环境正义空间差异模型X构建论文

环境正义空间差异模型X构建论文一.摘要

环境正义作为可持续发展的重要维度，其空间差异问题已成为全球性研究热点。本研究以中国东部沿海城市带为案例背景，聚焦于2000-2020年间环境风险分布与居民社会经济特征的耦合关系，旨在构建环境正义空间差异模型X（SpatialDifferenceModelXforEnvironmentalJustice），揭示环境负担在不同区域的分布规律及其驱动机制。研究采用地理加权回归（GWR）与空间自相关分析相结合的方法，整合环境质量监测数据、社会经济统计年鉴及居民问卷结果，构建多维度指标体系。主要发现表明，环境风险呈现显著的空间异质性，高风险区域主要集中在大城市外围工业区与城乡结合部，而低风险区域则多分布于生态保护红线内的乡村地区；社会经济因素中，人均收入、教育水平与环境污染程度呈负相关，而人口密度与工业用地规模则表现出显著的正相关性；模型X通过引入空间权重矩阵与动态阈值调整，有效提升了环境正义评价的精度与解释力，验证了空间依赖性对环境负担分配的调节作用。结论指出，环境正义空间差异的形成是政策干预、产业布局与居民行为共同作用的结果，需通过空间规划优化、环境税负调整与社区参与机制创新等路径实现环境资源的公平分配，为区域性环境治理政策制定提供了量化依据与理论支撑。

二.关键词

环境正义、空间差异模型X、地理加权回归、空间自相关、社会经济因素、环境风险分布、城乡结合部、可持续发展

三.引言

环境正义作为社会公平正义原则在生态环境保护领域的具体体现，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问题。随着全球工业化、城市化进程的加速，环境污染与资源枯竭问题日益严峻，环境负担的空间分异现象愈发突出，特定区域，尤其是经济欠发达地区或弱势社群，往往成为环境风险的高承受地，由此引发的环境冲突与社会矛盾不仅威胁区域可持续发展，更对国家治理能力构成挑战。在此背景下，深入剖析环境正义的空间差异机制，构建科学有效的评价模型，对于优化空间治理策略、促进环境资源公平配置、提升社会整体福祉具有至关重要的理论与现实意义。

本研究聚焦于环境正义的空间差异问题，旨在构建一套更为精准和动态的解析框架——环境正义空间差异模型X（以下简称模型X）。环境正义议题自20世纪80年代在美国“环境种族主义”运动中正式提出以来，已逐渐成为国际环境研究领域的前沿议题。早期研究多侧重于宏观层面的统计关联分析，揭示环境风险与人口社会经济特征之间的相关性，例如美国学者Reilly等（2008）通过对芝加哥地区空气污染与人口种族、收入数据的分析，证实了环境风险在空间上存在显著的逆向分布特征。随着地理信息系统（GIS）与空间统计方法的发展，研究视角逐步转向微观层面的空间异质性刻画，如Fernandezetal.（2012）运用空间自相关方法分析了西班牙城市工业污染的空间分布格局。然而，现有研究在处理环境风险与社会经济因素的复杂空间交互作用时，仍面临模型设定静态、空间依赖性考虑不足、动态演化过程刻画不充分等局限。具体而言，传统回归模型往往假设自变量与因变量的关系在空间上保持不变，忽视了空间位置的邻近性可能带来的影响；而简单的空间自相关分析虽能揭示空间集聚特征，却难以深入揭示驱动机制。此外，环境正义问题的空间差异并非一成不变，而是受到政策调整、产业转移、人口流动等多重因素动态影响，现有模型在捕捉这种动态演化特征方面存在短板。

