EN中文

风景园林 >

2026 , Vol. 33 >Issue 1: 67 - 76

DOI: https://doi.org/10.3724/j.fjyl.LA20250443

专题：城乡绿色空间的降碳减污

基于用地类型的城区碳排放动态分析及低碳土地使用规划——以重庆蔡家智慧新城为例

  • 胡苗芬 , 1, 2 ,
  • 闫水玉 , 3, *
展开
  • 1 华南理工大学建筑学院
  • 2 亚热带建筑与城市科学全国重点实验室
  • 3 重庆大学建筑城规学院

胡苗芬/女/华南理工大学建筑学院在读博士研究生/亚热带建筑与城市科学全国重点实验室成员/研究方向为低碳城市、智慧城市

闫水玉/男/博士/重庆大学建筑城规学院教授/研究方向为可持续发展、生态规划

Copy editor: 刘昱霏

收稿日期: 2025-07-23

  修回日期: 2025-12-02

  网络出版日期: 2026-03-12

基金资助

国家重点研发计划项目“城区与街区减碳关键技术联合研究与示范”(2022YFE0208700)

版权

版权所有 © 2026 风景园林编辑部
收起

Dynamic Analysis of Urban Carbon Emissions Based on Land Use Types and Low-Carbon Land Use Planning: A Case Study of Caijia Smart New City, Chongqing

  • HU Miaofen , 1, 2 ,
  • YAN Shuiyu , 3, *
Expand
  • 1 School of Architecture, South China University of Technology
  • 2 Laboratory of National Key Laboratory of Subtropical Architecture and Urban Science
  • 3 College of Architecture and Urban Planning, Chongqing University

HU Miaofen is a Ph.D. candidate in the School of Architecture, South China University of Technology, and a member of Laboratory of National Key Laboratory of Subtropical Architecture and Urban Science. Her research focuses on low-carbon cities, smart cities

YAN Shuiyu, Ph.D., is a professor in the College of Architecture and Urban Planning, Chongqing University. His research focuses on sustainable development, ecological planning

Received date: 2025-07-23

  Revised date: 2025-12-02

  Online published: 2026-03-12

Copyright

Copyright © 2026 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】

城区是城市功能的核心，其内部各类用地的运行主导了城市绝大部分的能源消耗与碳排放，因此城区是碳减排和低碳土地规划的关键。核算城区不同用地类型的碳排放并分析其动态演变特征，解析其时空分布特征与驱动机制，对于城区低碳土地规划策略和支撑国家“双碳”战略目标具有关键意义。

【方法】

以重庆市典型的城区单元蔡家智慧新城作为研究对象，构建“人类活动-用地类型-碳排放”的城区尺度碳排放关联机制与核算模型，计算2016年、2021年实际用地碳排放量，预测2035年规划用地碳排放量，比较由用地类型变化所引发的碳排放总量、不同用地类型的碳排放总量、碳排强度值。运用对数平均迪氏指数（logarithmic mean divisia index, LMDI）分解法分析用地碳排放演变与用地规模、经济发展、人口集聚等驱动因子贡献度的时空演变规律，并根据多目标规划原理，运用交互式的线性和通用优化求解器（linear interactive and general optimizer, LINGO）软件进行测算，以经济效益最大化及碳排放最小化作为目标，对重庆蔡家智慧新城2035年土地利用结构进行优化研究。

【结果】

1）蔡家智慧新城2016—2035年工业用地碳排放强度最大且呈持续下降趋势；其他用地碳排放强度于2016—2021年呈上升趋势，于2021—2035年呈下降趋势；2016—2035年各类用地的碳排放总量均呈下降趋势。2）人均产值对工业用地及商服用地的碳排放量均有驱动作用；用地能效对居住用地及交通用地的碳排放量均有驱动作用；产值密度对商服用地及交通用地的碳排放量均有抑制作用；能源结构对居住用地的碳排放量有抑制作用；用地能效对工业用地的碳排放量有抑制作用。

【结论】

在此基础上，构建用地结构优化方案，在基本满足经济发展要求的同时降低碳排放量。提出涵盖“优化产业结构—调整能源结构—提升用地能效”三位一体的策略，以期丰富和完善基于用地类型的城区碳排放核算与低碳土地利用规划方法体系，为未来土地利用低碳规划提供支持。

关键词： 城市规划; 土地利用; 低碳规划; 碳排放; 对数平均迪氏指数; 交互式的线性和通用优化求解器; 用地结构优化; 重庆市

本文引用格式

胡苗芬 , 闫水玉 . 基于用地类型的城区碳排放动态分析及低碳土地使用规划——以重庆蔡家智慧新城为例[J]. 风景园林, 2026 , 33(1) : 67 -76 . DOI: 10.3724/j.fjyl.LA20250443

Abstract

[Objective]

As the core spatial unit responsible for supporting fundamental urban operations, urban areas accommodate a wide range of human activities—residential, industrial, commercial, and transportation—each associated with specific land use types. The functional operation of these different land use types dominates the majority of urban energy consumption and carbon emissions, making them the primary sources of urban carbon output and critical units for systematic low-carbon land use planning. Achieving the national “dual-carbon” strategic goals (“carbon peak and carbon neutrality” ) requires precise carbon emission management and effective planning interventions at the urban area scale. However, existing research on carbon emissions accounting and driving mechanisms remains largely concentrated at the national, provincial, or municipal levels, with limited focus on the urban scale and insufficient linkage to specific land use types. This gap hinders the formulation of targeted, spatially explicit low-carbon land use planning strategies. Therefore, it is of critical importance to conduct fine-grained accounting of carbon emissions from different land use types within urban areas, analyze their spatiotemporal dynamics and evolutionary characteristics, and identify the underlying driving mechanisms. These works provide a scientific basis and decision support for achieving low-carbon urban development and refining land use planning strategies.

[Methods]

This study selects the Caijia Smart New City—a typical and representative urban unit within Chongqing—as the research object. We constructed an urban-scale carbon emissions accounting model that integrates “Human Activity−Land Use Type−Carbon Emissions.” This framework systematically links socioeconomic activities to their corresponding land use categories, enabling accurate attribution of carbon emissions. Based on this model, we calculated the actual carbon emissions for four key land use modules—residential, industrial, commercial service, and transportation—for the years 2016 and 2021. Furthermore, carbon emissions for the year 2035 were projected under the planned land use plan. The analysis compared changes across multiple dimensions: total carbon emissions driven by shifts in land use types, total emissions from different land use categories, carbon emission intensity (emissions per unit area), carbon intensity per unit of GDP, and per capita carbon emission intensity. To delve into the driving forces behind these changes, the logarithmic mean divisia index (LMDI) decomposition method was employed. This technique quantitatively analyzes the temporal evolution and contribution rates of key driving factors—including land use scale, economic development level, and population concentration—to changes in land use carbon emissions. Subsequently, guided by multi-objective planning principles, the LINGO mathematical optimization software was utilized to develop a land use structure optimization model. With the dual objective functions of economic benefit maximization and carbon emission minimization, and under a set of constraints reflecting local natural conditions and development policies, this study derived an optimized land use structure scheme for Chongqing’s Caijia Smart New City for the target year of 2035.

[Results]

1) The carbon emission intensity of industrial land in Caijia Smart New City is the largest and shows a continuous downward trend, while other land use show an upward trend from 2016 to 2021 and a downward trend from 2021 to 2035; the total amount of carbon emissions from land use, carbon emissions per unit of gross domestic product (GDP), and the total amount of carbon emissions per capita show a downward trend; 2) Per capita output value has a pulling effect on industrial land and commercial land; the energy efficiency of land use has a pulling effect on residential land; and the energy efficiency of land use has a pulling effect on residential land; 3) Per capita output value has a pulling effect on industrial land and commercial land; land use energy efficiency has a pulling effect on residential land and transportation land; output value density has an inhibiting effect on commercial land and transportation land; energy structure has an inhibiting effect on residential land; land use energy efficiency has an inhibiting effect on industrial land.

