基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測研究*

閆鳳英 劉思嫻 張小平 YAN Fengying, LIU Sixian, ZHANG Xiaoping

0 引言

城市是碳排放的主體，全球約80%的碳排放來源于城市區(qū)域[1]。大量研究已探明，城市建設(shè)用地（以下簡稱“用地”）的碳排放強(qiáng)度遠(yuǎn)遠(yuǎn)高于其他土地利用類型[2-3]，且不同的用地利用方式所產(chǎn)生的碳排放差異巨大[4-5]。因此，對用地進(jìn)行合理的規(guī)劃利用對控碳及城市的低碳發(fā)展有重要作用。對用地的研究始終是空間規(guī)劃學(xué)科理論和規(guī)劃實踐的核心內(nèi)容之一，空間規(guī)劃作為引領(lǐng)城鎮(zhèn)低碳發(fā)展的基本依據(jù)，主要通過對用地的性質(zhì)、開發(fā)強(qiáng)度和空間形態(tài)等用地特征指標(biāo)進(jìn)行管控來實現(xiàn)?？梢哉f，以空間規(guī)劃作為結(jié)構(gòu)調(diào)整式減排手段進(jìn)行碳排放控制的潛力可觀[6]。研究表明，雖然通過使用清潔能源、調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、推廣節(jié)能新技術(shù)等可以在一定程度上減少用地的碳排放，但不能完全解決用地的功能、規(guī)模、建筑空間等建成環(huán)境要素所引起的碳排放效應(yīng)，而一旦用地的上述用地特征得以確定，再調(diào)整其承載的碳排放將非常困難[7]。目前我國空間規(guī)劃技術(shù)中控碳方法缺失等問題未解決[8]，仍然缺乏相對客觀的、可衡量城市用地碳排放的有效工具。

綜上，本文提出基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測方法，以城市用地端能耗的角度探尋各類型用地的碳排放特點，通過用地特征指標(biāo)估算用地碳排放，在碳排放管控層面提供關(guān)鍵量化指標(biāo)，更科學(xué)地找到用地的減排潛力，為空間規(guī)劃提供有力的碳排放數(shù)據(jù)依據(jù)，使空間規(guī)劃能夠更大程度地發(fā)揮其結(jié)構(gòu)調(diào)整式減排作用。

1 既有研究綜述

目前，國內(nèi)外學(xué)者對城市用地碳排放的量化方法展開了廣泛討論。其中部分學(xué)者將溫室氣體清單通過空間分配的方法選取一定的代用參數(shù)（建筑面積、GDP、人口密度等），將以行政區(qū)為單位的排放清單按照代用參數(shù)處理成以網(wǎng)格為單位的碳排放。例如，許盛采用空間插值法將各部門排放量通過GDP、人口、路網(wǎng)密度等的比值分配到各網(wǎng)格，將該比值作為每個網(wǎng)格的碳排放占碳排放總量的比例，從而求出各網(wǎng)格的貢獻(xiàn)，最后得到各網(wǎng)格排放量[9]；揣小偉等基于不同土地利用類型特征分配參數(shù)，將農(nóng)業(yè)、生活、商業(yè)、工業(yè)分配到用地上[10]。這種方法的優(yōu)勢在于所利用的數(shù)據(jù)為官方公開的統(tǒng)計數(shù)據(jù)，可操作性強(qiáng)，但這種清單部門總量數(shù)據(jù)采用的是空間間接分配方法，分配結(jié)果分配類別較粗，同時存在誤差較大、空間網(wǎng)格屬于柵格數(shù)據(jù)無法矢量化等問題，無法落實到更具體的空間區(qū)位，難以適應(yīng)用地上錯綜復(fù)雜的地塊劃分與建筑空間分布情況，無法與空間規(guī)劃中用地的類型與邊界結(jié)合，對空間規(guī)劃的指導(dǎo)價值有限。在此基礎(chǔ)上，部分學(xué)者提出基于用地類型與溫室氣體清單的對應(yīng)關(guān)系來評估用地碳排放，通過確定各用地類型所對應(yīng)的碳排放部門來確定用地的碳排放。例如：王雅捷等將溫室氣體排放清單統(tǒng)計數(shù)據(jù)拆分再轉(zhuǎn)換到承載終端能源消費活動的規(guī)劃用地[11]；葛汝冰等按用地的溫室氣體強(qiáng)度依次降序排列各類用地[12]；姜洋等基于溫室氣體清單的排放部門和城市用地的對應(yīng)關(guān)系，構(gòu)建以用地規(guī)模與用地類型所對應(yīng)的平均單位用地碳排放強(qiáng)度為核心的碳排放核算指標(biāo)體系來確定各類用地的碳排放[13]。但此類研究方法主要是將同一部門類型的用地活動強(qiáng)度能耗碳排放視為均質(zhì)，未體現(xiàn)城鄉(xiāng)住宅用地、不同產(chǎn)業(yè)類型的工業(yè)用地、商業(yè)用地、商務(wù)用地與行政辦公用地等的活動強(qiáng)度的差異。

