碳排放峰值控制下的建设用地扩展规模研究

於冉 黄贤金

3.南京大学地理与海洋科学学院，江苏 南京 210093）

摘要 建设用地作为最大的碳源用地类型，碳排放贡献率显著，因此，低碳调控是实现建设用地减量化的有效手段。已有研究多是通过优化土地利用结构、控制建设用地扩展来实现碳减排效果，而当中国政府做出2030年左右达到CO2排放峰值的承诺后，首先需要解决的是碳排放的达峰问题。因此，本文通过构建与修正Kaya恒等式、回归拟合、灰色预测等方法，在合肥市建设用地碳排放峰值预测的基础上，对该峰值管控下的建设用地扩展进行研究。得到以下结论：①提出了碳排放峰值对建设用地管控的研究思路与框架，认为基于碳排放峰值的科学预测，可以有效地控制建设用地扩展，并引导土地利用结构调整。②GDP、人口与建设用地、碳排放的关系密切，按照人均GDP高、中、低值三种情景的设定，认为中值情景更符合合肥市“十二五”以来的发展状况，即合肥市将在2030年达到CO2排放峰值1 862.54万t，此后开始逐渐降低。③建设用地扩展与碳排放之间具有强相关性，根据中值情景下合肥市的CO2排放峰值预测结果，合肥市建设用地将在2030年达到最高值10.81万hm2，此后开始逐渐减少。最后，提出两点讨论：①对于模型构建、因素分解等方面可进一步深入研究，從而为决策、规划提供更全面的依据。②展望未来，“退建还耕”应当是中国城市精明增长的路径之一，城市周边建设用地复垦将是城镇建设用地整治的重要工作内容。

关键词 碳排放峰值;建设用地碳排放;建设用地扩展;合肥市

中图分类号 F301.2 文献标识码 A文章编号 1002-2104（2019）07-0066-07DOI：10.12062/cpre.20190121

中国正处于新型城镇化的快速推进时期，经济社会发展对建设用地的大量需求导致土地利用变化剧烈，建设用地扩展与耕地保护仍然是焦点矛盾之一。早在2013年中央城镇化工作会议和2014年发布的《国家新型城镇化规划（2014—2020年）》，均提出控制建设用地“天花板”的要求。“十三五”时期，建设用地减量增长逐渐成为规划新潮，深圳、上海、北京等发达城市先后探索出台了相关政策或规划。可见，对建设用地的有效管控仍然是国土资源管理的重要命题。土地利用碳排放是一个前沿性的研究领域，研究证实土地利用变化会积累大量的碳排放[1]，而建设用地扩展造成的碳排放尤为显著[2]。因此，基于碳排放的视角，能够为建设用地管控提供低碳因素的参考。

21世纪以来，全球兴起了以低碳发展为主题的第三次绿色浪潮，国际社会应对气候变化的共同愿望越来越强烈，尤其是以温室气体排放为重要致因的全球气候变暖已经成为人类发展所面临的严峻挑战。IPCC在第五次评估报告中指出，气候变化95%以上是由人类行为所造成的[3]。可见，人类活动对全球气候变化的影响程度已远远超过了自然变化，人类活动所导致的温室气体浓度增加，尤其是CO2浓度增加，已成为全球变暖的主要原因[4]。中国作为世界上最大的发展中国家，碳排放总量已跃居世界第一[5]，这也成为在国际谈判中的掣肘。2014年底APEC会议上，中国政府郑重承诺将在2030年左右达到CO2排放峰值;2016年，习近平主席向联合国交存《巴黎协定》批准文书，再次提及中国2030年CO2排放总量的峰值承诺。因此，合理预测碳排放峰值，并深入探讨碳排放峰值约束下的建设用地管控，对于经济社会的低碳发展、第四轮土地利用总体规划编制、多规合一探索等具有重要意义。

