空气污染暴露风险的社会结构地位差异分析*——基于辽宁省的实证调查

张文晓 穆怀中 范洪敏

(辽宁大学人口研究所，辽宁 沈阳 110036)

空气污染暴露风险的社会结构地位差异分析*
——基于辽宁省的实证调查

张文晓 穆怀中 范洪敏

(辽宁大学人口研究所，辽宁 沈阳 110036)

个体拥有的社会结构地位决定其拥有不同环境风险应对能力，导致暴露风险呈现阶层化。利用辽宁省14个城市调研数据实证分析了社会结构地位对空气污染暴露风险差异的影响。研究发现：个体受教育程度越高，空气污染暴露风险防范意识和风险规避能力越强，环境污染暴露风险越低；高收入群体不仅对高环境质量更具偏好而且具备风险规避的经济基础，承受的空气污染暴露风险较低；公有单位就业个体承受的空气污染风险暴露低于私有单位就业个体；年龄与空气污染暴露风险之间存在倒“U”型非线性关系。

社会结构地位 空气污染 暴露风险

1978 年后，随着改革开放的逐步深入和户籍政策的放宽，我国城市化水平不断提高，2016 年城镇人口比重已达到57.35%，然而不断扩大的城市规模、持续的工业发展却导致环境污染加剧和生态恶化[1]，尤其是空气污染不断加重，带来了严重的健康威胁，2010年“大气环境颗粒物污染”作为第四大健康杀手导致中国120万人过早死亡[2]。减轻空气质量恶化带来的伤害，主要有两种策略：一是政府行为，政府的环境治理手段往往具有公共品性质，惠及每个人；二是个人行为，个体空气污染暴露风险由其对污染防治的投资所决定[3]。所以从表面上看，空气质量恶化带来健康风险是人人平等的，但不同社会结构地位的个体拥有不同的社会资本，也就拥有不同的环境风险规避与应对能力，从而导致环境风险具有了结构化意义，并出现环境风险分层与不平等，这进一步引发学者对环境公正议题的关注。

环境不公平问题体现在国际、地区和群体3个层次[4]，其中群体层次的环境不公平主要表现为环境风险分配的个体不公平。自20世纪80年代的环境公正运动之后，国外学者便不断开始探讨环境风险与收入及阶层地位等之间的关系[5-7]，研究发现，受教育程度低、收入水平低的社区会承受更多的环境风险。在空气污染暴露风险方面，不同年龄、种族、性别、健康状况、社会收入的人群暴露于空气污染的程度具有一定的差异，低收入家庭面临的空气污染和健康风险较大[8]971-972, [9],[10]383-384,[11-12]。国内学者对环境风险与社会结构地位的研究处于起步阶段，研究发现经济地位是影响环境风险分配的重要因素[13-15]。

综上，国内外学者的研究表明个体经济地位的差别会导致环境风险暴露的差异，并进一步导致环境不公平现象的发生，而社会结构地位是居民收入、受教育程度、职业等客观社会经济政治地位的综合反映，其对我国的空气污染暴露风险差异影响值得探讨。本研究在借鉴以往研究的基础上，根据相关理论提出研究假设，并运用辽宁省14个城市的调研数据，从社会结构地位中的年收入水平、人力资本水平和职业状况出发，对社会结构地位与空气污染暴露风险差异之间的关系进行研究。

1 理论基础及假设

1.1 理论基础

健康作为一种人力资本投资，通过生产能力、教育投资和物质资本积累等因素影响经济增长和经济发展[16]。借鉴BECKER等[17]家庭消费“两阶段”公式，构建家庭效用函数U=U(c,H)，其中c表示个人消费，H表示健康水平，参数单位按实际情况确定，假设空气质量是影响健康水平的唯一影响因素，得到健康水平函数H=H(A)，A表示空气质量，空气质量越好，健康水平越高，且群体所面临的空气质量水平随着防护水平的提高而提高。将处于不同社会结构地位的群体分为高收入和低收入两类，对其减少空气污染暴露风险的预算约束进行讨论。