[Conclusion]

Based on the accounting and decomposition results, an optimized land use structure plan was constructed using the multi-objective optimization model. Compared to the 2035 land use planning plan, the optimized plan achieves a reduction in per capita carbon emission by 0.07 ton/person while maintaining the same level of carbon emission per unit of GDP. This outcome demonstrates that the optimized scheme can effectively lower carbon emissions while largely satisfying the requirements of economic development. Finally, an integrated triple strategy encompassing “industrial structure optimization, energy structure adjustment, and land use energy efficiency improvement” is proposed. These strategies are targeted and elaborated specifically for industrial, residential, commercial service, and transportation land modules. This study aims to enrich and improve the methodological system for urban-scale carbon emission accounting and low-carbon land use planning based on land use types. The findings and framework provide theoretical support and practical guidance for future low-carbon-oriented land use planning and policy formulation in urban areas.

Key words： urban planning; land use; low-carbon planning; urban carbon emissions; logarithmic mean divisia index (LMDI); LINGO; optimization of land use structure; Chongqing City

中国在第七十五届联合国大会上宣布，将争取在2030年前实现碳达峰、在2060年前实现碳中和，要求发展模式加速向绿色低碳经济转型[1]。城市是全球碳排放的主要贡献者，约占全球碳排放总量的70%，因此城市是实现减排目标的主战场[2]。作为承载居住、交通、工业、商业等核心功能的空间载体，城区是城市碳排放的关键源头，是分析空间碳排放机理的重要层次，是低碳规划的可操作单元。城区空间布局、开发强度及演变过程直接决定着能源消耗水平、交通出行需求以及基础设施运行效率，从而影响城区碳排放总量。因此，推动城区低碳化转型，优化其空间结构与功能组织，既是落实国家“双碳”战略的关键切入点，也是实现城市可持续发展的根本路径。
人类的能源消费与生产活动产生的碳排放与特定用地类型密切相关：碳汇主要来自林地、园地等，碳源则集中于建设用地，其中工业用地碳排放强度显著高于居住用地[3]。土地利用变化直接影响陆地生态系统碳排放，进而影响区域碳排放水平，并与产业结构、人均国内生产总值（gross domestic product, GDP）及社会生活水平相关联。因此，基于用地类型的城区碳排放核算与低碳土地利用规划，是实现社会经济发展与“双碳”目标协调的重要基础[4]。目前国内外研究对于用地碳排放的核算方法可分为直接计算法和间接计算法两大类别。在直接计算法的范畴内，研究者们通过直接调研观测、建模或遥感技术来获取土地利用的碳排放数据，常采用的方法有模型法、实地调查法以及宏观遥感计算法。间接计算法是通过排放系数或物料平衡原理间接对碳排放量进行推算或估算，包含实测法、排放系数法以及物料平衡法。如Houghton[5]借助簿记（Bookkeeping）模型，对中国1700—2000年因土地利用变化所引发的碳排放量进行计算，估算出中国过去300年陆地生态系统碳排放量介于4.5~9.5 PgC。
目前基于因素分解法的碳排放影响因素研究主要通过结构分解分析（structural decomposition analysis, SDA）和指数分解分析（index decomposition analysis, IDA）等统计指数体系来剖析各因素对碳排放变动的影响程度。例如，Howarth等[6]采用Laspeyres分解法研究经济合作与发展组织（Organisation for Economic Co-operation and Development, OECD）国家碳与能耗的差异；Ang等[7]提出基于卡亚方程的对数平均迪氏指数（logarithmic mean divisia index, LMDI）分解法，将碳排放驱动因素分解为能源强度、能源结构、人口和经济产出等；姜勇[8]、王晓霞[9]和张伟[10]均运用LMDI分解法，分别剖析了中国、陕西省和广州市的碳排放影响因素。在低碳土地利用结构优化方面，国内外学者运用线性规划、模糊线性规划、多目标规划及灰色线性规划等方法，优化土地布局与结构。Zomer等[11]指出合理调整土地利用是应对全球环境变化的关键；赖力[12]提出以最低碳排放和最大储碳为目标的优化方案，实现碳排降低9.6%；任奎等[13]、刘海猛等[14]分别采用灰色多目标规划和模糊线性规划，构建低碳导向的土地结构优化模型。
现有研究为土地利用碳排放核算与低碳规划策略奠定了基础，推动了理论向实践的转化。然而，多数研究集中于国家或省市宏观尺度，虽对政策制定有所助益，却难以支撑落实政策所需的城区尺度的土地利用规划实践。城区作为减排与经济发展的核心单元，其研究的匮乏导致相关空间规划缺乏针对性指导。此外，碳排放影响因素与具体用地类型、比例及空间环境质量之间的系统关联尚未充分建立，难以协同实现经济发展、低碳排放与生活品质提高的目标。
因此，本研究聚焦城区尺度，以用地类型为基础，以期强化城区碳排放核算、影响因素与空间环境质量的关联研究，具体包括4个方面的内容：1）构建“人类活动-用地类型-碳排放”关联机制与核算模型，分析重庆蔡家智慧新城2016、2021、2035年碳排放动态变化，包含碳排放强度和总量；2）运用LMDI分解法，量化用地规模、经济与人口等因素对碳排放的贡献，识别主要驱动因素；3）构建多目标优化模型，利用交互式的线性和通用优化求解器（linear interactive and general optimizer, LINGO）软件进行求解，获得2035年土地利用优化方案，并评估其碳减排潜力；4）基于因素分解结果，针对不同用地类型，提出产业结构优化、能源结构调整及用地能效提升等减碳策略。本研究通过量化城区碳排放及揭示其驱动机制，为人口调控、产业升级与空间优化提供实施路径，以期完善城区碳排放核算与低碳土地利用规划方法体系，为低碳导向的用地规划实践提供科学支持。

1 研究对象和数据来源

1.1 研究对象

蔡家智慧新城位于重庆北碚区南部，总面积约75 km2，常住人口约60万人[15]，是具有明显的空间边界和能够满足基本城市生活的功能单元，包括蔡家岗街道、童家溪镇、施家梁镇3个行政区，是国家级新区两江新区的重要组成部分。蔡家智慧新城地势为中间高四面低，中梁山横亘为屏，嘉陵江环抱北、东、南三面，形成约20 km江岸线。新城生态碳汇空间丰富，碳汇承载能力突出，产业以汽车制造、新能源、智能仪表、新材料等为主。在低碳城市发展目标的导向下，探索城区尺度土地利用的低碳化规划路径，不仅是实现蔡家智慧新城自身“生态宜居智慧”目标、建设资源节约型和环境友好型社会的关键支撑，也是推动区域经济社会可持续发展的重要保障。当前新城正处于快速城市化与产业升级阶段，碳排放具有动态演变特征，是城区尺度的碳排放核算与低碳土地规划研究的典型样本。

1.2 数据来源

根据《重庆市统计年鉴（2016）》《重庆市统计年鉴（2021）》《北碚区统计年鉴（2016）》《北碚区统计年鉴（2021）》《重庆市蔡家智慧新城发展“十四五”规划》《重庆同兴工业园区土地集约利用评价》中的数据，统计出2016年和2021年的不同类型用地的能源消耗、城市常住人口、交通周转量、产业增加值、土地利用现状数据。选取2016年、2021年云量小于3%的重庆市北碚区蔡家智慧新城遥感影像，得到土地利用现状图，再根据《重庆市北碚区国土空间分区规划（2021—2035年）》得到2035年土地利用规划图并在ArcGIS软件中建立矢量化数据库。利用高德地图数据，爬取2016年和2021年的兴趣点（point of interest, POI）数据及建筑轮廓数据。道路数据、2021年蔡家智慧新城专项规划图纸、2021年《蔡家智慧新城总体城市设计》由重庆市蔡家组团管理委员会提供。

