长三角地区碳排放时空特征、空间聚类与治理策略

韩传峰，宋府霖，滕敏敏

（1.同济大学 a.经济与管理学院；b.可持续发展与新型城镇化智库，上海 200092；2.上海电力大学 经济与管理学院，上海 200090）

一、引 言

2020年9月，习近平主席在第七十五届联合国大会上庄严承诺，中国二氧化碳排放力争于2030年前达到峰值，努力争取2060 年前实现碳中和。在中国经济进入高质量发展的关键时期，碳达峰、碳中和将有效助力中国应对全球气候变化，势必成为促进经济社会全面绿色转型发展的总抓手。2019年10月，国务院正式批复《长三角生态绿色一体化发展示范区总体方案》，强调长三角应率先探索将生态优势转化为经济社会发展优势，加快重大改革试点经验共享共用。2019年12月，中共中央、国务院印发《长江三角洲区域一体化发展规划纲要》，将长三角区域共同发展作为国家重大战略，要求提升长三角在世界经济格局中的能级和水平，引领中国参与全球经济治理体系竞争与合作。实现碳达峰、碳中和目标是推动长三角生态绿色一体化发展的内在要求，也是引领全球经济治理体系变革、促进区域经济高质量发展的关键契机。作为区域经济发展的典范，长三角地区率先实现碳达峰、碳中和具有极大的带动作用和标杆意义。

城市是能源消费和温室气体排放的主要来源，也是能源转型和环境治理等政策实施的主体［1］。不同城市所处的发展阶段不同，控制碳排放的潜力和能力等存在差距。同一区域内城市发展的驱动因子相似，发展要素具有更高的流动性，治理模式可以很好地相互影响和借鉴［2］。因此，亟须综合考虑城市经济社会等指标特征，统筹识别不同类型的城市碳达峰路径，坚持因地制宜、分类施策、域内联动，推进区域城市协同、梯次、有序达峰。已有较多文献对中国碳排放空间特征与动态趋势进行研究［3-4］，研究结果表明：中国碳排放具有显著空间集聚特征，高碳排放区主要集中于东部沿海等经济发达地区［5］，城市碳排放强度整体均值呈下降趋势［6］。由于经济社会发展的动态性和复杂性，影响碳排放的相关研究大多选取关键驱动因子［7］，包括人均GDP［8］、产业结构［9］、人口规模［10］、土地利用［11］、生态建设［12］、技术水平［13］等，涵盖经济、社会和技术等方面［14］，但较少关注因子变化趋势。纳入碳排放因素的地区分类研究主要聚焦于全国或省份层级［15-16］，对区域内城市层面进行划分的研究鲜见。

综上所述，本文采用空间自相关、核密度估计和系统聚类等方法，深入研究长三角地区碳排放时空特征与动态演进趋势，综合考虑影响碳达峰、碳中和的多种静态和动态因素，将长三角41 个城市进行系统聚类，深度探究经济社会等指标特征，提出碳排放治理策略，为长三角地区实现碳达峰、碳中和目标以及区域协调高质量发展提供决策支持。

二、研究方法与数据来源

（一）空间自相关分析

全局Moran'sI指数基于全局角度，衡量碳排放在空间分布上是否存在集聚特征［17］。计算公式为：

其中：n为研究样本个数；Wij为空间权重矩阵；yi为i城市的碳排放量；yˉ为样本城市碳排放的平均值。全局Moran'sI指数取值范围为［-1，1］，数值大于0表示空间正相关；小于0表示空间负相关；等于0表示样本数据在空间中随机分布，不存在空间自相关。

局部空间自相关是衡量局部区域的观测值与邻近区域的观测值间相似程度的指标，可有效识别长三角地区碳排放的局部空间集聚格局和离散特征，并将其划分为高—高、低—高、低—低和高—低4种集聚类型。计算公式为：

（二）Kernel核密度估计

为更直观、生动地揭示长三角地区碳排放时空分布特征，运用非参数估计的Kernel核密度估计刻画2012—2019 年长三角地区碳排放量整体空间差异和动态演进趋势。核密度估计方法对随机变量的概率密度进行近似估计，考察变量分布位置、形态等动态信息。由于对模型的依赖性较弱且具有良好的统计性质，该方法在空间分布差异研究中已得到广泛应用［18］。计算公式如下：

