遵义市PM2.5中水溶性离子的污染特征及来源解析

为探究遵义市PM_2.5中水溶性离子的污染特征及来源,于2018年6月~2019年5月采集了遵义市两个采样点共120个PM_2.5样品,并利用离子色谱法对样品中8种水溶性离子进行了分析。结果表明：采样期间,遵义市PM_2.5平均值为47.6±19.3 μg/m³,呈现冬春高、夏秋低的季节变化特征;8种水溶性离子平均质量浓度顺序为SO₄^2- > NO₃^- > NH₄⁺ > Ca²⁺ > K⁺ > Cl^- > Na⁺ > Mg²⁺,平均值为13.74 μg/m³,水溶性离子质量浓度的季节变化与PM_2.5变化趋势相似;SO₄^2-、NO₃^-、NH₄⁺（SNA）是PM_2.5中主要水溶性离子,占比为83.8%,说明遵义市大气PM_2.5二次污染较严重;相关性分析表明,PM_2.5中NH₄⁺主要以（NH₄）₂SO₄、NH₄HSO₄的形式存在,部分以NH₄NO₃的形式存在;[NO₃^-]/[SO₄^2-]小于1,表明固定源为主要污染源;主成分分析结果表明,PM_2.5中水溶性离子主要来源于燃煤、交通混合源、土壤、建筑扬尘及农业源。     

2022年北京市城区PM2.5水溶性离子含量及其变化特征

为探究北京市大气细颗粒物（PM_2.5）水溶性离子含量及其变化特征,有针对性地提出污染防治方案,对2022年全年PM_2.5水溶性离子、气态前体物（SO₂、NO₂）和气象因素（温度、RH）进行分析测定.结果表明,北京市城区PM_2.5中占比最高的水溶性离子为NO₃^-、NH₄⁺和SO₄^2-,占PM_2.5的52.7%,ρ（PM_2.5）（33.2 μg·m^-3）和ρ（SNA）（18.9 μg·m^-3）低于历史研究结果,但SNA占比（52.7%）、SOR（0.45）和NOR（0.15）高于历史研究结果,体现出北京市细颗粒物污染得到明显改善,但仍具有较强的二次污染特征.NO₃^-/SO₄^2-为2.2,高于历史及附近省市研究结果,反映出移动源的影响不断扩大.从季节变化上看,PM_2.5呈现秋高夏低的变化特征,秋、春、冬这3个季节NO₃^-的占比最高,夏季SO₄^2-占比最高,而NH₄⁺在各季节占比变化不大.NOR与SOR的季节变化规律几乎相反,反映出二者的转化形成因素存在差异.北京城区SNA的主要存在形式为NH₄NO₃和（NH₄）₂SO₄,其中冬季阴阳离子中和度最高,夏季阳离子NH₄⁺稍显不足,而春秋两季NH₄⁺处于过量状态,北京城区为富氨环境.从污染级别看,水溶性离子质量浓度均随污染加重有不同程度的增长,增长最快的是SNA,其在PM_2.5中占比出现先上升后稳定的变化特征.从空间分布特征来看,中心城区和东南西北部郊区的SNA质量浓度大小均为：NO₃^->SO₄^2->NH₄⁺,体现了以NO₃^-为主导的污染特征;SNA对PM_2.5的贡献率最高的区域发生在东部、中心城区和传输点,表明在中心城区和东部地区二次反应相对活跃,同时区域传输也是二次离子的重要来源.     

