城市居民生活能源消費研究進展綜述

崔一瀾　劉毅　諸葛承祥

摘要：近十年來中國城市消費領域能耗年增長率已達到 7.4%， 超過中國總能耗量5.9%的年增長率。隨著中國逐漸完成工業化進程，其工業用能將呈現增速放緩甚至總量減少的趨勢，而居民生活及交通能源需求將隨著人民生活水平提高而穩步增長，最終呈現總量與比重逐漸增加的態勢。城市居民活動與其能源消費的定量化分析已成為當前多學科的研究熱點。本文以家庭室內和室外直接能源消費作為研究對象，對城市居民生活能耗的影響因素、能源足跡核算方法、時間-室內能耗模擬，及空間-交通-能源耦合模擬等關鍵問題的研究進展進行綜述。研究發現，第一，家庭能源消費屬于派生性需求，不同的時間利用方式會產生能源消費水平和結構上的差異，但現有研究較少從時間及活動鏈分析角度展開。第二，由于家庭預算及時間約束的存在，室內外能源消費行為密切相關，但少有研究對上述兩個城市生活部門的能源消費進行整體性分析核算。第三，基于活動的建模方法可以提供一種將居民室內外用能行為進行整合的分析框架。最后對今后該領域的研究開展進行了展望：第一，從活動分析和時間利用視角，建立自下而上的居民室內外用能活動仿真模型，在更小的時間和空間尺度模擬家庭能源需求，識別家庭能耗的主要來源、控制的重點人群、時段和區域，指導能源政策制定；第二，深入剖析能源回彈效應產生的決策機理，以及怎樣的政策或政策組合可以有效減少回彈；第三，將社會網絡分析引入居民生活能耗研究，更加全面理解影響家庭用能行為的機制，為家庭能源消費管理提供新思路。

關鍵詞 ：室內外能源消費；影響因素；核算方法；時間-能源綜合建模；空間-交通-能源綜合建模

中圖分類號：X24

文獻標識碼： A

文章編號： 1002-2104（2016）12-0117-08

近十年來中國城市消費領域能耗年增長率已達到7.4%， 超過中國總能耗量5.9%的年增長率[1]。從發達國家的歷史經驗來看，隨著中國逐漸完成工業化進程，其工業用能將呈現增速放緩甚至總量減少的趨勢，而居民生活及交通能源需求將隨著人民生活水平提高而穩步增長，最終呈現總量與比重逐漸增加的態勢。北京代表了中國較高的經濟發展水平，從北京近幾年各產業能源消費量的變化情況來看，總能耗的增長主要受到第三產業及生活能耗增長推動[2]。2012年，北京交通運輸業與生活能耗占北京市總能耗的比例近40%[2]。從居民消費端來看，居住和交通開支占總開支的比例近25%[3]，而能耗占消費活動總能耗的55%[4]。有研究預測隨著收入水平提高，交通和居住領域的環境壓力將會進一步增大，最明顯的是交通[4]。因此，本研究以家庭居住能耗（室內能耗）和交通能耗（室外能耗）作為主要研究對象，統稱為居民生活能耗，主要考察室內照明、取暖、炊事燒水、電器使用及室外交通出行等過程中的直接能源使用。通過對已有研究中影響因素識別、核算方法、時間-室內能源耦合模擬，及土地利用-交通-環境耦合模擬等關鍵問題進行綜述，發現現有研究中存在的不足，提出今后在居民用能行為及生活能耗領域開展理論及實證研究的必要性及需要重點解決的問題。

1 居民生活能源消費的影響因素

綜合已有研究結論，空間結構、由設備能效提高導致的回彈效應、社會網絡及個體和家庭屬性被認為會對家庭能源消費產生影響。此部分將逐一對上述四個方面的研究內容、研究方法、主要結論及存在的不足進行梳理。

1.1 空間因素

1.1.1 空間與家庭室內能耗

一般認為，使用維護階段的居家能耗會受到住區空間因素影響[5]。所處空間區位，比如地區地形、氣候條件影響室外溫度，進而影響取暖及空調使用；此外，城市基礎設施的空間分布也會影響用能行為[6]。住區的密度對住區碳排放也有一定影響，主要體現在空氣流動和可能產生的熱島效應[5]。

常用的分析方法包括相關性分析、工程分析-相關性分析混合方法。相關性分析主要基于大量歷史數據的統計和數學方程擬合，包括回歸分析，離散選擇等。比如，Boydell[6]等建立居住地選擇、能耗水平與個體社會經濟屬性之間的計量模型，預測悉尼2010—2030年居住及交通能耗的空間分布特征。Yu[7]等采用MNL-MDCEV模型，分析北京住區層面空間因素及建筑設計對家庭室內電器和私家車使用及能耗的影響；研究發現，風扇、微波爐及私家車使用對建成環境變化較為敏感，而空調、煤氣淋浴、個人電腦的使用對建成環境不敏感。工程方法為基于虛擬模型構建的模擬分析方法，如建筑能耗仿真模型，該方法在建筑節能領域有廣泛應用。部分研究綜合了工程分析及相關性分析方法，比如Chingcuanco[8]等在多智能體建模框架下，將ILUTE模型與家庭取暖設備及燃料選擇與使用模塊、傳統工程性建筑能耗預測模型（HOT 2000）整合，預測人口、住房市場演化下，家庭取暖能耗的變化情況。

