环境正义空间差异测量指标X优化论文

环境正义空间差异测量指标X优化论文一.摘要

环境正义作为可持续发展的重要维度，其空间差异测量与评估在政策制定和区域治理中具有关键意义。本研究以我国东部沿海地区为案例背景，聚焦于环境污染与健康风险的空间分异特征，探讨环境正义空间差异测量指标体系优化路径。通过整合环境质量监测数据、社会经济统计资料及居民健康调查信息，采用地理加权回归（GWR）和空间自相关分析等方法，系统评估了不同区域环境风险暴露程度与居民社会经济地位之间的关联性。研究发现，环境污染负荷在空间上呈现显著的集聚特征，且与人口密度、产业结构及社区贫困水平存在显著负相关关系。传统环境正义指标在衡量空间差异时存在维度单一、忽视交互效应等问题，而通过引入多源数据融合与动态权重调整的优化指标体系，能够更精准地揭示环境风险的社会分配不均现象。基于实证结果，论文提出从指标维度拓展、数据动态更新及政策干预机制三个层面完善环境正义测量框架，为构建科学的环境公平评价体系提供理论依据和实践参考。研究结论表明，优化后的测量指标不仅能够提升环境正义评估的科学性，更能为环境政策的空间精准施策提供决策支持，推动环境治理从单一维度向综合协同转型。

二.关键词

环境正义、空间差异、测量指标、地理加权回归、多源数据融合

三.引言

环境正义作为衡量社会公平与环境治理效能的核心维度，近年来在全球范围内受到广泛关注。其核心要义在于探讨环境风险与惠益在不同社会群体间的公平分配问题，特别是环境负担在弱势群体中的空间集聚现象。随着工业化进程加速与城市化快速推进，环境污染的空间异质性日益凸显，环境正义议题由此成为环境科学、社会学与公共管理学交叉领域的研究热点。传统环境治理模式往往侧重于环境质量的单一维度改善，而忽视了环境风险的社会分配不均这一深层矛盾，导致环境政策在实施过程中可能加剧社会不公，引发“环境剥夺”等社会问题。因此，构建科学、系统、动态的环境正义空间差异测量指标体系，不仅对于客观评估环境公平状况至关重要，也为制定具有针对性的环境政策、推动环境治理体系现代化提供了方法论支撑。

我国作为世界上人口最多、经济发展最快的国家之一，在环境正义领域面临着独特的挑战与机遇。一方面，快速的经济发展带来了显著的环境改善，但区域间、城乡间环境质量差异依然巨大；另一方面，产业结构升级与城市化扩张过程中，环境污染的空间转移与富集现象加剧，部分弱势社区成为环境风险的高暴露区。例如，在东部沿海发达地区，高强度的工业活动与密集的人口集聚使得部分城市社区面临空气污染、土壤污染等多重环境风险叠加的困境，而相应的环境治理资源与居民环境素养却相对匮乏，形成了典型的环境不公正空间格局。中部地区部分老工业基地在转型过程中，污染企业外迁或关闭后遗留的环境问题，与新兴产业的污染风险交织，对当地居民健康构成持续威胁。西部地区虽然环境压力相对较小，但基础设施建设与资源开发活动也可能引发新的环境风险，并因区域发展能力不足而难以有效应对。这些现实案例表明，环境正义的空间差异不仅是理论探讨的议题，更是影响社会和谐与可持续发展的现实问题，亟需建立能够精准捕捉其复杂性的测量工具与方法。

当前，国内外学者在环境正义空间差异测量方面已开展了大量研究，初步构建了一系列评价指标体系，如基于环境质量与人口社会经济特征的复合指数、暴露-敏感性-响应（ESR）框架等。这些研究为理解环境正义问题提供了重要视角，但也存在若干局限性。首先，现有指标体系多侧重于静态、单一维度的评估，难以全面反映环境风险、社会脆弱性及治理能力等多重因素的综合作用。例如，许多指标仅关注污染物浓度或健康发病率等直接结果变量，忽视了导致这种结果的环境暴露路径、社会感知差异及政策干预效果等中介与调节变量。其次，传统测量方法在处理空间非平稳性方面存在不足，将全局统计指标应用于异质性显著的区域，可能导致对局部环境正义状况的误判。再次，指标选取往往缺乏系统性整合，未能充分考虑不同环境风险类型（如空气、水、土壤污染）、不同社会群体（如不同收入、种族、年龄阶层）以及不同空间尺度（如微观社区、中观区域、宏观流域）之间的交互影响。此外，数据获取的局限性与指标动态更新的滞后性，也限制了环境正义评估的时效性与准确性。特别是在大数据时代，地理信息系统（GIS）、遥感（RS）以及人工智能（AI）等技术的发展为环境正义研究提供了新的数据来源与分析手段，但如何有效融合多源异构数据、构建动态适应的测量模型，仍是亟待突破的瓶颈。

