基于PSO-LSTM網絡模型的建筑碳排放峰值預測

唐曉靈，劉嘉敏

（西安建筑科技大學管理學院，陜西西安 710055）

我國碳達峰碳中和工作進入了關鍵期，2021年4月，習近平總書記在領導人氣候峰會上講到：“支持有條件的地方和重點行業、重點企業率先達峰”[1]。而建筑作為能源消耗和二氧化碳排放的三大領域之一，其所產生的二氧化碳排放在我國碳排放總量的占比中達到了35%～50%[2]。可見，建筑碳排放的有效控制是實現“雙碳”目標的重要組成部分，對建筑領域碳排放峰值進行預測是推動生態目標實現的有效路徑。

對建筑碳排放的測算范圍，學界已有文獻并無統一的研究邊界。大體上可以分為微觀和宏觀兩大類。其中微觀研究以建筑產品全壽命周期碳排放測算為主要內容，考慮了建筑產品從無到有再到無的全過程碳排放[3]，胡姍等[4]對我國建筑領域碳排放的核算及王幼松等[5]對某辦公樓碳排放的核算均得出建材生產和建筑運行兩階段的碳排放量最大；馮博等[6]、劉菁等[7]基于宏觀視角的研究則主要以建筑業或包含生產、建造、運行及拆除等全產業鏈的碳排放為測算對象。在微觀和宏觀兩個不同視角的研究中，運行階段的碳排放的占比都在50%左右，因此袁閃閃等[8]、鞠穎等[9]、劉菁等[10]眾多學者的研究都圍繞建筑領域運行階段的碳排放展開。

對碳排放預測，學界也已有相當多的方法。渠慎寧等[11]、Wang等[12]、Wu 等[13]和劉菁等[10]分別采用STIRPAT模型、灰色預測模型、LEAP模型和系統動力學模型對碳排放量進行了預測，而后隨人工智能的不斷發展，越來越多的學者將機器學習方法運用到了能源和碳排放量的預測領域中，Sun等[14]采用LSSVM（最小二乘支持向量機）對工業和居民的CO2排放量進行了預測，Agbulut[15]則用3種機器學習方法：ANN、SVM、DL對土耳其交通領域的能耗和CO2進行了預測，研究結果均表明機器學習在碳排放預測領域表現出了更好的準確性和有效性。在近期的研究中，Huang等[16]使用長短期記憶模型（LSTM）對中國碳排放量進行了預測，胡劍波等[17]基于LSTM模型和ARIMA-BP模型對我國碳排放強度進行了預測，通過模型精度的檢驗說明了深度學習網絡可應用于碳排放量的預測且其預測效果更好。為解決參數無法確定的問題，一些優化算法被應用，段福梅[18]采用粒子群優化算法（PSO）對BP神經網絡進行優化，王珂珂等[19]采用鯨魚優化算法（WOA）優化極限學習機（ELM）中的網絡輸入權值和隱含層閾值，孫靜怡[20]則采用的是布谷鳥搜索算法（GCS），結果表明通過優化算法優化的網絡模型在模擬和預測的精度上都有了很大的提升。

綜上，本文首先通過對建筑領域碳排放的測算進行較為全面的分析，確定本研究建筑領域碳排放的測算范圍，并依據現有數據可得性及質量要求，確定基本測算方法。其次，通過多種優化算法的比對，選用粒子群算法（PSO）優化后的長短期記憶網絡對我國建筑領域運行碳排放進行預測。最后，結合情景分析法設置碳排放影響因素的變化量，預測基準、低碳及高碳3種情景下2020—2050年之間我國建筑領域運行階段的碳排放量。

1 建筑碳排放核算

建筑行業具有能耗大、碳排放量多、投資收益高的特點，具有巨大的碳減排潛力[21]。對建筑全生命周期碳排放的研究中，運行使用階段的碳排放量最大，達到60%～80%[10]，并且該階段的碳排放量和建筑能耗的關系密切，因此本文將建筑領域運行階段產生的CO2作為研究對象，文中提及的建筑碳排放也指建筑領域運行階段的碳排放量。然而建筑碳排放的核算是一大重難點問題，當前國內外認可度較高的3種核算方法為：排放因子法、質量平衡法和實測法3種[22]。對建筑領域運行階段的研究大都是立足于國家宏觀層面的碳排放總量的趨勢分析，而排放因子法具有數據易于獲得、實用性和適用性高的優點，廣泛地應用于碳排放量核算的宏觀研究領域中，因此本文選用該方法進行計算，其核算原理為“碳排放量=活動數據×排放因子”。本文針對城鎮住宅建筑、城鎮公共建筑、農村住宅建筑等不同碳排放源，由國家統計數據獲取其能源消耗的活動水平數據，根據相關碳排放因子，將不同活動的能源消耗數據與其所對應的碳排放因子進行相乘并累加即得到建筑碳排放的估算值。具體計算公式如下：

