長三角地區碳排放時空特征、空間聚類與治理策略

韓傳峰，宋府霖，滕敏敏

（1.同濟大學 a.經濟與管理學院；b.可持續發展與新型城鎮化智庫，上海 200092；2.上海電力大學 經濟與管理學院，上海 200090）

一、引 言

2020年9月，習近平主席在第七十五屆聯合國大會上莊嚴承諾，中國二氧化碳排放力爭于2030年前達到峰值，努力爭取2060 年前實現碳中和。在中國經濟進入高質量發展的關鍵時期，碳達峰、碳中和將有效助力中國應對全球氣候變化，勢必成為促進經濟社會全面綠色轉型發展的總抓手。2019年10月，國務院正式批復《長三角生態綠色一體化發展示范區總體方案》，強調長三角應率先探索將生態優勢轉化為經濟社會發展優勢，加快重大改革試點經驗共享共用。2019年12月，中共中央、國務院印發《長江三角洲區域一體化發展規劃綱要》，將長三角區域共同發展作為國家重大戰略，要求提升長三角在世界經濟格局中的能級和水平，引領中國參與全球經濟治理體系競爭與合作。實現碳達峰、碳中和目標是推動長三角生態綠色一體化發展的內在要求，也是引領全球經濟治理體系變革、促進區域經濟高質量發展的關鍵契機。作為區域經濟發展的典范，長三角地區率先實現碳達峰、碳中和具有極大的帶動作用和標桿意義。

城市是能源消費和溫室氣體排放的主要來源，也是能源轉型和環境治理等政策實施的主體［1］。不同城市所處的發展階段不同，控制碳排放的潛力和能力等存在差距。同一區域內城市發展的驅動因子相似，發展要素具有更高的流動性，治理模式可以很好地相互影響和借鑒［2］。因此，亟須綜合考慮城市經濟社會等指標特征，統籌識別不同類型的城市碳達峰路徑，堅持因地制宜、分類施策、域內聯動，推進區域城市協同、梯次、有序達峰。已有較多文獻對中國碳排放空間特征與動態趨勢進行研究［3-4］，研究結果表明：中國碳排放具有顯著空間集聚特征，高碳排放區主要集中于東部沿海等經濟發達地區［5］，城市碳排放強度整體均值呈下降趨勢［6］。由于經濟社會發展的動態性和復雜性，影響碳排放的相關研究大多選取關鍵驅動因子［7］，包括人均GDP［8］、產業結構［9］、人口規模［10］、土地利用［11］、生態建設［12］、技術水平［13］等，涵蓋經濟、社會和技術等方面［14］，但較少關注因子變化趨勢。納入碳排放因素的地區分類研究主要聚焦于全國或省份層級［15-16］，對區域內城市層面進行劃分的研究鮮見。

綜上所述，本文采用空間自相關、核密度估計和系統聚類等方法，深入研究長三角地區碳排放時空特征與動態演進趨勢，綜合考慮影響碳達峰、碳中和的多種靜態和動態因素，將長三角41 個城市進行系統聚類，深度探究經濟社會等指標特征，提出碳排放治理策略，為長三角地區實現碳達峰、碳中和目標以及區域協調高質量發展提供決策支持。

二、研究方法與數據來源

（一）空間自相關分析

全局Moran'sI指數基于全局角度，衡量碳排放在空間分布上是否存在集聚特征［17］。計算公式為：

其中：n為研究樣本個數；Wij為空間權重矩陣；yi為i城市的碳排放量；yˉ為樣本城市碳排放的平均值。全局Moran'sI指數取值范圍為［-1，1］，數值大于0表示空間正相關；小于0表示空間負相關；等于0表示樣本數據在空間中隨機分布，不存在空間自相關。

局部空間自相關是衡量局部區域的觀測值與鄰近區域的觀測值間相似程度的指標，可有效識別長三角地區碳排放的局部空間集聚格局和離散特征，并將其劃分為高—高、低—高、低—低和高—低4種集聚類型。計算公式為：

