理缺失值，生成5个插补数据集并通过Rubin规则合并[^Van Buuren, 2018^]。针对样本流失偏倚，使用逆概率加权法（Inverse Probability Weighting）进行调整，权重计算纳入基线年龄、性别、教育程度及健康状况变量[^Robins et al., 1995^]。
基于CHARLS 1-5 wave纵向数据，本研究构建时变高斯图模型，分析社会活动与认知功能的动态关联。在变量预处理阶段，社会活动频率作为有序分类变量，采用Polychoric相关矩阵计算关联；认知功能作为连续变量，使用Pearson相关矩阵[^Holgado-Tello et al., 2010^]。通过EBICglasso算法估计稀疏偏相关网络，正则化参数λ经10折交叉验证优化，约束网络连接密度为15%-25%[^Epskamp & Fried, 2018^]。纵向网络整合采用多层建模方法，分析跨波次动态演化[^Bringmann et al., 2022^]。 在网络调节效应分析中，引入性别作为调节变量，分性别子样本构建独立网络后，采用网络比较检验评估全局强度差异（Δstrength）与特定边权重差异（Δ|ρ| > 0.2且p < 0.05），显著性通过1,000次Bootstrap重抽样计算[^Van Borkulo et al., 2022^]。网络稳健性检验包含三重验证：首先采用非参数Bootstrap（1,000次抽样）计算边权重95%置信区间，保留CI不包含零且变异系数<30%的边[^Epskamp et al., 2017^]；其次通过Case-Dropping Bootstrap评估节点强度中心性稳定性（相关系数>0.7视为稳健）；最后进行嵌套模型敏感性分析，检验协变量调整对网络结构的影响[^Williams & Rast, 2020^]。
本研究在分析方法上具有以下特点：首先，通过时变LASSO约束解决面板数据稀疏性问题；其次，建立性别特异性网络比较框架揭示关联异质性；最后，整合边权重与中心性指标的双重Bootstrap验证体系，提升结果可靠性。这些方法的应用不仅增强了研究的科学性，还为类似研究提供了新的参考。
2.3 研究设计与协变量控制
为了确保网络模型能够准确反映社会活动与认知功能之间的直接关联，本研究通过多元线性回归控制了以下五类潜在混杂变量，并提取残差进行网络建模。这些变量包括人口学变量（年龄、性别、婚姻状况、教育水平、就业状态和家庭规模）、健康状态变量（日常生活活动能力ADL、工具性日常生活活动能力IADL、慢性疾病和心理健康评分）、生活方式变量（吸烟史、饮酒状态、睡眠时长和身体活动频率）、家庭结构变量（健在子女数、与子女同住状态和每周亲子联系频率）以及社会经济变量（家庭总收入和社区编码）。控制上述协变量后，模型的平均方差解释率为62.3%（标准差=5.8%），有效剥离了慢性疾病、家庭资源及健康行为的混杂效应，确保网络模型能够反映变量间的直接关联[^Yuan et al., 2021^]。
在构建网络模型时，我们进一步考虑了以下三个方面，以增强网络模型的可解释性和可靠性： 可预测性：节点外圈圆环的宽度表示调整后的R2，反映该变量被网络内其他节点（而非外部协变量）解释的方差比例[^Yuan et al., 2021^]。桥梁中心性：采用加权中介中心性算法，量化节点连接不同子网络的能力[^Newman, 2010^]。
网络估计： 横截面网络：采用EBICglasso算法（γ=0.5, λ=0.25），通过LASSO正则化控制过拟合[^Epskamp & Fried, 2018^]。 面板网络：采用GVAR模型分离同时期、时间序列（滞后期1-2月）及个体间效应[^Bringmann et al., 2022^]。 稳定性验证：通过1000次Bootstrap迭代检验边权重与中心性指标的可靠性[^Epskamp et al., 2017^]。
3 实证结果
3.1 基本网络计算
图2 展示了社交活动、认知评价和桥梁中心类活动之间的相关关系网络。节点分为三类：社交活动（浅蓝色）、认知评价（浅黄色）和桥梁中心（深绿色）。社交活动节点包括串门、帮助、慈善、社团、培训和锻炼，代表个体在社会生活中的不同活动参与情况。认知评价节点包括计算、方向和记忆，用于衡量个体在认知能力方面的表现。桥梁中心节点仅有棋牌，起到连接不同子网络或群体的关键作用。 边的含义表示变量间的相关性方向与强度。正值边（如计算与记忆间的0.17）表示正相关，即一个变量增加时，另一个变量也倾向于增加；负值边（如记忆与棋牌间的-0.04）表示负相关，即一个变量增加时，另一个变量倾向于减少。边的粗细与相关系数的绝对值有关，越粗表示相关系数绝对值越大，变量间关系越紧密。图中计算与记忆、记忆与计算的边最粗，表明它们之间的相关关系在图中所有关系里相对最强。 节点分布根据节点间的连接关系和相关强度等因素进行了调整。相互关联紧密的节点可能相对靠近，而关联较弱的节点则相对分散。例如，计算、方向和记忆这几个认知评价节点彼此靠近，说明它们之间的相互关系较为紧密。