2 研究方法

本研究基于政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）提出的碳排放核算清单法、LMDI分解法及LINGO软件，构建多目标规划模型展开。首先，通过构建“人类活动-用地类型-碳排放”关联机制与核算模型，完成蔡家智慧新城全尺度与居住、工业、交通、商业服务4类用地的碳排放量核算模型。其次，利用LMDI分解法确定各用地模块影响因素对碳排放贡献值影响程度，分析重庆蔡家智慧新城碳排放的主要影响因素。最后，利用LINGO软件构建多目标规划模型，对蔡家智慧新城的各类用地面积进行计算，得到用地减碳优化方案。

2.1 基于IPCC的碳排放核算清单法

本研究通过分解与转换IPCC碳排放核算清单，衔接供应端、消费端与规划端，构建“人类活动-用地类型-碳排放”关联机制与核算模型（图1）。具体而言，先基于能源供应数据得出消费总量，再依据统计年鉴中的分行业数据，将人类活动对应至相关行业，最后根据规划用地分类，将清单框架与土地利用类别进行关联，将各类碳排放行为归类至工业、居住、交通、商业服务（含商业服务业设施用地、公用设施用地、公共管理和公共服务设施用地）4类用地[15]，并建立各类用地类型碳排放量、用地碳汇量、用地碳排放总量、碳排放强度的计算方法（表1）。使用统计年鉴中的能源消费量作为工业、居住、商服各终端能源消耗量，参考各类能源相关核算系数计算各用地的碳排放量；交通模块的二氧化碳排放量主要源于城际交通的客运与货运、城市内部客运，本研究以黄肇义[16]提出的国内城际客运及货运碳排放量占交通总碳排放量40%这一结论为依据，对城市交通碳排放总量进行核算。
图1 “人类活动-用地类型-碳排放”关联机制与核算模型框架图

Fig. 1 Framework diagram of the “human activities-land use types-carbon emissions” linkage

表1 用地碳排放量计算模型[15-17]

Tab. 1 Carbon emission calculation model of land use[15-17]

指标 计算式 式注
工业用地、居住用地、商服用地碳排放量 $ C=\displaystyle\sum\nolimits_{i=1}^{n}（{k}_{i} \times {E}_{i} \times {d}_{i}） $，
${P}_{x}=C/{S}_{Nx}$，
$ D={P}_{x} \times {S}_{Px} $		 C代表基准年份用地碳排放总量；ki代表折标系数；i代表不同能源类型；Ei代表i类能源的消耗量；di代表i类能源的碳排放系数；x代表居住用地、工业用地、商业与公共设施用地；SNx代表基准年x类用地面积；SPx代表规划方案x类用地面积；Px代表x类用地碳排放强度；D代表规划用地碳排放量
交通用地碳排放量 $ E={E}_{1}+{E}_{2} $，
$ {E}_{1}=\displaystyle\sum\nolimits（{q}_{1i} \times {h}_{i}+{q}_{2i}） \times {p}_{i} $，
${E}_{2}={\rm{k}} \times {E}_{1}$		 E为交通模块的碳排放总量；E1为城际交通碳排放量，E2为城市客运的碳排放量；q1i为i类交通方式的客运周转量；q2i为i类交通方式的货运周转量；hi代表客货换算系数；pi代表i类交通方式的单位里程碳排放系数；k 代表城际交通与城市交通的碳排放比值系数
用地碳排放总量 Cz=Mi×Si Cz代表碳排总量；Mi代表i类用地类型的碳排放强度；Si代表i类用地类型面积
碳排放强度 Gi=$ {C}_{i}/{L}_{i} $ Ci为i类用地内人类活动产生的碳排放量；Gi为i类用地碳排放强度；Li为i类用地的面积
本研究结合各类用地的碳排放强度、生产生活碳排放量及其面积，估算区域碳排放总量。鉴于城区能源统计数据的局限，基准数据取自《重庆市统计年鉴（2016）》《重庆市统计年鉴（2021）》中重庆市用地碳排放强度。能源消费碳排放受能源规模、经济产出、产业结构与科技水平影响，而产业结构演变主要由产业资本收益率与人均劳动者报酬（表2）驱动。而产业技术进步不仅作为产业结构变迁的间接驱动力，还与产业劳动者报酬变动之间存在着稳定的强关联性，相关系数高达0.91。为进一步得出2035年重庆蔡家智慧新城各类用地碳排放强度，本研究采用劳动者报酬变化率的0.91倍来代表科技进步修正系数（图2），则每年科技进步修正系数计算式
$ K=\sqrt[5]{1-0.91\mathrm{f}} 。$
式中，K表示每年科技进步修正系数，f表示职工年平均工资变化系数，从拟合结果得出，f为0.038。
表2 蔡家智慧新城2016—2021年职工年平均工资

Tab. 2 Average annual wages of employees in Caijia Smart New City from 2016 to 2021

年份 职工年平均工资/元 对数处理后数值
2016 47 305 4.67
2017 52 140 4.72
2018 56 758 4.75
2019 61 844 4.79
2020 66 978 4.82
2021 73 878 4.87
图2 蔡家智慧新城2016—2021年职工年平均工资拟合结果

Fig. 2 Fitting results of the average annual wage of employees in Caijia Smart New City from 2016 to 2021

通过计算得出蔡家智慧新城用地碳排放强度的每年科技进步修正系数为0.993，并以该系数对碳排放强度进行修正。

2.2 基于LMDI分解法的用地碳排放影响因素分析方法

《气候变化2007：联合国政府间气候变化专门委员会第四次评估报告》特别指出卡亚方程在分析碳排放影响因素方面的重要地位[17]，而LMDI分解法是通过卡亚方程变形得出的，其核心理念是将目标变量拆解成多个影响因素的组合，通过计算各因素的贡献率来确定主要影响因素（表3）。因此，本研究运用LMDI分解法，从人均产值效应、用地效能强度、产值密度效应和能源结构强度4个维度，量化蔡家智慧新城用地碳排放的影响因素。
表3 不同用地碳排放量计算式[15-17]

Tab. 3 Formulas for calculating carbon emissions/absorption from different modules[15-17]

用地类型 碳排放量计算式 式注
居住用地 ${C}_{\mathrm{R} }=\displaystyle\sum\nolimits_{i}\dfrac{ {C}_{i} }{ {E}_{i} }\times\dfrac{ {E}_{i} }{ {E}_{\rm{R}} }\times\dfrac{ {E}_{\rm{R}} }{ {S}_{\mathrm{R} } }\times\dfrac{ {S}_{\rm{R}} }{P}\times P$ P表示人口数量；${C}_{i}$表示i类的能源碳排放量；${E}_{i}$表示i类能源消耗量；$ {S}_{\rm{R}} $、$ {S}_{\mathrm{C}}\mathrm{、}{S}_{\mathrm{I}} $、$ {S}_{\mathrm{T}} $分别代表居住、商服、工业、交通用地面积；${E}_{\rm{R}}$、${E}_{\rm{C}}$、${E}_{\rm{I}}$分别代表居住用地、商服用地、工业用地的能源消耗量；$ {Y}_{\rm{C}} $、$ {Y}_{\rm{I}} $分别表示商业服务用地、工业用地的产值
商服用地 ${C}_{\mathrm{C} }=\displaystyle\sum\nolimits_{i}\dfrac{ {C}_{i} }{ {E}_{i} }\times \dfrac{ {E}_{i} }{ {E}_{\rm{C}} }\times \dfrac{ {E}_{\rm{C}} }{ {S}_{\rm{C}} }\times \dfrac{ {S}_{\rm{C}} }{ {Y}_{\rm{C}} }\times \dfrac{ {Y}_{\rm{C}} }{P}\times P$
工业用地 ${C}_{\mathrm{I} }=\displaystyle\sum\nolimits_{i}\dfrac{ {C}_{i} }{ {E}_{i} }\times \dfrac{ {E}_{i} }{ {E}_{\rm{I}} }\times \dfrac{ {E}_{\rm{I}} }{ {S}_{\rm{I}} }\times \dfrac{ {S}_{\rm{I}} }{ {Y}_{\rm{I}} }\times \dfrac{ {Y}_{\rm{I}} }{P}\times P$
交通用地 ${C}_{\mathrm{T} }=\dfrac{1}{z}\displaystyle\sum\nolimits_{j}\dfrac{ {C}_{j} }{ {V}_{j} }\times \dfrac{ {V}_{j} }{V}\times \dfrac{V}{ {S}_{\mathrm{T} } }\times \dfrac{ {S}_{\mathrm{T} } }{ {Y}_{\mathrm{T} } }\times \dfrac{ {Y}_{\mathrm{T} } }{P}\times P$ P表示人口数量；z表示城际交通占城市交通碳排放的比例；j为交通类型；$ {C}_{j} $、$ {V}_{j} $表示j类交通的碳排放与周转量；V、 $ {S}_{\mathrm{T}} $ 、 $ {Y}_{\mathrm{T}} $分别表示交通总周转量、用地面积、交通运输增加值
基于LMDI分解法，本研究量化了居住、工业、交通、商业服务（含商业服务业设施用地、公用设施用地、公共管理和公共服务设施用地）4类用地中的不同因素对单位规模碳排放的贡献值与贡献率（表4）。将基期模块的碳排放量用C0表示，将规划节点T期的模块碳排放量用Ct表示，在研究期间，使用∆C来代表碳排放量的变化。运用∆CR、∆CM、∆CT分别表示影响因素对居住、工业和商服、交通用地碳排放量变化的具体贡献大小。与这些贡献值相对应的3个贡献率指标用DR、DM、DT表示，分别用于量化影响因素在居住、工业和商服、交通用地碳排放量变化中的相对重要性。
表4 城市各类用地碳排放分解模型[15-17]

