城市居民生活能源消费研究进展综述

崔一澜　刘毅　诸葛承祥

摘要：近十年来中国城市消费领域能耗年增长率已达到 7.4%， 超过中国总能耗量5.9%的年增长率。随着中国逐渐完成工业化进程，其工业用能将呈现增速放缓甚至总量减少的趋势，而居民生活及交通能源需求将随着人民生活水平提高而稳步增长，最终呈现总量与比重逐渐增加的态势。城市居民活动与其能源消费的定量化分析已成为当前多学科的研究热点。本文以家庭室内和室外直接能源消费作为研究对象，对城市居民生活能耗的影响因素、能源足迹核算方法、时间-室内能耗模拟，及空间-交通-能源耦合模拟等关键问题的研究进展进行综述。研究发现，第一，家庭能源消费属于派生性需求，不同的时间利用方式会产生能源消费水平和结构上的差异，但现有研究较少从时间及活动链分析角度展开。第二，由于家庭预算及时间约束的存在，室内外能源消费行为密切相关，但少有研究对上述两个城市生活部门的能源消费进行整体性分析核算。第三，基于活动的建模方法可以提供一种将居民室内外用能行为进行整合的分析框架。最后对今后该领域的研究开展进行了展望：第一，从活动分析和时间利用视角，建立自下而上的居民室内外用能活动仿真模型，在更小的时间和空间尺度模拟家庭能源需求，识别家庭能耗的主要来源、控制的重点人群、时段和区域，指导能源政策制定；第二，深入剖析能源回弹效应产生的决策机理，以及怎样的政策或政策组合可以有效减少回弹；第三，将社会网络分析引入居民生活能耗研究，更加全面理解影响家庭用能行为的机制，为家庭能源消费管理提供新思路。

关键词 ：室内外能源消费；影响因素；核算方法；时间-能源综合建模；空间-交通-能源综合建模

中图分类号：X24

文献标识码： A

文章编号： 1002-2104（2016）12-0117-08

近十年来中国城市消费领域能耗年增长率已达到7.4%， 超过中国总能耗量5.9%的年增长率[1]。从发达国家的历史经验来看，随着中国逐渐完成工业化进程，其工业用能将呈现增速放缓甚至总量减少的趋势，而居民生活及交通能源需求将随着人民生活水平提高而稳步增长，最终呈现总量与比重逐渐增加的态势。北京代表了中国较高的经济发展水平，从北京近几年各产业能源消费量的变化情况来看，总能耗的增长主要受到第三产业及生活能耗增长推动[2]。2012年，北京交通运输业与生活能耗占北京市总能耗的比例近40%[2]。从居民消费端来看，居住和交通开支占总开支的比例近25%[3]，而能耗占消费活动总能耗的55%[4]。有研究预测随着收入水平提高，交通和居住领域的环境压力将会进一步增大，最明显的是交通[4]。因此，本研究以家庭居住能耗（室内能耗）和交通能耗（室外能耗）作为主要研究对象，统称为居民生活能耗，主要考察室内照明、取暖、炊事烧水、電器使用及室外交通出行等过程中的直接能源使用。通过对已有研究中影响因素识别、核算方法、时间-室内能源耦合模拟，及土地利用-交通-环境耦合模拟等关键问题进行综述，发现现有研究中存在的不足，提出今后在居民用能行为及生活能耗领域开展理论及实证研究的必要性及需要重点解决的问题。

1 居民生活能源消费的影响因素

综合已有研究结论，空间结构、由设备能效提高导致的回弹效应、社会网络及个体和家庭属性被认为会对家庭能源消费产生影响。此部分将逐一对上述四个方面的研究内容、研究方法、主要结论及存在的不足进行梳理。

