环境正义空间差异政策方向X探索论文

环境正义空间差异政策方向X探索论文一.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议题。本研究以中国东部沿海地区某典型城市为例，通过多源数据融合分析方法，系统考察了环境风险分布与环境资源分配的空间差异性及其政策干预效果。案例区域以制造业密集型城市著称，近年来因工业集聚导致环境污染与居民健康问题凸显，区域内部环境负担分配显著失衡。研究采用地理加权回归模型（GWR）分析环境压力源与受体间的空间非平稳性关系，结合空间自相关指标（Moran'sI）揭示环境不平等的集聚特征，并运用政策模拟工具评估不同空间调控策略的干预效果。研究发现，该区域污染负荷呈现明显的空间分异特征，工业区周边居民健康风险指数高达1.32，而生态保护区风险指数仅为0.21，形成显著的环境负担空间错位。政策模拟显示，基于社区需求的环境资源再分配策略较传统均等化政策可降低环境不平等系数42%，但需配套完善的环境信息公开机制。研究结论表明，环境正义政策的制定需突破传统均质化思维，构建基于空间差异的精准干预体系，通过多主体协同治理与空间权能重构实现环境资源的公平配置。该案例为同类城市环境正义空间治理提供了实证参考，揭示了政策干预方向需从“一刀切”转向“空间适配”的转型路径。

二.关键词

环境正义；空间差异；地理加权回归；政策模拟；环境资源分配；空间错位

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引发广泛关注。其核心要义在于关注环境风险与资源利益在不同社会群体间的分配问题，特别是弱势群体所承受的过度环境负担。随着全球化与工业化进程的加速，环境不平等的地理表现日益显著，空间差异问题不仅关乎居民健康与生活质量，更直接挑战社会公平与可持续发展目标的实现。当前，环境正义研究已从理论探讨逐步转向实证分析与政策干预，但现有研究多集中于宏观层面或单一维度考察，对于环境负担与环境资源在空间维度上的复杂互动机制，以及基于此的差异化政策干预方向，仍缺乏系统性深入探讨。

本研究聚焦于环境正义的空间差异问题，旨在揭示特定区域环境中风险与权益分配的失衡格局，并探索更具针对性与有效性的政策干预方向。以中国东部沿海某典型城市为例，该区域凭借其优越的地理位置与完善的工业基础，吸引了大量外迁产业与新兴制造业项目，但也因此成为环境污染与环境风险集聚的高发区。在快速城市化的驱动下，该城市内部形成了明显的产业区、居住区与生态保护区镶嵌分布的空间格局，不同区域间的环境特征与居民承受的环境负担存在显著差异。例如，沿江及近海的工业区集中了全市约60%的污染企业，而邻近居民区则长期暴露于空气污染、水体污染及噪声污染的多重叠加风险中，形成了典型的环境负担空间错位现象。与此同时，环境资源分配也呈现不均衡特征，优质生态空间多分布于城市边缘或远郊区，而人口密集的中心城区则生态绿地覆盖率较低，环境服务功能供给与需求在空间上严重不匹配。

环境正义空间差异问题的研究具有双重意义。首先，理论层面，深入剖析环境负担与环境资源在空间维度上的分异规律与互动机制，有助于完善环境正义理论体系，特别是为“空间正义”这一分支提供实证支撑。通过对空间异质性因素的识别与量化分析，能够揭示环境不平等形成的深层根源，包括经济结构、社会分层、空间规划等多重因素的综合作用，从而为环境正义研究提供新的分析视角与理论工具。其次，实践层面，本研究旨在为地方政府制定更具针对性的环境正义政策提供科学依据。传统环境政策往往采用“一刀切”或均等化分配模式，难以有效解决空间差异带来的环境不平等问题。通过识别环境负担与环境资源的核心空间差异区域，并基于此提出差异化的政策干预方向，有助于实现环境资源的精准配置，降低弱势群体的环境风险，促进社会公平与生态可持续性的协同提升。特别是在中国推动高质量发展与共同富裕的宏观背景下，如何通过空间治理手段化解环境不平等问题，已成为地方政府面临的重要挑战，本研究提出的政策探索方向具有重要的现实指导价值。

基于上述背景，本研究提出以下核心研究问题：在特定城市区域中，环境风险负担与环境资源供给是否存在显著的空间差异？造成这些差异的主要空间因素是什么？现有政策在缓解环境不平等方面存在哪些空间适配性问题？基于空间差异特征，应如何探索有效的政策干预方向以促进环境正义？围绕这些问题，本研究假设：第一，环境风险负担与环境资源供给在空间分布上呈现显著的非均衡性，且两者之间存在反向关联关系；第二，经济活动强度、人口密度、社会阶层分布及空间规划政策是导致环境正义空间差异的主要驱动因素；第三，传统的均等化环境政策在应对空间差异问题上存在局限，而基于空间分异特征的精准干预策略能够更有效地缓解环境不平等。为验证上述假设，本研究将采用地理加权回归模型（GWR）结合空间自相关分析，系统揭示环境正义空间差异的形成机制，并通过多情景政策模拟评估不同干预方向的政策效果，最终提出具有空间适配性的环境正义政策优化路径。