高收入群体和低收入群体的预算约束线分别用YH和YL表示，收入越高，对于减少空气污染暴露风险的支出也越高。在无额外个人防护支出的前提下，低收入群体会购买或租住价格偏低、位置偏远、环境质量较差的社区，而高收入群体对高环境质量有更强烈偏好[18]，会选择价格偏高环境质量好的社区从而承受低污染暴露风险。在无额外个人防护支出条件下，高收入群体面临的空气质量水平和低收入群体面临的空气质量水平分别用AH0和AL0表示，且AH0>AL0。在有个人防护支出的情况下，受收入条件的限制，高收入群体和低收入群体对应的个人防护的支出水平可分为低水平和高水平两类，假设在相同的价格水平下，低收入群体可以实现低水平的个人防护支出(如口罩)，但无法支付高水平的个人防护支出(如空气过滤器)，改善其空气污染暴露风险的水平较弱，其所面临的空气质量水平为AL1水平；高收入群体较低收入群体而言，通过高水平的个人防护支出，改善其空气污染暴露风险的水平较强，其面临的空气质量水平为AH1水平，即在有个人防护支出条件下，高收入群体面临的空气质量水平高于低收入群体空气质量水平，即AH1>AL1(见图1)。

图1 不同社会结构地位下减少空气污染暴露风险的预算约束线Fig.1 Budget constraint line of reducing air pollution exposure in different social status

理性选择模型认为个人追求的是自身效用最大化，在特定情境面临不同的行为策略时，个体会在对不同选择行为背后结果进行排序后，最终采取符合自身利益最大化的行为。考虑不同社会结构地位群体的理性选择，加入无差异曲线，测算差异大小。在初始条件下，低收入群体预算约束线YL与家庭效用曲线U1相交对应空气质量水平为A1，高收入群体预算约束线YH与家庭效用曲线U3相交对应空气质量水平为A2，两类群体面临的空气质量差距ΔA可以衡量受社会结构地位差异而导致的空气污染暴露风险差异，即ΔA=A2-A1。随着个人防护支出的增加，低收入群体预算约束线YL与家庭效用曲线U2相交对应空气质量水平为A2’，高收入群体预算约束线YH与家庭效用曲线U4相交对应空气质量水平为A2’；个人防护支出的增加导致空气污染暴露风险减小，对应空气质量水平提高，由于社会结构地位差异而导致的空气污染暴露风险差异变为ΔA’=A2’-A1’，其中ΔA’>ΔA(见图2)。

图2 不同社会结构地位下减少空气污染暴露风险的理性选择Fig.2 Rational choice of reducing air pollution exposure in different social status

1.2 理论假设

社会结构地位是一个多维的概念，是社会个体客观社会经济地位的反映，采用何种变量准确全面地衡量社会结构地位，学界仍存在较大的争议，本研究借鉴国内外学者常用的职业状况、受教育程度和年收入水平等指标作为社会结构地位的代理变量[19-20]。

不同收入水平存在空气污染防护支出能力差异，随着个人防护支出的提高，能降低空气污染暴露风险，在一定的经济地位差异下，不同群体面临的空气污染暴露风险差异扩大，高收入群体比低收入群体拥有更高的抵抗空气污染暴露风险的经济支出能力。

基于上述讨论，提出假设1：收入越高，承受空气污染暴露风险越低。

受教育程度是量化人力资本水平的指标，不同受教育程度存在抵抗空气污染暴露风险能力的差异，高程度受教育者比低程度受教育者更易获得经济、文化和社会资源从而增强自己的环境风险规避能力，从而承受较低环境污染暴露风险。认知/行为理论认为一个人是否会采取某种行为是由其内在认知所决定的，受教育程度越高，对环境污染的相关知识了解程度越高，越知晓环境污染的危害，从而会增加环境风险防范与应对能力，及时做出环境风险规避行为而承受较低的暴露风险。

基于上述讨论，提出假设2：受教育程度越高，承受空气污染暴露风险越低。

职业状况在一定程度上能体现个体社会结构地位特征[21]，个体在不同单位就业在一定程度上可以反映其社会声望及掌握资源权利大小。在国有及集体单位工作不仅具有良好的社会声誉，而且掌握更多的社会资源及权利，更有能力减少空气污染暴露风险；而在民营、私营等单位工作的个体，如农民工等，社会声望水平相对较低，掌握的社会资源也相对较少，空气污染防护能力较弱，可能承受更多的空气污染暴露风险[22]。