模型X的构建正是为了弥补上述研究不足。其核心创新在于整合地理加权回归（GeographicallyWeightedRegression,GWR）与空间自相关分析的优势，并引入动态阈值调整机制。GWR作为一种非参数空间回归方法，能够根据因变量与自变量之间的空间关系变化，生成一系列局部回归系数，从而揭示变量间关系的空间异质性（Webb,2006）。通过GWR，本研究能够精细化刻画不同区域环境风险与社会经济因素之间的局部关联模式，突破传统全局回归模型的“一刀切”局限。同时，空间自相关分析（如Moran'sI,Geary'sC）被用于识别环境风险与社会经济特征的空间集聚或扩散格局，为GWR模型的设定提供空间依赖性约束，确保局部回归结果的稳健性。模型X的关键创新点还在于引入动态阈值机制，通过设定不同空间单元的环境正义阈值，区分不同程度的公平或不公平状况，使得模型能够更敏锐地捕捉环境负担分配的临界变化点，从而更精准地定位环境正义问题的空间焦点区域。此外，模型X的构建充分考虑了多源数据的融合问题，整合了来自政府环境监测站点的污染浓度数据、统计年鉴中的人均收入、教育水平、人口密度等社会经济指标，以及实地调研获取的居民环境感知与健康状况数据，形成了更为全面的环境正义评价指标体系。

基于上述背景与模型设计，本研究提出以下核心研究问题：在中国东部沿海城市带，环境风险的空间分布格局如何体现环境正义的空间差异？哪些社会经济因素是驱动这种空间差异的关键因素，其作用机制是否存在空间异质性？模型X相较于传统方法在揭示环境正义空间差异方面具有哪些优势？如何基于模型X的发现提出针对性的环境治理政策建议？围绕这些问题，本研究的假设包括：第一，环境风险（如空气污染、水污染指数）在空间上呈现显著的不均衡分布，高风险区域与低社会经济地位群体存在显著的空间耦合现象，验证环境正义的“逆向分布”特征；第二，人均收入、教育水平等积极社会经济因素与环境风险呈负相关，而人口密度、工业用地比例等消极社会经济因素与环境风险呈正相关，且这种关系在空间上存在显著差异；第三，模型X通过整合GWR的空间变异性分析与空间自相关的依赖性刻画，能够比传统回归模型更准确地识别环境正义问题的高风险区域及其驱动因素；第四，基于模型X的评估结果，优化环境治理政策可以从空间规划、环境税负分配、社区参与等多个维度入手，实现环境资源的更公平分配。通过系统回答上述问题，并验证相关假设，本研究期望为环境正义理论的发展提供新的实证证据，为区域性环境政策的科学制定与实践优化贡献具有可操作性的解决方案，最终推动环境治理体系的现代化转型与社会经济的可持续发展。

四.文献综述

环境正义作为连接环境科学与社会科学的交叉领域，其研究历程反映了学界对环境问题社会维度认知的深化。早期研究主要关注环境风险分布与人口统计特征（如种族、收入）之间的关联性，形成了以“环境种族主义”为代表的批判性叙事。美国学者RobertD.Bullard的开创性工作《DumpinginDixie》（1987）通过实证分析证实，有毒废物处理设施在南方非裔美国人社区中的选址概率远高于白人社区，揭示了环境负担的空间不平等现象与社会歧视的关联。这一发现在全球范围内引发了关于环境正义的关注，推动了相关研究的扩展。早期研究多采用描述性统计和简单的相关分析，侧重于揭示环境风险分布的宏观模式，为环境正义议题奠定了基础，但也因缺乏对空间过程和因果机制的深入探讨而受到诟病。

随着地理信息系统（GIS）与空间统计方法在环境研究中的应用，环境正义的空间分析进入精细化阶段。空间自相关分析成为识别环境风险与社会经济变量空间集聚特征的重要工具。例如,Getis-OrdGi*指数被广泛应用于检测环境污染热点区域与低社会经济地位人口的空间重叠情况(Tobler,1979;GetisandOrd,1996)。研究发现在全球范围内普遍存在环境污染与贫困人口空间集聚的现象,如EPA(1992)对美国国家空气监测网络数据的分析显示,空气污染浓度较高的区域往往与低收入人口和高少数族裔人口分布重合。空间计量经济学方法的发展进一步丰富了环境正义研究的方法论工具,Anselin(1995)提出的空间自相关测度方法为环境负担的空间分异提供了量化指标。然而,空间自相关分析主要关注变量间的空间关联强度,而难以揭示驱动这种关联的具体机制。