1.1.2 空間與交通出行能耗

城市空間與交通出行的內在聯系一直是近年來相關研究試圖解決的重要問題。研究中涉及的空間形態變量包括宏觀、中觀和微觀三個層次。宏觀層次主要指城市形態、城市空間結構、土地使用密度及混合度等；在中觀交通分區及微觀住區尺度，通常采用的是城市建成環境“5D”指標，包括密度（Density）、混合度（Diversity）、街區設計（Design）、目的地可達性（Destination Accessibility）及公共交通距離（Distance to Transit）[9-17]。

通常認為，城市空間結構決定了人口、就業及服務設施空間分布，對交通出行具有支配性影響[10-13]。土地使用密度對交通出行的影響是客觀且顯著存在的；提高土地使用密度使增加公共服務設施成為可能，同時使就業、居住、休閑娛樂等城市社會活動聚集在較小空間范圍內，減少機動交通出行需求；但也有學者指出土地使用密度對交通出行的影響微弱[11]。此外，已有大量研究表明居住地的土地混合使用與交通出行具有密切關系，其對交通出行的影響機制在于使得居民的城市社會活動需求在較小的空間范圍內得到滿足，從而減少遠距離小汽車出行[11]。城市的規模、密度和功能的分布對于城市的碳排放具有一定影響，但城市形態的碳排放的機制尚不清晰[5]。

在中微觀尺度，諸多學者從人行道或自行車道角度、某一空間尺度內的街區地塊規模及交叉口密度來表征街區設計因素，分析其對交通出行的影響[10-14]；采用空間區位表達目的地可達性，如距離市中心距離，認為其對交通出行具有直接影響[5，11，15-16]；此外，到公共交通站點的距離、停車設施可達性，也被認為直接影響居民交通出行決策行為[5，11，15-16]。

量化城市空間對交通出行的影響，宏觀尺度使用的主要方法是基于情景分析的模擬方法[10，12，17]。中微觀上主要采用對比性分析和相關性分析兩種分析框架。對比性分析研究比較不同街區形態的社區間居民家庭出行能耗的差異[18-19]。相關性分析借助數學分析模型，識別對交通出行及能耗產生影響的主要因素，使用的模型為衍生行為需求模型[5，11，14，16，18]及隨機效用模型[5，7，11，20]。

總體上，在城市空間與能源消費的研究領域，有關土地利用與交通能耗的研究較多，但由于城市空間在不同城市具有不同表現形式，加之研究方法、分析框架及理論模型的差異，產生了分析結果間的差異。相比之下，有關土地利用與居住能耗之間的研究未得到同等的重視。關于城市空間與居民室內外能源消費的相互關系仍需要進一步的理論及實證研究支撐。

1.2 回彈效應

能源消費的回彈效應是指能源效率的提高使得能源服務的有效價格降低，從而增加了能源服務的需求，進而部分或者全部抵消了預期能源效率提高所導致的能源消費的減少。

關于能源消費回彈效應的研究主要關注直接回彈效應，即某一用能終端能源效率的提高導致對該終端服務需求的增加；且大部分研究集中在室內取暖設備及私家車使用[21]。已有研究發現，中國內陸及香港地區私家車使用均存在顯著的直接回彈效應；內陸地區回彈效應水平在96%左右，而香港地區在45%左右[22-23]。Ouyang[24]等采用宏觀計量經濟分析方法，分析得到中國居民家庭能源使用的直接回彈效應為30%—50%。Yu[21]等以北京為例，采用Logit模型及資源分配模型模擬用能終端選擇和使用行為，發現空調、洗衣機、微波爐和私家車存在顯著的回彈效應；空調和小轎車的能效提高能夠減少家庭用能終端在使用環節的能耗。

總體上，學者們就“回彈效應”的客觀存在已達成共識，但對于其產生原因和強度仍存在一定分歧。此外，已有研究大部分采用計量經濟方法通過計算彈性來量化回彈效應，雖然可以對回彈效應的整體水平進行刻畫，但尚有一些關鍵問題有待解決，其中包括哪些區域、哪類人群、哪種設備或設備之間存在回彈，什么樣的決策過程會產生回彈，以及什么樣的政策可以有效減少回彈等。對于能源服務需求尚未飽和的發展中國家，回彈效應可能會更為顯著，開展能源回彈效應的研究更具有重要價值。

1.3 社會網絡

自20世紀50年代中期，學界便認識到個體在做出行為決策時會極大地受到其社會關系網中或與其處于同一地理區域內的其他個體行為的影響；這種影響主要通過信息共享、行為規范建立等途徑發揮作用[25-26]。目前，越來越多的學者開始關注社會網絡如何影響個體出行行為及用能決策。如，Pike[25]指出社會網絡會影響日常活動安排及交通需求的產生，因此在預測出行需求時需考慮社會網絡的影響；此外，社會網絡中個體的出行方式選擇也會相互影響。Siriwardena S[27]等以及Bale C.S.[28]等研究發現，個體社會關系網中其他成員的電動汽車所有情況會對個體電動汽車的選擇傾向產生積極影響。CHEN J[24]等通過實驗設計證實在樓房住戶關系網絡中共享能源消耗信息可以持續影響個體用能行為決策。