1.1 空间因素

1.1.1 空间与家庭室内能耗

一般认为，使用维护阶段的居家能耗会受到住区空间因素影响[5]。所处空间区位，比如地区地形、气候条件影响室外温度，进而影响取暖及空调使用；此外，城市基础设施的空间分布也会影响用能行为[6]。住区的密度对住区碳排放也有一定影响，主要体现在空气流动和可能产生的热岛效应[5]。

常用的分析方法包括相关性分析、工程分析-相关性分析混合方法。相关性分析主要基于大量历史数据的统计和数学方程拟合，包括回归分析，离散选择等。比如，Boydell[6]等建立居住地选择、能耗水平与个体社会经济属性之间的计量模型，预测悉尼2010—2030年居住及交通能耗的空间分布特征。Yu[7]等采用MNL-MDCEV模型，分析北京住区层面空间因素及建筑设计对家庭室内电器和私家车使用及能耗的影响；研究发现，风扇、微波炉及私家车使用对建成环境变化较为敏感，而空调、煤气淋浴、个人电脑的使用对建成环境不敏感。工程方法为基于虚拟模型构建的模拟分析方法，如建筑能耗仿真模型，该方法在建筑节能领域有广泛应用。部分研究综合了工程分析及相关性分析方法，比如Chingcuanco[8]等在多智能体建模框架下，将ILUTE模型与家庭取暖设备及燃料选择与使用模块、传统工程性建筑能耗预测模型（HOT 2000）整合，预测人口、住房市场演化下，家庭取暖能耗的变化情况。

1.1.2 空间与交通出行能耗

城市空间与交通出行的内在联系一直是近年来相关研究试图解决的重要问题。研究中涉及的空间形态变量包括宏观、中观和微观三个层次。宏观层次主要指城市形态、城市空间结构、土地使用密度及混合度等；在中观交通分区及微观住区尺度，通常采用的是城市建成环境“5D”指标，包括密度（Density）、混合度（Diversity）、街区设计（Design）、目的地可达性（Destination Accessibility）及公共交通距离（Distance to Transit）[9-17]。

通常认为，城市空间结构决定了人口、就业及服务设施空间分布，对交通出行具有支配性影响[10-13]。土地使用密度对交通出行的影响是客观且显著存在的；提高土地使用密度使增加公共服务设施成为可能，同时使就业、居住、休闲娱乐等城市社会活动聚集在较小空间范围内，减少机动交通出行需求；但也有学者指出土地使用密度对交通出行的影响微弱[11]。此外，已有大量研究表明居住地的土地混合使用与交通出行具有密切关系，其对交通出行的影响机制在于使得居民的城市社会活动需求在较小的空间范围内得到满足，从而减少远距离小汽车出行[11]。城市的规模、密度和功能的分布对于城市的碳排放具有一定影响，但城市形态的碳排放的机制尚不清晰[5]。

在中微观尺度，诸多学者从人行道或自行车道角度、某一空间尺度内的街区地块规模及交叉口密度来表征街区设计因素，分析其对交通出行的影响[10-14]；采用空间区位表达目的地可达性，如距离市中心距离，认为其对交通出行具有直接影响[5，11，15-16]；此外，到公共交通站点的距离、停车设施可达性，也被认为直接影响居民交通出行决策行为[5，11，15-16]。

量化城市空间对交通出行的影响，宏观尺度使用的主要方法是基于情景分析的模拟方法[10，12，17]。中微观上主要采用对比性分析和相关性分析两种分析框架。对比性分析研究比较不同街区形态的社区间居民家庭出行能耗的差异[18-19]。相关性分析借助数学分析模型，识别对交通出行及能耗产生影响的主要因素，使用的模型为衍生行为需求模型[5，11，14，16，18]及随机效用模型[5，7，11，20]。

总体上，在城市空间与能源消费的研究领域，有关土地利用与交通能耗的研究较多，但由于城市空间在不同城市具有不同表现形式，加之研究方法、分析框架及理论模型的差异，产生了分析结果间的差异。相比之下，有关土地利用与居住能耗之间的研究未得到同等的重视。关于城市空间与居民室内外能源消费的相互关系仍需要进一步的理论及实证研究支撑。