1 文献综述

碳核算是碳排放研究的前提，按核算对象分主要包括区域综合碳核算和行业或经济社会主体碳核算，前者如国家[6]、省域[7]、市域[8]等层面的碳核算，后者如钢铁行业[9]、水泥行业[10]、交通运输业[11]、FDI行业[12]、城镇消费[13]、国际贸易[14]等方面的碳核算。在碳核算的基础上，研究碳排放与经济社会发展的关系以及减排效应成为主要的研究内容，如碳排放与区域经济增长[15]、碳排放与城市发展[16]、碳排放与城镇景观格局[17]、行业节能减排路径[18]以及碳排放的多重效应[19]等。近年来，碳预测逐渐成为研究热点之一，2008年之后相关文献明显增多，尤其是随着碳峰值承诺的提出，国内与碳峰值相关的研究更是成为热议论题。2015年之前，在中国区域碳排放预测研究中，一是由于预测年份较近而未出现峰值预测结果[20]，二是由于政策出台的时间节点原因，预测的碳排放达峰时点较为滞后[21]。2015年之后，集中涌现出一批“碳排放峰值”的研究成果，这些成果大多贴合当前的低碳发展战略，即对于绝大多数研究区域而言，都能在2030年左右达到碳排放峰值，也有少数研究指出中国部分区域的达峰时间可能稍长[22]。在碳排放与建设用地扩展关系的研究中，多是通过优化土地利用结构、控制建设用地扩展等办法来抑制碳排放的增长[23-24]，而缺乏通过限定碳排放来反控建设用地扩展的研究视角。因此，本文需要解决两个问题，一是对建设用地碳排放峰值的合理预测，二是基于此峰值控制下的建设用地扩展规模预测，前者包括峰值的大小以及峰值出现的时点，后者是指各时点碳排放量所被承载的建设用地面积。

2 研究思路与框架

土地承载了人类各种经济社会活动，作为主要的人类活动之一，土地利用变化是影响碳循环、导致大气中温室气体尤其是CO2浓度增加的重要因素[25]。其中，建设用地承载着最集中的人类活动，对区域碳排放贡献巨大，在建设用地扩展占用农用地的过程中，碳汇用地类型转变为碳源用地类型，从而直接或间接地造成了大量的碳释放，可见，控制建设用地扩展成为抑制碳排放的有效路径，也说明了建设用地扩展与碳排放两者之间的挂钩程度较高。

常规研究思路是通过对土地利用方式、结构、规模、强度等方面的优化与调控，以限制建设用地的扩展，从而达到降低碳排放的目标。换一种思路，土地利用变化会导致碳排放的变化，那么，碳排放的增减一定会对土地利用变化产生反作用，即通过限定碳排放量，达到控制建设用地扩展的目的。比如在工业生产中，需要消耗大量的能源，那么就要有相应面积的建设用地来承载，如果通过创新科学技术、提高利用效率、发展绿色能源等手段，在保证经济发展的同时，改变能源消费类型及其组合方式，就会大大减少所需承载的建设用地面积。如果将节约出的建设用地复垦为林地、草地或其他生态用地，实现碳源用地类型向碳汇用地类型的转换，那么，在减少碳排放的同时还可进一步增加碳吸收。可见，通过对碳排放的限制，可以有效地控制建设用地扩展、引导土地利用结构的调整，研究框架如图1所示。恰逢中国政府做出碳排放峰值的承诺，这对于建设用地管控、土地利用结构调整、第四轮土地利用总体规划编制等具有限制作用，当前部分发达城市也正在积极探索建设用地减量机制，本文的研究思路与框架能够为政府决策、规划编制提供依据。

3 研究方法与数据说明

3.1 模型构建

根据Kaya恒等式思想，构建以下模型：

其中，Cc为建设用地碳排放量，Ce为能源消费碳排放量，MCe为能源消费量，GDP为国内生产总值，P为人口数。然而，单纯的Kaya恒等式没有考虑科技进步因素，而多项研究证明，能源消费过程中所产生的碳排放不仅与能

源消费量直接相关，还与科技进步导致的产业结构演变有着非常密切的联系[26-27]，因此，对恒等式进行改进，加入科技进步因子k，得到下式：

其中，α、β、γ、δ、k分别表示建设用地与能源消费碳排放比、单位能源消费碳排放、单位GDP能源消费（即能源强度）、人均GDP、科技进步修正系数。

3.2 数据说明

本文以合肥市为例，涉及数据主要来源于公开发表的年鉴、公报、土地利用变更调查、以及经验数据。其中，经济社会数据来源于历年《合肥统计年鉴》《合肥市国民经济和社会发展统计公报》以及《安徽统计年鉴》中关于合肥市的数据;建设用地数据来源于合肥市土地利用变更调查成果;能源消费数据来源于历年《中国能源统计年鉴》中的安徽能源平衡表（实物量）;各能源碳排放经验系数来源于国内外学者或机构的研究成果。

