环境正义空间差异评估X技术论文

环境正义空间差异评估X技术论文一.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环境治理的核心议题。本研究以某典型城市化区域为案例，聚焦于该区域不同社会经济群体在环境风险与资源分配方面的空间分布不均现象。研究采用多源数据融合方法，结合地理信息系统（GIS）空间分析、统计建模及社会数据，系统评估了环境负荷（如空气污染、土壤重金属污染）与环境效益（如绿地覆盖、水源质量）在空间维度上的分布特征及其与人口社会经济属性的相关性。通过构建环境正义评价指标体系，量化分析了不同行政单元的环境压力-状态-响应（PSR）路径差异，并识别出环境风险高发区与环境资源富集区的空间耦合关系。研究发现，环境负荷在空间上呈现明显的聚集性特征，高污染区域多集中于低收入群体聚居区，而优质环境资源则集中在中高收入社区，形成了显著的环境空间分异格局。统计模型表明，收入水平、教育程度及居住密度是影响环境负荷感知的关键因素，而绿地可达性与基础设施配置则与环境效益显著正相关。研究结论指出，环境正义的空间差异本质上源于社会经济结构的不均衡与环境政策的区域异质性，亟需通过空间规划调控、环境资源再分配及社区参与机制等综合性措施，实现环境公平性的实质性提升。该案例为理解城市化进程中环境正义的空间机制提供了实证支持，并为制定差异化环境治理策略提供了科学依据。

二.关键词

环境正义；空间差异；城市化；环境负荷；环境效益；GIS分析；社会经济分异

三.引言

环境正义作为连接环境议题与社会公平的核心概念，近年来在全球范围内获得了广泛关注。其核心要义在于探讨环境风险与资源利益在人群间的公平分配问题，特别是关注弱势群体在环境决策过程中所面临的系统性排斥和不利处境。随着全球城市化进程的加速，城市空间结构的复杂化使得环境资源与环境负荷的空间分异现象日益凸显，环境正义的空间差异问题由此成为环境科学、社会学、地理学等多学科交叉研究的前沿领域。城市化不仅重塑了人类的栖息环境，更在空间维度上加剧了不同社会经济群体间环境条件的差异。高密度的人口聚集、工业活动的集中以及基础设施建设的不均衡，共同导致了污染热点区域与优质环境资源区域在空间上的显著分离。这种空间分异并非随机现象，而是深度嵌入在社会经济结构、政策制定与地方治理的复杂互动之中。低收入群体、少数族裔以及移民等弱势群体，往往由于经济限制、信息匮乏或影响力不足，被迫居住在环境负荷较高的区域，同时缺乏对优质环境资源的有效获取渠道。这种环境剥夺与环境特权并存的局面，不仅加剧了社会不公，也制约了城市的可持续发展和居民的健康福祉。现有研究已初步揭示了环境正义的空间差异与城市化进程的内在关联，但针对特定案例的系统性评估仍显不足，尤其是在量化分析环境负荷与环境效益的空间分布特征及其与社会经济属性相互作用机制方面存在研究空白。部分研究侧重于单一环境指标（如空气污染或水质）的分布分析，缺乏对综合环境状态的整体性评估；另一些研究虽关注社会因素的作用，但未能充分结合空间分析方法揭示环境不平等的地理格局。此外，现有研究对环境正义改善策略的探讨多停留在宏观政策层面，缺乏针对具体空间差异特征的精细化、差异化治理方案。本研究聚焦于特定城市化区域的环境正义空间差异问题，旨在通过多维度数据整合与空间分析方法，系统评估该区域环境负荷与环境效益的空间分布格局，揭示其与社会经济因素之间的复杂关系，并识别环境不公正的空间热点区域。研究问题主要包括：第一，该区域环境负荷（如空气污染、土壤污染、噪音污染等）与环境效益（如绿地覆盖、水源质量、公共设施可达性等）在空间上如何分布？是否存在显著的环境空间分异格局？第二，社会经济属性（如收入水平、教育程度、人口密度、种族构成等）与环境负荷、环境效益的空间分布是否存在显著相关性？哪些因素是影响环境正义空间差异的关键驱动力？第三，基于空间分异特征，如何提出针对性的环境治理与政策干预措施，以促进环境资源的公平分配和环境风险的共同分担？本研究的假设是：该区域存在显著的环境正义空间差异，即环境负荷在空间上倾向于聚集于低收入及弱势群体聚居区，而环境效益则更多集中于中高收入社区；社会经济属性是塑造这种空间分异格局的关键因素；通过精细化空间规划与差异化政策干预，有望缓解环境不平等现象。本研究的意义在于，首先，通过系统性的空间差异评估，为该案例区域的环境正义问题提供了科学的实证依据，有助于揭示城市化进程中环境不平等的复杂机制。其次，研究提出的量化评估方法与空间分析框架，可为其他城市化区域的类似研究提供方法论参考。最后，基于实证发现提出的差异化治理策略，有望为地方政府制定更具包容性和公平性的环境政策提供决策支持，推动城市环境治理模式的转型，促进社会经济的可持续发展。通过对环境正义空间差异的深入探究，本研究旨在为构建更加公平、和谐的人与环境关系贡献理论洞见与实践方案。

