EN中文

Economic geography >

2026 , Vol. 46 >Issue 3: 46 - 57

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.03.005

Spatial Correlation Characteristics and Heterogeneity of Carbon Emissions in the Yangtze River Delta region Based on the Multidimensional Factor Flows

  • LYU Tiangui , 1 ,
  • ZHAO Qiao , ※ ,
  • FU Shufei 1 ,
  • QIU Rong 1 ,
  • HU Han 3
Expand
  • 1 School of Public Administration， Jiangxi University of Finance and Economics， Nanchang 330013，Jiangxi， China
  • 2 School of Digital Economics， Jiangxi University of Finance and Economics， Nanchang 330013，Jiangxi， China
  • 3 School of Public Administration， Hunan University， Changsha 410082，Hunan， China

Received date: 2024-05-07

  Revised date: 2024-10-19

  Online published: 2026-04-29

Fold

Abstract

Clarifying the spatial correlations and heterogeneous impacts of multidimensional factor flows on carbon emissions within a flow-space framework is an effective approach to supporting pollution and carbon reduction efforts. This article takes the multidimensional factor flows of population,capital,technology,data and innovation as an entry point to measure the carbon emissions in the Yangtze River Delta region from 2008 to 2023,and analyzes its spatial correlation and heterogeneous impacts by using the gravity model,exploratory data analysis,geographically and temporally weighted regression model. The results show that: 1) Carbon emissions in the Yangtze River Delta region fluctuate and increase from 214.6 million tons in 2008 to 3.234 million tons in 2023,with an increase of 50.716%. There is a significant positive spatial correlation,it shows the overall spatial pattern of "high-value agglomeration in central cities spreading to neighboring cities. 2) Multidimensional factor flows are becoming increasingly active,exhibiting the uneven development characteristics of "dense in the middle of research area and sparse in the north and south of research area". It builds the chain network of "preferential linkage among Shanghai, Ningbo and Hangzhou with a polycentric flow pattern" and forms the development pattern of "strong cities connecting with weak cities". 3) Multidimensional factor flows have spatial and temporal differences in carbon emission reduction effects, and the emission reduction effect of data flow is the most significant. The research findings contribute to deepening the understanding of the intrinsic relationship between multidimensional factor flows and carbon emission reduction,providing a theoretical basis for facilitating factor mobility and advancing the low-carbon transformation of urban agglomerations.

Key words： carbon emissions; flow space; spatial correlation network; population and capital; innovation; low-carbon transformation; Yangtze River Delta region

Cite this article

LYU Tiangui , ZHAO Qiao , FU Shufei , QIU Rong , HU Han . Spatial Correlation Characteristics and Heterogeneity of Carbon Emissions in the Yangtze River Delta region Based on the Multidimensional Factor Flows[J]. Economic geography, 2026 , 46(3) : 46 -57 . DOI: 10.15957/j.cnki.jjdl.2026.03.005

在数字经济与实体经济深度融合的背景下，城市空间可移动性及区位可变性增强加速着城市生产要素关联流动，与要素流动密切相关的城市碳排放空间关联日益显现。然而，在传统地理布局“场空间”正转向为人流、资本流和信息流等互联互通的“流空间”[1]，城市碳排放治理却面临空间分割的现实困境，阻碍着区域协同减排和碳中和目标进程。事实上，高效的要素流动能通过改善资源利用效率、推动产业结构升级和促使要素优化配置实现碳要素的空间良性互动[2]。为此，如何科学认知多维要素流动影响碳排放空间关联形态，引导城市群要素流动释放其降污减排协调效能，已成为当前低碳协同治理转型的研究热点[3]。
已有研究围绕区域要素流动与碳排放关联特征进行了诸多探讨。在碳排放测度方面，多借助IPCC系数法[4]、投入产出估算法[5-6]及生命周期估算法[7-8]，以及遥感估算模型[9]。在空间关联方面，多采用基尼系数[8]、探索性数据分析[10-11]和社会网络分析[12]等，揭示碳排放时空非平衡特征[8,10-12]。在影响机理方面，多运用地理加权回归模型、STIRPAT模型和随机森林模型等，剖析资本能效、技术投入、能源价格及产业结构等影响效应，认为碳交易政策[13-14]、区域一体化[15-17]均影响碳排放。事实上，突破时空要素约束的“流空间”下区际要素流动逐渐得到关注，通过引力模型、连锁网络模型或人口机械变动率、百度搜索/迁徙指数等替代性指标，发现人口、资本、研发和创新等要素流动对城市群发展影响不断凸显[18-20]。综上可见，已有研究为测度碳排放和要素流动奠定了良好理论基础，但多为静态视角，忽略了要素动态性，鲜有文献探讨要素流动对碳排放关联特征和影响机制，无法响应要素流动的碳领域现实需求，难以引导要素流动推动城市群精准减污降碳。鉴于此，本文选取长三角地区为研究对象，基于“流空间”视角，将要素流动与碳排放纳入统一研究框架，分析多维要素流动对碳排放影响，采用探索性数据分析和引力模型探讨多维要素流动特征和空间关联，引入时空地理加权回归模型实证分析多维要素流动对碳排放影响的时空异质性，以期为促进区域协同减排与低碳转型提供科学参考与实践依据。