兰溪市PM2.5中水溶性离子的组成特征及季节变化

为探索浙江省中部地区大气细颗粒物（PM_2.5）中水溶性离子的组成特征及其季节变化,采集了兰溪市市区和近郊两个站点2016年4个季节的PM_2.5样品,利用双通道离子色谱对水溶性无机离子（Cl^-、NO₃^-、SO₄^2-、Na⁺、NH₄⁺、K⁺、Ca²⁺、Mg²⁺）进行了定量分析.结果表明,兰溪PM_2.5中离子总浓度存在明显的冬季高、夏季低的季节变化趋势,年均值为21.19 μg·m^-3,约占PM_2.5质量的45%;SO₄^2-、NO₃^-和NH₄⁺是水溶性离子中最主要的组分,年均浓度分别为8.11、5.92、3.87 μg·m^-3.Cl^-和NO₃^-浓度的季节变化最为显著,冬/夏浓度比接近10,其半挥发特性是导致兰溪PM_2.5中离子组成呈现季节变化的重要原因.兰溪PM_2.5中NO₃^-/SO₄^2-比值的冬季平均值为1.18,说明流动源对兰溪PM_2.5有很大贡献;夏季（以及春、秋季）时NO₃^-/SO₄^2-比值较低,且与PM_2.5浓度呈负相关,与矿物尘结合的硝酸根离子的较大贡献可能是导致夏季PM_2.5浓度较低时NO₃^-/SO₄^2-比值较高的主要原因.阴阳离子平衡、相关性及主成分分析（PCA）结果表明,矿物尘对兰溪市PM_2.5的酸度及离子赋存状态有较大影响;冬季及春、秋季兰溪的PM_2.5具有一定的酸性;NO₃^-和SO₄^2-主要与NH₄⁺结合,但部分可能与钙等其他组分结合;Cl^-和K⁺主要来源于生物质燃烧,但K⁺的年均浓度仅为0.31 μg·m^-3,说明生物质燃烧对兰溪PM_2.5的贡献不大.     

沿海城市珠海PM2.5中水溶性离子特征及来源分析

PM_2.5水溶性离子特征研究主要集中在大中型城市,为探讨珠海市PM_2.5水溶性离子特征及来源,2016年6月至12月采集PM_2.5样品,用离子色谱分析9种水溶性离子浓度。结果表明：珠海PM_2.5总离子浓度处于较低水平,离子浓度有季节变化特征,表现为冬季＞秋季＞夏季;夏、秋季PM_2.5呈碱性,冬季显酸性;从夏季到冬季,SO₄^2-和NH₄⁺在总离子中比例有减小趋势,NO₃^-比例有增大趋势。SO₄^2-、NO₃^-、NH₄⁺为主要组成成分,占离子总成分的85.07%,表明珠海市大气PM_2.5二次污染较严重,NO₃^-/ SO₄^2-均值0.2,表明以固定源污染为主。从气团聚类、离子相关性、富集因子分析和主因子分析等角度讨论来源和存在形式,珠海PM_2.5水溶性离子受气团影响较大,来自陆地气团的离子浓度高于海洋气团;夏季到冬季,PM_2.5受到80.2%的人为源和海洋源的混合源和16%的农业源贡献,离子主要存在形式有NH₄HSO₄、Mg(NO₃)₂、KNO₃、Ca(NO₃)₂、NH₄NO₃、NaCl、KCl和CaCl₂。     

宿迁市PM2.5中水溶性无机离子的季节特征和来源分析

为了研究宿迁市PM_2.5中水溶性无机离子的季节特征和来源,于2017年5月至2018年1月在宿迁市水汽通道上的3个监测点位采集了171份PM_2.5样品,分析了PM_2.5质量浓度以及9种水溶性无机离子含量.结果表明,宿迁市PM_2.5中水溶性无机离子的年均浓度为（44.08±34.61）μg ·m^-3,占PM_2.5质量的41.8%,9种水溶性离子浓度大小排序为ρ（NO₃^-） > ρ（SO₄^2-） > ρ（NH₄⁺） > ρ（Cl^-） > ρ（Na⁺） > ρ（Ca²⁺） > ρ（K⁺） > ρ（F^-） > ρ（Mg²⁺）,其中NO₃^-、SO₄^2-和NH₄⁺是主要的离子组分,占总水溶性无机离子浓度的75.6%.ρ（NO₃^-）/ρ（SO₄^2-）年均值为1.53±0.88,表明移动污染源对PM_2.5的贡献高于固定污染源.水溶性无机离子相关性分析表明,NH₄⁺与NO₃^-、SO₄^2-可能以（NH₄）₂ SO₄、NH₄HSO₄和NH₄NO₃的形式存在.结合主成分分析,水溶性无机离子主要来源于二次转化、工业源、生物质燃烧和扬尘.PM_2.5浓度与相对湿度在冬季呈显著正相关,水汽传输在冬季更容易对PM_2.5浓度增长有促进作用.     

