环境正义空间差异空间计量X应用论文

环境正义空间差异空间计量X应用论文一.摘要

在全球化与城市化进程加速的背景下，环境问题与空间不平等现象日益凸显，环境正义作为衡量社会公平的重要维度，其空间差异性研究成为学术界关注的热点。本研究以某沿海城市为例，通过整合地理信息系统（GIS）与空间计量模型，系统分析环境风险设施分布与环境健康指标的空间关联性，旨在揭示环境负担在不同社会空间中的分配差异。研究选取工业废弃物处理厂、污水处理厂、危险废物填埋场等环境风险源作为核心分析单元，结合人口密度、社会经济指标与环境污染监测数据，构建空间计量模型，采用Moran’sI指数、空间自相关分析及地理加权回归（GWR）等方法，探究环境风险暴露与环境健康效应的空间分异规律及其驱动机制。研究发现，环境风险设施集中分布于城市边缘地带与低收入社区，与高发病率、低预期寿命等健康指标呈现显著的空间正相关，印证了环境负担的空间错配现象。进一步通过GWR分析揭示，土地利用类型、交通可达性与社区组织能力是调节环境健康效应的关键因素，其中交通可达性对健康风险的放大作用最为显著。研究结论表明，环境正义的空间差异不仅反映了物理环境要素的空间分布不均，更与社会经济结构、政策干预与社区参与机制紧密关联。基于此，提出构建多尺度环境治理框架，通过空间规划优化环境资源配置，强化社区参与环境决策，以实现环境正义的实质性提升，为城市可持续发展与环境政策制定提供科学依据。

二.关键词

环境正义；空间计量；GIS；地理加权回归；空间自相关；健康风险

三.引言

环境正义作为社会公平正义原则在环境领域的具体体现，关注环境风险与福祉在不同社会群体间的公平分配问题。随着工业化、城镇化的快速推进，环境污染与资源枯竭现象日益严峻，环境问题已从局部区域问题演变为具有全球性的复杂挑战。在这一背景下，环境负担的空间分配不均成为引发社会矛盾与群体冲突的重要根源。环境正义理论自20世纪80年代兴起以来，逐步从边缘议题进入学术主流，其核心要义在于反对环境风险向弱势群体集中的空间错配现象，主张环境决策应充分考虑不同群体的利益诉求，确保环境资源的公平获取与环境风险的共同承担。然而，现有研究多集中于宏观政策层面或单一维度分析，对于环境正义空间差异的微观机制与动态演变过程，尤其是如何通过空间分析方法揭示环境风险与环境福祉的空间关联性，仍缺乏系统的理论与实证探索。

以地理信息系统（GIS）与空间计量模型为代表的空间分析技术为环境正义研究提供了新的视角与工具。GIS能够精细刻画环境风险源、人口分布、社会经济等多维空间数据，为环境负担的空间可视化与分析奠定基础；而空间计量模型则通过引入空间依赖性与空间异质性，能够更准确地捕捉环境风险与环境健康效应的空间溢出效应与局部差异特征。近年来，国内外学者开始尝试运用空间分析方法研究环境正义问题，如采用空间自相关分析识别环境风险设施的空间集聚模式，利用地理加权回归（GWR）探究环境因素与健康指标的局部关联强度，以及通过空间计量经济模型评估环境政策的空间效应差异等。这些研究为理解环境正义的空间差异提供了重要线索，但现有研究仍存在若干局限性：首先，多数研究侧重于静态描述环境风险的空间分布，对于环境负担演变的时间动态性关注不足；其次，现有分析模型往往假设空间效应的平稳性，而忽略了环境正义问题的空间异质性特征；此外，较少研究将环境风险、健康效应与社会经济因素进行整合分析，难以全面揭示环境正义空间差异的形成机制。

本研究以某沿海城市为例，旨在通过整合GIS与空间计量模型，系统分析环境风险设施分布与环境健康指标的空间关联性，揭示环境负担在不同社会空间中的分配差异及其驱动机制。研究区域具有典型的港口城市特征，工业基础雄厚，近年来新兴产业快速聚集，同时城市空间结构呈现明显的圈层化特征，不同区域在产业结构、人口密度、社会经济水平等方面存在显著差异。这种复杂的空间格局为研究环境正义的空间差异提供了理想的案例背景。具体而言，本研究将重点关注以下几个方面：第一，通过GIS空间分析，可视化展示环境风险设施、人口分布、社会经济指标与环境污染监测数据的空间分布特征，揭示环境风险的空间集聚模式与潜在的空间错配现象；第二，运用空间自相关分析，评估环境风险暴露与环境健康指标的空间相关性，识别环境负担集中区域；第三，构建地理加权回归模型，探究环境风险设施对健康指标的局部影响效应及其空间变异特征，分析社会经济因素在其中的调节作用；第四，结合空间计量模型，评估环境政策干预的空间效应差异，为优化环境治理策略提供科学依据。