其中：Nh为观测值个数；Xi为观测点值；x为平均值；h表示带宽；K(·)为核函数。选择已有研究中广泛运用的高斯核函数，具体如下所示：

（三）聚类分析

作为一种经典的数据挖掘技术方法，聚类分析法基于信息关联度，将随机分布的样本数据在非监督状态下进行组别划分，使组内、组间样本分别呈现出高度的“同构性”与“异质性”［19-20］，在区域分类中应用较为广泛［21-22］。常用的聚类方法包括系统聚类法、模糊聚类法、动态聚类法、K均值聚类法等［23-24］。较于其他聚类方法，系统聚类可根据指标相似度来判定聚类数，不需预先设定，有利于识别数据隐性相关性，样本间距离计算方法灵活，适用性较强［25-26］。常用的系统聚类方式主要有最短距离法、最长距离法、中间距离法、离差平方和法（Ward 法）等，聚类统计量主要包括绝对值距离（Block Distance）、欧氏距离（Euclidean Distance）等［27］。

本文采用Ward系统聚类法对长三角41个城市进行综合分类，基本思路是将n个样本分为k类，每缩减一类离差平方和将增大，选择使S增加最小的两类并合并，循环迭代至所有实体聚为一个簇［28］。具体算法如下：

第t类样本的离差平方和为［29］：

全部类样本内部离差平方和可表示为［30］：

采用欧几里得距离度量样本间的相似性，公式如下［31］：

（四）地理探测器

地理探测器是识别地理空间分异性、揭示其背后驱动力的统计学方法［32］，可有效探测两个变量空间分布一致性与因果关系，能够克服统计方法处理变量的局限性，广泛应用于社会经济因素和自然环境因素的影响机理研究［33-34］。本文运用地理探测器的因子探测与交互作用探测，识别长三角地区城市尺度碳排放空间分异格局的主导驱动因子，分析不同解释因子与因变量的多重空间叠加，探寻长三角地区城市尺度碳排放空间分异格局的关键交互因子。计算公式为［35］：

其中：SSW、SST 分别为层（级）内方差之和、全区总方差；q的值域为［0，1］，q值越大表示探测因子X对属性Y的空间分布解释力越强；h表示探测因子X的分级；Nh、N分别表示层级h和全区的单元数；、σ2分别为层级h和全区的Y值的方差。

（五）指标选取与数据来源

基于科学性、系统性原则，考虑数据可获得性和统计口径一致性，尽可能将所有相关因素都纳入影响碳达峰、碳中和的指标体系构建［36］，选取8 个静态指标反映不同城市碳排放的截面特征，9 个动态指标进一步刻画不同城市碳达峰的态势特征，进行系统聚类分析。其中，静态指标包括人均GDP、年末总人口、第二产业占总产值比重、城市建设用地占市区面积、每万人公共汽车运营数量、人均碳排放量、地均碳排放量［37］、碳排放强度和人均绿地面积等。详细聚类指标见表1 所列。

表1 聚类指标

具体的指标选择依据说明如下：

（1）选用人均GDP表示城市经济发展水平。根据环境库兹涅茨曲线，经济发展水平与碳排放呈“倒U”型。

（2）选用城市年末总人口来表征城市的人口规模。人口规模越大，能源消费总量越高，进而导致碳排放总量高。

（3）选用第二产业产值占比表征城市产业结构。第二产业的化石能源燃烧会产生大量碳排放。

（4）选用城市建成区面积与行政区域土地面积的比值表征土地利用程度。城市化水平越高，需要越多的建设用地来承载人类活动，碳排放量越大。

（5）选用每万人公共汽车运营数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）选用全年碳排放总量与地区生产总值的比值表征各城市的碳排放强度。碳排放强度越大，城市技术水平越落后。

（7）选用人均绿地面积表征城市碳汇水平。人均绿地面积越大，城市碳汇能力越强。

党的十八大以来，中国将生态文明建设纳入社会主义建设总体战略［38］，城市区域发展格局发生较大变化，动态指标以2012—2019 年的平均增长率计算，更能反映当前城市社会经济发展趋势。各城市GDP、绿地面积、第二产业占总产值比重、建设用地占市区面积、公共汽车运营数量等数据来自《中国城市统计年鉴》（2013—2020 年）；城乡居民可支配收入、单位GDP 能耗等数据来源于各城市国民经济和社会发展统计公报、统计局网站；DMSP/OLS 和NPP-VIRS 夜间灯光数据来自美国国家海洋和大气管理局（National oceanic and Atmospheric Administration，NOAA）下属的国家地球物理数据中心（National Geophysical Data Center，NGDC）；长三角地区矢量数据源自国家基础地理信息中心。为剔除价格因素影响，以2012 年为基期对国内生产总值进行平减处理。