1 理论分析框架

在区域一体化发展战略和现代信息技术驱动下，“流空间”理论认为要素流动通过信息服务和创新技术的网络、路径和节点扩散，在城市间形成人口、资本、技术、数据和创新要素流动。因此，城市之间各类资源要素能突破地理空间中高速公路、铁路线网等实体连接限制[21]，基于数据、创新联通载体实现虚拟要素间远程交互[22-23]，进而在空间中形成多维要素流（图1）。
图1 多维要素流动影响碳排放过程的作用机理

Fig.1 Intrinsic mechanism of multidimensional factor flow affecting carbon emissions

①多维要素流动可降低碳排放，导致“以邻为伴”。一方面，要素流动通过数量、质量以及结构降低碳排放，促进城市内要素优化配置。人口、资本要素流入能产生空间规模效应，提升能源使用效率[24]；而技术、创新和数据要素则可激发技术创新和提升绿色生产技术，降低高碳要素使用量。另一方面，要素流动依托城市网络外部性助推城市间技术和知识溢出，促进低碳技术空间扩散。技术、数据和创新等要素流动能推动绿色低碳技术更新，驱动区域经济增长方式低碳转型。由此，多维要素有序流动有助于生产、生活空间绿色化，进而推进全域空间低碳转型。
②多维要素流动可增加碳排放，导致“以邻为壑”。一是人口、资本“场空间”过度集聚增加能源消耗量。尤其是经济发展水平、人口结构与碳排放均存在倒“U”型关系[25-26]，在一定时期数据、创新等要素刺激数字产业园区、通信基站建设可能增加能源消耗，这也意味着，通过发展多中心结构畅通“流空间”有助于缓解此类负面效应[27]。二是要素流动在城市间伴随产业梯度转移，使得能源供应与需求相背离，阻碍碳排放空间联防联控路径。尤其是要素流动直接影响区域内生产要素结构、规模和质量，而周边城市减污降碳技术和能源结构调整滞后易增加碳排放。为此，这种无序或过度的要素流动可能导致要素错配，要素错配导致要素区域空间分布和低碳技术供需相悖离，污染梯度转移阻滞碳排放空间协同治理。
综上可见，要素流动减排效应可能因技术和知识溢出而“以邻为伴”[28]，或因要素配置失衡和污染转移而“以邻为壑”。值得注意的是，囿于经济发展、要素引力和技术基础等差异，要素流动与碳排放之间的关系在不同城市差异明显，综合反映要素流动对碳排放影响具有区域异质性。为此，应从引导人口低碳迁移、促进资本转移绿色化、构建技术转移平台、推动技术创新一体化，并加强数据驱动碳治理，以畅通多维要素流动并释放降碳效应。

2 研究区域、方法与数据

2.1 研究区域

长三角地区是要素高频率流动区域，共涵盖27个地级及以上城市（以下简称“城市”），其中包括上海、南京、杭州、苏州、合肥等9个中心城市和舟山、马鞍山、嘉兴、金华等18个周边城市（图略）。该区域人口、资源、资本等要素集聚，以2.0%国土面积和12.1%常住人口创造了全国20.6%的GDP ① 。然而，要素集聚和流动在助推长三角地区经济发展的同时也引发碳污染问题。长三角地区碳排放量占全国碳排放量16.0% ② ，能源结构以煤炭为主导，区域碳平衡能力有待提升[29]。事实上，长三角地区人口、资本、技术、数据和创新多维要素流动频繁且碳排放总量增幅明显。为推进碳排放空间协同治理，自2008年以来长三角地区探索区域一体化发展战略，寻求跨域低碳发展路径。为此，探究区域要素流动与碳排放空间关联及异质性特征，对于科学制定长三角地区低碳转型发展策略显得尤为迫切。

2.2 研究方法

2.2.1 探索性数据分析

探索性空间数据分析（Exploratory Spatial Data Analysis，ESDA）可揭示长三角地区碳排放量的结构性和规律性，常用全局自相关和局部自相关来表示。其中，全局空间自相关性主要用于判断碳排放在空间上是否出现了集聚或异常值，一般用全局莫兰指数（Moran's I）来度量[30]。本文采用地理距离矩阵衡量可准确捕捉区域间因地理邻近性而产生的碳排放空间相关性，为理解碳排放空间分布特征和制定精准减排策略提供有力工具。

2.2.2 时空地理加权回归模型

由于长三角地区要素流动及碳排放具有时空差异性，本文引入时空地理加权回归模型（Geographically and Temporally Weighted Regression，GTWR）模型有效估计影响因素的时空效应。该模型能同时处理时间和空间双维度的非平稳性问题[31]。

2.3 变量测度与说明

2.3.1 碳排放

能源活动是长三角地区碳排放主要来源，本文选取煤炭、焦炭、汽油、煤油、柴油、燃料油和天然气7种能源消费量进行计算[27]。计算公式如下：
$Q=\sum _{i}\left({A}_{i}·{B}_{i}·{C}_{i}\right)$
式中：Q代表能源碳排放总量；Ai代表第i种能源的消耗量；Bi表示第i种能源标准煤折算系数；Ci表示第i种能源碳排放系数。标准煤折算系数和碳排放系数来源于相关文献[27]。

