我國住宅部門電力消費關鍵影響因素分析

1. 前　　言

以全球最終能源消費量而言，建築部門(住 宅與商業)在2014年耗用了超過123EJ的能源，

占全球最終能源消費的30%以上，為最大的終 端使用部門；其中，住宅部門約占全球建築部 門能源耗用的75% (IEA, 2017)。若以變化趨勢 來看，全球住宅部門能源消費在過去20多年間 (1990年至2014年)增加了約30%，倘若未進行 能源效率改善，在非OECD國家中的住宅部門 能源消費預計至2050年時將會再增加77%，其 中51%的增加主要來自新興經濟體國家，增加 之主要驅動力為戶數成長、住宅樓地板面積及 各類家電設備的擁有率增加等。因此若欲控制 增溫在2度C內，須藉由各類節能減碳措施的導

入，以減緩住宅部門能源需求的成長幅度。

以我國而言，2017年能源消費約8,526.34 萬公秉油當量；其中，住宅部門的能源消費 為659.27萬公秉油當量，占全國總能源消費量 的7.73%，僅次於工業部門(31.97%)與運輸部 門(16.13%)。以電力消費而言，2017年我國電 力消費約2,613.93億度；其中，住宅部門的電 力消費為476.12億度，占全國總電力消費量的 18.21%，亦僅次於工業部門(53.98%)與服務業 部門(18.49%)(經濟部能源局，2018)。若從近五 年(2013-2017年)趨勢來看，我國電力消費除於 2015年因景氣趨緩微幅減少外，各年用電量均 持續穩定成長，2017年增至2,613.93億度，創歷 年新高，平均每年用電增加1.6%。以部門別而 言，近五年住宅部門平均每年用電增加2.2%，

Volume 5, No. 4, December 2018, pp. 351-365

我國住宅部門電力消費關鍵影響因素分析

黃韻勳

摘　要

建築部門為全球最大的最終能源使用部門，而住宅部門約占全球建築部門能源耗用的75%，顯 示若欲控制增溫在2度C內，須減緩住宅部門能源需求之成長。以臺灣而言，2017年住宅部門之電 力消費為476.12億度，占全國總電力消費量的18.21%；此外，住宅部門為近五年來用電成長率最高 的主要部門。為有效降低住宅部門電力消費，有必要確認出影響住宅部門電力消費的關鍵因素，以 進一步釐清各項因素對電力消費量之影響程度。本文以歐盟ODYSSEE-MURE (Mesures d’Utilisation Rationnelle de I’Energie)的分解架構為基礎，並進一步結合對數平均數迪式指數分解法，建構我國住 宅部門因素分解模式。此模式將我國住宅部門電力消費量之變動因素拆解出氣候效果、戶數變化效 果、家電設備擁有效果、家電設備使用時間效果、節能效果、家戶面積變化效果等更多元之因素，

分析2014~2017年間我國住宅部門電力消費變化量，藉以了解各項效果對電力消費量之影響程度。

最後依據模式分析結果提出三點政策建議，以供住宅部門未來研擬節能政策之參考。

關鍵詞：住宅部門，電力消費，因素分解，對數平均數迪式指數分解法

收到日期: 2018年08月29日 修正日期: 2018年10月31日 接受日期: 2018年11月08日

1 工業技術研究院產業科技國際策略發展所 研究員

*通訊作者電話: 03-5914745, E-mail: abshung@itri.org.tw

工業部門平均增加1.5%，服務業部門平均增加 1.3%，顯示住宅部門為近五年電力消費增加 的主要部門。在我國電廠逐年除役與大型電廠 開發不易導致電力供給無法大幅度增加的情況 下，由需求面抑低電力消費不僅可降低新電廠 開發與興建輸配電設施，同時也可減少發電所 需的進口能源。故未來在研擬節電計畫時，須 先瞭解近年住宅部門電力增加的主要原因，為 掌握住宅部門電力消費特性，有必要針對住宅 部門電力消費的驅動力進行分析，以進一步釐 清各項因素對電力消費量之影響程度。