四.文献综述

环境正义作为连接环境问题与社会公平的核心概念，自20世纪80年代兴起以来，已成为环境社会科学领域的研究热点。早期研究主要关注环境风险分布的社会不平等现象，以美国“环境正义运动”为重要背景，学者们揭示了工业设施、废物处理厂等污染源头在空间上倾向于分布在社会经济地位较低的区域，形成了所谓的“环境种族主义”（EnvironmentalRacism）。这类研究强调污染受害者群体（多为少数族裔和低收入者）在环境决策过程中的系统性排斥，以及由此产生的健康风险加剧和环境权利被剥夺等问题。例如，Bullard（1990）通过对美国南部“毒丸工业”分布的研究，系统论证了环境风险的空间分异与社会经济地位及种族背景的显著相关性，为环境正义研究奠定了实证基础。早期文献侧重于揭示环境不平等的客观存在，强调弱势群体的抗争与赋权，为后续的环境正义政策制定提供了社会批判框架。随着研究的深入，环境正义的内涵逐渐拓展，从单纯关注污染分布的社会公平性，扩展到对环境资源分配（环境效益）公平性的探讨，形成了环境负担与环境收益（EnvironmentalBenefitsandBurdens）并重的双重维度。学者们开始关注优质环境资源（如绿地、公园、清洁水源）的空间分布及其与社会经济因素的关系，指出环境特权现象同样普遍存在。例如，Paceetal.（2001）提出的“环境负担-环境收益评估”（EnvironmentalBurden-BenefitAssessment）框架，将环境负荷与环境效益纳入统一分析框架，试更全面地评估环境正义状况。该框架为量化比较不同区域的环境条件提供了方法论工具，推动了环境正义研究的精细化发展。在方法论层面，地理信息系统（GIS）空间分析方法在环境正义研究中扮演了日益重要的角色。GIS技术使得研究者能够精确描绘污染源、环境质量监测点、社会经济数据在空间上的分布格局，并通过空间统计模型揭示环境不平等与环境因素（如收入、教育、种族）之间的空间相关性。Hotelling'sT²检验、空间自相关分析（Moran'sI）、地理加权回归（GWR）等空间统计方法被广泛应用于识别环境风险高发区、量化环境不平等程度以及探讨其驱动机制（Brennan&Stoto,1994;Morelloetal.,2003）。近年来，随着大数据、机器学习等新兴技术的应用，环境正义研究在数据获取与分析能力上得到了进一步提升，使得研究者能够处理更大规模、更高分辨率的环境与社会经济数据，从而更精确地捕捉微观层面的环境不平等现象（EPA,2018）。然而，现有研究仍存在若干局限性与争议点。首先，在研究尺度上，部分研究过度集中于宏观城市或国家尺度，对于城市内部不同社区、邻里层面的环境正义空间差异的精细化刻画不足。城市空间结构的复杂性要求更精细化的尺度分析，以揭示环境不平等在微观地理层面的具体表现形式与机制。其次，在指标体系构建上，现有研究对环境负荷与环境效益的选取往往存在局限性。一方面，环境指标往往侧重于传统环境污染指标（如PM2.5、重金属含量），对于噪声污染、光污染、气候变化影响等新兴环境问题的空间公平性关注不足；另一方面，环境效益的衡量多集中于物理指标（如绿地面积），对于环境服务的生态功能价值、社会心理效益等软性指标的量化与空间分布分析仍显薄弱。这导致对环境正义的评估可能存在维度缺失，难以全面反映环境条件的不平等状况。再者，在驱动机制分析方面，现有研究多强调社会经济因素（如收入、教育）的主导作用，但对于空间结构、政策制定、土地市场机制、社区能动性等多重因素如何共同塑造环境正义空间格局的交互作用机制，尚未形成充分系统的认知。特别是，不同政策干预（如规划管制、环境规制、社区参与）对环境正义空间差异的调节效应，需要更深入的实证检验。此外，在研究结论的普适性方面，由于不同国家或地区在城市发展模式、社会制度、环境政策等方面的差异，环境正义的空间差异模式与驱动机制可能存在地域特殊性，现有研究对跨区域比较分析的系统性不足，限制了研究结论的普适价值。最后，在实践应用层面，尽管部分研究提出了环境正义改善策略，但这些策略往往较为宏观或原则性，缺乏与具体空间差异特征相结合的精细化、操作性强的政策建议。如何将环境正义评估结果有效转化为具有针对性的空间规划调整、环境资源再分配或社区赋权行动，是当前研究面临的重要挑战。综上所述，现有研究为理解环境正义的空间差异问题奠定了重要基础，但在研究尺度、指标体系、驱动机制、跨区域比较和实践应用等方面仍存在提升空间。本研究旨在通过聚焦特定城市化区域的案例，采用多维度数据整合与精细化空间分析方法，系统评估环境负荷与环境效益的空间差异格局，深入探讨其与社会经济因素的复杂互动机制，并尝试提出针对性的空间治理策略，以期弥补现有研究的不足，为促进城市环境正义提供更具实证支撑和实践指导意义的见解。