1.4 家庭和個體特征

家庭作為能源消費的基本單元，除了上述提到的宏觀因素，家庭及其成員的社會經濟屬性也會對居民能源消耗產生重要影響。其中，家庭收入水平被認為是最主要的因素之一，能源消費水平隨著收入水平提升而增加[20，29-30]。收入水平較高的家庭更傾向于購買空調、私家車等高耗能的產品，進而產生了能耗水平的差異[20]。Feng[30]等發現中國城市地區高收入水平家庭的年均能耗水平是低收入家庭的5.4倍。此外，能源消費結構也隨收入水平有所改變。收入水平越高的家庭，能源消費結構更加多樣化，且在食品方面能耗占比較低，而在文教娛樂、服裝、交通通信方面的能耗占比較高[30]。

家庭規模也被認為是影響家庭能耗水平的重要因素。由于規模經濟性的存在，家庭成員通過共享居住區域及家用電器，減少取暖、制冷及電器使用產生的能源需求[31]。Yu[20]等研究發現，受家庭可支配收入的限制，規模越大的家庭相比于規模較小的家庭更傾向于購買和使用更經濟實惠的產品（比如風扇），這類產品能耗強度一般也較低；而家庭規模對私家車使用的影響并不顯著。

隨著居住面積增加，家庭購買和使用的各類終端設備數均會增加（除了煤氣淋浴設備），私家車能耗水平也會顯著增加；居住年限會對室內電器的擁有和使用情況產生重要影響，但對私家車的使用沒有影響[20]。

此外，就業狀況、態度因素也可能對家庭能耗產生影響。家庭內部就業人數越多，由于通勤導致的能耗水平會提升，并且會以商品和服務的購買取代家庭生產活動，導致室外能耗水平高于就業人數較少的家庭；而在就業人數較少的家庭中，室內能耗水平可能較高[31]。態度因素也會影響家庭能耗水平。環境意識較高的個體使用高能耗設備（如，空調、私家車）的可能性相對較低[20]；居家能耗的上升與生活滿意度有密切的關系，但交通能耗與滿意度的關系則不明顯[5]。

2 居民生活能源消費核算

2.1 核算單元劃分

已有關于居民能源消費的研究中對核算單元的劃分方法不盡相同。大部分研究基于居民家庭消費開支調查中的消費類別劃分核算單元[4，30，32-33]。直接能源使用一般按照能源種類劃分為電力、熱力、燃料等[4，30，33]；或按照生活部門劃分為居住、交通等[32，34]。然而，這種劃分方法無法體現能源是如何滿足家庭各種消費活動的需求，難以有效識別家庭能源消費的主要來源。

家庭能源消費屬于派生性需求：比如，交通出行的需求及能耗滿足于人們上班、購物等活動需求；同樣，熱水可能被用于做飯、個人清潔等多種目的。因此，需要從能源消費支撐的服務功能角度分析家庭能源需求的產生。Druckman[35]等在研究中將消費支出類別、能源支出均折算至活動類型；例如，在食品能耗范疇中，包括了去超市購物的交通、做飯使用的燃氣和熱水及食品前端生產和超市日常經營的能耗。

2.2 核算方法

居民消費活動能源壓力核算主要包括基于生命周期評價（Life Cycle Analysis， LCA）和基于用能終端兩類核算方法。基于LCA的評價方法可分為基本投入產出法、投入產出家庭支出法、基于物理單元的LCA方法，投入產出過程分析法四類。前兩類方法能源消費系數均通過環境投入產出分析方法得到，不同的是基本投入產出法以國民經濟核算數據為基礎，而投入產出家庭支出法以家庭開支調查數據為基礎。考慮到收入水平高的家庭傾向于購買更貴的產品，基于消費開支的核算方法會高估價高產品的環境影響，由此提出基于物理單元的LCA方法；該方法基于家庭消費商品和服務的基本物理單元（比如，食品重量、人均行駛里程等），采用基于過程的LCA方法進行核算[34]。投入產出過程分析法分步測定家庭各消費項目的生命周期能源使用，產品生命周期內各個過程綜合使用基于物理單元和基于貨幣單元的核算方法[32]。

消費可以看作一種日常活動，居民消費商品或服務，同時伴隨一定時間的投入[36]。因此，人們每天如何分配和利用有限的時間會對消費活動的環境壓力產生重要影響[31]。減少消費活動的能源壓力，除了改變消費水平及消費結構的傳統思路，還可以從改變時間利用方式的新視角切入[37]。Druckman[37]等以及Jalas[36]等基于消費開支調查數據及環境投入產出分析方法，并結合個體時間分配調查數據，分別