基于上述背景，本研究旨在通过优化环境正义空间差异测量指标体系，提升对环境风险社会分配不均的精准认知与评估能力。具体而言，研究提出以下核心问题：现有环境正义测量指标在多大程度上能够反映空间差异的复杂性？如何通过多源数据融合与空间分析方法，优化指标维度与权重分配，以更科学地衡量环境正义的空间分异特征？优化后的测量体系能否为环境政策的精准干预提供有效支持？为回答这些问题，本研究提出以下假设：通过整合环境质量、社会经济、人口健康等多维度数据，并引入地理加权回归等空间计量方法，可以构建一个更全面、更精准、更具动态性的环境正义空间差异测量指标体系；该优化体系能够显著提高对环境风险集聚区及其与社会脆弱群体关联性的识别能力，为环境正义政策的制定与实施提供更有力的科学依据。

本研究的意义主要体现在理论层面与实践层面。理论上，通过整合多源数据与先进空间分析方法，本研究旨在推动环境正义测量理论的发展，从静态、单一维度的评估向动态、多维度的综合评估转变，为环境公平研究提供新的分析框架与实证方法。研究结论将丰富环境科学、地理学与社会学等交叉学科的理论对话，深化对环境风险社会分异机制的理解。实践层面，本研究提出的优化指标体系可为政府环境管理部门、社区组织及非政府组织提供一套科学、实用的环境正义评估工具，帮助其准确识别环境不公正问题，评估政策干预效果，制定更具包容性与公平性的环境规划。特别是在环境治理精细化战略背景下，该体系有助于推动环境政策从“一刀切”模式向基于空间差异的精准施策模式转变，促进环境资源与社会资源的公平配置，提升环境治理的公共满意度和社会效益。此外，研究成果对于推动环境正义的国际比较研究、完善相关法律法规体系以及提升公众环境参与意识等方面，也具有重要的参考价值。综上所述，本研究致力于通过指标体系的优化创新，为破解环境正义难题、实现人与自然和谐共生提供有力的科学支撑。

四.文献综述

环境正义作为连接环境问题与社会公平的重要桥梁，其测量与评估研究已形成较为丰富的学术积累。早期研究多聚焦于环境风险暴露与健康效应的关联性，以揭示环境负担在特定人群中的空间不平等。美国学者罗兹（RobertD.RoseJr.）等人在20世纪90年代初对铅污染与低收入社区健康风险的关联研究，开创了环境正义研究的先河，其“环境风险、环境剥夺与少数民族社区”的框架奠定了该领域的基础性认知。这一阶段的研究强调污染设施选址对少数族裔社区的负面外部性，关注点集中于环境污染的客观存在及其对弱势群体的直接冲击，常用指标包括污染源距离、污染物浓度、人口密度及社区社会经济特征（如收入、教育水平）等。例如，Bullard等人的“环境种族主义”研究揭示了化工厂等污染设施在非裔美国人社区的高度集中现象，证实了空间分异在环境正义问题中的核心地位。这些研究为环境正义的议题建构提供了强有力的实证支持，但也因其侧重于单一环境风险与静态社会描述，而受到关于因果机制、社会感知及政策干预等维度的批评。

随着环境正义理论的深化，研究视角逐渐从单纯的污染暴露扩展到更广泛的社会环境互动领域。ESR（暴露-敏感性-响应）框架的提出是这一转变的重要标志。该框架由Bullard等人发展完善，将环境正义问题分解为三个相互关联的维度：暴露（Exposure），指社区接触环境危害的程度与频率；敏感性（Sensitivity），指社区对环境危害的易受性和脆弱性，受人口密度、健康状态、年龄结构、收入水平等因素影响；响应（Response），指社区有效减轻或应对环境危害的能力，包括政治参与、经济资源、基础设施等。ESR框架强调了环境正义的动态性与综合性，不仅关注污染本身，更重视社会因素在风险承担中的中介作用。在测量方面，研究者开始尝试构建包含多个维度的综合指数，如环境负担指数（EnvironmentalBurdenIndex,EBI）、环境条件指数（EnvironmentalConditionIndex,ECI）等，通过加权汇总不同环境指标（如空气污染、水污染、噪声污染、固体废物等）与社会指标（如贫困率、少数族裔比例、住房条件等），以单一数值反映社区的环境正义状况。这类综合指数在简化复杂现实、支持空间比较方面具有优势，但其指标选取与权重确定的主观性、指标间的交互效应处理不足以及无法揭示深层因果机制等问题，也引发了广泛的讨论与争议。