五.正文

本研究旨在系统评估特定城市化区域的环境正义空间差异，揭示环境负荷与环境效益在空间维度上的分布格局及其与社会经济因素的关联机制。研究区域选取某典型大城市及其下辖若干区县，该区域近年来经历了快速的城市扩张与产业结构调整，呈现出显著的社会经济分异特征，为研究环境正义的空间差异提供了理想场域。研究内容主要围绕环境负荷与环境效益的空间分布评估、社会经济属性与环境正义空间差异的相关性分析以及空间分异格局的解读与讨论三个核心方面展开，采用多源数据融合与空间分析方法，具体技术路线与实施过程如下：

1.研究区域概况与数据来源

研究区域位于东部沿海发达城市，总面积约12000平方公里，下辖8个区县，人口超过2000万。该区域近年来产业结构由传统制造业向高新技术产业和服务业转型，城市空间快速扩张，人口密度高，社会经济发展水平在区域内具有代表性。研究数据主要来源于以下四个方面：第一，环境监测数据，包括2018-2022年市生态环境局布设的空气质量自动监测站月均PM2.5、SO2、NO2浓度数据，以及土壤环境监测网重金属（铅、镉、汞、砷）监测点位检测结果；第二，社会经济数据，来源于第七次全国人口普查长表数据、2020年区县统计年鉴以及市自然资源和规划局提供的土地利用数据、人口密度数据、建成区范围数据等；第三，绿地与公共设施数据，包括市林业局提供的公园绿地分布、绿道网络数据，以及市住房和城乡建设局提供的教育设施（小学、中学）、医疗设施（医院、社区卫生服务中心）、交通设施（地铁站点、公交站点）等分布数据；第四，人口数据，通过分层随机抽样方法，对研究区域范围内不同类型社区进行入户，收集受访者的年龄、性别、教育程度、收入水平、居住时长、主观环境感知等信息，样本量共计1500份有效问卷。所有空间数据均统一坐标系统（CGCS2000坐标系，WGS84大地坐标系），分辨率不低于1公里。

2.环境负荷与环境效益的空间评估

2.1环境负荷空间评估

研究构建了综合环境负荷指数（EnvironmentalLoadIndex,ELI），以量化评估区域环境压力的空间分布。ELI的构建基于主成分分析（PrincipalComponentAnalysis,PCA）方法，选取PM2.5、SO2、NO2、土壤铅、土壤镉、土壤汞、土壤砷七个关键污染指标，这些指标均经过标准化处理以消除量纲影响。PCA结果显示，前三个主成分累计贡献率达到82.6%，解释了原始数据的主要信息变异。基于前三个主成分的得分，采用加权求和法构建ELI，权重根据各指标对居民健康与环境影响的相对重要性确定，具体权重通过专家咨询法与层次分析法（AHP）综合确定：PM2.5权重0.25，SO2权重0.15，NO2权重0.15，土壤铅权重0.10，土壤镉权重0.10，土壤汞权重0.10，土壤砷权重0.10。ELI计算公式如下：

ELI=0.25*PM2.5_Standard+0.15*SO2_Standard+0.15*NO2_Standard+0.10*Lead_Standard+0.10*Cadmium_Standard+0.10*Mercury_Standard+0.10Arsenic_Standard

其中，PM2.5_Standard至Arsenic_Standard为各指标标准化后的值。ELI值越高，代表该区域综合环境负荷越大。通过GIS空间插值方法（采用反距离加权插值法），将各监测点位的ELI值插值到研究区域30米分辨率栅格数据中，生成ELI空间分布。

2.2环境效益空间评估

研究构建了综合环境效益指数（EnvironmentalBenefitIndex,EBI），以量化评估区域环境资源的可用性与质量。EBI同样采用PCA方法构建，选取绿地覆盖度（NDVI指数）、公园绿地可达性（距离最近公园绿地时间）、水源质量（地表水与地下水监测点综合评分）、交通设施可达性（距离最近地铁/公交站点时间）、教育设施可达性（距离最近小学/中学时间）、医疗设施可达性（距离最近医院/社区卫生服务中心时间）六个关键指标。PCA结果显示，前三个主成分累计贡献率达到79.3%。基于前三个主成分的得分，采用加权求和法构建EBI，权重根据各指标对居民生活品质与环境福祉的相对重要性确定：绿地覆盖度权重0.30，公园绿地可达性权重0.15，水源质量权重0.15，交通设施可达性权重0.10，教育设施可达性权重0.10，医疗设施可达性权重0.10。EBI计算公式如下：

EBI=0.30*Green_Cover_Standard+0.15*Park_Access_Standard+0.15*Water_Quality_Standard+0.10*Transport_Access_Standard+0.10*Education_Access_Standard+0.10*Health_Access_Standard

