中国提出力争2030年前碳达峰、2060年前碳中和的“双碳目标”，将给社会经济发展带来广泛而深刻的变革。《上海市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》提出“新城应当率先成为全市低碳韧性发展的示范区，构建绿色、韧性、低碳的空间新格局”。根据2020年《上海市综合交通发展年度报告》数据 ^[1] ，除南汇新城外，其余四大新城的日均出行量均超过100万人次，松江新城更是高达230万人次。如此强劲的出行强度，预示着新城不仅是上海市“十四五”时期发展的重点地区，更是交通节能减排的关键区域。

基于手机信令、居民出行调查、互联网电子地图等多源数据，本文选取上海市松江新城，研究新城低碳交通的影响要素。基于2013年和2017年2次居民出行调查数据的对比分析，建立碳排放及其影响因素之间的相关性分析模型，识别影响最为显著的要素。最后，提出新城低碳交通规划发展策略，以期为上海市及其他地区的新城低碳交通发展提供参照。

现有关于低碳交通的研究主要集中在建立评价指标和讨论评价方法。

1）低碳交通评价指标。

刘亮 等 ^[2] 提出低碳交通指标体系包括3项一级指标：①绿色出行率，包括公共交通(以下简称“公交”)出行分担率、公交站点覆盖率、主干路公交专用车道设置比例、非机动化出行分担率、非机动交通道路空间比例和智能交通覆盖率等；②公交清洁能源利用率，包括使用新能源公共汽车的比例以及加油加气站合并设置比例等；③绿色物流比例，包括货运车辆满载率和物流信息利用率等。

王强 等 ^[3] 认为新城低碳交通指标应该包括功能指标、交通需求、交通设施和交通运行指标，并按照目标层、准则层和指标层建立了3类、25项绿色交通发展指标，从结构优化、路网功能提升、公交系统优化、交通设施完善等方面提出定量化评价标准。

肖华斌 等 ^[4] 从用地布局和交通结构两大维度，建立了低碳生态城市的评价指标，包括公共中心、建设用地、路网结构和公交便捷程度等方面，通过规划指标和建成后指标的对比，评估地区碳排放潜力的变化情况，并制定了低碳生态新城的规划发展建议。

潘海啸 等 ^[5] 提出土地使用与交通整合的“5D”模式，强调多模式平衡型绿色交通体系与城市空间布局的整合。相关研究 ^[6] 表明建成环境是影响交通碳排放的重要因素，其中建成环境主要包括“5D”要素：密度(Density)、多样性(Diversity)、设计(Design)、目的地可达性(Destination Accessibility)、到公交站点的距离(Distance to Transit)。塔娜 等 ^[7] 基于北京市上地-清河地区居民一周的活动情况，研究郊区建成环境对于居民小汽车出行的影响。研究发现全日出行同时受到工作地及其活动环境的影响，建设密度增高会减少小汽车出行，但居住空间对全日出行影响不显著。

2）低碳交通评价方法。

Newman P. G.等 ^[8] 在20世纪80年代的研究已经表明，城市密度是评价低碳交通的一个重要指标。龙瀛 等 ^[9] 采用FEE-MAS模型，对不同形态城市的通勤交通能耗进行评估，发现紧凑布局的城市交通能耗更低。周雅欣 等 ^[10] 采用熵权TOPSIS评价和障碍度模型测算城市低碳交通发展水平，识别不同时期阻碍低碳交通发展的障碍因子，并以北京为例进行实证分析。以上评价方法均是在构建低碳交通技术指标基础上定量或定性评估各要素的影响程度，识别影响最为显著的因子，从而制定相应的低碳交通发展策略。

随着移动互联和电子支付的广泛应用，基于手机信令数据、公交IC卡数据、互联网电子地图开源数据、政府部门开放数据、社交软件位置签到数据以及传统居民出行调查数据等多源数据融合，在数据来源、数据精度及成果表达等方面，进一步拓展了低碳交通研究的思路和范式。

数据来源更多样。除传统的入户居民出行调查外，手机移动互联的实时、精细定位最大程度上保留居民个体及服务设施的时空特征，为出行特征和碳排放研究提供一定的便利。

研究尺度更精细。基于上述开源矢量数据的获取，在地理信息平台上可根据实际所需的研究精度进行网格化参数集聚，实现最大精度的个体特征分析，从而为规划方案提供更有针对性的研究支撑。

成果表达更直观。基于多源数据融合，利用ArcGIS、TransCAD等地理信息系统分析软件进行空间特征分析和指标可视化表达，为规划方案的空间布局提供评建结合的量化分析依据。