1.2 回弹效应

能源消费的回弹效应是指能源效率的提高使得能源服务的有效价格降低，从而增加了能源服务的需求，进而部分或者全部抵消了预期能源效率提高所导致的能源消费的减少。

关于能源消费回弹效应的研究主要关注直接回弹效应，即某一用能终端能源效率的提高导致对该终端服务需求的增加；且大部分研究集中在室内取暖设备及私家车使用[21]。已有研究发现，中国内陆及香港地区私家车使用均存在显著的直接回弹效应；内陆地区回弹效应水平在96%左右，而香港地区在45%左右[22-23]。Ouyang[24]等采用宏观计量经济分析方法，分析得到中国居民家庭能源使用的直接回弹效应为30%—50%。Yu[21]等以北京为例，采用Logit模型及资源分配模型模拟用能终端选择和使用行为，发现空调、洗衣机、微波炉和私家车存在显著的回弹效应；空调和小轿车的能效提高能够减少家庭用能终端在使用环节的能耗。

总体上，学者们就“回弹效应”的客观存在已达成共识，但对于其产生原因和强度仍存在一定分歧。此外，已有研究大部分采用计量经济方法通过计算弹性来量化回弹效应，虽然可以对回弹效应的整体水平进行刻画，但尚有一些关键问题有待解决，其中包括哪些区域、哪类人群、哪种设备或设备之间存在回弹，什么样的决策过程会产生回弹，以及什么样的政策可以有效减少回弹等。对于能源服务需求尚未饱和的发展中国家，回彈效应可能会更为显著，开展能源回弹效应的研究更具有重要价值。

1.3 社会网络

自20世纪50年代中期，学界便认识到个体在做出行为决策时会极大地受到其社会关系网中或与其处于同一地理区域内的其他个体行为的影响；这种影响主要通过信息共享、行为规范建立等途径发挥作用[25-26]。目前，越来越多的学者开始关注社会网络如何影响个体出行行为及用能决策。如，Pike[25]指出社会网络会影响日常活动安排及交通需求的产生，因此在预测出行需求时需考虑社会网络的影响；此外，社会网络中个体的出行方式选择也会相互影响。Siriwardena S[27]等以及Bale C.S.[28]等研究发现，个体社会关系网中其他成员的电动汽车所有情况会对个体电动汽车的选择倾向产生积极影响。CHEN J[24]等通过实验设计证实在楼房住户关系网络中共享能源消耗信息可以持续影响个体用能行为决策。

1.4 家庭和个体特征

家庭作为能源消费的基本单元，除了上述提到的宏观因素，家庭及其成员的社会经济属性也会对居民能源消耗产生重要影响。其中，家庭收入水平被认为是最主要的因素之一，能源消费水平随着收入水平提升而增加[20，29-30]。收入水平较高的家庭更倾向于购买空调、私家车等高耗能的产品，进而产生了能耗水平的差异[20]。Feng[30]等发现中国城市地区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，能源消费结构也随收入水平有所改变。收入水平越高的家庭，能源消费结构更加多样化，且在食品方面能耗占比较低，而在文教娱乐、服装、交通通信方面的能耗占比较高[30]。

家庭规模也被认为是影响家庭能耗水平的重要因素。由于规模经济性的存在，家庭成员通过共享居住区域及家用电器，减少取暖、制冷及电器使用产生的能源需求[31]。Yu[20]等研究发现，受家庭可支配收入的限制，规模越大的家庭相比于规模较小的家庭更倾向于购买和使用更经济实惠的产品（比如风扇），这类产品能耗强度一般也较低；而家庭规模对私家车使用的影响并不显著。

随着居住面积增加，家庭购买和使用的各类终端设备数均会增加（除了煤气淋浴设备），私家车能耗水平也会显著增加；居住年限会对室内电器的拥有和使用情况产生重要影响，但对私家车的使用没有影响[20]。