式中CE為建筑碳排放總量，Ei為第i種能源的消耗量，EFi為第i種能源的碳排放因子。

本文以1990—2019年的碳排放歷史數據為研究基準，分類能源消耗量由《中國能源統計年鑒》中摘錄所得，根據能源平衡表中的各分項按部門進行取舍。將生活消費，分城鎮和鄉村分項作為住宅建筑能源消耗數據；將批發、零售業和住宿餐飲業分項、其他分項作為公共建筑能源消耗數據，選取原煤、洗精煤、汽油、柴油等12種能源進行統計核算，并按照相關系數對交通能耗進行扣除折算。核算時所用的不同能源碳排放因子由IPCC（聯合國政府間氣候變化專門委員會）及國家發展和改革委員會公布的相關系數確定。我國1990—2019年的建筑碳排放量的核算結果如表1、圖1所示。

表1 1990—2019年我國的建筑碳排放量

表1（續）

圖1 我國建筑碳排放量及人均建筑碳排放量

結果顯示1990—2019年間我國建筑碳排放總量整體上呈現上升趨勢，從1990年的44 659.09 萬噸增長至2019年的204 994.54 萬噸，年均增長率達5.21%；同樣地，整體上我國人均建筑碳排放量也呈現出了逐年上漲趨勢。碳排放總量和人均排放量的逐年增加，說明建筑領域具有極高的低碳減排潛力，是我國實現“雙碳”目標的重要抓手。因此對建筑碳排放進行核算和峰值預測對建筑領域的碳減排工作和我國“雙碳”目標的實現具有重要意義。

2 粒子群算法優化LSTM網絡

2.1 LSTM網絡

長短期記憶網絡 (long short term memory networks,LSTM)是Hochreiter等[23]提出的對循環神經網絡（RNN）的變體，其具有記憶長短期信息的能力。該模型克服了機器學習中梯度消失和梯度爆炸的問題，對于時間序列數據有良好的處理能力。LSTM的單元結構如圖2所示。

圖2 LSTM網絡的循環單元結構

LSTM模型中，每個神經元中都含有3個基本的單元門，這3個門單元是一種機制，通過乘法操作來確定每個單獨的存儲單元的狀態。根據功能不同，門單元分為輸入門it、輸出門Ot和遺忘門ft，LSTM網絡預測的具體過程如下：

首先計算遺忘門，遺忘門能控制上一個時刻的內部狀態需要遺忘多少信息，且通過該門讀取ht-1和Xt，ht-1表示上一時刻隱含層的輸出，Xt表示當前細胞的輸入。當完成后輸出的結果被讀取后，會得到一個0～1的數值作為輸出結果，并以此對每個在細胞狀態的Ct-1進行賦值。0表示關閉狀態，任何信息不得通過，1表示開放狀態，信息全數保留。遺忘門算法如式2

式（2）中，ft為遺忘門的輸出值、σ是Sigmoid函數、Wf為遺忘門的權重矩陣、bf為遺忘門的偏置項。

其次是計算輸入門，它控制著當前時刻有多少信息需要儲存。其包含兩部分的內容，首先Sigmoid層會決定哪些信息需要更新；隨后tanh層會生成一個新的候選值向量，即備選的用來更新的內容。這兩部分結合就能對cell的狀態進行更新。輸入門算法如式3、式4

輸入門會不斷刷新細胞狀態，將Ct-1更新為Ct，舊狀態Ct-1與ft相乘表示需要丟棄的信息，將其與相加就能得到新的候選值，如下：

最后計算輸出門，其能基于過濾后的細胞狀態進行輸出。首先會根據Sigmoid函數確定輸出的初始值，其次利用tanh函數計算細胞狀態中即將輸出的值，最后把這兩個結果相乘得到最終的輸出值。輸出門算法如下：