2.3.2 多维要素流动测度

要素流动本质上是实现资源最优配置和拓展要素流动价值，包括人口、资本等生产要素，以及随经济、信息技术发展而产生的技术、数据、创新等要素。
①人口迁移：本文采用人口净变动即人口机械增长率表征人口迁移，表征人口跨区域净流入规模[32]。计算公式为：
$L{M}_{it}=\frac{{P}_{it}-{P}_{io}\left(1+{N}_{it}\right)}{{P}_{io}}·100\mathrm{\%}$
式中：LMit为地区i在t时刻劳动力净变动率；Nit为人口自然增长率；Pio为地区i在0时刻人口（即期初人口）；Pit为地区i在t时刻人口（即期末人口）。
②资本转移：资本转移受区域经济发展状况、企业利润水平和金融市场发展水平的影响，本文采用引力模型测度长三角地区资本转移规模[33]。计算公式为：
$c{f}_{ij}=\frac{\mathrm{l}\mathrm{n}{c}_{i}\bullet \mathrm{l}\mathrm{n}(pr{o}_{j}-pr{o}_{i})\bullet \mathrm{l}\mathrm{n}(f{m}_{j}-f{m}_{i})}{{R}_{ij}^{2}}$
$C{F}_{i}={\sum }_{j=1}^{27}c{f}_{ij}$
式中：cfij表征为资本要素由i地区转移至j地区的数量；c为资本要素数量；Pro用规模以上工业企业平均利润表征；fm用年末金融机构人民币贷款余额占固定资产投资总额的比重表征；Rij是i、j地区间的直线距离；CFi为i地区资本流动水平。
③技术扩散：技术要素往往伴随技术工人扩散，本文采用技术人员流动规模表征技术扩散规模。工资和房价通常是吸引技术工人流动的重要因素[32]，计算公式如下：
$t{d}_{ij}=\frac{\mathrm{l}\mathrm{n}{M}_{i}\bullet \mathrm{l}\mathrm{n}(Wag{e}_{j}-Wag{e}_{i})\bullet \mathrm{l}\mathrm{n}(Hous{e}_{j}-Hous{e}_{i})}{{R}_{ij}^{2}}$
$T{D}_{i}={\sum }_{j=1}^{27}t{d}_{ij}$
式中：tdij为技术扩散规模；M是从事科研技术行业人员数；Wage是在岗职工平均工资；House是商品房平均价格。
④数据流通：数据要素具有技术、经济特征，依赖于通信、互联网技术发展具有趋利性，可为长三角地区发展提供新动力[33]，数据流通规模可表征为：
$d{t}_{ij}=\frac{\left[\begin{array}{l}\mathrm{l}\mathrm{n}{d}_{i}\bullet \mathrm{l}\mathrm{n}(pr{o}_{j}-pr{o}_{i})\bullet \mathrm{l}\mathrm{n}(tel{e}_{j}-tel{e}_{i})\bullet \\ \mathrm{l}\mathrm{n}(in{t}_{j}-in{t}_{i})\bullet \mathrm{l}\mathrm{n}(ph{o}_{j}-ph{o}_{i})\end{array}\right]}{{R}_{ij}^{2}}$
$D{T}_{i}={\sum }_{j=1}^{27}d{t}_{ij}$
式中：dt表征为长三角地区数据流通数量；d为信息传输、计算机服务和软件业从业人员数以表征地区数据要素数量；tele为电信业务总量；int和pho分别为国际互联网用户数和移动电话年末用户数。
⑤创新流动：创新要素是推动长三角地区低碳转型发展的重要资源，本文用创新人才流动替代表征。区域经济发展水平与工资水平通常是创新流动吸引力变量[33]，可表征为：
$i{f}_{ij}=\frac{\mathrm{l}\mathrm{n}{p}_{i}\bullet \mathrm{l}\mathrm{n}(wa{g}_{j}-wa{g}_{i})\bullet \mathrm{l}\mathrm{n}(gd{p}_{j}-gd{p}_{i})}{{R}_{ij}^{2}}$
$I{F}_{i}={\sum }_{j=1}^{27}I{f}_{ij}$
式中：if为创新流动数量；p用研发人员全时当量表征；gdp为地区生产总值。

2.4 数据来源

在数据选择方面，2008年长三角一体化提升至国家战略层面，安徽省的融入、基础设施的互联互通和公共服务一体化的推进，推动了城际要素的整合与流动。至2023年，长三角地区已基本实现了协同创新、供应链安全稳定和数字化发展，要素流动高效化对碳治理联防共治提出新要求。因此，本文选取2008—2023年长三角地区27个城市的面板数据进行分析，所用数据均来自上海市、浙江省、江苏省、安徽省2009—2024年统计年鉴，国家信息中心宏观经济与房地产数据库和EPS数据平台等。文中部分缺失数据采用线性插值法或均值法计算得出。其中，人均GDP和住宅商品房平均销售价格等经济数据以2008年为基期进行平减。

