長江中游省會城市碳足跡深度時空演變及其影響因素

胡夢姍，葉長盛，董 倩，劉 彥

東華理工大學地球科學學院，江西 南昌 330013

二氧化碳排放、全球變暖等問題嚴重威脅了世界各國經濟及城市的可持續發展，受到社會各界的廣泛關注.快速的城鎮化及工業化促使能源消耗一直處于較高水平[1]，實現低碳發展是應對全球氣候變暖的有效模式.制定合理有效的減排政策，需明確各區域碳排放現狀與挑戰.在此背景下，改變傳統碳排放的量化指標，引入碳足跡深度指數并將其可視化，可直觀地反映能源消耗對城市存量資本的影響程度[2]，為制定區域低碳發展的減排政策提供理論依據和決策參考.碳足跡深度是指碳生態赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數，代表吸納碳排放所消耗的存量資本.碳足跡深度指數由三維碳足跡改進模型[3]計算所得，該模型通過整合碳赤字/盈余[4]，統計自然環境中資源的流量及存量，將碳足跡的廣度、深度分別定義為吸納碳排放占用的自然流量資本及存量資本.當流量資本不足以容納年際碳排放量時，將會消耗存量資本作為補充.研究表明，武漢市、南昌市、長沙市均處于存量資本消耗階段[5]，因此該文以碳足跡深度指數為核心進行探討.

國內外學者對碳排放相關量化的研究主要包括以下三方面：①碳足跡的核算是國內外普遍認可的碳排放評估方法，主要有生命周期評價法[6]、IPCC 方法[7]及夜間燈光數據反演法[8]等；②碳排放影響因素包括經濟發展、人口、技術、政策等，主要采用隨機性環境影響評估模型[9]、拉氏指數分解模型[10]等；③對碳排放量預測提出優化方案，多運用灰色模型[11]、環境庫茲涅茨曲線[12]等進行預測.就碳足跡深度的應用而言，國內學者如鄭德鳳等[5]研究表明，2000—2016年我國省際碳足跡深度高值區主要集中于東部沿海和中部，吸納碳排放所占用的流量資本和存量資本存在地域互補性；曹慧博等[13]計算了我國海岸帶的存量資本，發現中北部地區的存量資本消耗普遍較大，廣西壯族自治區、廣東省、福建省3 個省份則相對較低，且經濟發展、城市規模、環境污染和區際交流是存量資本消耗的驅動因素；熊鷹等[14]在洞庭湖區以土地利用類型為切入點量化各地類的存量資本，結果表明，洞庭湖區除林地之外的其他土地利用類型均存在自然存量資本的消耗，并表現為高生態赤字.現有成果為后續研究提供了豐富的切實參考.

已有研究多從國家層面[15]或省級層面[16]展開，較少以市級尺度分析.此外，將同類型城市進行對比的相關研究尚不多見.多數學者分析了各因素對計算總量的影響，但無論是碳排放量或是碳足跡深度均是累積變化過程，單純的線性相關會掩蓋各影響因素作用的異質性，空間分位數模型能夠將碳足跡深度劃分為不同分位點，依次探討各影響因素對不同分位點碳足跡深度的作用力，也可剖析各影響因素與碳足跡深度的低、中、高值間的關聯性有何差異.同時，我國重點行業領域碳排放量的增長[17]會對“綠水青山就是金山銀山”“‘山水林田湖草’是生命共同體”“構建人與自然和諧共生的現代化”等生態發展建設產生深遠影響，因此碳足跡深度也是各行業碳排放量對生態反饋的重要表征方式.

該研究借用三維碳足跡改進模型獲取長江中游省會城市的碳足跡深度指數，引入夜間燈光數據進行擬合[18]，分析比較2010—2019 年武漢市、南昌市、長沙市碳足跡深度的時空演變特征，并運用空間分位數模型深入探討研究區不同分位點碳足跡深度各影響因素的作用水平.研究結果可為長江中游省會城市自然存量資本的耗費測算及可視化提供借鑒，同時從統計學角度實證分析碳足跡深度的影響因素，又可為長江中游省會城市碳中和目標的實現及低碳減排政策的制定提供參考依據.

