碳排放峰值约束下城市建设用地演变与分类管控

程宏晟，於 冉,2*，汪 沁，叶 芸，魏 露

碳排放峰值约束下城市建设用地演变与分类管控

程宏晟1，於 冉1,2*，汪 沁1，叶 芸1，魏 露1

(1. 安徽农业大学经济管理学院，合肥 230036；2. 安徽农业大学国土资源研究所，合肥 230036)

针对不同城市碳排放达峰以及建设用地演变特点，差异化实施城市达峰策略具有重要意义，以安徽省16个地级市为例，在核算碳排放与分析建设用地演变特征的基础上，通过Kaya恒等式，对各地级市的碳排放峰值以及建设用地规模进行预测，并运用聚类分析对各类城市提出达峰管控对策。结果表明：1）合肥市、亳州市、蚌埠市、阜阳市、淮南市、芜湖市、宿州市、滁州市、六安市、池州市以及黄山市均有可能在2030年前达峰；马鞍山市、宣城市、铜陵市和安庆市在2030年前达峰存在一定的风险，而淮北市在2014年就已经出现碳排放峰值。2）安徽省各地级市碳排放与建设用地规模之间的回归拟合均有强相关性，可在此基础上进行城市建设用地规模预测。3）安徽省各地级市根据聚类特征可分为达峰攻坚型、达峰潜力型、达峰示范型以及达峰优势型4类。

碳排放；城市建设用地；Kaya恒等式；聚类分析

为应对全球气候变暖，实现社会经济可持续发展，早在2014年APEC会议上，中国政府就已做出2030年左右达到碳排放峰值的承诺；2020年第七十五届联合国大会上，习近平总书记再次提出碳排放量力争于2030年前达到峰值，并努力争取2060年前实现碳中和。实现碳中和，首先要实现碳达峰，城市建设用地作为高碳排、高耗能人类活动的承载主体，是实现碳达峰的主要战场，其利用与扩张的过程中承载和带动了大量的碳排放[1]，不仅造成大量的碳汇损失还导致生态环境被破坏。因此科学合理的限制碳排放量，有效控制城市建设用地规模，对实现碳达峰以及碳中和具有重要意义。

在碳排放的相关研究中，主要是对碳排放的核算[2]、不同区域间碳排放的时空差异[3]、碳排放的影响因素[4]以及碳排放的峰值预测[5]等方面展开积极探索。其中，随着2030年碳达峰目标的临近，碳排放峰值预测逐渐成为研究热点之一，诸多学者运用Kaya恒等式[6]、STIRPAT模型[7]、BP神经网络模型[8]、SVR模型[9]等方法，对能源[10]、交通[11]、农业[12]、建筑[13]等多个行业领域进行碳核算及峰值预测，并在此基础上设置不同的情景模式[14-15]，比较在不同经济社会发展背景下的碳排放峰值以及达峰时间。但大部分研究多以全国[16]或省[17]为研究尺度进行单独的案例分析研究，较少有从市级层面[18]进行案例分析或从整体层面对区域间[19]、城市间[20]进行比较分析研究，且在各区域的比较研究中较少有考虑对碳排放具有重要影响的城市建设用地规模这一因素。同时，在碳排放与城市建设用地扩展关系的相关研究中，多是针对城市建设用地扩展与碳排放之间的影响关系研究[21-22]、城市建设用地碳排放的空间分异研究[23-24]以及对城市建设用地的低碳优化研究[25-26]，较少有通过碳排放来反向约束建设用地扩展规模的研究。综上所述，诸多研究均证实了碳排放与建设用地之间具有强相关性，但城市间不同的地理位置以及文化政策的特殊性会导致其碳排放及建设用地扩展特征存在不同的差异，因此各城市的“碳达峰”战略以及建设用地管控理应差异化实施。

鉴于此，本研究以安徽省16个地级市为例，在改进Kaya恒等式的基础上预测各地级市的碳排放达峰过程，并基于碳排放与城市建设用地规模之间的强相关性，预测各地级市建设用地规模峰值，最后以预测结果为依据运用聚类分析法进行比较分类，为地方政府因地制宜的谋划城市碳达峰路径及建设用地管控策略提供参考。