基于上述讨论，提出假设3：公有单位比私有单位就业个体承受更低的空气污染暴露风险。

2 数据、样本描述与研究方法

2.1 数据来源

本研究所用数据来自辽宁大学于2014年在辽宁省14个城市开展的“辽宁省空气污染对居民生活影响调查”。此次调查对不同城市18岁以上城市居民进行合理抽样，共计发放问卷1 400份，回收问卷1 291份，通过对问卷认真审核，剔除填写错误或遗漏关键信息样本21份，得到有效问卷1 270份。

2.2 变量设计

2.2.1 因变量及其操作化

因变量为空气污染暴露风险。有研究发现[10]390，低收入家庭相较高收入家庭更可能居住在距离污染企业1 km的区域内而承受较大的风险，所以选取“工厂离您家最近距离”这项指标反映此变量，为便于分析，本研究将变量设置为:4表示≤1 km；3表示>1～3 km；2表示>3～5 km；1表示>5 km，即工厂离居住地越近，居民遭受的空气污染暴露风险越高。

2.2.2 自变量及其操作化

选取年收入水平、受教育程度、职业状况作为考核社会结构地位的3个自变量。收入水平为难以获取准确结果的变量，选取家庭年收入区间作为衡量收入的指标。因家庭年收入区间为分类变量，而非连续变量，其回答的是“是或者否”问题，其本身不具有大小意义，为便于之后进行回归估计，一般需要设置收入水平的参照组，并对其余组别进行0、1虚拟变量编码。本研究以家庭年收入≤3万元为参照组，并对“>3万～6万元”、“>6万～10万元”、“>10万～15万元”和“>15万元”的组别进行0、1虚拟变量编码。受教育程度以受教育年限衡量，受教育年限越长，受教育程度越高，以问卷填写的具体数据为准。将职业状况分为4类，考察其对空气污染暴露风险的影响。与年收入水平指标类似，职业状况也是分类变量，需要设置该变量的参照组，并对其余组别进行0、1虚拟变量编码。本研究以“农林牧渔从业人员”为参照组，并对“党政机关、国有及集体单位从业人员”、“民营、私营、外资企业、个体单位从业人员”、“军人、学生等其他”的组别进行0、1虚拟变量编码。

2.2.3 控制变量及其操作化

国内外相关研究发现性别、年龄、健康状况、婚姻状况等是影响空气污染暴露风险的重要因素，也是影响社会结构地位的重要变量。鉴于数据的可获得性，选取了性别、年龄、年龄平方项、健康状况、婚姻状况作为控制变量，并对性别、健康状况、婚姻状况进行了0、1虚拟变量编码，参照组分别是女性、健康状况较差、未婚。之所以加入年龄平方项，是因为年龄富有生理特征与社会特征两方面属性，不同的年龄段个体会表现出不同的社会偏好与行为选择，社会科学领域通常将年龄与年龄平方项加入控制变量组，以考察年龄与因变量之间是否存在非线性特征。因此，本研究借鉴有关学者做法也将年龄平方项作为控制变量纳入回归方程[23-24]。

表1 变量名称、设置与描述性统计

此外，选取婚姻状况作为控制变量是因为CROUSE等[8]978在针对加拿大的研究中发现，在分居、离婚或者寡妇人数和占总人口比例小于16%的区域，上述3类人数比例与区域内二氧化氮平均暴露浓度呈正相关；而在分居、离婚或者寡妇人数和占总人数比例大于16%的区域，上述3类人数比例与区域内二氧化氮平均暴露程度呈负相关，表明婚姻状况会影响空气污染暴露风险差异。各主要变量的描述性统计见表1。

3 实证分析

设多元回归方程形式为S=α+βX+γK，其中S为空气污染暴露风险；X为自变量的矩阵，包括受教育程度、年收入水平、职业状况等；K为控制变量矩阵，包括性别、年龄、年龄平方、婚姻状况、健康状况等；α、β、γ为回归系数向量，考察各个解释变量对因变量的作用；各参数单位按实际情况确定。 对解释变量进行多重共线性检测之后，发现自变量的方差膨胀因子均小于10，变量之间并不存在较强的多重共线性，可以进行回归分析。本研究运用Stata 14软件，采用普通最小二乘法(OLS)并逐步加入变量来验证研究假设。其中模型1为基准模型，仅考虑控制变量对因变量影响回归估计结果；在此基础上，逐步加入反映社会结构地位的指标，模型2为加入受教育程度指标的回归估计结果；模型3为加入年收入水平指标的回归估计结果；模型4为加入职业状况指标的回归估计结果；模型5为完整模型，是在考虑控制变量的基础上加入反映社会结构地位的受教育程度、年收入水平和职业状况指标的回归估计结果。其回归分析结果见表2，结果表明：