（二）Kernel核密度估計

為更直觀、生動地揭示長三角地區碳排放時空分布特征，運用非參數估計的Kernel核密度估計刻畫2012—2019 年長三角地區碳排放量整體空間差異和動態演進趨勢。核密度估計方法對隨機變量的概率密度進行近似估計，考察變量分布位置、形態等動態信息。由于對模型的依賴性較弱且具有良好的統計性質，該方法在空間分布差異研究中已得到廣泛應用［18］。計算公式如下：

其中：Nh為觀測值個數；Xi為觀測點值；x為平均值；h表示帶寬；K(·)為核函數。選擇已有研究中廣泛運用的高斯核函數，具體如下所示：

（三）聚類分析

作為一種經典的數據挖掘技術方法，聚類分析法基于信息關聯度，將隨機分布的樣本數據在非監督狀態下進行組別劃分，使組內、組間樣本分別呈現出高度的“同構性”與“異質性”［19-20］，在區域分類中應用較為廣泛［21-22］。常用的聚類方法包括系統聚類法、模糊聚類法、動態聚類法、K均值聚類法等［23-24］。較于其他聚類方法，系統聚類可根據指標相似度來判定聚類數，不需預先設定，有利于識別數據隱性相關性，樣本間距離計算方法靈活，適用性較強［25-26］。常用的系統聚類方式主要有最短距離法、最長距離法、中間距離法、離差平方和法（Ward 法）等，聚類統計量主要包括絕對值距離（Block Distance）、歐氏距離（Euclidean Distance）等［27］。

本文采用Ward系統聚類法對長三角41個城市進行綜合分類，基本思路是將n個樣本分為k類，每縮減一類離差平方和將增大，選擇使S增加最小的兩類并合并，循環迭代至所有實體聚為一個簇［28］。具體算法如下：

第t類樣本的離差平方和為［29］：

全部類樣本內部離差平方和可表示為［30］：

采用歐幾里得距離度量樣本間的相似性，公式如下［31］：

（四）地理探測器

地理探測器是識別地理空間分異性、揭示其背后驅動力的統計學方法［32］，可有效探測兩個變量空間分布一致性與因果關系，能夠克服統計方法處理變量的局限性，廣泛應用于社會經濟因素和自然環境因素的影響機理研究［33-34］。本文運用地理探測器的因子探測與交互作用探測，識別長三角地區城市尺度碳排放空間分異格局的主導驅動因子，分析不同解釋因子與因變量的多重空間疊加，探尋長三角地區城市尺度碳排放空間分異格局的關鍵交互因子。計算公式為［35］：

其中：SSW、SST 分別為層（級）內方差之和、全區總方差；q的值域為［0，1］，q值越大表示探測因子X對屬性Y的空間分布解釋力越強；h表示探測因子X的分級；Nh、N分別表示層級h和全區的單元數；、σ2分別為層級h和全區的Y值的方差。

（五）指標選取與數據來源

基于科學性、系統性原則，考慮數據可獲得性和統計口徑一致性，盡可能將所有相關因素都納入影響碳達峰、碳中和的指標體系構建［36］，選取8 個靜態指標反映不同城市碳排放的截面特征，9 個動態指標進一步刻畫不同城市碳達峰的態勢特征，進行系統聚類分析。其中，靜態指標包括人均GDP、年末總人口、第二產業占總產值比重、城市建設用地占市區面積、每萬人公共汽車運營數量、人均碳排放量、地均碳排放量［37］、碳排放強度和人均綠地面積等。詳細聚類指標見表1 所列。