1 材料与方法

1.1 数据来源

本研究以安徽省16个地级市为例（图1），涉及数据主要包括社会经济数据、城市建设用地数据以及经验数据。其中，社会经济数据以及城市建设用地数据来源于安徽省以及各地级市2001—2020年统计年鉴[27]和国民经济和社会发展统计公报[28]，各类能源碳排放经验系数来源于IPCC国家温室气体清单指南。2010年前部分地级市的能源消费数据以及城市建设用地数据统计不够完整，为保证数据的连续性，本研究通过省、市相应的产业比值采用插值法进行折算或根据历史趋势采用灰色预测模型进行完善。

图1 安徽省各地级市区位图

Figure 1 Location map of prefecture-level cities in Anhui Province

1.2 研究方法

1.2.1 碳排放核算 城市建设用地碳排放一般是通过其利用过程中的各项能源消耗的碳排放系数来间接估算[29]，本研究运用IPCC碳排放系数法核算安徽省各地级市2000年至2019年的城市建设用地碳排放量。计算公式如下。

式（1）中：为碳排放总量；Ec为各种能源消耗产生的碳排放量；En为各种能源消耗量；σ为各种能源消耗量转换为标准煤的系数，φ为各种能源的碳排放系数，具体如表1所示。

1.2.2 改进的Kaya恒等式 传统的Kaya恒等式仅考虑能源、经济以及人口对碳排放的影响，而碳排放还与科学技术水平密切相关，因此本研究采用0.91倍的劳动者报酬变动率来表征技术进步率[31]，对等式进行改进，表达形式为：

式（2）中，C为碳排放总量，C为能源消费碳排放量，MC为能源消费量，GDP为国内生产总值，为人口规模，表示科技进步率。

表1 碳排放转换系数

注：数据来源于IPCC国家温室气体清单指南[30]。

式（3）中，分别表示单位能源消费碳排放、能源强度、人均GDP、人口规模和科技进步率。

2 结果与分析

2.1 碳排放量变化分析

对安徽省各地级市2000—2019年碳排放量以及建设用地规模进行趋势分析，具体见图2。

从碳排放量看，安徽省各地级市大体呈现出“中部高、南北低”的空间格局，且聚集效应明显，形成以淮南市、滁州市、马鞍山市、芜湖市、铜陵市为“环”、合肥市为“中心”的高排放聚集格局。合肥市、淮南市、马鞍山市以及淮北市的碳排放量明显高于其他城市，在2019年分别达到4 152.34万t、3 170.95万t、3 072.79万t以及2 521.04万t。除淮北市外，其余城市的碳排放量均呈现持续上升或波动上升的态势，其中合肥市、淮南市、马鞍山市、芜湖市的增幅最大，而黄山市、安庆市以及池州市的增幅较低。淮北市在2014年就已经出现峰值，这与其城市发展转型有较大关联，2013年淮北市出台了《关于建设精致淮北的意见》以及各类转型发展规划[32]，产业转型促使淮北市社会经济发展对资源的依赖程度不断降低，导致其碳排放量自2014年后呈逐年降低趋势，因此暂不考虑对淮北市进行峰值预测。从城市建设用地规模看，各市均呈增长态势。其中合肥市、蚌埠市、阜阳市、滁州市、宣城市以及安庆市建设用地规模增长趋势相对较快，年均增长率均超过6%，亳州市、宿州市、淮南市以及六安市增长趋势相对较慢，年均增长率均低于3%，其余城市建设用地规模增长趋势相对平缓。

从平均建设用地碳排放强度来看，马鞍山市、淮北市、淮南市以及铜陵市强度最高，每公顷分别为0.24、0.24、0.20和0.16万t ，亳州市、蚌埠市以及黄山市强度最低，每公顷均为0.04万t左右，其余城市强度均介于每公顷0.06至0.13万t之间。从碳排放强度变化趋势来看，自2000年以来各市均呈增长趋势，淮南市、马鞍山市、淮北市以及宿州市呈快速增强趋势，碳排放量增长速度远超建设用地扩展速度；滁州市、六安市、芜湖市、铜陵市、宣城市以及池州市呈中速增强趋势，碳排放量增长速度略大于建设用地扩展速度；亳州市、安庆市、黄山市、蚌埠市、阜阳市以及合肥市呈缓慢增强趋势，碳排放量增速显著低于建设用地的扩展速度。