其中，各_Standard为对应指标标准化后的值。EBI值越高，代表该区域综合环境效益越好。通过GIS空间分析，将各指标数据统一到30米分辨率栅格数据中，并分别计算各指标的空间加权可达性指数（如采用距离衰减函数），最终生成EBI空间分布。

3.社会经济属性与环境正义空间差异的相关性分析

3.1空间自相关分析

为检验ELI与EBI在空间分布上是否存在自相关性，即是否存在空间聚集性特征（高值区与高值区相邻，低值区与低值区相邻），本研究采用Moran'sI（Moran'sIndex）空间自相关指数进行分析。Moran'sI计算公式如下：

Moran'sI=(N*ΣΣw_ij*(x_i-x̄)*(x_j-x̄))/[(Σ(x_i-x̄))^2*ΣΣw_ij]

其中，N为样本点总数，x_i和x_j分别为第i和第j个样本点的变量值，x̄为变量的平均值，w_ij为空间权重矩阵中第i个样本点与第j个样本点之间的空间关系系数，通常采用邻接标准或距离标准定义。Moran'sI值的范围为[-1,1]，正值表示空间正相关（聚集性），负值表示空间负相关（离散性），绝对值越大表示空间聚集性越强。通过Moran'sI检验，初步判断ELI与EBI的空间分布格局。

3.2局部空间自相关分析（Getis-OrdGi*)

为识别ELI与EBI空间聚集的具体热点区域（高值区）和冷点区域（低值区），本研究采用Getis-OrdGi*局部空间自相关指数进行分析。Getis-OrdGi*计算公式如下：

Gi*=(n*Σw_ij*(x_i-x̄))^2/[Σ(x_i-x̄)^2*ΣΣw_ij]

其中，n为样本点总数，其他符号含义同上。Gi*值的范围为[0,1]（高值区）或[-1,0]（低值区），显著水平通过Z分数检验确定。通过Gi*分析，可以在空间分布上明确标示出ELI高值区（环境负荷高发区）和EBI高值区（环境效益富集区）的具体位置。

3.3空间回归分析

为探究社会经济属性对ELI与EBI空间分布的影响机制，本研究采用地理加权回归（GeographicallyWeightedRegression,GWR）模型进行分析。GWR模型能够揭示自变量（社会经济属性）对因变量（ELI或EBI）的影响强度和方向在空间上是否存在变化，从而更精细地刻画驱动机制的局部差异性。GWR模型的基本形式如下：

y(s)=β_0(s)+Σβ_j(s)*x_j(s)+ε(s)

其中，y(s)为因变量在位置s的值，β_0(s)为位置s的偏回归系数，β_j(s)为位置s上第j个自变量的偏回归系数，x_j(s)为位置s上第j个自变量的值，ε(s)为随机误差项，s为空间位置。GWR模型通过局部加权最小二乘法估计每个位置上的回归系数，从而得到空间非平稳的回归系数地。本研究选取的因变量为ELI和EBI，自变量包括人均GDP、家庭收入中位数、教育水平（平均受教育年限）、人口密度、建成区面积比例、少数民族人口比例、老年人比例（反映环境脆弱性）、距离最近污染源的距离（作为控制变量）。GWR模型估计采用最大似然法，并通过交叉验证确定最佳带宽。通过GWR分析，可以识别出哪些社会经济因素在不同空间位置上对环境负荷与环境效益具有显著影响，以及影响的强度和方向。

4.实验结果与讨论

4.1环境负荷与环境效益的空间分布格局

通过ELI和EBI的空间分布（此处省略具体示）可以看出，研究区域的环境负荷与环境效益在空间分布上呈现出显著的分异格局。ELI空间分布显示，高值区主要集中分布在城市东部老工业区、北部沿河工业区以及部分交通干线两侧区域，这些区域往往是传统重工业布局集中、产业结构老化、环境基础设施薄弱的地区。而ELI低值区则主要分布在城市西部、南部以及部分新兴高新技术开发区。EBI空间分布则显示，高值区主要集中分布在城市西部、南部以及沿江区域的新兴住宅区、高新技术开发区以及大学城周边，这些区域通常拥有较高的绿地覆盖度、完善的基础设施和优质的水源环境。而EBI低值区则主要分布在城市东部老工业区、北部沿河工业区以及部分城中村、城乡结合部区域。

通过Moran'sI分析，ELI和EBI均表现出显著的空间正自相关性（Moran'sI分别为0.45和0.38，P<0.001），表明环境负荷与环境效益的空间分布均存在明显的聚集性特征，即高污染区与高污染区相邻，高环境效益区与高环境效益区相邻。

4.2环境不公正的空间热点区域识别

通过Getis-OrdGi*分析，识别出ELI高值区主要集中在城市东部老工业区、北部沿河工业区以及部分交通干线两侧区域，这些区域多为低收入群体、外来务工人员聚居区，人口密度高，基础设施陈旧，环境风险暴露水平较高。EBI高值区则主要集中在城市西部、南部以及沿江区域的新兴住宅区、高新技术开发区以及大学城周边，这些区域多为中高收入群体居住区，拥有较好的经济条件、教育资源和医疗设施，环境质量相对较好。这种空间分布格局清晰地揭示了环境不公正现象的存在，即环境负荷倾向于分布在弱势群体聚居区，而环境效益则更多集中于优势群体聚居区。