首先，基于新城居民交通调查数据，分析出行距离、交通方式以及各方式碳排放因子，测算交通碳排放；其次，采用“5D”建成环境要素(以下简称“建成环境要素”)测度方法，识别新城内建成环境的空间分布特征；再次，建立交通碳排放与建成环境相关性分析模型，识别影响最为显著的要素；最后，通过GIS空间自相关分析，识别交通碳排放的空间集聚程度，以及影响交通碳排放最为显著的建成环境要素的空间集聚特征，通过不同年份的集聚程度对比，判定碳排放影响要素对降低碳排放的作用。

新城低碳交通的评价指标主要包括2类，即出行指标和建成环境要素，其中出行指标包括出行距离、交通方式、出行目的等；建成环境要素及测度方法如表1所示。

表1 建成环境要素及测度方法

首先采用要素归一法对各要素进行标准化处理，然后采用相关性分析法识别对碳排放有显著影响的建成环境要素，并应用莫兰指数测度碳排放及影响显著要素的空间自相关性和空间集聚程度。

1）要素归一法。

为消除建成环境各量纲之间的差异，基于基本网格测算结果，采用Min-Max方法进行负向指标正向化处理及标准化运算，使最终结果等比例位于[0, 1]区间。在要素测度归一化之后，采用ArcGIS识别各建成环境要素的空间分布特征。

2）相关性分析法。

考虑建成环境包含土地利用、个体家庭属性等多个自变量，研究建立居民出行碳排放多元线性回归分析模型

式中： y 为居民出行碳排放/kg； x _i 为建成环境要素、个人家庭经济属性等变量； a ₀ 为常数项； a _i 为各类自变量因子对居民出行碳排放的影响程度； u 为残差。

3）空间相关分析法。

空间相关性用来衡量事物在空间上是否存在集聚性，通常用全局莫兰指数(Global Moran's I)和安瑟伦局部莫兰指数(Anselin Local Moran's I)表征。全局莫兰指数经方差归一后的数值 I 为-1.0~1.0。 I >0表示属性值在空间上正相关，值越大相关性越明显； I <0表示属性值在空间上负相关，值越小空间差异性越明显； I =0表示空间随机分布，无空间相关性。安瑟伦局部莫兰指数通常用来测度局部空间是否存在空间自相关，从而判定空间单元与邻近单元的聚类程度。

全局莫兰指数

式中： n 为空间单元总个数； y _i 和 y _j 分别为第 i 个空间单元和第 j 个空间单元的属性值； y 为所有空间单元属性值的均值； w _ij 为空间权重值； S ₀ 为所有空间权重的聚合。

计算出全局莫兰 指数后，应使用Z检验对结果进行验证。

式中： Z _I 为偏方差的程度； P _I 为在假设正确时出现现状或更差情况的概率。只要满足 Z _I >1.96或 P _I <0.05，则可拒绝原假设，即有充分理由认为全局莫兰指数显著。

安瑟伦局部莫兰指数

式中： I _i 为第 i 个空间单元的安瑟伦局部莫兰指数； Z _i ， Z _j 分别是要素 i ， j 的属性与其平均值的偏差； S ² 为方差。

松江新城是上海市5个新城之一，位于上海市西南部(见图1)，面积约158 km ² ，现状常住人口为79万人，其经济和人口发展规模位于新城前列。作为5个新城当中建成年代较早、交通区位条件较好、基本按照规划实施的新城，其交通特征、建成环境和交通碳排放具有典型代表性。

图1 松江新城区位

资料来源：根据《上海市城市总体规划(2017—2035 年)》绘制。

2013年3月松江区组织相关单位开展了居民出行抽样调查，其中松江新城有效调查3 004户家庭，8 678个居民，抽样率为1.1%。2017年4月，松江区再次组织开展了居民出行抽样调查，其中松江新城有效样本为2 580户，约7 224个居民，抽样率约为1%。

建成环境要素的密度指标包括居住人口密度和就业岗位密度，主要基于第六次人口普查(2010年)数据及2017年手机信令数据对日间工作地、夜间居住地进行识别测算。多样性指标为土地利用混合度，主要基于2013年和2017年松江区土地利用现状遥感数据测算。设计指标包括交叉口密度、道路网密度和路网连通度，主要基于互联网电子地图测算。目的地可达性指标为千人POI个数，主要基于互联网电子地图获取。公交站点可达性指标中，公共汽车站密度、公共汽车站300 m覆盖率是基于互联网电子地图计算得到；距最近轨道交通车站距离是基于互联网电子地图的路径规划功能测算得到。