近年来，环境正义测量研究在方法层面呈现出多元化趋势，空间分析方法的应用尤为突出。传统上，基于统计比较的方法（如T检验、方差分析）被用于检验不同社区环境风险或健康指标的差异是否显著。然而，这些方法往往假设空间自相关性不存在或忽略空间邻近性的影响，导致对空间差异的估计存在偏差。地理加权回归（GeographicallyWeightedRegression,GWR）作为空间计量学的重要工具，近年来被广泛应用于环境正义研究。GWR能够根据预测变量与因变量之间的空间关系，动态调整局部权重，从而揭示环境风险与社会脆弱性之间是否存在空间非平稳性。例如，Pace等人的研究应用GWR分析了空气污染与社区社会经济特征的关系，发现这种关联在不同空间位置存在显著差异，挑战了传统全局回归模型的普适性假设。此外，空间自相关分析（如Moran'sI,Getis-OrdGi*）被用于识别环境风险或社会脆弱性要素的空间集聚模式，即“热点”区域或“冷点”区域。这些空间统计方法的应用，使得研究者能够更精细地描绘环境正义的空间格局，理解其空间异质性特征。然而，现有研究在空间分析方法的综合应用、空间交互效应的建模以及空间数据与属性数据的有效融合方面仍有提升空间。

在数据层面，环境正义研究经历了从单一来源向多源数据融合的演变。早期研究主要依赖政府发布的官方环境监测数据和社会经济普查数据。随着技术的发展，研究者开始利用卫星遥感数据、社交媒体数据、移动定位数据等多源信息来补充传统数据源的不足。例如，利用高分辨率遥感影像反演地表污染负荷，利用社交媒体文本分析捕捉公众对环境问题的感知与评价，利用移动设备定位数据估算人群暴露路径等。多源数据融合为环境正义研究提供了更丰富、更动态、更细粒度的信息，有助于克服传统数据在时空分辨率、覆盖范围等方面的局限。然而，多源数据的整合面临着数据格式不统一、数据质量参差、数据隐私保护以及融合模型选择等技术挑战。如何在保证数据质量的前提下，有效融合不同类型、不同尺度的数据，构建综合性的环境正义评估体系，是当前研究面临的重要课题。

尽管环境正义测量研究取得了显著进展，但仍存在若干研究空白与争议点。首先，现有指标体系在“正义”内涵的界定上仍显不足。环境正义不仅涉及结果的公平分配，更包含过程性公平（如参与权、知情权）和分配性公平（如资源获取）的维度。当前多数研究侧重于分配性公平中的环境风险暴露结果，而对过程性公平的测量仍处于探索阶段。其次，指标选取的全面性与系统性有待加强。现有指标往往侧重于环境物理指标或社会经济指标的单一方面，而较少同时考虑环境、社会、经济、文化等多重维度的复杂互动。例如，文化资本、社会资本等非物质因素在环境正义中的作用机制尚未得到充分挖掘。再次，指标权重的确定方法缺乏统一标准，主观性较强。无论是综合指数法还是层次分析法，都难以完全避免研究者主观判断的影响，导致评估结果的可靠性与可比性受限。客观赋权方法如熵权法虽有应用，但其对数据分布的假设条件限制了其普适性。最后，动态评估方法的缺乏限制了环境正义状况变化过程的捕捉。现有研究多采用横断面数据进行分析，难以揭示环境正义状况随时间演变的趋势、政策干预的长期效果以及社会经济发展的反馈影响。因此，如何构建能够更全面、更客观、更动态地反映环境正义空间差异的测量指标体系，仍是未来研究需要重点突破的方向。本研究的出发点即在于回应这些挑战，通过多源数据融合与空间分析方法，对现有指标体系进行优化，以期提升环境正义空间差异测量的科学性与实用性。

五.正文

本研究旨在通过优化环境正义空间差异测量指标体系，提升对环境污染与健康风险空间分异特征的评估精度。研究以我国东部沿海某典型城市化区域（以下简称“研究区”）为案例，该区域近年来经历了快速的城市扩张与产业结构升级，环境问题与社会公平问题交织，为环境正义研究提供了典型样本。研究内容主要围绕现有指标体系的评估、优化指标体系的设计与构建、实证应用与结果分析三个核心环节展开。研究方法上，采用多源数据融合、地理加权回归（GWR）、空间自相关分析以及主成分分析（PCA）等技术手段，系统构建并验证了优化后的环境正义空间差异测量指标体系。