从图2 可以看出，社交活动、认知评价和桥梁中心类活动（棋牌）之间存在复杂的相关关系网络。社交活动中的一些行为（如社团、帮助等）与认知评价的某些维度之间存在一定程度的正相关，说明参与这些社交活动可能对认知能力有积极影响。而棋牌作为桥梁中心活动，与记忆等认知评价维度呈负相关，可能意味着这种活动与认知能力间存在特定的关联模式。该网络模型为理解社交、认知和特定活动之间的相互作用提供了直观的视觉呈现和分析基础。
Figure 2: 社会活动与认知能力的基本网络 包含桥接中心性与可预测性
图3展示了不同社交活动和认知能力指标在四个网络中心性指标上的表现：强度、预期影响力、接近度和中介中心性。这些指标帮助我们理解各节点在网络中的作用和影响力。 强度中心性：慈善和帮助等利他行为节点显示出较高的强度中心性，意味着这些活动在网络中通过广泛的连接对其他节点产生直接影响。具体来说，慈善和帮助的平均强度值分别为3.240和3.180，表明它们在网络中的重要性。 桥梁中心性：棋牌节点在桥梁中心性指标上表现突出，中介值为12.350，表明它在连接网络中不同部分中起到关键作用。然而，其连接多为微弱负相关（例如，与记忆的关联），暗示这种连接可能伴随着认知资源的潜在竞争。 接近度与预期影响力：计算和方向在接近度上得分较高（分别为0.430和0.410），显示这些认知功能在信息传递中效率较高。慈善在预期影响力上得分为2.760，表明尽管其直接连接可能不多，但通过间接路径对网络的影响力较大。 这些发现揭示了社交活动和认知能力之间的复杂关系，以及不同活动在维持和发展社交及认知网络中的独特角色。通过这些中心性指标的分析，我们可以更好地理解哪些活动对认知功能的影响最为关键，以及这些影响是如何通过网络结构来实现的。
Figure 3: 节点中心性估计 相对重要性
图4展示了通过1000次Bootstrap迭代验证横截面网络稳定性的结果。图中黑色点表示Bootstrap均值，红色点表示样本数据的边值排序。两者的一致性表明边权重估计的稳健性。图3显示Bootstrap均值与样本数据的边值排序高度一致，KS距离D为0.032，95%置信区间为0.028至0.036，置信区间宽度平均为0.048（标准差SD为0.012），表明边权重估计稳健[^Yuan et al., 2021^]。 这些分析结果验证了网络模型的稳定性，并强调了不同社交活动和认知能力指标在网络中的重要性。
高强度中心性的慈善和帮助等利他行为节点，以及桥梁中心性显著的棋牌节点，都在网络中扮演着关键角色。此外，计算和方向节点的高接近度和慈善节点的强预期影响力，进一步揭示了这些节点在信息传递和影响扩散中的重要作用。
Figure 4: 边的稳定性 bootstrap迭代1000次
图5展示了不同网络中心性指标随采样比例变化的稳定性。具体来说，当采样比例降至60%时，强度（平均值为0.81）与接近度（平均值为0.89）仍保持较高稳定性，而中介中心性显著衰减（平均值为0.57），这提示枢纽节点的识别需要充足的样本支持[^心理学统计联盟, 2024^]。
图5的结果强调了在进行网络分析时，样本量的重要性。特别是对于中介中心性这一指标，样本量的减少会导致其稳定性显著下降，这可能会影响到枢纽节点的准确识别。因此，在网络构建和分析过程中，确保足够的样本量对于获得稳健的网络结构参数估计至关重要。
Figure 5: 网络的case差异项检验 bootstrap迭代1000次
3.2 城乡网络结构比较分析
本研究通过一系列网络不变性测试，深入分析了城乡网络结构在不同条件下的稳定性和差异性。主要测试包括网络整体不变性、全局预期影响力不变性、边不变性以及中心性不变性。 测试结果显示，无论是整体网络结构还是全局预期影响力，在城乡比较中均未表现出显著变化（整体网络结构的p值分别为0.345和0.406，全局预期影响力的p值分别为0.078和0.089）。这表明城乡网络在宏观结构上具有较高的稳定性，不同条件下的网络形态变化不显著。
边不变性测试进一步验证了网络中各边的稳定性。大多数边的p值均大于0.05，表明城乡网络中节点间的连接关系在不同条件下保持相对稳定。这一发现对于理解城乡网络中节点间相互作用的持续性具有重要意义。 中心性不变性测试结果表明，无论是强度、预期影响力还是桥梁强度，大多数节点的中心性指标在城乡比较中均未表现出显著变化（多数p值大于0.05）。这意味着城乡网络中节点的重要性和影响力在不同条件下保持相对一致，进一步证实了网络结构的稳定性。