在分析影響能源消費(或電力消費)的影響 因素方面，最常使用的研究方法可分為兩大 類型，分別為因素分解法(Index Decomposition Analysis, IDA)與投入產出結構分解法(Input- Output Structural Decomposition Analysis, I-O SDA)。其中，投入產出結構分解法須結合產業 關聯表，所需資料較複雜，然而產業關聯表在 每個國家並非皆為每年發行，有些國家甚至三 或五年才會出版一次。而因素分解法具有易於 操作、資料需求相對較少、與適於跨國比較等 特色，且其涵義明確，實務分析應用性高，對 於衡量一國或單一部門之能源消費影響因素，

為一相當實用之方法，而各項因素相對效果的 釐清，亦有助於政策研擬，故在電力消費拆解 的相關研究多採因素分解法為分析工具。

基此，本文使用因素分解法作為研究方 法，並主要參考歐盟ODYSSEE-MURE之分解 架構及住宅部門因素分解的國內外文獻，將我 國住宅部門電力消費量變化拆解為多項效果，

藉以了解各項效果對電力消費量之影響程度，

並進一步釐清各項因素之相對效果，以作為政 府研擬節能政策時之參考。全文共分為六節，

除第一節為前言外；第二節為文獻回顧；第三 節說明歐盟主要採用的ODYSSEE-MURE之因 素分解架構，及本研究所採用的因素分解模 式；第四節為資料來源及處理；第五節為我國 住宅部門電力消費關鍵影響因素分析結果；最 後則提出本研究之結論與建議。

2. 文獻回顧

由於因素分解法易於操作且所需資料較 少之特性，故在實務分析之應用性相當高，過 去已被廣泛應用於能源與環境領域，主要藉由 影響因素的拆解，探討全國、工業、住宅、服 務業、運輸、發電部門能源消費及溫室氣體排 放背後之驅動力，可提供多面向的政策思考空 間。由於本文旨在探討住宅部門的電力消費影 響因素，故此處主要彙整過往文獻於住宅部門 能源消費之主要拆解因素與其內涵，文獻彙整 結果分別如表1所示。

由表1顯示過往文獻在探討能源消費變動 時，一般可拆解為活動效果、結構效果與密集 度效果等三項，以瞭解影響能源消費變化之驅 動因素。不過與工業部門或運輸部門不同，住 宅部門對於活動效果並沒有明確的定義，而活 動效果的選擇，將會影響結構效果與密集度效 果的意涵。但從文獻彙整中顯示，最常使用的 兩種活動效果分別為「人口數(P)」與「家戶數 (N)」。若以人口數為活動效果，相對應的結構 效果則為每人擁有的各類型器具數量，密集度 效果代表著各類型器具的能源耗用量。若以家 戶數作為活動效果，相對應的結構效果為不同 家庭(房屋)類型的占比，密集度效果則為各類 家庭(房屋)類型的能源耗用量。

而在我國既有的因素分解文獻方面，著 重於我國能源密集度變化趨勢分析(洪瑋嶸與 葛復光，2016)、減碳目標之可行性分析(張志 瑋等，2016)、工業部門能源與二氧化碳排放 因素分析(呂鴻彬，2015)、金屬基本工業能源 消費變動因素分析(黃啟峰等，2013)、鋼鐵業 能源消費與二氧化碳排放因素分析(鍾欣妤，

2012)、造紙業能源消費因素分析(黃啟峰等，

2010)等，但較少探討住宅部門能源消費因素分 解，目前僅見林唐裕與曾禹傑(2011)以家戶數 為活動效果，並分別拆解為每戶人口數與每戶 樓地板面積的兩種分解模式，以探討影響住宅 部門的能源消費與二氧化碳排放之關鍵因素，

不過在探討能源消費變動時，該研究主要的拆 解因素仍僅有三項，並未考量近年來氣候變化 與生活型態改變對住宅部門能源消費所產生之 影響。

此外，由表1顯示最常見的能源消費因素 分解模式僅著重於探討活動、結構與密集度三 項主要效果，但為進一步探討是否有其他因素 仍會影響能源消費，近年來能源領域的研究者 或研究機構開始擴展因素分解法的拆解因素。

經比對上述國際文獻後，顯示歐盟ODYSSEE- MURE於住宅部門之拆解因素所涵蓋的範圍最 為廣泛，除探討上述三項主要效果外，可將住 宅部門能源消費量進一步分解為：

