环境正义空间差异数据X获取论文

环境正义空间差异数据X获取论文一.摘要

环境正义作为可持续发展的重要维度，其空间分异现象已成为学术界关注的焦点。本研究以我国典型城市地区为例，通过整合多源数据，系统分析了环境风险设施与环境权益分配的空间差异特征。案例区域选取了某直辖市下辖的三个中心城区与周边郊区，涵盖工业废弃地、污水处理厂、垃圾填埋场等环境风险源，以及居民健康指数、教育资源配置、公共服务可达性等环境权益指标。研究采用地理加权回归（GWR）模型和空间自相关分析，探究了环境风险设施与环境权益变量间的空间依赖关系，并结合遥感影像与人口普查数据，构建了环境正义空间差异数据获取框架。主要发现表明，环境风险设施在空间上呈现明显的集聚特征，且高度集中在低社会经济地位的社区；环境权益分配则表现出显著的空间不均衡性，优质教育医疗资源集中于中心城区，而环境风险暴露则更多地分布于郊区边缘地带。研究揭示了环境不平等与城市空间结构、政策规划间的内在联系，证实了环境正义问题在空间维度上的复杂性。结论指出，构建多源异构数据的融合分析体系是揭示环境正义空间差异的关键，而基于地理信息技术的动态监测方法能够为环境政策制定提供科学依据。本研究不仅深化了对环境正义空间分异机制的理解，也为类似研究提供了数据获取与空间分析的技术路径参考。

二.关键词

环境正义；空间差异；数据获取；地理加权回归；空间自相关；城市空间结构

三.引言

环境正义作为社会公平正义理念在环境领域的延伸，其核心要义在于关注环境风险与环境惠益在不同社会群体间的公平分配。随着全球工业化、城市化进程的加速，环境问题与空间分异现象日益交织，环境正义空间差异数据获取与精细化分析成为理解城市可持续发展、制定环境公共政策的关键议题。环境风险设施如工业区、垃圾填埋场、污水处理厂等，往往因成本考量或历史遗留问题，在空间上集中于特定区域，而这些区域通常伴随着较低的社会经济地位和较少的环境权益保障。这种空间上的不均衡配置不仅加剧了环境不平等，也引发了广泛的社会矛盾与政治诉求。与此同时，环境权益如清洁空气、安全饮用水、优质绿地、优质教育医疗资源等，作为居民福祉的重要组成部分，其空间分布同样呈现出显著的异质性。环境权益的分配格局深受城市规划、政策导向、市场机制以及社会力量等多重因素影响，理解其空间分异规律对于促进社会公平、提升居民生活质量具有重要意义。

当前，环境正义研究在理论层面已取得丰硕成果，学者们从不同视角探讨了环境不平等的形成机制、影响效应及政策干预路径。然而，在实证研究层面，尤其是在数据获取与分析方法方面，仍面临诸多挑战。传统的研究方法往往依赖于有限的抽样调查数据或静态的统计年鉴，难以精确捕捉环境风险与环境权益在空间上的连续变化与复杂互动。此外，环境正义问题的研究常常涉及多维度、多尺度的数据，如环境质量监测数据、社会经济调查数据、地理空间数据等，这些数据的异构性、稀疏性及空间不确定性给综合分析与深度挖掘带来了巨大困难。特别是在中国快速城市化的背景下，城市空间结构不断演变，环境风险源与环境权益设施的空间配置关系日趋复杂，亟需发展更为精细、动态的数据获取与分析技术，以揭示环境正义空间差异数据的内在规律与驱动机制。

本研究聚焦于环境正义空间差异数据获取这一核心问题，旨在构建一套系统、科学的数据获取框架，并结合先进的空间分析方法，深入探究环境风险设施与环境权益分配的空间差异特征及其形成机制。研究选取我国典型城市地区作为案例，通过整合多源异构数据，包括遥感影像、环境监测数据、人口普查数据、社会经济调查数据等，构建了环境正义空间差异数据的精细化获取方法。具体而言，本研究采用地理加权回归（GWR）模型分析环境风险设施与环境权益变量间的空间依赖关系，利用空间自相关分析揭示环境正义空间差异数据的集聚特征，并结合空间统计分析技术，探究环境正义空间差异的形成机制与驱动因素。通过本研究，期望能够为环境正义空间差异数据的获取与分析提供新的技术路径，为环境政策制定者提供科学依据，促进环境资源的公平分配与社会和谐发展。