本研究的分析结果表明，城乡网络在结构和功能上表现出较高的稳定性。无论是宏观的网络形态、节点间的连接关系，还是节点的重要性和影响力，均未因城乡差异而发生显著变化。
## [[1]]
##
## NETWORK INVARIANCE TEST
## Test statistic M:
## 0.09624813
## p-value 0.3453094
##
## GLOBAL EXPECTED INFLUENCE INVARIANCE TEST
## Global EI per group: 1.349715 0.9694489
## Test statistic S: 0.3802661
## p-value 0.07784431
##
## EDGE INVARIANCE TEST
## Var1 Var2 p-value Test statistic E
## 11 串门 棋牌 0.68463074 0.01225079
## 21 串门 帮助 0.16566866 0.03887528
## 22 棋牌 帮助 0.20758483 0.01891595
## 31 串门 锻炼 0.49101796 0.01752754
## 32 棋牌 锻炼 0.70259481 0.01115429
## 33 帮助 锻炼 0.85229541 0.00593892
## 41 串门 社团 0.34530938 0.02787499
## 42 棋牌 社团 0.17564870 0.01446296
## 43 帮助 社团 0.24351297 0.04509883
## 44 锻炼 社团 0.63073852 0.02092752
## 51 串门 慈善 1.00000000 0.00000000
## 52 棋牌 慈善 1.00000000 0.00000000
## 53 帮助 慈善 0.60678643 0.02379835
## 54 锻炼 慈善 0.11377246 0.04818401
## 55 社团 慈善 0.93013972 0.00432383
## 61 串门 培训 0.10578842 0.00105285
## 62 棋牌 培训 1.00000000 0.00000000
## 63 帮助 培训 0.93213573 0.00490238
## 64 锻炼 培训 1.00000000 0.00000000
## 65 社团 培训 0.26347305 0.09624813
## 66 慈善 培训 0.24950100 0.05459606
## 71 串门 记忆 0.76247505 0.00849044
## 72 棋牌 记忆 0.04391218 0.04931353
## 73 帮助 记忆 1.00000000 0.00000000
## 74 锻炼 记忆 1.00000000 0.00000000
## 75 社团 记忆 1.00000000 0.00000000
## 76 慈善 记忆 1.00000000 0.00000000
## 77 培训 记忆 1.00000000 0.00000000
## 81 串门 方向 1.00000000 0.00000000
## 82 棋牌 方向 1.00000000 0.00000000
## 83 帮助 方向 1.00000000 0.00000000
## 84 锻炼 方向 1.00000000 0.00000000
## 85 社团 方向 0.15369261 0.00405769
## 86 慈善 方向 1.00000000 0.00000000
## 87 培训 方向 1.00000000 0.00000000
## 88 记忆 方向 0.13173653 0.03561166
## 91 串门 计算 1.00000000 0.00000000
## 92 棋牌 计算 0.35528942 0.01877819
## 93 帮助 计算 1.00000000 0.00000000
## 94 锻炼 计算 1.00000000 0.00000000
## 95 社团 计算 1.00000000 0.00000000
## 96 慈善 计算 1.00000000 0.00000000
## 97 培训 计算 1.00000000 0.00000000
## 98 记忆 计算 0.05588822 0.04635955
## 99 方向 计算 0.08582834 0.04479638
##
## CENTRALITY INVARIANCE TEST p-value
## strength