Tab. 4 Carbon emission decomposition model for various types of urban land use[15-17]

类型 贡献值模型 贡献率模型 式注
居住用地 ∆CR=∆CRA+∆CRB+
∆CRD+∆CRF		 DR=DRA×DRB×DRD×DRF ∆CRA、DRA分别为居住用地的能源排放量和贡献率；∆CRB、DRB分别为居住用地的能源消耗量与总能源消耗量的比值和贡献率；∆CRD、DRD分别为居住用地能效和贡献率；∆CRF、DRF分别为人均居住用地面积和贡献率
工业用地、商服用地 ∆CM=∆CMA+∆CMB+∆CMD+∆CMG+∆CMH DM=DMA×DMB×DMD×DMG×DMH ∆CMA、DMA分别为工业用地和商服用地的能源排放量和贡献率；∆CMB、DMB分别为工业用地和商服用地的能源消耗量与总能源消耗量的比值和贡献率；∆CMD、DMD分别为工业和商服用地能效和贡献率；∆CMG、DMG分别为工业和商服用地增加值产值密度和贡献率；∆CMH、DMH分别为工业用地和商服用地人均产值和贡献率
交通用地 ∆CT=∆CTM+∆CTN+
∆CTD+∆CTG+∆CTH		 DT=DTM×DTN×DTD×DTG×DTH ∆CTM、DTM分别为城际交通能源排放强度和贡献率；∆CTNT、DTN分别为城际各交通方式出行量与城际交通总出行量的比值和贡献率；∆CTD、DTD分别为单位城际交通用地周转量和贡献率；∆CTG、DTG分别为城际交通用地单位产值密度（倒数）和贡献率；∆CTH、DTH分别为人均交通产值和贡献率

2.3 运用LINGO软件构建多目标用地结构优化方案

本研究运用LINGO软件构建多目标用地结构，旨在满足低碳约束条件，并追求经济及生态效益的最大化，以期对各类型用地的面积进行科学、合理的规划与分配[18]。在变量选择上，本研究综合考虑用地现状、资源特征、规划要求与发展趋势等因素[19]，并构建用地经济效益最大化和用地碳排放量最小化的目标函数[8]。利用相对权益评估模型测算蔡家智慧新城各类用地的经济效能指数，通过层次分析法（analytic hierarchy process, AHP）和德尔菲法确定各类用地类型对人均GDP的具体贡献值，以此作为其经济效益的权重；进而将权重与相应经济生产总值相乘，得到各用地类型的经济效益系数。在用地碳排放量最小化的目标函数中，各用地的碳排放的系数由其对应的碳排放强度确定。同时，模型还根据自然条件、社会经济发展水平及政策导向，为各类用地设定了相应约束条件。用地经济效益最大化函数F1（x）和用地碳排放量最小化函数F2（x）计算式
$ F_{1}（x）=\max \sum {h}_{i}{x}_{i} = {\sum }_{i=1}^{n}{r}_{i}{x}_{i} \text{，} $
$ F_{2}（x）=\min \sum {b}_{i}{x}_{i} = {\sum }_{i=1}^{n}{b}_{i}{x}_{i} 。 $
式中，hi为i类用地类型的经济效益系数，xi为i类用地类型的土地面积，ri为i类用地类型的经济生产总值，bi为i类用地类型的单位面积碳排放强度，n为用地类型的总量。
运用多目标规划原理，将用地经济效益最大化和用地碳排放量最小化这2个目标函数整合为一个目标，考虑到2个目标函数在优化方向和数量级上存在显著差异，针对目标函数的性质采取无量纲化的处理方法，即分别除以各自的最大值或最小值以实现标准化。最后，利用情景设置法确定用地碳排放的权重，通过调整碳排放在目标函数中的权重，为满足不同优化需求与情境，构建碳排放最小化，高效益、低排放，中效益、中排放，低效益、低排放，经济效益最大化5种用地优化目标函数
$ F（x）= \frac{（1-w）F_{1}（x）}{\mathrm{m}\mathrm{a}\mathrm{x}F_{1}（x）} - \frac{wF_{2}（x）}{\mathrm{m}\mathrm{i}\mathrm{n}F_{2}（x）} 。$
式中，F 1（x）为用地经济效益最大化函数， F 2（x）为用地碳排放量最小化函数，w为用地碳排放权重。
本研究采取情景设置法，通过设置不同的w值，得到不同目标模式下的碳排放目标函数。当w取值为0时，设定目标模式为碳排放最小化，优先选取碳排放最少和碳汇最多的用地类型。当w取值为0.3时，设定目标模式为低效益、低碳排，优先选取具有较强碳汇能力的用地类型，以尽可能降低碳排放量，实现低碳发展的目标。当w取值为0.5时，设定目标模式为中效益、中碳排，旨在实现碳排放减少和经济适度发展的双重目标，从而实现可持续发展。当w取值为0.7时，设定目标模式为高效益、高碳排，优先选取经济效益更为显著的用地类型，并关注具备碳汇潜能的用地，旨在确保土地使用的综合效益最大化，同时在一定程度上减少碳排放量。当w取值为1时，设定目标模式为经济效益最大化，优先选取经济效益最多的用地类型，不考虑用地的碳排放量和碳汇量。

3 蔡家智慧新城的用地碳排放核算

3.1 用地碳排放强度

本研究以蔡家智慧新城职工年平均工资的拟合数据为基础，通过将2016年的科技进步修正系数按0.993的年速率进行19年指数衰减，计算出2035年的对应系数值为0.91。将此系数与2021年各类用地强碳排放强度相乘，得到2035年相应的碳排放强度预测值（表5）。2016—2021年，工业用地碳排放强度最大且呈下降趋势，是区域碳排放的主要来源；商业服务业、公共服务及公用设施用地碳排放强度显著上升，增幅居首；交通与仓储用地碳排放强度仅次于工业用地，亦呈上升态势；居住用地碳排放强度最小，但同样有所上升。预测显示，2021—2035年，所有类型用地的碳排放强度均下降。
表5 蔡家智慧新城建设用地碳排放强度

Tab. 5 Carbon emission intensity of construction land in Caijia Smart New City t/hm2

年份 工业用地
 商业服务业、公共服务及
公用设施用地		 交通与仓储用地
 居住用地
2016 1 118.98 15.05 185.34 8.75
2021 769.63 17.79 186.59 9.95
2035 697.28 16.10 169.05 9.01