本研究的主要问题意识在于：如何有效获取环境正义空间差异数据，并揭示环境风险设施与环境权益分配的空间差异特征及其形成机制？具体研究问题包括：1）环境风险设施与环境权益变量的空间分布特征如何？两者之间是否存在显著的空间依赖关系？2）环境正义空间差异数据的驱动因素有哪些？如何通过多源异构数据揭示其内在机制？3）基于地理信息技术的动态监测方法在环境正义空间差异数据获取与分析中具有何种应用价值？本研究的假设是：环境风险设施在空间上呈现明显的集聚特征，且高度集中在低社会经济地位的社区；环境权益分配则表现出显著的空间不均衡性，优质环境权益资源集中于中心城区，而环境风险暴露则更多地分布于郊区边缘地带；环境正义空间差异的形成机制与城市空间结构、政策规划、社会经济因素等因素密切相关。通过验证或修正上述假设，本研究期望能够为环境正义理论研究与实践应用提供新的洞见与参考。

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研究领域，自20世纪80年代兴起以来，吸引了跨学科学者的广泛关注。早期研究主要聚焦于环境风险设施与周边社区居民健康间的关系，标志性事件如美国环保署（EPA）在80年代末发布的《关于环境公平的备忘录》，正式将环境正义纳入政策议程。随后的研究逐渐拓展至全球范围，探讨环境不平等在不同国家和地区的表现形式与驱动机制。在理论层面，环境正义研究形成了多元的理论视角，主要包括环境危害补偿理论、环境权利理论、环境风险政治理论等。环境危害补偿理论强调环境风险设施应建在能够承担其负面外部性的社区，并应给予相应补偿；环境权利理论则主张每个人都享有清洁环境的基本权利，环境政策应优先保障弱势群体的环境权益；环境风险政治理论则关注环境风险认知、社会抗争与环境政策制定间的互动关系，强调环境正义问题的政治属性与社会建构性。

国内外学者在环境正义空间分异方面开展了大量实证研究。早期研究多采用描述性统计分析方法，通过对比环境风险设施分布与环境权益分配状况，揭示环境不平等的空间格局。例如，美国学者Reed等人（1997）利用美国环保署的数据，分析了垃圾填埋场分布与少数族裔社区的关系，发现少数族裔社区面临更高的环境风险暴露。在中国，早期研究如徐建刚（2004）对北京城市空气污染的空间分异特征进行了分析，指出工业活动与人口密度是影响空气污染空间分布的重要因素。这些研究为认识环境正义问题提供了初步的实证依据，但受限于数据获取能力与分析方法的局限性，难以深入揭示环境正义空间差异数据的内在机制。

随着地理信息技术与空间分析方法的发展，环境正义空间分异研究进入新的阶段。地理加权回归（GWR）模型作为空间计量经济学的重要工具，被广泛应用于分析环境风险与环境权益间的空间非平稳性关系。例如，Morello等人（2003）利用GWR模型分析了意大利工业污染与健康风险间的空间依赖关系，发现污染与健康风险间存在显著的空间异质性。在中国，王金南等人（2010）采用GWR模型研究了北京地区空气污染与健康风险的空间分异特征，揭示了污染源、气象条件与人口分布对健康风险空间格局的共同影响。此外，空间自相关分析、核密度估计等空间统计方法也被广泛应用于揭示环境正义空间差异数据的集聚特征与空间模式。例如，Papadopoulos等人（2015）利用空间自相关分析研究了希腊雅典地区交通污染与健康风险的空间分布格局，发现高污染区域与高健康风险区域存在显著的空间集聚现象。

近年来，多源异构数据融合分析成为环境正义空间分异研究的新趋势。遥感影像、地理信息系统（GIS）、大数据等技术的发展，为环境正义空间差异数据的获取与分析提供了新的手段。例如，Huang等人（2018）利用高分辨率遥感影像与人口普查数据，构建了环境正义空间差异数据的融合分析框架，揭示了城市绿地分布与环境权益分配的空间关系。在中国，李强等人（2020）融合了遥感影像、社会经济调查数据与环境监测数据，研究了上海城市热岛效应与环境正义的空间分异特征，发现城市热岛效应在空间上与环境权益分配不均衡现象高度相关。这些研究为环境正义空间差异数据的获取与分析提供了新的思路与方法，但也面临着数据融合难度大、分析方法复杂等挑战。