估算了各活動類型

的單位時間能耗及溫室氣體排放強度。總體上，從活動及時間分配角度探討家庭能源消費的理論和實證研究均較少，也尚未形成統一的分析框架。

基于終端的核算方法中，居民生活用能按照終端用途一般被分為取暖、熱水使用、炊事、照明、家用電器使用及私家車使用六大類[20，38-39]。通常采用問卷調查或者入戶調查的方式，獲取家庭各項用能設備的技術參數、使用時間/頻率及家庭成員出行日志數據，采用自下而上的方式，從微觀個體用能行為的角度核算家庭室內外的直接能源消費[20，38]。

2.3 小結

國內外對于居民生活能耗的研究大部分基于統計數據或家庭消費開支調查數據，集中于從能源種類或生活部門角度探討家庭直接能源消費，無法體現能源是如何滿足家庭各種消費活動的需求。僅有少數基于活動單元或時間利用角度研究家庭直接用能行為，但對于如何劃分活動單元并核算能耗水平并沒有統一的研究框架，并且核算多基于國家層面的統計數據，對不同區域、家庭社會經濟屬性差異考慮不足。此外，核算方法普遍存在的局限是僅對樣本特征進行識別與分析，而未將這種規律性特征擴展至更大范圍的人口，因而無法滿足在區域、群體層面進行戰略管理的需求。

3 居民生活能源消費模擬

影響因素的識別為能源消費模擬提供了模型構建的依據。能源消費模擬通常基于時間利用和出行日志調查數據，從時間、空間和活動三個維度，對不同屬性集合的個體及家庭的能源消費活動進行模擬和評估，從而勾勒出家庭、社區和區域尺度居民生活用能的時空分布特征。此類研究較好體現了個體時間分配及活動安排對能源消費的影響，并可以服務于區域層面的管理需求；具體的應用包括基于時間利用的室內活動和能耗模擬，以及土地利用、交通與環境耦合建模兩方面。

3.1 時間-室內能耗耦合模擬

國外一些研究基于時間利用調查數據模擬家庭能源負荷，比如電力負荷；目的是進行能源系統優化，及需求端響應措施（比如，錯峰用電）的設計。建模思路涉及人口合成、活動計劃生成、用能設備使用計劃生成，及能源消費估算四個方面的主要問題（如圖1）。

個體及家庭活動計劃的生成多采用基于統計概率的隨機模擬方法[40-46]，依據選定的個體屬性特征（如，性別、職業狀態等），從時間利用調查樣本中為其抽取相匹配的活動計劃；其中應用最為廣泛的是馬爾科夫鏈方法（Markov-Chain technique）[41-42，44，46]。此外，也有研究基于預先設定的決策規則對個體用能活動進行模擬[47]。基于活動與用能設備使用固定對應關系的假定，進而得到設備使用的計劃；進一步根據設備使用時長及設備功率估計能源消費情況[40，43，46]。

大部分研究僅在典型或“均一化”個體或家庭層面驗證模擬效果、分析居民能源消費特征[40-41，44-47]；相比之下，人口合成方法，通過人為構建與研究區域人口數量和分布規律相匹配的模擬人口，以人口屬性特征為紐帶，進而可將由典型樣本得到的規律性特征擴展至區域層面[43]；這里應用較為廣泛的為模擬退火算法（Simulated Annealing），該算法被證明在不同的空間尺度均可較為準確地合成微觀空間數據[48-49]。

3.2 土地利用-交通-環境耦合模擬

城市土地利用決定了交通需求的產生，并對城市交通的演化產生影響；城市交通主要通過可達性對居民的活動地點選擇等產生影響，宏觀表現為影響土地利用布局[50]。上述土地利用和交通的互動反饋在微觀尺度涉及個體多維決策過程，包括居住和活動選址、活動計劃（方式、時段等）、出行決策、目的地選擇、模式選擇、路徑選擇等。目前的研究趨勢是建立基于活動的土地利用與交通聯合模擬模型，即通過對個體或家庭上述決策過程進行仿真，模擬地區土地利用變化、交通需求產生及交通流分配狀況。此外，也有研究將預測得到的交通流作為機動車排放及能耗核算模型的輸入，進一步評估土地利用及交通對環境的影響。出于這一研究目的開發的模型包括交通-土地利用模型（TRANUS）[13，51]，基于活動的交通-能源聯合模型（iTEAM）[52]，土地利用-交通聯合模擬模型（ILUMASS）[53]，土地利用-交通-環境聯合模型（ILUTE）[54]等。表1從研究對象、建模方法及建模依據三方面對當前的主要模型進行了比較。

土地利用與交通聯合建模方法通過對個體多維活動決策過程進行模擬，與城市能源需求密切相關；但該類方法較少應用于城市能源系統的研究，僅有的類似研究也局限于對交通能耗及排放情況進行模擬，而對建筑內能耗幾乎沒有涉及。基于活動的建模方法可以提供一種將居民室內外用能行為進行整合的分析框架[54]，在城市居民生活能耗研究領域有很好地應用價值。