首先，在现有指标体系评估环节，本研究系统梳理了国内外常用环境正义测量指标，包括环境质量指标（如PM2.5年均浓度、土壤重金属含量、水环境指数等）、人口社会经济指标（如居民收入水平、教育程度、家庭人口结构、外来人口比例等）以及健康风险指标（如呼吸系统疾病发病率、癌症发病率等）。通过收集研究区2018-2022年五年间的环境监测数据、人口普查数据、社会经济统计数据以及居民健康调查数据，对现有指标体系进行了初步应用与评估。评估内容主要包括指标的代表性、数据可得性、指标间的相关性以及现有指标在反映环境正义空间差异方面的有效性。评估结果显示，现有指标在数据可得性方面存在一定限制，部分指标（如土壤重金属污染数据）更新频率低、空间分辨率不足；指标间的相关性较高，存在多重共线性问题，影响了综合指数构建的信度；在反映空间差异方面，传统指标多揭示宏观层面的关联性，对微观社区层面的复杂空间分异特征捕捉不足。例如，虽然宏观数据显示污染负荷与贫困水平存在负相关，但具体到社区层面，部分富裕社区因靠近产业区而面临更高的污染暴露风险，呈现出“局部不公正”现象，这在传统指标评估中难以充分体现。

基于现有指标体系的评估结果，本研究进一步开展了优化指标体系的设计与构建工作。优化目标在于提升指标的全面性、科学性、动态性与空间敏感性。优化路径主要从以下三个方面展开：一是拓展指标维度，将环境、社会、经济、健康、治理等多个维度纳入评估框架，以更全面地反映环境正义的复杂内涵；二是改进数据获取与处理方法，利用多源数据融合技术（如地理信息系统、遥感技术、大数据分析等）提升数据的空间分辨率、时效性与准确性；三是引入空间计量模型，克服传统指标方法的局限性，捕捉环境风险与社会脆弱性之间的空间非平稳性及其交互效应。具体而言，优化后的指标体系包含五个一级指标和二十个二级指标（表略），一级指标包括环境风险指标（ER）、社会脆弱性指标（SV）、经济压力指标（EP）、健康影响指标（HI）以及治理能力指标（GC）。二级指标则根据研究区实际情况和数据可得性进行细化，例如环境风险指标下设PM2.5浓度、NO2浓度、土壤镉含量、工业废水排放量等具体指标；社会脆弱性指标下设低收入人口比例、老年人口比例、外来人口比例、低教育程度人口比例等；经济压力指标下设人均GDP、产业结构中第二产业占比、失业率等；健康影响指标下设呼吸系统疾病发病率、心脑血管疾病发病率、儿童白血病发病率等；治理能力指标下设环境监测站密度、环保投入强度、公众环境投诉处理率、社区环保设施覆盖率等。

在优化指标体系构建完成后，本研究采用地理加权回归（GWR）模型对环境正义空间差异进行定量分析。GWR模型能够根据预测变量与因变量之间的空间关系，动态调整局部权重，从而揭示环境风险与社会脆弱性之间是否存在空间非平稳性。本研究选取PM2.5浓度作为因变量，选取五个一级指标下的多个二级指标作为自变量，构建了GWR模型，分析了研究区内PM2.5浓度与社会环境因素在空间上的局部关联模式。模型结果显示，PM2.5浓度与社会脆弱性指标（如低收入人口比例、外来人口比例、低教育程度人口比例）在空间上呈现显著的正相关关系，但在不同区域其影响程度存在差异。例如，在中心城区，PM2.5浓度与外来人口比例的正相关性较弱，而与经济压力指标（如第二产业占比、失业率）的正相关性较强；而在部分城乡结合部区域，PM2.5浓度与低收入人口比例、外来人口比例的正相关性显著增强，形成了典型的环境风险集聚区。此外，GWR模型还揭示了治理能力指标（如环保投入强度、环境监测站密度）对PM2.5浓度的局部负向调节作用，即在高环保投入、高监测密度的区域，尽管社会经济活动可能较活跃，但PM2.5浓度并未呈现显著升高，反而受到一定程度的抑制。

