基于评论挖掘消费者偏好的蓝牙耳机设计策略

王二朋，石泽宇，吴越峰

基于评论挖掘消费者偏好的蓝牙耳机设计策略

王二朋，石泽宇*，吴越峰

（南京工业大学 经济与管理学院，南京 211800）

本研究旨在从在线评论数据中挖掘消费者偏好信息，以探索蓝牙耳机设计的改良策略。使用Python爬虫抓取目标消费者评论，并通过数据挖掘和文本分析定位需求主题和关键词后，基于消费者偏好理论，对产品功能属性进行情感分析和需求描述以控制变量，运用Mixed-logit模型提取消费者偏好特征以寻求最优的设计策略。通过定量的实证研究，回归分析了偏好特征参数的显著性表达，生成蓝牙耳机改良策略实例并通过满意度检测验证其可行性。结合评论挖掘和Mixed-logit模型，不仅能够设计出以消费者偏好为核心的产品设计方案，还可以为相关产品的设计策略改进提供指导与建议，具有一定的创新性和实用性。

蓝牙耳机；评论挖掘；消费者偏好；Mixed-logit模型；产品设计策略

随着通信技术的迅猛发展，蓝牙耳机在消费市场中备受青睐，需求量逐年攀升。Bluetooth v5.4版本的更新突破了蓝牙在消费者使用体验中的技术壁垒，促使蓝牙耳机积极探索立体音效、智能控制、智能降噪、健康监测和社交功能等领域。近5年来，我国蓝牙耳机市场保持超过20%的增速，2022年市场规模接近45亿美元。随着消费者可支配收入和消费习惯的变化，未来这一数字有望进一步提高，为蓝牙耳机带来巨大的市场增量空间和蓬勃的发展前景。

消费者偏好是优化产品设计策略的关键信息[1]。George等[2]在《工业设计》中指出，产品设计的过程实际上是从“消费者域”到“产品属性域”的映射。消费者偏好作为“消费者域”的一种表达，反映了消费者对产品设计的愿景。因此，张克一等[3]认为，了解消费者偏好实际上是一个跨组织边界的新旧知识获取、理解、整合、再分配，以满足消费者需求的过程。贾薇等[4]认为根据消费者的偏好信息优化产品属性，符合效用最大化原则，能有效提高消费者的购买意愿，从而为企业更新产品的设计策略提供重要参考。

当前企业越来越注重从产品评论中挖掘消费者的偏好信息[5]，因此找到一个以消费者为中心的产品设计策略是成功销售的关键[6]。张艳丰等[7]发现，随着线上消费规模的不断增长，电商平台积极拓展消费评价模块，在线评论成为消费者获取信息、分享经验的重要渠道。与传统的市场调研相比，在线评论不受时间、地域和职业差异等影响，能够较为贴切地进行表达。作为用户生成内容的一种形式，评论数据蕴涵了大量用户对产品属性的评价，通过其构建“用户画像”可以准确地阐述消费者的选择行为和购买意愿，是消费者购买体验的真实反馈[8]，隐含了消费者对产品功能实现的期望和设想[9]，为设计以消费者为导向的产品策略提供了关键支撑。

因此，本文旨在将Python爬取的蓝牙耳机评论通过文本分析创建词云关系，进而识别消费者的情感趋向，利用Mixed-logit模型提取偏好特征参数以优化蓝牙耳机的功能配置组合[10-11]，以客观地改良蓝牙耳机设计策略，从而抓住通信技术发展机遇，满足未来我国不同消费偏好下蓝牙耳机的递增需求。

1 研究综述

1.1 消费者偏好获取研究综述

通过焦点小组访谈、调查、头脑风暴等定性或定量的方法来获取消费者偏好信息的方法已经被广泛地探讨。但是由于成本效益和样本代表性，这些方法在获取消费者偏好信息方面的全面性、实用性和准确性仍存在争议[12]。