1. 生活型態效果(Lifestyles effect)：更多器具(建

築物)及更大的住宅，包含：更多家電設備、

住宅數量或面積改變等造成的影響。

2. 氣候效果(Climate effect)：氣溫改變造成的影 響。

3. 其他效果(Other effects)：家計行為改變等造 成的影響。

此顯示歐盟ODYSSEE-MURE的住宅部門 因素分解模式之優點在於可拆解出更多樣的效 果，希望藉由更多因素的拆解，以提供住宅部 門更多的政策意涵。基此，本文主要參考歐盟 ODYSSEE-MURE的分解架構，以Bottom-up 方式針對各類家電設備的用電量進行拆解，再 將各類家電設備的各變動因素加總即可得到住 宅部門電力消費之總變化量。有別於國內既有 表1　住宅部門能源消費之主要拆解因素與其內涵(本研究整理)

文獻 活動效果

(Activity) 結構效果

(Structure) 密集度效果

(Intensity) 其他效果 (Others) Schipper et al. (1997) P Aj /P Ej /Aj —

Shorrock (2000) N — E/N —

Greening et al. (2001) P Aj /P Ej /Aj — Unander et al. (2004) P Aj /P Ej /Aj — Bosseboeuf et al. (2007) N Aj /N Ej /Aj — IEA (2007) P Aj /P Ej /Aj — Achão and Schaeffer (2009) P Pr /P Er /Pr —

Zha et al. (2010) P — E/Y Y/P

Chung et al. (2011) N Ni /N Ei /Ni — OEE (2011) N Ni /N Eij /Aij Aij /Ni

林唐裕與曾禹傑(2011) N — E/F F/N

林唐裕與曾禹傑(2011) N — E/P P/N

EERE (2012) N Ni /N Ei /Fi Fi /Ni

Hojjati and Wade (2012) N Nr /N Ei /Fi Fi /Nr

Rogan et al. (2012) P — Ei /Ni Ni /P Fan et al. (2013) P Aj /P Ej /Aj — Fraunhofer ISI (2014) P — E’i /Fi Ni /P、Fi /Ni

IEA (2016) P Aj /P Ej /Aj — ODYSSEE- MURE (2017) N Ni /N E’ij /Aij Aij /Ni

符號註解： 下標i表示房屋或家庭類型、下標j表示各種終端使用的類別、下標r表示區域或所 得類型、E表示能源消費量、E’表示經氣溫修正後的能源消費量、Y表示附加價值 (GDP)、P表示人口數、N表示家戶數、F表示樓地板面積、A表示由各種終端使用所 驅動的能源服務，如：用於空調的樓地板面積、各種終端使用的器具數量。

文獻僅從總家戶數、每戶人口數、每戶的樓地 板等總體面資料進行住宅部門能源消費因素分 解，本研究可清楚瞭解各項變動因素係由何種 家電設備所造成的，有利於後續住宅部門節電 政策之研擬規劃。此外，本文亦為國內第一篇 將電力消費量之變動因素拆解出氣候效果、家 電擁有率效果、使用時間效果等更多元之因 素，藉以了解近年來氣候變化與生活型態改變 對住宅部門電力消費量所產生之影響。

3. 因素分解模式

如前所述，本文主要參考歐盟ODYSSEE- MURE的分解架構，惟ODYSSEE-MURE的因 素分解會產生其他效果而難以進行解釋，且部 分效果之計算公式在其公開報告與論文中皆未 明確定義。故本文以歐盟ODYSSEE-MURE的 分解因素為基礎，進一步結合對數平均數迪 式指數分解法(Logarithmic Mean Divisia Index, LMDI)，此方法不論在理論基礎、計算便利性 與結果解釋方面，皆優於其他拆解法，且可達 到完全分解而不會產生其他效果。故以下首先 介紹ODYSSEE-MURE的住宅部門因素分解模 式，接著說明本文所採用的對數平均數迪式指 數分解法。

3.1 ODYSSEE-MURE之住宅部門 因素分解模式

歐盟ODYSSEE-MURE住宅部門因素分解 架構可彙整如圖1所示，針對住宅部門能源消 費，共界定了6項影響因素(ODYSSEE- MURE,

2017)：

1. 氣候效果：兩期間的氣候差異造成的影響，

以冷房度日(或暖房度日)進行氣候效果之計 算。

2. 人口統計效果：兩期間的住宅數量變化造成 的影響，此亦為文獻中常使用的活動效果。

3. 每戶的家電設備變化效果：兩期間每戶的家 電設備數量變化造成的影響。

4. 房屋面積變化效果：兩期間住宅之樓地板面 積變化造成的影響。

5. 節能效果：兩期間的ODEX指標變化造成的 影響；其中，ODEX係指ODYSSEE energy efficiency index，用以衡量各部門的能源效 率進展。相對於傳統的密集度效果(能源消 費/GDP)，ODYSSEE的能源效率指標係從物 理量出發，更能反映出該部門的能源效率進 展。