3.3 小結

基于時間利用的家庭能源消費模擬通過對個體微觀用能活動進行刻畫，可以較好體現能源是如何滿足家庭各種消費活動的需求，從而幫助在個體層面進行節能潛力的挖掘和行為引導；此外，建模過程考慮了活動時間分配和活動方式的個體多樣性，可以用于人口數量和構成特征變化明顯的城市新區的生活能源需求預測，從而幫助指導城市新區合理人口規模和用地布局規劃。

然而，該領域仍存在一些尚待解決的問題，一方面是由于數據收集方式本身的局限性導致的。時間利用調查及出行日志調查的核心內容是調查日中居民一天24小時內所有與研究相關的活動與出行及其時空信息；通常采用問卷調查形式，被調查者依靠回憶或隨時記錄的方式填寫。這種調查方式主要依賴被調查者的記憶和填寫態度，主觀性較強，不可避免地會存在錯誤記錄及故意遺漏信息的情況，數據收集量、地理精度也難以保障[55-56]。此外，活動的細化與調查成本的權衡，導致一些活動的描述無法直

接與用能設備建立聯系，比如烹飪活動；基于個體的調查數據也無法體現家庭的共享活動。時間利用調查數據直接用于能耗估計仍存在一定誤差。

另一方面，目前的研究中，城市居民生活能源消費各部門（如，室內居住、交通出行等）多被視為獨立系統而分別進行研究。Yu[5]等提出由于家庭收入及個體時間約束的存在，室內外用能行為之間存在相互聯系；并通過實證研究證實了這種聯系的存在。陳梓烽[12]等通過對北京居

民非工作時間分配的研究，也發現了室內外各活動間的替代關系，即居民工作日的工作或通勤時間的減少，將釋放居民工作日的室內非工作活動需求，因此僅會增加較小的出行需求，但卻可能帶來室內能耗水平的上升。因此，以往僅僅關注單一部門的研究以及管理思路，通常忽略了上述內在聯系的存在，在應對復雜城市系統的能源問題時顯得不足。

4 結論及展望

生活能源需求的產生涉及個體多維決策問題，長時間尺度的決策問題包括居住地和工作地的選擇，中尺度時間決策包括機動車購買和家電購買決策，短期決策包括活動場所的選擇、活動時段的選擇、出行方式選擇、車輛使用及家電使用等。城市空間因素、技術效率提升導致的回彈效應、社會網絡及家庭和個體社會經濟屬性均會對上述決策行為產生影響，進而影響居民生活能耗水平。

目前關于居民生活能源消費的研究集中于從能源種類或較高層次的用能終端角度探討家庭直接能源消費，無法體現能源是如何滿足家庭各種消費活動的需求。家庭能源消費屬于派生性的需求，不同的時間分配及利用方式產生了家庭及個體間能源消費水平和結構的差異，然而較少研究從活動分析和時間利用的角度切入。由于家庭預算約束及個體時間約束的存在，家庭室內外能源使用行為相互關聯，而目前將家庭室內外用能行為置于統一分析框架的研究較少。

未來對于城市居民生活能源消費的研究可從以下幾方面入手：①借鑒基于活動的建模方法，從活動分析和時間利用視角，建立自下而上的居民室內外用能活動仿真模型，在更小的時間和空間尺度模擬家庭能源需求，識別家庭能耗的主要來源、控制的重點人群、時段和區域，幫助指導能源政策制定；②深入剖析能源回彈效應產生的決策機理，以及怎樣的政策或政策組合可以有效減少回彈；③將社會網絡分析引入居民生活能耗研究，更加全面理解影響家庭用能行為的機制，為家庭能源消費管理提供新思路。個體的活動方式具有多樣性、復雜性，試圖對個體活動的能源需求進行模擬和量化將面臨巨大的挑戰，這種挑戰主要來自微觀尺度個體室內外用能活動匹配數據的稀缺。對個體室內外用能活動進行模擬至少需要個體社會經濟屬性、時間利用數據、用能終端使用數據及交通出行日志調查數據四大類的數據，而據筆者了解，中國僅于2008年開展過一次全國尺度的時間利用調查；北京市于1986年開始每隔5年進行一次全市交通綜合調查；中國人民大學能源經濟系分別于2012—2013年（城鄉）及2014—2015年（農村）開展過全國尺度家庭能源消費調查等。總體上，中國目前并沒有開展國家尺度權威的居民生活用能和時間利用調查，已有調查數據的可得性及匹配性也制約了數據的有效利用。然而，另一方面，智能電表、能源傳感器[42]和基于地圖的GPS數據[55，57]、基于LBS的手機移動數據[58-59]，以及社交網絡數據[60]正在為我們帶來更多元化的個體實時時空行為數據信息；將其與傳統社會調查方法相結合，多元數據相互融合，將會在一定程度上彌補數據的稀缺性，使研究更加科學化、精細化。

（編輯：李 琪）

參考文獻（References）

[1]中國環境與發展國際合作委員會.城市發展的能源效率政策—建筑和交通部門[R].2009.[CCICED. Energy efficiency policies for urban development[R]. 2009.]