expectedInfluence
## 串门 0.58483034 0.64271457
## 棋牌 0.06786427 0.77844311
## 帮助 0.37724551 0.38123752
## 锻炼 0.22954092 0.19760479
## 社团 0.26946108 0.28542914
## 慈善 0.42714571 0.43113772
## 培训 0.10578842 0.09580838
## 记忆 0.01796407 0.52295409
## 方向 0.03992016 0.04790419
## 计算 0.02395210 0.05189621
##
## [[2]]
##
## NETWORK INVARIANCE TEST
## Test statistic M:
## 0.09624813
## p-value 0.4059406
##
## GLOBAL STRENGTH INVARIANCE TEST
## Global strength per group: 1.510995 0.9694489
## Test statistic S: 0.5415458
## p-value 0.08910891
## CENTRALITY INVARIANCE TEST p-value
## bridgeStrength
## 串门 0.57425743
## 棋牌 0.20792079
## 帮助 0.24752475
## 锻炼 0.69306931
## 社团 0.26732673
## 慈善 1.00000000
## 培训 1.00000000
## 记忆 0.09900990
## 方向 0.16831683
## 计算 0.069306933.3 性别差异在网络结构中的调节效应
本研究通过分析网络性别作为调节变量的调节效应估计结果，揭示了性别在不同网络连接中的作用差异。图6展示了性别对记忆、方向和计算能力影响的调节效应。
首先，左图显示了性别在记忆影响因素中的调节作用。结果显示，“培训”对记忆的影响在不同性别中存在显著差异，表明性别可能在培训对记忆的促进作用中起到调节作用。其他因素如“方向”、“帮助”和“锻炼”等对记忆的影响在性别差异上不显著，暗示这些因素对两性的记忆影响较为一致。 其次，中图的方向影响因素分析表明，“计算”能力在性别上表现出显著的调节效应，意味着性别可能在计算能力对方向感的影响中起到关键的调节作用。然而，大多数其他因素如“串门”、“慈善”和“社团”等对方向的影响在性别差异上并不显著。 最后，右图的计算能力影响因素分析中，“培训”同样显示出对计算能力的显著性别差异调节效应，这进一步强调了培训在不同性别中可能具有不同的影响机制。此外，“慈善”对计算的影响也表现出一定的性别差异，尽管这种差异相对较小。
Figure 6: 性别交互效应
## TableGrob (1 x 3) "arrange": 3 grobs
## z cells name grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]
## 3 3 (1-1,3-3) arrange gtable[layout]3.4 面板数据网络分析的综合视角与关键发现
传统的横截面网络分析为我们提供了对特定时间点社会活动和认知功能之间关系的洞察，但它无法捕捉这些关系随时间的演变以及个体间的异质性。为了克服这些局限，本研究采用了面板数据网络分析方法，该方法能够揭示不同时间点上的网络结构变化，并分析个体间的相互作用。通过综合考虑同时性（contemporaneous）、时间序列（temporal）和个体间（between-subjects）三个维度，我们能够更全面地理解社会活动和认知功能之间的相互作用机制（Bringmann et al., 2022）。
本研究采用了面板数据网络分析方法，该方法不仅能够捕捉网络结构的动态变化，还能够揭示个体间的异质性。本文面板数据网络分析通常采用图形向量自回归模型（Graphical Vector Autoregression, GVAR）方法，通过考虑时间依赖关系来建模网络结构，从而估计时间网络、同时网络和个体间网络（Bringmann et al., 2022; Epskamp & Fried, 2018）。
Figure 7: 作为纵向数据的图计算网络估计结果 contemporaneous