表1 聚類指標

具體的指標選擇依據說明如下：

（1）選用人均GDP表示城市經濟發展水平。根據環境庫茲涅茨曲線，經濟發展水平與碳排放呈“倒U”型。

（2）選用城市年末總人口來表征城市的人口規模。人口規模越大，能源消費總量越高，進而導致碳排放總量高。

（3）選用第二產業產值占比表征城市產業結構。第二產業的化石能源燃燒會產生大量碳排放。

（4）選用城市建成區面積與行政區域土地面積的比值表征土地利用程度。城市化水平越高，需要越多的建設用地來承載人類活動，碳排放量越大。

（5）選用每萬人公共汽車運營數量表征公共交通水平。城市公共交通水平越高，碳排放量越少。

（6）選用全年碳排放總量與地區生產總值的比值表征各城市的碳排放強度。碳排放強度越大，城市技術水平越落后。

（7）選用人均綠地面積表征城市碳匯水平。人均綠地面積越大，城市碳匯能力越強。

黨的十八大以來，中國將生態文明建設納入社會主義建設總體戰略［38］，城市區域發展格局發生較大變化，動態指標以2012—2019 年的平均增長率計算，更能反映當前城市社會經濟發展趨勢。各城市GDP、綠地面積、第二產業占總產值比重、建設用地占市區面積、公共汽車運營數量等數據來自《中國城市統計年鑒》（2013—2020 年）；城鄉居民可支配收入、單位GDP 能耗等數據來源于各城市國民經濟和社會發展統計公報、統計局網站；DMSP/OLS 和NPP-VIRS 夜間燈光數據來自美國國家海洋和大氣管理局（National oceanic and Atmospheric Administration，NOAA）下屬的國家地球物理數據中心（National Geophysical Data Center，NGDC）；長三角地區矢量數據源自國家基礎地理信息中心。為剔除價格因素影響，以2012 年為基期對國內生產總值進行平減處理。

由于缺少2005—2019年連續年份的城市尺度能源消費數據，借鑒Li等［39］的方法，利用能源消費數據、DMSP/OLS 夜間燈光數據和NPP/VIIRS 夜間燈光數據模擬城市能源消費碳排放數據，得到的能源消費碳排放量與統計數據計算所得碳排放量平均相對誤差均在合理范圍內。

三、長三角地區碳排放時空特征演變與聚類分析

（一）長三角地區碳排放時空特征演化

2005—2019年長三角地區碳排放全局Moran'sI指數如圖1、圖2所示。

圖1 2005—2019年長三角地區碳排放全局Moran's I指數

圖2 2005—2019年長三角地區碳排放全局Moran's I指數統計

由圖1、圖2可知，長三角地區碳排放Moran'sI指數區間為0.203 5～0.288 1，Z值均大于1.96，P值均小于0.01，2005—2019 年均通過1%的顯著性水平檢驗，說明2005—2019 年長三角地區碳排放在地理空間上并非隨機分布，而是具有顯著全局空間正相關。此外，城市的碳排放存在強大的空間積累。整體來看，全局莫蘭經歷了三個階段：第一階段為2005—2012 年波動上升期，Moran'sI從2005 年的0.231 7 上升至2012 年的0.273 4，波動并達到該階段峰值，表明長三角地區41 個城市碳排放水平有所增加；第二階段為2012—2013年，Moran'sI在此階段大幅下降，2013 年達到低點0.217 3；第三階段為2013—2019 年，該階段特點是上升—下降—上升，其中，2014年上升至0.240 8，2018 年下降至0.2275，2019 年上升至0.288 1。基于此，2015—2019 年長三角地區碳排放全局Moran'sI指數存在一定的波動性，表明2015—2019 年長三角地區碳排放全局空間格局特征尚未形成穩態。

選取2005 年、2012 年、2019 年為代表年份，探究長三角城市41 個城市碳排放的局部集聚特征。總體來看，長三角地區碳排放具有“東高西低”的空 間特征，如圖3所示。