3.2 用地碳排放总量

2016—2021年，蔡家智慧新城建设用地碳排放量由87.09万t降至71.68万t（表6）。其间，工业用地碳排放量占比最高；交通与仓储用地碳排放量增幅最大；居住用地碳排放量占比从0.60%增至1.70%。经科技进步系数修正预测，蔡家智慧新城的建设用地碳排放量从2021年的71.68万t减少至2035年的63.56万t。工业用地的碳排放量占比依然最高，但比例有所下降，从2021年的78.17%下降至70.42%。商业服务业、公共服务及公用设施的碳排放量占比从1.21%增加至2.41%，位于各类用地增加值的第三。交通设施用地与物流仓储用地的碳排放量增加值为1.57万t，位于各类用地增加值的第一，占比由2021年的18.92%增加至2035年的23.79%。居住用地的碳排放量占比从1.70%下降至3.37%。
表6 2016年、2021年和2035年蔡家智慧新城各类用地面积与碳排放量

Tab. 6 The land area and carbon emissions of various land types in Caijia Smart New City in 2016, 2021, and 2035

用地类型 2016年 2021年 2035年
用地面积/hm2 碳排放量/万t 用地面积/hm2 碳排放量/万t 用地面积/hm2 碳排放量/万t
工业用地 724.57 81.08 728.00 56.03 641.89 44.76
商业公共设施用地 42.32 0.06 491.51 0.87 947.15 1.53
交通用地 288.50 5.35 726.50 13.56 895.01 15.13
居住用地 682.26 0.60 1 227.69 1.22 2 379.51 2.14
公园绿地 145.44 −0.08 270.34 −0.14 506.12 −0.30
耕地 2 044.83 −1.03 1710 −0.86 739.71 −0.37
草地 221.36 −0.02 44.16 −0.004 42.27 −0.07
林地 2 808.29 −1.34 2 122.82 −1.01 1 577.78 −0.75

4 蔡家智慧新城的用地碳排放影响因素分析

运用LMDI模型对2016—2021年蔡家智慧新城用地碳排放的各影响因素进行量化分析，确定各模块在碳排放中的贡献率及具体贡献值。其中，贡献值反映各影响因素对碳排放的具体影响程度，当贡献值大于0时，表示该因素促进碳排放；当贡献值小于0时，则表示该因素抑制碳排放。贡献率指标用以量化各因素对碳排放的影响程度，其数值越趋近于1，表明该因素对碳排放的作用越微弱。具体而言，若贡献率高于1，则表明该因素在促进碳排放增长上发挥显著作用；若贡献率低于1，则表明该因素在抑制碳排放增长上产生积极影响。

4.1 居住用地

从能源结构、用地能效和人均用地面积3个方面对2016—2021年期间蔡家智慧新城居住用地碳排放的影响因素进行分解，分析可得能源结构是抑制碳排放的主要因素，而对碳排放有促进作用的因素主要是用地能效，其次为人均用地面积（表7）。2016—2021年，能源结构有一定程度的优化，碳排系数最大的电力能源的碳排放量占比到2018年后开始缓慢下降，碳排系数最小的天然气能源的碳排放量占比在2018年之后持续上升，对液化石油气能源的使用在2016—2021年持续下降。而居住用地的能源消费量在2016—2021年逐年递增，用地能效在研究期间仍起驱动作用，但驱动作用逐年递减，说明随着科学技术的进步、“十三五”期间对减碳技术的关注，各类能源的综合利用效率逐年提升。另外，随着蔡家智慧新城经济产业逐年发展，吸引更多人口到蔡家智慧新城就职，居住人口逐年增加，人口的增加导致居住用地内建设量增加，并且随着社会经济的持续发展，居民生活方式更多元，社会活动强度增大，这些因素共同加剧了居住用地碳排放的增长压力。
表7 2016—2021年用地碳排放影响因素对居住用地人均碳排放的作用

Tab. 7 The influence of factors affecting land carbon emissions from 2016 to 2021 on the per capita carbon emissions of residential land

年份 能源结构 用地能效 人均用地面积
贡献值 贡献率 贡献值 贡献率 贡献值 贡献率
2016 0.000 1.000 0.000 1.000 0.000 1.000
2017 −0.018 0.982 0.065 1.068 0.003 0.003
2018 0.015 1.014 0.087 1.083 0.065 0.065
2019 0.015 0.988 0.020 1.016 0.035 0.035
2020 0.011 1.009 0.010 1.008 0.018 0.018
2021 0.006 1.005 −0.016 0.987 0.081 0.081

4.2 工业用地

从能源结构、用地能效、产值密度和人均产值4个方面对工业用地碳排放的影响因素进行分解，人均产值是主要驱动因素，而用地能效是主要抑制因素（表8）。工业用地人均产值的驱动作用在2020—2021年最强，2017—2018年最弱，2018年后持续增强，其变化趋势与工业用地碳排放呈正相关，随着人均产值增速的加快，工业用地碳排放量呈现出增长的趋势。用地能效对碳排放量的抑制作用得益于2016—2021年间节能投入加大、监管强化与技术推广，工业能源利用效率显著提升。在能源结构方面，随着经济发展推动产业转型，工业能源结构持续优化，碳排放系数最低的天然气使用量上升，原煤消费下降，能源结构优化促进减排的作用逐步显现，能源结构于2020年起转为抑制因素，但原煤为主的能源结构尚未根本改变，需进一步引入新能源并优化产业结构。产值密度因“十三五”期间传统产业调整、技术进步及工业互联网生态园建设带动产业集聚与生态完善，其对碳排放的驱动作用逐年减弱，并在2020—2021年转为抑制因素，反映出产业转型已初见成效。
表8 2016—2021年用地碳排放影响因素对工业用地人均碳排放量的作用

Tab. 8 The influence of factors affecting land carbon emissions from 2016 to 2021 on the per capita carbon emissions of industrial land

年份 能源结构 用地能效 产值密度 人均产值
贡献值 贡献率 贡献值 贡献率 贡献值 贡献率 贡献值 贡献率
2016 0.000 1.000 0.000 1.000 0.000 1.000 0.000 1.000
2017 0.013 1.001 −0.619 0.933 −0.498 0.946 0.360 1.040
2018 0.040 1.004 −0.249 0.971 0.089 1.010 0.037 1.004
2019 0.008 1.001 −0.004 0.999 0.014 1.001 0.319 1.037
2020 −0.004 0.999 −1.548 0.836 0.540 1.064 0.504 1.060
2021 −0.003 0.999 −0.814 0.906 −0.460 0.946 1.047 1.134

4.3 商服用地

从能源结构、用地能效、产值密度和人均产值4个方面对商服用地碳排放的影响因素进行分解，人均产值是主要驱动因素，而产值密度是主要抑制因素（表9）。随着经济发展与生活水平提升，居民对商业服务业的消费能力增强，推动人均产值及其碳排放贡献上升。产值密度的抑制作用则源于2016年以来商业服务业向自由贸易转型及公共服务智慧化升级，这些措施提升了生产效率并促进低碳化生活。在能源结构方面，蔡家智慧新城商业服务模块的能源结构有一定调整，但总体上对碳排放量的影响较小。在用地能效方面，由于在“十三五”期间，商业服务业向自由贸易转型，发展总部经济、总部贸易、电子商务、文化创意等特色产业，由于近年来蔡家智慧新城快速发展商业服务业及公共服务等，因此商服用地的用地效能是碳排放增加的主要因素。
表9 2016—2021年用地碳排放影响因素对商服用地人均碳排放量的作用

Tab. 9 The influence of the factors affecting land carbon emissions from 2016 to 2021 on the per capita carbon emissions of the commercial service land

年份 能源结构 用地能效 产值密度 人均产值
贡献值 贡献率 贡献值 贡献率 贡献值 贡献率 贡献值 贡献率
2016 0.000 1.000 0.000 1.000 0.000 1.000 0.000 1.000
2017 −0.047 0.958 0.005 1.004 −0.122 0.894 0.138 1.136
2018 0.067 1.059 0.087 1.077 −0.088 0.927 0.115 1.104
2019 0.002 1.002 0.048 1.038 −0.124 0.908 0.144 1.118
2020 0.015 1.011 −0.144 0.896 0.042 1.032 0.059 1.046
2021 0.014 1.010 0.176 1.132 −0.095 0.935 0.158 1.117