3 长三角地区碳排放时空格局分析

3.1 长三角地区碳排放测度与空间相关性

3.1.1 碳排放时序演变特征

从图2可知，整体上长三角地区碳排放总量由2008年2.146亿t波动增长至2023年3.234亿t，增幅高达50.716%（图2）。值得注意的是，2015年长三角地区碳排放量大幅下降，究其原因，在于经济增长放缓及清洁可再生能源使用比例提升，导致耗煤量降低。此外，在2018—2020年，碳排放量出现先降后升趋势。同时，碳排放核密度曲线中心随时间迁移向右偏移，主波峰高度先下降后提升，侧峰隆起幅度上升但数量减少。由此表明，长三角地区碳排放呈现出向高值区域集聚的趋势。同时，右拖尾现象加剧，反映区域内部分城市碳排放量增速远高于其他区域，区域空间差异进一步扩大。
图2 2008—2023年长三角地区碳排放演变特征

Fig.2 Evolution of carbon emissions in the Yangtze River Delta region (2008-2023)

从局部来看，碳排放量区域差异显著。其中，中心城市年平均碳排放量为1786.063万t，而周边城市仅为633.020万t，均呈现波动上升趋势。然而，周边城市增长幅度略高于中心城市。究其原因，苏州、宁波、上海等中心城市多为人口净流入和工业实力雄厚地区，重工业、石化产业等高耗能产业占比高，人口和资本要素过度集聚增加能源消耗量。因此，中心城市碳排放量远高于周边城市，但区域不断推动产业绿色化发展，碳排放量增速放缓。对应的是，邻近中心城市的马鞍山、镇江和嘉兴等城市的平均碳排放量超过1000万t，远高于区域整体水平。由此可见，中心城市转移外溢中低端制造业等碳排放密集型产业使得碳排放空间重新配置。

3.1.2 碳排放空间演变特征

为揭示空间差异及演变特征，本文选取2008、2015和2023年为典型年份，借助ArcGIS软件的自然断点法将长三角地区碳排放划分为低、较低、较高和高4个碳排放区并进行空间可视化分析（图3）。
图3 长三角地区碳排放空间分布演变

Fig.3 Evolution of spatial pattern of carbon emissions in the Yangtze River Delta region

从分区数量来看，长三角地区碳排放分区呈现出“低退高进”的增长趋势。2008年，碳排放量集聚于低值区域，其中低碳排放区和较低碳排放区为18个，占比66.67%。2015年，碳排放强度高值区域增至10个。其中，镇江工业结构偏向重化工、造纸、电力等碳排放量较大的传统产业，且可再生能源发展相对不足，使其由较低碳排放区变为较高碳排放区。低碳排放区数量减少为8个，仅占比29.63%。至2023年，研究区碳排放显著增加，高值区占比达59.26%，而宣城、池州、滁州等边缘城市受区位及城市规模限制，非农产业发展滞后且能源消耗较少，仍处于低值区。
从空间分布来看，长三角地区碳排放呈现出以中心城市为高值中心向周边城市扩散的空间格局。碳排放水平相近地区连片分布，低值区聚集于皖南及长三角南部地区，而高值区逐渐相连呈带状分布在区域中部。其中，上海、南京和宁波等中心城市由于经济和人口要素高度集聚和城市快速扩张，处于碳排放高值中心；而紧邻中心城市的镇江和泰州积极承接中心城市人口、资源等外溢要素，转变为碳排放高值区，表现出中心城市邻近区域碳排放高于边远地区的分布特征。
从演变格局来看，长三角地区碳排放呈现出显著空间差异性。2008—2023年，长三角地区城市碳排放相差明显。2008年，苏州、宁波、上海和无锡等城市碳排放量已超过1500万t，而滁州、舟山、池州等城市碳排放均低于200万t，排放量悬殊。而随着时间推移，区域间碳排放差距不断扩大。至2023年，上海、苏州等城市碳排放已超过3000万t，而滁州在研究期内碳排放量未超过200万t。

3.1.3 碳排放空间相关性分析

本文基于地理距离矩阵测度全局莫兰值，探究长三角地区碳排放空间相关性（表1）。结果表明，2008—2023年全局莫兰值介于0.084~0.217之间，呈波动上升趋势。这说明长三角地区碳排放具有显著的空间正相关性，且相关性由弱相关转变为强相关。具体来说，2008—2014年的莫兰 值呈“锯齿状”变化，增幅仅3.425%；2015年的全局莫兰值达到最低值，空间集聚性下降；2016—2023年的莫兰值大幅上升，其中2019年达到峰值0.217，空间相关性显著提升。究其缘由，2015年国际国内降碳形势良好使得长三角地区碳排放总量显著下降，空间相关性减弱且未通过显著性检验。而其余年份莫兰值均通过了显著性检验，具有显著空间集聚效应，印证了长三角一体化发展促使碳排放发挥正向空间溢出效应，应防范碳排放溢出效应对区域环境影响。
表1 全局莫兰值结果

Tab.1 Results of Global Moran index

年份 莫兰值 Z值 P值 年份 莫值兰 Z值 P值
2008 0.146* 1.734 0.051 2016 0.187** 2.252 0.019
2009 0.131* 1.710 0.052 2017 0.172** 2.026 0.025
2010 0.148** 1.809 0.044 2018 0.165** 2.078 0.029
2011 0.123* 1.629 0.059 2019 0.217** 2.486 0.014
2012 0.137* 1.715 0.056 2020 0.217** 2.527 0.015
2013 0.127** 1.674 0.048 2021 0.216** 2.428 0.017
2014 0.151** 1.876 0.037 2022 0.207** 2.366 0.012
2015 0.084 1.202 0.109 2023 0.207** 2.163 0.036