圖3 2012年、2015年、2019年長三角地區碳排放局部空間自相關聚類

由圖3可知，長三角地區碳排放局部空間格局特征具體可分為4類：

第一類為高—高聚集區，2005 年、2012 年、2019 年上海、蘇州和南通始終處于高—高集聚區，這些城市分布在以上海為中心的長三角東部沿海地區，均為上海都市圈內的城市。這些城市經濟發展水平較高，人口規模龐大，區位條件優越，能源消耗總體水平較高；工業化、城鎮化進程不斷加快，電力、交通、房地產等行業能源消耗的增加，造成了大量的碳排放；人們生活水平的提高，娛樂和餐飲也間接地刺激能源消費需求。隨著長三角地區經濟一體化程度不斷增強，導致碳排放水平居高不下。此外，高—高集聚區域城市間相鄰空間的合作交流不斷加強，勞動力、資本等生產要素在城市間雙向流動，技術、知識、信息的空間溢出效應不斷增強，城市間交通條件不斷改善，基礎設施共享水平不斷提高，從而有力地帶動了周邊城市經濟的聯動發展，促進了區域碳排放水平的整體提高。

第二類為高—低聚集區，指當地城市碳排放量較高，但其周邊城市碳排放量較低。2012年、2019年杭州始終處于高—低聚集區，主要因為杭州是浙江省省會，經濟規模居全省首位，能源消耗較高，勞動力和資金的持續流入導致與周邊城市的碳排放水平存在較大差異。

第三類為低—低聚集區，指本地城市碳排放水平較低，周邊城市碳排放水平也較低。低—低集聚區主要分布在長三角西南和西北角，2005年、2012年、2019年蕪湖、池州、黃山均處于低—低集聚區，2005年、2012 年亳州、阜陽位于低—低集聚區。這些城市的碳排放水平一直處于較低水平，主要是受經濟發展、能源資源稟賦、勞動力和地理位置等因素制約。

第四類為低—高聚集區，指當地城市的碳排放量較低，但其周邊城市的碳排放量較高。2005 年、2012年、2019年嘉興始終位于低—高集聚區，主要是由于其經濟體量與上海、蘇州等城市存在差距，加之低碳技術水平不斷提高，能源消費結構持續優化，居民環保意識不斷增強。

從聚集類型數量上看，2012 年、2015 年和2019 年長三角地區碳排放水平以高—高聚集和低—低集聚為主，低—高聚集和高—低聚集為輔。4 種聚集類型的城市碳排放水平均表現出較強的路徑依賴和較高的空間穩定性，各類型間難有跨越式突破，形成“低者恒低、高者恒高”的局部空間格局。主要原因是城市碳排放具有鄰域效應和空間溢出效應，周邊城市在經濟發展、產業布局上采取的政策措施和戰略行為具有相互模仿、學習和競爭的效果，在經濟結構上存在趨同或互補作用。

（二）長三角地區碳排放時空差異演進

采用核密度估計方法探究長三角地區碳排放量的動態演進趨勢，揭示其分布位置、分布形態、分布延展性等特征，如圖4所示。

圖4 2005—2019年長三角地區碳排放動態演進趨勢

總體而言，2005—2019 年長三角地區碳排放核密度呈現出明顯的“單極”現象，核密度函數中心未發生大幅偏移，大部分城市碳排放總量低于5 000 萬噸。2008 年峰值最高，2012 年、2015 年、2018 年、2019 年逐漸降低，波峰寬度逐漸增大，表明長三角地區碳排放存在顯著空間非均衡性特征，究其原因可能是由于經濟發展水平、產業結構、技術水平等不同，導致各城市的碳排放存在差異。2005 年、2008 年、2012 年密度中心幾無變化，峰值先增大后降低，寬度也顯著擴大，表明此階段長三角地區大部分城市碳排放總量增幅較小。2012 年核密度曲線存在右“拖尾”現象，表明2012 年長三角地區部分城市碳排放量達到峰值，高值城市數量增加且變化較大，高值城市與低值城市的碳排放極差達到最大。2012—2019 年密度中心明顯向右遷移，波峰逐步趨于平緩，峰值略有降低，曲線寬度進一步擴大，表明在此期間長三角地區大部分城市碳排放總量小幅上升，但梯度差異程度不斷縮小，這可能是由于長三角地區一體化程度持續加深，全域一體化縱深發展不斷取得新進展。