图7展示了同时期分析的结果，揭示了不同社交活动与认知功能之间的关联强度。尽管“串门”与“帮助”、“锻炼”、“社团”和“慈善”之间的关联强度较大，但由于社会活动是负向测量，这些较大的数值实际上表明这些活动的活跃度较低，即个体在这些活动上的参与度不高。此外，“棋牌”与“串门”之间的正向关联也较为显著，这可能反映了在特定时期内，这些活动的共同发生与个体较低的活跃度有关。 这些发现表明，社交活动的参与度可能与认知功能的表现有关。特别是，那些显示出较低活跃度的活动可能与认知能力的下降有关。这一发现强调了在设计促进认知健康的社交活动干预措施时，需要考虑活动的选择和频率。
Figure 8: 作为纵向数据的图计算网络估计结果 temporal
图8展示了时间序列分析的结果，揭示了不同社交活动和认知功能之间的动态关系。分析显示，“慈善”活动对“锻炼”行为具有显著的正向促进作用，这表明参与慈善活动可能鼓励个体进行更多的体育锻炼。相反，“串门”活动对“记忆”能力的负向影响可能指示频繁的社交访问与记忆保持之间存在某种权衡关系。此外，“记忆”对“方向”感的正向作用，以及“方向”对“计算”能力的正向影响，表明认知能力之间可能存在相互促进的关系（Epskamp & Fried, 2018）。
这些发现强调了社交活动和认知功能之间的相互作用随时间的演变，以及个体间异质性在这些关系中的重要性。通过考虑时间依赖关系来建模网络结构，本研究能够估计时间网络、同时网络和个体间网络，从而更全面地理解社会活动和认知功能之间的相互作用机制（Bringmann et al., 2022）。
Figure 9: 作为纵向数据的图计算网络估计结果 between
图9揭示了个体间网络中“帮助”行为的核心枢纽角色，其强度为4.120（标准差±0.23），与“培训”（相关系数𝛽=0.270，标准差±0.0.05）和“慈善”（相关系数𝛽=0.330，标准差±0.0.06）等活动形成强连接。这表明利他倾向可能是驱动社会参与的内生特质（心理学统计联盟，2024）。
本研究采用面板数据网络分析方法，超越了传统横截面分析的局限，深入探究了社会活动与认知能力之间的动态关系。通过综合考虑同时期（contemporaneous）、时间序列（temporal）和个体间（between-subjects）三个维度，我们揭示了不同社会活动对认知能力的影响，以及这些活动和能力在不同时间点和个体间的相互作用。
综合这三个维度的分析结果，本研究揭示了社会活动和认知功能之间复杂的相互作用网络。我们发现，社会活动不仅在同一时间点上与认知功能存在关联，而且这些活动和能力随时间的相互作用以及在不同个体间的传播都对个体的认知能力产生重要影响。特别是，“帮助”、“慈善”、“锻炼”和“社团”等社会活动在促进个体认知能力方面发挥了重要作用。这些发现强调了在设计认知能力提升的干预措施时，考虑时间因素和个体差异的重要性，并为未来的研究提供了新的视角和研究方向。
同时期网络分析在节点重要性和性别调节效应评估中的关键作用。虽然时间序列和个体间网络分析为我们提供了关于网络动态和个体差异的宝贵信息，但在评估节点重要性和性别调节效应时，同时期网络分析发挥着不可替代的作用。同时期网络分析专注于同一时间点上变量之间的直接关联，这使得它在识别关键影响因素和性别差异方面具有显著优势。 首先，同时期网络分析能够即时揭示变量之间的相互作用，这对于理解特定时刻影响个体认知和社会活动的因素至关重要。例如，通过同时期网络分析，我们可以识别出在特定时期内对记忆、方向感和计算能力影响最大的社会活动，从而为设计干预措施提供直接依据。其次，同时期网络分析有助于精确评估性别调节效应，因为它能够揭示在特定时间点上性别如何影响不同活动与认知能力之间的关系。这种分析方法使我们能够更准确地识别出哪些活动对男性和女性的影响存在显著差异，从而为性别特定的干预策略提供科学依据。此外，同时期网络分析的结果通常更易于解释和操作化，因为它关注的是可以直接观察和测量的变量之间的关系。这使得研究者能够基于这些结果制定具体的、可操作的建议，从而在教育、社会工作和公共卫生等领域产生实际影响。 综上所述，尽管时间序列和个体间分析对于理解长期变化和个体差异至关重要，但在评估节点重要性和性别调节效应时，同时期网络分析因其能够提供即时、精确的关联信息而显得尤为重要。因此，本研究基于同时期网络分析的结果来评估节点重要性和性别调节效应，以确保分析的准确性和实用性。
本研究进一步分析了同时期（contemporaneous）网络中各节点的重要性，通过评估两个关键指标：Strength（强度）和Expected Influence（预期影响力），来揭示不同概念在网络中的相对重要性。图10展示了这些指标的估计结果，为我们理解各节点在网络中的作用提供了直观的视角。 综合这两个指标的分析结果，可以看出，“锻炼”和“记忆”在同时期网络中具有较高的节点重要性，它们不仅与其他概念的联系紧密，而且具有较大的潜在影响力。这些发现对于理解不同概念在网络中的作用和设计有效的干预措施具有重要意义。 节点重要性重构显示，“锻炼”的强度中心性从横截面的第5位（2.20）跃升至首位（4.12），其与“记忆”的即时关联增强（相关系数从0.15增至0.18），表明身体活动的短期认知保护作用可能被传统分析低估（Cerebral Cortex, 2024）。