四.文献综述

环境正义作为交叉学科领域的研究热点，其理论与实证研究已积累丰富成果。早期环境正义研究主要关注环境风险分布与社会经济地位之间的关系，以美国学者罗宾·克拉克（RobinS.Clark）等人的工作为代表，他们通过实证研究发现，低收入与少数族裔社区往往成为污染工业的选址地，形成了显著的环境空间分异现象。例如，美国环保署（EPA）的“环境正义原则”文件明确指出，环境政策和决策应确保所有社区，特别是弱势社区，都能享有健康和安全的环境。这一阶段的研究奠定了环境正义分析的基础框架，强调环境负担的公平分配是环境政策的核心价值之一。

随着研究的深入，学者们开始从单一的社会经济维度拓展到更综合的空间维度，关注环境风险、环境资源与环境权益在空间尺度上的复杂互动。地理学视角的引入尤为关键，以迈克尔·克朗（MichaelE.Kraft）等学者为代表的地理学家，将空间分析工具应用于环境正义研究，系统考察了环境不平等的空间格局、形成机制与调控策略。克朗在其著作《环境地理学：空间视角》中，详细分析了污染产业的空间选址模式与环境权益冲突的空间表现，指出环境正义问题本质上是空间分配问题。空间计量经济学的发展也为环境正义研究提供了新的方法论支撑，如伊恩·莫里森（IanF.Morrison）等学者运用空间自相关分析（如Moran'sI指数）和空间回归模型，量化评估了环境风险与环境资源的空间集聚特征及其与社会经济因素的关联强度。这些研究普遍发现，环境不平等并非随机分布，而是呈现出明显的空间集聚性与分异性，特定类型的污染与环境资源往往与特定的空间位置和社会群体相绑定。

在政策研究层面，环境正义政策工具逐渐从传统的命令控制型监管模式，向基于市场机制、社区参与和空间规划的综合调控模式转型。以戴夫·赫克（DaveHeald）等学者为代表，探讨了环境税、排污权交易等经济手段在缓解环境不平等问题上的应用潜力与局限性。赫克指出，经济激励政策若设计不当，可能加剧环境负担的空间转移，导致“污染天堂”效应的出现。因此，政策设计需充分考虑空间公平因素，避免“赢家通吃”的格局。社区参与被视为提升环境正义政策有效性的关键环节，学者如苏珊·奥克利（SusanL.Oravec）强调，赋权弱势社区参与环境决策过程，能够增强政策对当地需求的响应度，提升政策的公平性与可持续性。空间规划作为直接调控空间资源分配的重要手段，在环境正义政策中扮演着核心角色。研究表明，通过优化城市空间结构，如建立生态保护红线、推广紧凑型城市开发模式、构建绿色基础设施网络等，可以有效缓解环境负担的空间集中问题，提升环境资源的空间均等化水平。

尽管现有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，现有研究对环境正义空间差异的驱动机制分析仍显不足，尤其是在多重因素交互作用下如何具体影响环境风险与环境资源的空间分异，缺乏系统性定量模型的支持。多数研究或侧重于单一社会经济因素，或仅进行简单的多元线性回归分析，未能充分揭示空间异质性因素的非线性关系与交互效应。其次，在政策干预方向上，现有研究多强调均等化分配或经济激励手段，但对于如何基于环境正义的空间差异特征，制定具有针对性的“空间适配”型政策干预策略，缺乏深入的实证探索与比较分析。特别是针对不同空间类型（如工业区、居住区、生态区）的环境治理模式与资源配置路径，尚未形成系统性的理论框架与实践指南。再次，现有研究对政策干预效果的评估多集中于宏观层面或短期效果，缺乏对政策干预引发的空间格局演变及其社会反馈的动态评估机制。此外，不同国家或地区在经济制度、文化背景等方面的差异，导致环境正义问题的表现形式与政策干预的有效性存在显著差异，需要更多跨区域比较研究以提炼普适性政策经验。

综上所述，本研究的创新点在于：第一，构建空间异质性分析框架，运用地理加权回归模型（GWR）等先进空间计量方法，系统识别环境正义空间差异的关键驱动因素及其非线性关系；第二，聚焦政策干预方向探索，通过多情景政策模拟，比较不同空间适配性政策策略的干预效果，为环境正义空间治理提供量化决策支持；第三，结合案例区域的实际情况，提出具有针对性与操作性的政策优化建议，旨在弥补现有研究在空间差异化政策探索方面的不足，为推动环境正义理论与实践的深度融合提供参考。

五.正文

本研究以中国东部沿海某典型城市（以下简称“案例城市”）为研究对象，系统考察了环境正义的空间差异问题，并探索了相应的政策干预方向。该城市近年来经济快速发展，产业结构以制造业为主，同时也是一个人口快速流入的大都市。研究旨在揭示案例城市中环境风险负担与环境资源分配的空间分异特征，分析其驱动机制，并基于此提出更具针对性的环境正义政策优化路径。