1 研究區概況

在長江中游城市群中，武漢市、長沙市和南昌市3 個省會城市以“品”字型分布，是3 個都市圈的“首位城市”和“核心力量”，推動了周邊區域和三省經濟的高質量發展，同時也是“中部崛起”的增長極.2010—2019 年，武漢市能源消耗在研究期內達到了較高的使用水平；南昌市原煤及焦炭使用量處于增長態勢，尤其焦炭使用量由117.35 ×104t 增至131.09× 104t；長沙市工業總產值不斷增長，位列三市之首.在城鎮建設擴張和經濟快速發展的同時，土地利用結構不斷變化，城市碳匯能力隨之降低，因此碳排放效應對城市自然資本的掠奪性消耗，造成了十分嚴峻的生態壓力.

2 數據來源與研究方法

2.1 數據來源及影響因素選取

能源數據、社會經濟數據來源于2011—2020 年《武漢市統計年鑒》《南昌市統計年鑒》《長沙市統計年鑒》.標準煤折算系數、碳排放系數分別來源于《中國能源統計年鑒》《IPCC 國家溫室氣體清單指南》.林地及草地數據來源于2010—2019 年中國科學院資源環境科學與數據中心.

參考已有研究，該文選取人口密度[8]〔ln (PD)，人/km2〕、工業總產值[18]〔ln (GIOV)，萬元〕、能源總量[19]〔TE，t/(104元)〕、人均碳排放(PCCE，t/人)作為碳足跡深度指數的影響因素.其中，人口密度既體現了人們對自然資源的需求，也映射了人們對生態承載力的“掠奪”.工業中的能源消耗在三大產業中占較大比重，輕工業、重工業或制造業都無法避免能源的終端消費及中間消費.能源總量是能源消耗量的直觀體現，也是各類碳排放總量的數據依托.對于自然存量資本的消耗，不僅從人口、能源、工業等影響間接體現，也需要驗證人均碳排放量對存量資本消耗是否存在直接影響.

2.2 研究方法

2.2.1 碳足跡深度計算

三維碳足跡改進模型[5]融合了碳盈余和碳赤字，統計了自然環境中資源的流量和存量，引入了碳足跡廣度和深度(分別表示吸納碳排放所需的流量資本和存量資本).碳足跡廣度是指在碳生態承載力范圍內實際占用的生態生產性土地面積，代表吸納碳排放所占用的流量資本；碳足跡深度是指碳生態赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數，代表吸納碳排放所消耗的存量資本.碳足跡廣度和深度可視為圓柱體的底面和柱高(見圖1)，考慮武漢市、南昌市、長沙市均處于存量資本消耗階段[5]，因此僅探討區域碳足跡深度的變化過程.各指標的計算公式：

式中：CEFdepth為區域碳足跡深度，反映區域存量資本的消耗程度；CEF 為能源消費的碳足跡，hm2；CEC 為能源消費的碳生態承載力，hm2；CE 為能源消費的碳排放總量，t；Qei為第i種能源的終端消費量，t；Sei為第i種能源的標準煤折算系數；Dei為第i種能源的碳排放系數，根據數據的可獲取性，選取原煤(0.755 9)、焦炭(0.855 0)、燃料油(0.618 5)、汽油(0.553 8)、柴油(0.592 1)、煤油(0.571 4)、液化石油氣(0.504 2)等能源；CS 為林地和草地的碳匯總量，t；Af為區域林地面積，hm2；Ag為區域草地面積，hm2；NEPf和NEPg分別為林地和草地的固碳能力，取值分別為3.809 6 和0.948 2 t/hm2[20]；Pf和Pg分別為全球林地和草地的碳匯比例，分別為82.72%和17.28%.

2.2.2 夜間燈光數據應用與處理

該研究結合DMSP_OLS V4(1992—2013 年)與VIIRS_VNL V2(2012—2020 年)原始數據，分別是第4版本DMSP 年度數據和第2 版本VIIRS 年度數據，均下載于EOG 網站(https://eogdata.mines.edu/products/vnl).將獲取的DMSP 年度數據進行校正，對VIIRS 年度數據進行降噪，提取兩套數據的重合年份(2012 年、2013 年)數據進行敏感度分析，選取最優擬合參數；進而根據選取的最優參數將二者合成DMSP(1992—2020 年)數據集.根據學者們總結出的共有線性、指數、多項式、對數、冪函數等5 種模型[21](見表1)，構建擬合碳估算與夜間燈光之間的函數，在此基礎上選取擬合度較好的模型進行空間可視化.