注：*、**分别表示在0.10、0.05水平上显著。

3.2 长三角地区多维要素流动时空格局分析

3.2.1 多维要素流动时序演变特征

由图4可知，长三角地区一体化发展助推了要素跨域流动，且随时间推移愈加明显。除人口迁移以外，资本转移、技术扩散、数据流通和创新流动均表现为中心城市大于周边城市，其中创新流动区域差距最明显。具体而言：①人口迁移呈现出2011和2019年2个流动高峰，流动水平分别为1.483和3.364。与区域平均水平相比，中心城市人口迁入量逐渐超过周边城市，人口要素由城乡流动逐渐向城际流动为主转变。②资本要素随时间的推移转移规模不断扩大，得益于一体化协同下形成的良好营商环境，仅在2021年受国内外经济发展受阻影响转移规模缩小为0.831。③技术要素未受经济影响，呈现出稳定上升的扩散趋势。④数据流通于2010年骤降达到低值后稳步上升，数据要素流通平台逐步完善，在2020年短期流通受阻随后畅通，且在2023年区域平均流通水平达到8.596。⑤创新要素以2014年为界，呈现出先提升后小幅下降趋势。受益于多个“双一流高校”和系列高能级科技创新平台助力长三角地区，中心城市创新要素流动更显著。
图4 长三角地区多维要素流动(2008—2023年)

Fig.4 Multidimensional factor flow in the Yangtze River Delta region （2008-2023）

3.2.2 多维要素流动空间演变特征

基于ArcGIS软件，本文对长三角地区2008、2015和2023年人口、资本、技术、数据和创新多维要素流动进行空间可视化分析（图5）。总体而言，各类要素流动空间格局大致重叠，均围绕中心城市、省会城市形成“以强联弱”发展模式，实现要素在区域内大规模流动。此外，中心城市要素流动水平普遍高于周边城市且差距持续扩大。其中，要素流动活跃区主要集中在上海、苏南，而皖南处于要素流动低值区，盐城和浙东流动特征不明显。
图5 长三角地区多维要素流动空间格局

Fig.5 Spatial pattern of multidimensional factor flow in the Yangtze River Delta region

具体而言：①人口迁移。由图5a可知，浙江省呈现低值塌陷特征，合肥、杭州等中心城市是人口流入高地，整体上呈现出不规则时序波动。此外，受“落户难”和“老龄化”影响，上海人口迁移在2023年为负值。②资本转移。由图5b可知，随着时间推移，资本转移在沪宁横带逐渐形成资本转移的“黄金带”，而边缘“四孤星”形成低值凹陷中心。其中江苏省的资本流动和增长态势均较为显著。③技术扩散。由图5c可知，技术扩散的时空格局与资本转移几乎重叠，表明技术要素不是孤立转移，往往伴随着资本、资源等要素流动而转移。④数据流通。由图5d可知，数据流通在空间上呈现“东多西少，中部多南北少”格局。基于数据要素基础制度建立和数字化转型，上海和南京数据流通最为活跃。然而，数据要素跨域流通依赖互联网、大数据等信息技术的发展与应用，马鞍山、宣城和滁州等周边城市信息技术发展相对滞后，形成低值凹陷区。⑤创新流动。由图5e可知，创新流动呈现出“一超多组团”发展格局，存在显著马太效应。上海凭借协同创新的累积性优势，空间发展差异加剧。而由于以传统产业为主的产业模式限制，周边城市科技发展水平相对落后，未来应进一步培育创新平台和优秀人才。

3.2.3 多维要素流动空间关联网络形态

本文以2023年为典型年份，采用ArcGIS软件，基于自然断点法将长三角地区市域间人口、资本、技术、数据、创新等要素流动强度，划分为高频、中频和低频，构建市际多维要素流动空间关联网络（图6）。
图6 长三角地区多维要素流动空间关联网络

Fig.6 Spatial correlation network of multidimensional factor flow in the Yangtze River Delta region

总体上看，长三角地区多维要素流动在空间上具有网络结构关联关系，形成了“沪宁杭择优相链、多中心流动”链式网络，表明区域内要素突破了仅对临近单元产生溢出效应的局限，在流空间下实现了更广泛的交互。此外，各层级城市多维要素均构建了畅通流动网络，但表现出“中部密南北疏”非均衡发展特征，中心城市间流动频率更高，而周边城市频率相对较低。因此，中心城市在长三角地区多维要素流动关联网络中处于核心位置，形成多节点网络状联接格局。值得注意的是，囿于合肥处于长三角地区边缘，经济发展较其他中心城市不具备突出优势，要素流动网络特征相对滞后。
具体而言：①人口迁移。由图6a可知，人口迁移网络联系最为紧密，在地理邻近城市间，人口要素中频流动特点突出，高频流动则相连为网状覆盖于区域西部。与其他要素低频流动突出特征相反，人口迁移中频流动更为显著，直接表明人口要素流动最活跃。②资本转移与技术迁移。由图6b和6c可知，资本转移与技术迁移链动苏州、南京、马鞍山一线形成高频流动带，形成廊道式发展格局，中频流动则主要发生在邻近城市之间。尽管长三角地区是国家经济、技术要素的集聚中心，流空间视域下区域内资本、技术等要素依旧以低频流动为主。囿于地理位置、经济发展水平等因素，安庆、盐城、温州等城市要素流动与其他城市相比处于孤立状态，表明资本、技术等要素更倾向于流向经济基础较好、城市等级较高城市。③数据流通。由图6d可知，随着高新技术迅猛发展，数据要素在各城市间相连形成中频流动网络，高频流动更是联通上海市和马鞍山市形成沪马横带。而得益于长三角数据要素流通服务平台建立，以及一体化示范区“跨省通办”数据要素无差别共享体系框架下，长三角地区数据流通网络已基本形成。④创新流动。由图6e可知，创新要素跨域流动尚处于初级阶段，主要为低频流动，中频流动以区域中部中心城市间交互为主，由于上海、苏州两市新兴企业数量多，创新需求旺盛，新兴信息产业发展助推创新流动需求，进而出现高频流动。