需要说明的是：中国对于小尺度的城市层面的能源消费数据统计不够完整，本文以全省能源消费量为基础，通过省、市相应产业产值比或人口规模比进行折算。

4 研究结果

4.1 因子设定

（1）建设用地与能源消费碳排放比。能源碳排放作为最主要的碳源核算项目，其对建设用地碳排放的贡献率最高，对1995—2012年合肥市建设用地碳排放和能源碳排放进行拟合（见图2）。检验结果表明，两者之间存在稳定的强相关性，R2=0.991 3，故 α=10.704 6=1.419 2。

（2）单位能源消费碳排放。

（3）能源强度。根据合肥市国民经济发展规划，能源强度的约束性下降指标要求达到国家控制指标，而国家“十二五”规划的能源强度降低目标为16%，“十三五”要求降低15%。据统计，“十二五”期间，已超额完成16%的能源强度下降目标，而且2016年和2017年均超额完成年度计划下降目标。因此，仍然以5年降低16%作为能源强度下降的因子设定，相当于每年下降3.43%，即 γ=3.34%。

（4）人均GDP。GDP、人口与建设用地、碳排放的关系密切，大量成果表明，以GDP为核心的经济因素和以人口为基础的社会因素对于建设用地管控[28-29]、碳排放增减[30-31]具有重要的作用，因此本文在模型构建时分解出人均GDP因子。根据合肥市“十二五”规划，2015年人均GDP达到15 000美元，2020年人均GDP达到20 000美元，相当于每年增长5.92%。但是从完成情况来看，2015年的人均GDP离15 000美元还有较小的差距，而合肥市“十三五”规划仍然将20 000美元定为2020年的规划目标。因此，“十三五”期间，合肥市人均GDP增速平均每年至少要达到5.92%，且需要一定程度的上浮。参考Yuan等[32]在碳排放影响因素设定中对人均GDP的设定，在此将合肥市人均GDP设定为3种情景，以2012—2020年每年增长率5.92%为低值，分别向上浮动0.5个百分点设置为中值和高值情景，再从2021—2050年每5年降低0.5个百分点，如表1所示。

（5）科技进步修正系数。吕炜等研究证明，技术进步与产业劳动者报酬变动之间存在稳定的强相关，可决系数达0.91[26]，因此，杜强等[27]研究认为，可以用0.91倍的

产业劳动者报酬变动率来表征产业技术进步率，进而代表科技进步因素。以1995年不变价计算得到1995—2012年合肥市全部职工年均工资，为消除经济数据的右偏影响，在统计学上减少共线性和异方差出现的概率，对其取自然对数处理，得到拟合曲线及表达式如图4所示。

R2=0.988 1，拟合结果理想，那么假设中长期内不会出现巨大的科技革命，则可以不变价工资增长函数的斜率 f 表征科技进步。由图4可知，f=0.146，则技术进步率为 0.91 f，即为0.133。根据美国学者Rogers提出的创新扩散理论，一件事物或一项技术的创新推广过程大致包括五个阶段，即认知、说服、决策、实施和确认，需要5 a的时间。在《江苏省人民政府关于加强农业科技创新与推广的工作意见》中，也要求通过5 a左右的时间完成创新与推广工作。因此，设定5 a为技术创新推广周期，则5 a内的科技进步修正系数为1-0.91f=0.867，再根据 k5=0.867，换算为每年的科技进步修正系数 k=0.972。

（6）人口数。采用人口预测中常用的灰色模型。首先，设时间序列 x（0） 有n个值，即 x（0）={x（0）  （1），x（0） （2），…，x（0）（n） }，代表合肥市历年人口数，通过累加生成新的时间序列 x（1）={x（1） （1），x（1）  （2），…，x（1）  （n）}，则相应的微分方程为 dx（1）dt+εx（1）=μ 。其中，ε 为发展灰数，μ 为内生控制灰数。再对此微分方程求解，得到GM（1，1） 模型：

通过模型即可得到2013—2050年合肥市人口数。根据GM（1，1） 模型的統计检验要求，后验差C<0.35时精度较高，当C>0.65时不可用。模型运行检验显示，后验差C=0.021 2，预测结果可信度较高。