表1 碳估算和夜間燈光擬合函數的模型歸納Table 1 Models of fitting function between carbon estimation and nighttime lights

經查閱，線性、多項式、對數、冪函數等形式的擬合精度更好.研究區域從縣域、城市群、省域、流域等角度出發，碳相關估算值均能較好地擬合夜間燈光數據，實現空間可視化，可歸納出以下幾類(見表2).

表2 國內學者應用案例歸納Table 2 Summary of domestic scholars' application cases

通過參考相關研究[18,21-25]，為使碳足跡深度指數空間可視化，同樣擬合夜間燈光數據.經相關性分析發現，2010—2019 年長江中游省會城市所有區縣(共310 個樣本量)的實際碳足跡深度均與夜間燈光DN 值呈顯著相關，擬合度為0.876 0，擬合結果在1%水平(雙側)上相關顯著.初步擬合公式為

式中，y為碳足跡深度，x為夜間燈光數據的DN 值.

考慮到武漢市、南昌市、長沙市經濟發展水平及資源本底存在差異，因此在參考已有研究[25]的基礎上，有必要對三市的初步擬合結果依次進行修正，運用武漢市(130 個樣本量)、南昌市(90 個樣本量)、長沙市(90 個樣本量)各自區縣的碳足跡深度及相應夜間燈光DN 值依次進行擬合，通過比對線性、指數、多項式、對數、冪函數等函數結果，顯示多項式函數擬合優度較高，公式分別為

式中，y1、y2、y3分別為武漢市、南昌市、長沙市的碳足跡深度，x1、x2、x3分別為武漢市、南昌市、長沙市夜間燈光數據的DN 值.通過擬合結果與實際數值比對發現，均方根誤差(RMSE)為1.803 7，平均相對誤差(MRE)為0.59%.因此，引入夜間燈光數據能夠較好地擬合長江中游省會城市的碳足跡深度指數，通過可視化區域碳足跡深度指數，借此分析研究區存量資本消耗程度的空間分布及區域差異.

2.2.3 熱點分析

Getis-Ord Gi*指數在于識別出具有統計顯著性聚類的區域，反映高值要素是否能夠成為具有顯著統計意義的熱點.利用Gi*算法對碳足跡深度的空間分布進行熱點分析，設置置信度在99%以上的高值為極熱團，置信度在95%～99%之間的高值區域為次熱團.獲取研究區碳足跡深度指數的極熱團與次熱團，可直觀體現存量資本消耗較大區域的空間分布，將其與研究區行政區劃進行匹配分析，對于存在大面積極熱團與次熱團的區縣具有生態管控的重要警示意義.Getis-Ord Gi*指數的計算公式見文獻[26].

2.2.4 空間分位數模型及指數歸一化

分位數回歸可以描述自變量對不同分位點因變量的影響，與普通線性最小二乘法回歸相比，該模型估計值不受異常值影響，更加具有穩健性.可以不考慮同方差和正態分布假設，能夠全面地反映自變量對因變量的影響趨勢情況.碳足跡深度反映了區域對存量資本的“掠奪”，對生態可持續發展造成負面影響，為提出切實有效的措施建議，需要探討研究區碳足跡深度指數增長過程中各影響因素的作用程度.該文運用空間分位數模型，分析人口密度、工業總產值、能源總量、人均碳排放量對0.1～0.9 分位點碳足跡深度的作用水平，并與線性回歸結果進行對比，具體公式見文獻[27].為深入剖析碳足跡深度增長累積過程中各影響因素的作用差異，有必要對區域碳足跡深度指數歸一化處理，歸一化公式如下：

式中，yij為第i年j地區碳足跡深度標準化后的值，xij為第i年j地區碳足跡深度實際值，maxxij為區域內碳足跡深度的最大值，minxij為區域內碳足跡深度的最小值.