4 长三角地区多维要素流动对碳排放影响的时空异质性分析

通过对长三角地区多维要素流动及碳排放进行指标检验，结果表明各变量之间均满足VIF值小于10条件，不存在多重共线性。为探究要素流动对碳排放的时空异质性影响，本文采用GTWR模型进行实证分析。

4.1 多维要素流动对碳排放影响实证模型构建

通过比较GTWR、全局普通最小二乘法（GOLS）、地理加权回归模型（GWR）和时间加权回归模型（TWR）在长三角地区碳排放建模中性能（表2），结果显示GTWR模型相较于其他模型具有最佳解释力。据此，由于GTWR模型校正后R2为0.867，拟合优度最高，且AICc仅为235.805。长三角地区多维要素流动对碳排放影响具有时空异质性，而GTWR模型兼具时间和空间非平稳性因此更适合本研究。
表2 评价模型对比分析

Tab.2 Comparative analysis of evaluation models

参数/模型 GTWR GOLS GWR TWR
AICc 235.805 623.097 225.673 617.663
R2 0.896 0.523 0.877 0.551
校正后R2 0.895 - 0.876 0.545
由表3可知，资本转移和创新流动上四分位数为负值。该区域虽作为我国经济集聚区在低碳转型上引领全国，但其碳排放抑制效应在部分城市尚未充分显现。而技术扩散的波动区间最大，表明其减排效应的方向及大小差异最大。值得注意的是，数据流通的回归系数平均值最大为0.766，且上、下四分位数均为正值，表明数据流通是影响碳排放变动关键因素，具有显著正相关效应。此外，人口迁移系数的平均值仅为0.013，提升效应相对有限。尽管长三角地区内部及跨区域人口迁移规模较大，但随着降碳措施和人才政策的实施，以及低碳消费方式的大力倡导，人口迁移对碳排放的影响相对有限[34]。
表3 各变量回归系数的描述性统计结果

Tab.3 Descriptive statistical results of regression coefficients for each variable

项目/变量 观测量 区间 上四分位数 平均值 中位数 下四分位数 标准偏差 方差
常数 432 [-12.109，7.480] -4.801 -1.058 0.133 2.670 4.863 23.645
人口迁移 432 [-1.262，0.756] -0.040 0.013 0.000 0.056 0.185 0.034
资本转移 432 [-0.914，1.937] -0.022 0.270 0.228 0.449 0.495 0.245
技术扩散 432 [-3.188，9.907] -0.689 0.279 0.075 0.670 1.890 3.574
数据流通 432 [-1.646，2.852] 0.290 0.766 0.686 1.428 0.914 0.835
创新流动 432 [-0.261，1.523] -0.072 0.167 0.114 0.236 0.357 0.128

4.2 多维要素流动对碳排放影响时空分异特征

本文选取2008、2015和2023年为典型节点年份，将长三角地区划分为中心城市和周边城市，对实证结果进行匹配分析，结果表明要素流动对碳排放影响存在显著时空差异性（图7）。
图7 长三角地区碳排放影响的时空特征

Fig.7 Spatiotemporal characteristics of carbon emissions impact in the Yangtze River Delta region

由图7a可知，人口迁移增加了长三角地区、中心城市及周边城市碳排放。这表明人口迁移对中心城市碳排放由负效应转变为主导的正效应。人口要素在集聚初期，通过规模经济和共享基础设施降低碳排放。而人口要素过度集聚使得城市边界外扩，尤其是苏州、无锡等大城市人口规模巨大可能导致拥堵效应助推碳排放增长。2023年，周边城市回归系数平均值为0.034，而中心城市为0.046，间接表明人口迁移会增加区域碳排放，且对人口流入城市的增碳效应强于流出城市。
由图7b可知，资本转移对区域碳排放具有显著正向提升作用，其影响先增后减。表明在绿色低碳发展引领下，碳排放提升作用大幅下降，中心城市回归系数平均值在研究期内下降50.638%。究其缘由，长三角地区通过优化产业投资结构和构建绿色低碳发展行动共同体，有效抑制了产业梯度转移引发的碳排放增长，促进产业低碳化转型和减缓了碳排放的增长速度。
由图7c可知，技术扩散区域整体平均回归系数先降后增，由2008年0.428降至2023年0.227。长三角地区是我国绿色低碳技术创新前沿，广泛应用高效节能技术和可再生能源。然而，低碳技术推广依赖于区域协作，导致技术溢出效应尚未充分激发。其中，周边城市回归系数小幅降低且集聚态势凸显，中心城市则呈现出上升趋势，表现为上海、杭州等龙头城市引领多地区发布了科技支撑碳达峰碳中和实施方案[35]，强调数字技术发展降低碳排放。
由图7d可知，数据流通对长三角地区碳排放提升作用显著。2023年，数据流通每增加1%，中心城市碳排放随之增加0.902%，周边城市碳排放随之增加0.866%。数据要素作为新质生产力重要组成部分，具有创新引擎作用。数据流通引领经济低碳转型，但仍处于初级流通阶段，基础设施建设和平台运行的能源需求增长掩盖了减排潜力。
由图7e可知，创新流动对长三角地区碳排放提升、抑制作用均显著，中心城市和周边城市具有显著差异性。其中，创新流动对苏州、上海、南京等中心城市碳排放具有显著负向作用，但创新流动每增加1%，周边城市的碳排放会相应增加0.218%。创新流动能提升中心城市绿色技术效率进而降低碳排放，囿于技术壁垒和基础平台落后，创新人才外流未能有效促进周边城市低碳技术创新。