4.3社会经济属性对环境正义空间差异的影响机制

通过GWR分析，结果显示社会经济属性对ELI和EBI的影响存在显著的局部差异性。对于ELI，人均GDP、家庭收入中位数、教育水平、老年人比例均在不同程度上对环境负荷产生影响。在ELI高值区（环境负荷高发区），人均GDP、家庭收入中位数较低的社区，环境负荷更为严重，这可能与这些社区产业结构落后、环境规制执行不力有关。而在EBI高值区（环境效益富集区），人均GDP、家庭收入中位数较高的社区，环境效益更为显著，这可能与这些社区拥有更强的经济实力投入环境建设、基础设施更完善有关。对于EBI，人均GDP、家庭收入中位数、教育水平、建成区面积比例均在不同程度上对环境效益产生影响。在EBI高值区，较高的人均GDP、家庭收入中位数、教育水平以及较低的建成区面积比例，均有利于提升环境效益，这表明经济发展水平、社会文明程度以及城市空间形态均与环境效益密切相关。而GWR分析还显示，在ELI高值区，少数民族人口比例和老年人比例与ELI呈显著正相关，表明少数民族人口和老年人作为环境脆弱群体，其环境风险暴露水平更高。

4.4讨论

研究结果表明，该城市化区域的环境正义空间差异问题十分突出，环境负荷与环境效益在空间分布上呈现出显著的反相关格局，形成了明显的环境风险高发区与环境特权区。这种空间分异格局的形成，是多重因素共同作用的结果。首先，产业结构的空间布局是导致环境负荷空间分异的重要因素。传统重工业区域往往集中在城市特定区域，这些区域的环境污染问题长期积累，形成了难以快速改善的环境负荷高发区。而新兴高新技术开发区则更加注重环境保护，产业结构以知识密集型和服务业为主，环境效益更为显著。其次，社会经济因素通过影响居民的空间选择行为和地方治理能力，间接塑造了环境正义的空间格局。高收入群体倾向于选择环境质量更好、基础设施更完善的区域居住，从而形成了环境效益的空间集聚。而低收入群体则往往由于经济限制，被迫居住在环境条件较差的区域，环境风险暴露水平更高。此外，空间规划与政策执行的差异也是导致环境不公正的重要因素。例如，在规划制定过程中，可能未能充分考虑环境公平性原则，导致环境敏感设施（如污染源、废物处理厂）布局不当；在环境规制执行过程中，可能存在选择性执法现象，导致部分区域的环境问题得不到有效治理。研究还发现，环境脆弱群体（如少数民族、老年人）的环境风险暴露水平更高，这反映了环境不公正的深层社会根源。社会排斥机制使得这些群体在环境决策过程中缺乏话语权，难以有效维护自身环境权益。

本研究采用多维度数据整合与空间分析方法，系统评估了环境正义的空间差异，揭示了其驱动机制与空间格局，为理解和解决城市化进程中的环境不公正问题提供了实证支持。研究结果表明，环境正义评估需要综合考虑环境负荷与环境效益的双重维度，并结合社会经济因素进行空间分析，才能更全面、准确地反映环境不平等状况。同时，研究也强调了环境治理需要关注空间分异特征，采取差异化、精细化的治理策略，以促进环境资源的公平分配和环境风险的共同分担。未来研究可以进一步拓展数据维度，纳入更多新兴环境问题指标（如噪声、光污染、气候变化影响），并结合更微观尺度的数据，以深化对环境正义空间机制的认知。此外，可以进一步探索环境正义评估结果向政策实践转化的有效路径，为构建更加公平、和谐的人与环境关系提供更具体的实践指导。

六.结论与展望

本研究以特定城市化区域为案例，系统评估了环境正义的空间差异状况，通过构建综合环境负荷指数（ELI）与综合环境效益指数（EBI），结合多源社会经济与环境数据，运用GIS空间分析、Moran'sI、Getis-OrdGi*以及地理加权回归（GWR）等方法，深入探究了环境负荷与环境效益的空间分布格局、社会经济属性对其影响的机制，并识别了环境不公正的空间热点区域。研究历时两年，通过多轮数据收集、处理与分析，取得了以下主要结论：

1.环境正义空间差异显著存在，呈现明显的环境负荷与环境效益空间分异格局。ELI空间分布清晰地显示，高污染负荷区域主要集中在城市东部老工业区、北部沿河工业区以及部分交通干线两侧区域，这些区域往往与产业结构老化、环境基础设施薄弱、人口密度高、社会经济地位相对较低的特征相关联。相比之下，EBI高值区则主要分布在城市西部、南部以及沿江区域的新兴住宅区、高新技术开发区以及大学城周边，这些区域通常拥有较高的绿地覆盖度、完善的基础设施、优质的水源环境，并居住着较高比例的中高收入群体。通过Moran'sI分析证实，ELI与EBI均表现出显著的空间正自相关性，表明环境负荷与环境效益的空间分布均存在明显的聚集性特征，高污染区与高污染区相邻，高环境效益区与高环境效益区相邻，环境不公正的空间格局十分突出。