以往的研究证明在线评论是揭示消费者偏好的重要来源之一。首先，通过分析消费者在评论中所提到的特征和意见，可以快速获得有关产品口碑满意度或热点话题等有价值的洞察。Jin等[13]运用现有研究方法挖掘评论信息可以有效解决消费者偏好获取困难的问题；Hu等[12]利用网络评论数据研究了口碑对消费者购买决策的影响；吴江等[14]利用文本挖掘技术研究了智能手环上用户评论中的热点需求话题，并结合不同时期的评论信息，分析了用户持续时间与满意度之间的关系。其次，在线评论不仅仅是对产品或服务的反馈，还可以用来挖掘消费者体验或产品服务的情感和期望。杜学美等[15]认为，消费者评论不仅表达了对产品的需求和满意程度，还反映了消费者对购物体验、预期偏好和相关服务的真实表达；Kim等[16]基于在线评论的情感强度和LDA主题提取模型，对两种竞争性的化妆品牌进行了消费者的满意度比较。最后，结合机器算法探索在线评论中的偏好信息可以进一步提高研究结果的准确性。Konjengbam等[17]应用机会算法测量基于消费者的情感极性，探索了消费者购物体验过程中对产品预期属性和服务的偏好。

1.2 产品设计分析模型概述

利用评论数据进行产品设计分析是可行的。例如，Bae等[18]、Tuaro等[19]和Ma等[20]基于聚类、决策树和随机森林等机器学习算法，对评论数据进行统计分析。尽管这些模型提高了各情形下消费偏好的预测效率，但无法解决消费群体偏好的异质性问题。另一方面，一些研究学者通过解释消费者喜欢或不喜欢产品功能属性的根本原因，更好地提取了消费者的偏好主题。例如，常用的方法包括质量功能部署[21]、卡诺模型[22]和LDA主题提取模型[23]。这些方法虽然在解决消费偏好分类的方面具有显著优势，但面对庞大的数据量时，往往存在误差项的问题。

Mixed-logit模型因闭式表达被广泛应用于海量数据的混合消费者行为分析当中，其独立分布假设解释了消费者对产品功能属性的选择意愿[24]。Lai等[25]采用数据挖掘技术和Mixed-logit模型结合的方式，准确地描述了消费者视角下中国智能手机市场的潜在需求和支付意愿。而且，由于该模型允许参数在个体之间随机变动，通过参数的分布（均值、标准差）刻画个体的异质性，从而更好地进行异质性研究以划分消费偏好。Gerard等[26]利用自然语言处理技术，从在线评论中提取了消费者对产品功能属性的陈述性偏好，通过模拟消费者的选择行为以优化选择设计实验，解决了主观预设误差的问题。

因此，本文在研究方法上倾向于融合大数据分析的便捷性和消费者行为分析的因果关联性，利用Mixed-logit模型更好地捕捉消费者对产品设计的偏好信息，从而制定择优策略。

2 研究设计

2.1 数据挖掘与处理

随着电子商务的快速发展，蓝牙耳机的在线购买数量急剧增加，在线评论数据也越来越丰富。Gartner[27]2021年的研究报告指出，未来全球可穿戴设备网购销量有望达到3.1亿台，其中蓝牙耳机占比40%。京东作为国内知名电商平台，消费者活跃度高，可以提供方便快捷的消费者评论数据和真实的用户特征画像。因此，以京东商城的消费者在线评论作为数据来源，具有很好的研究代表性和实践性。

本文借助NLPIR大数据语义智能分析平台，以简化大数据挖掘和自然语言处理的分析过程，具体如下。

1）基于Ramo等[28]提出的TF-IDF算法对文本进行解析，识别出与产品设计相关的关键词。

2）利用Pandas工具进行数据清洗的过程不仅在于删除无效评论和无意义语句，更重要的是根据不同的产品定位和价格区间，对用户进行分类，并分别对其评论进行分析。

3）对这些关键词进行文本聚类，从大规模数据中自动分析出产品设计的热点，并提供与之相关的需求特征描述，清晰地构建用户评论的“果”和为何这么评价的“因”之间的逻辑关系。

4）应用Jieba中文分词库对结果进行智能过滤审查，针对产品设计需求的关键词进行情感分析，量化情感极性和得分。该过程可以为获取消费者的偏好特征提供有价值的参考信息。

2.2 构建Mixed-logit模型

基于消费者的偏好构建用户评论和购买意愿可以解释消费行为背后的因果关系。基于此，本研究不仅可以得到消费者与产品之间的关系产品的外观、性能、质量等物质层偏好，还能实现产品上升到用户特征和情感层面等附属偏好的获取。