图2 2000—2019年碳排放量与建设用地规模分析

Figure 2 Analysis of carbon emissions and construction land scale from 2000 to 2019

2.2 碳排放峰值预测结果

2.2.1 情景设置 在改进Kaya恒等式的基础上，以2019年为基期，预测年份截止至2050年，对安徽省各地级市碳排放峰值进行预测。以安徽省各地级市碳排放量的历史趋势及社会经济发展的实际情况为基础，参照安徽省及各地级市《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（以下简称“十四五”规划）[33]等政策，将Kaya恒等式中能源强度、人均GDP、人口规模3个影响因素的变化率设为基准情景、低碳情景以及深度减排情景3种发展情景。其中基准情景是在当前经济发展水平的基础上，不采取任何强制措施，以“十四五”规划等各类政策文件的目标发展生产；低碳情景则是在基准情景的基础上，放缓经济增长速度，提高经济发展质量，优化能源结构，提高各类资源的利用效率；深度减排情景是在低碳情景的基础上进一步提高经济发展质量，优化能源结构以及加强低碳绿色技术的研发与应用，并通过制定约束性政策文件加大各领域节能减排的力度。各参数具体设定如下：

1）能源强度。安徽省及各地级市的“十四五”规划均提出以优化能源结构，加强低碳能源技术的开发与利用等作为其能源改革的首要目标。各地级市“十四五”期间能源强度目标除池州市（13%）外均以省级或国家级指标（13.5%）作为约束目标，而安徽省在“十三五”期间降低能源强度方面有着良好的表现，5年累计降低16%，超额完成了国家下达的指标任务（15%），说明安徽省在能源优化方面具有较大潜力。因此本研究仍以5年累积降低15%作为基准情景下能源强度下降的基础值，相当于每年下降2.8%，并分别每5年增加1%和2%作为低碳情景和深度减排情景的基础值，同时根据历史能源强度的变化趋势对不同预测年份间的降低速率做相应的调整。

表2 不同情景下典型城市各影响因素变化率设定

2）人均GDP。“十三五”期间，安徽省各地级市的人均GDP预期目标均得到较好实现，经济发展态势持续向好。但考虑到我国正处于经济发展新常态时期，经济结构不断优化升级，经济增长速度逐渐放缓，同时新冠疫情的常态化发展将对我国社会经济发展产生长久影响[34]。因此本研究参考各地级市经济发展的实际情况，以安徽省及各地级市“十四五”规划中人均GDP的预期性目标作为基准情景的基础值，并分别下调0.5%和1%作为低碳情景和深度减排情景的基础值，同时以每5年下降0.5%的速率放缓人均GDP的增长速度。

3）人口规模。历年来安徽省人口规模保持平稳，2000年至2020年累计增加仅11.8万人，但各地级市人口规模存在较大差异。根据《国家人口发展规划（2016—2030）》[35]及历史人口趋势，我国人口在2020—2025年间仍会有一定的增长，但人口增长幅度会逐渐变缓，预计会在2030年前后达到人口峰值，此后人口规模应逐年降低并呈现负增长。因此本研究以各地级市历史时期的人口发展规划以及历史人口趋势为基础，结合灰色预测模型对未来人口预测的结果，根据不同地级市的人口发展态势对各地级市人口增长率以及递减率进行合理设置。

由于篇幅所限，这里仅列举出皖北（蚌埠市）、皖中（合肥市）以及皖南（芜湖市）3个典型城市的影响因素变化率设定，如表2所示。

2.2.2 预测结果 本研究基于改进后的Kaya恒等式，根据3种发展情景设置，计算出不同发展情景下各地级市2020—2050年的碳排放量以及达峰时间，如图3所示。