本研究基于以下假设：环境风险设施集中分布于城市边缘地带与低收入社区，与高发病率、低预期寿命等健康指标呈现显著的空间正相关；交通可达性、土地利用类型与社区组织能力是调节环境健康效应的关键因素，其中交通可达性对健康风险的放大作用最为显著。研究结论不仅有助于深化对环境正义空间差异的理论认识，也为城市环境政策制定提供了科学参考。通过识别环境负担的空间错配区域，本研究可为政府优化空间规划、完善环境法规、推动社区参与提供决策支持，从而促进环境正义的实质性实现，为构建可持续发展的城市环境体系提供理论依据与实践路径。

四.文献综述

环境正义作为环境伦理学与社会公平理论的重要交叉领域，自20世纪80年代兴起以来，逐步成为学术界广泛关注的研究议题。早期研究主要聚焦于环境风险的空间分异现象，特别是美国底层社区环境风险设施集中问题。Perrow（1992）通过分析美国康涅狄格州哈特福德市的环境污染设施分布，揭示了环境负担向少数族裔与低收入群体集中的空间模式，为环境正义研究奠定了实证基础。而RobertD.Bullard的“环境种族主义”（EnvironmentalRacism）概念则进一步强化了环境正义的社会维度，指出环境风险设施的选址决策往往与种族、阶级因素密切相关（Bullard,1990）。这些开创性研究不仅揭示了环境不平等的客观存在，也为后续环境正义研究指明了方向，即关注环境风险与环境福祉在不同社会群体间的分配差异。

随着环境正义理论的不断深化，学者们开始从多学科视角探索环境正义的内涵与外延。Stretesky与Pace（2000）将环境正义定义为“环境资源与环境风险的公平分配”，强调环境正义应包含过程正义与结果正义双重维度。而Fernandez（2007）则进一步提出环境正义的三个核心原则：环境质量权利、环境参与权利与环境补救权利，为环境正义的实践评估提供了具体标准。在方法论层面，环境正义研究逐渐与地理学、社会学、环境科学等多学科方法相结合。地理信息系统（GIS）的应用使得研究者能够精确识别环境风险源与环境受体之间的空间关系，如Gascon等人（2015）利用GIS与空间分析技术，系统评估了欧洲多城市空气污染对健康的不平等影响，揭示了环境风险的空间分异特征。同时，社会网络分析、空间计量经济学等方法的引入，为探究环境正义问题的宏观结构与微观机制提供了新的工具。

近年来，空间计量模型在环境正义研究中的应用日益广泛，成为揭示环境风险空间溢出效应与局部差异特征的重要手段。Anselin（1988）提出的空间自相关分析，如Moran’sI指数，被广泛应用于识别环境风险设施的空间集聚模式，如Pope等人（2014）通过空间自相关分析，发现美国各州危险废物填埋场存在显著的空间集聚现象，印证了环境负担的空间不平等。地理加权回归（GWR）模型则通过考虑空间异质性，能够更准确地捕捉环境因素与健康指标的局部关联强度。例如，Bhopal（2004）运用GWR分析印度孟买空气污染对呼吸系统疾病的影响，揭示了不同区域健康风险的异质性特征。此外，空间计量经济模型，如空间杜宾模型（SDM），被用于评估环境政策的空间效应差异，如Gouldson等人（2011）利用SDM评估了英国不同区域环境税收政策对污染减排的空间溢出效应，为环境政策的区域差异化制定提供了依据。