5 结论与建议

5.1 主要结论

本文以“流空间”为切入点，采用2008—2023年长三角地区27个城市面板数据，探究要素流动对碳排放影响时空格局及空间关联特征；在此基础上，运用GTWR分析了多维要素流动对碳排放影响效应时空异质性。主要结论如下：
①长三角地区碳排放总量时空差异性和空间正向关系凸显，由2008年2.146亿t波动增长至2023年3.234亿t，呈现“以中心城市为高值中心向周边城市扩散”空间格局和向高值区域集聚趋势。碳排放分区大致呈“低退高进”的演变特征，即低值区减少、高值区增加。研究期内全局莫兰值介于0.084~0.217之间，具有显著的空间正相关性且由弱相关转变为强相关。
②长三角地区要素流动愈加活跃且网络结构关联强化，呈现“中部密南北疏”非均衡发展特征和“沪宁杭择优相链、多中心流动”链式网络。各类要素流动空间分布具有共性，中心城市在要素流动关联网络中处于核心位置而形成“以强联弱”发展模式。
③长三角地区要素流动对碳排放影响具有时空差异性。其中，数据流通为影响碳排放变动关键因素，具有显著正相关效应；人口迁移对人口流入城市增碳效应更强；资本转移和创新流动对碳排放抑制作用逐渐凸显；而技术扩散影响效应具有空间差异性，提升和抑制作用均表现显著。

5.2 对策建议

①规制人口低碳转移，促进资本转移绿色化。一方面，上海、苏州、杭州等中心城市需破解人口集聚难题，设立绿色低碳发展专项资金促进低碳消费，提升公共资源利用效率；另一方面，舟山、池州、泰州等人口流出城市应发展普惠托育服务，与中心城市加强合作，形成一体化发展向心力，防止因常住人口负增长而导致能源利用效率下降。此外，安庆、宣城和马鞍山等以工业制造、钢铁生产为支柱产业的周边城市应积极融入长三角一体化发展，依托皖江城市带承接中心城市资本转移，结合区域优势布局智能制造、绿色建筑、新型电力系统等优势低碳产业，提升区域绿色低碳经济水平。
②构建技术转移平台，推动区域创新一体化。一是搭建线上技术转移平台，整合G60科创走廊、长三角国家技术创新中心等区域性协同创新样板资源，促进创新要素的自由流动和高效配置；二是应构建科技资源共享服务平台，利用环太湖绿色经济发展区和长三角科技创新服务平台的创新基础设施，推动创新资源共享网络跨省建设，推进绿色低碳技术转化和推广。
③制定数据驱动碳治理计划，发挥数据要素在长三角地区乘数效应。以上海为中心，建立长三角大数据服务平台，有效促进信息共享，促进产业规模集群集约效应，提升能源使用效率。此外，舟山、马鞍山和温州等周边城市应加快公共数据资源有序开发利用和数据要素市场化配置，畅通要素流通渠道，实现碳汇项目全生命周期监控，为碳交易市场提供数据支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
单玉红, 韩晴. 要素区际流动对土地绿色生产效率的影响——以武汉城市圈为例[J]. 长江流域资源与环境, 2023, 32(10):2060-2071.

[2]
晏龙旭. 流空间结构性影响的理论分析[J]. 城市规划学刊, 2021(5):32-39.

[3]
仇方道, 徐新, 刘继斌, 等. 淮海经济区工业碳排放网络结构演化特征及其影响因素[J]. 经济地理, 2025, 45(1):134-144.

DOI

[4]
Lv T, Zhao Q, Zhang X, et al. Spatiotemporal pattern and influencing factors of regional carbon emission efficiency:An empirical analysis of Jiangsu Province in China[J]. International Journal of Low-Carbon Technologies, 2023, 18:1048-1059.

DOI

[5]
王帅龙. 数字经济之于城市碳排放:“加速器”抑或“减速带”?[J]. 中国人口·资源与环境, 2023, 33(6):11-22.

[6]
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2):46-69,4 - 10.

[7]
Jiang T, Huang S, Yang J. Structural carbon emissions from industry and energy systems in China:An input-output analysis[J]. Journal of Cleaner Production, 2019, 240:118116.