1）出行分布。

2013年和2017年松江新城居民在新城内部的出行比例均超过70%。与2013年相比，2017年新城内部出行比例有所降低，往上海市中心城(外环线以内区域)、主城片区的出行比例略有增大(见图2)，表明随着轨道交通、对外道路交通便利程度的提升，松江新城与中心城、主城片区的联系更加紧密。但松江新城居民仍以内部出行为主，体现了松江新城作为节点城市具有较高的城市独立性。

图2 出行目的地分布变化情况

2）出行距离。

相比2013年，2017年松江新城居民平均出行距离有所增加，其中通勤出行由5.8 km增加至6.7 km，非通勤出行距离由3.4 km增加至4.5 km(见表2)。从图3的出行距离累计分布曲线来看，两个年份的出行距离分布趋势较为一致，3 km以内的出行占比分别达到53%和44%，5 km以内的出行占比分别达到73%和64%，表明松江新城内的出行以5 km以内的短距离为主。

表2 不同出行目的的出行距离对比(单位：km)

图3 出行距离累计分布曲线

3）交通结构。

与2013年相比，2017年松江新城居民步行、自行车和公共汽车的出行比例均有所下降，与之相对应的是小汽车出行比例显著上升，提升约11.7个百分点(见图4)，个体机动化水平增长显著。其中两个年份的公共汽车和轨道交通出行比例总和均显著低于中心城区的平均水平(25%)，因此松江新城的公共交通，尤其是轨道交通出行比例仍有较大提升空间。

图4 交通结构对比

1）交通碳排放定义。

居民出行碳排放是指居民在日常出行过程中所产生的碳排放量，即采取某种交通工具从出发到抵达目的地过程中所产生的CO ₂ 排放量。居民出行碳排放的计算通常有两种方法，一种是计算交通工具燃烧燃料产生的CO ₂ 排放量，另一种是通过居民采取的交通方式和出行距离进行计算。本文采用第二种方法，以单次交通方式碳排放系数乘以出行距离来计算居民单次出行碳排放量，汇总各次出行碳排放即可得到居民全日碳排放量。

式中： CE 为居民单次出行碳排放量/kg； W _j 为交通方式 j 的碳排放强度/(kg·人 ^-1 ·km ^-1 )； S _j 为使用交通方式 j 的单次出行距离/km； E 为居民出行碳排放量/kg； n 为出行次数/次。

对于碳排放强度的确定，综合考虑上海市的实际情况，参考朱洪 等 ^[11] 的相关研究，采用碳排放计算因子(见表3)进行计算。

表3 不同交通方式碳排放强度推荐值

2）计算结果。

从居民单次出行交通碳排放量累计分布曲线来看(见图5)，2013年、2017年0.1 kg以内的累计出行量分别为60%，50%；另从80%居民单次出行碳排放分布来看，2013年为0.4 kg，而2017年达到0.8 kg；这表明2017年的单次出行人均碳排放值相对较高。从通勤交通与非通勤交通碳排放量对比来看(见表4)，通勤交通碳排放总量占比均接近70%，其中2017年达到71.2%，因此降低通勤交通碳排放是实现节能减排的关键。

图5 居民单次出行交通碳排放量累计分布曲线

表4 通勤交通与非通勤交通碳排放量对比

从轨道交通车站不同服务圈层的通勤交通碳排放量对比可知(见图6)，在车站周边500 m范围内出现了单次出行碳排放量的最大值，这是由于松江新城轨道交通车站周边居民机动化程度较高且出行距离长，轨道交通出行优势并未体现；500~1 500 m的各个圈层范围内，基本呈现离车站越远单次出行碳排放量越大的趋势，这是由于越远离轨道交通车站，个体机动化比例和单次出行碳排放量越大 ^[12] 。

图6 轨道交通车站不同距离范围的通勤交通碳排放量

1）研究尺度。

在交通特征研究的基础上，为进一步分析松江新城的建成环境空间特征，结合居住小区的平均尺度，将松江新城划分为1 885个300 m×300 m的基础网格，并根据居民出行调查的起终点坐标，将其关联在对应的空间网格中，如图7所示。以网格为基本单元测算居民的平均出行距离、出行时间及出行碳排放情况。同时以网格质心点为圆点，测算1 km半径范围内的建成环境指标，并基于300 m×300 m的基础网格，采用ArcGIS进行空间可视化表达。