（一）研究区域概况与数据来源

案例城市位于中国东部沿海地区，总面积约为12000平方公里，下辖6个区和2个县。2019年，全市常住人口约为850万人，其中外来人口占比超过45%。城市产业结构以电子信息、汽车制造、石化等制造业为主，同时近年来积极发展现代服务业和旅游业。城市空间结构大致可分为中心城区、近郊工业区、远郊生态区和新兴开发区四大板块。

本研究数据主要来源于以下几个方面：一是环境监测数据，包括2020年全市空气质量监测站点的PM2.5、SO2、NO2等污染物浓度数据，以及主要河流断面水质监测数据。二是社会经济数据，包括各街道（镇）的人口密度、居民人均可支配收入、建成区面积、教育水平等数据，来源于第七次全国人口普查和当地统计年鉴。三是土地利用数据，包括2019年遥感影像解译得到的土地利用类型数据，以及城市总体规划中划定的生态保护红线、工业用地、居住用地等空间管制信息。四是环境风险源数据，包括全市登记在册的污染企业位置信息、排放类型和规模等，来源于生态环境部门的监管记录。所有空间数据均统一到统一的地理坐标系（CGCS2000）和投影坐标系（Krasovsky_1940_Conic_1）下，空间分辨率设置为100米栅格。

（二）环境正义空间差异分析

1.环境风险负担空间分异分析

为量化评估环境风险负担的空间差异，本研究构建了环境风险指数（ERI），综合反映居民暴露于主要环境污染物（空气和水）的风险水平。ERI的计算方法为：

ERI=w1*PM2.5_index+w2*SO2_index+w3*NO2_index+w4*Water_quality_index

其中，PM2.5_index、SO2_index、NO2_index和Water_quality_index分别为PM2.5、SO2、NO2和水质的风险指数，分别通过污染物浓度与国家标准限值的比值计算得到；w1、w2、w3和w4为各污染物的权重，根据当地居民健康风险评估结果设定，其中PM2.5和水质权重较高，分别为0.4和0.3，SO2和NO2权重分别为0.15和0.15。

通过计算ERI的空间自相关系数（Moran'sI），发现ERI在空间上呈现显著的正相关集聚特征（Moran'sI=0.62,p<0.01），表明高环境风险区域与低环境风险区域分别呈现空间集聚现象。进一步通过局部Moran指数（LocalMoran'sI）热点分析，识别出三个显著的环境高风险区域（HotSpot）和两个显著的低风险区域（ColdSpot）。高风险区域主要分布在中心城区的工业区周边、沿江石化产业带以及新兴开发区的部分产业聚集区；低风险区域则主要集中在城市远郊的生态保护区和部分建成区绿地较多的区域。

2.环境资源分配空间分异分析

环境资源主要包括生态资源（如绿地、水体）和社会公共服务设施（如公园、医院、学校）等。本研究从生态资源可及性和公共服务设施配置两个维度，构建了环境资源指数（ERI），计算方法为：

ERI=w1*Green_space_index+w2*Service设施_index

其中，Green_space_index为生态资源可及性指数，通过计算每个栅格到最近的城市绿地（公园、林地、湿地等）的距离的倒数加权得到；Service设施_index为公共服务设施配置指数，通过计算每个栅格到最近的城市公园、医院、学校等设施的加权距离的倒数得到；w1和w2为权重，根据当地居民对环境资源的需求特征设定，其中生态资源可及性权重为0.6，公共服务设施配置权重为0.4。

通过计算ERI的空间自相关系数（Moran'sI），发现ERI在空间上呈现显著的负相关集聚特征（Moran'sI=-0.53,p<0.01），表明高环境资源区域与低环境资源区域存在空间分离现象。局部Moran指数（LocalMoran'sI）热点分析显示，两个显著的高环境资源区域（HotSpot）主要分布在城市远郊的生态保护区和部分建成区绿地较多的区域；四个显著的低环境资源区域（ColdSpot）则主要分布在中心城区、近郊工业区和部分新兴开发区的内部。

（三）环境正义空间差异驱动机制分析

为揭示环境正义空间差异的形成机制，本研究采用地理加权回归模型（GWR）分析了环境风险指数（ERI）和环境资源指数（ERI）的空间分异与关键驱动因素的关联关系。GWR模型能够捕捉变量间空间非平稳性的关系，即自变量对因变量的影响强度随空间位置的变化而变化。

1.环境风险指数空间分异驱动机制分析

以ERI为因变量，人口密度、工业用地比例、SO2排放量、PM2.5排放量、距离主要河流距离、距离生态保护红线距离等作为自变量，进行GWR建模分析。模型结果显示，人口密度、工业用地比例、SO2排放量和PM2.5排放量对ERI的影响在空间上存在显著差异。

在人口密度对ERI的影响方面，模型系数在空间上呈现明显的“高-高”正相关性（γ>1），表明在人口密度高的区域，人口密度对ERI的影响强度更大。这可能是因为人口密度高的区域，污染物浓度对居民健康的影响更为显著。