(1) 年收入水平与空气污染暴露风险存在负相关关系。仅考察年收入水平的模型3与完整模型5结果均显示，以家庭年收入“≤3万元”为参照组，“>6万～10万元”、“>10万～15万元”、“>15万元”组均通过较高水平显著性检验，“>3万～6万元”组没有虽没通过显著性检验，但回归系数为负，在一定程度上可以说明收入越高，承受空气污染暴露风险越低。

(2) 受教育程度越高，空气污染暴露风险越低。仅考察受教育程度的模型2与完整模型5结果均显示，受教育程度与空气污染暴露风险存在显著的负相关关系，表明受教育程度的提高，增加了居民的防范与应对风险能力，从而做出风险规避行为避免自己处于高空气污染暴露风险区。

(3) 职业状况与空气污染暴露风险不显著相关。仅考察职业状况的模型4结果显示，党政机关、国有及集体单位从业人员回归系数为负，但未通过显著性检验；民营、私营、外资企业、个体单位从业人员回归系数为正，也未通过显著性检验；军人、学生等其他回归系数为负，也未通过显著性检验；完整模型5回归估计结果显示，党政机关、国有及集体单位从业人员、民营、私营、外资企业、个体单位从业人员、军人、学生等其他回归系数均为负，均未通过显著性检验，但党政机关、国有及集体单位从业人员回归系数大于其他组，在一定程度上表明党政机关、国有及集体单位等公有单位就业个体承受的空气污染风险暴露低于其他私有单位就业个体。

表2 空气污染暴露风险差异影响因素1)

注：1)***表示1%显著性水平, ** 表示5%显著性水平, *表示10%显著性水平；括号内数值为参数标准误差，用来衡量抽样误差，标准误差越小，表明样本统计量与总体参数的值越接近，样本对总体越有代表性，用样本统计量推断总体参数的可靠度越大。

(4) 年龄与空气污染暴露风险之间呈现倒“U”型变化。模型1作为基准模型，考察了控制变量对因变量的影响，发现年龄与年龄的平方变量分别在5%、10%的显著性水平上与因变量相关，表明年龄对空气污染暴露风险确实存在着显著影响，但这种影响却是非线性的。在年龄变量的非线性变化上，模型1和作为完整模型的模型5表现出了相同的趋势，为了防止遗漏变量造成的偏误，选择模型5来集中研究年龄对空气污染暴露风险非线性变化情况。根据模型2的结果可以得到年龄对因变量边际上的变化拐点为49岁，而样本中年龄最小值为19，最大值为73，则年龄在19～49岁时，年龄越大，承受空气污染暴露风险越大；当年龄在49～73岁时，年龄越大，承受空气污染暴露风险越小。尚未涉入社会的年轻人接触到更多的环境信息，了解空气污染危害，从而表现出强烈的高环境质量偏好倾向，但随着年龄增长迫于生计压力，他们更愿意承受一定的环境代价以换取更高的收入，从而自愿承受更大的空气污染暴露风险。步入中年后的居民既开始追求良好生活质量，期待高质量的生存环境且具有一定的经济基础选择低风险暴露社区，从而承受较小的空气污染暴露风险。这也在一定程度上表明，与老年人相比，年轻人追求更多生理、情感与归属等较低层次的需求，迫于生计压力其更愿意承受一定的环境代价，承担高污染排放带来的环境风险，以此换取更高的收入与事业的收获[25-26]，从而承受更高的空气污染暴露风险；老年人更多是追求自我实现的需求，对环境污染容忍度下降，对空气质量要求更高，从而承受较低的空气污染暴露风险。

(5) 性别、健康状况、婚姻状况对空气污染暴露风险影响不显著。模型5是在考虑控制变量与自变量的基础上得到的完整模型，因此，以模型5得到的估计结果分析性别、健康状况、婚姻状况与空气污染暴露风险的关系。具体而言，男性与女性在空气污染暴露风险方面并不存在显著差异；健康状况与空气污染暴露虽没通过显著性检验，但回归系数在一定程度上表明，健康状况良好、健康状况一般的个体比健康状况较差的个体承受更高的空气污染暴露风险；从婚姻状况与空气污染暴露风险的关系来看，也没通过显著性检验，说明不同婚姻状况下个体的空气污染暴露风险并不存在显著差异。