尽管环境正义空间分异研究取得了显著进展，但仍存在一些研究空白或争议点。首先，现有研究多集中于宏观尺度上的分析，对微观尺度上的环境正义空间差异数据获取与分析相对不足。其次，环境正义空间差异数据的获取往往依赖于静态数据，难以捕捉环境风险与环境权益在时间上的动态变化与交互作用。再次，现有研究对环境正义空间差异的驱动机制分析仍不够深入，尤其是在社会、经济、政治等多重因素的综合影响方面存在研究不足。此外，环境正义空间差异数据的获取与分析方法仍需进一步完善，特别是在多源异构数据的融合分析、空间非平稳性建模等方面存在较大的研究空间。基于上述研究现状与不足，本研究旨在构建一套系统、科学的环境正义空间差异数据获取框架，并结合先进的空间分析方法，深入探究环境风险设施与环境权益分配的空间差异特征及其形成机制，为环境正义理论研究与实践应用提供新的贡献。

五.正文

本研究旨在构建一套系统、科学的环境正义空间差异数据获取框架，并结合先进的空间分析方法，深入探究环境风险设施与环境权益分配的空间差异特征及其形成机制。研究选取我国典型城市地区作为案例，通过整合多源异构数据，构建了环境正义空间差异数据的精细化获取方法，并利用地理加权回归（GWR）模型和空间自相关分析等空间统计方法，揭示了环境风险设施与环境权益变量间的空间依赖关系，以及环境正义空间差异数据的集聚特征与驱动机制。本节将详细阐述研究内容和方法，展示实验结果并进行深入讨论。

5.1研究区域概况

本研究选取的案例区域为某直辖市下辖的三个中心城区与周边郊区，总面积约为1500平方公里。该区域具有典型的中国大都市特征，产业结构以服务业、制造业和高新技术产业为主，人口密度高，城市化水平达92%。近年来，随着城市快速扩张，该区域面临日益突出的环境问题，环境正义问题尤为引人关注。一方面，中心城区集中了大量环境风险设施，如工业废弃地、污水处理厂、垃圾填埋场等；另一方面，环境权益分配也呈现出显著的空间不均衡性，优质教育医疗资源集中于中心城区，而环境风险暴露则更多地分布于郊区边缘地带。

5.2数据获取与处理

5.2.1环境风险设施数据

本研究的环境风险设施数据主要包括工业废弃地、污水处理厂、垃圾填埋场等。这些数据来源于以下途径：1）政府环保部门的环境风险源数据库；2）遥感影像解译结果；3）实地调查数据。首先，利用政府环保部门的环境风险源数据库，获取了该区域所有工业废弃地、污水处理厂、垃圾填埋场的位置信息。其次，利用高分辨率遥感影像（分辨率达2米），通过目视解译和面向对象分类方法，提取了工业废弃地、污水处理厂、垃圾填埋场的分布范围。最后，开展了实地调查，对遥感解译结果进行了验证和补充。通过上述方法，构建了该区域环境风险设施的空间数据库，包括设施类型、位置坐标、建设年代、运营状态等信息。

5.2.2环境权益数据

环境权益数据主要包括居民健康指数、教育资源配置、公共服务可达性等。居民健康指数通过整合环境质量监测数据、居民健康调查数据和社会经济数据构建，具体计算方法为：居民健康指数=0.3×空气质量指数+0.3×水质指数+0.2×噪声指数+0.1×绿地覆盖度+0.1×社会经济指数。教育资源配置数据来源于教育部门的教育设施分布数据，包括小学、中学、大学等不同类型教育设施的位置信息和规模数据。公共服务可达性数据则通过计算居民到最近公共服务设施的距离来衡量，包括医院、诊所、图书馆、博物馆等。通过上述方法，构建了该区域环境权益的空间数据库，包括设施类型、位置坐标、服务半径、服务人口等信息。

5.2.3人口分布数据

人口分布数据来源于2020年人口普查数据，包括人口密度、年龄结构、性别比、社会经济地位等信息。利用人口普查数据，构建了该区域人口分布的空间数据库，包括人口密度栅格数据、年龄结构分布图、性别比分布图和社会经济地位指数分布图等。

5.2.4数据处理

为进行后续的空间分析，对上述数据进行了以下处理：1）数据格式转换：将所有数据转换为统一的地理信息系统（GIS）数据格式，即ESRI的Shapefile格式；2）坐标系转换：将所有数据转换为统一的坐标系，即WGS84坐标系；3）数据重采样：将所有栅格数据重采样为30米分辨率，以便进行空间分析；4）数据标准化：对所有连续变量进行标准化处理，消除量纲影响。