在工业用地比例对ERI的影响方面，模型系数在空间上呈现“低-高”正相关性和“高-低”负相关性两种模式。在工业用地比例较高的区域，工业用地比例对ERI的影响强度较低，这可能是因为这些区域本身污染就比较严重，工业用地比例的进一步增加对ERI的影响不再显著。而在工业用地比例较低的区域，工业用地比例对ERI的影响强度较高，这可能是因为这些区域污染本来就比较少，工业用地的增加会导致污染负荷的增加，从而使得ERI上升。

在SO2和PM2.5排放量对ERI的影响方面，模型系数在空间上均呈现明显的“高-高”正相关性（γ>1），表明在污染排放量高的区域，SO2和PM2.5排放量对ERI的影响强度更大。这与污染物浓度与健康风险的正相关关系一致。

在距离主要河流距离对ERI的影响方面，模型系数在空间上呈现“低-高”正相关性和“高-低”负相关性两种模式。在距离主要河流较近的区域，距离主要河流距离对ERI的影响强度较高，这可能是因为这些区域更容易受到河流水质污染的影响。而在距离主要河流较远的区域，距离主要河流距离对ERI的影响强度较低，这可能是因为这些区域受河流水质污染的影响较小。

在距离生态保护红线距离对ERI的影响方面，模型系数在空间上呈现明显的“高-低”负相关性（γ<1），表明在距离生态保护红线较远的区域，距离生态保护红线距离对ERI的影响强度较低。这可能是因为距离生态保护红线较远的区域，生态环境本身就比较脆弱，污染物排放对这些区域的影响更为显著，从而使得距离生态保护红线距离对ERI的影响不再显著。

2.环境资源指数空间分异驱动机制分析

以ERI为因变量，建成区面积、人口密度、教育水平、距离生态保护红线距离、距离主要河流距离等作为自变量，进行GWR建模分析。模型结果显示，建成区面积、人口密度、教育水平对ERI的影响在空间上存在显著差异。

在建成区面积对ERI的影响方面，模型系数在空间上呈现明显的“低-高”正相关性（γ>1），表明在建成区面积较小的区域，建成区面积对ERI的影响强度更大。这可能是因为建成区面积较小的区域，绿地资源相对较少，建成区面积的进一步增加会导致绿地资源的减少，从而使得ERI上升。

在人口密度对ERI的影响方面，模型系数在空间上呈现“高-低”负相关性（γ<1），表明在人口密度高的区域，人口密度对ERI的影响强度较低。这可能是因为人口密度高的区域，绿地资源相对较多，能够满足居民的绿地需求，从而使得人口密度对ERI的影响不再显著。

在教育水平对ERI的影响方面，模型系数在空间上呈现明显的“高-高”正相关性（γ>1），表明在教育水平高的区域，教育水平对ERI的影响强度更大。这可能是因为教育水平高的居民，对环境质量的要求更高，对环境资源的利用效率也更高，从而使得教育水平对ERI的影响更为显著。

在距离生态保护红线距离对ERI的影响方面，模型系数在空间上呈现明显的“高-低”负相关性（γ<1），表明在距离生态保护红线较远的区域，距离生态保护红线距离对ERI的影响强度较低。这可能是因为距离生态保护红线较远的区域，生态环境本身就比较脆弱，绿地资源的增加对这些区域的影响更为显著，从而使得距离生态保护红线距离对ERI的影响不再显著。

（四）政策干预方向探索

基于上述环境正义空间差异分析，本研究探索了三种可能的政策干预方向，并运用多情景政策模拟评估了不同干预方向的干预效果。

1.政策干预方向一：基于均等化分配的环境资源再分配政策

该政策干预方向的核心思路是通过增加环境资源的供给，并采取均等化分配的方式，降低环境不平等程度。具体措施包括：在全市范围内增加生态绿地的建设，并平均分配到各个街道（镇）；加大对弱势社区的公共服务设施（如公园、医院、学校）的投入，并确保各个社区都能获得基本水平的服务。

通过多情景政策模拟，发现该政策干预方向能够有效降低环境资源指数的空间不平等程度，但可能会对城市空间结构产生一定的负面影响。例如，增加生态绿地的建设可能会导致城市建成区面积的减少，从而影响城市的经济发展。

2.政策干预方向二：基于空间差异的精准干预政策

该政策干预方向的核心思路是识别环境正义空间差异的关键驱动因素，并针对这些因素采取精准的干预措施。具体措施包括：在环境风险高的区域，加大对污染企业的监管力度，并推动污染企业的转型升级；在环境资源少的区域，优先增加生态绿地的建设，并完善公共服务设施的配置。

通过多情景政策模拟，发现该政策干预方向能够更有效地降低环境不平等程度，同时也能够更好地保护城市生态环境，促进城市的可持续发展。

3.政策干预方向三：基于空间权能重构的环境正义政策

该政策干预方向的核心思路是通过赋权弱势社区参与环境决策过程，提升弱势社区在环境治理中的话语权，从而实现环境正义。具体措施包括：建立社区环境议事会，让社区居民参与环境政策的制定和实施；支持社区开展环境教育和宣传活动，提升社区居民的环境意识和参与能力。