（三）長三角地區41個城市空間聚類

聚類結果如圖5所示，當相對距離大于2.5時，第Ⅰ、Ⅳ可歸為一類，可合并為一類城市的指標特征在一定程度上有相似之處。

圖5 聚類結果

選擇相對距離為1.5，將長三角41 個城市分為5 類：第Ⅰ類包括蚌埠、泰州、臺州、淮安、鹽城、連云港、紹興、蕪湖、無錫、銅陵；第Ⅱ類包括安慶、溫州、湖州、嘉興、常州、蘇州、鎮江、揚州、寧波、馬鞍山、南通、宿遷；第Ⅲ類包括滁州、阜陽、六安、亳州；第Ⅳ類為池州、宿州、宣城、淮北、淮南、黃山、金華、麗水、衢州、徐州；第Ⅴ類包括杭州、南京、合肥、上海、舟山。從分類結果來看，這種分類打破了傳統時空界限，呈現分散、跨域等特征。同一類城市的地域連續性較差，表明長三角地區各城市在推動碳達峰、碳中和進程中，切忌實施簡單化和“一刀切”的碳減排措施，避免以傳統地理位置劃分城市類別的錯誤，應依據各城市的社會經濟特征，給予科學、系統、針對性的指導。各類型城市描述性統計見表2 所列，各類型城市特征如圖6所示。

圖6 各類城市特征

表2 描述性統計

選取具有代表性的指標，描述各類城市的相關特征。結合表2 和圖6 可知：第Ⅰ類城市人均GDP區間為2.16～8.81 萬元，第二產業產值占總產值比重均值為0.46，城市建設用地占市區面積年均變化率在5類城市中最低，城鎮化進程較慢。第Ⅱ類城市人均GDP 均值為11.24 萬元，人均可支配收入年均增長率均值達到9.78%，在5 類城市中處于中上游位置，產業結構區間為0.43～0.54，產業結構偏向重型化，表明該類城市經濟發展過程中伴隨著大量化石能源的消耗，需要加快調整產業結構，尤其是能源密集型產業，應提高能源利用效率和清潔能源替代率。第Ⅲ類城市人均GDP區間為3.28～7.01萬元，經濟發展水平整體較低，經濟發展方式較為粗放，GDP 高速增長以高能耗、高碳排放為代價，城市建設用地面積增長率較高，處于城鎮化快速發展階段。人均碳排放增長率較高，需樹立綠色消費與生活新觀念，提高城鎮居民環境意識。碳排放強度均值為2.70 噸/萬元，在5 類城市中最高，能源利用率較低，應加大低碳節能技術研發力度，著力提升能源系統整體效能。第Ⅳ類城市人均GDP 區間為3.47～8.11 萬元，城市建設用地規模持續擴大，林地、園地和耕地轉為建設用地，必將改變生態環境及土地利用方式，破壞森林，減少植被，降低碳匯能力。以上4類城市實現碳達峰、碳中和目標過程中，應重點關注節能減排如何與經濟發展協同增效。第Ⅴ類城市的杭州、南京、合肥、上海等4城市為省會城市及直轄市，匯集周圍優質的生產要素與經濟資源，產生強大的虹吸效應，使得各項社會經濟發展指標均較高。作為長三角地區社會經濟發展的第一梯隊，人均GDP均值為14.04萬元，人口規模均值為1 050.13 萬人，可支配收入增長率最高，中位數超過9%，人均綠地面積區間為24.26～120.32 公頃/萬人，碳排放強度均值為0.74噸/萬元，這些指標在5類城市中最為突出。此類城市經濟基礎雄厚、技術創新能力強、減排潛力大，屬于長三角地區碳減排的主要發力點，有責任和條件減少經濟發展過程中對傳統化石能源的依賴，構建清潔低碳、安全高效的現代能源體系。作為典型的海島城市，舟山擁有陸海交互和人類活動影響較廣泛的海域，微型生物豐富，CO2交換作用強烈，具有典型海洋碳匯動態特征，應大力發展海洋碳匯產業。