此外，就业状况、态度因素也可能对家庭能耗产生影响。家庭内部就业人数越多，由于通勤导致的能耗水平会提升，并且会以商品和服务的购买取代家庭生产活动，导致室外能耗水平高于就业人数较少的家庭；而在就业人数较少的家庭中，室内能耗水平可能较高[31]。态度因素也会影响家庭能耗水平。环境意识较高的个体使用高能耗设备（如，空调、私家车）的可能性相对较低[20]；居家能耗的上升与生活满意度有密切的关系，但交通能耗与满意度的关系则不明显[5]。

2 居民生活能源消费核算

2.1 核算单元划分

已有关于居民能源消费的研究中对核算单元的划分方法不尽相同。大部分研究基于居民家庭消费开支调查中的消费类别划分核算单元[4，30，32-33]。直接能源使用一般按照能源种类划分为电力、热力、燃料等[4，30，33]；或按照生活部门划分为居住、交通等[32，34]。然而，这种划分方法无法体现能源是如何满足家庭各种消费活动的需求，难以有效识别家庭能源消费的主要来源。

家庭能源消费属于派生性需求：比如，交通出行的需求及能耗满足于人们上班、购物等活动需求；同样，热水可能被用于做饭、个人清洁等多种目的。因此，需要从能源消费支撑的服务功能角度分析家庭能源需求的产生。Druckman[35]等在研究中将消费支出类别、能源支出均折算至活动类型；例如，在食品能耗范畴中，包括了去超市购物的交通、做饭使用的燃气和热水及食品前端生产和超市日常经营的能耗。

2.2 核算方法

居民消费活动能源压力核算主要包括基于生命周期评价（Life Cycle Analysis， LCA）和基于用能终端两类核算方法。基于LCA的评价方法可分为基本投入产出法、投入产出家庭支出法、基于物理单元的LCA方法，投入产出过程分析法四类。前两类方法能源消费系数均通过环境投入产出分析方法得到，不同的是基本投入产出法以国民经济核算数据为基础，而投入产出家庭支出法以家庭开支调查数据为基础。考虑到收入水平高的家庭倾向于购买更贵的产品，基于消费开支的核算方法会高估价高产品的环境影响，由此提出基于物理单元的LCA方法；该方法基于家庭消费商品和服务的基本物理单元（比如，食品重量、人均行驶里程等），采用基于过程的LCA方法进行核算[34]。投入产出过程分析法分步测定家庭各消费项目的生命周期能源使用，产品生命周期内各个过程综合使用基于物理单元和基于货币单元的核算方法[32]。

消费可以看作一种日常活动，居民消费商品或服务，同时伴随一定时间的投入[36]。因此，人们每天如何分配和利用有限的时间会对消费活动的环境压力产生重要影响[31]。减少消费活动的能源压力，除了改变消费水平及消费结构的传统思路，还可以从改变时间利用方式的新视角切入[37]。Druckman[37]等以及Jalas[36]等基于消費开支调查数据及环境投入产出分析方法，并结合个体时间分配调查数据，分别

估算了各活动类型

的单位时间能耗及温室气体排放强度。总体上，从活动及时间分配角度探讨家庭能源消费的理论和实证研究均较少，也尚未形成统一的分析框架。

基于终端的核算方法中，居民生活用能按照终端用途一般被分为取暖、热水使用、炊事、照明、家用电器使用及私家车使用六大类[20，38-39]。通常采用问卷调查或者入户调查的方式，获取家庭各项用能设备的技术参数、使用时间/频率及家庭成员出行日志数据，采用自下而上的方式，从微观个体用能行为的角度核算家庭室内外的直接能源消费[20，38]。