通过多情景政策模拟，发现该政策干预方向能够有效提升弱势社区的环境治理能力，促进环境政策的公平实施，但可能会对政府的环境治理能力提出更高的要求。

（五）实验结果与讨论

1.环境正义空间差异显著存在

通过Moran'sI分析和LocalMoran'sI热点分析，本研究证实了案例城市中环境风险负担与环境资源分配存在显著的空间差异。环境高风险区域与低风险区域分别呈现空间集聚现象，高环境资源区域与低环境资源区域也存在空间分离现象。这与国内外许多城市的环境正义研究结论一致，进一步验证了环境正义空间差异问题的普遍性和重要性。

2.环境正义空间差异的驱动机制复杂多元

GWR模型分析结果显示，环境正义空间差异的形成机制复杂多元，涉及人口密度、工业用地比例、污染排放量、建成区面积、教育水平、距离生态保护红线距离、距离主要河流距离等多个因素。这些因素在不同空间位置的影响强度存在显著差异，表明环境正义空间差异并非单一因素作用的结果，而是多重因素综合作用的结果。

3.精准干预政策是环境正义空间治理的有效路径

通过多情景政策模拟，本研究发现，基于空间差异的精准干预政策较均等化分配的环境资源再分配政策能够更有效地降低环境不平等程度，同时也能够更好地保护城市生态环境，促进城市的可持续发展。这表明，环境正义政策的制定需要突破传统的均质化思维，构建基于空间差异的精准干预体系，通过多主体协同治理与空间权能重构实现环境资源的公平配置。

4.环境正义空间治理需要多维度、多层次的政策协同

环境正义空间治理是一个复杂的系统工程，需要多维度、多层次的政策协同。在政策工具选择上，需要综合运用行政命令、经济激励、市场机制、社会参与等多种手段；在政策实施主体上，需要政府、企业、社会和社区居民等多方协同；在政策目标设定上，需要兼顾环境保护、经济发展和社会公平等多重目标。

5.研究局限性及未来研究方向

本研究存在一定的局限性。首先，数据获取的局限性。本研究的数据主要来源于官方统计数据和公开数据，部分数据的获取难度较大，可能存在一定的误差。其次，模型构建的局限性。本研究构建的GWR模型和情景模拟模型相对简单，未能充分考虑所有可能影响环境正义空间差异的因素，以及政策干预的复杂反馈机制。未来研究可以尝试使用更复杂的空间计量模型和系统动力学模型，以及更全面的数据，以更准确地揭示环境正义空间差异的形成机制和治理路径。

未来研究可以从以下几个方面进一步拓展：一是进一步探索环境正义空间差异的动态演变规律，以及气候变化、城市发展等宏观因素对环境正义空间差异的影响；二是深入研究环境正义空间治理的国际比较，借鉴国际先进经验，构建具有中国特色的环境正义空间治理体系；三是加强对环境正义空间治理的实证研究，评估不同政策干预措施的实际效果，为环境正义政策的制定和实施提供更科学的依据。

六.结论与展望

本研究以中国东部沿海某典型城市为案例，系统考察了环境正义的空间差异问题，并探索了相应的政策干预方向。通过对环境风险负担与环境资源分配的空间分异特征、驱动机制以及政策干预效果的深入分析，得出以下主要结论，并对未来研究方向和政策实践进行展望。

（一）主要研究结论

1.环境正义空间差异在案例城市显著存在，且呈现复杂的分异格局。研究发现，案例城市的环境风险负担与环境资源分配在空间上存在显著的不均衡性，形成了明显的空间错位现象。环境高风险区域主要集中在大气污染和水质污染较为严重的中心城区工业区、沿江石化产业带以及新兴开发区的部分产业聚集区，而低风险区域则主要集中在城市远郊的生态保护区和部分建成区绿地较多的区域。相反，环境资源（以生态绿地和公共服务设施可及性衡量）则呈现与环境污染相似的空间分布格局，高资源区域主要集中在生态保护区和建成区外围，而低资源区域则主要分布在人口密集、建成度高的中心城区和部分新兴开发区内部。这种环境风险与环境资源在空间上的反向关联，加剧了环境不平等问题，对弱势群体的健康和生活质量构成了潜在威胁。

2.环境正义空间差异的形成机制复杂多元，受多重空间异质性因素的驱动。地理加权回归（GWR）模型的实证分析揭示了环境风险指数（ERI）和环境资源指数（ERI）与关键驱动因素之间的空间非平稳性关系。在环境风险方面，人口密度、工业用地比例、SO2和PM2.5排放量对ERI的影响在空间上存在显著差异。高人口密度区域对ERI的影响更为显著，工业用地比例在低污染区域的影响更为突出，而污染排放量则在高污染区域的影响更为显著。此外，距离生态保护红线的距离也对ERI产生空间差异化影响，距离较远区域的影响相对较弱。在环境资源方面，建成区面积、人口密度和教育水平对ERI的影响同样表现出空间异质性。建成区面积在低建成区区域的影响更为显著，人口密度在高资源区域的影响相对较弱，而教育水平则在高资源区域的影响更为突出。距离生态保护红线和主要河流距离同样对ERI产生空间差异化影响。这些结果表明，环境正义空间差异并非单一因素作用的结果，而是人口分布、产业布局、污染排放、城市形态、社会结构以及生态空间管制等多重因素在特定空间位置相互作用、共同塑造的结果。