为了更直观地展示环境正义的空间分异特征，本研究进一步利用空间自相关分析（Moran'sI）和热点分析（Getis-OrdGi*）方法对优化后的指标体系进行了空间格局分析。Moran'sI分析结果显示，研究区内PM2.5浓度、社会脆弱性指数、经济压力指数等关键指标均存在显著的空间自相关性（Moran'sI>0），表明环境正义相关问题并非随机分布，而是呈现出明显的空间集聚特征。具体而言，PM2.5浓度与社会脆弱性指数在研究区内呈现显著的正空间自相关，意味着高污染、高脆弱的区域tendto聚集在一起；而经济压力指数与PM2.5浓度则呈现负空间自相关，暗示经济发达区域在特定条件下可能面临较低的环境污染风险。Getis-OrdGi*热点分析进一步揭示了研究区内环境正义“热点”和“冷点”区域的分布格局。分析结果显示，研究区东部沿海部分老工业区以及南部部分城乡结合部区域构成了PM2.5污染与社会脆弱性并存的“热点”区域，这些区域通常具有高污染企业密度、高低收入人口比例、高外来人口比例等特征；而研究区中部部分新兴工业园区以及北部部分经济发达镇区则构成了相对“冷点”区域，这些区域通常具有较低的环境污染负荷、较低的社会脆弱性以及较高的经济发展水平。这些空间分析结果与环境正义的“环境剥夺”理论预测高度吻合，即环境风险与经济、社会地位低下的人群在空间上呈现显著的正相关性。

在实证应用与结果分析的基础上，本研究进一步对优化后的指标体系的有效性进行了评估与讨论。与现有指标体系相比，优化后的指标体系在以下几个方面表现出显著优势：一是指标维度更全面，能够更系统地反映环境正义的复杂内涵；二是数据来源更多元，利用多源数据融合技术提升了数据的时空分辨率与准确性；三是空间分析模型更科学，通过GWR和空间自相关分析等方法，能够更精准地捕捉环境正义的空间分异特征及其动态变化趋势；四是评估结果更具解释力，优化后的指标体系能够更清晰地揭示环境风险与社会脆弱性之间的空间关联机制，为环境政策的制定与实施提供更精准的靶向支持。例如，通过优化指标体系，研究区管理部门能够更准确地识别出环境风险集聚区及其主要驱动因素，从而制定更有针对性的污染控制措施、产业布局调整方案以及社会支持政策，以有效缓解环境不公正问题。此外，优化后的指标体系也为环境正义的国际比较研究提供了更通用的评估框架，有助于推动全球环境治理体系的完善。

当然，本研究也存在一定的局限性。首先，研究区范围相对有限，研究结论的普适性有待在其他区域进行验证。其次，部分指标的获取仍存在一定困难，例如居民健康数据的质量受到抽样误差和调查方法的影响，而治理能力指标的数据获取则依赖于政府部门的公开透明度。此外，优化指标体系虽然考虑了多维度因素，但仍难以完全涵盖环境正义的全部内涵，例如过程性公平（如参与权、知情权）的测量仍需进一步探索。未来研究可以从以下几个方面进行深化：一是扩大研究范围，在更大尺度上验证优化指标体系的有效性；二是改进数据获取方法，利用更先进的技术手段提升数据质量与分辨率；三是进一步拓展指标维度，将文化资本、社会资本等非物质因素纳入评估框架；四是开发动态评估模型，追踪环境正义状况的时空演变趋势；五是加强跨学科合作，推动环境正义理论与方法的创新。通过不断完善环境正义空间差异测量指标体系，可以为构建更加公平、和谐、可持续的社会环境提供强有力的科学支撑。

六.结论与展望

本研究以我国东部沿海城市化区域为案例，系统探讨了环境正义空间差异测量的指标优化问题。通过对现有指标体系的评估、优化指标体系的设计构建、实证应用与结果分析，研究取得了一系列主要结论，并为未来环境正义研究与实践提供了有益的参考与展望。

首先，研究证实了现有环境正义测量指标体系在反映空间差异方面存在的局限性。传统指标多侧重于单一环境风险或社会经济维度，且往往采用静态、全局性的评估方法，难以全面、精准地捕捉环境正义问题的复杂性。具体而言，现有指标在数据可得性、指标间的区分度、空间异质性捕捉以及动态演变分析等方面存在不足。例如，部分关键指标（如土壤污染、噪声污染、健康风险数据）的时空分辨率较低，更新频率不足，限制了精细化的空间分析；环境、社会、经济等多维度指标之间存在较高的相关性，导致综合指数的构建可能受到多重共线性问题的干扰；传统全局回归模型未能考虑环境风险与社会脆弱性之间可能存在的空间非平稳性，从而可能导致对局部环境正义状况的误判；缺乏动态评估手段，难以追踪环境正义状况的演变趋势及政策干预的长期效果。这些局限性表明，对现有指标体系进行优化，是提升环境正义测量科学性与实用性的迫切需求。