2.3 小结

国内外对于居民生活能耗的研究大部分基于统计数据或家庭消费开支调查数据，集中于从能源种类或生活部门角度探讨家庭直接能源消费，无法体现能源是如何满足家庭各种消费活动的需求。仅有少数基于活动单元或时间利用角度研究家庭直接用能行为，但对于如何划分活动单元并核算能耗水平并没有统一的研究框架，并且核算多基于国家层面的统计数据，对不同区域、家庭社会经济属性差异考虑不足。此外，核算方法普遍存在的局限是仅对样本特征进行识别与分析，而未将这种规律性特征扩展至更大范围的人口，因而无法满足在区域、群体层面进行战略管理的需求。

3 居民生活能源消费模拟

影响因素的识别为能源消费模拟提供了模型构建的依据。能源消费模拟通常基于时间利用和出行日志调查数据，从时间、空间和活动三个维度，对不同属性集合的个体及家庭的能源消费活动进行模拟和评估，从而勾勒出家庭、社区和区域尺度居民生活用能的时空分布特征。此类研究较好体现了个体时间分配及活动安排对能源消费的影响，并可以服务于区域层面的管理需求；具体的应用包括基于时间利用的室内活动和能耗模拟，以及土地利用、交通与环境耦合建模两方面。

3.1 时间-室内能耗耦合模拟

国外一些研究基于时间利用调查数据模拟家庭能源负荷，比如电力负荷；目的是进行能源系统优化，及需求端响应措施（比如，错峰用电）的设计。建模思路涉及人口合成、活动计划生成、用能设备使用计划生成，及能源消费估算四个方面的主要问题（如图1）。

个体及家庭活动计划的生成多采用基于统计概率的随机模拟方法[40-46]，依据选定的个体属性特征（如，性别、职业状态等），从时间利用调查样本中为其抽取相匹配的活动计划；其中应用最为广泛的是马尔科夫链方法（Markov-Chain technique）[41-42，44，46]。此外，也有研究基于预先设定的决策规则对个体用能活动进行模拟[47]。基于活动与用能设备使用固定对应关系的假定，进而得到设备使用的计划；进一步根据设备使用时长及设备功率估计能源消费情况[40，43，46]。

大部分研究仅在典型或“均一化”个体或家庭层面验证模拟效果、分析居民能源消费特征[40-41，44-47]；相比之下，人口合成方法，通过人为构建与研究区域人口数量和分布规律相匹配的模拟人口，以人口属性特征为纽带，进而可将由典型样本得到的规律性特征扩展至区域层面[43]；这里应用较为广泛的为模拟退火算法（Simulated Annealing），该算法被证明在不同的空间尺度均可较为准确地合成微观空间数据[48-49]。

3.2 土地利用-交通-环境耦合模拟

城市土地利用决定了交通需求的产生，并对城市交通的演化产生影响；城市交通主要通过可达性对居民的活动地点选择等产生影响，宏观表现为影响土地利用布局[50]。上述土地利用和交通的互动反馈在微观尺度涉及个体多维决策过程，包括居住和活动选址、活动计划（方式、时段等）、出行决策、目的地选择、模式选择、路径选择等。目前的研究趋势是建立基于活动的土地利用与交通联合模拟模型，即通过对个体或家庭上述决策过程进行仿真，模拟地区土地利用变化、交通需求产生及交通流分配状况。此外，也有研究将预测得到的交通流作为机动车排放及能耗核算模型的输入，进一步评估土地利用及交通对环境的影响。出于这一研究目的开发的模型包括交通-土地利用模型（TRANUS）[13，51]，基于活动的交通-能源联合模型（iTEAM）[52]，土地利用-交通联合模拟模型（ILUMASS）[53]，土地利用-交通-环境联合模型（ILUTE）[54]等。表1从研究对象、建模方法及建模依据三方面对当前的主要模型进行了比较。