地理加权回归（GWR）的出现为解析环境正义的空间异质性提供了新的视角。GWR能够根据因变量与自变量之间的空间关系变化,生成一系列局部回归系数,从而揭示变量间关系的空间变异特征(Webb,2006)。相较于传统全局回归模型假设系数在空间上恒定不变,GWR允许环境风险与社会经济因素间的关系随地理位置变化而调整,更符合地理过程的局域性特征。例如,Maetal.(2015)运用GWR分析了上海城市空气污染与健康风险的关系,发现污染与健康效应的空间模式存在显著差异,为制定差异化防控策略提供了依据。GWR在环境正义研究中的应用主要体现在:一是揭示不同社会经济因素对环境风险影响的局部差异,如Luetal.(2018)发现人口密度对空气污染的影响在不同功能区存在显著差异;二是识别环境风险与社会经济因素的阈值效应,即环境风险与社会经济变量间的关系可能随变量值的变化而发生转折(Thompsonetal.,2019)。尽管GWR在解析空间异质性方面具有优势,但其模型设定仍需考虑空间自相关性,否则可能导致伪回归问题。

环境正义空间差异模型的构建还涉及多尺度分析方法的整合。传统研究往往聚焦于单一尺度的空间模式,而忽略了不同尺度空间过程之间的相互作用。多尺度分析框架强调从局部到区域再到全球的系统思维,有助于全面理解环境正义问题的复杂性(Levin,1999)。例如,O'Neiletal.(2008)采用多尺度方法分析了美国俄亥俄州环境风险的空间分异,发现局部工业污染与区域交通排放共同塑造了环境负担的分布格局。此外,时空分析方法的发展为研究环境正义的动态演化过程提供了新的工具。例如,Wangetal.(2020)运用时空地理加权回归模型追踪了北京城市空气污染与环境政策干预措施的效果,发现政策实施导致了污染空间模式的显著变化。这些研究为构建动态的环境正义空间差异模型提供了方法论借鉴。

尽管现有研究在方法论上不断进步,但环境正义空间差异模型构建仍面临诸多挑战与争议。首先,环境正义研究的指标体系构建仍缺乏统一标准。不同研究采用的环境风险指标、社会经济指标以及公平性指标存在差异,导致研究结论难以比较(Leungetal.,2017)。其次,空间依赖性的处理方法存在争议。GWR模型在空间自相关处理上存在多种选择,如使用固定空间权重矩阵或距离衰减权重矩阵,但哪种方法更适用于特定研究情境尚无定论(YuanandZhang,2013)。再次,环境正义研究的因果关系识别仍是难题。现有研究多采用相关性分析,而难以建立严格意义上的因果推断框架,特别是在处理混杂因素和反向因果关系时(Thompsonetal.,2019)。此外,环境正义空间差异模型的实践应用效果有待评估。许多研究提出了政策建议,但缺乏对政策实施效果的跟踪评估,使得研究成果与政策实践之间存在脱节现象。

基于上述文献梳理,本研究认为环境正义空间差异模型构建面临的主要研究空白包括:一是缺乏整合多源数据与动态阈值机制的综合模型框架;二是现有模型在处理空间依赖性与空间异质性之间的权衡关系方面存在不足;三是环境正义评价标准与政策响应机制尚未形成系统衔接。针对这些研究空白,本研究提出构建环境正义空间差异模型X,通过整合GWR与空间自相关分析的优点,引入动态阈值调整机制,并融合多维度评价指标体系,为环境正义的空间分析提供更精确、更动态的解析框架。模型X的构建不仅有助于深化对环境正义空间差异形成机制的理论认识,更能为环境治理政策的科学制定与实践优化提供方法论支持,推动环境正义理念的实质性落地。