冬季PM2.5中无机水溶性离子与大气相对湿度的相关性

依托河北省灰霾污染防治重点实验室,对2019年11月26日—12月31日石家庄市大气PM_2.5中的NO₃^-和SO₄^2-进行连续在线观测,研究NO₃^-和SO₄^2-与环境空气相对湿度的相关性,解析冬季发生PM_2.5重污染天气的RH阈值.观测期间,RH为10%~60%时,NO₃^-的浓度与RH呈显著正相关,为PM_2.5中浓度最高的无机水溶性离子.RH超过70%后,NO₃^-与RH呈负相关,NO₃^-浓度和NOR开始下降.SO₄^2-浓度与RH在整个湿度区间均呈正相关.RH低于50%时,SO₂向SO₄^2-的转化以气相反应为主.RH高于50%以后,颗粒物达到潮解点,SO₂的主要反应转入液相,转化速率加快,SO₂液相反应贡献逐渐增加至64.6%.RH超过70%后,SO₄^2-成为PM_2.5中浓度最高的无机水溶性离子.RH超过PM_2.5潮解点以后,NO₃^-和SO₄^2-大量合成,推高PM_2.5环境浓度,易于形成重污染天气.     

天津市高校夏季道路扬尘PM2.5中水溶性离子污染特征及来源

为研究天津市高校道路扬尘PM_2.5中水溶性离子的污染特征、来源及校内外差异，于2018年7—8月采集天津市9所高校道路扬尘样品，用离子色谱法对其中8种水溶性离子（Ca²⁺、K⁺、Mg²⁺、Na⁺、Cl^-、NH₄⁺、NO₃^-、SO₄^2-）进行分析.结果显示：①水溶性离子占PM_2.5的11.65%，PM_2.5中占比大于1%的离子有Ca²⁺和SO₄^2-，其中Ca²⁺最多，占到总水溶性无机离子的65.75%；②入校道路离子含量（12.76%）稍高于校内道路（11.11%），其中8种离子含量的差异均无统计学意义；CE/AE（阴阳离子当量浓度比）值为9.59（远大于1），PM_2.5呈较强碱性；③NH₄⁺与SO₄^2-、NO₃^-主要以（NH₄）₂SO₄和NH₄NO₃的形态结合；④NO₃^-/SO₄^2-的比值为0.45，说明固定源的贡献更大；⑤天津市高校道路扬尘PM_2.5主要来源于海盐粒子、燃煤、机动车尾气、建筑水泥尘等.     

贡嘎山大气气溶胶中水溶性无机离子的观测与分析研究

2005年12月～2006年11月在贡嘎山东坡海拔1 640　m处,利用大流量滤膜采样器对大气中的气溶胶粒子进行了分级采样,并用离子色谱(IC)分析了气溶胶中水溶性无机成分的含量.结果表明,PM_2.5和PM₁₀中总水溶性无机离子年平均浓度分别为6.46和8.86 μg/m³,其中主要的3种离子SO^2-₄、NO^-₃和NH⁺₄,占PM_2.5和PM₁₀中总水溶性无机离子浓度的82%和85%.Na⁺、 NH⁺₄、 K⁺、Cl^-和SO^2-₄主要分布在细粒子中,NO^-₃、Mg²⁺和Ca²⁺在粗细粒子中各占一半.雨季Na⁺与Cl^-相关性明显增强,PM_2.5和PM₁₀中Na⁺与Cl^-的相关系数R²分别为0.87和0.84. PM₁₀中SO^2-₄与NH⁺₄的量浓度比值接近1∶2,表明SO^2-₄与NH⁺₄主要以(NH₄)₂SO₄形式存在.     

沈阳市冬季大气PM2.5中水溶性离子污染特征及来源解析

为研究沈阳市冬季PM_2.5和水溶性离子的污染特征,使用URG-9000D在线监测系统于2018年冬季对大气颗粒物和气体组分进行连续采样.结果表明,采样期间沈阳市PM_2.5的平均质量浓度为80.67 μg·m^-3,总水溶性离子质量浓度变化范围为2.68~132.79 μg·m^-3.与清洁天相比,污染天NO₃^-、SO₄^2-和NH₄⁺（SNA）占比明显增加,占到PM_2.5的43.7%.静稳天气时SO₂短时间内的迅速累积使得沈阳市冬季大气PM_2.5有暴发性增长现象.Pearson相关性分析可知,SNA、Cl^-与PM_2.5之间的相关系数均达0.78以上,表明沈阳市冬季PM_2.5的主要贡献组分为SNA和Cl^-.PMF源解析表明沈阳市冬季污染物来源主要包括二次反应源、燃煤和生物质燃烧源以及扬尘源.     