綜上，既有研究多從宏觀部門統(tǒng)計數(shù)據(jù)角度將碳排放通過空間分配或排放部門對應(yīng)土地利用的方式，將總量數(shù)據(jù)落實到用地上，雖然這些方法可以得到區(qū)域碳排放的空間分布特征，但無法從用地單元的角度揭示用地碳排放量與具體用地地塊規(guī)模、類型、空間特征等之間的關(guān)系。針對這一不足，本文試圖從空間規(guī)劃的職權(quán)出發(fā)，探尋用地特征指標(biāo)與用地碳排放之間的關(guān)聯(lián)，建立PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型，為用地碳排放預(yù)測與規(guī)劃決策提供思路參考與路徑支撐。

2 基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是由大量具有自適應(yīng)性的處理單元互連組成的網(wǎng)絡(luò)，模擬生物神經(jīng)系統(tǒng)對真實世界物體所做出的交互反應(yīng)。其核心是通過統(tǒng)計分析方法，對已知的樣本數(shù)據(jù)進(jìn)行分析，建立映射關(guān)系，從而對未知的數(shù)據(jù)進(jìn)行分析，被廣泛應(yīng)用于極端天氣預(yù)測、疾病篩查、圖像處理等各個領(lǐng)域，而且在建筑能耗預(yù)測方面也逐漸被廣泛應(yīng)用。目前，常見的人工神經(jīng)網(wǎng)絡(luò)有感知神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、回歸神經(jīng)元網(wǎng)絡(luò)等，BP（back propagation，簡稱BP）神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[14]。研究表明，不管是大樣本還是小樣本的復(fù)雜應(yīng)用情景，BP神經(jīng)網(wǎng)絡(luò)都能有較好的預(yù)測效果[15]。本文主要從網(wǎng)絡(luò)的輸入數(shù)據(jù)和預(yù)測模型流程兩個方面對基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型建立過程進(jìn)行解釋。

2.1 模型的輸入數(shù)據(jù)

輸入數(shù)據(jù)是訓(xùn)練模型的前提，包括模型的自變量與因變量。因變量為預(yù)測項，即各類型用地的單位用地面積碳排放，需要通過樣本調(diào)研獲得用地碳排放數(shù)據(jù)，用地建筑碳排放是該地塊碳排放的決定因素，同時考慮數(shù)據(jù)收集的便利性，本文確定用地碳排放核算范圍為用地地塊的民用建筑在運行階段一年期內(nèi)能源消耗產(chǎn)生的碳排放。用地類型不同導(dǎo)致用地建筑功能用途不同，因此為保證模型對樣本學(xué)習(xí)的準(zhǔn)確性，篩選出邊界清晰、建設(shè)完整、功能單一明確的地塊樣本，并根據(jù)用地的建筑實際功能細(xì)分類型，對不同用地進(jìn)行樣本抽取，如表1所示。