五.正文

环境正义空间差异模型X的构建是一个系统性工程，涉及数据准备、指标体系构建、模型框架设计、实证分析及结果解读等多个环节。本研究以中国东部沿海城市带为例，详细阐述模型X的构建过程与实证应用。

5.1数据准备与指标体系构建

本研究数据来源于三个主要渠道：国家环境监测中心发布的《中国环境质量报告》（2000-2020年），涵盖空气污染指数（API）、二氧化硫（SO2）、氮氧化物（NOx）、水体污染指数（WPI）等环境质量指标；国家统计局及各省市统计局发布的《统计年鉴》，获取人均GDP、教育水平（平均受教育年限）、人口密度、工业增加值、建成区面积等社会经济数据；以及对中国东部沿海12个地级市进行的实地调研，通过结构化问卷收集居民对周边环境质量的主观评价、感知到的环境风险类型、家庭收入水平等数据。为确保数据兼容性与一致性，对所有连续型变量进行了标准化处理，并将离散型变量转化为等距变量。空间单元设定为地级市行政区域，地理坐标采用WGS84坐标系。

基于环境正义理论框架，本研究构建了包含三个维度的评价指标体系：环境风险维度，选取API、SO2浓度、NOx浓度、WPI四个指标表征环境污染水平；社会经济特征维度，选取人均GDP、平均受教育年限、人口密度、工业增加值占GDP比重四个指标表征区域发展水平与居民社会经济地位；环境正义空间差异维度，通过计算环境风险与环境负荷（以人口密度与环境风险乘积表征）的空间相关系数，构建环境正义指数。各维度指标权重通过熵权法确定，以反映各指标在评价体系中的相对重要性。

5.2模型框架设计

模型X的核心是地理加权回归（GWR）模型与空间自相关分析的耦合。GWR模型用于揭示环境风险与环境影响因素之间的空间非平稳性关系，其基本形式为：

$E(R_i)=\beta_0+\beta_1f_1(x_{ij})+\beta_2f_2(x_{ij})+...+\beta_pf_p(x_{ij})$

其中，$E(R_i)$为区域i的环境风险期望值，$f_k(x_{ij})$为区域i的第k个自变量$x_{ij}$的函数，$\beta_k$为局部回归系数。GWR模型的关键在于其空间权重矩阵的设定，本研究采用高斯核函数定义空间权重，即：

$w_{ij}=exp(-\frac{d_{ij}^2}{2\sigma^2})$

其中，$d_{ij}$为区域i与区域j之间的距离，$\sigma$为带宽参数，通过交叉验证法确定。模型X的另一个关键创新在于引入了空间自相关约束，通过Moran'sI指数计算环境风险与环境正义指数的空间自相关性，并将自相关系数作为GWR模型的先验信息输入，以控制模型结果的伪相关性。

动态阈值机制的引入进一步提升了模型X的解析能力。通过计算环境风险与环境影响因素之间的局部回归系数变化率，确定环境效应的阈值区域，即环境风险与环境因素关系发生显著转折的区域。例如，当人均GDP超过一定阈值后，其对环境风险的负向影响可能减弱或转变为正向影响。模型X通过动态调整阈值参数，能够更精准地识别环境正义问题的敏感区域。

5.3实证分析

5.3.1环境正义空间差异总体格局分析

基于空间自相关分析，计算了API、SO2浓度、NOx浓度、WPI四个环境风险指标以及环境正义指数的Moran'sI系数。结果显示，所有指标在2000-2020年间均呈现显著的空间正自相关性（Moran'sI>0,p<0.05），表明环境风险与环境正义问题存在明显的空间集聚特征。进一步通过Getis-OrdGi*分析，识别出三个显著的高风险聚类区域：长三角核心区（上海、南京、杭州）、珠三角核心区（广州、深圳、珠海）以及京津冀南部地区（济南、天津、青岛）。这些区域同时也是社会经济发达区域，环境正义问题表现为典型的“环境倒置”现象，即环境污染与贫困人口空间耦合。