4.4 交通用地

从交通结构、交通能效、产值密度和人均产值4个方面对交通用地碳排放的影响因素进行分解，交通能效是主要驱动因素，而产值密度是关键抑制因素（表10）。随着城乡基础设施完善和“五横六纵”骨架形成，交通用地面积与周转量持续增长，推动交通能效成为碳排放的主要驱动因素。产值密度对碳排放量的抑制作用主要归功于交通工具能源结构的优化。在交通结构方面，由于公共交通建设日渐完善且市民的低碳交通出行意识日趋强烈，蔡家智慧新城交通结构优化有效减少了交通用地的碳排放量。人均产值则随常住与就业人口增加，与交通碳排放量趋势一致，整体呈现驱动作用。
表10 2016—2021年用地碳排放影响因素对交通用地人均碳排放量的作用

Tab. 10 The influence of factors affecting land carbon emissions from 2016 to 2021 on the per capita carbon emissions of the transportation land

年份 交通结构 用地能效 产值密度 人均产值
贡献值 贡献率 贡献值 贡献率 贡献值 贡献率 贡献值 贡献率
2016 0.000 1.000 0.000 1.000 0.000 1.000 0.000 1.000
2017 0.104 1.006 0.957 1.052 −0.419 0.978 1.734 1.096
2018 0.091 1.004 0.360 1.017 −0.180 0.991 1.077 1.053
2019 −1.748 0.919 −0.301 0.986 0.859 1.042 −0.543 0.974
2020 1.012 1.053 −4.824 0.783 4.210 1.239 −0.624 0.969
2021 −2.216 0.898 4.408 1.240 −2.931 0.867 2.683 1.140

5 用地结构优化方案分析

5.1 LINGO软件构建多目标规划模型求解及分析

基于前文已构建的多目标规划模型，将2035年蔡家智慧新城各用地的经济效益系数和碳排放系数代入用地经济效益最大化函数F1（x）和用地碳排放量最小化函数F2（x）。
$ \begin{split} {F} _{ {1} } \mathrm{（} {x} ）=\;&\mathrm{a} {x} _{ {1} } +\mathrm{b} {x} _{ {2} } +\mathrm{c} {x} _{ {3} } +\mathrm{d} {x} _{ {4} } +\mathrm{e} {x} _{ {5} } +\mathrm{f} {x} _{ {6} } +\mathrm{g} {x} _{ {7} } +\\& \quad\quad \mathrm{h} {x} _{ {8} } +\mathrm{i} {x} _{ {9} } +\mathrm{j} {x} _{ {10} } \mathrm+ {x} _{ {11} } \mathrm{，} \end{split}$
$\begin{split} {F} _{ {2} } （ {x} ）=\;&-5.04 {x} _{ {1} } -{3.98} {x} _{ {2} } -{4.77} {x} _{ {3} } -{0.95} {x} _{ {4} } -\\ & {5.99} {x} _{ {5} } +{690.43} {x} _{ {6} } +{14.95} {x} _{ {7} } +{167.39} {x} _{ {8} } +\\ & \quad {7.54} {x} _{ {9} } -{2.53} {x} _{ {10} } -{0.40} {x} _{ {11} } {。} \end{split}$
式中，x1~x11分别代表耕地、园地、林地、草地、城市绿地、工业用地、居住用地、商业服务与公共设施用地、交通用地、水域、其他非建设用地的面积。a~j分别为各类用地的经济效益系数，其中a为1.459×106，b为5.917×105，c为1.075×105，d为3.097×106，e为9.907×105，f为1.419×107，g为3.394×106，h为1.013×107，i为1.031×107，j为1.583×105。
根据《重庆市北碚区国土空间分区规划（2021—2035年）》提出的坚持“宜绿则绿、应绿尽绿”[15]，大力开展国土绿化行动，通过实施退耕还林、农业种植结构调整、四旁植树、农田林网和特色经济林改造或新建、宜林荒山及无立木林地造林、低质低效林改造等措施，大力增加森林面积，强化草地资源保护工作，保护全域草地不退化。本研究结合蔡家智慧新城的现状及未来规划提出用地碳排放目标函数约束条件（表11）。
表11 蔡家智慧新城用地碳排放目标函数约束条件及取值范围

Tab. 11 Constraints and value ranges of the carbon emission objective function for land use in Caijia Smart New City

约束条件 约束值的取值范围 注释
土地总面积 $ \displaystyle\sum\nolimits _{i=1}^{11}{x}_{i} $=8 765.56（xi≥0） 根据《重庆市北碚区国土空间分区规划（2021—2035年）》提到的关于生态环境保护、建设用地、非建设用地面积取值
生态环境保护 x1+x2+x3+x4≥2651
建设用地 3788≤x5+x6+x7+x8+x9≤5370
x5≥506
728≥x6≥642
2 380≥x7≥1 227
947≥x8≥491
895≥x9≥726
园地保护 x2≥292
林地保护 2 123≥x3≥1 578
草地保护 x4≥42
耕地保护 x1≥740 永久基本农田线
人口规模 [(x1+x2+x3+x4)/p1]+[(x5+x6+
x7+x8)/p2]≤P		 采用回归分析法对蔡家智慧新城2035年人均农林面积及人均建设用地面积进行计算，得出p1=0.016 hm2/人，p2=0.0211 hm2/人，P为规划中预测的2035年蔡家智慧新城人口规模，P=473 134人
水域 x10≥435 水域有重要的生态涵养功能，需加强对水域的重视和保护
未利用地面积 x11≥310 无
运用LINGO 11.0软件对F1（x）和F2（x）这2个目标函数进行计算，得出用地低碳结构方案。与经济效益最大化目标相比，为了增强绿色空间的碳汇能力，建议绿色空间面积增长至4 934 hm2，增强碳汇能力，从而实现净碳排放量的减少；建议工业用地面积减少至642 hm2，表明在优化用地结构过程中，对碳排放控制的重视；道路与交通设施及物流仓储用地减少至726 hm2，说明通过减少高碳排系数建设用地的分配，能够达到降低用地碳排量的目标。经计算，设立碳排放最小化为约束目标后，2035年蔡家智慧新城土地利用净碳排放量为56.47万t，经济效益为384.38亿元；而在经济效益最大化目标下，经济效益为481.72亿元，净排放量为66.37万t，较前一方案高9.9万t（表12）。
表12 蔡家智慧新城不同目标的土地利用结构优化结果

Tab. 12 The optimization results of land use structure for different goals in Caijia Smart New City

目标 绿色空
间/hm2		 工业用
地/hm2		 居住用
地/hm2		 商服用
地/hm2		 道路交通
用地/hm2		 土地利用净碳
排放量/万t		 经济效益/
亿元
碳排放最小化 4934 642 1226 491 727 56.47 384.38
低效益、低碳排 4934 642 1226 491 727 57.50 384.20
中效益、中碳排 4012 642 1692 947 727 58.16 456.99
高效益、高碳排 3878 642 1693 947 861 60.44 469.63
经济效益最大化 3878 728 1607 947 861 66.37 481.72
考虑到碳排放量的大小与生态环境的质量有着紧密联系，以及目前国际经济的大环境，在权衡低碳及社会经济发展后，选择以中效益、中碳排目标模式的优化方案为最适合蔡家智慧新城未来发展的用地结构方案，在降低碳排放量的同时，能确保社会经济的稳定与有序发展，从而满足蔡家智慧新城在社会经济发展、生态保护以及粮食安全等多方面的需求。