式（7）tanh為雙曲正切激活函數。

2.2 粒子群算法原理

粒子群優化算法（particle swarm optimization，PSO）最早是由Kennedy等[24]提出的，是一種用于全局搜索最優值的改進算法。該算法起源于對鳥種群覓食行為中遷徙和聚集的模擬，如果一群鳥在隨機覓食，而該區域只有一種食物，那么最高效的覓食策略是在離當前獵物最近的鳥周圍搜索。PSO算法以該模型為基礎[25]，被廣泛用于解決各種優化問題。在對優化問題求解時，問題的潛在解對應于搜索空間中某一只鳥的具體位置，通常將這些“鳥”稱為粒子（particle）或主體（agent）。每個粒子在空間中不斷飛行，擁有自己的速度和位置，在搜尋最佳位置的過程中，首先會隨機產生一組解，而空間中的粒子會記憶、追隨當前的最優粒子，隨即重復上述過程不斷迭代，在解空間中搜尋。然而每次迭代的過程并不是完全隨機的，PSO具有強大的學習功能，會以上一次找到的較好解為依據，去尋找下一個更優解。

假設在多維搜索空間中，群體中有m個粒子，在第t次迭代中，第i個粒子的位置和速度分別為Xi,t和Vi,t，粒子通過監督兩個極值來更新自己：第一個是粒子本身所找到的最好解，叫做個體極值點(用pbest表示)，另一個就是目前群體所找到的最優解，稱為全局極值點（用gbest表示）。粒子速度與位置更新方程為：

式（8）（9）中：w是慣性系數，取值通常在0.1到0.9之間；C1與C2是學習因子，調節向全局最好粒子和個體最好粒子方向飛行的最大步長，通常令C1=C2=2；rand是[0,1]之間的隨機數，λ為速度系數，為=1。

2.3 粒子群算法優化LSTM

雖然LSTM模型在時間序列數據的處理上具有顯著優勢，但其參數往往難以確定，不同參數的選取對預測結果存在很大的影響。由于PSO算法具有良好的全局尋優能力和收斂速度，于是引入粒子群算法來對LSTM網絡進行優化，改進了LSTM模型初始連接權重和參數獲取不夠準確的問題，增強了參數選擇的客觀性，能對碳排放數據做出更加精準的預測。據此本文提出了一種組合模型PSO-LSTM對建筑碳排放量進行預測，思路如下：

（1）首先對建筑碳排放的影響因素進行分析，并利用Pearson相關性分析考察各個影響因素與建筑碳排放的相關性，隨即得到碳排放預測模型的輸入層數據。

（2）針對LSTM網絡參數難以確定的缺陷，提出用PSO算法優化的LSTM網絡，對LSTM網絡的參數進行尋優，提高模型預測的可靠性和精確度。

（3）采用相關的誤差指標及1990—2019年共計30年的數據，并劃定訓練集和測試集對PSOLSTM模型進行精度檢驗，同時和傳統LSTM模型進行對比。

（4）將影響因素設定低碳、基準和高碳3種情景，根據訓練好的模型作為預測的輸入數據，對我國未來建筑碳排放量進行外推預測，考察不同情景下的達峰時間，并由此給出相應的建議。

具體預測的流程如圖3所示。

圖3 PSO-LSTM模型預測流程

3 PSO-LSTM預測建筑碳排放的實證研究

3.1 建筑運行碳排放影響因素選取

由于本文研究的對象是建筑領域的碳排放而非總量碳排放，在各類影響因素中人口、經濟和空間這3類會呈現出更強的相關性[26]。因此選取這3類影響因素，共計6個影響因素，即人口總量和城鎮化率[22]，地區生產總值（GDP）、技術水平和產業結構[10]，城鎮建筑面積[27]。對應建筑能耗，建筑碳排放指的是建筑中用于采暖、照明、制冷等工具產生的CO2排放，而這些行為的執行者都是人，人口的增加必然會帶來各種能源需求總量的增加，從而帶來CO2排放量的增加；同樣地，城鎮化會使得大量人口向城鎮聚集，城鎮地區有著更豐富的能源需求，因而也會產生更多的CO2排放；產業結構和技術水平從側面反映了我國的經濟水平，這兩個因素和我國GDP水平會影響我國城鎮居民的能源消費習慣，而能源消費的多少決定了CO2的排放量；此外，建成區面積是能反映建筑規模的指標，其在一定程度上決定了因建筑運行產生的CO2總量。因此選取這6個因素作為影響建筑運行碳排放的影響因素。