图3 各地级市碳排放预测

Figure 3 Carbon emission forecast of prefecture-level cities

表3 各地级市拟合公式

结合图3可以看出，各地级市在不同情景下的达峰时间不同。具体来看根据各地级市的达峰情况可分为4类，第1类为淮南市和黄山市，这2个城市的碳排放峰值在3种情景下均出现在2030年以前。第2类为亳州市、宿州市、阜阳市、滁州市、六安市、芜湖市以及池州市，这7个城市的碳排放峰值在低碳情景以及深度减排情景下出现在2030年以前。第3类为合肥市和蚌埠市，这2个城市的碳排放峰值需要在深度减排情景下才可以在2030年前出现。第4类为马鞍山市、宣城市、铜陵市以及安庆市，这4个城市的碳排放峰值在3种情景下均没有出现在2030年之前。可见，各地级市的碳达峰时间存在一定的差异，其中马鞍山市、宣城市、铜陵市以及安庆市在2030年之前达到碳排放峰值存在一定的风险，而其余城市均有较大可能在2030年之前出现碳排放峰值。

2.3 碳峰值预测下的建设用地演变趋势

参考於冉等[36]对碳排放控制建设用地扩展的研究成果，本研究对安徽省各地级市建设用地与碳排放量进行回归拟合验证。拟合结果（表3）表明，各城市碳排放量与建设用地之间回归拟合度均较高，具有稳定的强相关性。由于阜阳市以及淮南市的碳排放量呈波动上升趋势，分别在2013以及2014年出现下降趋势，但在2017年后二者碳排放量又呈现持续上升趋势，因此对拟合度产生了一定的影响。根据各市的拟合公式，结合各地级市碳排放预测结果，预测3种情景下的建设用地规模峰值（图4）。

预测结果显示，各地级市建设用地规模达峰时间与碳排放峰值达峰时间基本一致。其中在基准情景下，仅有宿州市和黄山市可以在2030年左右达到建设用地规模峰值；而在低碳情景下，亳州市、宿州市、阜阳市、滁州市、六安市、芜湖市、池州市均可在2030年左右达到建设用地规模峰值，淮南市和黄山市则可以在2020年以及2025年左右就达到建设用地规模峰值；在深度减排情景中，仅有马鞍山市、宣城市、铜陵市以及安庆市不能在2030年前达到建设用地规模峰值，其余城市均可在2030年前达到建设用地规模峰值。

2.4 基于聚类分析的达峰管控对策

为更好地对安徽省各地级市的预测结果进行分类分析，本研究基于15个地级市在3种情景下的预测结果，将各地级市预测时段内的平均累积碳排放量、平均碳排放量达峰所用时长、平均累积建设用地扩展规模以及平均建设用地规模达峰所用时长由高到低依次设置为15分至1分，聚类方法选择组间联接法，距离的测量采用欧氏距离。聚类结果可分为4类，如图5所示。

图4 各地级市建设用地扩展规模预测

Figure 4 Forecast of expansion scale of construction land in prefecture-level cities

图5 聚类分析谱系图

Figure 5 Cluster analysis pedigree diagram

聚类分析结果显示：第1类为达峰攻坚型城市，包括合肥市、马鞍山市、宣城市、铜陵市以及安庆市；第2类为达峰潜力型城市，包括亳州市、蚌埠市、阜阳市以及芜湖市；第3类为达峰示范型城市，包括宿州市、滁州市、六安市、池州市以及黄山市；第4类为达峰优势型城市，淮南市。对比发现，淮北市2019年建设用地面积为95.67 km2，碳排放量在2014年达到峰值2 935.68万t，2019年碳排放量降至2 521.04万t，碳排放量在安徽省内同样处于较高水平，其聚类特征以及城市产业发展进程与淮南市相近，故本研究将淮北市也并入达峰优势型城市。