5.2 用地结构优化方案分析

将优化方案与蔡家智慧新城2021年现状及2035年土地利用规划进行对比（表13），优化方案在控制建设用地总量的前提下，通过提升存量用地效益、提高单位产值与降低碳排放，实现了碳减排与区域可持续发展的协调。优化方案中绿色空间较2035年土地利用规划增加855 hm2，强化了生态用地保障与碳汇功能。空间上结合地形增建各类公园与慢行步道，按生活圈布局社区绿地，构建城绿交融格局，确保90%以上居住用地位于公园500 m服务半径内，达成“五分钟见绿”目标。生态廊道串联碳汇要素，提升系统功能与公园可达性。植被优化优先选择乡土高碳汇树种，注重生态效益与景观多样性，形成结构稳定、季相丰富的植物群落。居住用地较规划减少了688 hm2，依据紧凑城市理念适度提高开发强度，并严格执行日照通风等规范以保障居住舒适度，建议腾退土地优先用于增加公共空间与社区设施，优化布局以促进职住平衡与功能混合，建立连续慢行网络连接居住、就业与绿地，引导绿色出行，降低碳排放。
表13 2016年现状、优化方案、2035年土地利用规划方案的面积及比例对比

Tab. 13 Comparison of the area and proportion of the current situation in 2016, the optimization plan, and the land use planning scheme for 2035

地类 2021年 优化方案 2035年土地利用规划
面积/hm2 比例/% 面积/hm2 比例/% 面积/hm2 比例/%
绿色空间（含公园绿地、耕地、
林地、草地、园地）		 4437 50.62 4012 45.77 3157 36.01
工业用地 728 8.31 642 7.32 642 7.32
居住用地 1228 14.01 1692 19.31 2380 27.15
商业服务业设施用地、公共服务
设施用地、公用设施用地		 491 5.60 947 10.80 947 10.80
道路与交通设施用地与物流仓储用地 727 8.29 727 8.29 895 10.21
水域 812 9.26 435 4.96 435 4.96
未利用地 343 3.91 310 3.54 310 3.54

5.3 用地结构优化方案碳减排潜力分析

本研究从经济效益与碳排放量2个方面，对用地结构优化方案与蔡家智慧新城2035年土地利用规划结构进行比较分析（表14）。结果表明，蔡家智慧新城用地优化方案的碳排放总量比2035年规划的碳排放量降低37 657.45 t。优化方案中的人均碳排放量为1.27 t/人，比2035年规划中的人均碳排放量（1.34 t/人）减少0.07 t/人。优化方案中的人均GDP 碳排放量与2035年规划的人均GDP碳排放量都为0.1 t/万元，表明优化方案能在基本满足经济发展要求的同时降低碳排放量。
表14 蔡家智慧新城低碳优化方案与2035年土地利用规划方案的经济效益、碳排放量对比

Tab. 14 Comparison of economic benefits and carbon emissions between the low-carbon optimization plan of Caijia Smart New City and the land use planning plan for 2035

用地类型 优化方案 2035年土地利用规划
经济效益/万元 碳排放量/t 经济效益/万元 碳排放量/t
绿色空间（含公园绿地、耕地、
林地、草地、园地）		 260 941.29 −17 984.07 284 643.79 −15 082.94
工业用地 1 088 093.19 447 653.76 1 186 929.70 447 653.76
居住用地 964 705.89 15 253.93 1 052 334.56 21 443.80
商业服务业设施、公共服务设施、公用设施用地 1 146 130.92 15 246.70 1 250 239.26 15 246.70
道路与交通设施用地与物流仓储用地 1 101 802.89 122 730.30 1 201 884.71 151 299.75
水域 8 225.82 −1 100.55 8 973.01 −1100.55
未利用地 0 −124.00 0 −124.00
合计 4 569 900.00 581 676.07 4 985 005.02 619 333.52

6 蔡家智慧新城的用地减碳策略

6.1 优化产业结构

基于对蔡家智慧新城2016—2021年工业、商服及交通碳排放的分析，本研究发现工业与商服的人均产值推动了碳排放增长，而商服与交通的产值密度则具有抑制作用。据此，应适度控制工业与商服人均产值增速，并着力提升商服产值密度，以经济转型带动产业升级，实现碳减排。具体措施包括巩固传统优势产业，推动高耗能企业技术改革与淘汰落后产业；强化科技创新，培育高技术、低能耗的新兴产业[20]，构建低碳经济新生态。同时应加快发展高附加值现代服务业，促进其与制造业深度融合，推动生活性服务业提质扩容。在提升交通产值密度方面，需提升公共交通的出行分担率，并通过提升其服务效能以缓解拥堵，推动低碳城区的构建与交通可持续发展，推广节能减排技术及可再生能源应用；建设绿色交通基础设施，优化布局并完善慢行系统，引导低碳出行[21]。

6.2 调整能源结构

基于对蔡家智慧新城2016—2021年居住领域碳排放数据的量化分析，本研究揭示了能源结构是该区域居住碳排放的抑制因素，因此优化能源结构能够有效减少居住用地碳排。随着居民生活水平与品质需求的持续提升，若维持现有高碳能源结构，碳排放总量增长将难以避免。为此，需要提升碳排放强度相对较低的天然气在居住终端能源消费中的比例，加速完善天然气管网基础设施覆盖并增强供应保障能力，同时通过政策引导鼓励居民选用清洁燃气设备。此外，应积极引入并推广适用于本地居住场景的新能源与可再生能源，包括在建筑设计中集成太阳能光伏发电与热水系统、探索应用地源或水源热泵技术，以及接入区域绿色电力等多元化途径。通过构建多元化、高效且低碳的新型居住能源体系，有效降低该区域居住领域的整体碳排放强度与总量。

6.3 提升用地能效

基于对蔡家智慧新城2016—2021年工业、居住及交通碳排放的量化分析，本研究发现居住与交通用地效能的增长促进了碳排放，而工业的用地效能的增长则能有效减少碳排。因此，需要抑制居住与交通用地效能的增长，同时提升工业的用地效能。在交通方面，需提升路网密度与节点效率，发展紧凑型交通模式，增强城际联通能力，推进土地绿色集约利用[22]。在工业方面，依托装备制造基础，推动产品智能化与产业集群化，加强园区协同与布局优化，避免产业同构。在居住方面，建议提高建筑终端用能效率，推广绿色建筑与自然采光通风设计，融合光伏一体化与立体绿化技术，提升碳汇能力并倡导居民节能行为[23]。

7 结语

城区用地减碳是建设低碳城市的重要部分，也是实现社会经济发展与减碳目标的关键，但目前针对城区尺度的碳排放核算及其影响因素的研究较少与不同用地类型相关联，对城市规划的指导较少。为此，本研究构建了“人类活动-用地类型-碳排放”的城区尺度碳排放关联机制与核算模型，以重庆蔡家智慧新城为例，核算居住、工业、商服与交通4类用地碳排放，并采用因素分解法量化各类用地碳排放量及其相关影响因素的相互作用，有助于更直观地理解各因子对碳排放的影响程度，在此基础上提出用地结构优化建议，并从产业结构、能源结构和用地能效3个方面形成减碳策略，以完善城区碳排放核算与低碳土地规划方法体系。然而，本研究受限于城区尺度数据的可获取性，基于LINGO软件构建多目标规划模型的用地优化方案需通过长期实地监测进一步验证。未来研究可将本框架应用于不同类型城区，检验其适用性；未来在模型中可纳入生态系统服务价值，加强对高碳汇植被、生态廊道等碳汇效益的实证评估，从而提升低碳土地规划的科学性与可操作性。

图表来源(Sources of Figures and Tables)：

图1、2由作者自绘；表1、3、4由作者根据参考文献 [15]~[17]绘制；表2、5~14由作者绘制。

文章亮点

1、解析碳排放时空分布特征：明确城区用地功能运行主导能源消耗与碳排放，核算其时空特征与驱动机制，是制定低碳土地规划策略及支撑国家“双碳”战略的关键前提。

2、构建核算模型：创新构建“人类活动-用地类型-碳排放”的城区尺度碳排放关联机制与核算模型，对比多年份由用地类型变化引发的碳排放量差异，并解析其影响因素，为低碳规划提供数据支撑。

3、优化用地结构与实效：基于多目标规划原理，运用LINGO软件构建用地结构优化方案，该方案在保障经济效益的同时，将蔡家智慧新城的人均碳排放量较常规规划减少0.07 t/人。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
徐可西, 詹冰倩, 姜春, 等. 碳排放约束下的城市空间格局优化: 理论框架、指标体系与实践路径[J]. 自然资源学报, 2024, 39(3): 682-696.