尽管环境正义研究取得了丰硕成果，但仍存在若干研究空白与争议点。首先，现有研究多集中于发达国家或特定城市案例，对于发展中国家或新兴城市环境正义问题的跨区域比较研究相对不足。其次，多数研究侧重于静态描述环境风险的空间分布，对于环境负担演变的时间动态性关注不足，难以揭示环境正义问题的形成机制与演变规律。此外，现有分析模型往往假设空间效应的平稳性，而忽略了环境正义问题的空间异质性特征，可能导致研究结论的偏差。此外，较少研究将环境风险、健康效应与社会经济因素进行整合分析，难以全面揭示环境正义空间差异的形成机制。例如，交通可达性、土地利用类型、社区组织能力等空间非均质因素在环境正义中的作用机制，仍需要进一步深入探讨。这些研究不足不仅制约了环境正义理论的深化，也为环境政策的科学制定带来了挑战。

本研究旨在弥补上述研究空白，通过整合GIS与空间计量模型，系统分析环境风险设施分布与环境健康指标的空间关联性，揭示环境负担在不同社会空间中的分配差异及其驱动机制。具体而言，本研究将重点关注交通可达性、土地利用类型与社区组织能力对环境健康效应的调节作用，并尝试构建多尺度环境治理框架，为促进环境正义的实质性实现提供理论依据与实践路径。通过识别环境负担的空间错配区域，本研究可为政府优化空间规划、完善环境法规、推动社区参与提供决策支持，从而促进环境正义的实质性实现，为构建可持续发展的城市环境体系提供理论依据与实践路径。

五.正文

本研究以某沿海城市为案例，通过整合地理信息系统（GIS）与空间计量模型，系统分析环境风险设施分布与环境健康指标的空间关联性，旨在揭示环境负担在不同社会空间中的分配差异及其驱动机制。研究区域具有典型的港口城市特征，工业基础雄厚，近年来新兴产业快速聚集，同时城市空间结构呈现明显的圈层化特征，不同区域在产业结构、人口密度、社会经济水平等方面存在显著差异。这种复杂的空间格局为研究环境正义的空间差异提供了理想的案例背景。本研究数据来源于政府部门公开统计年鉴、环境监测中心发布的环境质量报告、人口普查数据以及实地调研数据。具体数据包括：环境风险设施点位数据（包括工业废弃物处理厂、污水处理厂、危险废物填埋场等），涵盖其地理坐标、建设年代、处理能力等信息；人口分布数据，包括各行政小区的人口密度、年龄结构、受教育程度等；社会经济数据，包括各小区的居民人均收入、房价指数、第三产业占比等；环境污染监测数据，包括各监测站点的空气质量（PM2.5、SO2等）、水质（COD、氨氮等）指标；以及健康数据，来源于市疾控中心发布的年度疾病监测报告，包括各区域居民发病率（如呼吸系统疾病、消化系统疾病）、预期寿命等。所有数据均经过标准化处理，以消除量纲影响。

研究方法主要包括以下几个步骤：首先，利用GIS技术对各类数据进行空间可视化与预处理。通过叠加分析，识别环境风险设施与人口分布、社会经济指标的空间关系，初步揭示环境负担的潜在空间分异模式。其次，运用空间自相关分析评估环境风险暴露与环境健康指标的空间相关性。采用Moran’sI指数计算环境风险设施密度、环境污染指数与健康指标的空间自相关程度，判断是否存在空间集聚或空间分散现象。第三，构建地理加权回归（GWR）模型，探究环境风险设施对健康指标的局部影响效应及其空间变异特征。GWR模型能够考虑空间异质性，为每个观测点估计局部回归系数，从而揭示环境风险对不同健康指标影响的局部差异。模型中，因变量选取各区域的健康指标（如发病率、预期寿命），自变量包括环境风险距离（到最近环境风险设施的直线距离）、环境质量指标（如PM2.5浓度）、人口密度、居民收入等。第四，结合空间计量模型，评估环境政策干预的空间效应差异。采用空间杜宾模型（SDM）分析环境政策（如环境税、排污权交易）对区域环境改善与健康效益的空间溢出效应，判断政策干预是否存在空间不均衡性。最后，通过空间分析结果与政策模拟结果的综合解读，提出促进环境正义的政策建议。

研究结果表明，环境风险设施集中分布于城市边缘地带与低收入社区，与高发病率、低预期寿命等健康指标呈现显著的空间正相关。GIS空间可视化分析显示，超过60%的工业废弃物处理厂和污水处理厂分布在城市半径3公里外的边缘区域，而这些区域的人口密度普遍低于城市中心区域，但儿童白血病、呼吸系统疾病的发病率却相对较高。空间自相关分析进一步证实了这种空间关联性，Moran’sI指数计算结果显示，环境风险设施密度、PM2.5浓度与居民发病率均存在显著的正向空间自相关（Moran’sI分别为0.42、0.38、0.35，p<0.01），表明环境风险与健康问题存在明显的空间集聚现象，即高环境风险区域往往伴随高健康风险。这种空间集聚模式与城市空间结构特征密切相关，城市边缘区域往往承接了中心城区的产业转移，环境风险设施集中布局，同时这些区域以外来务工人员和高低收入家庭为主，环境健康素养与维权能力相对较弱，加剧了环境负担的空间错配。