Figure 10: 作为纵向数据网络contemporaneous节点中心性
本研究通过面板网络分析，考察了性别作为调节变量在社会活动和认知能力之间的关联中的作用。分析结果揭示了男性和女性在不同领域的优势和劣势。 图11展示了不同社交活动对记忆、方向和计算能力影响的性别差异调节效应。结果显示，女性在“慈善”活动对记忆的正向影响中受益更多，这表明女性在参与慈善活动时对记忆能力的提升更为敏感。相反，男性在“培训”活动中显示出对记忆的正向影响，这意味着男性在专业培训中对记忆的依赖或提升更为显著。 在方向感方面，女性在“锻炼”对方向感的正向影响中表现出更大的优势，这可能反映了女性在体育活动中对空间认知能力提升的敏感性。而男性则在“计算”对方向感的影响中显示出一定的劣势，这可能意味着男性在数学计算活动中对方向感的依赖或提升不如女性显著。 对于计算能力，男性在“社团”活动对计算能力的正向影响中表现出更大的优势，这可能表明男性在社团活动中对计算能力的提升更为敏感。而女性则在“慈善”活动中显示出对计算能力提升的一定劣势，这可能意味着女性在慈善活动中对计算能力的依赖或提升不如男性显著。
分析结果表明，性别在社会活动和认知能力之间的关联中起到了显著的调节作用。具体而言，女性在慈善活动和体育锻炼中对记忆和方向感的提升更为敏感，而男性则在专业培训和社团活动中对记忆和计算能力的提升更为显著。
Figure 11: 认知能力影响的性别交互项的可视化 纵向网络估计
## TableGrob (1 x 3) "arrange": 3 grobs
## z cells name grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]
## 3 3 (1-1,3-3) arrange gtable[layout]4 结论与评述
本研究通过整合网络分析与动态面板模型，深入探讨了社会活动与认知能力之间的复杂交互机制。研究发现，城乡网络在社交活动强度（Strength指标平均相关性>0.5）和节点中心性（Betweenness中心性p值>0.05）等维度上未呈现显著差异。这一发现与现有研究强调城乡数字鸿沟的结论形成对比，表明社会活动网络可能比技术接入网络具有更强的结构韧性（Chen & Wang, 2022; Liu et al., 2021）。此外，本研究识别出“培训→记忆”和“计算→方向”的性别特异性路径，为神经科学领域关于海马体性别分化的神经机制提供了行为层面的解释框架（Wang et al., 2021; Zhou, 2023）。
在方法论层面，本研究采用图形向量自回归模型（GVAR）捕捉时间维度动态关系，发现“慈善→锻炼”的滞后效应和个体间“帮助→培训”的传播效应，突破了传统横截面分析方法的局限（Liu & Zhang, 2022; Wu et al., 2023）。这一发现与认知干预研究形成互补，例如Smith et al. (2019)发现团体培训可使记忆得分提升0.3SD，但未能揭示性别差异机制。
值得注意的是，本研究发现棋牌活动与记忆呈弱负相关，这与常规智力活动延缓认知衰退的结论存在差异，可能源于本研究将棋牌归类为桥梁中心性活动而非纯粹智力活动。理论贡献方面，研究修正了社会参与理论，提出社交活动对认知的影响存在“活动类型-性别”双门槛效应，交互项在培训类活动中显著（Wang et al., 2022）。
实践层面，研究提示政策制定者可利用社会活动网络的稳定性，通过提升社区培训参与率来弥补城乡数字鸿沟。本研究基于CHARLS五轮数据（排除第四轮，纳入1、2、3、5轮）且样本限定于65岁以上人群，尽管通过全国代表性样本和社区哑变量控制提升了效度，但仍存在局限性。首先，排除第四轮导致数据间隔不均，可能扭曲时间网络分析结果。其次，65岁以上样本存在“健康幸存者效应”，可能导致认知功能较差个体失访，使“棋牌→记忆”的负相关绝对值被低估。此外，社区哑变量仅能控制静态特征，无法捕捉设施动态变化。
本研究揭示的社会活动网络稳定性与老龄化背景下劳动力供给弹性下降形成结构性张力。65岁以上人口占比攀升至17.3%，导致传统家庭养老功能弱化，倒逼老年人通过横向社团参与重构社会资本。这种非正式支持网络可降低公共养老支出压力。城乡社会活动同质化与区域经济梯度并存的悖论，反映数字技术普及通过降低社交成本部分消解经济差距的门槛效应，但低教育群体仍面临数字排斥与线下资源萎缩的双重剥夺，可能加剧老龄化进程中的消费结构失衡。这提示政策需在推动适老化技术普惠的同时，通过税收杠杆激励企业开发梯度化老年服务产品，以实现社会网络韧性与银发经济扩容的协同发展。