南京江北新区PM2.5中水溶性离子的季节特征和来源解析

为探究南京江北新区PM_2.5中水溶性离子的季节特征和来源，于2019年共采集了113个有效PM_2.5样品.用称重法和离子色谱法分别测定出PM_2.5和10种水溶性离子的质量浓度，并使用PMF源解析法对其进行来源解析.结果表明，观测期间南京江北新区PM_2.5和水溶性离子年平均浓度分别为（78.34±29.64）和（35.68±18.30）μg·m^-3，其四季变化趋势相同，冬季浓度高，夏季浓度低.10种水溶性离子中NO₃^-、SO₄^2-和NH₄⁺的浓度远远高于其他离子，其在总离子中的含量高达89.9%.南京江北新区四季PM_2.5中NH₄⁺主要与HSO₄^-和NO₃^-结合存在.硫氧化率（SOR）和氮氧化率（NOR）的年均值分别为0.53和0.28，说明观测期间大气中氮硫的二次生成率较高.南京江北新区PM_2.5中水溶性离子主要来源为二次转化、海盐和扬尘.     

天津市道路环境大气颗粒物水溶性无机离子分析

大气颗粒物,尤其是其中的水溶性无机离子,对人体危害很大.天津市大气污染中机动车尾气污染相对较高,为探究不同道路类型下水溶性无机离子的污染特征,于2015年4~5月对天津市四类道路类型分别进行大气颗粒物PM_(2.5)和PM_(10)采样及水溶性离子组分分析,并运用皮尔森相关性分析、水溶性离子比值关系分析及主成分分析方法进行探讨.结果表明,天津市水溶性无机离子主要集中在细颗粒物中,不同离子在不同道路下所占质量分数差异很大,二次污染相对较重;二次离子是水溶性无机离子的重要组成部分,在细颗粒物中含量相对较高,在PM_(2.5)中的含量是PM_(10)中的1~2倍左右;K~+、Mg~(2+)、Na~+与Ca~(2+)之间有较高的同源性;各道路PM_(2.5)和PM_(10)第一贡献因子均是燃烧和二次污染的混合源,第二贡献因子主要为扬尘与交通混合源.     

Process analysis of PM2.5 pollution events in a coastal city of China using CMAQ

US EPA's Community Multiscale Air Quality modeling system(CMAQ) with Process Analysis tool was used to simulate and quantify the contribution of individual atmospheric processes to PM_(2.5) concentration in Qingdao during three representative PM_(2.5) pollution events in the winter of 2015 and 2016. Compared with the observed surface PM_(2.5) concentrations, CMAQ could reasonably reproduce the temporal and spatial variations of PM_(2.5) during these three events. Process analysis results show that primary emissions accounted for 72.7%–93.2% of the accumulation of surface PM_(2.5) before and after the events.When the events occurred, primary emissions were still the major contributor to the increase of PM_(2.5) in Qingdao, however the contribution percentage reduced significantly,which only account for 51.4%–71.8%. Net contribution from horizontal and vertical transport to the accumulation of PM_(2.5) was also positive and its percentage increased when events occurred. Only 1.1%–4.6% of aerosol accumulation was due to PM processes and aqueous chemical processes before and after events. When the events occurred,contribution from PM processes and aqueous chemistry increased to 6.0%–11.8%. Loss of PM_(2.5) was mainly through horizontal transport, vertical transport and dry deposition, no matter during or outside the events. Wet deposition would become the main removal pathway of PM_(2.5), when precipitation occurred.     

热带气旋对海南岛臭氧污染的影响分析

基于2015～2020年西北太平洋生成的181个热带气旋资料,海南岛18个市县臭氧(O₃)小时浓度数据和气象观测资料,分析了热带气旋对海南岛O₃污染的影响.结果表明,近6年共有40个(22.1%)热带气旋的生命期间海南岛出现了O₃污染天气,热带气旋生成个数偏多的年份,O₃污染天数也偏多,其中2019年污染天数最多最严重,高污染(≥3个市县超标)天数高达39 d(54.9%).高污染(HP)类热带气旋有逐年增多趋势,趋势系数和气候倾向率分别为0.725(通过95%信度检验)和0.667个·a^-1.热带气旋强度与海南岛O₃最大8 h滑动浓度平均值(O₃-8h)成正相关关系,其中在台风(TY)等级,HP类热带气旋占所有样本数的比例高达35.4%.热带气旋路径聚类分析表明,南海生成影响型(A类)热带气旋生成个数最多,共有67个(37%),同时最容易造成海南岛出现大范围和高浓度的O₃污染,A类热带气旋中HP的个数和海南岛ρ...     