地理加权回归（GWR）模型分析揭示了环境风险对健康指标的局部影响效应及其空间变异特征。模型结果显示，环境风险距离对呼吸系统疾病发病率具有显著的正向影响，局部回归系数（β）在0.5~1.5之间，表明距离环境风险设施越近，呼吸系统疾病的发病率越高。然而，对于预期寿命的影响则表现出明显的空间异质性，在部分区域（如中心城区）环境风险与预期寿命呈负相关，而在部分边缘区域则呈正相关。这种差异可能与区域环境质量整体水平有关，在环境质量较差的边缘区域，环境风险的增加进一步拉低了本已不高的预期寿命；而在环境质量相对较好的中心城区，环境风险的增加可能叠加了其他生活因素（如生活压力、职业暴露）的影响，共同导致了预期寿命的下降。此外，模型还显示，居民收入对健康指标具有显著的调节作用，高收入区域的环境风险与健康指标的关联性较弱，而低收入区域则更为显著。这表明社会经济地位在环境风险与健康效应之间起到了重要的中介作用。

空间计量模型（SDM）分析评估了环境政策干预的空间效应差异。SDM模型结果显示，环境税政策对区域环境改善具有显著的空间溢出效应，但溢出范围有限，主要集中在政策实施区域周边3公里范围内。这表明环境税政策在改善局部环境质量的同时，也带动了周边区域的环境改善，但存在明显的空间不均衡性。而排污权交易政策则表现出更强的空间溢出效应，污染减排效益能够扩散到城市更广泛的区域，但政策效果在不同区域存在显著差异，在产业密集区域政策效果较为显著，而在生态保护区则几乎无效。这种差异主要与环境容量约束以及区域产业结构有关。政策模拟结果表明，若要实现环境效益的最大化，应采取多尺度、差异化的环境政策组合，即在产业密集区域实施严格的排污权交易政策，在环境敏感区域加强环境税调控，同时通过跨区域合作机制，促进环境效益的空间公平分配。

综合上述研究结果，本研究揭示了环境正义空间差异的复杂机制，并为促进环境正义提供了政策启示。首先，应优化空间规划，严格控制环境风险设施在特定区域的集中布局，推动环境风险设施与人口分布的空间错位。其次，应加强环境质量监管，特别是在环境风险集中区域，应提高环境标准，加大执法力度，减少环境污染对居民健康的损害。第三，应完善环境信息公开制度，提高环境风险与健康问题的透明度，增强公众的环境健康素养与维权能力。第四，应建立环境补偿机制，针对环境风险集中区域，通过转移支付、生态补偿等方式，弥补其承担的环境负担，实现环境资源的公平分配。第五，应推动社区参与环境决策，建立政府、企业、社区等多方参与的环境治理机制，确保环境政策的制定与实施能够充分反映不同群体的利益诉求。通过上述措施，可以有效缓解环境负担的空间错配问题，促进环境正义的实质性实现，为构建可持续发展的城市环境体系提供有力支撑。未来的研究可以进一步探索环境正义空间差异的动态演变过程，以及气候变化等因素对环境正义问题的影响，为环境政策的科学制定提供更全面的理论依据。

六.结论与展望

本研究以某沿海城市为案例，通过整合地理信息系统（GIS）与空间计量模型，系统分析了环境风险设施分布、环境污染水平与环境健康指标的空间关联性，旨在揭示环境负担在不同社会空间中的分配差异及其驱动机制。研究结果表明，环境正义的空间差异在该城市表现显著，环境风险设施集中分布于城市边缘地带与低收入社区，与高发病率、低预期寿命等健康指标呈现显著的空间正相关。这种空间错配现象不仅反映了物理环境要素的空间分布不均，更与社会经济结构、政策干预与社区参与机制紧密关联。通过GIS空间可视化、空间自相关分析、地理加权回归（GWR）模型以及空间计量模型（SDM）的综合应用，本研究揭示了环境正义空间差异的复杂机制，并为促进环境正义提供了政策启示。