6. 其他效果(Other effects)：未涵蓋在上述五項 效果的其他效果，主要為使用者行為變化造 成的影響。

由於歐盟ODYSSEE-MURE之公開報告中 僅說明部分效果之計算公式，因此以下就這些 效果加以說明；其中，氣候效果之計算公式如 式(1)所示：

AC = ACn * (CDD/CDDn) (1) 針 對 冷 氣( 或 暖 氣 ) 設 備 之 能 源 消 耗 ， ODYSSEE-MURE因素分解工具採用線性的方 式，以冷房度日(或暖房度日)進行氣候修正。

以冷氣(Air Conditioners, AC)為例，式(1)中的 AC為原始的冷氣能源消費量(未經過氣候修

圖1　ODYSSEE-MURE之住宅部門因素分解架構(本研究繪製)

正)，ACn 為正常氣候下的冷氣能源消費量(經 過氣候修正)。此處以冷房度日進行氣候修正，

故CDD (Cooling Degree Day)為當年度的冷房度 日，CDDn 則為正常的氣候下的冷房度日(一般 會取過去20年冷房度日的平均值)。其中，AC 與ACn 的差距即代表氣候效果。

人口統計效果(Demographic Effect, DEH)的 計算公式可表示如式(2)所示：

DEHt/t0 = ∆nbrlprt/t0 *CUt0 (2) 其中，nbrlpr為住宅數量，CU為經氣候 修正的每戶能源消費量，t為第t年，t0 為基準 年，而Δnbrlprt/t0而表示第t年與第t0間住宅數量 之變化。

節能效果(Energy Savings, ESI)係由ODEX 指標衡量，計算公式可表示如式(3)所示：

ESI = Ct *((

ODEX ) ‒1) (3) 其中，以ODEX衡量各部門的能源效率進 展。以住宅部門為例，可分為許多家電設備，

故須先計算出各家電設備的單位耗電量(kWh/

appliance)，其次以各家電設備耗電量占住宅部 門總耗電量的比率作為權重，最後將單位耗電 乘上權重後，再把所有家電設備加總後即可得 到住宅部門的能源效率衡量指標(ODEX)。

3.2 我國住宅部門之因素分解模式

在因素分解過程中，由於基期選擇的不 同，一般常區分為拉氏指數法(Laspeyres)、裴 氏指數法(Paasche)及迪氏指數法(Divisia)三類。

其中，拉氏指數與裴氏指數皆採用固定權數，

拉氏指數係指當某一因素變動時，其他因素固 定於前期，裴氏則是將其他因素固定於當期，

以檢視該因素之變動效果，此兩種方法的優點 為各項因素間含義明確且計算方便，但主要缺 點為所產生的交叉效果大，有時候拆解出的交 叉效果甚至比分解效果大，故並不容易針對交 叉效果進行解釋。而迪氏指數則是採用變動權 數，各因素可隨時間的變化而變動，較能充分

反應出各因素間變動的內容，其優點為產生之 交叉效果相對於前兩種方法來得小，主要原因 是為迪氏指數將交叉效果分配至各個組成因素 之故，但缺點是計算較為繁複。

而在此三種指數法下又可細分為不同的拆 解方法；其中，裴氏指數法又可進一步細分為 修正型的費雪理想指標分解法(Modified Fisher ideal index)與Shapley/Sun分解法；而迪氏指 數法亦可細分為算數平均數迪式指數分解法 (Arithmetic Mean Divisia Index, AMDI)與對數 平均數迪式指數分解法。雖然每種分解法都有 其特性，但若使用一些指標以檢視這些分解方 法的優劣，可得到對數平均數迪式指數分解法 (LMDI)不但可完全分解(不遺留殘差項)、且可 通過Time-reversal測試、計算方便(並不會隨拆 解項多寡，而使公式更加複雜)、具有關聯性 可轉換加法型和乘法型之結果；因此，不論在 理論基礎、計算便利性與結果解釋方面，皆優 於其他拆解法，故本文以上述歐盟ODYSSEE- MURE的分解因素為基礎，進一步結合對數平 均數迪式指數分解法，針對住宅電力消費量進 行拆解。