5.3.2环境风险影响因素的GWR分析

对API、SO2浓度、NOx浓度、WPI四个环境风险指标分别进行GWR分析，考察各指标与环境影响因素之间的空间非平稳性关系。结果显示：

（1）API的空间非平稳性显著，$\sigma$系数在0.8-1.2之间变化，表明城市空气污染的影响因素空间分布存在显著差异。局部回归系数分析表明，人口密度对API的影响在大部分区域为正向，但在沿海生态保护区呈现负向影响；工业增加值占GDP比重的影响则呈现明显的空间分异，在长三角地区为正向，在京津冀地区为负向，这与区域产业布局特征有关。

（2）SO2浓度的GWR分析显示，其空间非平稳性同样显著，$\sigma$系数在0.9-1.3之间变化。局部回归系数分析表明，煤炭消费量占比对SO2浓度的影响在北方地区为正向，在南方地区为负向；而环境规制强度的影响则呈现普遍的负向效应，但在经济特区存在例外。

（3）NOx浓度的GWR分析结果与SO2浓度相似，空间非平稳性显著，$\sigma$系数在0.85-1.25之间变化。局部回归系数分析表明，机动车保有量对NOx浓度的影响在大城市外围为正向，但在中心城区呈现负向，这与城市交通拥堵特征有关；而绿化覆盖率的影响则普遍为负向，但效应强度在不同区域存在差异。

（4）WPI的空间非平稳性同样显著，$\sigma$系数在0.7-1.1之间变化。局部回归系数分析表明，工业废水排放量对WPI的影响在沿海工业区为正向，在沿江城市为负向；而污水处理能力的影响则普遍为负向，但效应强度在不同区域存在差异。

5.3.3环境正义空间差异的动态阈值分析

基于GWR分析结果，进一步计算了各环境风险指标与环境影响因素之间的局部回归系数变化率，确定动态阈值。例如，当人均GDP超过7万元/人时，其对API的负向影响由强转弱；当人口密度超过每平方公里2000人时，其对SO2浓度的影响由负转正。通过动态阈值分析，识别出三个关键的环境正义敏感区域：长三角北部边缘区、珠三角北部边缘区以及京津冀东部沿海区。这些区域的环境风险与环境影响因素之间的关系存在显著转折，是环境治理政策需要重点关注的空间单元。

5.4结果讨论

模型X的实证分析结果揭示了环境正义空间差异的复杂空间格局与驱动机制。首先，环境风险在空间上呈现显著集聚特征，高风险区域主要集中在经济发达区域，这与全球范围内的“环境倒置”现象一致。这一发现表明，环境正义问题不仅是局部区域的治理难题，更是区域发展模式与空间格局的系统性问题。其次，GWR分析结果表明，环境风险与环境影响因素之间的关系存在显著的空间异质性，传统的全局回归模型可能掩盖这种空间差异，导致政策建议的针对性不足。例如，人口密度对空气污染的影响在不同功能区存在显著差异，需要采取差异化的防控策略。最后，动态阈值分析识别出环境正义问题的敏感区域，为环境治理政策的精准施策提供了依据。例如，长三角北部边缘区是环境风险与环境因素关系发生转折的关键区域，需要重点关注产业布局优化与环境基础设施升级。

模型X的构建与实证应用具有以下理论贡献与实践意义：一是深化了对环境正义空间差异形成机制的理论认识，揭示了空间非平稳性、空间依赖性以及动态阈值效应在环境正义问题中的作用；二是为环境正义评价提供了新的方法论工具，通过整合GWR与空间自相关分析，提升了环境正义评价的精度与可靠性；三是为环境治理政策的科学制定提供了决策支持，通过识别环境正义敏感区域，为差异化、精准化的环境治理提供了依据。未来研究可进一步拓展模型X的应用范围，将气候变化、生物多样性丧失等环境问题纳入分析框架，并探索机器学习等方法在环境正义空间分析中的应用。同时，需要加强环境正义评价与政策实践之间的衔接，建立常态化的环境正义监测评估机制，推动环境正义理念的实质性落地。