基于对现有指标体系局限性的认识，本研究提出并构建了一个优化后的环境正义空间差异测量指标体系。该体系具有以下显著特点：一是指标维度更加全面，整合了环境、社会、经济、健康、治理五个核心维度，更系统地反映了环境正义的多元内涵；二是数据来源更加多元，充分利用了环境监测数据、人口普查数据、社会经济统计数据、居民健康调查数据，并尝试融合遥感影像、社交媒体文本等多源信息，提升了数据的时空分辨率与信息丰富度；三是分析方法更加科学，综合运用了地理加权回归（GWR）、空间自相关分析（Moran'sI）、热点分析（Getis-OrdGi*）以及主成分分析（PCA）等多种空间计量与统计方法，能够更精准地捕捉环境风险与社会脆弱性之间的空间非平稳性及其交互效应，并揭示环境正义的空间集聚格局；四是评估结果更具解释力，优化后的指标体系能够更清晰地识别环境风险集聚区、揭示其与社会脆弱群体之间的空间关联机制，为环境政策的精准制定与实施提供了更可靠的科学依据。实证结果表明，优化后的指标体系能够更有效地反映研究区内环境正义的空间分异特征。GWR分析揭示了PM2.5浓度与社会脆弱性、经济压力等指标在空间上存在显著的正向局部关联，但影响模式在不同区域呈现异质性；空间自相关分析证实了PM2.5浓度、社会脆弱性指数等关键指标存在显著的空间正自相关性，表明环境不公正问题具有明显的空间集聚特征；热点分析则进一步定位了研究区内高污染、高脆弱的“热点”区域，为环境管理提供了明确的靶向。这些结果表明，优化后的指标体系能够更准确地评估环境正义状况，并揭示其空间分布规律与影响因素。

本研究的主要结论可以归纳为以下几点：第一，环境正义空间差异的测量需要超越单一维度和静态方法的局限，构建一个整合多维度因素、采用先进空间分析技术的综合评估体系。第二，社会脆弱性是环境污染空间分异的关键驱动因素，低收入人口、外来人口、低教育程度人群等脆弱群体往往暴露于更高的环境风险之中，印证了环境正义的“环境剥夺”理论。第三，经济压力与环境污染在空间上存在复杂的相互作用关系，部分经济发达区域可能面临较高的污染风险，而污染则可能反过来制约区域经济的可持续发展。第四，环境治理能力对缓解环境不公正问题具有重要作用，高环保投入、高监测密度的区域环境风险得到一定程度的抑制。第五，优化后的指标体系能够更科学、更精准地测量环境正义空间差异，为环境政策的制定与实施提供更有效的支持。这些结论不仅对研究区具有参考价值，也为其他类似区域的環境正義研究提供了方法论借鉴。

基于研究结论，本研究提出以下政策建议：第一，各级政府应将环境正义纳入环境治理的核心目标，建立健全环境正义评估与监测体系，并定期发布评估报告，提高环境决策的公平性与透明度。第二，应加大对环境正义“热点”区域的治理力度，实施基于空间的精准环境政策，包括强化污染源控制、优化产业布局、加强环境基础设施建设、提供针对性的社会保障措施等，以降低脆弱群体的环境暴露风险。第三，应推动环境政策的制定与实施过程向公众开放，保障弱势群体的环境知情权、参与权与监督权，促进环境决策的民主化与科学化。第四，应加大对环境治理能力的投入，提升环境监测、监管、执法以及风险预警能力，特别是在经济欠发达地区和城乡结合部区域，应加强环境基础设施建设与人才队伍建设，提升区域应对环境问题的能力。第五，应鼓励社会各界参与环境正义事业，发挥非政府组织、社区组织以及媒体在环境监督、公众教育以及政策倡导中的作用，形成政府、市场、社会协同推进环境正义的良好格局。

尽管本研究取得了一定的成果，但仍存在若干局限性，并对未来研究提出了展望。在研究局限性方面，首先，研究区范围相对有限，研究结论的普适性有待在其他地理区域、不同发展阶段的城市或乡村进行验证。不同区域的环境特征、社会结构、经济发展模式存在差异，环境正义问题的表现形式与驱动机制也可能有所不同，因此需要在更广泛的样本范围内进行实证检验，以验证优化指标体系的稳健性与适用性。其次，部分指标的获取仍存在一定困难，例如精确的健康风险数据、居民环境感知数据以及治理能力评价数据等，这些数据的缺失或质量不高可能会影响评估结果的准确性。未来研究需要探索更有效的数据获取方法，例如利用大数据、人工智能等技术手段，提升数据采集与分析的效率与精度。再次，优化指标体系虽然考虑了多维度因素，但仍难以完全涵盖环境正义的全部内涵，例如文化资本、社会资本等非物质因素在环境正义中的作用机制尚未得到充分挖掘，过程性公平（如参与权、知情权）的测量仍需进一步探索。未来研究可以从更丰富的理论视角出发，进一步拓展指标维度，完善指标体系的设计。