由於家電設備的種類不同，影響電力消費 之驅動力亦有所差異，參照國外文獻首先將家 電設備分為兩大類(Xu & Ang, 2014)，第一類為 冷氣與照明，主要的電力消費驅動力包含：戶 數、每戶冷氣(或照明)使用面積、單位面積擁 有台數、能源使用密度及年使用時數，其電力 消費量(Electricity, E)的拆解公式如(4)所示：

E¹ = ∑i N * (Fi / N) * (Ai / Fi) * (Wi / Ai) * Hi

= ∑i N * fi * ai * wi * Hi (4) 其中，上標1表示第一類家電設備；下標 i表示家電設備種類；E為電力消費量；N為家 戶數；F為冷氣(或照明)使用面積；A為家電設 備台數；W為家電設備的功率(瓦數)；H為家電 設備年使用時數；fi 為每戶冷氣(或照明)使用面 積/總戶數)；ai 為單位面積家電擁有台數(家電 台數/使用面積)；wi 為單台家電的功率。值得

注意的是，針對冷氣設備之電力消耗，本文採 用ODYSSEE-MURE的方式進行氣候修正(如式 (1))，因此在式(4)中所使用的冷氣設備之電力 消費量係經過氣候修正¹，其他設備則不需進行 此調整。

若欲計算兩個年度間(0至T)電力消費量之 變化，可透過兩期電力消費量相減，如式(5)所 示：

∆E¹ = E^1,T ‒ E^1,0 = ∑i N^T * fiT * aiT * wiT * HiT

‒ ∑i N⁰ * fi0 * ai0 * wi0 * Hi0 = ∆E¹household +

∆E¹area + ∆E¹ownership + ∆E¹power + ∆E¹hour (5) 式(5)將第一類家電設備的電力消費量拆解 為5種驅動力，第1項(ΔE¹household)表示戶數變化 造成的影響；第2項(ΔE¹area)表示使用面積變化 造成的影響；第3項(ΔE¹ownership)表示家電設備擁 有台數變化造成的影響；第4項(ΔE¹power)表示家 電設備功率變化造成的影響；第5項(ΔE¹hour)表 示家電設備使用時數變化造成的影響。

最後使用對數平均數迪式指數分解法之加 法型一般式，上述5項效果的計算公式分別可表 示如式(6)至式(10)所示

∆E¹household = ∑i L (Ei1,T, Ei1,0)ln(N^T/N⁰) (6)

∆E¹area = ∑i L (Ei1,T, Ei1,0)ln((fiT)/(fi0)) (7)

∆E¹ownership = ∑i L (Ei1,T, Ei1,0)ln((aiT)/(ai0)) (8)

∆E¹power = ∑i L (Ei1,T, Ei1,0)ln((wiT)/(wi0)) (9)

∆E¹hour = ∑i L (Ei1,T, Ei1,0)ln((HiT)/(Hi0)) (10) 其中，L(a,b)=(a-b)/ln(a/b)表示a與b的對 數平均數，當定義b趨近a時，L(a,b)的極限值為 L(a,a)=a；而根據Törnqvist et al. (1985)指出：a 與b必須為正數，當a不等於b時，L(a,b)的範圍 介於其幾何平均數與算數平均數之間，即(ab)^1/2

<L(ab)<(a+b)/2，且其權數功能具對稱性，即 L(a,b) = L(b,a)。Ang and Choi (1997)進一步將此 對數平均數的概念應用至因素分解上，以對數 平均數做為權數，可得到完全分解的效果。

第二類家電設備為不包含冷氣與照明的其 他家電，如：電扇、冰箱、電熱水器、電視、

電腦、洗衣機、電鍋、飲水機、除溼機、電熱 水瓶等。由於第一類的冷氣與照明設備會受到 住宅面積的大小所影響，若住宅面積大則需要 裝設更多台冷氣或更多盞電燈，因此驅動力包 含每戶冷氣(或照明)使用面積。但在第二類家 電設備較不會受到住宅面積之影響，故主要的 電力消費驅動力僅包含：戶數、每戶擁有台 數、能源使用密度及年使用時數，並無使用面 積效果，電力消費量的拆解公式如(11)所示：