3 数据挖掘与文本分析

3.1 评论采集

本研究采用Python Charm平台中的Requests库爬取京东商城上的在线评论数据，并借助Pandas工具进行数据清洗。时间为2021年6—12月，本文选取了占比达82%的消费偏好价格区间（94～312元）内销量前十的京东商城蓝牙耳机的评论数据，排除机器和虚假评论，最终筛选出163 274条有效数据，具体蓝牙耳机型号如图1所示。

在消费者层面，鉴于京东平台对用户的隐私保护，从用户群体获取的特征较为局限。为了能够最大程度降低产品背后的评论自由度，本文收集了消费者的基本特征以划分目标群体的消费意愿。具体收集情况见表1。

图2是以小米Air2S蓝牙耳机为例的评论挖掘实例。从图2中可以看出，消费者普遍对该产品的降噪功能、音质解码和连接速度等方面表现出较高的满意度，其中表述最为频繁的关键词包括“降噪完美”“清晰明确”“反应迅速”等。

图1 蓝牙耳机在线评论数据描述

表1 用户群体特征描述

Tab.1 Description of user group characteristics

图2 Xiaomi Air2S文本挖掘样例

3.2 文本分析

首先，对清洗后的评论数据进行词频统计、词性划分和词云的生成。将词频按降序排列，取前30个关键词，得到高频词占比和词云图（如图3所示），从图3a可知，“性价比”“电池”“音质”“质量”占据了大半的比例，集中反映了消费者对蓝牙耳机的核心需求。接着，根据词性和关联关系突出主要关键词，并将这些高频词云关系构建成如图3b所示的词云，从中能够看出消费者对蓝牙耳机设计策略的偏好，可以将其作为该领域的研究热点。

最后，通过关键词聚类和情感评分映射产品功能属性和消费者的情感趋向，以此构建不同产品属性下的用户画像。如表2所示，大多数关键词都是正面的，只有少数几个（如外观、舒适度等）与负面情绪相关。最常被提及的关键词是“性价比”，但它的情绪得分为0.573 7。这表明目前至少有一半的蓝牙耳机产品达不到消费者的预期准则。“降噪”虽然被提及的频率不高，但人气较高，这说明是否具有降噪功能及功能的好坏是影响消费者购买决策的重要因素。此外，“音质”和“电池”获得了积极的满意度评分，体现了消费者的积极购买意愿。因此，在蓝牙耳机性价比均衡的前提下，电池、音质、延迟及降噪功能等仍是蓝牙耳机产品策略反映的设计重点。

图3 词频排序结果

表2 中国市场蓝牙耳机的关键词情感分析

Tab.2 Keyword sentiment analysis of Bluetooth headsets in the Chinese market

4 基于Mixed-logit模型的消费者偏好特征提取

4.1 关键词情感分析

因此，可以得到基于关键词情感特征的Mixed- logit效用和概率模型，见式（5）～（6）。

如表3所示，实证结果中仅有6个主要关键词揭示了消费者情感特征的异质性。耳机降噪效果在很大程度上影响了消费者的购买决策，企业可以通过优化降噪功能来吸引更多的消费。反之，消费者对当前蓝牙耳机的外观和舒适性设计并不满意，这揭示了线上消费群体审美和体感的差异。为了给消费者提供更好的佩戴体验，企业应当重视人机交互和人因工程的研究，设计出具有科技美感且符合人体工程学的蓝牙耳机。

4.2 用户特征分析

表3 关键词对应产品属性情感特征估计

Tab.3 Estimation of emotion characteristics of keywords

注：表中“*”“**”“***”分别表示估计值在10%、5%、1%的水平上显著。

表4用户特征参数表明，小米Air2S和荣耀耳机Earbuds X1等高评级蓝牙耳机在一线城市的用户中明显受到青睐。随着中国城市居民收入水平的不断提高，越来越多来自一线城市的消费者愿意为口碑良好的产品支付溢价，这实际上也是产品质量的客观反映。同样，京东PLUS会员更喜欢服务优质、折扣优惠的耳机，如漫步者 Lolli Pods和恩科EW10。这表明有效的营销策略和销售服务可以为蓝牙耳机提供额外的销售增长。此外，以Android用户为代表的低消费群体，由于Android系统的兼容性更好，更喜欢OPPO Enco Air、Vivo TWS等价格较低的耳机。在此情形下，价格优先度高于蓝牙耳机系统的兼容性。