[2]北京市統計局.北京統計年鑒[M].北京： 中國統計出版社， 2014.[Beijing Statistical Bureau. Beijing statistical yearbook[M]. Beijing： China Statistics Press，2014.]

[3]中華人民共和國統計局.中國統計年鑒[M].北京： 中國統計出版社， 2014.[National Statistical Bureau of China. China statistical yearbook[M]. Beijing： China Statistics Press，2014.]

[4]ARVESEN A， LIU J， HERTWICH E G. Energy cost of living and associated pollution for Beijing residents[J]. Journal of industrial ecology， 2010，14（6）：890-901.

[5]謝進宇.基于離散模型的住區能耗與規劃研究[D]. 北京： 清華大學， 2012.[XIE Jinyu. Research on energy consumption and planning of neighborhood based on discrete model analysis[D]. Beijing： Tsinghua University，2012.]

[6]BOYDELL S， GIURCO D， RICKWOOD P， et al. Using an integrated assessment model for urban development to respond to climate change in cities[R]. Energy efficient cities： assessment tools and benchmarking practices， 2010：65-91.

[7]FUJIWARA A， ZHANG J， YU B， et al. Integrated analysis of household energy behavior across the residential and transport sectors[M]// FUJIWARA A， ZHANG J. Sustainable transport studies in Asia. German： Springer， 2013：211-235.

[8]CHINGCUANCO F， MILLER E J. A microsimulation model of urban energy use： modelling residential space heating demand in ILUTE[J]. Computers， environment and urban systems， 2012，36（2）：186-194.

[9]金鳳君.功效空間組織機理與空間福利研究[M].北京： 科學出版社， 2013.[JIN Fengjun. Study on the mechanism and welfare of the functional spaces[M]. Beijing： Science Press，2013.]

[10]龍瀛， 毛其智， 楊東峰， 等.城市形態、交通能耗和環境影響集成的多智能體模型[J].地理學報，2011（8）：1033-1044. [LONG Ying， MAO Qizhi， YANG Dongfeng， et al. A multiagent model for urban form， transportation energy consumption and environmental impact integrated simulation[J]. Acta geographica sinica，2011（8）：1033-1044.]

[11]丁川.考慮空間異質性的城市建成環境對交通出行的影響研究[D]. 哈爾濱： 哈爾濱工業大學， 2014.[DING Chuan. Research on impacts of urban built environment on travel accounting for spatial heterogeneity[D]. Harbin： Harbin Institute of Technology，2014.]

[12]何嘉耀， 葉楨翔.基于多智能體系統的單元城市交通需求特性研究[J].華東交通大學學報，2013（3）：5-11. [HE Jiayao， YE Zhenxiang. The travel demand of unit city based on multiagent system[J]. Journal of East China Jiaotong University，2013（3）：5-11.]

[13]ZHOU J， LIN J， CUI S， et al. Exploring the relationship between urban transportation energy consumption and transition of settlement morphology： a case study on Xiamen Island， China[J]. Habitat international， 2013，37：70-79.

[14]楊陽.濟南市住區建成環境與家庭出行能耗關系的量化研究[D]. 北京： 清華大學， 2013.[YANG Yang. A research on neighborhood built environment and household travel energy consumption in Jinan[D]. Beijing： Tsinghua University，2013.]

[15]柴彥威， 肖作鵬， 劉志林.基于空間行為約束的北京市居民家庭日常出行碳排放的比較分析[J].地理科學，2011（7）：843-849. [CHAI Yanwei， XIAO Zuopeng， LIU Zhilin. Comparative analysis on CO₂ emission per household in daily travel based on spatial behavior constraints[J]. Scientia geographica sinica，2011（7）：843-849.]

[16]肖作鵬， 柴彥威， 劉志林.北京市居民家庭日常出行碳排放的量化分布與影響因素[J].城市發展研究，2011（9）：104-112. [XIAO Zuopeng， CHAI Yanwei， LIU Zhilin. Quantitative distribution and related factors for household daily travel CO₂emissions in Beijing[J]. Urban studies，2011（9）：104-112.]

[17]HANKEY S， MARSHALL J D. Impacts of urban form on future us passengervehicle greenhouse gas emissions[J]. Energy policy， 2010，38（9）：4880-4887.

[18]柴彥威， 肖作鵬， 劉志林.居民家庭日常出行碳排放的發生機制與調控策略——以北京市為例[J].地理研究，2012（2）：334-344. [CHAI Yanwei， XIAO Zuopeng， LIU Zhilin. Lowcarbon optimization strategies based on CO₂ emission mechanism of household daily travels： a case study of Beijing[J]. Geographical research，2012（2）：334-344.]

[19]郭佳星， 田永英， 姜洋， 等.不同街區形態居民交通能耗和CO₂排放特征研究[J].建設科技，2014（15）：34-39. [GUO Jiaxing， TIAN Yongying， JIANG Yang， et al. Transport energy consumption and CO₂ emission characteristics of residents from different districts[J]. Construction science and technology，2014（15）：34-39.]