1）第1类城市概括为达峰攻坚型城市。预测结果显示，这类城市平均累积碳排放量高，平均建设用地累积扩展规模大，碳排放与建设用地规模达峰时间最长，平均超过16年以上，其中除合肥市可以在深度减排情景下于2030年达峰外，其余城市在3种情景下均不能在2030年前达到碳排放以及建设用地规模峰值；人均GDP相对较高，且目标增速较大，目标增速均超过7.5%；近5年来人口增速相对较高，历史人口总体保持平缓增长趋势。由于这类城市的达峰预测时间并不理想，因此为实现碳达峰目标仍需进一步攻坚克难。

建议这类城市将达峰目标设置在2030年。为实现达峰目标，应以供给侧结构性改革为主线，构建清洁低碳的现代化能源体系以及绿色高效的现代产业体系，充分发挥合肥市综合性国家科学中心的引领作用，探索低碳技术、产品的研发应用与成果转换，积极发挥政府的宏观调控作用，将GDP增速控制在科学合理的范围内；同时城市建设用地由粗放扩张向内涵发展转变，重点从城市建设用地扩张转向结构调整，以碳排放峰值适当约束建设用地扩展规模，节约集约利用土地，控制城市无序扩张，优化城市功能布局，同时加强城市的辐射带动能力，根据各城市发展现状及环境问题，制定针对性的干预措施，建立高质量的绿色低碳都市圈循环经济体系，保障经济与生态和谐发展，提高土地资源利用效率，加快探索碳达峰实现路径。

2）第2类城市概括为达峰潜力型城市。预测结果显示，这类城市平均建设用地累积扩展规模较大，除芜湖市外，平均累积碳排放量相对较低，但这类城市碳排放量以及建设用地规模达峰时间较长，平均介于11至16年之间，其中亳州市、阜阳市以及芜湖市均可以在低碳情景以及深度减排情景下于2030年达峰，而蚌埠市则可以在深度减排情景下于2030年达峰。这类城市人均GDP目标增速相对适中，介于6.1%至7%之间；近5年来人口增速相对较高且人口基数较大。由于这类城市预测的达峰时间在3类情景中均接近2030年，因此在完成碳达峰目标任务方面具有较大潜力。

建议这类城市的达峰目标设置在2025年至2030年之间。在实现达峰目标时，应以提质增效为目标，在快速发展时期持续控制碳排放总量，防止出现“先污染后治理”的现象，加强生态环境保护，引进更多低碳产业技术，持续优化能源结构，提高经济发展质量，制定符合城市发展规律的人口发展战略；在保持城市发展活力的前提下，适当控制建设用地扩展规模，强化建设用地内涵挖潜，积极开展闲置建设用地改造利用，盘活存量建设用地，推进城市地下空间的开发利用，注重人口规模、质量以及周边中心城市的辐射带动作用，结合自身实际，充分挖掘城市存量建设用地开发潜力以及节能减排能力，助力城市碳达峰目标实现。

3）第3类城市概括为达峰示范型城市。预测结果显示，这类城市建设用地累积扩展规模较小，除池州市及黄山市外，累积碳排放量均较高，但碳排放量以及建设用地规模达峰时间较短，平均在6年至11年之间。其中宿州市以及黄山市在3种情景下均可以在2030年达峰，而滁州市、六安市以及池州市则可以在低碳情景及深度减排情景下于2030年达峰。这类城市人均GDP相对适中，但目标增速相对较低，在6.5%左右；人口规模适中，人口增长保持平缓增长趋势。由于这类城市预测的峰值来临时间较短，因此在完成碳达峰目标任务方面具有良好的示范作用。

建议这类城市的达峰目标设置在2025年。在实现达峰目标时，应以“碳中和”为目标提前谋划布局，注重考虑对碳排放峰值进行约束控制，明确制定各行业企业的达峰目标、行动方案和配套措施，加大在低碳环保方面的人才引进，在建筑、交通等领域探索“零碳排”的发展路径，探索碳排放交易等市场导向的低碳机制；注重城市低效用地的再开发以及各类用地的高效利用，加强用地规划管控，充分发挥生态资源丰富的区位优势，科学划定生态红线，严控生态用地转为建设用地，率先探索“零碳排区”试点建设，形成可供推广的城市低碳建设模板，为其他城市达峰提供模范借鉴作用。