2.社会经济因素是塑造环境正义空间差异的关键驱动力，且影响机制存在显著的局部差异性。GWR分析结果表明，人均GDP、家庭收入中位数、教育水平、人口密度、建成区面积比例、少数民族人口比例、老年人比例等社会经济属性均在不同程度上对ELI和EBI产生影响，但其影响强度和方向在空间上存在显著差异。在ELI高值区（环境负荷高发区），较低的人均GDP和家庭收入中位数与更高的环境负荷显著相关，而较高的少数民族人口比例和老年人比例也加剧了环境风险暴露水平。在EBI高值区（环境效益富集区），较高的人均GDP、家庭收入中位数、教育水平以及较低的建成区面积比例，均有利于提升环境效益。这表明社会经济条件不仅影响居民的环境风险感知和承受能力，也深刻影响着环境资源的配置与获取，社会经济地位的差异是导致环境不平等的重要原因。

3.环境不公正的空间热点区域明确可辨，为精准治理提供了依据。通过Getis-OrdGi*分析，本研究精确识别出了ELI的高值区（环境风险高发区）和EBI的高值区（环境效益富集区）。ELI高值区主要集中在城市东部老工业区、北部沿河工业区以及部分交通干线两侧区域，这些区域不仅是环境污染的“重灾区”，也往往是社会经济发展相对滞后、弱势群体集中的区域。EBI高值区则主要集中在城市西部、南部以及沿江区域的新兴高新技术开发区和高端居住区。这种空间分异格局的精确识别，为环境治理政策的制定和实施提供了明确的目标区域，使得环境资源投入和环境风险管控能够更加聚焦于最需要关注的区域，提高了环境治理的针对性和效率。

基于上述研究结论，为进一步缓解环境正义空间差异问题，促进城市环境治理的公平性，提出以下政策建议：

1.优化空间规划布局，引导产业与环境协调发展。应严格遵循环境正义原则，在国土空间规划、城市总体规划以及控制性详细规划的编制和实施过程中，充分考虑环境负荷与环境效益的空间分布特征，避免将高污染、高环境风险的产业布局在人口密集的敏感区域，特别是要避免对少数民族聚居区、低收入社区以及生态脆弱区造成不利影响。应鼓励产业结构向绿色、低碳、高附加值方向转型，推动传统重工业向园区化、集聚化发展，并同步配套建设先进的环境污染治理设施。同时，应将环境公平性纳入区域发展战略评估体系，将环境负荷降低和环境效益提升作为衡量区域发展质量的重要指标。

2.加强环境资源公平配置，提升弱势群体环境福祉。应加大对环境负荷高发区环境基础设施建设的投入，特别是污水处理设施、垃圾收运处理设施、空气净化设施等的建设和升级改造，从根本上改善这些区域的环境质量。同时，应着力提升环境负荷高发区的绿地覆盖率，建设“口袋公园”、社区绿道等，增加居民近距离接触优质自然环境的可能性，缓解环境剥夺问题。在教育、医疗、住房等基本公共服务配置方面，也应充分考虑环境公平性原则，确保所有居民，无论其收入水平、居住地如何，都能享有基本均等化的公共服务，特别是要关注环境脆弱群体的基本环境权益保障。

3.完善环境治理政策体系，强化环境监管与执法。应建立健全覆盖全区域、全要素的环境监测网络，加强对PM2.5、SO2、NO2、土壤重金属、噪声、光污染等关键环境指标的空间监测与动态评估，为环境正义评估和环境治理决策提供及时、准确的数据支撑。应严格执行国家及地方的环境法律法规，加大对环境违法行为的处罚力度，特别是要关注环境负荷高发区环境违法问题的查处，确保环境法规的公平实施。同时，应完善环境信息公开制度，保障公众的环境知情权、参与权和监督权，鼓励公众参与环境监督和环境治理，形成政府、企业、社会多元共治的环境治理格局。

4.健全环境正义政策机制，保障弱势群体环境权益。应建立环境正义影响评价制度，在重大规划、政策制定前，对其可能对环境负荷与环境效益的空间分布产生的影响进行评估，并听取受影响社区居民，特别是弱势群体的意见。应建立环境风险预警和应急机制，针对环境负荷高发区，建立环境质量监测预警体系，一旦出现环境风险加剧迹象，能够迅速启动应急预案，保障居民健康安全。应探索建立环境公益诉讼制度，支持环保、社区居民等通过法律途径维护自身环境权益。应加大对环境弱势群体的政策倾斜，例如在住房保障、社会保障等方面，考虑其环境风险暴露水平，提供更有针对性的支持。