DOI

XU K X, ZHAN B Q, JIANG C, et al. Optimization of Urban Spatial Pattern Under Carbon Emission Constraints: Theoretical Framework, Index System and Practical Paths[J]. Journal of Natural Resources, 2024, 39(3): 682-696.

DOI

[2]
张鑫, 任云英. 基于夜间灯光数据的国家级新区碳排放核算和时空分布特征: 以青岛西海岸新区为例[J]. 现代城市研究, 2023, 38(9): 104-112.

ZHANG X, REN Y Y. Carbon Emission Accounting and Spatiotemporal Distribution Characteristics of a National-Level New Area Based on Nighttime Lighting Data: A Case Study of Qingdao West Coast New Area[J]. Modern Urban Research, 2023, 38(9): 104-112.

[3]
GE Q S, DAI J H, HE F N, et al. Land Use Changes and Their Relations with Carbon Cycles over the Past 300 a in China[J]. Science in China Series D: Earth Sciences, 2008, 51(6): 871-884.

DOI

[4]
董祚继. 低碳概念下的国土规划[J]. 城市发展研究, 2010, 17(7): 1-5.

DOI

DONG Z J. The Territorial Planning Under the Concept of Low-Carbon[J]. Urban Studies, 2010, 17(7): 1-5.

DOI

[5]
HOUGHTON R A. Tropical Deforestation and Atmospheric Carbon Dioxide[M]//MYERS N. Tropical Forests and Climate. Dordrecht: Springer Netherlands, 1991: 99-118.

[6]
HOWARTH R B, SCHIPPER L, DUERR P A, et al. Manufacturing Energy Use in Eight OECD Countries: Decomposing the Impacts of Changes in Output, Industry Structure and Energy Intensity[J]. Energy Economics, 1991, 13(2): 135-142.

DOI

[7]
ANG B W, CHOI K H. Decomposition of Aggregate Energy and Gas Emission Intensities for Industry: A Refined Divisia Index Method[J]. The Energy Journal, 1997, 18(3): 59-73.

DOI

[8]
姜勇.中国碳排放与经济增长关系及其影响因素的实证研究[D].重庆: 重庆大学, 2014.

JIANG Y. The Empirical Study on the Relationships Between Carbon Emissions and Economic Growth in China and It's Influencing Factors[D]. Chongqing: Chongqing University, 2014.

[9]
王晓霞.陕西省土地利用碳排放效应及影响因素研究[D].杨凌: 西北农林科技大学, 2014

WANG X X. Research of Carbon Emission Effects and Factors of Land Use in Shaanxi Province[D]. Yangling: Northwest A & F University, 2014.

[10]
张伟.广州市土地利用碳排放核算及影响因素研究[D].广州: 华南农业大学, 2016.

ZHANG W. A Study on the Accounting and Effect Analysis of Land-Use Carbon Emissions in Guangzhou[D]. Guangzhou: South China Agricultural University, 2016.

[11]
ZOMER R J, TRABUCCO A, BOSSIO D A, et al. Climate Change Mitigation: A Spatial Analysis of Global Land Suitability for Clean Development Mechanism Afforestation and Reforestation[J]. Agriculture, Ecosystems & Environment, 2008, 126(1/2): 67-80.

[12]
赖力.中国土地利用的碳排放效应研究[D].南京: 南京大学, 2010.

LAI L. Carbon Emission Effect of Land Use in China[D]. Nanjing: Nanjing University, 2010.

[13]
任奎, 周生路, 张红富, 等. 基于精明增长理念的区域土地利用结构优化配置: 以江苏宜兴市为例[J]. 资源科学, 2008, 30(6): 912-918.

REN K, ZHOU S L, ZHANG H F, et al. Optimization of Regional Land Use Based on Smart Growth[J]. Resources Science, 2008, 30(6): 912-918.

[14]
刘海猛, 石培基, 王录仓, 等. 低碳目标导向的兰州市土地利用结构优化研究[J]. 中国土地科学, 2012, 26(6): 55-61.

LIU H M, SHI P J, WANG L C, et al. Optimizing Land Use Structure for Low Carbon Target: A Case Study in Lanzhou of Gansu Province[J]. China Land Sciences, 2012, 26(6): 55-61.

[15]
重庆市北碚区人民政府. 重庆市北碚区国土空间分区规划（2021—2035年）[EB/OL]. （2024-06-30）[2025-12-06]. https://www.cq.gov.cn/zwgk/zfxxgkml/szfwj/qtgw/202407/t20240709_13357642.html.

Beibei District People's Government of Chongqing. Territorial Space Zoning Plan of Beibei District, Chongqing (2021−2035) [EB/OL]. (2024-06-30)[2025-12-06]. https://www.cq.gov.cn/zwgk/zfxxgkml/szfwj/qtgw/202407/t20240709_13357642.html.

[16]
黄肇义. 低碳城市交通规划理论与实践[J]. 理想空间, 2013(1): 30-33.

HUANG Z Y. Theory and Practice of Low-Carbon Urban Transportation Planning[J]. Ideal Space, 2013(1): 30-33.

[17]
顾朝林, 袁晓辉. 中国城市温室气体排放清单编制和方法概述[J]. 城市环境与城市生态, 2011, 24(1): 1-4.

GU C L, YUAN X H. Urban Greenhouse Gas Inventory and Methods in China[J]. Urban Environment & Urban Ecology, 2011, 24(1): 1-4.

[18]
吴烨, 尹应梅, 肖宇, 等. “双碳”目标下广州市交通碳排放量驱动因素和预测分析[J]. 环境科学研究, 2025, 38(10): 2147-2154.

DOI

WU Y, YIN Y M, XIAO Y, et al. Driving Factors and Predictive Analysis of Transportation Carbon Emissions Under the ‘Dual Carbon' Goals in Guangzhou[J]. Research of Environmental Sciences, 2025, 38(10): 2147-2154.

DOI

[19]
宋丹, 姜琦刚. 总部经济园土地利用效益潜力分析及对策[J]. 中国人口·资源与环境, 2015, 25(S1): 50-52.

SONG D, JIANG Q G. Land Use Benefit Potential and Countermeasures of Headquarters Economy Park[J]. China Population, Resources and Environment, 2015, 25(S1): 50-52.

[20]
陈飞, 徐鹤, 李永贺. 长三角地区城市密度对碳排放绩效的影响效应与机制[J]. 生态学报, 2024, 44(10): 4092-4104.

DOI

CHEN F, XU H, LI Y H. Low-Carbon Development Effects and Mechanisms of Urban Density in the Yangtze River Delta Region[J]. Acta Ecologica Sinica, 2024, 44(10): 4092-4104.

DOI

[21]
潘海啸. 面向低碳的城市空间结构: 城市交通与土地使用的新模式[J]. 城市发展研究, 2010, 17(1): 40-45.

DOI

PAN H X. Urban Spatial Structure Towards Low Carbon: New Urban Transport and Land Use Model[J]. Urban Studies, 2010, 17(1): 40-45.

DOI

[22]
王睿, 柯嘉, 张赫. 基于职住分离的超大特大城市交通拥堵碳排放机理研究: 以天津市“郊住城职”现象为例[J]. 上海城市规划, 2023(6): 33-39.

WANG R, KE J, ZHANG H. The Carbon Emission Mechanism of Traffic Congestion in Mega Cities Caused by Job-Housing Imbalance: A Case Study of Commuting Behavior from Suburban Housing to Urban Workplaces in Tianjin[J]. Shanghai Urban Planning Review, 2023(6): 33-39.

[23]
陈天, 耿慧志, 陆化普, 等. 低碳绿色的城市更新模式[J]. 城市规划, 2023, 47(11): 32-39.

CHEN T, GENG H Z, LU H P, et al. Green and Low-Carbon Urban Regeneration[J]. City Planning Review, 2023, 47(11): 32-39.

Options
文章导航

/

〈 〉