3 結果與討論

3.1 長江中游省會城市碳足跡深度時空演變

2010—2019 年，武漢市、南昌市、長沙市碳足跡深度指數均呈上升趨勢(見圖2)，研究結果與長江中游城市的碳壓力超載狀態[28]相符.2010—2019 年，武漢市歸一化碳足跡深度指數由0.616 9 增至0.744 9，由主城區向外呈環狀擴散，向北擴張至黃坡區及新洲區，向南蔓延至漢南區，武漢市是我國重要的工業基地，各年能源消耗量顯著，區域生態系統壓力較大.2010—2019 年，南昌市歸一化碳足跡深度指數由0.474 0 升至0.558 2，區域歸一化碳足跡深度指數以遞增趨勢上漲，整體分布以南昌市中心城區向四周不斷擴張，并在安義縣及進賢縣等自然資源較為優渥的區域內呈現部分高值聚集，由于南昌市現階段還處于化石能源為主導的能源消費結構，碳排放量與碳匯變化的不同步性加劇了碳足跡深度的增長.2010—2019 年，長沙市歸一化碳足跡深度指數由0.420 8 增至0.598 4，區域碳足跡深度高值呈橫向發展，由長沙市中心城區向寧鄉市的北部及瀏陽市的中部蔓延，碳足跡深度的劇烈增長對城市生態環境造成了不可避免的破壞.

武漢市、南昌市、長沙市各區縣歸一化碳足跡深度指數的變化情況見表3.結果表明，2010—2019 年武漢市各區縣歸一化碳足跡深度指數差異變化顯著，2010 年江漢區及硚口區的歸一化碳足跡深度指數高達1，發展至2019 年武漢市主城區存在6 個區域的歸一化碳足跡深度指數位于高值，經董捷等[29]對武漢市各區縣碳減排責任分攤的劃定研究結果可知，武漢市主城區在承擔著更大碳減排責任的同時也反映了其對存量資本的“掠奪”.2010—2019 年南昌市的歸一化碳足跡深度高值區域為青云譜區、西湖區及東湖區，這些地區均為南昌市中心城區，區域城鎮化起步較早，是早期工業園區的誕生地，并優先發展重工業，建立電力、建材等新興工業[30]，因而碳足跡深度相對較高.2010—2019 年長沙市各區縣碳足跡深度增幅有所減緩，體現了工業產業升級、能源結構優化、節能降耗持續推進的良好發展態勢，其中芙蓉區、天心區及開福區歸一化碳足跡深度指數較大，經過長期的建設和培育，這些地區已擁有優越的軌道交通裝備產業集群[31]，在城鎮化及工業化快速發展的背景下碳足跡深度指數呈現高值.

表3 武漢市、南昌市、長沙市各區縣歸一化碳足跡深度指數Table 3 Normalized carbon footprint depth index of each district and county in Wuhan,Nanchang and Changsha

2010 年，長江中游省會城市歸一化碳足跡深度指數呈現武漢市＞南昌市＞長沙市的特征，武漢市歸一化碳足跡深度指數為長沙市的1.47 倍，由于武漢市人均碳排放量比長沙市高1 t 以上，因此武漢市整體的碳足跡深度指數較高.2015 年、2019 年長江中游省會城市歸一化碳足跡深度指數表現為武漢市＞長沙市＞南昌市，而長沙市在“十二五”期間通過帶動大批生產性服務業發展，使二產和三產同步呼應，工業總產值再創新高，能源消耗的碳排放總量也加速涌起，自然存量資本消耗加大，碳足跡深度指數超越南昌市.

3.2 長江中游省會城市碳足跡深度空間特征

2010—2019 年，武漢市、南昌市、長沙市歸一化碳足跡深度指數均在1%的顯著性水平下呈現鄰域分布的特征.武漢市與長沙市的正向聚集不斷加強，南昌市的高值關聯程度先增強后減弱(見表4).由2007 年及2012 年我國各區域各產業群的碳關聯度研究可知，我國中部城市是碳關聯度最大的區域，承擔著我國碳減排的主要責任[32]，因此有必要獲取長江中游省會城市碳足跡深度高值的位置分布(見圖3).2010—2019 年，武漢市碳足跡深度極熱團表現為擴張趨勢，且次熱團包圍著極熱團向四周呈地毯式蔓延，直至將武漢市主城區全面覆蓋.南昌市碳足跡深度的高值于極熱團集簇顯著，而較高值在周邊區縣呈現部分聚集態勢，熱點團于中心城區擴張至新建區及南昌縣，整體趨勢向南北方向延伸.長沙市碳足跡深度極熱團則以顯著的“東—西”橫向發展，寧鄉市及瀏陽市擁有豐富的碳匯能力，旅游業發展促使區域產業鏈逐漸完善[33]，推動了第三產業發展，使區域內呈現較小范圍的極熱團，在與中心城區極熱團的相連區域內，次熱團的衍生也體現了中心城區經濟建設的發展引領.