交通与气象因子对不同粒径大气颗粒物的影响机制研究

为了研究北京市气象因子与车流量、车速等交通因子对PM2.5、PM10浓度水平的影响,在市区三环主路及居民区选取了28个采样点,采集滞尘量,PM2.5、PM10浓度、车速、车流量、温度、湿度、风速等数据.通过3个月的滞尘质量分析,得出交通源对空气质量的影响是显著的,其中三环主道路两侧采样点和远离交通源对照点滞尘均值分别为0.284 g和0.016 g.再由道路口与居民区对比实验(局部实验)得出,居民区采样点测得的PM2.5和PM10浓度均低于道路口颗粒物浓度,差值均值分别为101 074 n·(cf)-1和15 386 n·(cf)-1,同时PM2.5白天浓度一般低于夜间.最后结合最佳子集预测模型分析得出,PM2.5和PM10受到湿度和温度的影响最大,车速、车流量、风速次之,其中车速、车流量、低风速对颗粒物PM2.5的影响比对PM10的影响更为显著.     

广东省CO2排放变化的社会经济影响因素

作为我国经济最为发达的省份之一,广东省社会经济可持续发展面临CO₂排放量增长的挑战.从多角度分析广东省CO₂排放变化的社会经济影响因素,有助于其实现低碳发展.基于投入产出模型,从生产、需求和供应角度分析1987—2015年广东省CO₂排放量的变化;此外,采用结构分解分析方法,从需求和供应角度量化广东省各种社会经济因素对CO₂排放变化的相对贡献.结果表明:①与生产端相比,需求侧和供给侧的研究有助于识别不同的关键行业,如建筑业（需求侧）、金融和保险业（供给侧）.②降低碳排放强度是减少广东省CO₂排放的主要因素,而人均最终需求水平和人均初始投入增加是推动广东省CO₂排放增加的主要因素.③生产结构、最终需求结构和初始投入结构变化导致CO₂排放量略有增加,表明广东省具有较大的通过调整结构性因素减排CO₂的潜力.综上,建议除了生产端CO₂减排措施外,广东省还应采取需求侧和供给侧相关措施,如优化消费行为、产品分配行为和初始投入结构等.      

2017—2018年秋冬季唐山市PM2.5中元素组成特征及来源解析

为研究唐山市大气PM_2.5中元素组成特征及其来源,于2017年10月19日—2018年1月31日（秋冬季）在唐山市的超级站（典型城市站点）、开平站（工业站点）和古冶站（工业站点）开展了PM_2.5的手工连续采样,定量分析测定了PM_2.5中23种无机元素.结果表明:Si、Al、Ca和Na等地壳元素的质量浓度均在10月最高,在1月最低.10月,ρ（Cr）在开平站最高（0.020 0 μg/m3）,随后逐月略微降低,其主要受钢铁冶炼工业的减产和限产影响.多数重金属元素质量浓度在11月或12月最高,包括Zn、Pb、Mn、Cu、Ni、Se、V、Cd和Co,其可能受燃煤取暖影响.Cd、Zn、Pb和Cu四种元素的富集因子值分别为2 677、616、422和77,均达到极强富集,且均受人为排放源影响最大.基于因子分析法得出,唐山市大气PM_2.5中元素的主要来源有燃煤源、钢铁工业源与扬尘源的混合源、交通源以及土壤扬尘源,其方差贡献率分别为56.3%、21.6%、7.1%、5.4%.研究显示,秋冬季唐山市大气颗粒物PM_2.5中元素最主要的污染来源为工业源、燃煤源和扬尘源.      