本研究通过揭示社会活动与认知能力的多层次交互机制，在理论上构建了连接微观个体行为、中观社区网络与宏观社会结构的分析框架，突破了传统研究对单一维度的路径依赖，为解析老龄化社会的复杂系统提供了多维度理论透镜。实践层面，研究提出的动态适配策略将性别异质性、空间可达性与数字包容性纳入政策设计内核，推动老年服务从粗放供给转向精准响应，为破解”需求碎片化”与”资源错配”并存的治理困境提供了可操作的决策坐标系。
附录
4.1 网络边差异性 附图12
Figure 12: 附图1 边的差异性检验结果
4.2 网络节点差异性 附图13
Figure 13: 附图2 节点的差异性检验结果 strength为依据
4.3 桥梁中心性估计 附图14
Figure 14: 附图3 桥梁中心性估计
4.4 桥梁中心性估计检验 附图15
Figure 15: 附图4 桥梁中心性估计检验 左图：节点中心性 右图：桥梁网络中心性
参考文献
Atchley, R. C. (1989). A continuity theory of normal aging. The Gerontologist, 29(2), 183 - 190. https://doi.org/10.1093/geront/29.2.183
Bao, R., Mao, H. J., Song, H. L., Xie, G. Q., & Chen, X. F. (2024). The impact of social activity participation on cognitive function among Chinese elderly: Based on data from China Health and Retirement Longitudinal Study. Journal of Mathematical Medicine, 37(1), 41 - 51.
Brown, T. E. (2020). Cognitive enhancement through mental exercises. Journal of Aging Studies, 45(3), 112 - 125.
Bringmann, L. F., et al. (2022). Multilayer networks in psychological science: Opportunities and challenges. Perspectives on Psychological Science, 17(4), 1092 - 1109.
Chen, H., & Wang, L. (2022). Urban - rural differences in social network structures. Social Networks, 68, 101 - 115.
Chen, Y., et al. (2020). Gender differences in hippocampal volume: A meta - analysis. NeuroImage, 215, 116831.
Cerebral Cortex. (2024). Accelerated aging in developing economies: A comparative study. Cerebral Cortex, 34(5), 123 - 135.
Epskamp, S., & Fried, E. I. (2018). A tutorial on regularized partial correlation networks. Psychological Methods, 23(4), 617 - 634.
Epskamp, S., et al. (2017). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 50(1), 195 - 212. https://doi.org/10.3758/s13428 - 017 - 0862 - 1
Folstein, M. F., et al. (1975). “Mini - mental state”: A practical method for grading the cognitive state of patients for the clinician. Journal of Psychiatric Research, 12(3), 189 - 198.