4.2 建设用地碳排放峰值预测运用模型对2008—2012年合肥市5 a的建设用地碳排放进行倒推，并与实际核算结果进行对比（见表2）。

由表2可知，检验年份的误差较小，说明模型可信度 较高，可以进行预测应用。根据对人均GDP增长的情景设定，计算得到预测结果（见图5）。在人均GDP低值增长情景下，合肥市建设用地碳排放将在2025年达到峰值1 734.64万t;在人均GDP中值增长情景下，合肥市建设用碳排放将在2030年达到峰值1 862.54万t;在人均GDP高值增长情景下，合肥市建设用地碳排放将在2035年达到峰值2 047.16万t。就合肥市目前经济社会的发展状况来看，人均GDP的增长速率将高于低值情景的增长速率，因此合肥市建设用地碳排放在2025年之前不会达到峰值。相较于发达城市而言，合肥市的经济发展水平尚具有较高的提升空间，由于基数较低，因此人均GDP增长速率

难以达到高值情景增长。故而推断，中值情景更符合对合肥市的未来预测，即合肥市建设用地碳排放峰值将会在2030年左右出现。

4.3 建设用地扩展规模预测

由于建设用地承载了大部分的人类活动，而人类活动是最重要的碳源影响因素，因此推断两者之间存在稳定的强相关性，对此进行回归拟合验证（见图6）。

由图6可知，R2=0.993 8，证实两者之间具有稳定的强相关性，回归方程为y=0.001 6x+7.831 8，其中y为建设用地面积，x为建设用地碳排放。结合建设用地碳排放预测结果，得到三种情景下的建设用地扩展规模（见图7）。

如图7所示，按照碳排放峰值在人均GDP高、中、低值三种情景设定下得到的结果（见图5），合肥市建设用地规模分别对应为高值情景下的11.11万hm2、中值情景下的10.81万hm2和低值情景下的10.61万hm2。依据前文所述，合肥市将在2030年左右达到碳排放峰值，因此合肥市建设用地规模亦将在2030年左右达到最高值。

5 结论与展望

5.1 结论

（1）提出了基于碳排放控制建设用地扩展的研究思路与框架，在中国政府作出2030年左右达到CO2排放峰值的承诺后，首先需要解决的就是预测碳排放的达峰问题，进而通过对碳排放的管控，能够有效的控制建设用地扩展，并引导土地利用结构调整。本研究将建设用地扩展与低碳调控相结合，对于土地利用与管理具有重要的指导意义，能够为政府决策、以及相应规划编制提供借鉴。

（2）通过构建并修正Kaya恒等式模型、设定模型因子，基于1995—2012年的历史数据，对合肥市的碳排放峰值进行了预测。其中，将人均GDP分设为低值、中值、高值三种增长情景，得到三种预测结果。鉴于合肥市目前的经济社会发展状况，以及在全国城市中的位置，认为中值情景更符合合肥市的发展规律，即合肥市碳排放将在2030年达到峰值1 862.54万t，此后开始逐渐降低。

（3）基于合肥市建设用地碳排放与建设用地扩展之间回归拟合验证的强相关性，分别算得三种增长情景的建设用地扩展趋势。按照中值情景为合理碳排放峰值预测结果，那么，合肥市建设用地将在2030年达到最高值10.81万hm2，而后开始逐渐减少。

5.2 展望

（1）针对中国政府提出的碳排放峰值承诺，本文根据Kaya恒等式的思想，通过构建并修正模型对合肥市碳排放峰值进行了预测，预测结果表明基本能够兑现承诺。因此，为确保完成承诺目标，应加大对碳排放的管控力度。虽然能源、GDP、科技进步是碳排放影响因素中相对较为重要的因子，但不排除忽视了其他因子的影响;同时，本文在模型构建中，参考了被广泛接受的Kaya恒等式。在后續研究中，可以尝试加入更多、或者不同的控制因子，并进行更为细致的情景设定，以及采取不同的定量模型进行对比研究。此外，本文没有涉及建设用地集约度、以及建设用地内部的差异分析，可进一步研究，也可作为影响因子纳入模型中进行验证，从而为政府决策、规划编制等提供更全面的参考依据。