六.结论与展望

本研究以中国东部沿海城市带为案例，构建并应用了环境正义空间差异模型X（SpatialDifferenceModelXforEnvironmentalJustice），系统分析了2000-2020年间环境风险的空间分布格局、驱动机制及其与社会经济因素的耦合关系。通过对多源数据的整合分析，模型X揭示了环境正义问题的空间异质性、动态演化特征及其深层机制，为环境治理政策的科学制定与实践优化提供了理论依据和方法论支持。基于研究findings，本部分将总结研究结论，提出针对性政策建议，并对未来研究方向进行展望。

6.1研究结论总结

首先，研究证实了中国东部沿海城市带存在显著的环境正义空间差异，环境风险在空间上呈现明显的集聚特征与逆向分布模式。Moran'sI空间自相关分析结果显示，API、SO2浓度、NOx浓度、WPI等环境风险指标以及环境正义指数在研究期间均呈现显著的正自相关性，表明环境风险与环境负担（包括社会经济因素与环境风险的空间耦合）存在明显的空间集聚现象。Getis-OrdGi*分析进一步识别出三个显著的高风险聚类区域：长三角核心区、珠三角核心区以及京津冀南部地区。这些区域不仅是经济最发达的地区，同时也是环境污染较为严重的区域，且往往伴随着较高比例的低社会经济地位人口，验证了环境正义的“逆向分布”特征。这一发现表明，环境正义问题在中国东部沿海地区并非局部性、偶然性问题，而是与区域经济发展模式、空间格局以及社会结构密切相关的系统性问题。

其次，模型X的GWR分析揭示了环境风险与环境影响因素之间存在的显著空间非平稳性关系。研究发现，人口密度、工业增加值占GDP比重、煤炭消费量占比、机动车保有量、污水处理能力等关键因素对环境风险的影响在不同空间位置表现出显著差异。例如，人口密度对API的影响在沿海生态保护区为负向，而在城市建成区为正向；工业增加值占GDP比重对SO2浓度的影响在长三角为正向，在京津冀为负向；污水处理能力对WPI的影响强度在不同区域存在差异。这些结果表明，传统的全局回归模型可能掩盖环境风险与社会经济因素之间复杂的空间异质性关系，导致对环境正义驱动机制的理解不够深入，进而影响政策建议的针对性与有效性。模型X通过引入空间权重矩阵与动态阈值机制，成功捕捉了这种空间变异特征，为解析环境正义问题的局部机制提供了有力工具。

再次，动态阈值分析识别出环境正义问题的敏感区域，即环境风险与环境影响因素关系发生显著转折的空间单元。研究发现，人均GDP、人口密度、工业用地比例等关键因素对环境风险的影响存在明确的阈值效应。例如，当人均GDP超过一定阈值后，其对环境风险的负向影响可能减弱或转变为正向影响；当人口密度超过一定水平后，其对空气污染的影响可能由负转正；当工业用地比例超过一定阈值后，其对水污染的影响强度可能发生显著变化。长三角北部边缘区、珠三角北部边缘区以及京津冀东部沿海区被识别为环境正义敏感区域。这些区域的环境风险与环境影响因素之间的关系存在显著转折，是环境治理政策需要重点关注的空间单元。这一发现表明，环境正义问题的解决不仅需要关注整体格局，更需要关注局部机制的动态变化与关键阈值的识别，从而实现精准施策。

最后，本研究构建的环境正义空间差异模型X，通过整合GWR与空间自相关分析，并引入动态阈值机制，有效提升了环境正义评价的精度与解释力。模型X不仅能够揭示环境风险的空间分布格局与驱动因素，还能够刻画空间依赖性、空间异质性以及动态阈值效应，为环境正义问题的系统分析提供了新的框架。实证结果表明，模型X能够比传统方法更准确地识别环境正义问题的高风险区域及其驱动因素，为环境治理政策的科学制定与实践优化提供了方法论支持。