土地利用与交通联合建模方法通过对个体多维活动决策过程进行模拟，与城市能源需求密切相关；但该类方法较少应用于城市能源系统的研究，仅有的类似研究也局限于对交通能耗及排放情况进行模拟，而对建筑内能耗几乎没有涉及。基于活动的建模方法可以提供一种将居民室内外用能行为进行整合的分析框架[54]，在城市居民生活能耗研究领域有很好地应用价值。

3.3 小结

基于时间利用的家庭能源消费模拟通过对个体微观用能活动进行刻画，可以较好体现能源是如何满足家庭各种消费活动的需求，从而帮助在个体层面进行节能潜力的挖掘和行为引导；此外，建模过程考虑了活动时间分配和活动方式的个体多样性，可以用于人口数量和构成特征变化明显的城市新区的生活能源需求预测，从而帮助指导城市新区合理人口规模和用地布局规划。

然而，该领域仍存在一些尚待解决的问题，一方面是由于数据收集方式本身的局限性导致的。时间利用调查及出行日志调查的核心内容是调查日中居民一天24小时内所有与研究相关的活动与出行及其时空信息；通常采用问卷调查形式，被调查者依靠回忆或随时记录的方式填写。这种调查方式主要依赖被调查者的记忆和填写态度，主观性较强，不可避免地会存在错误记录及故意遗漏信息的情况，数据收集量、地理精度也难以保障[55-56]。此外，活动的细化与调查成本的权衡，导致一些活动的描述无法直

接与用能设备建立联系，比如烹饪活动；基于个体的调查数据也无法体现家庭的共享活动。时间利用调查数据直接用于能耗估计仍存在一定误差。

另一方面，目前的研究中，城市居民生活能源消费各部门（如，室内居住、交通出行等）多被視为独立系统而分别进行研究。Yu[5]等提出由于家庭收入及个体时间约束的存在，室内外用能行为之间存在相互联系；并通过实证研究证实了这种联系的存在。陈梓烽[12]等通过对北京居

民非工作时间分配的研究，也发现了室内外各活动间的替代关系，即居民工作日的工作或通勤时间的减少，将释放居民工作日的室内非工作活动需求，因此仅会增加较小的出行需求，但却可能带来室内能耗水平的上升。因此，以往仅仅关注单一部门的研究以及管理思路，通常忽略了上述内在联系的存在，在应对复杂城市系统的能源问题时显得不足。

4 结论及展望

生活能源需求的产生涉及个体多维决策问题，长时间尺度的决策问题包括居住地和工作地的选择，中尺度时间决策包括机动车购买和家电购买决策，短期决策包括活动场所的选择、活动时段的选择、出行方式选择、车辆使用及家电使用等。城市空间因素、技术效率提升导致的回弹效应、社会网络及家庭和个体社会经济属性均会对上述决策行为产生影响，进而影响居民生活能耗水平。

目前关于居民生活能源消费的研究集中于从能源种类或较高层次的用能终端角度探讨家庭直接能源消费，无法体现能源是如何满足家庭各种消费活动的需求。家庭能源消费属于派生性的需求，不同的时间分配及利用方式产生了家庭及个体间能源消费水平和结构的差异，然而较少研究从活动分析和时间利用的角度切入。由于家庭预算约束及个体时间约束的存在，家庭室内外能源使用行为相互关联，而目前将家庭室内外用能行为置于统一分析框架的研究较少。