（四）長三角地區碳排放影響機制探測

綜合考慮社會、經濟等方面因素，結合相關文獻及可得數據，選取人均GDP 表征經濟發展水平［40］，第二產業占總產值比重表征產業結構［41］，年末總人口表征人口規模［42］，城市建設用地占市區面積比重表征城鎮化水平［43］，人均綠地面積表征生態環境［44］，人均科學技術支出費用表征科研投入［45］，共計6個因子，進行地理探測。

首先進行因子探測，探究單因子對長三角地區碳排放空間分異的影響程度，結果見表3所列。影響長三角地區城市尺度碳排放空間分異格局的驅動因子從大到小依次是：產業結構（0.834 4）＞城鎮化水平（0.785 6）＞研發投入（0.757 5）＞經濟發展水平（0.252 0）＞生態環境（0.222 4）＞人口規模（0.162 9）。

表3 地理探測器單因子探測

為進一步探究長三角地區碳排放空間分異機理，長三角地區41個城市碳排放量空間分異格局的驅動因子在空間疊加后形成的交互作用結果，見表4所列。

表4 地理探測器交互因子探測

綜合單因子探測和交互因子探測可發現，所有交互因子對碳排放空間分異的決定力水平較單因子均有明顯增強，表明長三角地區碳排放空間分異是多因素非線性耦合的結果。對碳排放空間分異性決定力水平最高的關鍵交互因子是人口規模∩產業結構，表明人口規模和產業結構在空間疊加后，對長三角地區41個城市碳排放空間分異格局起主導作用，決定力達到0.985 3。決定力水平較高的交互作用因子人口規模∩城鎮化水平（0.976 1）、人口規模∩研發投入（0.969 7）、經濟發展水平∩城鎮化水平（0.923 1）、生態環境∩城鎮化水平（0.906 2）、產業結構∩研發投入（0.923 5）、產業結構∩城鎮化水平（0.897 3）、生態環境∩產業結構（0.858 9）、經濟發展水平∩研發投入（0.850 5）、城鎮化水平∩研發投入（0.820 9）中多包含城鎮化水平、研發投入和產業結構，說明包含城鎮化水平、產業結構、研發投入的關鍵交互因子對城市碳排放空間分異格局具有更顯著的空間疊加效應。同時，人口規模∩經濟發展水平、人口規模∩生態環境、經濟發展水平∩產業結構、生態環境∩研發投入等具有一定影響力，決定力分別為0.705 0、0.740 4、0.664 4、0.787 9。經濟發展水平∩生態環境影響力最小，決定力為0.250 2。人口規模∩經濟發展水平、人口規模∩生態環境、人口規模∩城鎮化水平、人口規模∩研發投入、經濟發展水平∩生態環境等交互因子產生非線性增強，其他交互因子均產生雙因子增強作用。

四、長三角地區碳排放治理策略

城市實施碳達峰、碳中和方案過程的本質是各類生產要素與創新要素優化重組的過程，是推動城市發展轉型的重要方面。推進碳達峰、碳中和的進程，應充分考慮不同類型城市特征，實施針對性治理策略，助力實現碳達峰、碳中和目標，推動區域經濟高質量發展。