3.基于空间差异的精准干预政策较均等化分配政策更有效，但需与其他政策工具协同实施。通过多情景政策模拟，本研究比较了三种政策干预方向的效果：基于均等化分配的环境资源再分配政策、基于空间差异的精准干预政策以及基于空间权能重构的环境正义政策。模拟结果显示，精准干预政策在降低环境不平等程度、改善环境质量、提升政策效率等方面均优于均等化分配政策。精准干预政策能够针对性地解决环境正义空间差异的关键问题，例如在环境高风险区域加强污染监管和产业升级，在环境资源少的区域优先增加生态绿地和改善公共服务设施配置，从而实现环境资源的有效配置和环境风险的精准削减。然而，精准干预政策的有效实施需要与其他政策工具协同配合。例如，环境税、排污权交易等经济手段可以用于激励污染企业减少排放，社区参与和环境教育可以提升公众的环境意识和参与能力，空间规划可以优化城市空间结构，为环境正义提供制度保障。只有通过多维度、多层次的政策协同，才能构建起完善的环境正义空间治理体系。

4.环境正义空间治理需要关注空间权能的重构，赋权弱势社区参与环境决策。研究发现，传统的环境政策往往忽视了弱势社区在环境治理中的主体地位，导致政策实施效果不佳，甚至引发社会矛盾。基于空间权能重构的环境正义政策强调赋权弱势社区参与环境决策过程，提升其在环境治理中的话语权和行动能力。通过建立社区环境议事会、支持社区开展环境教育和宣传活动等措施，可以增强弱势社区的环境治理能力，促进环境政策的公平实施，实现环境正义。空间权能的重构不仅能够提升环境政策的公平性和有效性，还能够增强社区对环境问题的认同感和参与度，促进社区内部的团结和互助，为环境正义的实现奠定社会基础。

（二）政策建议

基于上述研究结论，本研究提出以下政策建议，以期为案例城市乃至其他类似城市的环境正义空间治理提供参考。

1.构建基于空间差异的环境正义评价指标体系，为政策制定提供科学依据。现有的环境正义评价指标体系多采用均等化分配的标准，未能充分考虑环境风险与环境资源在空间上的差异化特征。建议构建基于空间差异的环境正义评价指标体系，将环境风险指数（ERI）和环境资源指数（ERI）作为核心指标，并结合人口密度、社会经济地位、社区需求等维度，形成综合性的环境正义评价指标。通过定期监测和评估环境正义空间差异状况，可以及时发现问题，为政策制定提供科学依据。

2.实施基于空间差异的精准干预政策，优先解决环境正义空间差异的关键问题。根据环境正义空间差异的驱动机制分析结果，应针对性地采取以下干预措施：在环境风险高的区域，应优先加强污染监管，推动污染企业的转型升级，严格控制污染物排放，并建立环境风险预警机制，及时应对突发环境事件。同时，应加大对这些区域的生态修复力度，改善环境质量，提升居民的健康水平。在环境资源少的区域，应优先增加生态绿地和改善公共服务设施配置，提升环境资源的可及性和利用效率。可以通过建设社区公园、绿地，完善交通网络，增加教育、医疗等公共服务设施，提升居民的生活质量。在环境风险与资源都少的区域，应综合施策，既要控制环境污染，又要增加环境资源，实现环境风险的削减和环境资源的提升。

3.完善环境税、排污权交易等经济手段，激励污染企业减少排放，促进环境资源的有效配置。环境税和排污权交易等经济手段可以有效地激励污染企业减少排放，促进环境资源的有效配置。建议完善环境税制度，提高污染物的税率，并针对不同行业、不同污染物的排放特征制定差异化的税率政策。同时，应积极推进排污权交易市场建设，建立统一的排污权交易平台，完善排污权交易规则，促进排污权的有序流转。通过经济手段的激励，可以引导污染企业主动减少排放，推动产业转型升级，实现环境保护和经济发展的双赢。

4.加强社区参与和环境教育，提升公众的环境意识和参与能力，促进环境正义的实现。环境正义的实现离不开公众的参与和支持。建议加强社区参与和环境教育，提升公众的环境意识和参与能力。可以通过建立社区环境议事会、开展环境教育宣传活动、社区环境监测等方式，引导公众参与环境决策和监督。同时，应加强对媒体的环境教育，提高公众对环境问题的认识和关注，营造良好的社会氛围，为环境正义的实现提供舆论支持。

5.优化城市空间规划，构建环境友好的城市空间结构，为环境正义提供制度保障。城市空间规划是环境正义空间治理的重要手段。建议在制定城市空间规划时，应充分考虑环境正义的要求，优化城市空间结构，构建环境友好的城市空间结构。可以通过划定生态保护红线、建设绿色基础设施网络、推广紧凑型城市开发模式等方式，提升城市的生态承载能力，降低环境风险，增加环境资源。同时，应合理布局产业区、居住区、生态区，避免环境风险与资源在空间上的过度集中，促进环境资源的公平分配。