4）第4类城市概括为达峰优势型城市。预测结果显示，这类城市的累积碳排放量高，但建设用地累积扩展规模小，且碳排放量以及建设用地规模达峰时间较早。其中淮南市在3种情景下均可以在2025年之前达到峰值，而淮北市则在2014年就已经出现峰值。这类城市人均GDP目标处在5.1%至7%之间，目标增速较低；人口规模近5年来增长缓慢，且历史人口总体呈现平缓波动、小幅增长的趋势。由于这类城市受城市转型的影响较早，达峰时间短，甚至已经达峰，因此这类城市在完成碳达峰目标方面具有以一定的优势性。

建议这类城市的达峰目标设置在2025年之前。应以加快产业转型升级作为主要目标，建立碳排放总量控制制度，持续降低城市碳排放总量，提高城市低碳管理水平，引导传统产业向低碳新兴产业转型，如高端设备制造、新能源新技术等方面，培育壮大接续替代产业，构建多元化产业体系，提升生态环境修复力度，持续改善环境质量；加大过去因传统产业发展所带来的矿区地面沉陷等问题的土地整治力度，提高土地资源质量，加强对涉及产业转型升级等行业部门用地指标需求的控制，尤其是工业用地、仓储用地等，严防用地性质转变过程中乱占乱用土地，探索资源优势向生态、经济优势转化的发展路径，打造资源型城市全面绿色低碳转型的发展样板。

3 讨论与结论

本研究运用Kaya恒等式，设置3种发展情景对安徽省各地级市碳排放量以及建设用地规模进行动态预测，并在此基础上运用聚类分析法进行分类分析，为各类城市提出相应的对策建议，主要结论如下。

1）在3种发展情景的预测中，合肥市、亳州市、蚌埠市、阜阳市、淮南市、芜湖市、宿州市、滁州市、六安市、池州市以及黄山市均有可能在2030年前达峰；而马鞍山市、宣城市、铜陵市、安庆市在2030年前达峰存在一定的风险，还需要根据各城市的实际发展特点，加大节能减排力度；其中淮北市在2014年就已经出现碳排放峰值。

2）安徽省各地级市碳排放与建设用地扩展之间的回归拟合均有强相关性，本研究以各地级市碳排放峰值预测结果为基础，预测出各地级市建设用地规模峰值，对约束建设用地无序扩张，优化用地结构、编制相应的规划起到借鉴和参考作用。

3）本研究基于碳排放控制建设用地扩展的研究思路，对安徽省各地级市碳排放峰值以及建设用地扩展规模进行预测，并根据预测结果进行聚类分析，将其划分为4大类，并提出相应的对策建议。其中合肥市、马鞍山市、宣城市、铜陵市、安庆市为一类，属于达峰攻坚型城市；亳州市、蚌埠市、阜阳市、芜湖市为一类，属于达峰潜力型城市；宿州市、滁州市、六安市、池州市、黄山市为一类，属于达峰示范型城市；淮南市和淮北市为一类，属于达峰优势型城市。

实现碳达峰目标是一个涉及多方位、多领域的系统性复杂工程，如何建立市级尺度涉及全域综合的碳排放数据收集体系以及统一标准的碳排放核算体系，使预测结果更加科学真实还有待进一步深入研究。安徽省各地级市由于区域间社会经济、自然地理、以及文化政策的不同，在碳排放总量、建设用地规模以及达峰时间存在较大的差异，因此，在2030年碳达峰目标下，如何有针对性的制定与实施社会经济发展战略中节能减排及建设用地管控的具体措施，将是安徽省各地级市未来的重点工作。

[1] LI J B, HUANG X J, KWAN M P, et al. The effect of urbanization on carbon dioxide emissions efficiency in the Yangtze River Delta, China[J]. J Clean Prod, 2018, 188: 38-48.

[2] ZHAO K K, CUI X Z, ZHOU Z H, et al. Impact of uncertainty on regional carbon peak paths: an analysis based on carbon emissions accounting, modeling, and driving factors[J]. Environ Sci Pollut Res Int, 2022, 29(12): 17544-17560.