DOI

[8]
陆苹茹, 陈波. 碳减排目标下贵阳市土地利用结构优化分析[J]. 贵州师范大学学报(自然科学版), 2023, 41(5):18-25.

[9]
Du X, Shen L, Wong S W, et al. Night-time light data based decoupling relationship analysis between economic growth and carbon emission in 289 Chinese cities[J]. Sustainable Cities and Society, 2021, 73:103119.

DOI

[10]
Shan Y, Guan D, Hubacek K, et al. City-level climate change mitigation in China[J]. Science Advances, 2018, 4(6):eaaq0390.

DOI

[11]
张正峰, 张栋. 基于社会网络分析的京津冀地区碳排放空间关联与碳平衡分区[J]. 中国环境科学, 2023, 43(4):2057-2068.

[12]
邹秀清, 孙学成, 葛天越, 等. 长三角地区碳排放差异、影响机理及碳达峰预测[J]. 长江流域资源与环境, 2023, 32(3):548-557.

[13]
Lv T, Hu H, Han H, et al. Towards sustainability:The spatiotemporal patterns and impact mechanism of urban sprawl intensity[J]. Habitat International, 2024(148):103089.

[14]
杨冕, 徐江川, 杨福霞. 能源价格、资本能效与中国工业部门碳达峰路径[J]. 经济研究, 2022, 57(12):69-86.

[15]
张兵兵, 王捷, 闫志俊. 中国城市碳达峰路径及其驱动因素的结构分解[J]. 中国人口·资源与环境, 2023, 33(9):38-44.

[16]
郭艺, 曹贤忠, 魏文栋, 等. 长三角区域一体化对城市碳排放的影响研究[J]. 地理研究, 2022, 41(1):181-192.

DOI

[17]
汪克亮, 赵斌, 许如玉. 区域一体化对碳排放强度的影响——基于国家级城市群政策的考察[J]. 中国人口·资源与环境, 2025, 35(8):27-39.

[18]
白俊红, 王钺, 蒋伏心, 等. 研发要素流动、空间知识溢出与经济增长[J]. 经济研究, 2017, 52(7):109-123.

[19]
黄明凤, 姚栋梅. 研发要素流动、空间溢出效应与区域创新效率——基于省际面板数据的空间杜宾模型分析[J]. 科研管理, 2022, 43(4):149-157.

[20]
沈路, 钞小静. 多元要素流动对城市群高质量发展的影响——以长株潭城市群为例[J]. 科技进步与对策, 2023, 40(3):30-40.

[21]
Zhao F, Qian S, Zhao X. Collaborative governance of carbon reduction in urban agglomerations in the China Yangtze River Economic Belt based on a spatial association network[J]. Ecological Indicators, 2023, 154:110663.

DOI

[22]
彭影, 李士梅. 创新要素流动与城市绿色创新发展——数据要素流动环境的空间调节作用[J]. 科技进步与对策, 2023, 40(1):30-39.

[23]
Camagni R P, Salone C. Network urban structures in northern Italy:Elements for a theoretical framework[J]. Urban Studies, 1993, 30(6):1053-1064.

DOI

[24]
袁晓玲, 郗继宏, 钟楚潮, 等. 中国城市“减污降碳”协同驱动因素及实现路径研究[J]. 管理学刊, 2023, 36(4):26-46.

[25]
聂永有, 郭秦洋, 宋玮, 等. 长三角区域一体化与碳绩效:作用机制、调节效应及空间溢出研究[J]. 长江流域资源与环境, 2025, 34(12):2619-2631.

[26]
Lv T, Hu H, Xie H, et al. An empirical relationship between urbanization and carbon emissions in an ecological civilization demonstration area of China based on the STIRPAT model[J]. Environment,Development and Sustainability, 2023, 25(3):2465-2486.

DOI

[27]
邹璇, 杨旭, 刘晨. 中国城市内部多中心结构对碳排放强度的影响及其机制[J]. 资源科学, 2024, 46(7):1284-1298.

DOI

[28]
金刚, 沈坤荣. 以邻为壑还是以邻为伴?——环境规制执行互动与城市生产率增长[J]. 管理世界, 2018, 34(12):43-55.

[29]
Lv T, Zhao Q, Fu S, et al. Deciphering flows:Spatial correlation characteristics and factors influencing carbon emission intensity in the Yangtze River Delta[J]. Journal of Cleaner Production, 2024, 483:144290.

DOI

[30]
Moran P A. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1/2):17-23.

DOI

[31]
Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3):383-401.

DOI

[32]
姚常成, 沈凯玙. 要素流动视角下数字经济与区域经济的包容性增长效应[J]. 经济地理, 2023, 43(4):10-19.

DOI

[33]
李云, 沈凤钱, 申霄媛, 等. 跨界治理网络视角下深港跨界区域协同发展研究[J]. 热带地理, 2023, 43(12):2249-2262.

DOI

[34]
Gao C, Tao S, He Y, et al. Effect of population migration on spatial carbon emission transfers in China[J]. Energy Policy, 2021, 156:112450.

DOI

[35]
张文彬, 宋建波. 中国低碳经济协同效率的区域差异及其影响因素[J]. 经济地理, 2024, 44(3):22-32,54.

DOI

Options
Outlines

/

〈 〉