图7 基本网格划分及其与研究圈层的关系

2）建成环境空间分布。

与2013年相比，在居住人口密度、就业岗位密度和职住比方面，2017年松江新城的居住人口向西集聚、就业岗位则向新城东部偏移，整体上造成西部职住比进一步减小而东部职住比有一定提高；在道路网密度方面，2017年比2013年有所提升，整体呈现中心集聚、外围分散的特征；在土地利用混合度和开发强度分布方面，2017年更向松江老城区和松江新城北侧集聚；在公共汽车站密度分布方面，整体呈现中北部密度大，而东部和南部整体较低的特征(见图8)。

图8 建成环境空间分布对比

3）碳排放空间相关性评价。

基于ArcGIS计算2013年、2017年松江新城碳排放的全局莫兰指数 I 分别为0.31和0.64， I 值均大于0。 Z 检验结果显示， P <0.01且 Z >1.96，表明两个年份的碳排放全局莫兰指数有效，碳排放的空间分布呈现正相关(见图9)。从 I 值的变化来看，2017年的碳排放空间集聚程度高于2013年。

图9 全局莫兰指数分析结果

为进一步明确碳排放的空间集聚程度，对两个年份的碳排放进行安瑟伦局部莫兰指数分析(见图10)，灰色区域为没有通过1%的显著性检验，即碳排放空间不相关区域。其余空间相关性分为4个区域，分别是高高集聚区、低低集聚区、低高集聚区、高低集聚区，各区特征如下：

①高高集聚区即碳排放与影响要素相关性较高的地区，网格数量基本持平，主要集中在新城东部中山街道的工业园区以及东北部广富林街道的商业集中区。该区域就业岗位较为集中，但居住人口偏少、职住分离情况较为突出。

②低低集聚区即碳排放与影响要素相关性较低的地区，网格数量略有减少，空间分布较为一致，即主要在新城的东西两侧及西北部，主要为远郊地区。

③低高集聚区即所在区域碳排放与影响要素相关性低、而周边区域相关性较高，网格数量有所增加，整体呈现散点分布。新城东北部地区较为集中，该区域的土地利用混合度、容积率及公共汽车站密度整体较薄弱，是造成碳排放增长的主要原因。

④高低集聚区即所在区域碳排放与影响要素相关性高、而周边区域相关性较低，网格数量基本持平，空间分布较离散，主要位于西北部远郊地区。整体上该区域距离轨道交通车站较远，公交设施不足、道路网密度偏低，个体机动化程度较高。

图10 安瑟伦局部莫兰指数分析结果

根据表1中建成环境要素指标及测度方法，分别测算松江新城2013年和2017年的建成环境要素指标值(见表5)。整体上2017年的居住人口密度、就业岗位密度均有所提升，从容积率、千人POI个数、道路网密度、公共汽车站密度、公共汽车站300 m覆盖率等各项指标来看，均有一定程度的增加；而土地利用混合度、交叉口密度和距最近轨道交通车站距离则有所降低。

表5 建成环境要素各指标变化情况

首先将表5中的指标与碳排放量进行相关性分析，筛选出与居民出行碳排放显著相关的因素。通过Pearson相关性分析结果可知，与碳排放显著相关的指标主要包括居住人口密度、就业岗位密度、容积率、土地利用混合度、千人POI个数、路网密度和公共汽车站密度等(见表6)。

表6 与碳排放显著相关的指标

1）p<0.01，代表在0.01水平(双侧)上显著相关。

2）p<0.05，代表在0.05 水平(双侧)上显著相关。

其次，分别建立2013年和2017年碳排放与上述建成环境的相关性分析模型，回归系数汇总见表7。与2013年相比，2017年相关系数R ² 略有增大，即碳排放与建成环境要素的解释程度有所提升。将表7中指标数值进行标准化归一处理可知，正相关影响程度从大到小依次为千人POI个数、职住比，这是由于公共服务设施和就业岗位集中地区房价相对较高、高收入群体集中，个体机动化出行比例较高，交通碳排放较大；负相关影响程度从大到小依次为居住人口密度、距最近轨道交通车站距离、土地利用混合度、道路网密度、公共汽车站密度、容积率及就业岗位密度。两个年份的分布规律基本相同，表明建成环境要素一旦确定，对于交通特征及碳排放的影响具有长期锁定效应。