由于缺少2005—2019年连续年份的城市尺度能源消费数据，借鉴Li等［39］的方法，利用能源消费数据、DMSP/OLS 夜间灯光数据和NPP/VIIRS 夜间灯光数据模拟城市能源消费碳排放数据，得到的能源消费碳排放量与统计数据计算所得碳排放量平均相对误差均在合理范围内。

三、长三角地区碳排放时空特征演变与聚类分析

（一）长三角地区碳排放时空特征演化

2005—2019年长三角地区碳排放全局Moran'sI指数如图1、图2所示。

图1 2005—2019年长三角地区碳排放全局Moran's I指数

图2 2005—2019年长三角地区碳排放全局Moran's I指数统计

由图1、图2可知，长三角地区碳排放Moran'sI指数区间为0.203 5～0.288 1，Z值均大于1.96，P值均小于0.01，2005—2019 年均通过1%的显著性水平检验，说明2005—2019 年长三角地区碳排放在地理空间上并非随机分布，而是具有显著全局空间正相关。此外，城市的碳排放存在强大的空间积累。整体来看，全局莫兰经历了三个阶段：第一阶段为2005—2012 年波动上升期，Moran'sI从2005 年的0.231 7 上升至2012 年的0.273 4，波动并达到该阶段峰值，表明长三角地区41 个城市碳排放水平有所增加；第二阶段为2012—2013年，Moran'sI在此阶段大幅下降，2013 年达到低点0.217 3；第三阶段为2013—2019 年，该阶段特点是上升—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 年长三角地区碳排放全局Moran'sI指数存在一定的波动性，表明2015—2019 年长三角地区碳排放全局空间格局特征尚未形成稳态。

选取2005 年、2012 年、2019 年为代表年份，探究长三角城市41 个城市碳排放的局部集聚特征。总体来看，长三角地区碳排放具有“东高西低”的空 间特征，如图3所示。

图3 2012年、2015年、2019年长三角地区碳排放局部空间自相关聚类

由图3可知，长三角地区碳排放局部空间格局特征具体可分为4类：

第一类为高—高聚集区，2005 年、2012 年、2019 年上海、苏州和南通始终处于高—高集聚区，这些城市分布在以上海为中心的长三角东部沿海地区，均为上海都市圈内的城市。这些城市经济发展水平较高，人口规模庞大，区位条件优越，能源消耗总体水平较高；工业化、城镇化进程不断加快，电力、交通、房地产等行业能源消耗的增加，造成了大量的碳排放；人们生活水平的提高，娱乐和餐饮也间接地刺激能源消费需求。随着长三角地区经济一体化程度不断增强，导致碳排放水平居高不下。此外，高—高集聚区域城市间相邻空间的合作交流不断加强，劳动力、资本等生产要素在城市间双向流动，技术、知识、信息的空间溢出效应不断增强，城市间交通条件不断改善，基础设施共享水平不断提高，从而有力地带动了周边城市经济的联动发展，促进了区域碳排放水平的整体提高。

第二类为高—低聚集区，指当地城市碳排放量较高，但其周边城市碳排放量较低。2012年、2019年杭州始终处于高—低聚集区，主要因为杭州是浙江省省会，经济规模居全省首位，能源消耗较高，劳动力和资金的持续流入导致与周边城市的碳排放水平存在较大差异。

第三类为低—低聚集区，指本地城市碳排放水平较低，周边城市碳排放水平也较低。低—低集聚区主要分布在长三角西南和西北角，2005年、2012年、2019年芜湖、池州、黄山均处于低—低集聚区，2005年、2012 年亳州、阜阳位于低—低集聚区。这些城市的碳排放水平一直处于较低水平，主要是受经济发展、能源资源禀赋、劳动力和地理位置等因素制约。

第四类为低—高聚集区，指当地城市的碳排放量较低，但其周边城市的碳排放量较高。2005 年、2012年、2019年嘉兴始终位于低—高集聚区，主要是由于其经济体量与上海、苏州等城市存在差距，加之低碳技术水平不断提高，能源消费结构持续优化，居民环保意识不断增强。