長三角地區各城市應倡導低碳生活，在衣、食、住、行等各個方面由傳統的高碳模式向低碳模式轉變，使低碳生活方式成為廣大居民的自覺行為，以更集約、高效的方式促進供給、生產、經營、消費等各個環節低碳發展。第Ⅰ類城市應大力發展綠色經濟、生態經濟、循環經濟，摒棄高耗能、高污染、高排放產業的老舊發展模式，積極運用低碳技術改造、提升傳統產業，加快淘汰落后產能，逐步實現經濟增長與碳排放脫鉤。第Ⅱ類城市應注重產業結構調整，逐步優化產業結構，提升第二產業技術創新率，促使第三產業產值份額持續增長，大力發展低碳、低能耗、高附加值的綠色環保產業。引導高端化、精細化和低碳化的新興產業發展，建立合理的準入淘汰機制，遏制高耗能產業盲目擴張。第Ⅲ類城市應深耕技術創新，強化市場機制引領的資源集聚效應，驅動全產業鏈低碳發展。加大低碳技術研發、引進與推廣力度，突破可再生能源、儲能、氫能、CCUS、生態碳匯等關鍵核心技術，進一步加大政府補貼力度，降低技術使用成本，注重低碳技術創新布局，推進低碳技術系統發展。第Ⅳ類城市應秉承城市理性與精明增長理念，提升國土空間利用效率，合理劃分城市土地利用功能分區，優化“三生”用地空間。積極建立綠色可持續的生產和消費模式，培養和樹立低碳消費觀，形成良好的綠色低碳氛圍，打造全方位、高精度、市場化的綠色、低碳公共出行激勵新模式。第Ⅴ類城市是長三角地區實現碳達峰、碳中和目標的關鍵。在已開放“三孩政策”的背景下，大型城市控制人口因素對碳排放量增長的關鍵是提升引才聚才質量、提升居民低碳意識，圍繞產業鏈精準匹配人才鏈。充分利用風能、太陽能、潮汐能、生物質能等可再生能源，有效替換煤炭等高碳能源。利用5G、物聯網、大數據、云計算、人工智能等新一代信息技術賦能“能源互聯網”，推動能源行業數字化轉型。舟山市應大力發展碳匯漁業，積極探索“藍碳”經濟新模式。充分發揮“智慧海洋”試點作用，實施“碳匯工廠”海洋牧場建設，利用長三角科技創新與技術研發優勢，突破、孵化一批“藍碳”新技術、新裝備、新產品，為區域經濟發展培育新的增長點。

五、結 論

（1）2005—2019 年，長三角地區碳排放全局Moran'sI指數均大于0.2，表明長三角地區碳排放呈現顯著空間正相關性，但尚未形成穩態。局部Moran'sI指數進一步表明，長三角地區碳排放具有“東高西低”的空間特征。上海、蘇州和南通等城市始終位于高—高聚集區；蕪湖、池州、黃山等城市始終處于低—低聚集區；除2005年，杭州始終處于高—低聚集區。2005—2019年，長三角地區碳排放空間分布具有一定程度的路徑依賴，形成了“低者恒低、高者恒高”的局部空間格局。

（2）2005—2019 年，長三角地區碳排放核密度呈現出明顯的“單極”現象，碳排放存在顯著的空間非均衡性特征。2005—2012 年長三角地區碳排放總量增幅較小，且2012年高碳排放城市與其他城市的碳排放極差達到最大。系統聚類將長三角地區41個城市分為5類，分類結果呈現出分散、跨域等特征，同一類城市的地域連續性較差。作為長三角地區社會經濟發展的第一梯隊，第Ⅴ類城市的杭州、南京、上海、合肥等4城市是碳排放治理的重點。

（3）由單因子探測可知，長三角地區41個城市碳排放量空間分異格局的主導驅動因子及其決定力水平存在顯著差異，影響長三角地區碳排放量空間分異的驅動因子決定力從大到小依次為產業結構、城鎮化水平、研發投入、經濟發展水平、生態環境、人口規模。由交互因子探測可知，所有交互因子對長三角地區碳排放空間分異的決定力相對于單個因子均有所增強，其中，人口規模∩產業結構對長三角地區41個城市碳排放空間分異格局起主導作用，包含產業結構、城鎮化水平、研發投入的關鍵交互因子對城市碳排放空間分異格局具有更顯著的空間疊加效應。