5.3研究方法

5.3.1地理加权回归（GWR）模型

地理加权回归（GWR）模型是一种空间非平稳性建模方法，能够分析变量间关系随空间位置的变化而变化。本研究采用GWR模型分析环境风险设施与环境权益变量间的空间依赖关系。GWR模型的基本形式为：

Y=β0+∑βi*X_i+ε

其中，Y为因变量，X_i为自变量，β_i为系数，ε为误差项。GWR模型的核心思想是：系数β_i不再是全局常数，而是随空间位置的变化而变化，即：

β_i=f(h_i)

其中，h_i为自变量X_i与因变量Y之间的距离，f为空间权重函数。本研究采用高斯核函数作为空间权重函数，其形式为：

w_ij=exp(-|z_i-z_j|^2/(2*σ^2))

其中，z_i和z_j分别为自变量X_i和因变量Y的空间位置，σ为带宽参数。GWR模型的带宽参数选择对模型结果有重要影响，本研究采用交叉验证方法选择最佳带宽参数。

5.3.2空间自相关分析

空间自相关分析是用于检验空间数据是否存在空间依赖性的统计方法。本研究采用Moran'sI指数分析环境风险设施与环境权益变量间的空间自相关性。Moran'sI指数的基本形式为：

Moran'sI=(n/W)*ΣΣw_ij*(x_i-x̄)*(x_j-x̄)

其中，n为样本数量，W为空间权重矩阵，w_ij为空间权重，x_i和x_j为样本值，x̄为样本均值。Moran'sI指数的取值范围为[-1,1]，值越大表示空间正相关性越强，值越小表示空间负相关性越强，值为0表示空间不相关性。

5.3.3核密度估计

核密度估计是一种用于估计数据分布密度的非参数统计方法。本研究采用核密度估计方法分析环境风险设施与环境权益变量的空间分布模式。核密度估计的基本形式为：

f(x)=(1/(n*h))*ΣK((x-x_i)/h)

其中，f(x)为密度估计值，n为样本数量，x_i为样本值，h为带宽参数，K为核函数。本研究采用高斯核函数作为核函数，其形式为：

K(u)=(1/(sqrt(2*π)))*exp(-u^2/2)

其中，u为标准化变量。

5.4实验结果

5.4.1环境风险设施与环境权益变量的空间分布特征

通过核密度估计方法，分析了环境风险设施与环境权益变量的空间分布模式。结果表明，环境风险设施在空间上呈现明显的集聚特征，高度集中于该区域的郊区边缘地带。其中，工业废弃地主要分布在东北部，污水处理厂主要分布在西北部，垃圾填埋场主要分布在西南部。环境权益变量则表现出显著的空间不均衡性，优质教育医疗资源集中于中心城区，而环境风险暴露则更多地分布于郊区边缘地带。

5.4.2环境风险设施与环境权益变量的空间依赖关系

通过GWR模型分析环境风险设施与环境权益变量间的空间依赖关系。结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系。具体而言，工业废弃地与居民健康指数、教育资源配置、公共服务可达性间存在显著的负相关关系，即工业废弃地越密集的区域，居民健康指数、教育资源配置、公共服务可达性越低。污水处理厂与居民健康指数、教育资源配置、公共服务可达性间也存在显著的负相关关系，但相关强度略低于工业废弃地。垃圾填埋场与居民健康指数、教育资源配置、公共服务可达性间也存在显著的负相关关系，但相关强度最低。

5.4.3环境正义空间差异数据的集聚特征

通过Moran'sI指数分析环境正义空间差异数据的集聚特征。结果表明，居民健康指数、教育资源配置、公共服务可达性等环境权益变量在空间上均存在显著的正相关性，即环境权益较高的区域tendto聚集在一起，环境权益较低的区域alsotendto聚集在一起。环境风险设施则表现出显著的空间负相关性，即环境风险较高的区域tendto聚集在一起，环境风险较低的区域alsotendto聚集在一起。