从聚集类型数量上看，2012 年、2015 年和2019 年长三角地区碳排放水平以高—高聚集和低—低集聚为主，低—高聚集和高—低聚集为辅。4 种聚集类型的城市碳排放水平均表现出较强的路径依赖和较高的空间稳定性，各类型间难有跨越式突破，形成“低者恒低、高者恒高”的局部空间格局。主要原因是城市碳排放具有邻域效应和空间溢出效应，周边城市在经济发展、产业布局上采取的政策措施和战略行为具有相互模仿、学习和竞争的效果，在经济结构上存在趋同或互补作用。

（二）长三角地区碳排放时空差异演进

采用核密度估计方法探究长三角地区碳排放量的动态演进趋势，揭示其分布位置、分布形态、分布延展性等特征，如图4所示。

图4 2005—2019年长三角地区碳排放动态演进趋势

总体而言，2005—2019 年长三角地区碳排放核密度呈现出明显的“单极”现象，核密度函数中心未发生大幅偏移，大部分城市碳排放总量低于5 000 万吨。2008 年峰值最高，2012 年、2015 年、2018 年、2019 年逐渐降低，波峰宽度逐渐增大，表明长三角地区碳排放存在显著空间非均衡性特征，究其原因可能是由于经济发展水平、产业结构、技术水平等不同，导致各城市的碳排放存在差异。2005 年、2008 年、2012 年密度中心几无变化，峰值先增大后降低，宽度也显著扩大，表明此阶段长三角地区大部分城市碳排放总量增幅较小。2012 年核密度曲线存在右“拖尾”现象，表明2012 年长三角地区部分城市碳排放量达到峰值，高值城市数量增加且变化较大，高值城市与低值城市的碳排放极差达到最大。2012—2019 年密度中心明显向右迁移，波峰逐步趋于平缓，峰值略有降低，曲线宽度进一步扩大，表明在此期间长三角地区大部分城市碳排放总量小幅上升，但梯度差异程度不断缩小，这可能是由于长三角地区一体化程度持续加深，全域一体化纵深发展不断取得新进展。

（三）长三角地区41个城市空间聚类

聚类结果如图5所示，当相对距离大于2.5时，第Ⅰ、Ⅳ可归为一类，可合并为一类城市的指标特征在一定程度上有相似之处。

图5 聚类结果

选择相对距离为1.5，将长三角41 个城市分为5 类：第Ⅰ类包括蚌埠、泰州、台州、淮安、盐城、连云港、绍兴、芜湖、无锡、铜陵；第Ⅱ类包括安庆、温州、湖州、嘉兴、常州、苏州、镇江、扬州、宁波、马鞍山、南通、宿迁；第Ⅲ类包括滁州、阜阳、六安、亳州；第Ⅳ类为池州、宿州、宣城、淮北、淮南、黄山、金华、丽水、衢州、徐州；第Ⅴ类包括杭州、南京、合肥、上海、舟山。从分类结果来看，这种分类打破了传统时空界限，呈现分散、跨域等特征。同一类城市的地域连续性较差，表明长三角地区各城市在推动碳达峰、碳中和进程中，切忌实施简单化和“一刀切”的碳减排措施，避免以传统地理位置划分城市类别的错误，应依据各城市的社会经济特征，给予科学、系统、针对性的指导。各类型城市描述性统计见表2 所列，各类型城市特征如图6所示。