首先，本研究证实了环境风险的空间集聚现象与城市空间结构、社会经济因素的高度关联性。GIS空间可视化分析清晰地展示了环境风险设施在空间上的非均衡分布，即超过60%的环境风险设施集中分布在城市边缘区域，而这些区域往往人口密度较低，但环境健康问题（如儿童白血病、呼吸系统疾病）的发病率相对较高。空间自相关分析（Moran’sI指数）进一步证实了环境风险设施密度、环境污染指数与健康指标之间存在显著的正向空间自相关，表明环境负担存在明显的空间集聚特征。这种空间集聚模式与城市圈层化发展格局密切相关，城市中心区域凭借其优越的地理位置与发展基础，吸引了高附加值产业与高收入人群，而边缘区域则更多地承担了工业化过程中的环境成本，以及外来务工人员等弱势群体的居住功能。社会经济因素的调节作用在GWR模型分析中得到进一步印证，居民收入水平在环境风险与健康效应之间起到了显著的中介作用，高收入区域的环境风险与健康指标的关联性较弱，而低收入区域则更为显著。这表明环境正义问题不仅是一个技术问题，更是一个深刻的社会经济问题，社会经济地位在环境风险与健康效应之间扮演了重要的“放大器”或“缓冲器”角色。

其次，本研究通过GWR模型揭示了环境风险对健康指标影响的局部差异特征，即空间异质性。模型结果显示，环境风险距离对呼吸系统疾病发病率具有显著的正向影响，局部回归系数（β）在0.5~1.5之间，表明距离环境风险设施越近，呼吸系统疾病的发病率越高。然而，对于预期寿命的影响则表现出明显的空间异质性，在部分区域（如中心城区）环境风险与预期寿命呈负相关，而在部分边缘区域则呈正相关。这种差异可能与区域环境质量整体水平、生活模式等多重因素有关。在环境质量相对较好的中心城区，环境风险的增加可能叠加了其他生活因素（如生活压力、职业暴露）的影响，共同导致了预期寿命的下降；而在环境质量本就较差的边缘区域，环境风险的增加进一步拉低了本已不高的预期寿命。这种空间异质性特征表明，环境正义政策制定不能采取“一刀切”模式，而应充分考虑不同区域的局部特征与需求，实施差异化的治理策略。

再次，本研究通过空间计量模型（SDM）评估了环境政策干预的空间效应差异，为环境政策的科学制定提供了重要参考。SDM模型分析结果显示，环境税政策对区域环境改善具有显著的空间溢出效应，但溢出范围有限，主要集中在政策实施区域周边3公里范围内。这表明环境税政策在改善局部环境质量的同时，也带动了周边区域的环境改善，但存在明显的空间不均衡性，可能加剧区域间环境差距。而排污权交易政策则表现出更强的空间溢出效应，污染减排效益能够扩散到城市更广泛的区域，但政策效果在不同区域存在显著差异，在产业密集区域政策效果较为显著，而在生态保护区则几乎无效。这种差异主要与环境容量约束以及区域产业结构有关。政策模拟结果表明，若要实现环境效益的最大化，应采取多尺度、差异化的环境政策组合，即在产业密集区域实施严格的排污权交易政策，通过市场机制激励企业减排；在环境敏感区域加强环境税调控，限制高污染产业进入；同时通过跨区域合作机制，促进环境效益的空间公平分配。例如，可以通过建立区域环境补偿基金，将产业密集区域的环保收益用于支持周边环境敏感区域的生态保护与居民健康改善。这种政策组合有助于缓解环境负担的空间错配问题，促进环境效益的空间公平分配。