表4 武漢市、南昌市、長沙市歸一化碳足跡深度指數的全局自相關性Table 4 Autocorrelation results of normalized carbon footprint depth index in Wuhan,Nanchang and Changsha

對武漢市、南昌市、長沙市歸一化碳足跡深度指數的空間趨勢面進行分析，結果(見圖4)表明，武漢市、南昌市、長沙市東西及南北方向均呈現“中間高、兩邊低”的空間分布特征.2010—2019 年，武漢市歸一化碳足跡深度指數在空間分布上表現為西部高于東部、南部高于北部，且圖4 中各離散點的Z軸數值不斷升高.南昌市趨勢線中部增長顯著，而西部及南部相較于東部及北部略高，整體呈現緩慢上升趨勢.長沙市歸一化碳足跡深度指數在空間分布上表現為西部大于東部、南部大于北部，中心城區的Z軸高度跨度較大，歸一化碳足跡指數漲幅較為明顯.長江中游省會城市歸一化碳足跡深度指數的整體空間分布顯示，在東西方向上表現為“中間高、兩邊低”，而南北方向上則由“北高南低”發展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢線均不斷上升，長江中游省會城市歸一化碳足跡深度指數不斷增長，區域內存量資本消耗加大，長江中游省會城市生態系統正承受著巨大壓力，維護生態承載力是當前的迫切問題.

3.3 碳足跡深度影響因素分析

為更好地反映長江中游省會城市碳足跡深度各影響因素的作用程度，該研究選擇0.1～0.9 共9 個分位點進行回歸分析.普通最小二乘法線性回歸(OLS)與空間分位數回歸(SQR)的擬合度(R)2均大于0.87，擬合效果較好，且各影響因素在以上兩種回歸結果下的相關系數存在明顯差異，因此僅以線性回歸反映相關性水平并不充分(見表5).空間分位數回歸選用bootstrap 隨機抽樣，迭代400 次，獲取更為精確的標準誤差，分位數越大，碳足跡深度(自然存量資本消耗)數值越高.

表5 空間分位數模型回歸結果Table 5 Results of spatial quantile model regression

a) 對于人口密度〔ln (PD)〕，線性回歸與分位數回歸系數方向一致，均通過5%的顯著性水平檢驗.在中低值區間(0.1～0.5 分位點)，人口密度對碳足跡深度的影響逐漸加強，相關系數(R)由3.895 8 增至4.928 3；而中高值區間(0.6～0.9 分位點)，隨著碳足跡深度的增加，人口密度對其影響程度逐漸減弱.人口越多，對能源需求量越大，由此會顯著促進碳足跡深度低值的增長；而當碳足跡深度達高值時，人口規模越大，人均資源越少，能源稀缺，將會提高城市能源利用效率[34]，減緩人口密度對碳足跡深度的促進影響.

b) 對于工業總產值〔ln (GIOV)〕，其與碳足跡深度為正向關系，均通過了10%的顯著性水平.從碳足跡深度的低值(0.1～0.3 分位點)、中值(0.4～0.6 分位點)、高值(0.7～0.9 分位點)來看，隨著碳足跡深度分位點的增長，工業總產值的正向影響不斷加強.在各分位點中，工業總產值與0.8 分位點的碳足跡深度相關性(R=0.420 9)最強.現如今，各市工業能源消耗仍以原煤為主，且工業是碳減排經濟性最高的領域[35]，因此工業產業布局的優化調整對碳減排及減緩碳足跡深度均是重要舉措.

c) 對于能源總量(TE)，線性回歸系數與各分位點相關系數符號同步，均位于10%的顯著性水平下.能源總量對碳足跡深度中低值(0.1～0.5 分位點)的正向影響不斷降低，于碳足跡深度0.6 分位點處增長后持續降至更低.在碳足跡深度0.1 分位點處，能源強度的影響最為強烈(R=1.763 5)，反映了在自然存量資本消耗初期，能源消費量的增長是存量資本耗費的重要原因，而到存量資本消耗后期，受產業結構優化調整、綠色能源使用比例上升的影響，能源總量對碳足跡深度的作用逐漸減弱.