(6) 社会结构地位能有效解释空气污染暴露风险差异。从回归分析估计结果看，模型1的R2仅为0.035，而加入社会结构地位变量后，模型R2增加到0.067，进一步表明社会结构地位是空气污染暴露风险差异的重要解释变量，不同社会结构地位群体承受的空气污染暴露风险确实存在差异。

4 结论与建议

(1) 社会结构地位是影响空气污染暴露风险差异的主要因素。受教育程度与空气污染暴露风险显著相关，受教育程度越高，对空气污染相关知识越了解，空气污染暴露风险防范意识越强，同时高程度受教育群体更易获得社会资本支持从而增强了风险规避能力，以上因素共同促使高程度受教育群体承受较低的空气污染暴露风险；年收入水平与空气污染暴露风险也存在明显相关，高收入群体一方面对环境质量有更高的要求和偏好，一方面又具备风险规避的经济基础，从而承受较低的空气污染暴露风险；公有单位就业个体承受的空气污染暴露风险低于私有单位就业个体。

(2) 年龄与空气污染暴露风险之间存在倒“U”型非线性关系。从分析结果看，空气污染暴露风险差异存在的年龄拐点大约为49岁，也就说当年龄为19～49岁时，年龄越大空气污染暴露风险越大。这可能是因为尚未涉入社会的年轻人接触到更多的环境信息，了解空气污染危害，从而表现出强烈的高环境质量偏好倾向，但随着年龄增长迫于生计压力，他们更愿意承受一定的环境代价以换取更高的收入，从而自愿承受更大的空气污染暴露风险。当年龄为49～73岁时，年龄越大空气污染暴露风险越小，这可能是因为步入中年后的居民既开始追求良好生活质量，期待高质量的生存环境且具有一定的经济基础选择低风险暴露社区，从而承受较小的空气污染暴露风险。

(3) 社会结构地位的影响力已经渗透到环境领域，导致不同个体不仅有社会分层的等级差异，还存在空气污染暴露风险的等级差异，使暴露风险呈现阶层化，受教育程度低、低收入群体承受更多的空气污染暴露风险，这进一步固化并延伸了社会不平等。因此，需要政府相关部门重视民众尤其是工厂周围居民的环境诉求，加大环境执法力度，杜绝工业企业偷排和超标排放行为，努力改善空气质量，减轻空气污染与健康威胁；完善基本医疗保障体系，建立空气污染暴露风险与居民医疗保险联动机制，科学合理评估空气污染导致居民呼吸道等疾病的医疗支出，提高医疗保险在呼吸道等疾病项目的支付比例，减轻民众医疗支出负担；科学合理制定城市规划，加大城市绿化面积，必要时采取修建绿化隔离带等措施将无法搬迁的工业区与住宅区进行有效分离。

[1] 王家庭,王璇.我国城市化与环境污染的关系研究——基于28个省市面板数据的实证分析[J].城市问题,2010(11):9-15.

[2] YANG Gonghuan,WANG Yu,ZENG Yixin,et al.Rapid health transition in China,1990-2010:findings from the global burden of disease study 2010[J].Lancet,2013,381(9882):1987-2015.

[3] ANTOCI A.Environmental degradation as engine of undesirable economic growth via self-protection consumption choices[J].Ecological Economics,2009,68(5):1385-1397.

[4] 洪大用.环境公平:环境问题的社会学观点[J].浙江学刊,2001(4):67-73.

[5] BURKE L M.Race and environmental equity:a geographic analysis in Los Angeles[J].Geographical Information Systems,1993,3(9):44-50.

[6] DANIELS G,FRIEDMAN S.Spatial Inequality and the distribution of industrial toxic releases:evidence from the 1990 TRI[J].Social Science Quarterly,1999,80(2):244-262.

[7] BROOKS N,SETHI R.The distribution of pollution:community characteristics and exposure to air toxics[J].Journal of Environmental Economics & Management,1997,32(2):233-250.