未来对于城市居民生活能源消费的研究可从以下几方面入手：①借鉴基于活动的建模方法，从活动分析和时间利用视角，建立自下而上的居民室内外用能活动仿真模型，在更小的时间和空间尺度模拟家庭能源需求，识别家庭能耗的主要来源、控制的重点人群、时段和区域，帮助指导能源政策制定；②深入剖析能源回弹效应产生的决策机理，以及怎样的政策或政策组合可以有效减少回弹；③将社会网络分析引入居民生活能耗研究，更加全面理解影响家庭用能行为的机制，为家庭能源消费管理提供新思路。个体的活动方式具有多样性、复杂性，试图对个体活动的能源需求进行模拟和量化将面临巨大的挑战，这种挑战主要来自微观尺度个体室内外用能活动匹配数据的稀缺。对个体室内外用能活动进行模拟至少需要个体社会经济属性、时间利用数据、用能终端使用数据及交通出行日志调查数据四大类的数据，而据笔者了解，中国仅于2008年开展过一次全国尺度的时间利用调查；北京市于1986年开始每隔5年进行一次全市交通综合调查；中国人民大学能源经济系分别于2012—2013年（城乡）及2014—2015年（农村）开展过全国尺度家庭能源消费调查等。总体上，中国目前并没有开展国家尺度权威的居民生活用能和时间利用调查，已有调查数据的可得性及匹配性也制约了数据的有效利用。然而，另一方面，智能电表、能源传感器[42]和基于地图的GPS数据[55，57]、基于LBS的手机移动数据[58-59]，以及社交网络数据[60]正在为我们带来更多元化的个体实时时空行为数据信息；将其与传统社会调查方法相结合，多元数据相互融合，将会在一定程度上弥补数据的稀缺性，使研究更加科学化、精细化。

（编辑：李 琪）

参考文献（References）

[1]中国环境与发展国际合作委员会.城市发展的能源效率政策—建筑和交通部门[R].2009.[CCICED. Energy efficiency policies for urban development[R]. 2009.]

[2]北京市统计局.北京统计年鉴[M].北京： 中国统计出版社， 2014.[Beijing Statistical Bureau. Beijing statistical yearbook[M]. Beijing： China Statistics Press，2014.]

[3]中华人民共和国统计局.中国统计年鉴[M].北京： 中国统计出版社， 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]谢进宇.基于离散模型的住区能耗与规划研究[D]. 北京： 清华大学， 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]金凤君.功效空间组织机理与空间福利研究[M].北京： 科学出版社， 2013.[JIN Fengjun. Study on the mechanism and welfare of the functional spaces[M]. Beijing： Science Press，2013.]

[10]龙瀛， 毛其智， 杨东峰， 等.城市形态、交通能耗和环境影响集成的多智能体模型[J].地理学报，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.考虑空间异质性的城市建成环境对交通出行的影响研究[D]. 哈尔滨： 哈尔滨工业大学， 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， 葉桢翔.基于多智能体系统的单元城市交通需求特性研究[J].华东交通大学学报，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]杨阳.济南市住区建成环境与家庭出行能耗关系的量化研究[D]. 北京： 清华大学， 2013.[YANG Yang. A research on neighborhood built environment and household travel energy consumption in Jinan[D]. Beijing： Tsinghua University，2013.]

[15]柴彦威， 肖作鹏， 刘志林.基于空间行为约束的北京市居民家庭日常出行碳排放的比较分析[J].地理科学，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， 柴彦威， 刘志林.北京市居民家庭日常出行碳排放的量化分布与影响因素[J].城市发展研究，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]柴彦威， 肖作鹏， 刘志林.居民家庭日常出行碳排放的发生机制与调控策略——以北京市为例[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.不同街区形态居民交通能耗和CO₂排放特征研究[J].建设科技，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]郑新业.中国家庭能源消费研究报告（2014）[M].北京： 科学出版社， 2015.[ZHENG Xinye. Chinese Households Energy Consumption Research Report （2014） [M]. Beijing： Science Press，2015.]

[39]清華大学建筑节能研究中心.中国建筑节能年度发展研究报告（2013）[M].北京： 中国建筑工业出版社， 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]诸葛承祥.基于自组织理论的城市交通和土地利用动态演化机理研究[D]. 北京： 北京交通大学， 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]柴彦威， 申悦， 马修军， 等.北京居民活动与出行行为时空數据采集与管理[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， 赵莹， 马修军， 等.基于移动定位的行为数据采集与地理应用研究[J].地域研究与开发，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