通過分析影響用地建筑碳排放的因素確定輸入數(shù)據(jù)的自變量，選擇與碳排放高度相關(guān)的用地特征指標(biāo)作為自變量對預(yù)測模型的準(zhǔn)確率至關(guān)重要。從已有研究來看，國內(nèi)學(xué)者普遍認(rèn)為用地規(guī)模、容積率、人口密度、建筑類型、建筑高度、建設(shè)強(qiáng)度、地域、收入、使用情況、建筑布局、建筑形體、建筑圍護(hù)結(jié)構(gòu)等因素與用地碳排放密切相關(guān)[16-24]。通常情況下，能表征用地碳排放差異的影響因素涵蓋越全面，測算結(jié)果越準(zhǔn)確，但影響因素本身比較復(fù)雜，難以厘清。并且，若過度關(guān)注單個建筑層面的影響因素與能耗之間的關(guān)系，研究結(jié)果將很難為空間規(guī)劃提供調(diào)整方向。再者，地域、收入、使用情況等很難在規(guī)劃決策時加以調(diào)控。故本文指標(biāo)選擇主要考慮空間規(guī)劃層面可以控制、容易量化、方便計算的指標(biāo)，站在空間規(guī)劃視角篩選出影響用地建筑能耗碳排放的最相關(guān)因素作為自變量。主要考慮可表征用地特征的用地建設(shè)強(qiáng)度、建筑形體特征、人口特征、土地使用特征四個規(guī)劃層面的用地特征指標(biāo)，選取了容積率、建筑單體數(shù)量、用地面積、建筑密度、建筑高度、用地類型、用地兼容性、人口密度作為模型的自變量因子（表2）。

樣本的自變量選擇代表用地特征指標(biāo)，但描述的相關(guān)特征指標(biāo)數(shù)量較多且指標(biāo)之間常常包含的信息可能有重疊，導(dǎo)致通常存在共線性問題，選擇合適的數(shù)據(jù)表達(dá)可以使特征更明顯，而主成分分析（principal component analysis，簡稱PCA）可以在很大程度上降低網(wǎng)絡(luò)輸入樣本之間的信息重疊，消除了樣本之間的相互干擾，同時也能起到數(shù)據(jù)降維作用。PCA的目標(biāo)為構(gòu)造的新變量指標(biāo)，保留樣本中的主要變量，剔除次要變量。因此在自變量數(shù)據(jù)輸入模型前需要PCA處理數(shù)據(jù)。

2.2 預(yù)測模型的流程

通過前文分析，在訓(xùn)練前對自變量進(jìn)行主成分分析可以消除數(shù)據(jù)之間的干擾，并降低維度。因此，本文基于PCA方法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，然后通過優(yōu)化后的算法— —PCA-BP神經(jīng)網(wǎng)絡(luò)，對輸入數(shù)據(jù)進(jìn)行訓(xùn)練并調(diào)整參數(shù)，誤差測試達(dá)到期望值后建立模型，利用建立完成的預(yù)測模型可以快速完成對用地碳排放的預(yù)測仿真。整體而言，基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型預(yù)測流程如圖1所示。

表1 樣本類型分類表Tab.1 sample type classification table

表2 自變量指標(biāo)的選擇Tab.2 selection of independent variable indicators

圖1 基于PCA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測流程Fig.1 prediction process based on PCA-BP neural network

圖2 PCA-BP神經(jīng)網(wǎng)絡(luò)用地碳排放預(yù)測模型測試結(jié)果Fig.2 test results of land-use carbon emission prediction model based on PCA-BP neural network

本文運用MATLAB 2017a平臺自帶的神經(jīng)網(wǎng)絡(luò)工具箱，構(gòu)建基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型。具體包括8個步驟：標(biāo)準(zhǔn)化數(shù)據(jù)；主成分降維；輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；初始化權(quán)值與閥值；設(shè)置變量初始值；計算反向修改權(quán)值與閥值；完成所有樣本學(xué)習(xí)并達(dá)到誤差期望值；保存并結(jié)束。

3 實例應(yīng)用

3.1 研究區(qū)域與數(shù)據(jù)來源

本研究選擇浙江省長興縣的老城區(qū)為研究區(qū)域（圖2）。長興縣位于浙江省北部的湖州市，距離長江三角洲各個大中城市的距離均為150 km左右，具有典型的夏熱冬冷地區(qū)的氣候特征。長興縣老城區(qū)涵蓋了不同性質(zhì)的用地類型及不同功能的建筑，具有多樣性的用地特征，在用地碳排放預(yù)測研究方面有一定的代表性。