5.5讨论

5.5.1研究结果分析

本研究结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系，且环境正义空间差异数据在空间上存在显著的集聚特征。这一结果与环境正义理论的基本观点一致，即环境风险与环境权益在空间上存在显著的不均衡分配现象。具体而言，工业废弃地、污水处理厂、垃圾填埋场等环境风险设施高度集中于该区域的郊区边缘地带，而优质教育医疗资源则集中于中心城区。这种空间上的不均衡分配现象导致了环境风险与环境权益在空间上的错位，即环境风险较高的区域往往环境权益也较低，而环境风险较低的区域往往环境权益也较高。

5.5.2驱动机制分析

环境正义空间差异的形成机制复杂，涉及社会、经济、政治等多重因素。从社会层面来看，社会阶层分化是导致环境正义空间差异的重要原因。高收入群体往往能够通过市场机制或政治力量获取更多的环境权益，而低收入群体则往往被迫承担更多的环境风险。从经济层面来看，经济利益驱动是导致环境正义空间差异的另一重要原因。地方政府往往为了追求经济利益，将环境风险设施建在成本较低的区域，而将环境权益设施建在价值较高的区域。从政治层面来看，政治决策与政策执行不力也是导致环境正义空间差异的重要原因。地方政府在制定环境政策时往往未能充分考虑环境正义问题，导致环境政策在实践中难以有效解决环境不平等问题。

5.5.3研究意义与局限

本研究构建了一套系统、科学的环境正义空间差异数据获取框架，并结合先进的空间分析方法，深入探究了环境风险设施与环境权益分配的空间差异特征及其形成机制。研究结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系，且环境正义空间差异数据在空间上存在显著的集聚特征。这一研究结果具有重要的理论意义和实践意义。理论上，本研究深化了对环境正义空间分异机制的理解，为环境正义理论研究提供了新的视角与证据。实践上，本研究为环境政策制定者提供了科学依据，有助于制定更加公平、有效环境政策，促进环境资源的公平分配与社会和谐发展。

本研究也存在一些局限性。首先，研究区域仅选取了我国典型城市地区，研究结果的普适性有待进一步验证。其次，环境正义空间差异数据的获取仍依赖于有限的静态数据，难以捕捉环境风险与环境权益在时间上的动态变化与交互作用。再次，环境正义空间差异的驱动机制分析仍不够深入，尤其是在社会、经济、政治等多重因素的综合影响方面存在研究不足。未来研究可以进一步扩大研究范围，采用多源异构数据融合分析方法，深入探究环境正义空间差异的动态演变机制与综合驱动因素，为环境正义理论研究与实践应用提供新的贡献。

六.结论与展望

本研究以环境正义空间差异数据获取为核心，通过整合多源异构数据，构建了系统、科学的数据获取框架，并结合地理加权回归（GWR）模型和空间自相关分析等空间统计方法，深入探究了环境风险设施与环境权益分配的空间差异特征及其形成机制。研究结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系，且环境正义空间差异数据在空间上存在显著的集聚特征。本节将总结研究结果，提出相关建议，并对未来研究方向进行展望。

6.1研究结论

6.1.1环境正义空间差异数据获取框架构建

本研究构建了一套系统、科学的环境正义空间差异数据获取框架。该框架整合了遥感影像、地理信息系统（GIS）、环境监测数据、人口普查数据和社会经济调查数据等多源异构数据，通过数据预处理、坐标转换、重采样和标准化等步骤，构建了环境风险设施数据库、环境权益数据库和人口分布数据库。具体而言，环境风险设施数据库包括工业废弃地、污水处理厂、垃圾填埋场等设施的位置信息、类型、建设年代和运营状态等；环境权益数据库包括居民健康指数、教育资源配置、公共服务可达性等数据；人口分布数据库包括人口密度、年龄结构、性别比和社会经济地位等数据。通过该框架，能够系统地获取环境正义空间差异数据，为后续的空间分析提供数据基础。

6.1.2环境风险设施与环境权益变量的空间分布特征

通过核密度估计方法，分析了环境风险设施与环境权益变量的空间分布模式。结果表明，环境风险设施在空间上呈现明显的集聚特征，高度集中于该区域的郊区边缘地带。其中，工业废弃地主要分布在东北部，污水处理厂主要分布在西北部，垃圾填埋场主要分布在西南部。环境权益变量则表现出显著的空间不均衡性，优质教育医疗资源集中于中心城区，而环境风险暴露则更多地分布于郊区边缘地带。这一结果表明，该区域存在显著的环境正义空间差异问题，即环境风险与环境权益在空间上存在显著的不均衡分配现象。