表7 碳排放相关因素回归系数汇总

与潘海啸 等 ^[12] 的研究结论“轨道交通车站周边20%居民的通勤交通碳排放量占碳排放总量的80%”基本一致，本研究发现靠近轨道交通车站区域的单次出行碳排放量反而较高，而表6中公共汽车站密度与碳排放量也呈现负相关性。松江新城的案例表明靠近轨道交通车站并没有减少碳排放，低碳交通建设并非仅仅是公共交通基础设施的建设，需要更加整体性的空间规划与交通政策。

松江新城居民内部出行比例占比超过七成，具备较强的独立性。因此，新城应完善各项基本服务设施，尤其是医院、学校、商业等，按照人口规模和结构配置种类齐全、数量足够的基本公共服务设施。同时要适度提高新城核心区开发密度，尽可能配置与居住人口规模相当、层次匹配的就业岗位，有助于人们在新城内部或行政区内部实现就近就业、生活出行，最大程度上减少跨区域或往返中心城区的长距离出行，从而降低碳排放。

公共汽车站密度是影响碳排放的重要因素之一，降低碳排放不仅仅需要增加公交设施，更需要分区域构建绿色交通系统。基于松江新城2013年和2017年两次居民出行调查分析发现，公共交通出行比例尤其是轨道交通出行比例仍有较大的提升空间。新城与中心城、新城与周边地区应主要依靠轨道交通市域线、市区线解决跨域交通，并优化轨道交通车站周边的公共汽车接驳线路。新城内部应形成独立的公共汽车局域线网络，实现组团间交通联系。此外，还应完善新城内部的非机动车道、人行道系统，提供良好的非机动交通出行环境，从而构建对外交通出行靠公交、内部出行靠慢行、内外联动、绿色低碳的交通系统。

在片区层面，实施紧凑的用地布局规划，按照“城市中心—区域中心—社区中心”分层优化城市服务中心体系，并结合城市功能分布、产业布局、公共交通服务水平、服务人口密度、站点距离等布置“公交先导区—慢行优先区—无车区”3级低碳交通区。推行TOD导向的用地布局，优先将高容积率、高混合度的地块集中布置在轨道交通车站周边。

在单元层面，营造尺度适宜、空间紧凑、职能丰富的舒适生活圈，满足居民基本生活服务需求，从而减少因外出寻求生活服务导致的不必要出行。加强松江新城东部产业园区及北部片区等单元内部及对外公共交通服务，最大程度上降低私人小汽车出行比例，减少对外出行交通碳排放。

在街区层面，推广街区制，鼓励构建零碳街区，重新定义街区尺度及道路网密度，优化松江老城及西北部大学城内各类基础设施、公共服务设施布局，集居住、商业、休闲于一体，形成5分钟、10分钟、15分钟分级式高效便利生活圈。优化沿街退界及人行道的一体化设计，打造适宜步行的城市街道空间，建设连续通畅的非机动车道网络，为步行和骑行构造良好出行环境。

不仅要在物质空间上构建适宜绿色出行的低碳城市环境，还要在意识形态上引导公众形成绿色低碳的主流价值观，这也是促进宜居生态建设的重要方面。如成都打造“碳惠天府”，鼓励人们绿色出行、低碳消费，通过骑单车、坐地铁、垃圾分类，将日常生活的低碳行为，打卡计入“碳惠天府”小程序，变成相应积分，累积后可用来兑换相应商品。此外，南京、杭州、北京也陆续开展“Mass出行、绿动全城”碳普惠出行行动，市民注册后，只需要在乘坐公共汽车和地铁、骑自行车、步行等绿色出行时，应用高德地图、百度地图APP进行路径规划及导航，出行结束后即可获得对应的碳能量，累积后可换取多样化的奖励，以此激励市民形成绿色出行习惯。

本文以分析新城低碳交通的影响要素为出发点，构建了交通碳排放与建成环境要素相关性分析模型。识别出影响新城交通碳排放最为显著的指标分别为居住人口密度、距最近轨道交通车站距离、土地利用混合度、道路网密度、公共汽车站密度、容积率、千人POI个数、就业岗位密度和职住比。结合松江新城低碳交通规划实践，从构建独立功能的节点城市、创建对外公交优先和内部慢行为主的交通系统、分层分类推广低碳示范区以及加强绿色出行引导，落实各项低碳建成环境要素指标等方面，提出新城低碳交通优化策略和建议。由于数据获取范围的限制，本文仅选取了松江新城作为案例，今后随着相关数据的进一步完善，可扩展到郊区新城更多的地区，从而制定更为精准的低碳交通引导策略。

注释：

①根据《上海主城区单元规划编制技术要求和成果规范(试行)》规定，主城区以单元为基本单位进行控制性详细规划编制，主城区包括中心城和主城片区。