圖3 長興縣老城區(qū)現(xiàn)狀用地碳排放分布圖Fig.3 carbon emissions from existing land in the old city of Changxing County

表3 調(diào)研樣本數(shù)量統(tǒng)計表Tab.3 statistical table of survey sample

本文中不同類型用地的用電建筑能耗數(shù)據(jù)及用地特征指標(biāo)數(shù)據(jù)是建立預(yù)測方法的重要數(shù)據(jù)支撐。筆者獲取長興縣老城區(qū)樣本地塊用電建筑能耗數(shù)據(jù)及特征指標(biāo)數(shù)據(jù)主要通過會議訪談?wù){(diào)查法和實地調(diào)查法，調(diào)研走訪了包括供電公司、教育局、衛(wèi)計局、統(tǒng)計局、發(fā)改委、經(jīng)信局等11部門，獲取了不同類型用地的2018年用電能耗、各類建筑的基本信息、人口、面積規(guī)模、能耗、空間位置等關(guān)鍵數(shù)據(jù)。

3.2 長興縣老城區(qū)規(guī)劃用地碳排放預(yù)測

通過長興縣老城區(qū)用地碳排放的預(yù)測實例驗證本文所提出的方法的準(zhǔn)確性與應(yīng)用性。首先，獲取訓(xùn)練樣本的輸入數(shù)據(jù)，按照表1的樣本類型分類，共收集了7類城市主體功能的樣本用地建筑實測能耗數(shù)據(jù)，并對采樣數(shù)據(jù)進(jìn)行篩選。為保證計算數(shù)值準(zhǔn)確，選取地塊完整、邊界清晰、功能明確單一的地塊樣本數(shù)據(jù)，最終各類型樣本收集情況如表3所示。根據(jù)碳排放系數(shù)法，將用地能耗乘以能耗排放系數(shù)，計算出樣本用地的碳排放作為訓(xùn)練模型輸入的因變量。再按照表2計算出各項指標(biāo)，作為訓(xùn)練模型輸入的自變量。

然后，應(yīng)用前文提出的PCA-BP神經(jīng)網(wǎng)絡(luò)用地碳排放預(yù)測模型，將樣本數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練。通過多次訓(xùn)練檢驗?zāi)Ｐ驼`差，該預(yù)測模型測試結(jié)果如圖3所示。計算得出用地碳排放預(yù)測結(jié)果的平均誤差率為10%左右，誤差符合預(yù)想范圍，模型建立基本成功。應(yīng)用建立的模型對長興縣老城區(qū)現(xiàn)狀用地進(jìn)行預(yù)測，結(jié)果通過Arcgis平臺符號系統(tǒng)可視化，分類采用自然斷點法，共分為10類，如圖4所示。

為驗證模型的可行性與適用性，選取長興縣中心城區(qū)部分地塊作為樣本地塊，按照表2中的自變量類型收集數(shù)據(jù)，輸入模型計算后得出預(yù)測值并將其與真實值進(jìn)行比對如圖5所示，預(yù)測結(jié)果誤差率在10%以下。預(yù)測結(jié)果證明該模型有一定的可行性與適用性，訓(xùn)練完成后能將其用于該區(qū)域內(nèi)所有地塊的碳排放預(yù)測，無需重復(fù)訓(xùn)練模型。

此外，本文將單位用地面積碳排放強(qiáng)度轉(zhuǎn)換為單位建筑面積能耗強(qiáng)度，并將轉(zhuǎn)換后的數(shù)據(jù)與《中國建筑節(jié)能發(fā)展報告（2018）》《民用建筑能耗標(biāo)準(zhǔn)（2016）》及其他相關(guān)學(xué)者的研究進(jìn)行比較，對預(yù)測結(jié)果進(jìn)行驗證。通過比較可知，預(yù)測結(jié)果與《中國建筑節(jié)能發(fā)展報告（2018）》和《民用建筑能耗標(biāo)準(zhǔn)（2016）》中的研究基本持平，說明預(yù)測結(jié)果有一定的可靠性。

