近年来，提升养老行业整体素质成为解决养老服务问题的重中之重，应推进养老机构科学化、规范化和专业化建设，养老产业也应当提高招收社会养老服务人才，建设专业化队伍[1-3]。本文对养老服务业整体素质的提升因素进行研究，从不同城市、城乡养老服务业现状两个角度对养老床位数进行分析与分类。从人口、经济、社会3个代表性的影响因子出发，基于养老床位数等12个指标，运用Leslie矩阵对老龄人口数量与老年抚养比进行预测，运用BP神经网络对居民消费水平、养老保险基金支出、恩格尔系数3个方面进行预测，运用主成分分析法对7个方面进行分析，提取关键因素值进行回归拟合，探究主成分与床位数的关系曲线，以期对未来10年的数据进行预测。1数据处理1.1数据来源为了保证数据信息数量充足、数据来源真实可靠，本文选取国家统计局、中国养老信息网作为数据选取平台，对中国养老信息网使用网络爬虫技术，获取了该网站共8 465份数据信息，对数据进行处理与分析研究。1.2指标选取城市选取：本文综合考量全国一、二、三线城市划分标准、老年人分布差异、全国养老机构从西北向东南增多的趋势，选取北京、上海（一线城市），重庆、四川（新一线城市），福州、合肥（二线城市）进行研究，确保样本更具代表性与普遍性。指标选取：大量科学权威的数据是更具体详细了解养老服务业的基础，本文采用网络爬虫技术，抓取中国养老信息网中养老系列详细信息，最终归类整理成12个指标，分别为年末人口数量、65岁及以上人口数量、城镇居民可支配收入、农村居民可支配收入、老年人抚养比、结婚率、离婚率、人均GDP、养老床位数、城市居民消费水平、农村居民消费水平、养老保险金。2词云图分析老年人群对养老服务的需求本文运用Python软件，对养老机构评价、需求的相关内容进行分词，清除无关和乱序的词语，使用词频统计分析筛选并排序，对机构需求的关键词绘制词云图。从词云图可以看出，老年人对养老机构最关注三要素是经济支持、医疗保障、精神慰藉。经济支持是农村居民对养老服务业需求评价的重要考量，也是农村养老服务业重大突破点。其中，医疗保障、政府补贴是发展农村养老服务业重要关注点。在城市高频词中，交通便利等词占比较高，居民希望生活品质提高，说明在完善医养结合与经济保障的同时，养老服务业出现新的影响因素。3养老床位数PCA主成分预测模型的建立老年人抚养比、65岁及以上人口数量、离婚率、结婚率表示人口结构；人均GDP、居民可支配收入表示经济影响；养老保险金表示政策影响。考虑对7个影响因素进行多元回归会发生多重共线性的问题，本文采用PCA主成分回归进行预测。为消除量纲的影响，先对数据进行标准化处理、降维处理，依次进行标准化特征、计算协方差矩阵、选取最大的K个特征值与之对应的特征向量，获得特征向量矩阵，将数据变换到K维得到新数据集。通过计算可知，有一个主成分初始特征值大于1，初始特征值累计方差解释比率达98.229%，能够体现原始数据的主要信息。养老床位与主成分F*进行线性回归，回归方程通过检验得出回归模型效果较好。F1=0.381 357x1+0.380 976x2+0.380 594x3+0.379 831x4+0.379 450x5+0.373 730x6+0.699 170x7 （1）F*=0.982 29F1 （2）4基于Leslie矩阵的人口因素预测与分析4.1构建求解模型选取年末人口数量、老年人口抚养比、65岁及以上人口数量三个指标，建立Leslie矩阵：L=f1f2f3⋯fn-1fnp000⋯000p10…00⋮⋮⋮⋯⋮⋮000⋯pn-10 （3）令第t年第i岁个体的生育率fi=bitωit，得到的预测模型为：Xt+1=x0t+1x1t+1⋮xn-1t+1xnt+1=ω0b0ω1b1ω2b2⋯ωnbnp000⋯00p10⋯0⋮⋮⋮⋯⋮000⋯0 （4）且有联合方程：Xt+1=LXt;x0t+1=∑i=0nbitωitxit+1=xitpi （5）4.2确定参数第i年龄段上的个体在1年内的生存率：pi=xi+1t+1xit （6）记女性人口在第t年第i岁的总人口数所占比率为xi(t)，第i岁女性在第t年生育的婴儿的数量为bi(t)，则第t年第i岁个体的生育率为ωi(t)，得到第t+1年的新生人口数量为：x0=t+1=∑i=i0i2bitωitxit=∑i=0Nbitωitxit （7）参考国家统计局相关数据，时间跨度为10年，以5年为间隔划分20个年龄阶段，即划分0~4岁为第0组，5~9岁为第1组，依次划分，直至95岁以上为第N组，其中N=19。