對上述6個影響因素的水平進行測度時，用年末常住人口衡量人口總量；用人口城鎮化率作為城鎮化率；為規避價格的影響，GDP的衡量采用1990年的不變價考慮各個年份的實際GDP；研究與試驗發展經費（R&D）是我國科技經費的重要來源，因此采用其投入強度衡量技術水平；產業結構的衡量采用第三產業的增加值占GDP考慮；建筑面積則采用建成區面積衡量。上述的詳細數據主要來源于各年的《中國統計年鑒》，各變量描述性統計結果如表2所示。

表2 變量描述性統計

在將這些因素作為輸入參數輸入粒子群算法改進的LSTM模型時，對各因素進行了相關性分析。利用了Pearson相關性分析，計算出了相關性系數，分析結果如表3所示。結果表明這6個因素的Pearson相關度都很好，除了人口總量，均大于0.9，且在P＜0.01的水平下顯著?？梢?，這6個因素與建筑碳排放有著極高的相關度，因此將這個6個因素作為模型的輸入層。

表3 影響因素相關性分析

3.2 模型的擬合及有效性檢驗

選取我國1990—2014年共25年的建筑運行碳排放數據作為訓練樣本，2015—2019年共5年的數據作為測試樣本。算法實驗在 Matlab R2021環境下進行，通過1990年到2014年的25組數據擬合來預測2015年到2019年的建筑碳排放量。由第4小節可知，影響因素與碳排放量之間存在顯著的相關性關系，因此模型將選取的6個主要建筑碳排放影響因素作為PSO-LSTM模型的輸入參數。為避免輸入數據數量級差別較大而產生較大誤差，實驗中的所有時間序列數據均需要進行歸一化處理，按照式（10）進行：為歸一化后的值；X為原始值；Xmax和Xmin分別代表各個影響因素序列原始數據的最大值和最小值。

在回歸預測領域，BP神經網絡已經在實踐中得到了多次使用，但作為單一的神經網絡，由于缺少反饋結構其并沒有考慮歷史數據樣本的記憶信息；而RNN網絡在此基礎上進行改進，突破了傳統神經網絡對忽略時間信息的問題，但依然存在梯度膨脹、梯度爆炸及梯度消失導致的訓練困難的問題；LSTM模型又在此基礎上進行了改進。因此，在模型的精度的比較中將BP神經網絡和LSTM模型作為對照組。PSO-LSTM模型中采用PSO算法對隱含層節點、訓練次數和學習率尋優。

將4種算法分別依次運行50次，對所得的預測結果求均值，分別得到訓練集1990—2014年和測試集2015—2019年的建筑碳排放量，預測結果如圖4所示。

圖4 樣本歷史數據預測結果

為對模型預測效果作出直觀評價，本文選取了4種誤差指標：MAE(平均絕對誤差)、RMSE(均方根誤差)、MAPE(平均絕對百分比誤差)以及確定系數R2。研究對象的數量等級會對MAE和RMSE的絕對數值產生影響，而MAPE作為百分比誤差規避了這種差異。Pao等[28]根據MAPE的大小把預測效果分為：高精度預測（MAPE＜10%)、良好預測(10%≤MAPE＜20%）、合理預測（20%≤MAPE＜50%）和不準確預測（MAPE≥50%）4類。誤差指標的計算方法如下：

式（11）至式（14）中：Xi是建筑碳排放量的真實值，是所得的預測值，是碳排放實際值的平均值，n為樣本集的個數。MAE、RMSE、MAPE均是越小越好的指標，R2越接近1證明模型擬合效果越好。各模型誤差結果如表4及圖5所示。

表4 誤差指標計算結果

表4（續）

圖5 不同模型各誤差指標計算結果

通過對3種模型對歷史數據的預測效果和模型誤差指標的對比，可以看出經過粒子群算法優化后的LSTM模型的預測能力優于BP神經網絡和原始的LSTM模型，其對于歷史數據呈現出了更好的擬合預測效果；同樣地，從誤差指標分析，PSO-LSTM各項指標都更優。PSO-LSTM模型的R2為0.932 8，而MAPE僅為3.96%，均是3種模型中最佳的，可見其精確度更高。這也說明粒子群算法可以提升LSTM的預測效果，改進后的LSTM模型能夠更好地捕捉數據變化的長期趨勢，進而能夠進行更加精準的預測，因此以下選用PSO-LSTM模型對建筑碳排放的峰值進行預測。