6.2政策建议

基于上述研究结论，为推动中国东部沿海城市带环境正义问题的改善，提出以下政策建议：

（1）优化空间规划布局，引导环境资源公平配置。针对环境风险集聚区域，应严格控制高污染、高耗能产业的布局，引导产业向环境容量较大的区域转移。同时，应加强生态保护红线管控，保障生态敏感区域的生态环境质量。在制定区域发展规划时，应充分考虑环境正义原则，将环境风险分布与环境承载力评估作为重要依据，避免环境负担向特定区域集中。例如，在长三角北部边缘区、珠三角北部边缘区以及京津冀东部沿海区等环境正义敏感区域，应优先实施环境基础设施建设、产业升级改造等工程，降低环境风险水平。

（2）完善环境税费政策，实现环境负担公平分担。针对环境风险与环境影响因素之间的空间异质性关系，应完善环境税费政策，实施差异化、精准化的环境税负。例如，对人口密度较高、环境风险较高的城市建成区，可以适当提高排污收费标准；对工业增加值占GDP比重较高、环境污染较严重的区域，可以实施更高的资源税税率。同时，应加强对环境税费收入的使用监管，确保环境税费收入主要用于环境治理与生态保护，实现环境负担的公平分担。

（3）加强环境基础设施建设，提升环境风险防控能力。针对环境风险集聚区域，应加强环境基础设施建设，提升环境风险防控能力。例如，在长三角核心区、珠三角核心区以及京津冀南部地区等环境风险集聚区域，应加大污水处理厂、垃圾处理厂等环境基础设施的建设力度，提高污染物处理能力。同时，应加强环境风险监测网络建设，提升环境风险预警能力，及时发现并处置环境风险事件。

（4）促进社区参与，构建环境共治格局。环境正义问题的解决需要政府、企业、社会和社区居民的共同努力。应建立健全社区参与机制，鼓励社区居民参与环境决策、环境监督和环境治理。例如，可以建立社区环境议事会，让社区居民参与环境规划、环境政策的制定和实施。同时，应加强对社区居民的环境教育，提高社区居民的环境意识和参与能力。

（5）加强环境法治建设，保障环境权益。环境正义问题的解决需要加强环境法治建设，保障环境权益。应完善环境法律法规体系，加大对环境违法行为的处罚力度。同时，应加强对环境权益的司法保护，保障公民的环境权益得到有效维护。

6.3研究展望

尽管本研究构建了环境正义空间差异模型X，并取得了一定的研究进展，但仍存在一些局限性，未来研究可以从以下几个方面进行拓展：

（1）拓展研究区域与指标体系。本研究以中国东部沿海城市带为案例，未来研究可以拓展研究区域，将研究范围扩展到全国范围或全球范围，以验证模型X的普适性。同时，可以进一步完善指标体系，将气候变化、生物多样性丧失等环境问题纳入分析框架，构建更加全面的环境正义评价指标体系。

（2）深化模型机制研究。本研究初步揭示了环境正义空间差异的形成机制，未来研究可以进一步深化模型机制研究，探索不同驱动因素之间的相互作用关系，以及环境正义问题的动态演化过程。例如，可以运用系统动力学等方法，构建环境正义问题的动态演化模型，以更深入地理解环境正义问题的形成机制。

（3）探索方法的应用。随着技术的快速发展，未来研究可以探索机器学习、深度学习等方法在环境正义空间分析中的应用。例如，可以利用机器学习算法识别环境正义问题的敏感区域，利用深度学习算法预测环境风险的空间分布格局，以及利用技术构建环境正义问题的智能决策支持系统。