[3] 赵先超, 彭竞霄, 胡艺觉, 等. 基于夜间灯光数据的湖南省县域碳排放时空格局及影响因素研究[J]. 生态科学, 2022, 41(1): 91-99.

[4] 朱宏城, 田甜. 微观视角下居民消费碳排放结构及影响因素研究: 基于PLS-SEM模型的实证分析[J]. 干旱区资源与环境, 2022, 36(1): 59-65.

[5] 黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781-789.

[6] 代如锋, 丑洁明, 董文杰, 等. 中国碳排放的历史特征及未来趋势预测分析[J]. 北京师范大学学报(自然科学版), 2017, 53(1): 80-86.

[7] ZHANG S C, ZHAO T. Identifying major influencing factors of CO2emissions in China: regional disparities analysis based on STIRPAT model from 1996 to 2015[J]. Atmos Environ, 2019, 207: 136-147.

[8] SUN W, WANG C F, ZHANG C C. Factor analysis and forecasting of CO2emissions in Hebei, using extreme learning machine based on particle swarm optimization[J]. J Clean Prod, 2017, 162: 1095-1101.

[9] 陈亮, 王金泓, 何涛, 等. 基于SVR的区域交通碳排放预测研究[J]. 交通运输系统工程与信息, 2018, 18(2): 13-19.

[10] 袁晓玲, 郗继宏, 李朝鹏, 等. 中国工业部门碳排放峰值预测及减排潜力研究[J]. 统计与信息论坛, 2020, 35(9): 72-82.

[11] 黄志辉, 纪亮, 尹洁, 等. 中国道路交通二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 385-393.

[12] 褚力其, 姜志德, 任天驰. 中国农业碳排放经验分解与峰值预测: 基于动态政策情景视角[J]. 中国农业大学学报, 2020, 25(10): 187-201.

[13] 袁闪闪, 陈潇君, 杜艳春, 等. 中国建筑领域CO2排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 394-404.

[14] 洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟: 基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651.

[15] LIU L Y, ZHENG B H, BEDRA K B. Quantitative analysis of carbon emissions for new town planning based on the system dynamics approach[J]. Sustain Cities Soc, 2018, 42: 538-546.

[16] 张帆, 徐宁, 吴锋. 共享社会经济路径下中国2020—2100年碳排放预测研究[J]. 生态学报, 2021, 41(24): 9691-9704.

[17] 刘真真, 马远. 中国省域碳排放时空格局及其影响因素实证研究[J]. 新疆农垦经济, 2021(2): 53-62.

[18] 康铭敏. 西安市碳排放峰值预测及控制策略研究[D]. 西安: 西安建筑科技大学, 2020.

[19] 张诗卉, 李明煜, 王灿, 等. 中国省级碳排放趋势及差异化达峰路径[J]. 中国人口·资源与环境, 2021, 31(9): 45-54.

[20] 王勇, 许子易, 张亚新. 中国超大城市碳排放达峰的影响因素及组合情景预测: 基于门限-STIRPAT模型的研究[J]. 环境科学学报, 2019, 39(12): 4284-4292.

[21] 李国煜, 王嘉怡, 曹宇, 等. 碳排放约束下的福建省城镇建设用地利用效率动态变化与影响因素[J]. 中国土地科学, 2020, 34(4): 69-77.

[22] 张思齐, 陈银蓉. 城市建设用地扩张与能源消耗碳排放相关效应[J]. 水土保持研究, 2017, 24(1): 244-249.

[23] WEN J Q, CHUAI X W, LI S C, et al. Spatial heterogeneity of the carbon emission effect resulting from urban expansion among three coastal agglomerations in China[J]. Sustainability, 2019, 11(17): 4590.

[24] 张梅, 黄贤金, 揣小伟, 等. 胡焕庸线两侧城镇建设用地变化及其碳排放差异[J]. 资源科学, 2019, 41(7): 1262-1273.

[25] 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.

[26] 吴萌, 任立, 陈银蓉. 城市土地利用碳排放系统动力学仿真研究: 以武汉市为例[J]. 中国土地科学, 2017, 31(2): 29-39.