（2）根据相关学者的大数据分析结果，当前部分发达国家已进入城镇化稳定时期，发达城市的城镇化率能够达到85%以上，而且人口开始出现逆城镇化趋势，即从城市向乡村转移，然而建设用地却并没有减少。但中国不同，首先，中国的人口压力巨大，需要有足够的耕地保障粮食安全，当前兴起的建设用地减量增长规划就是很好的佐证，而欧美发达国家暂时还没有这方面的迫切需求;其次，中国圈层式的城市扩展形式大多占用的是周边高质量的农田，因此对于中国的城市而言，精明增长的结果之一应该包括“退建还耕”;第三，目前城镇建设用地整治的主要对象是低效用地，工作方式是存量建设用地挖潜，但并没有改变建设用地自身的土地利用类型，因此基于“退建还耕”的构想，未来将进一步开展城市周边建设用地复垦的整治工作。

（编辑：王爱萍）

参考文献

[1]WARD A， YIN K， DARGUSCH P， et al. The impact of land use change on carbon stored in mountain grasslands and shrublands[J]. Ecological economics， 2017，135：114-124.

[2]SATTERTHWAITE D. Cities contribution to global warming： notes on the allocation of greenhouse gas emissions[J]. Environment and urbanization， 2008，20（2）：539-549.

[3]IPCC. Working Group I contribution to the IPCC Fifth assessment report， climate change 2013： the physical science basis[R]. Cambridge： Cambridge University Press， 2013.

[4]卢娜. 土地利用变化碳排放效应研究[D]. 江苏：南京农业大学， 2011： 1.

[5]CHUAI X W， HUANG X J， WANG W J， et al. Spatial econometric analysis of carbon emissions from energy consumption in China[J]. Journal of geographical sciences， 2012，22（4）：630-642.

[6]刘竹， 关大博， 魏伟. 中国二氧化碳排放数据核算[J]. 中国科学：地球科学， 2018，48（7）：878-887.

[7]齐绍洲， 林屾， 王班班. 中部六省经济增长方式对区域碳排放的影响——基于Tapio脱钩模型、面板数据的滞后期工具变量法的研究[J]. 中国人口·资源与环境， 2015，25（5）：59-66.

[8]CHUAI X W， HUANG X J， WANG W J， et al. Spatial simulation of land use based on terrestrial ecosystem carbon storage in coastal Jiangsu， China[J]. Scientific reports， 2014（4）：1-8.

[9]张蕊娇， 刘振鸿. 中国钢铁行业CO2排放核算[J]. 中国人口·资源与环境， 2012，22（11）： 5-8.

[10]GAO T M， SHEN L， SHEN M， et al. Evolution and projection of CO2 emissions for Chinas cement industry from 1980 to 2020[J]. Renewable and sustainable energy reviews， 2017，74：522-537.

[11]YAN X Y， CROOKES R J. Energy demand and emissions from road transportation vehicles in China[J]. Progress in energy and combustion science， 2010，36（6）：651-676.

[12]刘海云， 龚梦琪. 要素市场扭曲与双向FDI的碳排放规模效应研究[J]. 中国人口·资源与环境， 2018，28（10）：27-35.

[13]MI Z F， ZHANG Y K， GUAN D B， et al. Consumption-based emission accounting for Chinese cities[J]. Applied energy， 2016，184：1073-1081.

[14]SU B， ANG B W. Input-output analysis of CO2 emissions embodied in trade： a multi-region model for China[J]. Applied energy， 2014，114：377-384.

[15]HAN F， XIE R， LU Y， et al. The effects of urban agglomeration economies on carbon emissions： evidence from Chinese cities[J]. Journal of cleaner production， 2018，172：1096-1110.

[16]張苗， 甘臣林， 陈银蓉， 等. 中国城市建设用地开发强度的碳排放效率分析与低碳优化[J]. 资源科学， 2016，38（2）：265-275.

[17]郭杰， 丁冠乔， 刘晓曼， 等. 城镇景观格局对区域碳排放影响及其差别化管控研究[J]. 中国人口·资源与环境， 2018，28（10）：55-61.

[18]XIE X， SHAO S， LIN B Q. Exploring the driving forces and mitigation pathways of CO2 emissions in Chinas petroleum refining and coking industry： 1995-2031[J]. Applied energy， 2016，184：1004-1015.

[19]BAKHSH K， ROSE S， ALI M F， et al. Economic growth， CO2 emissions， renewable waste and FDI relation in Pakistan： new evidences from 3SLS[J]. Journal of environmental management， 2017，196：627-632.