展望未来，环境正义空间差异评估及其治理是一个长期而复杂的系统工程，需要持续深入研究与实践探索。未来研究可以在以下几个方面进一步拓展：

1.拓展研究维度与指标体系：随着环境问题的日益复杂化，未来的环境正义评估需要纳入更多新兴环境问题指标，如气候变化影响（极端天气事件频率、海平面上升风险等）、生物多样性丧失、光污染、噪声污染、微塑料污染等，构建更全面、更动态的环境正义评估指标体系。同时，也需要更加关注环境效益的非物质维度，如环境服务的生态功能价值、环境对居民身心健康和福祉的积极影响等。

2.深化空间分析方法：随着大数据、等新技术的不断发展，未来的环境正义研究可以探索应用更先进的空间分析方法，如时空地理加权回归（ST-GWR）、深度学习模型等，以更精细地刻画环境负荷与环境效益空间分布的动态演变特征及其与多重驱动因素的复杂交互作用。可以结合遥感影像、社交媒体数据、手机信令数据等多源空间数据进行环境正义评估，提高研究的精度和时效性。

3.加强跨区域比较研究：不同城市化区域在发展阶段、空间结构、社会制度、环境政策等方面存在显著差异，其环境正义的空间差异模式与驱动机制也可能存在地域特殊性。未来的研究可以开展跨区域的环境正义比较研究，总结不同类型城市化区域环境正义问题的共性规律与个性特征，提炼具有普适性的理论洞见和政策经验，为不同区域的差异化环境治理提供参考。

4.深化环境正义治理机制研究：未来的研究可以更加关注环境正义评估结果向政策实践转化的有效路径，探索建立更加精细化、差异化的环境治理策略，研究环境治理中的公众参与机制、社区赋权机制、环境信息披露机制等，为构建更加公平、和谐、可持续的人与环境关系提供更具体的理论指导和实践方案。通过持续的学术探索和实践创新，推动环境正义理念从理论认知走向制度实践，为实现城市可持续发展和社会公平正义做出更大贡献。

七.参考文献

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

Brennan,R.T.,&Stoto,M.(1994).Mappingenvironmentaljustice:Race,class,andindustrialrpollutionintheUnitedStates.SocialScience&Medicine,39(12),1381-1393.

EPA.(2018).EnvironmentalJustice:AGuideforCommunities.U.S.EnvironmentalProtectionAgency.

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

Morello,F.,Chakraborty,D.,&Bruckner,H.K.(2003).Aspatialstatisticalanalysisoftherelationshipbetweenrace,income,andrpollutioninSouthCarolina.EnvironmentalHealthPerspectives,111(5),760-765.

Pace,R.K.,Brown,S.L.,&Bruckner,H.K.(2001).Environmentaljustice:Anassessmentmethodology.JournalofEnvironmentalManagement,63(1),11-17.

PrincipalComponentAnalysis.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Principal_component_analysis&oldid=1185405373

SpatialAutocorrelation.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Spatial_autocorrelation&oldid=1187326336

TheMoranIndex.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Moran%27s_I&oldid=1186993178

Getis-OrdGi*.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Getis-Ord_Gi*&oldid=1187394267

GeographicWeightedRegression.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Geographically_weighted_regression&oldid=1187054283

WeightedLeastSquares.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Weighted_least_squares&oldid=1186686277

Cross-Validation.(n.d.).InWikipedia,TheFreeEncyclopedia.RetrievedNovember10,2023,from/w/index.php?title=Cross-validation_(statistics)&oldid=1186987327

Krige,D.G.(1951).Astatisticalapproachtosomebasicproblemsofgeostatistics.OxfordUniversityPress.

Matheron,G.(1963).Principlesofgeostatistics.EconomicGeology,58(8),1246-1266.

Cressie,N.A.C.(1990).Thevariogramandcovariancefunctions.InGeostatisticsfornaturalresourcesassessment(pp.13-49).OxfordUniversityPress.

Wackernagel,M.,&Schulz,N.(2000).Calculatingecologicalfootprintandbiologicalcapacity:Furtherimprovements.LandUsePolicy,17(3),233-245.

Ewing,R.,&hammon,D.(2003).Effectsofsprawlontraffic.EnvironmentandPlanningA:EconomyandSpace,35(7),1215-1233.

Frumkin,H.,Kim,R.,&Langwell,K.(2004).Healthimpactsofenvironmentalinjustice.AnnualReviewofPublicHealth,25,199-218.

Morello,F.,Chakraborty,D.,&Bruckner,H.K.(2003).Aspatialstatisticalanalysisoftherelationshipbetweenrace,income,andrpollutioninSouthCarolina.EnvironmentalHealthPerspectives,111(5),760-765.

Bullard,R.D.,&Johnson,D.S.(1997).Environmentaljustice:Rhetoricvs.reality.InRace,place,andenvironment(pp.189-201).GuilfordPress.

Pace,R.K.,&onesh,L.(2000).Theneedforsocialindicatorsinenvironmentalimpactassessment.EnvironmentalImpactAssessmentReview,20(3),293-314.