图6 各类城市特征

表2 描述性统计

选取具有代表性的指标，描述各类城市的相关特征。结合表2 和图6 可知：第Ⅰ类城市人均GDP区间为2.16～8.81 万元，第二产业产值占总产值比重均值为0.46，城市建设用地占市区面积年均变化率在5类城市中最低，城镇化进程较慢。第Ⅱ类城市人均GDP 均值为11.24 万元，人均可支配收入年均增长率均值达到9.78%，在5 类城市中处于中上游位置，产业结构区间为0.43～0.54，产业结构偏向重型化，表明该类城市经济发展过程中伴随着大量化石能源的消耗，需要加快调整产业结构，尤其是能源密集型产业，应提高能源利用效率和清洁能源替代率。第Ⅲ类城市人均GDP区间为3.28～7.01万元，经济发展水平整体较低，经济发展方式较为粗放，GDP 高速增长以高能耗、高碳排放为代价，城市建设用地面积增长率较高，处于城镇化快速发展阶段。人均碳排放增长率较高，需树立绿色消费与生活新观念，提高城镇居民环境意识。碳排放强度均值为2.70 吨/万元，在5 类城市中最高，能源利用率较低，应加大低碳节能技术研发力度，着力提升能源系统整体效能。第Ⅳ类城市人均GDP 区间为3.47～8.11 万元，城市建设用地规模持续扩大，林地、园地和耕地转为建设用地，必将改变生态环境及土地利用方式，破坏森林，减少植被，降低碳汇能力。以上4类城市实现碳达峰、碳中和目标过程中，应重点关注节能减排如何与经济发展协同增效。第Ⅴ类城市的杭州、南京、合肥、上海等4城市为省会城市及直辖市，汇集周围优质的生产要素与经济资源，产生强大的虹吸效应，使得各项社会经济发展指标均较高。作为长三角地区社会经济发展的第一梯队，人均GDP均值为14.04万元，人口规模均值为1 050.13 万人，可支配收入增长率最高，中位数超过9%，人均绿地面积区间为24.26～120.32 公顷/万人，碳排放强度均值为0.74吨/万元，这些指标在5类城市中最为突出。此类城市经济基础雄厚、技术创新能力强、减排潜力大，属于长三角地区碳减排的主要发力点，有责任和条件减少经济发展过程中对传统化石能源的依赖，构建清洁低碳、安全高效的现代能源体系。作为典型的海岛城市，舟山拥有陆海交互和人类活动影响较广泛的海域，微型生物丰富，CO2交换作用强烈，具有典型海洋碳汇动态特征，应大力发展海洋碳汇产业。

（四）长三角地区碳排放影响机制探测

综合考虑社会、经济等方面因素，结合相关文献及可得数据，选取人均GDP 表征经济发展水平［40］，第二产业占总产值比重表征产业结构［41］，年末总人口表征人口规模［42］，城市建设用地占市区面积比重表征城镇化水平［43］，人均绿地面积表征生态环境［44］，人均科学技术支出费用表征科研投入［45］，共计6个因子，进行地理探测。

首先进行因子探测，探究单因子对长三角地区碳排放空间分异的影响程度，结果见表3所列。影响长三角地区城市尺度碳排放空间分异格局的驱动因子从大到小依次是：产业结构（0.834 4）＞城镇化水平（0.785 6）＞研发投入（0.757 5）＞经济发展水平（0.252 0）＞生态环境（0.222 4）＞人口规模（0.162 9）。

表3 地理探测器单因子探测

为进一步探究长三角地区碳排放空间分异机理，长三角地区41个城市碳排放量空间分异格局的驱动因子在空间叠加后形成的交互作用结果，见表4所列。

表4 地理探测器交互因子探测

综合单因子探测和交互因子探测可发现，所有交互因子对碳排放空间分异的决定力水平较单因子均有明显增强，表明长三角地区碳排放空间分异是多因素非线性耦合的结果。对碳排放空间分异性决定力水平最高的关键交互因子是人口规模∩产业结构，表明人口规模和产业结构在空间叠加后，对长三角地区41个城市碳排放空间分异格局起主导作用，决定力达到0.985 3。决定力水平较高的交互作用因子人口规模∩城镇化水平（0.976 1）、人口规模∩研发投入（0.969 7）、经济发展水平∩城镇化水平（0.923 1）、生态环境∩城镇化水平（0.906 2）、产业结构∩研发投入（0.923 5）、产业结构∩城镇化水平（0.897 3）、生态环境∩产业结构（0.858 9）、经济发展水平∩研发投入（0.850 5）、城镇化水平∩研发投入（0.820 9）中多包含城镇化水平、研发投入和产业结构，说明包含城镇化水平、产业结构、研发投入的关键交互因子对城市碳排放空间分异格局具有更显著的空间叠加效应。同时，人口规模∩经济发展水平、人口规模∩生态环境、经济发展水平∩产业结构、生态环境∩研发投入等具有一定影响力，决定力分别为0.705 0、0.740 4、0.664 4、0.787 9。经济发展水平∩生态环境影响力最小，决定力为0.250 2。人口规模∩经济发展水平、人口规模∩生态环境、人口规模∩城镇化水平、人口规模∩研发投入、经济发展水平∩生态环境等交互因子产生非线性增强，其他交互因子均产生双因子增强作用。

四、长三角地区碳排放治理策略

城市实施碳达峰、碳中和方案过程的本质是各类生产要素与创新要素优化重组的过程，是推动城市发展转型的重要方面。推进碳达峰、碳中和的进程，应充分考虑不同类型城市特征，实施针对性治理策略，助力实现碳达峰、碳中和目标，推动区域经济高质量发展。