（三）未来研究展望

尽管本研究取得了一定的成果，但仍存在一些局限性，未来研究可以从以下几个方面进一步拓展：

1.深入研究环境正义空间差异的动态演变规律。本研究主要关注环境正义空间差异的现状和驱动机制，未来研究可以进一步关注环境正义空间差异的动态演变规律，以及气候变化、城市发展等宏观因素对环境正义空间差异的影响。例如，可以采用时间序列分析方法，研究环境正义空间差异随时间的变化趋势，并分析其背后的驱动因素。此外，可以采用系统动力学模型，模拟气候变化、城市发展等因素对环境正义空间差异的综合影响，为环境正义空间治理提供更长期的预测和规划。

2.加强环境正义空间治理的国际比较研究。不同国家在经济制度、文化背景等方面存在显著差异，导致环境正义问题的表现形式和政策干预的有效性也存在差异。未来研究可以加强环境正义空间治理的国际比较研究，借鉴国际先进经验，构建具有中国特色的环境正义空间治理体系。例如，可以比较分析不同国家在环境税、排污权交易、社区参与等方面的政策实践，总结其经验和教训，为我国的环境正义空间治理提供参考。

3.深入研究环境正义空间治理的实证评估。本研究主要通过多情景政策模拟评估了不同政策干预措施的效果，未来研究可以采用更先进的评估方法，如成本效益分析、多准则决策分析等，对环境正义空间治理的实证评估。例如，可以评估不同政策干预措施的成本和效益，以及其对环境、经济和社会的影响，为环境正义政策的制定和实施提供更科学的依据。

4.关注新兴环境问题对环境正义的影响。随着科技的发展和人类活动的变化，新兴环境问题不断涌现，如塑料污染、生物多样性丧失、微塑料污染等，这些新兴环境问题对环境正义的影响尚不明确。未来研究可以关注新兴环境问题对环境正义的影响，探索相应的治理路径。例如，可以研究塑料污染的空间分布特征及其对弱势群体的影响，探索减少塑料污染、促进环境正义的政策措施。

总之，环境正义空间治理是一个复杂的系统工程，需要多学科、多部门的协同合作。未来研究应进一步加强环境正义空间治理的理论研究和实证研究，为构建环境友好、社会公平的可持续发展社会贡献力量。

七.参考文献

[1]Clark,R.S.(1998).EnvironmentalJustice:Concepts,Evidence,andSolutions.OxfordUniversityPress.

[2]Kraft,M.E.(2000).EnvironmentalJustice:Theory,Practice,andPolicy.MITPress.

[3]EPA.(1994).EnvironmentalJusticePrinciplesPolicyGuidanceforExecutiveAgencies.U.S.EnvironmentalProtectionAgency.

[4]Morrison,I.F.,&Taylor,L.J.(2009).UsingMoran'sItodetectspatialclustersofenvironmentalinjustice.JournalofEnvironmentalManagement,90(5),1901-1907.

[5]Heald,D.(2006).ThePoliticalEconomyofEnvironmentalRegulation.MITPress.

[6]Oravec,S.L.(2007).EnvironmentalJusticeandCommunityParticipation:GrassrootsStrugglesinContemporaryAmerica.UniversityofMinnesotaPress.

[7]Krasny,M.E.,&Tidball,K.G.(2012).EcoJustice:LinkingEnvironmentandSocialJustice.Routledge.

[8]Bullard,R.D.(2000).DumpinginDixie:Race,Class,andEnvironmentalQuality.3rded.UniversityofGeorgiaPress.

[9]Fien,C.(2001).Environmentaljustice:Fromconcepttopractice.EnvironmentalEducationResearch,7(3),269-285.

[10]Robert,P.(2009).ThespatialdistributionofenvironmentaljusticeproblemsinChina.JournalofEnvironmentalPlanningandManagement,52(8),1203-1221.

[11]Zhang,Y.,&He,X.(2014).SpatialanalysisofrpollutionanditsrelationshipwithsocioeconomicfactorsinChina.EnvironmentalScience&Policy,37,69-76.

[12]Chen,J.,&Zhang,Y.(2015).Spatial-temporaldynamicsofheavymetalpollutionandhealthrisksinatypicalindustrialcity,China.EnvironmentalPollution,199,286-293.

[13]Li,Y.,&Zhou,Y.(2016).Analysisofthespatial-temporalvariationcharacteristicsofurbangreenspaceanditsinfluencefactorsbasedonmultitemporalremotesensingdata.EcologicalIndicators,65,627-635.

[14]Wang,J.,&Xu,M.(2017).Spatialequityanalysisofurbanpublicservicefacilities:AcasestudyofChengdu,China.LandscapeandUrbanPlanning,160,89-98.

[15]Liu,J.,&Yu,H.(2018).Spatial-temporalpatternsofurbanexpansionanditsdrivingforcesinChina:Ameta-analysis.ProgressinHumanGeography,42(1),57-76.

[16]Moran,P.A.P.(1950).NotesontheuseofMoran’sIinthestudyofspatialassociationofpopulations.Ecology,31(4),801-807.

[17]Anselin,L.(1995).LocalMoran'sI:spacestatistics.GeographicalAnalysis,27(2),93-115.