[27] 安徽省统计局. 安徽省统计年鉴:2002-2021[M]. 北京: 中国统计出版社,2002-2021.

[28] 安徽省统计局. 2021年安徽省国民经济和社会发展统计公报[EB/OL][2022-03-14]. http://tjj.ah.gov.cn/ssah/ qwfbjd/tjgb/sjtjgb/146518001.html.

[29] IPCC. IPCC 2006 guidelines for national greenhouse gas inventories [R/OL]. [2022-08-01]. https://www.ipcc.ch/ report/2006-ipcc-guidelines-for-national-greenhouse-gas- inventories/.

[30] 秦岩, 於冉, 於忠祥, 等. 2000—2018年长三角中心区土地利用碳排放强度的时空特征[J]. 河南农业大学学报, 2021, 55(1): 132-140.

[31] 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.

[32] 龙灏. 资源型城市转型期的空间规划研究: 以安徽省淮北市为例[J]. 城市建筑, 2019, 16(4): 5-6, 27.

[33] 新华社.中华人民共和国国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要[EB/OL]. (2021-03-13) [2023-01-10]. http://www.gov.cn/ xinwen/ 2021-03/13/content_5592681.htm.

[34] 何诚颖, 闻岳春, 常雅丽, 等. 新冠病毒肺炎疫情对中国经济影响的测度分析[J]. 数量经济技术经济研究, 2020, 37(5): 3-22.

[35] 国务院.国家人口发展规划(2016-2030年) [EB/OL]. (2016-12-30)[2017-01-25]. http://www.gov.cn/zhengce/con- tent/2017-01/25/content_5163309.htm.

[36] 於冉, 黄贤金. 碳排放峰值控制下的建设用地扩展规模研究[J]. 中国人口·资源与环境, 2019, 29(7): 66-72.

Evolution and classification control of urban construction land under the constraint of carbon emission peak

CHENG Hongsheng1, YU Ran1, 2, WANG Qin1, YE Yun1, WEI Lu1

(1. School of Economics and Management, Anhui Agricultural University, Hefei 230036;2. Institute of Land and Resources, Anhui Agricultural University, Hefei 230036)

According to the characteristics of carbon emissions peaking in different cities and the evolution of construction land, it is of great significance to implement the strategy of urban peaking differently. Taking 16 prefecture-level cities in Anhui Province as an example, based on the calculation of carbon emissions and the analysis of the evolution characteristics of construction land, Kaya identity was used to predict the peak carbon emissions of each prefecture-level city and the scale of construction land. Finally, cluster analysis is used to put forward countermeasures of peak management and control for various cities. The results show that: 1) Hefei, Bozhou, Bengbu, Fuyang, Huainan, Wuhu, Suzhou, Chuzhou, Lu 'an, Chizhou and Huangshan are all likely to reach the peak before 2030; Maanshan city, Xuancheng city, Tongling city and Anqing city are at certain risk of peaking before 2030, while Huaibei city already saw its carbon emissions peak in 2014. 2) The regression fitting between carbon emission and construction land scale of prefecture-level cities in Anhui Province has a strong correlation, which can be used to predict the scale of urban construction land. 3) According to the clustering characteristics, prefecture-level cities in Anhui Province can be divided into four categories: peak attack type, peak potential type, peak demonstration type and peak advantage type.

carbon emission; urban construction land; Kaya identity; cluster analysis

F299.23

A

1672-352X (2023)02-0310-09

10.13610/j.cnki.1672-352x.20230511.005

2023-05-12 09:24:20

[URL] https://kns.cnki.net/kcms/detail/34.1162.S.20230511.1150.010.html

2022-05-10

国家自然科学基金（71873003），安徽省教育厅人文社科重点项目（SK2019A0130），安徽省自然科学基金项目（1908085QG310）和安徽省高等学校人文社会科学研究项目（YJS20210255）共同资助。

程宏晟，硕士研究生。E-mail：chs1012@foxmail.com

通信作者:於 冉，博士，副教授。E-mail：yuran@ahau.edu.cn