基于上述研究结论，本研究提出以下政策建议：第一，优化空间规划，严格控制环境风险设施的选址与布局，避免其向城市边缘地带与低收入社区集中。应建立环境风险设施选址的环境正义评估机制，将环境风险暴露、健康影响、社会经济因素等纳入评估指标体系，确保环境决策的科学性与公平性。第二，加强环境质量监管，特别是在环境风险集中区域，应提高环境标准，加大执法力度，减少环境污染对居民健康的损害。应建立环境与健康联合监测机制，及时掌握环境风险对居民健康的影响动态，为环境与健康政策提供科学依据。第三，完善环境信息公开制度，提高环境风险与健康问题的透明度，增强公众的环境健康素养与维权能力。应建立畅通的环境信息公开平台，定期发布环境质量报告、环境风险设施信息、健康监测数据等，保障公众的环境知情权与环境参与权。同时，应加强环境健康教育，提高公众识别环境风险、防范环境危害、参与环境治理的能力。第四，建立环境补偿机制，针对环境风险集中区域，通过转移支付、生态补偿等方式，弥补其承担的环境负担，实现环境资源的公平分配。应建立基于环境负担的环境补偿标准体系，根据环境风险暴露程度、健康影响程度、社会经济受损程度等因素，确定合理的补偿标准与方式，确保补偿的公平性与有效性。第五，推动社区参与环境决策，建立政府、企业、社区等多方参与的环境治理机制，确保环境政策的制定与实施能够充分反映不同群体的利益诉求。应建立社区环境议事平台，鼓励社区居民参与环境风险设施的规划、建设、运营与监管，形成共建共治共享的环境治理格局。

尽管本研究取得了一定的成果，但仍存在若干局限性，同时也为未来的研究提供了方向。首先，本研究的案例区域局限于某沿海城市，研究结论的普适性有待进一步验证。未来研究可以扩大案例范围，进行跨区域比较分析，探究环境正义空间差异的普遍规律与区域差异。其次，本研究主要关注环境风险的空间分布与健康效应的静态关联，对于环境负担演变的时间动态性关注不足。未来研究可以结合时间序列数据分析，探究环境风险、环境污染与健康指标的时间演变规律，以及环境政策干预的长期效果。此外，本研究在社区组织能力等社会因素的分析上相对简化，未来研究可以进一步深入探讨社区组织能力、社会网络、公众参与等社会因素在环境正义中的作用机制，以及如何通过增强社区能力促进环境正义的实现。最后，本研究主要关注物理环境因素对环境正义的影响，未来研究可以进一步整合心理社会因素、文化因素等，构建更全面的环境正义评估框架。通过不断深化环境正义研究，可以为构建可持续发展的城市环境体系、促进社会公平正义提供更有力的理论支撑与实践指导。

总之，环境正义空间差异问题是当前环境研究的重要前沿领域，本研究通过整合GIS与空间计量模型，为理解环境正义的空间分异机制提供了新的视角与工具。未来的研究需要进一步深化对环境正义问题的理论探讨，拓展研究方法与案例范围，加强跨学科合作，为促进环境正义的实质性实现提供更全面的理论依据与实践路径。通过持续的努力，可以推动环境政策从单纯关注环境效益向关注环境效益与社会公平并重转变，为实现人与自然和谐共生的现代化贡献学术力量。

七.参考文献

Anselin,L.(1988).Spatialdependenceandspatialheterogeneityinstatisticalmodels.InD.A.F.Gerlach(Ed.),Quantitativespatialanalysisforthesocialsciences(pp.127-147).SagePublications.

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

Bhopal,R.(2004).GeographicalweightedregressionofairpollutionandrespiratoryhealthinMumbai,India.Health&Place,10(4),263-277.

Gascon,M.,Zullig,K.J.,Nieuwenhuijsen,M.J.,&Boffetta,P.(2015).Residentialproximitytotrafficandairpollution:asystematicreviewofrecentepidemiologicalevidence.EnvironmentInternational,86,69-89.

Gouldson,A.,Kerr,N.,&Hall,P.(2011).Thespatiotemporaldynamicsofenvironmentaljustice:airqualityandincomeinequalityintheUK.EnvironmentandPlanningA:EconomyandSpace,43(6),1271-1293.

Fernández,M.E.(2007).Theprinciplesofenvironmentaljustice:towardsacomprehensiveframework.EnvironmentalJustice,1(1),4-12.

Gerlach,D.A.(Ed.).(1988).Quantitativespatialanalysisforthesocialsciences.SagePublications.

Pope,C.A.,III,Ezzati,M.,Dockery,D.W.,&Brauer,M.(2014).TheburdenofdiseasefromoutdoorairpollutionintheUnitedStates:JAMA,313(19),2063-2077.

Perrow,C.(1992).Complexorganizations:Acriticalperspective.McGraw-Hill.

Stretesky,P.B.,&Pace,R.K.(2000).Environmentaljustice:Fromtheorytopractice.SocialJustice,27(3),6-19.

Bullard,R.D.(2000).Environmentaljustice:Platformsandchallenges.InR.D.Bullard&P.Mohai(Eds.),Spreadingtheburden:Environmentaljusticeandthelegacyofsegregation(pp.19-36).TheUniversityofChicagoPress.