[20]YU B， ZHANG J， FUJIWARA A. Representing inhome and outofhome energy consumption behavior in Beijing[J]. Energy policy， 2011，39（7）：4168-4177.

[21]YU B， ZHANG J， FUJIWARA A. Evaluating the direct and indirect rebound effects in household energy consumption behavior： a case study of Beijing[J]. Energy policy， 2013，57：441-453.

[22]WANG H， ZHOU P， ZHOU D Q. An empirical study of direct rebound effect for passenger transport in urban china[J]. Energy economics， 2012，34（2）：452-460.

[23]WANG H， ZHOU D Q， ZHOU P， et al. Direct rebound effect for passenger transport： empirical evidence from Hong Kong[J]. Applied energy， 2012，92：162-167.

[24]OUYANG J， LONG E， HOKAO K. Rebound effect in Chinese household energy efficiency and solution for mitigating it[J]. Energy， 2010，35（12）：5269-5276.

[25]PIKE S. Travel mode choice and social and spatial reference groups[J]. Transportation research record： journal of the Transportation Research Board， 2014，2412：75-81.

[26]CHEN J， TAYLOR J E， WEI H. Modeling building occupant network energy consumption decisionmaking： the interplay between network structure and conservation[J]. Energy and buildings， 2012，47：515-524.

[27]SIRIWARDENA S， HUNT G， TEISL M F， et al. Effective environmental marketing of green cars： a nestedlogit approach[J]. transportation research part D： transport and environment， 2012，17（3）：237-242.

[28]BALE C S， MCCULLEN N J， FOXON T J， et al. Harnessing social networks for promoting adoption of energy technologies in the domestic sector[J]. Energy policy， 2013（63）：833-844.

[29]BCHS M， SCHNEPF S V. Who emits most？ Associations between socioeconomic factors and UK households home energy， transport， indirect and total CO₂emissions[J]. Ecological economics， 2013，90：114-123.

[30]FENG Z， ZOU L， WEI Y. The impact of household consumption on energy use and CO₂ emissions in china[J]. Energy， 2011，36（1）：656-670.

[31]CLIFT R， DRUCKMAN A， DRUCKMAN A， et al. Understanding households as drivers of carbon emissions[M]// Taking stock of industrial ecology. Springer International Publishing， 2016：181-203.

[32]BENDERS R M J， MOLL H C， NIJDAM D S. From energy to environmental analysis[J]. Journal of industrial ecology， 2012，16（2）：163-175.

[33]DRUCKMAN A， JACKSON T. Household energy consumption in the UK： a highly geographically and socioeconomically disaggregated model[J]. Energy policy， 2008，36（8）：3177-3192.

[34]GIROD B， De HAAN P. More or better？ A model for changes in household greenhouse gas emissions due to higher income[J]. Journal of industrial ecology， 2010，14（1）：31-49.

[35]DRUCKMAN A B I H B. Carbon and time： a study of the carbon implications of British adults use of time[Z]. Resolve， 2012： 12.

[36]JALAS M， JUNTUNEN J K. Energy intensive lifestyles： time use， the activity patterns of consumers， and related energy demands in Finland[J]. Ecological economics， 2015，113：51-59.

[37]DRUCKMAN A， BUCK I， HAYWARD B， et al. Time， gender and carbon： a study of the carbon implications of British adults use of time[J]. Ecological economics， 2012，84：153-163.

[38]鄭新業.中國家庭能源消費研究報告（2014）[M].北京： 科學出版社， 2015.[ZHENG Xinye. Chinese Households Energy Consumption Research Report （2014） [M]. Beijing： Science Press，2015.]

[39]清華大學建筑節能研究中心.中國建筑節能年度發展研究報告（2013）[M].北京： 中國建筑工業出版社， 2013.[Building Energy Conservation Research Center， Tsinghua University. China building energy conservation annual research report （2013） [M]. Beijing： China Architecture & Building Press，2013.]

[40]CHIOU Y， CARLEY K M， DAVIDSON C I， et al. A high spatial resolution residential energy model based on American time use survey data and the bootstrap sampling method[J]. Energy and buildings， 2011，43（12）：3528-3538.

[41]BRANDON J J， MICHEAL R， STARKE O. A method for modeling household occupant behavior to simulate residential energy consumption[C]// Innovative Smart Grid Technologies Conference （ISGT）， IEEE PES， 2014：1-5.

[42]TORRITI J. A review of time use models of residential electricity demand[J]. Renewable and sustainable energy reviews， 2014，37：265-272.

[43]RAJESH S， KRISTIAN LUM ACHLA M. Activity based energy demand modeling for residential buildings[C]// Innovative Smart Grid Technologies （ISGT）， IEEE PES， 2013：1-6.

[44]WILKE U， HALDI F， SCARTEZZINI J， et al. A bottomup stochastic model to predict building occupants timedependent activities[J]. Building and environment， 2013，60：254-264.

[45]RICHARDSON I， THOMSON M， INFIELD D. A highresolution domestic building occupancy model for energy demand simulations[J]. Energy and buildings， 2008，40（8）：1560-1566.