4.3 交叉异质性分析

将产品属性变量与用户特征进行交叉回归分析，可以捕捉消费者对产品属性偏好异质性。如表5所示，首先，京东PLUS会员消费者表达了在平价产品上获得更多优惠的期望，可能是为了弥补产品附加服务属性所支付费用的成本。其次，iOS用户更关心高稳定性和低延迟的使用体验，并愿意为耳机的蓝牙协议版本支付溢价。最后，耳机的电池续航能力对一线城市用户具有显著影响，主要原因是这些城市应用场景多。例如，城市地铁禁止声音外放，这使得耳机成为必需品，而长时间的佩戴则使消费者对电池续航功能提出了更高的要求。

表4 用户特征参数估计

Tab.4 Estimation of user characteristic parameters

注：表中“*”“**”“***”分别表示估计值在10%、5%、1%的水平上显著。

表5 产品属性交互参数估计

Tab.5 Product attribute interactive parameter estimation

注：表中“*”“**”“***”分别表示估计值在10%、5%、1%的水平上显著。

5 基于消费者偏好的改良策略与评价

5.1 蓝牙耳机的改良策略

基于评论挖掘和Mixed-logit模型获取的消费者偏好信息，对蓝牙耳机进行设计策略的改良。改进后的产品优点主如下。

1）为了改善消费者对蓝牙耳机外观设计和舒适度的负面情感特征，改良设计策略采用人体工学设计原理，增加内耳廓橡胶圈设计（如图4所示），以优化用户佩戴体验。美化耳机支柱使得产品整体造型更加轻盈，提高产品的舒适度的同时考虑颜色及造型的设计，以减少审美疲劳获得更多的消费者审美偏好。

2）通过提供优质的售后服务和口碑宣传等方式来增强产品的口碑效应和品牌形象很有必要，但是更重要的是在考虑性价比的同时改良蓝牙协议和解码方案等电子元件的布局（如图4所示），减少不必要的硬件，以满足低消费群体对蓝牙耳机的基本需求。

图4 人体工学设计和电子元件配置策略改进

3）借鉴索尼的成功经验，本文还考虑了高保真消费群体的偏好。在产品策略中引进了声音降噪定位和空间音频等技术（如图5所示），以提供更沉浸式的音质体验。在拓宽市场占有率的同时，进一步满足我国不同类型消费者对蓝牙耳机的潜在需求。

图5 降噪定位和空间音频设计策略优化

4）随着蓝牙耳机的佩戴场景越来越多，电池充电续航能力进一步受到挑战。因此，为了满足消费者对大容量和高续航耳机的偏好需求，本文提出了圆盘无线充电配置的附加功能方案（如图6所示），可及时充电以解决消费者的续航焦虑问题。

5.2 消费者满意度评价

将评论挖掘的10款蓝牙耳机与改良的设计策略进行对比，制作满意度评价表（计算分值设置为1～5分）并投递给50位京东平台的网购消费者。通过对消费者偏好特征进行满意度检测。优化后的策略根据上述四处改良点（如图4～6所示）被划分为8项指标，分别是：佩戴舒适感、外观设计美感、高性价比、电子元件合理布局、降噪效果、音质效果、高电池容量、高续航能力。图7的结果表明各项指标均分都在4分以上，并且优于原始策略的平均值。此改进策略不仅验证了理论研究的可行性，而且还满足了消费者对蓝牙耳机的偏好需求。

图6 圆盘无线充电功能配置策略附加

图7 消费者满意度检测

6 研究结论

本文从消费者偏好视角出发，基于文本挖掘的方法将客观的在线评论转化为产品设计需求，通过文本分析捕捉关键词所对应产品属性的情感特征，利用Mixed-logit模型定量研究了消费者的偏好信息及其影响因素，实现了从消费反馈到产品策略改进的快速响应。此研究过程为后续以消费者偏好为导向的产品策略提供了科学的参考依据。通过用户满意度评价表，验证了Mixed-logit模型在捕捉消费者偏好方面的优异性，为其他智能穿戴设备的策略设计提供实际案例。

[1] WANG E, LIU Z, GAO Z, et al. Consumer Preferences for Agricultural Product Brands in an E-commerce Environment[J]. Agribusiness, 2022, 38(2): 312-327.

[2] GEORGE E.D, LINDA C S. Industrial Design[M]. Beijing: China Machine Press, 2015.