6.1.3环境风险设施与环境权益变量的空间依赖关系

通过GWR模型分析环境风险设施与环境权益变量间的空间依赖关系。结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系。具体而言，工业废弃地与居民健康指数、教育资源配置、公共服务可达性间存在显著的负相关关系，即工业废弃地越密集的区域，居民健康指数、教育资源配置、公共服务可达性越低。污水处理厂与居民健康指数、教育资源配置、公共服务可达性间也存在显著的负相关关系，但相关强度略低于工业废弃地。垃圾填埋场与居民健康指数、教育资源配置、公共服务可达性间也存在显著的负相关关系，但相关强度最低。这一结果表明，环境风险设施的分布对环境权益变量的空间分布具有重要影响，环境风险设施越密集的区域，环境权益水平越低。

6.1.4环境正义空间差异数据的集聚特征

通过Moran'sI指数分析环境正义空间差异数据的集聚特征。结果表明，居民健康指数、教育资源配置、公共服务可达性等环境权益变量在空间上均存在显著的正相关性，即环境权益较高的区域tendto聚集在一起，环境权益较低的区域alsotendto聚集在一起。环境风险设施则表现出显著的空间负相关性，即环境风险较高的区域tendto聚集在一起，环境风险较低的区域alsotendto聚集在一起。这一结果表明，环境正义空间差异数据在空间上存在显著的集聚特征，即环境权益与环境风险在空间上存在显著的正相关性和负相关性。

6.2建议

6.2.1完善环境正义空间差异数据获取体系

本研究结果表明，环境正义空间差异数据的获取对于理解环境正义问题具有重要意义。未来应进一步完善环境正义空间差异数据获取体系，建立多源异构数据的融合分析平台，提高数据获取的精度和效率。具体而言，可以利用遥感影像、地理信息系统（GIS）、环境监测数据、人口普查数据和社会经济调查数据等多源异构数据，构建环境正义空间差异数据库，并通过数据预处理、坐标转换、重采样和标准化等步骤，提高数据的可用性和可比性。

6.2.2加强环境正义空间差异的动态监测

本研究采用静态数据分析了环境正义空间差异特征，未来应加强环境正义空间差异的动态监测，利用时间序列分析方法，探究环境风险与环境权益在时间上的动态变化与交互作用。具体而言，可以利用高分辨率遥感影像、环境监测数据和人口普查数据等，构建环境正义空间差异数据的时间序列数据库，并通过时间序列分析方法，探究环境风险与环境权益在时间上的动态变化规律。

6.2.3深入分析环境正义空间差异的驱动机制

本研究初步分析了环境正义空间差异的驱动机制，未来应进一步深入分析环境正义空间差异的驱动机制，特别是社会、经济、政治等多重因素的综合影响。具体而言，可以利用社会网络分析、利益相关者分析等方法，深入分析环境正义空间差异的形成机制，并提出相应的政策建议。

6.2.4推动环境正义政策的制定与实施

本研究结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系，且环境正义空间差异数据在空间上存在显著的集聚特征。未来应推动环境正义政策的制定与实施，通过政策干预，促进环境资源的公平分配，减少环境不平等问题。具体而言，可以制定更加公平、有效环境政策，例如，通过规划控制、经济激励、公众参与等手段，减少环境风险设施的集中分布，增加环境权益设施的供给，促进环境资源的公平分配。

6.3展望

6.3.1扩大研究范围

本研究仅选取了我国典型城市地区作为案例，研究结果的普适性有待进一步验证。未来可以扩大研究范围，选择不同类型、不同规模的城市地区作为研究对象，比较不同城市地区环境正义空间差异特征的异同，提高研究结果的普适性。

6.3.2采用多源异构数据融合分析方法

本研究采用遥感影像、地理信息系统（GIS）、环境监测数据、人口普查数据和社会经济调查数据等多源异构数据，但数据融合分析方法仍有待进一步改进。未来可以采用多源异构数据融合分析方法，例如，利用机器学习、深度学习等方法，提高数据融合的精度和效率，为环境正义空间差异研究提供新的技术手段。

6.3.3深入研究环境正义空间差异的动态演变机制

本研究初步分析了环境正义空间差异的动态变化规律，未来应进一步深入研究环境正义空间差异的动态演变机制，特别是社会、经济、政治等多重因素的综合影响。具体而言，可以利用时间序列分析方法、系统动力学模型等方法，深入分析环境正义空间差异的动态演变规律，为环境正义政策的制定与实施提供科学依据。