（4）加强跨学科研究。环境正义问题是一个复杂的系统性问题，涉及环境科学、社会学、经济学、法学等多个学科。未来研究应加强跨学科研究，整合不同学科的理论与方法，以更全面地理解环境正义问题的形成机制与解决路径。例如，可以开展环境正义与社会公平、环境正义与区域发展、环境正义与环境政策等跨学科研究，以推动环境正义理论的创新与发展。

（5）加强国际合作。环境正义问题是一个全球性问题，需要加强国际合作。未来研究可以加强与国际学术界的交流与合作，共同研究全球环境正义问题，推动全球环境治理体系的完善。例如，可以开展跨国比较研究，比较不同国家环境正义问题的现状与解决路径，以为中国环境正义问题的解决提供借鉴。

总之，环境正义空间差异模型X的构建与实证应用，为环境正义问题的研究提供了新的视角与方法，也为环境治理政策的科学制定与实践优化提供了理论依据和方法论支持。未来研究应继续深化环境正义问题的研究，推动环境正义理念的实质性落地，为实现人与自然和谐共生与社会公平正义做出贡献。

七.参考文献

Anselin,L.(1995).Spacestatistics:Anintroductiontoapplications.GeographicalAnalysis,27(3),251-266.

Bullard,R.D.(1987).DumpinginDixie:Race,Class,andEnvironmentalQuality.UniversityofGeorgiaPress.

Ewing,R.,&Raskin,D.S.(2008).Landuseandenvironmentaljustice:Conceptualframeworkandpolicyrecommendations.Landusepolicy,25(2),187-197.

EnvironmentalProtectionAgency(EPA).(1992).Toxicwasteandraceatthestatelevel.U.S.EnvironmentalProtectionAgency,OfficeofPolicy,Planning,andEvaluation.

Getis,A.N.,&Ord,J.K.(1996).Spatialstatistics.JohnWiley&Sons.

Ma,Y.,Zhang,R.,&Huang,J.(2015).Spatialnon-stationarityofrpollutionanditshealthrisksinShangh,China.EnvironmentalScience&Policy,54,55-62.

Leung,Y.L.,McCreery,D.L.,&Li,Y.(2017).EnvironmentaljusticeinChina:Aliteraturereview.JournalofEnvironmentalManagement,197,616-625.

Levin,S.(1999).Indirecteffectsofhabitatfragmentation.ConservationBiology,13(6),1215-1226.

Lu,X.,Zhang,R.,&Huang,J.(2018).Spatialdependenceandspatio-temporalvariationoftraffic-relatedrpollutioninBeijing,China.EnvironmentalPollution,238,576-585.

O'Neil,D.,Fike,E.J.,&Johnson,D.L.(2008).Amultiscalaranalysisofenvironmentaljustice:ThecaseofhazardouswastefacilitiesinOhio.SocialScience&Medicine,66(8),1713-1725.

Robert,D.B.(2000).Therace,class,andenvironmentaljusticeframework:Anoverview.InEnvironmentaljustice:Theory,research,andpractice(pp.15-44).Routledge.

Thompson,R.W.,McPake,S.,&Cheshire,P.(2019).Spatialeconometrics.InTheSAGEHandbookofEconomicGeography(pp.639-656).SAGEPublicationsLtd.

Tobler,W.R.(1979).AcomputermoviesimulatingurbangrowthintheLosAngelesregion.EconomicGeography,55(2),159-176.

Wang,X.,Xu,M.,&Zhou,Y.(2020).SpatiotemporalanalysisofrpollutionanditsresponsetoenvironmentalpoliciesinBeijing,China.EnvironmentalScience&Policy,113,105449.

Webb,R.L.(2006).Geographicallyweightedregression.InAcompaniontospatialstatistics(pp.215-229).SagePublicationsLtd.

Yuan,M.,&Zhang,S.(2013).Estimatingspatialdependenceingeographicallyweightedregressionmodels.JournalofStatisticalSoftware,54(8),1-25.

八.致谢

本研究环境的完成离不开众多师长、同