[3] 张克一, 唐小飞, 鲁平俊, 等. 基于C2C与B2C虚拟品牌社区的企业知识创新比较研究[J]. 科研管理, 2016, 37(12): 65-72. ZHANG K., TANG X, LU P J. et al. A Comparative Study of Corporate Knowledge Innovation Based on C2C and B2C Virtual Brand Communities[J]. Scientific research Management, 2016, 5(12): 65-72.

[4] 贾薇, 张明立, 王宝. 顾客价值在顾客参与和顾客满意关系中的中介效应研究[J]. 中国工业经济, 2009(4): 105-115. JIA W, ZHANG M L, WANG B. Customer Value on Customer Participation and the Mediation Effect in the Relationship between Customer Satisfaction Research [J]. China Industrial Economy, 2009(4): 105-115.

[5] KESSLER E H, CHAKRABATI A K. Speeding up the Pace of New Product Development[J]. Journal of Product Innovation Management: An International Publication of the Product Development & Management Association, 1999, 16(3): 231-247.

[6] 姚山季, 王永贵, 来尧静. 顾客参与新产品开发及其结果影响的综述[J]. 科技管理研究, 2011, 31(7): 221- 224. YAO S J, WANG Y G, LAI Y J. A Review of Customer Participation in New Product Development and Its Impact[J]. Science and Technology Management Research, 2011, 31(7): 221-224.

[7] 张艳丰, 王羽西, 彭丽徽, 等. 基于文本挖掘的在线用户追加评论内容情报研究--以京东商城手机评论数据为例[J]. 现代情报, 2020, 40(9): 96-105. ZHANG Y F, WANG Y X, PENG L H. et al. Research on Online User Additional Review Content Intelligence Based on Text Mining: A Case Study of Jingdong Mall Mobile Phone Review Data[J]. Modern Intelligence, 2020, 40(9): 96-105.

[8] 王二朋, 倪郑宇. 农产品线上消费者的偏好特征研究--基于“京东”销售苹果在线评论数据的分析[J]. 价格理论与实践, 2020(2): 120-123. WANG E P, NI Z Y. Research on the Preference Characteristics of Online Consumers of Agricultural Products: Based on the Analysis of Online Review Data of Apple Sales on "Jingdong"[J]. Price Theory and Practice, 2020(2): 120-123.

[9] HENNIG-THURAU T, GWINNER K P, WALSH G, et al. Electronic Word-of-mouth via Consumer-opinion Platforms: What Motivates Consumers to Articulate Themselves on the Internet?[J]. Journal of Interactive Marketing, 2004, 18(1): 38-52.

[10] KUO Y H, ANDREW K. From Data to Big Data in Production Research: The Past and Future Trends[J]. International Journal of Production Research, 2018, 57 (15-16): 4828-4853.

[11] TAO F, SUI F Y, LIU A, QI Q L, et al. Digital Twin-Driven Product Design Framework[J]. International Journal of Production Research, 2019, 57(12): 3935-3953.

[12] HU Y Y, CHEN H. Opinion Mining fromOnline Hotel Reviews–A Text Summarization Approach[J]. Information Processing & Management, 2017, 53(2): 436-449.

[13] JIN J Y, LIU P J, KWONG C K. Review on RecentAdvances in Information Mining from Big Consumer Opinion Data for Product Design[J]. Journal of Computing and Information Science in Engineering, 2019, 19(1): 010801.

[14] 吴江, 周露莎, 刘冠君, 等. 基于LDA的可穿戴设备在线评论主题挖掘研究[J]. 信息资源管理学报, 2017, 7(3): 24-33. WU J, ZHOU L, LIU G, et al. Wearable Devices Based on the LDA Online Comments about Mining Research [J]. Journal of Information Resources Management, 2017, 7(3): 24-33.

[15] 杜学美, 丁璟妤, 谢志鸿, 等. 在线评论对消费者购买意愿的影响研究[J]. 管理评论, 2016, 28(3): 173-183.DU X M, DING J Y, XIE Z H, et al. The Influence of Online Reviews on Consumer Purchase Intention Study [J]. Journal of Management Review, 2016, 28(3): 173-183.

[16] KIM S, KANG J. Analyzing the Discriminative Attributes of Products Using Text Mining Focused on Cosmetic Reviews[J]. Information Processing & Management, 2018, 54(6): 938-957.