长三角地区各城市应倡导低碳生活，在衣、食、住、行等各个方面由传统的高碳模式向低碳模式转变，使低碳生活方式成为广大居民的自觉行为，以更集约、高效的方式促进供给、生产、经营、消费等各个环节低碳发展。第Ⅰ类城市应大力发展绿色经济、生态经济、循环经济，摒弃高耗能、高污染、高排放产业的老旧发展模式，积极运用低碳技术改造、提升传统产业，加快淘汰落后产能，逐步实现经济增长与碳排放脱钩。第Ⅱ类城市应注重产业结构调整，逐步优化产业结构，提升第二产业技术创新率，促使第三产业产值份额持续增长，大力发展低碳、低能耗、高附加值的绿色环保产业。引导高端化、精细化和低碳化的新兴产业发展，建立合理的准入淘汰机制，遏制高耗能产业盲目扩张。第Ⅲ类城市应深耕技术创新，强化市场机制引领的资源集聚效应，驱动全产业链低碳发展。加大低碳技术研发、引进与推广力度，突破可再生能源、储能、氢能、CCUS、生态碳汇等关键核心技术，进一步加大政府补贴力度，降低技术使用成本，注重低碳技术创新布局，推进低碳技术系统发展。第Ⅳ类城市应秉承城市理性与精明增长理念，提升国土空间利用效率，合理划分城市土地利用功能分区，优化“三生”用地空间。积极建立绿色可持续的生产和消费模式，培养和树立低碳消费观，形成良好的绿色低碳氛围，打造全方位、高精度、市场化的绿色、低碳公共出行激励新模式。第Ⅴ类城市是长三角地区实现碳达峰、碳中和目标的关键。在已开放“三孩政策”的背景下，大型城市控制人口因素对碳排放量增长的关键是提升引才聚才质量、提升居民低碳意识，围绕产业链精准匹配人才链。充分利用风能、太阳能、潮汐能、生物质能等可再生能源，有效替换煤炭等高碳能源。利用5G、物联网、大数据、云计算、人工智能等新一代信息技术赋能“能源互联网”，推动能源行业数字化转型。舟山市应大力发展碳汇渔业，积极探索“蓝碳”经济新模式。充分发挥“智慧海洋”试点作用，实施“碳汇工厂”海洋牧场建设，利用长三角科技创新与技术研发优势，突破、孵化一批“蓝碳”新技术、新装备、新产品，为区域经济发展培育新的增长点。

五、结 论

（1）2005—2019 年，长三角地区碳排放全局Moran'sI指数均大于0.2，表明长三角地区碳排放呈现显著空间正相关性，但尚未形成稳态。局部Moran'sI指数进一步表明，长三角地区碳排放具有“东高西低”的空间特征。上海、苏州和南通等城市始终位于高—高聚集区；芜湖、池州、黄山等城市始终处于低—低聚集区；除2005年，杭州始终处于高—低聚集区。2005—2019年，长三角地区碳排放空间分布具有一定程度的路径依赖，形成了“低者恒低、高者恒高”的局部空间格局。

（2）2005—2019 年，长三角地区碳排放核密度呈现出明显的“单极”现象，碳排放存在显著的空间非均衡性特征。2005—2012 年长三角地区碳排放总量增幅较小，且2012年高碳排放城市与其他城市的碳排放极差达到最大。系统聚类将长三角地区41个城市分为5类，分类结果呈现出分散、跨域等特征，同一类城市的地域连续性较差。作为长三角地区社会经济发展的第一梯队，第Ⅴ类城市的杭州、南京、上海、合肥等4城市是碳排放治理的重点。

（3）由单因子探测可知，长三角地区41个城市碳排放量空间分异格局的主导驱动因子及其决定力水平存在显著差异，影响长三角地区碳排放量空间分异的驱动因子决定力从大到小依次为产业结构、城镇化水平、研发投入、经济发展水平、生态环境、人口规模。由交互因子探测可知，所有交互因子对长三角地区碳排放空间分异的决定力相对于单个因子均有所增强，其中，人口规模∩产业结构对长三角地区41个城市碳排放空间分异格局起主导作用，包含产业结构、城镇化水平、研发投入的关键交互因子对城市碳排放空间分异格局具有更显著的空间叠加效应。