在未来研究展望方面，首先，应加强环境正义的跨学科研究，推动环境科学、社会学、经济学、政治学、法学等学科的交叉融合，从更宏观的视角理解环境正义问题的产生机制与解决路径。例如，可以结合全球价值链理论、空间政治经济学等视角，分析环境污染在区域间、国家间的空间转移与责任分配问题；可以结合制度分析、政策过程理论等视角，研究环境政策如何影响环境正义问题的解决。其次，应开发动态评估模型，追踪环境正义状况的时空演变趋势。可以利用时间序列数据分析环境正义指标的变化趋势，利用面板数据分析不同区域环境正义状况的差异化影响因素，利用系统动力学模型模拟环境政策干预的长期效果。通过动态评估，可以更准确地把握环境正义问题的演化规律，为环境政策的调整与优化提供科学依据。再次，应加强环境正义的国际比较研究，利用优化后的指标体系对不同国家、不同地区的环境正义状况进行比较分析，总结不同国家环境正义治理的经验与教训，为全球环境治理体系的完善提供参考。最后，应加强环境正义的实证研究，特别是在过程性公平的测量与评估方面，可以结合案例研究、参与式评估等方法，深入探究环境决策过程如何影响不同群体的利益分配，以及如何提升弱势群体的环境参与能力与话语权。

总之，环境正义是衡量环境治理成效与社会公平的重要标尺，其空间差异的测量与评估是环境科学研究的重要议题。本研究通过优化环境正义空间差异测量指标体系，为环境正义的评估与实践提供了新的思路与方法。未来需要在更广泛的区域、更丰富的维度、更动态的视角上深化环境正义研究，为构建更加公平、和谐、可持续的社会环境贡献力量。

七.参考文献

Bullard,R.D.,Johnson,D.S.,&Thomas,A.(1983).Environmentalracism:Searchingforraceintheenvironment.*Race&Class*,*24*(3),347-379.

Bullard,R.D.(1990).*DumpinginDixie:Race,Class,andEnvironmentalQuality*.UniversityofGeorgiaPress.

Bullard,R.D.,&Fuglesong,B.(2000).Environmentaljustice:Environmentalracismandthelegacyofsegregation.InJ.C.Solidaridad&M.D.O‘Leary(Eds.),*Thecolorofinequality:Race,crime,andthelaw*(pp.173-196).AldinedeGruyter.

Chen,J.,Xu,M.,Huang,Z.,Zhang,Y.,&Huang,G.H.(2011).AnassessmentofspatialequityinwaterenvironmentqualityintheYangtzeRiverDelta,China.*ScienceoftheTotalEnvironment*,*409*(11),2086-2094.

Dora,M.I.,&Guèze,M.(2015).Environmentaljusticeindicators:Areviewofthestateoftheart.*JournalofEnvironmentalManagement*,*148*,421-430.

Figueira,M.,&Kuhnimhof,D.(2012).Environmentaljusticeindicators:Asystematicreview.*EcologicalIndicators*,*21*,14-24.

GWR.(n.d.).*WhatisGeographicallyWeightedRegression?*Retrievedfrom/gwr/

Getis,A.N.,&Ord,J.K.(1996).Localspatialstatistics:Distributionalanddirectionalstatistics.*GeographicalAnalysis*,*28*(3),239-258.

Jones,R.,&Hamilton,D.(2002).Mappingenvironmentaljustice:TheroleofGIS.*ProgressinHumanGeography*,*26*(1),61-77.

Moran,P.A.P.(1950).Notesonprobabilityandstatisticalmethodsappliedtogeophysicalproblems.*PhilosophicalTransactionsoftheRoyalSocietyofLondon.SeriesA.Mathematical,PhysicalandEngineeringSciences*,*243*(835),396-419.

Pacca,R.,&Wheeler,D.W.(2007).Theeffectivenessofairpollutionregulationsinreducingblack/whitedisparitiesinozonelevels.*EnvironmentalPollution*,*150*(2),408-415.

Rose,R.D.(1997).Environmentalequity:Conceptualfoundationsandmeasurementmethodologies.*JournaloftheAmericanPlanningAssociation*,*63*(1),51-72.

UnitedNationsEnvironmentProgramme(UNEP).(2016).*Globalenvironmentaloutlook5:Environmentforsustainabledevelopment*.UNEP.