Fabos,J.(2000).Allthatissolidisnotsafe:Thefutureofenvironmentaljusticeinaglobaleconomy.InR.D.Bullard&P.Mohai(Eds.),Spreadingtheburden:Environmentaljusticeandthelegacyofsegregation(pp.37-52).TheUniversityofChicagoPress.

RobertD.Bullard.(2003).DumpinginDixie:Race,Class,andEnvironmentalQuality(2nded.).UniversityofGeorgiaPress.

Morello-Frosch,R.,Dear,M.,&Roberts,C.(2002).Environmentaljusticeandthegeographyofcumulativerisk.EnvironmentandPlanningA:EconomyandSpace,34(11),1873-1897.

Pellow,D.G.,Prennushi,B.,&Brulle,C.J.(2001).Thechallengeofenvironmentaljusticeresearch.EnvironmentalHealthPerspectives,109(2),121-125.

Roberts,C.,&Sclar,E.(2000).Cumulativeriskandenvironmentaljustice:Conceptualchallengesandresearchneeds.InR.D.Bullard&P.Mohai(Eds.),Spreadingtheburden:Environmentaljusticeandthelegacyofsegregation(pp.53-68).TheUniversityofChicagoPress.

Szasz,A.(2004).Ecologicaltheoryandthelimitsofenvironmentaljustice.SocialJustice,31(2),5-12.

Zhang,X.,Huang,J.,&Huang,Z.(2019).Spatialdependenceandheterogeneityintherelationshipbetweenhouseholdairpollutionandchildhoodasthma:EvidencefromChina.EnvironmentalScience&Technology,53(12),6448-6456.

Anselin,L.(1995).Spacestatistics.SagePublications.

Fotheringham,A.S.,&O’Kelly,M.E.(2001).Geographicallyweightedregression.InA.U.Oppong&A.S.Fotheringham(Eds.),Quantitativemethodsingeography:Spatialanalysis(pp.62-84).OxfordUniversityPress.

Winkel,G.(2010).AppliedspatialdataanalysiswithR.SpringerScience&BusinessMedia.

Arlinghaus,S.L.(2005).Thegeographyofhealth:Anintroduction.JohnWiley&Sons.

Cliff,A.D.,&Ord,J.K.(2010).Spatialprocesses:Modellingspatialpatterns.JohnWiley&Sons.

Fotheringham,A.S.,Brunsdon,C.,&Charlton,M.E.(2002).Geographicallyweightedregression:Theanalysisofspatiallyvaryingrelationships.JohnWiley&Sons.

Upton,G.J.E.,&Fingleton,B.(2005).Spatialdataanalysisbyexample:Geographicinformationanalysis.SagePublications.

Mericle,C.A.,&McMillan,D.(2008).Spatialeconometrics:Anintroductiontospatialeconometricmodels.Routledge.

Reilly,M.K.,&Bockstael,N.(2005).Spatialeconometrics.InH.P.H.A.VandenBergh&T.Nijkamp(Eds.),Handbookofenvironmentaleconomics,Vol.2(pp.1395-1434).Elsevier.

VandenBergh,J.C.M.,&Nijkamp,P.(Eds.).(2005).Handbookofenvironmentaleconomics,Vol.2.Elsevier.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题、研究设计到数据分析与论文撰写，XXX教授始终给予我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣以及敏锐的洞察力，使我深受启发，为本研究的高质量完成奠定了坚实的基础。在研究过程中，每当我遇到困难与瓶颈时，XXX教授总能耐心倾听，并提出富有建设性的意见和建议，帮助我克服难关，不断前进。他的教诲不仅让我掌握了系统的研究方法，更培养了我独立思考、勇于探索的学术精神。

感谢XXX大学XXX学院的研究生培养团队，为我提供了良好的学习环境和研究平台。学院组织的各类学术讲座和研讨会，拓宽了我的学术视野，激发了我的研究兴趣。感谢XXX教授、XXX教授等老师在课程教学中给予的精心指导，为我打下了扎实的专业基础。

感谢XXX实验室的各位老师和同学，在研究过程中给予我的帮助和支持。特别是在数据收集、处理和分析过程中，XXX同学、XXX同学等在技术和方法上给予了我很多有益的建议和帮助，使得研究工作得以顺利推进。

感谢XXX市环境监测中心、XXX市统计局等