[17] KONJENGBAM A N, DEWANGA N, KUMAR M. Aspect Ontology Based Review Exploration[J]. ElectronicCommerce Research and Applications, 2018, 30(62): 62-71.

[18] BAE J K, KIM J H. Product Development with Data Mining Techniques: A Case on Design of Digital Camera[J]. Expert Systems with Applications, 2018, 38(8): 9274-9280.

[19] TUARO, SUPPAWONG, CONRAD S T. Automated Discovery of Lead Users and Latent Product Features by Mining Large Scale Social Media Networks[J]. Journal of Mechanical Design, 2015, 137(7): 11.

[20] MA J K, HARRISON M. K. Product Family Architecture Design with Predictive, Data-Driven Product Family DesignMethod[J]. Research in Engineering Design, 2016, 27(1): 5-21.

[21] CHENG H S, LIU H T, LIAO T. J. An Integrated Product Design and Selection Approach Using Grey QFD and Grey TOPSIS Methods[J]. International Journal of Information & Management Sciences, 2015, 26(1): 29-50.

[22] XIAO S S, WEI C P, MING D. Crowd Intelligence: Analyzing Online Product Reviews for Preference Measurement[J]. Information and Management, 2016, 53(2): 169–182.

[23] 周云泽, 闵超. 基于LDA模型与共享语义空间的新兴技术识别--以自动驾驶汽车为例[J]. 数据分析与知识发现, 2022, 6(Z1): 55-66. ZHOU Y Z, MIN C. Identification of Emerging Technologies Based on LDA Model and Shared Semantic Space--A Case study of Autonomous Vehicles[J]. Journal of Data Analysis and Knowledge Discovery, 2012, 6(Z1): 55-66.

[24] AYDIN R., KWONG C K, JI P. A Novel Methodology for Simultaneous Consideration of Remanufactured and New Products in Product Line Design[J]. International Journal of Production Economics, 2015, 169: 127-140.

[25] LAI X, ZHANG Q, CHEN Q, et al. The Analytics of Product-design Requirements Using Dynamic Internet Data: Application to Chinese Smartphone Market[J]. International Journal of Production Research, 2019, 57(18): 5660-5684.

[26] GERARD D J, KROES E. Discrete Choice Analysis[M]. Berlin: Springer International, 2014: 121-142.

[27] Gartner. Gartner Forecasts Global Spending on Wearable Devices to Total $81.5 Billion in 2021[EB/OL]. (2021-01-12)[2023-03-12]. https://www.gartner.com/en/ newsroom/press-releases/2021-01-11-gartner-forecasts- global-spending-on-wearable-devices-to-total-81-5- billion-in-2021.

[28] RAMO J. Using tf-idf to Determine Word Relevance in Document Queries[C]// Proceedings of the First Instructional Conference on Machine Learning. Chongqing: Computer Science, 2003, 242(1): 29-48.

[29] LANCASTER K J. A New Approach to Consumer Theory [J]. Journal of Political Economy, 1966, 74(2): 132-157.

Bluetooth Headset Design Strategy Based on Mining Consumer Preferences from Reviews

WANG Erpeng, SHI Zeyu*, WU Yuefeng

(School of Economics and Management, Nanjing Tech University, Nanjing 211800, China)

The work aims to mine consumer preference information from online review data in order to explore the improvement strategy of Bluetooth headset design. The Python crawler was used to capture target consumer reviews, and the demand topic and keywords were located through data mining and text analysis. Based on the theory of consumer preference, sentiment analysis and demand description of product functional attributes were conducted to control variables, and the Mixed-logit model was used to extract consumer preference characteristics, so as to seek the optimal design strategy.Through quantitative empirical research, the significant expression of preference characteristic parameters was analyzed by regression, and an example of Bluetooth headset improvement strategy was generated, and its feasibility was verified by a satisfaction test. The combination of review mining and Mixed-logit model can not only design the product design scheme with consumer preference as the core, but also provide guidance and suggestions for the improvement of related product design strategies, which has a certain degree of innovation and practicality.

Bluetooth headset; comment mining; consumer preference; Mixed-logit model; product design strategy

TB472

A

1001-3563(2024)02-0134-08

10.19554/j.cnki.1001-3563.2024.02.014

2023-08-24

国家自然科学基金（71903088）；教育部人文社会科学青年基金项目（19YJC790132）