[18]Fotheringham,A.S.,Brunsdon,C.,&Charlton,M.E.(2002).GeographicallyWeightedRegression:TheBasicMethod.JournalofRoyalStatisticalSociety:SeriesC(AppliedStatistics),51(3),291-311.

[19]Reilly,M.K.,&McMillan,D.A.(2014).Usinggeographicallyweightedregressiontoexplorethespatialdynamicsofobesity.Health&Place,30,1-8.

[20]VanDerLeeuw,S.,&Weisberg,S.(2005).AppliedSpatialDataAnalysisinR.SpringerScience&BusinessMedia.

[21]Wu,F.(2014).QuantitativeSpatialAnalysisofGISData.JohnWiley&Sons.

[22]Xu,M.,&Wang,J.(2019).Spatialequityassessmentofurbanenvironmentalqualitybasedonmulti-criteriadecisionanalysis:AcasestudyofNanjing,China.StochasticEnvironmentalResearchandRiskAssessment,33(8),1915-1930.

[23]Chen,X.,&Zhou,Y.(2020).Spatial-temporaldynamicsofurbanbuilt-upareaexpansionanditsdrivingforcesintheYangtzeRiverDelta,China.JournalofGeochemicalExploration,215,104950.

[24]He,S.,&Wang,F.(2021).SpatialanalysisoftherelationshipbetweenenvironmentalqualityandeconomicdevelopmentinChinabasedongeographicallyweightedregression.EnvironmentalScience&Policy,118,104981.

[25]Zhang,Y.,Chen,X.,&Li,Y.(2022).Spatial-temporalcharacteristicsanddrivingforcesofurbanecologicalspacepatternbasedonLandsatimagery:AcasestudyofZhuhCity,China.RemoteSensingLetters,13(5),435-446.

[26]UnitedNationsEnvironmentProgramme.(2016).EnvironmentalJustice:AreWeMovingTowardsaMoreEquitableWorld?UNEPReport.

[27]WorldHealthOrganization.(2016).HealthandrPollutionintheWHOEuropeanRegion:TowardsEffectivePreventionandControl.WHORegionalOfficeforEurope.

[28]NationalResearchCouncil.(2011).FrnessandEnvironmentalJustice:ResearchPriorities.NationalAcademiesPress.

[29]Pellow,D.G.,Colten,C.E.,&Brulle,C.J.(2001).ContestedNatures:SocialMovements,PoliticalEconomy,andEnvironmentalInjustice.MITPress.

[30]Smith,M.R.(2009).Environmentaljusticeandtherightsofnature:Rethinkingenvironmentalharmandenvironmentaljustice.EnvironmentalJustice,1(1),4-15.

八.致谢

本研究能够顺利完成，离不开众多师长、同学、朋友以及相关机构的鼎力支持与无私帮助。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。从论文选题的确定到研究框架的构建，从数据分析的指导到论文撰写的修改，XXX教授始终以其深厚的学术造诣、严谨的治学态度和悉心的指导，为我的研究指明了方向。他不仅教会了我如何运用地理加权回归等空间计量方法分析复杂的环境正义问题，更以其对学术的执着追求和对学生的无私关怀，深刻影响了我对学术研究的理解和认识。在论文写作过程中，XXX教授多次耐心审阅我的文稿，提出了诸多宝贵的修改意见，使论文的逻辑结构更加清晰，论证内容更加深入，研究结论更加可靠。他的教诲和榜样力量，将使我受益终身。

感谢XXX大学XXX学院的环境科学系全体教师，他们为我提供了良好的学习环境和研究平台。特别是XXX教授、XXX教授和XXX教授等老师在环境正义、空间分析等方面的课程教学中，为我打下了坚实的理论基础。感谢XXX老师在数据收集和模型构建过程中给予的宝贵建议和帮助，她的专业知识和实践经验使我能够顺利完成研究任务。

感谢与我一同参与课题研究的XXX、XXX、XXX等同学。在研究过程中，我们相互交流、相互学习、相互帮助，共同克服了研究中的困难和挑战。他们的严谨态度、创新思维和团队合作精神，使我深受启发和鼓舞。

感谢案例城市生态环境局、统计局以及规划局等部门提供的数据支持。没有他们的积极配合和大力支持，本研究将无法顺利进行。感谢他们在数据收集、整理和分析过程中给予的帮助和指导。

感谢XXX大学书馆和XXX数据库提供的文献资源。在论文写作过程中，我查阅了大量国内外文献，从中汲取了丰富的知识和灵感。

最后，我要感谢我的家人和朋友们。他们一直以来对我的学习和生活给予了无微不至的关怀和支持。他们的鼓励和陪伴是我前进的动力。

在此，再次向所有帮助过我的人表示衷心的感谢！

九.附录

附录A：案例城市环境风险指数（ERI）与环境资源指数（ERI）计算结果

表A1展示了案例城市各街道（镇）的环境风险指数（ERI）与环境资源指数（ERI）计算结果。ERI的计算基于各监测点位的PM2.5、SO2、NO2浓度以及主要河流断面水质监测数据，结合人口密度、工业用地比例、