3.3 多情景預測

3.3.1 建筑碳排放影響因素模擬

將以上確定的人口總量、城鎮化率等6個影響因素作為研究對象，參考大量的公報及政策文件設定高、中、低3種排放情況，分別對應碳排放高碳模式、基準模式及低碳模式。情景分析的預測年限為2020—2050年，合計31年，由于預測年限較長，為保證預測結果的合理性與科學性，各個影響因素將分別設置3個預測頻段：

（1）人口。從1990—2020年間的歷史數據來看，我國人口增速呈現大幅放緩趨勢，即便是在2016年開放二孩政策實施以來，五年間的年均增速也只有0.28%，而我國每年的出生人口從2017年至今連續四年下降。2021年5月31日，我國三孩生育政策開始實施，該政策將會在一定程度上對我國人口的增長起到一定的刺激。但參考“全面二孩”政策帶來的生育勢能經驗，推測3年～5年內該政策帶來的生育勢能釋放完畢。根據中國人口與發展研究中心預測，中國人口數量在2027年將達到峰值14.17億人，此后將進入持續的負增長狀態，2035年降至14.03 億人、2050 年降至 13.21 億人。

（2）GDP。2020年受到新冠肺炎疫情的嚴重沖擊，我國GDP增速降至2.3%，同比增速下降4%。而2021年以來，經濟逐步恢復，市場相關機構對我國的GDP增速的預測均在8%左右。我國“十四五”規劃和二〇三五年遠景目標建議中也明確提出了2035年實現經濟總量或人均收入翻一番的目標。據此，方琦等[29]對我國GDP增速做出了2022年增速回落6%，2023—2035年勻速下降的預測。而根據清華大學國情研究院課題組的預測，我國GDP在2031—2035年間的增速為2.84%～5.59%，在2036—2050年間的增速為3.2%～3.95%[30]。

（3）城鎮化率。2020年我國人口城鎮化率達到63.89%，而世界上發達國家城鎮化率均超過80%，并趨于穩定?！笆奈濉逼陂g我國城鎮化率預計年均提高1.03%，較“十三五”時期有所下降。根據中國社科院人口與勞動經濟研究所發布的《人口與勞動綠皮書》，我國城鎮化發展的增速將在“十四五”期間出現開始放緩的拐點，在2035年后呈現相對穩定的態勢，而峰值將大概率出現在75%～80%。

（4）第三產業增加值。根據發達國家經驗，當進入發達服務經濟社會時，第三產業增加值比重將超過70%[31]，胡鞍鋼等[32]預測其比重在2035年時將達到65.6%左右，到2050年將進一步上升至70.5%左右。

（5）技術水平。從總量來看，1990年我國的R&D經費投入僅75.49 億元，而2020年則躍升至24 383.67 億元，2013年后我國R&D經費投入水平一直位于世界第二；從投入強度上看，1990年僅為0.4%，2002年首次突破1%，2014年首次突破2%，到2018年提升至2.14%，超過歐盟15國的平均水平。根據我國創新驅動第二步的戰略目標，2030年我國要躋身創新型國家前列，相應的R&D經費投入強度要達到2.8%。

（6）建筑面積。1990—2020年間我國城市建成區面積每年持續增長， 2011年前，年均增長率為5.99%，2012年開始增長速度有所放緩，年均增長率降至3.07%。隨著我國城市化的推進，我國城市規模會進一步擴張，進而使得建成區面積增加。

綜上所述，各參數情景設置結果如表5所示。

表5 2021—2025年各參數情景設定

3.3.2 多情景預測結果

在PSO-L STM模型的擬合結果和有效性檢驗結果良好的前提下對未來31年，即2020年到2050年的數據進行預測，考察這段時間內建筑碳排放量情況、峰值及達峰的年份。依據以上情景預測設定，利用訓練好的PSO-LSTM網絡分情景逐年對我國建筑碳排放量進行預測，分別得到低碳、基準和高碳3種情景下我國2020—2050年的建筑碳排放量，如圖6所示。值得說明的是，采用訓練好的PSO-LSTM進行外推預測時，將上一時刻得到的預測結果在網絡中進行了更新作為了輸入層數據，使得預測的誤差產生累計，因而會造成模型精度的下降。