[20]张乐勤， 李荣富， 陈素平， 等. 安徽省1995年—2009年能源消费碳排放驱动因子分析及趋势预测：基于STIRPAT模型[J]. 资源科学， 2012，34（2）：316-327.

[21]朱永彬， 王铮， 庞丽，等. 基于经济模拟的中国能源消费与碳排放高峰预测[J]. 地理学报， 2009，64（8）： 935-944.

[22]郑海涛， 胡杰， 王文涛. 中国地级城市碳减排目标实现时间测算[J]. 中国人口·资源与环境， 2016，26（4）：48-54.

[23]DILLING L， FAILEY E. Managing carbon in a multiple use world： the implications of land-use decision context for carbon management[J]. Global environmental change， 2013，23（1）：291-300.

[24]赵荣钦， 黄贤金， 钟太洋， 等. 区域土地利用结构的碳效应评估及低碳优化[J]. 农业工程学报， 2013，29（17）：220-229.

[25]FRIEDLINGSTEIN P， HOUGHTON R A， MARLAND G， et al. Update on CO2 emissions[J]. Nature geoscience， 2010，3（12）：811-812.

[26]呂炜. 美国产业结构演变的动因与机制——基于面板数据的实证分析[J]. 经济学动态， 2010（8）：131-135.

[27]杜强， 陈乔， 陆宁. 基于改进IPAT模型的中国未来碳排放预测[J]. 环境科学学报， 2012，32（9）：2294-2302.

[28]赵会顺， 陈超， 胡振琪， 等. 天山北坡经济带城市土地集约利用评价及障碍因素分析[J]. 农业工程学报， 2018，34（20）：258-266.

[29]黄凌翔， 张臣刚， 卢静， 等. 土地供应结构对经济增长影响的空间效应研究——以长江中游城市群为例[J]. 中国土地科学， 2018，32（9）：51-58.

[30]陈占明， 吴施美， 马文博， 等. 中国地级以上城市二氧化碳排放的影响因素分析：基于扩展的STIRPAT模型[J]. 中国人口·资源与环境， 2018，28（10）：45-54.

[31]谭显春， 赖海萍， 顾佰和， 等. 主体功能区视角下的碳排放核算——以广东省为例[J]. 生态学报， 2018，38（17）：6292-6301.

[32]YUAN J H， XU Y， HU Z ， et al. Peak energy consumption and CO2 emissions in China[J]. Energy policy， 2014，68：508-523.

Abstract As the largest type of carbon-source land， construction land has a particularly significant contribution rate for carbon emission. It can be seen that low-carbon regulation is an effective means to realize the reduction of construction land. Most of the existing studies have achieved the carbon emission reduction effect by optimizing the land use structure and controlling the expansion of construction land. However， after Chinese government has made a commitment to reach the peak of CO2 emission around 2030， the first thing to be solved is to predict the peak of carbon emission. Therefore， by constructing and revising the Kaya identity， regression fitting， grey prediction and other methods， this paper first predicted carbon emission peak of construction land， then further studied the expansion scale of construction land under the peak in Hefei City. The results show that： ①It constructs a research framework on the control of construction land by carbon emission peak. Based on scientific prediction of carbon emission peak， it can effectively control the expansion of construction land and guide the adjustment of land use structure. ②GDP， population and construction land， carbon emissions are closely related. Due to the setting of the three scenarios of high， medium and low per capita GDP， the median scenario is more consistent with the development situation of Hefei， that is， Hefei will reach the peak of carbon emission of 18，625，400 tons in 2030， and it will gradually decrease thereafter. ③There is a strong correlation between the expansion of construction land and carbon emissions. In view of the prediction results of carbon emission peak， construction land in Hefei will peak at 108，100 hm2 in 2030， and it will gradually decrease thereafter. Finally， two points of discussion are proposed： ①Further research can be carried out on model construction， factor decomposition and so on， to provide more comprehensive basis for decision-making and planning. ②Looking forward to the future， it is proposed that ‘withdrawing construction and returning cultivation should be one of the smart ways of urban growth in China， and the reclamation of construction land around the city will be an important work content of urban construction land renovation.

Key words carbon emission peak; construction land carbon emission; expansion of construction land; Hefei City