圖4 長興縣老城區(qū)規(guī)劃用地碳排放分布圖Fig.4 carbon emission distribution map of planned land use in the old town area of Changxing County

圖5 PCA-BP神經(jīng)網(wǎng)絡(luò)用地碳排放預(yù)測模型測試結(jié)果Fig.5 Test results of land-use carbon emission prediction model based on PCA-BP neural network

在對規(guī)劃方案進(jìn)行碳排放預(yù)測時，首先，按照規(guī)劃用地分類，計算出各類用地碳強(qiáng)度值；其次，考慮到規(guī)劃方案分析的多樣性及方案本身的差異性，將用地碳排放強(qiáng)度根據(jù)建設(shè)特征進(jìn)行二次分類，細(xì)分不同的梯度值如表4所示；最后，根據(jù)得到的用地強(qiáng)度值可以預(yù)測規(guī)劃用地的碳排放，通過將規(guī)劃用地地塊與現(xiàn)狀用地地塊疊合，篩選出規(guī)劃調(diào)整地塊與未調(diào)整地塊，其中調(diào)整地塊選擇表4中的年單位用地面積碳排放進(jìn)行計算，未調(diào)整地塊沿用現(xiàn)狀預(yù)測所得到的碳強(qiáng)度值進(jìn)行計算，匯總計算的各類用地碳排放，通過Arcgis平臺符號系統(tǒng)可視化如圖6所示。

3.3 預(yù)測結(jié)果討論

3.3.1 模型為空間規(guī)劃提供數(shù)據(jù)支撐

對現(xiàn)狀與規(guī)劃用地的碳排放分別進(jìn)行模型預(yù)測實踐，從規(guī)劃方案的用地碳排放與現(xiàn)狀用地碳排放的分布來看，規(guī)劃方案的城市用地碳排放整體呈現(xiàn)上升趨勢，部分地塊的碳排放升高主要是由于規(guī)劃調(diào)整地塊的居住用地的建設(shè)特征一般為高強(qiáng)度開發(fā)所帶來的高碳排。由于老城區(qū)內(nèi)部更新，一些地塊合并更新為商業(yè)用途，這也帶來了碳排放的升高。本文的預(yù)測方法得到的結(jié)果可以在指導(dǎo)規(guī)劃用地方案編制時，通過改變用地使用性質(zhì)和用地指標(biāo)來有針對性地降低碳排放過高的區(qū)域的用地單元，指引規(guī)劃方案用地結(jié)構(gòu)及指標(biāo)調(diào)整，達(dá)到結(jié)構(gòu)性減碳的目標(biāo)，一定程度上可以緩解目前空間規(guī)劃層面碳排放測算操作復(fù)雜、技術(shù)手段匱乏等困難，為空間規(guī)劃提供基礎(chǔ)碳排放數(shù)據(jù)，在用地結(jié)構(gòu)優(yōu)化、用地平衡調(diào)整、功能布局完善等規(guī)劃工作層面提供量化依據(jù)，并且能根據(jù)實際需求，通過對用地碳排放預(yù)測結(jié)果進(jìn)行二次處理，得到更深入的分析結(jié)果，為城市整體控碳提供數(shù)據(jù)技術(shù)支撐。