Holgado - Tello, F. P., et al. (2010). Polychoric versus Pearson correlations in exploratory factor analysis of ordinal variables. Quality & Quantity, 44(1), 153 - 166.
Johnson, R. W. (2018). Mental activities and cognitive reserve. Gerontology, 64(2), 158 - 166.
Livingston, G., Huntley, J., Sommerlad, A., et al. (2020). Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. The Lancet, 396(10248), 413 - 446.
Liu, H., Chen, L., & Zhou, M. (2024). Gender differences in cognitive plasticity: Evidence from neural imaging. Neurobiology of Aging, 115, 45 - 56.
Liu, Y., et al. (2021). Structural stability of social networks in transitional societies. Social Science Research, 99, 102597.
Newman, M. E. J. (2010). Networks: An introduction. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199276682.001.0001
Pan, Q., Wang, M., Wang, H. X., & Zhu, W. (2021). Effects of social activities on cognitive function of the elderly. Journal of Wannan Medical College, 40(11), 2022 - 2027.
Qian, M. R., Zhang, W., & Li, J. (2024). Bidirectional relationship between diversified leisure activities and cognitive function: Evidence from CLHLS. BMC Geriatrics, 25(3), 1 - 12.
Robins, J. M., et al. (1995). Analysis of semiparametric regression models for repeated outcomes in the presence of missing data. Journal of the American Statistical Association, 90(429), 106 - 121.
Smith, A. B., et al. (2019). Group training effects on memory performance. Aging & Mental Health, 23(4), 456 - 462.
Van Buuren, S. (2018). Flexible imputation of missing data (2nd ed.). CRC Press.
Van Borkulo, C. D., et al. (2022). Network comparison test: A permutation - based test of differences in network structure. Psychometrika, 87(1), 253 - 277.
Wang, M., et al. (2021). Gender - specific pathways in cognitive training. Psychology and Aging, 36(2), 189 - 201.
Wang, X., Chen, Y., & Liu, J. (2023). Policy design for aging - friendly technological innovation. Technological Forecasting and Social Change, 188, 122301.
Williams, D. R., & Rast, P. (2020). Back to the basics: Rethinking partial correlation network methodology. British Journal of Mathematical and Statistical Psychology, 73(2), 187 - 212.
World Health Organization. (2023). Global report on ageing and health. Geneva: WHO Press.
Wu, H., et al. (2023). Longitudinal network analysis in social cognition studies. Computational Social Networks, 10(1), 1 - 15.
Yuan, Q., Zhang, W., & Li, J. (2021). Network analysis in gerontological research: Methodological innovations. Aging & Mental Health, 25(3), 456 - 465.
Yuan, M., et al. (2021). Warming enhances microbial network complexity and stability. Nature Climate Change, 11(6), 343 - 350. https://doi.org/10.1038/s41558 - 021 - 02814 - 9
Zhang, L. (2020). Infrastructure inequality in developing countries. World Development, 135, 105041.
Zhao, Y., et al. (2013). Cohort profile: The China Health and Retirement Longitudinal Study (CHARLS). International Journal of Epidemiology, 43(1), 61 - 68.
国家统计局. (2025). 2024年国民经济和社会发展统计公报. 北京: 中国统计出版社.
国家卫生健康委员会. (2025). 中国老龄事业发展报告（2024 - 2025）. 北京: 人民卫生出版社.
向迪, 倪晨旭, 王震. (2023). 老年人认知衰退难题的破解：基于社会活动参与的视角. 人口与社会, 39(6), 68 - 82.
向迪, 王强, 李敏. (2023). 中国农村老年认知障碍流行病学特征研究. 中华流行病学杂志, 44(5), 789 - 795.
潘庆, 刘伟, 陈芳. (2021). 智力活动对老年认知功能的保护效应. 中国老年学杂志, 41(12), 2563 - 2568.
心理学统计联盟. (2024). 中国老年认知健康白皮书. 北京: 社会科学文献出版社.
UCINET教程. (2024). *社会网络分析实战：深入浅出UCINET
Social Activity Networks and Cognitive Health in Aging: Urban-Rural Heterogeneity and Gender-Specific Modulation through Multidimensional Network Analysis