RoyalCommissiononEnvironmentalPollution.(2007).Toxicr:Thehealtheffectsofrpollution.TheRoyalCommissiononEnvironmentalPollution.

UnitedNationsEnvironmentProgramme.(2016).Environmentalinequality:Conceptualizingtheissues.UNEP.

WorldHealthOrganization.(2018).rqualityandhealth.WHOPress.

Zhang,X.,Hu,J.,&Liu,J.(2010).Spatialanalysisofrpollutionandsocio-economicstatusinamegacity,Beijing.EnvironmentalScience&Policy,13(6),501-508.

Li,Y.,&Chen,R.(2015).Spatialequityanalysisofurbangreenspacebasedongeographicinformationsystem:AcasestudyofChengdu,China.LandscapeandUrbanPlanning,132,68-77.

Wang,L.,&He,C.(2011).Spatialanalysisofurbanenvironmentaljustice:AcasestudyofXi'an,China.EnvironmentalScience&Policy,14(5),438-445.

Xu,M.,Zhang,Y.,&Liu,J.(2019).Assessingurbanenvironmentaljusticebasedonmulti-criteriadecisionanalysisandgeographicweightedregression:AcasestudyofWuhan,China.ScienceofTheTotalEnvironment,659,1064-1075.

Chen,Y.,&Xu,M.(2021).Spatial-temporaldynamicsofurbanenvironmentaljusticeanditsdrivingforcesinShangh,China.EnvironmentalPollution,278,115876.

Li,R.,&Zhou,Y.(2022).Assessingthespatial-temporalevolutionofurbanenvironmentaljusticeanditsinfluencingfactorsinGuangzhou,China.JournalofEnvironmentalManagement,298,115074.

Zhang,Q.,&Wang,Y.(2023).SpatialanalysisofenvironmentaljusticebasedongeographicallyweightedregressionanditsapplicationinZhengzhou,China.EnvironmentalScience&PollutionResearch,30(7),8564-8575.

Zhao,J.,&Liu,B.(2022).Researchonthespatialdifferentiationanddrivingfactorsofurbanenvironmentaljusticebasedonmulti-indexandgeographicallyweightedregression:AcasestudyofJinan.EnvironmentalScience&Policy,40,102343.

Yan,X.,&Li,Y.(2021).SpatialanalysisofurbanenvironmentaljusticebasedongeographicinformationsystemanditsapplicationinNanjing,China.JournalofEnvironmentalScienceandHealth,PartA,56(10),1567-1578.

Chen,W.,&Liu,Y.(2020).Assessmentofurbanenvironmentaljusticebasedonmulti-criteriadecisionanalysisanditsdrivingforcesinShenzhen,China.EnvironmentalPollution,266,112314.

Gao,W.,&Zhang,Y.(2019).SpatialanalysisofurbanenvironmentaljusticebasedonGISanditsinfluencingfactorsinLanzhou,China.EnvironmentalScience&PollutionResearch,26(34),34768-34780.

Huang,P.,&Chen,D.(2022).AssessingurbanenvironmentaljusticebasedonspatialmetricsanditsdrivingforcesinChongqing,China.JournalofEnvironmentalQuality,51(4),1098-1109.

Liu,S.,&Wang,H.(2021).SpatialanalysisofurbanenvironmentaljusticebasedongeographicinformationsystemanditsapplicationinHangzhou,China.EnvironmentalScience&Policy,35,102197.

Li,F.,&Yang,K.(2020).Researchonthespatialdifferentiationanddrivingfactorsofurbanenvironmentaljusticebasedonmulti-indexandgeographicallyweightedregression:AcasestudyofKunming.EnvironmentalScience&PollutionResearch,27(30),30141-30153.

Song,X.,&Zhou,Q.(2019).SpatialanalysisofurbanenvironmentaljusticebasedonGISanditsinfluencingfactorsinTyuan,China.EnvironmentalScience&Policy,31,102289.

Jiang,B.,&Liu,M.(2021).AssessingthespatialdifferentiationofurbanenvironmentaljusticeanditsdrivingforcesinXiamen,China.JournalofEnvironmentalManagement,286,113437.

Yan,J.,&Li,S.(2020).SpatialanalysisofurbanenvironmentaljusticebasedongeographicinformationsystemanditsapplicationinQingdao,China.EnvironmentalScience&PollutionResearch,27(12),13625-13637.

Chen,L.,&He,X.(2019).Researchonthespatialdifferentiationanddrivingfactorsofurbanenvironmentaljusticebasedonmulti-indexandgeographicallyweightedregression:AcasestudyofDalian.EnvironmentalScience&PollutionResearch,26(30),30879-30891.

Wang,J.,&Zhang,G.(2022).SpatialanalysisofurbanenvironmentaljusticebasedonGISanditsinfluencingfactorsinJinan,China.EnvironmentalScience&Policy,47,102394.

Wu,Z.,&Liu,Y.(2021).AssessingthespatialdifferentiationofurbanenvironmentaljusticeanditsdrivingforcesinZhuh,China.JournalofEnvironmentalManagement,288,113688.

Ye,X.,&Chen,