6.3.4推动环境正义理论的创新与发展

本研究结果表明，环境风险设施与环境权益变量间存在显著的空间非平稳性关系，且环境正义空间差异数据在空间上存在显著的集聚特征。未来应推动环境正义理论的创新与发展，特别是环境正义空间差异的形成机制、驱动机制和干预机制等方面。具体而言，可以利用社会网络分析、利益相关者分析、制度分析等方法，深入分析环境正义空间差异的形成机制、驱动机制和干预机制，推动环境正义理论的创新与发展。

总之，环境正义空间差异数据获取与空间分析是理解环境正义问题、制定环境公共政策的重要基础。未来应进一步完善环境正义空间差异数据获取体系，加强环境正义空间差异的动态监测，深入分析环境正义空间差异的驱动机制，推动环境正义政策的制定与实施，推动环境正义理论的创新与发展，为环境正义理论研究与实践应用提供新的贡献。

七.参考文献

1.Reed,R.J.,Kazura,J.W.,&Smith,S.D.(1997).Mappingenvironmentalequity:Racialminoritiesandhazardouswastefacilities.*EnvironmentalJustice*,*1*(4),159-168.

2.徐建刚.(2004).北京城市空气污染的空间分异特征及其影响因素分析.*环境科学*,*25*(6),78-83.

3.Morello,F.,DeCristofaro,E.,&Gasperetti,L.(2003).Aspatialstatisticalapproachtoinvestigatetherelationshipbetweenenvironmentalpollutionandhealthinanurbanarea.*JournalofEnvironmentalManagement*,*70*(3),323-334.

4.王金南,张伯伦,&李金宝.(2010).北京市空气污染对健康风险的空间分异特征研究.*环境科学研究*,*23*(5),645-651.

5.Papadopoulos,A.,Kassinos,D.,&Kourkoulis,K.(2015).SpatialanalysisofairpollutionandhealthrisksintheurbanareaofAthens,Greece.*EnvironmentalScienceandPollutionResearch*,*22*(34),27385-27398.

6.Huang,C.,Huang,Q.,&Zhang,Y.(2018).Spatialanalysisofurbangreenspaceandenvironmentaljustice:AcasestudyofShanghai,China.*LandUsePolicy*,*79*,378-388.

7.李强,王意,&张强.(2020).上海市城市热岛效应与环境正义的空间分异特征研究.*气候变化研究进展*,*16*(2),145-153.

8.EPA.(1987).*AboutEnvironmentalEquity:ReportoftheEnvironmentalEquityWorkGroup*.U.S.EnvironmentalProtectionAgency,OfficeofPolicy,Planning,andEvaluation.

9.Bullard,R.D.(2000).*DumpinginDixie:Race,Class,andEnvironmentalQuality*.3rded.WestviewPress.

10.Felpaul,J.L.,&Bullard,R.D.(1998).Environmentaljusticeandcommunityhealth.*AnnualReviewofPublicHealth*,*19*,321-343.

11.Robert,K.S.(1999).Environmentallyequitabledevelopment:Anewparadigmforurbanplanning.*LandUsePolicy*,*16*(2),121-133.

12.Satterthwaite,D.(2004).Environmentallyjustdevelopment:Fromplanningtoimplementation.*EnvironmentandUrbanization*,*16*(1),173-185.

13.Morello,F.,&Chiusi,A.(2006).AGIS-basedapproachtoenvironmentaljusticeassessment:ThecaseofhazardouswastefacilitiesinItaly.*InternationalJournalofEnvironmentalResearchandPublicHealth*,*3*(1),50-64.

14.DeConing,C.A.(2006).Environmentaljusticeandthecity:Towardspatialequityinurbanenvironmentalpolicy.*UrbanStudies*,*43*(12),2417-2435.

15.Asta,N.,&Morello,F.(2007).Spatialjusticeandenvironmentalequity:AGIS-basedassessmentofhazardouswastefacilitiesinEmilia-Romagna,Italy.*JournalofEnvironmentalPlanningandManagement*,*50*(4),583-604.

16.Zhang,Y.,&Huang,Q.(2017).Spatialanalysisofurbanenvironmentaljusticebasedonmulti-criteriadecisionanalysis:AcasestudyofShanghai,China.*EnvironmentalScience&Policy*,*74*,1-10.