燃煤电厂区域颗粒物及颗粒物汞分布特征研究

对东南沿海平原地区某燃煤电厂不同方位距离的9个采样点进行为期9个月的大气颗粒物采集,以PM_2.5、PM₁₀为对象,研究了颗粒物与颗粒物汞的时空分布,探讨了燃煤电厂排放对周边大气颗粒物与颗粒物汞分布的影响.结果表明：①本研究区PM_2.5平均浓度为78.10 μg·m^-3,其中颗粒物汞平均浓度为294.88 pg·m^-3;PM₁₀平均浓度为114.48 μg·m^-3,其中颗粒物汞平均浓度为363.41 pg·m^-3,均高于海内外众多城市.②冬季颗粒物、碳组分及颗粒物汞的浓度远高于春、夏、秋三季,冬季燃煤量大、逆温等气象因素及远距离污染物传输均造成当地冬季颗粒物累积.③大气颗粒物汞浓度随距电厂距离的增加先增加后降低,最大浓度范围为电厂W-NW方向1.3~2.5 km处.④各采样点均受到多种污染源共同影响,以燃煤尘为主,餐饮油烟、机动车尾气、生物质燃烧和扬尘次之,燃煤电厂对周边区域环境大气可吸入颗粒物主要影响区域为W-NW方向1.3~2.5 km.     

陕西省冬春季PM2.5时空分布特征研究

根据陕西省2016年12月至2017年5月PM_2.5质量浓度逐小时数据，利用ArcGIS分析陕西省PM_2.5污染时空变化格局，并分析造成南北差异的原因，再利用小波分析手段探讨各市PM_2.5污染时间序列周期和突变特性。结果表明：（1）陕西省冬季PM_2.5污染重，春季污染轻，并表现出"关中高，南北低"的特征，秦岭南北经济发展差异和供暖差异是控制陕西省PM_2.5污染空间格局的主要原因；（2）冬季和春季单日PM_2.5浓度变化趋势基本一致，为"双峰双谷型"，日最低值出现在16∶00~18∶00；（3）Morlet小波分析结果显示，陕西省PM_2.5日均变化序列存在多时间尺度特征。陕北城市PM_2.5污染第1主周期为40 d，关中城市和陕南商洛市有40 d和65 d两个共同周期，安康市和汉中市共同周期为20 d和80 d；（4）陕西省PM_2.5突变事件冬季频繁而春季较少，多发生在1月和2月，春季1次大范围的沙尘天气，造成了陕西省5月5日8个城市PM_2.5污染浓度剧增。     

合肥市O3污染时空变化特征及影响因素分析

为掌握合肥市大气环境中O_3的时空变化特征及其影响因素,对合肥市2013—2015年空气质量监测数据和气象参数进行系统的分析.结果表明,合肥市O_3污染在夏、秋季节有逐渐加重的趋势,尤其是城市中心区域,呈显著的季节特征和日单峰性;O_3易在风速小于3.3 m·s-1、相对湿度介于50%~60%、地面气压低于1020 h Pa和日平均气温介于25~28℃的气象条件下出现浓度峰值;合肥市O_3浓度与NO2和VOCs分别存在显著的负相关和正相关关系,其中,烯烃、烷烃、芳香烃和炔烃对O_3生成潜势(OFP)的贡献值依次增大.O_3浓度可通过前一日O_3浓度、相对湿度、平均气温、PM2.5、当日8:00风速、平均气压及NO2等参数建立良好的统计预报模型,非标准化可决系数R2高达0.559.     

“双碳”目标下中国省域碳排放核算分析

对各省域CO₂排放量进行核算能够确定中国CO₂排放的主要贡献者,为碳减排决策提供相关信息.以往的研究表明,核算视角的不同会导致碳排放水平的差异.在多区域投入产出分析框架的基础上,基于不同能源类型,量化中国由生产、需求和供给驱动的省级CO₂排放量,构建能源-碳排放关系模型,对我国CO₂排放进行综合分析.结果发现：①由煤炭导致的CO₂排放占比57.2%（生产视角）、60.7%（消费视角）和58.2%（收入视角）.②各产业部门中,电力、热力、燃气及水的生产和供应部门CO₂排放占比49.1%（生产视角）、70.2%（消费视角）和14.2%（收入视角）.③河北、内蒙古、河南和辽宁等高度工业化省份的碳减排政策应侧重生产侧;东部沿海发达省份和矿产资源丰富省份的政策应分别侧重需求侧和供给侧.④以往被忽略的第三产业在收入视角下贡献了大量的CO₂排放.因此各省份及产业部门需要在生产、需求和供给侧制定差别化且具有针对性的碳减排政策才能减少CO₂的排放,实现"双碳"目标.