[46]MURATORI M， ROBERTS M C， SIOSHANSI R， et al. A highly resolved modeling technique to simulate residential power demand[J]. Applied energy， 2013，107：465-473.

[47]AMOUROUX E， HARADJI Y， HURAUX T， et al. Simulating human activities to investigate household energy consumption[C]// ICAART，2013：71-80.

[48]MA J， HEPPENSTALL A， HARLAND K， et al. Synthesizing carbon emission for megacities： a static spatial microsimulation of transport CO₂ from urban travel in Beijing[J]. Computers， environment and urban systems， 2014，45：78-88.

[49]MA J， MITCHELL G， HEPPENSTALL A. Exploring transport carbon futures using population microsimulation and travel diaries： Beijing to 2030[J]. Transportation research part D： transport and environment， 2015，37：108-122.

[50]諸葛承祥.基于自組織理論的城市交通和土地利用動態演化機理研究[D]. 北京： 北京交通大學， 2014.[ZHUGE Chengxiang. Dynamic evolution mechanism of urban transportland use based on selforganizing theory[D]. Beijing： Beijing Jiaotong University，2014.]

[51]LEFVRE B. Longterm energy consumptions of urban transportation： a prospective simulation of ‘transportland uses policies in Bangalore[J]. Energy policy， 2009，37（3）：940-953.

[52]GHAUCHE A. Integrated transportation and energy activitybased model[D]. Massachusetts Institute of Technology， 2010.

[53]WAGNER P W M. Urban land use， transport and environment models： experiences with an integrated microscopic approach[J]. DisPthe planning review， 2007，170（43）：45-56.

[54]KEIRSTEAD J， JENNINGS M， SIVAKUMAR A. A review of urban energy system models： approaches， challenges and opportunities[J]. Renewable and sustainable energy reviews， 2012，16（6）：3847-3866.

[55]柴彥威， 申悅， 馬修軍， 等.北京居民活動與出行行為時空數據采集與管理[J].地理研究，2013（3）：441-451. [CHAI Yanwei， SHEN Yue， MA Xiujun， et al. The collection and management of spacetime data of individual behavior based on locationbased technologies： A case study of activitytravel survey in Beijing[J]. Geographical research，2013，（3）：441-451.]

[56]柴彥威， 趙瑩， 馬修軍， 等.基于移動定位的行為數據采集與地理應用研究[J].地域研究與開發，2010（6）：1-7. [CHAI Yanwei， ZHAO Ying， MA Xiujun， et al.

Mobile positioning method for spatialtemporal behavioral data collection and its geographical applications[J].Areal research and development，2010（6）：1-7.]

[57]ZHANG F， YUAN N J， WILKIE D， et al. Sensing the pulse of urban refueling behavior： a perspective from taxi mobility[J]. ACM transactions on intelligent systems and technology， 2016，6（3）：1-24.

[58]RATTI C， PULSELLI R M， WILLIAMS S， et al. Mobile landscapes： using location data from cell phones for urban analysis[J]. Environment and planning B： planning and design， 2006，33（5）：727-748.

[59]KANG C， GAO S， LIN X， et al. Analyzing and geovisualizing individual human mobility patterns using mobile call records[C]// 2010 18th International Conference on Geoinformatics，IEEE， 2010：1-7.

[60]ZHONG Y， YUAN N J， ZHONG W， et al. You are where you go： inferring demographic attributes from location checkins[C]// Proceedings of the Eighth ACM International Conference on Web Search and Data Mining，ACM2， 2015：295-304.

Abstract Over the last decade， the growth rate of urban Chinas domestic energy consumption has reached 7.4%， more than that of Chinas total energy consumption， which is 5.9%. It is believed that， with industrial reconstruction and revolution， household energy demand will represent an even more influential proportion of Chinas total energy consumption. Urban household energy consumption has attracted increasing attention in recent years. This article， focusing on household direct

indoor and outdoor energy consumption， reviews most recent progresses in this field， including identification of influential factors， accounting domestic energy footprints， realtime domestic energy modelling and integrated land usetransportenergy modelling. An examination of current practices reveals that， firstly， household energy consumption represents derived demand. Different ways of allocating time can result in varieties of the amount and structure of energy consumption. However， little relevant literature to date has examined from the perspective of activity schedule and time allocation. Secondly， due to the existence of financial budget and time constraint， indoor and outdoor energy consuming activities are highly correlated. However， little has been done in the integrated analysis of these two domestic sectors. Thirdly， this article highlights the feasibility of using activitybased modelling as an integrated analysis framework. This article ends with three potential directions for future discussion： ①constructing a bottomup activitybased domestic energy demand model for urban households， at a higher temporal and spatial resolution， in order to serve as a supplementary tool for governors to identify the subpopulation， time periods and regions in need of special control； ②examining the decisionmaking mechanism behind energy rebound effect， and preliminarily designing effective tools to reduce such effect； ③integrating social network into the accounting model， in order to have a more thorough and accurate understanding of household energy consuming features.

Key words indoor and outdoor energy consumption； influential factors； accounting method； time useenergy modelling； land usetransportenergy integrated modelling