4.3预测结果2022—2035年老龄人口数量与抚养比预测结果如图1所示。10.19301/j.cnki.zncs.2023.07.035.F001图12022—2035年老龄人口数量与老年抚养比预测结果5BP神经网络进行经济、社会因素预测与分析5.1模型的选择、确定BP神经网络结构阶段BP神经网络是一种有监督的学习算法，不受非线性模型限制，能够解决数据少、信息贫、不确定性问题。读取数据，设置训练数据和预测数据，变量之间数据取值范围较大，进行归一化操作训练样本数据，利用mapminmax函数进行处理，公式为：b=bmax-bmina-aminamax-amin+bmin （8）5.2训练与测试阶段与结果分析首先对数据进行初始化并给定输入向量和期望输出，通过求隐含层和输出层各层神经元输出以及期望输出和实际输出的偏差判断其是否达到要求。若达到要求，则结束训练，若未达到要求，则需要达到最大训练次数，计算隐含层单元误差以及误差梯度，最后进行权值学习求得新的误差进行判断。4种因素预测结果如图2所示。由图2可知，2022—2035年三个因素均呈持续增长趋势，但增长速度逐渐减缓。预计养老保障与政策扶持力度不断加大，人均GDP平均增速为2.56%，人均可支配收入平均增速1.31%，说明我国经济将持续稳步向好发展，居民生活消费水平逐步提高。图24种因素预测结果10.19301/j.cnki.zncs.2023.07.035.F2a1（a）消费水平10.19301/j.cnki.zncs.2023.07.035.F2a2（b）生产总值10.19301/j.cnki.zncs.2023.07.035.F2a3（c）人均可分配10.19301/j.cnki.zncs.2023.07.035.F2a4（d）养老保险人数6养老服务业市场需求与分类的聚类分析为研究养老床位数的统计分布，根据各省市2016—2019年床位数量对未来十年床位数量进行预测。2023—2035年床位数量预测情况如表1所示。由表1可知，各省市未来床位数呈现递增态势，2035年，我国江苏、浙江、山东的养老床位数高达200万张，最高可达240.044万张。各城市养老床位数量最低也达到52.671万张。10.19301/j.cnki.zncs.2023.07.035.T001表12023—2035年部分省市养老床位数量预测省市年份2023202520272029203120332035北京21.28526.51131.73736.96342.18947.41552.641福建32.65042.56252.47462.38672.29882.21092.122四川70.51488.698106.882125.066143.250161.433179.618江苏93.135112.521131.907151.293170.679190.065209.451浙江90.836115.704140.572165.440190.308215.176240.044山东86.492108.096129.700151.304172.908194.512216.116重庆27.56735.53743.50751.47759.44767.41775.387万张7结语医养结合新模式不断被提出，对强调提供单一服务的传统模式下的养老服务有了新定义，解决了大部分老年群体的需求。我国养老服务从业人员缺口不断增大，养老服务专业人员的缺少成为严重制约养老服务业发展的重要因素，养老服务发展需要吸纳更多劳动力。