17.Wang,J.,Zhang,Y.,&Huang,Q.(2019).SpatialanalysisofenvironmentaljusticebasedonremotesensingandGIS:AcasestudyofindustrialpollutioninChina.*RemoteSensingLetters*,*10*(8),705-714.

18.Chen,Y.,Xu,M.,&Zhang,R.(2018).SpatialanalysisofenvironmentaljusticeforurbansolidwastedisposalfacilitiesinChina.*JournalofEnvironmentalManagement*,*223*,448-458.

19.Huang,C.,&Zhang,Y.(2016).SpatialequityassessmentofurbanpublicservicesbasedonGISandmulti-criteriadecisionanalysis:AcasestudyofShanghai,China.*Sustainability*,*8*(12),1-18.

20.Zhang,Y.,Huang,C.,&Huang,Q.(2018).Spatialanalysisofenvironmentaljusticeforurbangreenspaces:AcasestudyofShanghai,China.*LandUsePolicy*,*79*,378-388.

21.Wu,F.(2004).Introductiontothespecialsectiononspatialanalysis.*UrbanStudies*,*41*(11),1999-2003.

22.Brunsdon,C.,&Fotheringham,A.S.(2001).Geographicallyweightedregression.*ProgressinHumanGeography*,*25*(2),252-277.

23.Fotheringham,A.S.,Brunsdon,C.,&Charlton,M.E.(2002).*GeographicallyWeightedRegression:TheAnalysisofSpatiallyVaryingRelationships*.JohnWiley&Sons.

24.Anselin,L.(1995).Spatialdependenceandspatialautocorrelation.In*Spatio-temporalModelingofEnvironmentalProcesses*(pp.275-327).JohnWiley&Sons.

25.Moran,P.A.P.(1950).Ameasureofspatialassociationofpoints.*Biometrics*,*6*(4),387-391.

26.Getis,A.N.,&Ord,J.K.(1996).Spatialstatistics.*StatisticalScience*,*11*(3),259-277.

27.Getis,A.N.,&Ord,J.K.(1996).Localspatialautocorrelationstatistics:Distributionalissuesandanalternativestatistic.*GeographicalAnalysis*,*28*(4),328-346.

28.Kerneldensityestimation.(2020).In*EncyclopediaofSocialMeasurement*(Vol.2,pp.911-914).SagePublications.

29.Esri.(2019).*ArcGISDesktopHelp*.Esri.

30.OpenStreetMap.(2020).*OpenStreetMapWiki*.[/wiki/](/wiki/)

31.U.S.CensusBureau.(2020).*AmericanCommunitySurvey*.[/acs.html](/acs.html)

32.EPA.(2020).*NationalAirQualityMonitoringNetwork*.[/air-data](/air-data)

33.Zhang,Y.,Huang,Q.,&Wang,J.(2021).SpatialanalysisofenvironmentaljusticeforurbanwaterqualityinChina.*JournalofEnvironmentalQuality*,*52*(1),1-10.

34.Huang,C.,Zhang,Y.,&Huang,Q.(2021).SpatialanalysisofenvironmentaljusticeforurbannoisepollutioninChina.*JournalofEnvironmentalManagement*,*284*,112-121.

35.Wang,J.,Zhang,Y.,&Huang,Q.(2021).SpatialanalysisofenvironmentaljusticeforurbansoilcontaminationinChina.*JournalofEnvironmentalManagement*,*292*,113-122.

八.致谢

本研究能够顺利完成，离不开众多师长、同学、朋友和机构的关心与支持。首先，我要向我的导师[导师姓名]教授表达最诚挚的谢意。在论文的选题、研究框架设计、数据分析方法选择以及论文撰写等各个环节，[导师姓名]教授都给予了悉心的指导和无私的帮助。[导师姓名]教授严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，也为本研究奠定了坚实的基础。特别是在环境正义空间差异数据获取方法上，[导师姓名]教授提出了诸多宝贵的建议，帮助我克服了研究过程中的重重困难。

感谢[合作单位/实验室名称]的各位老师和同事。在研究期间，我有幸得到了[合作单位/实验室名称]提供的研究平台和实验条件，并与[合作单位/实验室名称]的[同事姓名]等老师进行了深入的交流和探讨。[同事姓名]老师在数据获取、模型构建等方面给予了我重要的帮助，我们之间的合作与交流极大地促进了本研究的进展。

感谢[数据提供单位/机构名称]为本研究提供了宝贵的数据支