d) 人均碳排放(PCCE)各分位點均達到1%的顯著性水平，人均碳排放與碳足跡深度中低值(0.1～0.4分位點)的相關系數不斷減小，對碳足跡深度中高值(0.5～0.9 分位點)的影響程度不斷加劇.其中人均碳排放量對0.8 分位點碳足跡深度的影響最大(R=4.862 0)，人均碳排放量越多，對碳生態承載力造成的壓力越大，進而需要更多的自然流量資本補足，而當流量資本不足以吸納碳排放量時，對存量資本的消耗將不可避免.

該研究尚存些許不足，影響因素暫未考慮政策方面[36]，僅從人口、工業、能源消耗等角度選取，在今后的研究中將會更加完善.

4 結論

a) 2010—2019 年，武漢市、南昌市、長沙市碳足跡深度指數均呈上升趨勢.2010 年，長江中游省會城市歸一化碳足跡深度指數呈現武漢市＞南昌市＞長沙市的特征，2015 年及2019 年長江中游省會城市歸一化碳足跡深度指數均表現為武漢市＞長沙市＞南昌市.三市的歸一化碳足跡深度高值范圍均以城市的中心城區向四周擴張，碳足跡深度不斷增長，區域存量資本消耗嚴重.

b) 2010—2019 年，武漢市、南昌市、長沙市歸一化碳足跡深度指數均在1%的顯著性水平下呈現高值聚集的特征，極熱團基本完全覆蓋中心城區，次熱團包圍著極熱團向四周蔓延.由空間趨勢面分析可知，長江中游省會城市歸一化碳足跡深度指數在東西方向上表現為“中間高、兩邊低”，而南北方向上則由“北高南低”發展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢線均不斷上升.

c) 人口密度對碳足跡深度的影響表現為先升后降，對碳足跡深度高值(0.8～0.9 分位點)的促進作用低于其余分位點；工業總產值對碳足跡深度的影響呈波動上升趨勢，對存量資本高值消耗的促進作用最為顯著；隨著分位點的增長，能源總量的影響程度持續下降，能源總量是存量資本消耗初期的重要原因；人均碳排放對碳足跡深度的影響表現為先降后升，人均碳排放量越多，存量資本的消耗越大.

5 建議

長江中游省會城市要不斷進行科技創新，提高能源利用效率，打破工業能源效率的限制空間，提升清潔能源使用比例，制定不同區域的節能減排政策.

a) 對于武漢市，能源消費過高及碳生態承載力過低是碳足跡深度較高的根本原因，工業生產普遍存在低效的生產設施和高煤炭依賴度.建議：①積極發展產業轉型，將產生直接碳排放的設備裝置更換為低碳乃至零碳設施，節約并循環利用化石能源，從根本上減少碳排放量；②合理優化土地利用結構，通過涵養水源、控制建設用地無序占用、設立生態保護紅線等措施，有效緩解林地及草地面積的破壞及惡化，增強碳生態承載力.

b) 對于南昌市，能源利用效率不足對南昌市的碳足跡深度造成了根本的負面影響，傳統的化石能源使用較為粗放，造成資源的浪費和環境污染問題日益嚴峻.建議：①南昌市工業園區分布較為零散，引導工業向開發區集中，產業向功能區集中，形成多循環工業體系；②為降低碳足跡深度，在減小能源消費量的同時，對符合規劃、不改變途徑的前提下，現有工業用地通過提高土地利用效率和增加容積率的用地，并不再增加土地價款，避免工業用地的零散分布，減少對生態用地的侵蝕.

c) 對于長沙市，依托于較好的林地面積，碳生態承載力相對充裕，但仍存在城市發展建設及工業化對碳足跡深度的影響處于難以逆轉的困境.建議：①為更好地建設低碳城市，在其產業發展方面應加大力度發展綠色產業，著重投資第三產業，將低碳理念貫穿產業發展的始終；②對高產能、低能耗、高附加值的低碳產業開辟綠色通道，打造低碳技術，促進低碳空間轉型發展.