表4 各類用地碳排放強(qiáng)度表Tab.4 carbon emission intensity table for various land uses

3.3.2 模型適用性

我國幅員遼闊，氣候條件、建設(shè)現(xiàn)狀、民風(fēng)民俗各不相同，這些因素勢必會對用地碳排放造成影響且難以進(jìn)行數(shù)據(jù)量化表達(dá)。本模型基于對地區(qū)現(xiàn)狀碳排放進(jìn)行模擬學(xué)習(xí)，掌握其內(nèi)在智能邏輯再進(jìn)行碳排放強(qiáng)度值的模擬計算，進(jìn)而預(yù)測規(guī)劃用地碳排放量，以機(jī)器學(xué)習(xí)內(nèi)在邏輯代替對各類無法估量的數(shù)據(jù)的非線性關(guān)系的人為考量，解決碳排放模擬中定性分析操作難度高的問題。該模型訓(xùn)練完成應(yīng)用于同一地域時，無需重復(fù)進(jìn)行模型訓(xùn)練。但將該模型應(yīng)用于不同地域時，仍需重新收集數(shù)據(jù)導(dǎo)入模型進(jìn)行新的訓(xùn)練?？筛鶕?jù)數(shù)據(jù)收集的豐富度與該地域的特殊性選擇多于表2所列舉的自變量選項，在主成分降維后進(jìn)入下一個模型流程。通過大量訓(xùn)練，使模型學(xué)習(xí)該地區(qū)用地特征指標(biāo)與碳排放之間的線性關(guān)系與非線性關(guān)系，訓(xùn)練成功后可將其用于該地區(qū)規(guī)劃用地碳排放預(yù)測模擬。

圖6 長興縣老城區(qū)規(guī)劃用地碳排放分布圖Fig.6 carbon emission distribution map of planned land use in the old city of Changxing County

4 結(jié)語

以用地地塊為量化單元，以調(diào)研樣本的用地實際碳排放為基礎(chǔ)，以用地特征指標(biāo)為自變量，以用地的碳排放為因變量，建立基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測模型，通過對現(xiàn)狀各個類型用地的碳排放與用地特征之間的內(nèi)在關(guān)系進(jìn)行學(xué)習(xí)，利用該網(wǎng)絡(luò)模型將規(guī)劃用地特征指標(biāo)數(shù)據(jù)輸入預(yù)測模型，從而快速地預(yù)測出規(guī)劃用地的碳排放。由于模型的預(yù)測基礎(chǔ)是對現(xiàn)狀用地特征與碳排放的關(guān)系進(jìn)行學(xué)習(xí)，所以預(yù)測結(jié)果能體現(xiàn)特定地域當(dāng)前實際的經(jīng)濟(jì)發(fā)展水平下各類用地的碳排放水平，可作為規(guī)劃用地碳排放的基準(zhǔn)值，為規(guī)劃用地碳排放管制提供可靠的判斷和量化依據(jù)，增強(qiáng)空間規(guī)劃的低碳前瞻性與指導(dǎo)性。從本文的研究實例對方法的應(yīng)用來看，該方法操作相對簡單、切實可行。但是由于涉及部分?jǐn)?shù)據(jù)涉密和統(tǒng)計缺失問題，本文中不同類型調(diào)研樣本的數(shù)量有限，屬于小樣本預(yù)測問題，而且分類后不同類型調(diào)研樣本的數(shù)量差別較大，雖然經(jīng)過多次訓(xùn)練，最終誤差穩(wěn)定在10%以內(nèi)，但是無法進(jìn)一步降低預(yù)測誤差，后續(xù)將進(jìn)一步克服相關(guān)能耗數(shù)據(jù)可獲得性差的限制問題，收集更多的樣本數(shù)據(jù)來加強(qiáng)訓(xùn)練，進(jìn)一步提高預(yù)測的精度。此外，針對偶然存在的模型誤差不穩(wěn)定和局部極值的問題，進(jìn)一步優(yōu)化模型算法以提升預(yù)測的準(zhǔn)確度的相關(guān)研究以及針對再次降低模型數(shù)據(jù)需求以打破不同地域碳排放模擬數(shù)據(jù)壁壘的深層次研究也有待進(jìn)一步完善。目前，創(chuàng)立低碳空間規(guī)劃編制、優(yōu)化、評審的基礎(chǔ)、依據(jù)和標(biāo)準(zhǔn)，既缺乏成熟的理論體系和實踐方法，又缺乏健全的編制體系和完善的制度保障。比如如何將本文提出的用地特征指標(biāo)納入控規(guī)法定的指標(biāo)管控體系，并建立具有可操作性的彈性與剛性相結(jié)合的實施機(jī)制，以指導(dǎo)后續(xù)地塊的開發(fā)建設(shè)等，都需要進(jìn)一步的研究。