中国老年人诈骗受害预测因素：基于机器学习的人口统计学与心理特质交互分析

针对老年人诈骗受害风险因素不明的问题，来自中国的研究团队运用机器学习(ML)技术，通过对5499名老年人的人口统计学、财务及心理特征(如风险偏好、普遍信任度)进行随机森林建模分析，发现收入、教育程度等人口因素最具预测力，而电话诈骗风险低于熟人诈骗。该研究为制定多层次防诈干预策略提供了循证依据。

　　

中国老年群体诈骗受害机制的多维度解析

随着老龄化社会进程加速，老年人诈骗受害现象引发广泛关注。研究团队创新性地采用机器学习(ML)中的随机森林算法，对2015年涵盖5499名中国老年人的多维度数据展开深度挖掘。

研究揭示：

1. 1.

   人口统计学指标展现最强预测效力，其中经济维度（收入水平、消费能力）与教育程度构成核心风险因子，60-75岁群体呈现显著受害峰值

2. 2.

   健康与保障因素中，慢性病患病史与养老金缺失状态使受害风险提升1.8-2.3倍

3. 3.

   心理特质维度里，风险偏好(Risk appetite)评分每增加1个标准差，受害概率上升15%，而普遍信任度(Generalized trust)则呈现U型关联

4. 4.

   诈骗类型分析显示，技术型诈骗（电话/SMS）的预测权重仅为0.32，显著低于面对面熟人诈骗的0.71

该发现突破了传统单因素分析局限，首次通过ML模型量化了各因素的交互效应。特别是揭示了心理特质虽具预测价值，但其解释力(R²=0.19)显著低于人口因素(R²=0.42)的层级差异。研究建议构建"金融素养培训-政策精准干预-社会支持网络"三位一体防护体系，为老龄化社会治理提供新思路。