Competing Forces of Socioeconomic Development and Environmental Degradation on Health and Happiness for Different Income Groups in China
Notice bibliographique
Résumé
China's rapid socioeconomic growth in recent years and the simultaneous increase in many forms of pollution are generating contradictory pictures of residents' well-being. This paper applies multilevel analysis to the 2013 China General Social Survey data on social development and health to understand this twofold phenomenon. Multilevel models are developed to investigate the impact of socioeconomic development and environmental degradation on self-reported health (SRH) and self-reported happiness (SRHP), differentiating among lower, middle, and higher income groups. The results of the logit multilevel analysis demonstrate that income, jobs, and education increased the likelihood of rating SRH and SRHP positively for the lower and middle groups but had little or no effect on the higher income group. Having basic health insurance had an insignificant effect on health but increased the likelihood of happiness among the lower income group. Provincial-level pollutants were associated with a higher likelihood of good health for all income groups, and community-level industrial pollutants increased the likelihood of good health for the lower and middle income groups. Measures of community-level pollution were robust predictors of the likelihood of unhappiness among the lower and middle income groups. Environmental hazards had a mediating effect on the relationship between socioeconomic development and health, and socioeconomic development strengthened the association between environmental hazards and happiness. These outcomes indicate that the complex interconnections among socioeconomic development and environmental degradation have differential effects on well-being among different income groups in China.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».