圖6 2020—2050年我國建筑碳排放預測結果

預測結果顯示，我國未來建筑碳排放量總體呈現出右部平緩的倒“U”型趨勢。不同情景下我國建筑碳排放峰值不同，且達峰的時間也有所區別。高碳情境下建筑碳排放將以更高的速度增加且峰值最大為 253 379.468 8 萬 t，并且在 2033 年才能達到峰值；基準情景是更加符合社會現實的發展狀態，該情境下我國建筑碳排放將在2032年達到239 738.109 4 萬 t的峰值，僅建筑領域自身來說，并不能實現“ 雙碳”戰略中2030年前達峰的目標；而在低碳情境下我國建筑碳排放將在2029年達到峰值，為 226 774.562 5 萬 t。分別對比 3 種情景，顯然低碳情景是建筑領域實現碳達峰目標的路徑，從峰值結果看低碳情景分別比基準和高碳情景的峰值減少了 12 963.546 9 萬 t、26 604.906 3 萬 t，而從達峰時間則從基準情景的2032年和高碳情景的2033年提前到了2029年，在2030年前達到了峰值且在后續的年份中表現出了較為明顯的碳排放的減少趨勢。

結合以上關于影響因素的相關性分析可知道本文選取的主要影響因素都會促進建筑碳排放量的增加，但預測建筑碳排放量卻出現了峰值，分析其原因是研究期內（1990—2019年）相關因素的規模效應占據主導地位，如城鎮化的急速發展帶來的城鎮擴張使得人口大量在城鎮聚集，建筑運行階段能源消耗總量大；而技術進步前期各方需要投入大量的能源，使得CO2的排放增大。然而隨著社會發展水平質量的提高，質量效應開始逐漸顯現：城鎮化發展到較高水平時，其通過人力資本積累使得城鎮居民能源消費習慣發生轉變，而技術水平的提高則會催生出一系列綠色節能的低碳建筑，這兩種情況都會使得建筑在運行階段產生的碳排放量降低。結合預測結果不難發現，建筑領域想要在2030年前實現碳達峰的目標，還需采取相應的低碳措施，促進碳減排工作的開展，應在經濟社會保持穩定增長的趨勢下，通過推動城鎮化的高質量發展以及通過技術水平的提高實現建筑領域的清潔生產和節能減排，使得建筑碳排放的盡早達峰，實現社會發展與環境保護的雙贏。

4 結論及建議

（1）主要結論。針對我國建筑碳排放達峰問題，本文根據文本分析將建筑碳排放的影響因素分為人口、經濟和空間3類，選定了6個主要影響因素，通過PSO-LSTM網絡模型進行預測，得到了如下研究結論：1）1990—2019年我國建筑碳排放總量呈現逐步上升的趨勢，從1990年的44 659.09 萬t增長至2019年的204 994.54 萬t，年均增長率達5.21%。2）在于BP神經網絡和LSTM網絡的對比中，PSOLSTM模型的預測表現出了更優的預測能力，精度更高，更適用于碳排放這類時間序列數據的預測。3）通過訓練好的PSO-LSTM模型對低碳、基準和高碳3種情景的建筑碳排放進行預測，得到3種情況的峰值分別為 226 774.562 5 萬 t、239 738.109 4 萬 t和 253 379.468 8 萬 t；而達峰時間分別為 2029 年、2032年和2033年。

（2）對策建議?；谝陨涎芯拷Y論，為盡早實現我國建筑領域碳排放的達峰，推動影響因素從規模效應到質量效應的轉變，提出以下對策建議：第一，重點推進城鎮化的高質量發展。城鎮化的急速發展是影響建筑碳排放的主要因素，在經濟社會保持穩定增長的趨勢下，一方面要提高城鎮居民建筑內能源消耗的低碳意識，另一方面要完善相關激勵政策制度，加強建筑領域低碳高質量發展的推廣和應用。第二，重點發展建筑領域的綠色低碳技術與產品。發揮技術進步在建筑領域的能效，如提高建筑產品的節能標準、推廣超低能耗建筑的落地實施、積極推動清潔生產技術在建筑領域的實施。通過上述等方面的舉措，發揮重點因素的質量效應作用，從而實現建筑領域碳排放的盡早達峰及其碳減排工作的順利開展。