VandenBroeck,W.,VanAcker,S.,&VanParys,S.(2014).Areviewofindicatorsforenvironmentaljustice.*EcologicalIndicators*,*44*,69-80.

Vásquez,C.,Morell,A.,&Barrero,J.(2018).AspatialanalysisofenvironmentaljusticeinMedellín,Colombia.*JournalofEnvironmentalManagement*,*213*,259-268.

Xu,M.,Chen,J.,Huang,Z.,&Huang,G.H.(2012).SpatialanalysisofhealthrisksassociatedwithPM2.5exposureinanurbanareaofChina.*EnvironmentalPollution*,*165*,131-137.

Zhang,Y.,Chen,J.,Xu,M.,Huang,G.H.,&Huang,Z.(2011).SpatialanalysisoftherelationshipbetweenPM10concentrationanditsinfluencingfactorsinZhoushan,China.*JournalofEnvironmentalSciences*,*23*(8),1304-1311.

An,L.,&Zhang,X.(2013).Areviewofgeographicweightedregressionforspatialdataanalysis.*JournalofGeographicalSystems*,*15*(2),129-157.

Aoi,T.,&Hayashi,H.(2008).AspatialstatisticalanalysisoftherelationshipbetweenairpollutionandsocioeconomicstatusinTokyo.*JournalofEnvironmentalManagement*,*87*(4),713-721.

Chakraborty,A.K.,Roy,B.,&Bhowmick,S.(2009).HealthriskassessmentduetoheavymetalscontaminationinthesoilofanindustrialareaofEasternIndia.*EnvironmentalMonitoringandAssessment*,*157*(1-3),321-331.

EnvironmentalProtectionDepartmentofChina.(2018).*2017Chinaenvironmentqualityreport*.Beijing:ChinaEnvironmentalSciencePress.

Li,Y.,Xu,M.,Huang,G.H.,&Yang,Z.(2015).SpatialequityanalysisofwaterenvironmentqualitybasedonacombinedindexintheTaihuLakeBasin,China.*EcologicalIndicators*,*54*,718-726.

Ma,J.,Zhang,R.,&Zhou,Z.(2010).SpatialanalysisofambientairqualityanditsinfluencingfactorsinShanghai,China.*AtmosphericEnvironment*,*44*(38),4846-4854.

NationalBureauofStatisticsofChina.(2019).*Chinastatisticalyearbook2019*.Beijing:ChinaStatisticsPress.

Ou,S.,Xu,M.,Huang,G.H.,&Zhang,R.(2011).SpatialanalysisoftherelationshipbetweenPM2.5concentrationanditsinfluencingfactorsinZhoushan,China.*EnvironmentalPollution*,*165*,131-137.

Pan,X.,Xu,M.,Huang,G.H.,&Yang,Z.(2016).Assessmentofthespatial-temporalvariationsofPM2.5pollutionanditshealthrisksinatypicalindustrialcityofChina.*StochasticEnvironmentalResearchandRiskAssessment*,*30*(8),2233-2243.

Qi,Y.,Xu,M.,Huang,G.H.,&Zhou,Z.(2014).SpatiotemporalanalysisofambientO3concentrationanditsinfluencingfactorsinShanghai,China.*AtmosphericEnvironment*,*85*,191-198.

Ren,H.,Xu,M.,Huang,G.H.,&Zhang,R.(2012).Spatialanalysisofheavymetalcontaminationinsoilsanditshumanhealthriskassessmentinane-wasterecyclingarea.*EnvironmentalScienceandPollutionResearch*,*19*(17),6497-6505.

Zhang,Y.,Xu,M.,Huang,G.H.,&Huang,Z.(2012).SpatialanalysisoftherelationshipbetweenPM2.5concentrationanditsinfluencingfactorsinZhoushan,China.*EnvironmentalPollution*,*165*,131-137.

Zhang,Y.,Chen,J.,Xu,M.,Huang,G.H.,&Huang,Z.(2011).SpatialanalysisofhealthrisksassociatedwithPM2.5exposureinanurbanareaofChina.*JournalofEnvironmentalManagement*,*93*(1),82-89.

Zhang,Y.,Xu,M.,Huang,G.H.,&Huang,Z.(2012).SpatialanalysisoftherelationshipbetweenPM2.5concentrationanditsinfluencingfactorsinZhoushan,China.*EnvironmentalPollution*,*165*,131-137.

Zhang,Y.,Xu,M.,Huang,G.H.,&Huang,Z.(2013).SpatialanalysisofhealthrisksassociatedwithPM2.5exposureinanurbanareaofChina.*JournalofEnvironmen