[8] CROUSE D L,ROSS N A,GOLDBERG M S.Double burden of deprivation and high concentrations of ambient air pollution at the neighbourhood scale in Montreal,Canada[J].Social Science & Medicine,2009,69(6).

[9] GILBERT A,CHAKRABORTY J.Using geographically weighted regression for environmental justice analysis:cumulative cancer risks from air toxics in Florida[J].Social Science Research,2011,40(1):273-286.

[10] MOHAI P,SAHA R.Reassessing racial and socioeconomic disparities in environmental justice research[J].Demography,2006,43(2).

[11] CHAKRABORTY J.Evaluating the environmental justice impacts of transportation improvement projects in the US[J].Transportation Research Part D：Transport and Environment,2006,11(5):315-323.

[12] OU Chunquan,HEDLEY A J,CHUNG R Y,et al.Socioeconomic disparities in air pollution-associated mortality[J].Environmental Research,2008,107(2):237-244.

[13] 聂伟．社会经济地位与环境风险分配——基于厦门垃圾处理的实证研究[J].中国地质大学学报(社会科学版)，2013，13(4)：45-52．

[14] 龚文娟.社会经济地位差异与风险暴露——基于环境公正的视角[J].社会学评论,2013(4):16-28.

[15] SUN Cong,KAHN M E,ZHENG Siqi.Self-protection investment exacerbates air pollution exposure inequality in urban China[J].Ecological Economics,2017,131:468-474.

[16] 王弟海，龚六堂，李宏毅．健康人力资本、健康投资和经济增长——以中国跨省数据为例[J].管理世界，2008(3)：27-39．

[17] BECKER G M,DEGROOT M H,MARSCHAK J.Measuring utility by a single-response sequential method[J].Behavioral Science,1964,9(3):226-232.

[18] VEISTEN K,HOEN H F,NAVRUD S,et al.Scope insensitivity in contingent valuation of complex environmental amenities[J].Journal of Environmental Management,2004，73(4):317-331.

[19] 徐淑一，王宁宁．经济地位、主观社会地位与居民自感健康[J].统计研究，2015，32(3)：62-68．

[20] 穆怀中，范洪敏．收入不平等认可影响机制：社会结构地位与流动性预期[J].广东商学院学报，2015，30(1)：12-22．

[21] 李路路．制度转型与分层结构的变迁——阶层相对关系模式的“双重再生产”[J].中国社会科学，2002(6)：105-118．

[22] SCHOOLMAN E D,MA Chunbo.Migration,class and environmental inequality:exposure to pollution in China’s Jiangsu Province[J].Ecological Economics,2012,75(2):140-151.

[23] 李颖晖．教育程度与分配公平感:结构地位与相对剥夺视角下的双重考察[J].社会，2015(1)：143-160．

[24] 冯贺霞，韦轲．经济增长、收入分配与再分配对居民主观幸福感影响的实证研究[J].统计与决策，2016(22)：113-117．

[25] BUEHN A,FARZANEGAN M R.Hold your breath:a new index of air pollution[J].Energy Economics,2013,37(1):104-113.

[26] 杜雯翠．要“温饱”还是要“环保”——污染排放与劳动者收入的双向关系研究[J].当代经济科学，2013，35(3)：87-94．

AnalysisonthedifferenceofsocialstatusofairpollutionexposureriskacasestudyofLiaoningProvince

ZHANGWenxiao，MUHuaizhong，FANHongmin.

(PopulationResearchInstituteofLiaoningUniversity，ShenyangLiaoning110036)

Individual’s social status determined different risk resistance capacity which led to stratification phenomenon. Survey data were collected from 14 cities in Liaoning Province to analyze the influence of social status on the air pollution exposure risk. The results showed that the higher level of education meant the better risk consciousness and risk aversion which led to lower air pollution exposure risk,the high-income group were more favorable for high environmental quality and had better economic foundation for risk aversion which led to lower air pollution exposure risk. People who worked in public sectors suffered less air pollution exposure risk than people who worked in private sectors. There was inverted “U” shape nonlinear relationship between age and air pollution exposure risk.

social status； air pollution； exposure risk

10.15985/j.cnki.1001-3865.2017.04.020

2017-01-11)

张文晓,女，1988年生，博士研究生，研究方向为人口资源与环境。

*国家社会科学基金资助项目(No.13CJL047)；国家自然科学基金资助项目(No.41601154)。