E² = ∑i N*(Ai /N)*(Wi/Ai)*Hi

= ∑iN*ai*wi*Hi (11) 其中，上標2表示第二類家電設備；ai 為每 戶的家電擁有台數(家電台數/戶數)。

同樣若欲計算兩個年度間(0至T)電力消費 量之變化，可透過兩期電力消費量相減，如式 (12)所示：

∆E² = E^2,T ‒E^2,0 = ∑i N^T *aiT *wiT *HiT ‒∑i N⁰

*ai0 *wi0 *Hi0 = ∆E²household + ∆E²ownership +

∆E²power + ∆E²hour (12)

式(12)將第二類家電設備的電力消費量拆 解為4種驅動力，第1項(ΔE²household)表示戶數變 化造成的影響；第2項(ΔE²ownership)表示家電設備 擁有台數變化造成的影響；第3項(ΔE²power)表示 家電設備功率變化造成的影響；第4項(ΔE²hour) 表示家電使用時數變化造成的影響。

同樣使用對數平均數迪式指數分解法之加 法型一般式，上述4項效果的計算公式分別可表 示如式(13)至式(16)所示

∆E²household = ∑i L (Ei2,T, Ei2,0)ln(N^T/N⁰) (13)

1 未經氣候修正與經過氣候修正電力消費量之差距即為氣候效果。

∆E²ownership = ∑i L (Ei2,T, Ei2,0)ln((aiT)/(ai0)) (14)

∆E²power = ∑i L (Ei2,T, Ei2,0)ln((wiT)/(wi0)) (15)

∆E²hour = ∑i L (Ei2,T, Ei2,0)ln((HiT)/(Hi0)) (16) 最後將第一類家電設備的電力消費量變化 與第二類家電設備的電力消費量變化加總後，

即可得到兩個年度間住宅部門的總電力消費變 化量，如式(17)所示。

∆E = ∆E¹ + ∆E² (17)

4. 資料來源及處理

由於本文參考歐盟ODYSSEE-MURE的因 素分解架構，以Bottom-up方式針對各類家電設 備的用電量進行拆解，最後將各類家電設備的 各變動因素加總後得到住宅部門的電力消費總 變化量。採取Bottom-up方式雖然可得到更細緻 的結果，惟須更為精細的資料才可計算出電力 消費之影響因素。因此，本計畫使用工研院產 科國際所(原產經中心)於2014年至2017年所進 行的我國住宅部門能源消費調查資料，此資料 係採用問卷調查方式，以全國家戶為對象，依 據內政部不動產資訊平台之住宅存量做為樣本 配置依據，並兼顧各縣市之居住建築類型，按 比例抽樣進行。問卷調查內容包括：1.家電設 備擁有量(每戶擁有台數)；2.區分夏季以及非夏 季家電設備使用時數；3.家電設備能耗參數，

除功率因素外，針對個別家電也進行其它參數 之調查，如：電冰箱公升數、冷氣噸數，以及 電視尺吋以及洗衣機公斤數等；4.其它條件調 查，包括家電設備取得時間、是否具備節能標 章、每戶空調使用面積等(林素琴與林志勳，

2017)。

由這些所調查的參數，可推算出各類家電 設備於2014至2017年的年用電量。在本文所建 構的因素分解模式中，將電器種類分為18類，

包含：窗型冷氣、分離式冷氣、白熾燈、螢

光燈、省電燈泡、LED(Light Emitting Diode) 燈泡、電扇、冰箱、熱水、CRT(Cathode-Ray Tube)電視、LCD(Liquid-Crystal-Display)電視、

電腦、洗衣機、電鍋、飲水機、除溼機、電熱 水瓶、其他電器等，以下僅從問卷結果中摘錄 出因素分解模式中所採用的關鍵參數，如：家 電設備每戶擁有台數(表2)、年使用時數(表3)。

此外，每戶住宅面積係依據問卷調查資料，從 2014年的42.45671坪小幅降至2017年的41.8197 坪，詳細的問卷調查說明與結果可參照林素琴 與林志勳(2017)。

除使用問卷調查資料外，某些參數係來 自於總體面資料，如：家戶數來自於行政院主 計處所發布的人口靜態統計資料，2014至2017 年的我國總戶數分別為8,382,699、8,468,978、

8,561,383及8,649,000戶，另依據行政院主計處 2010年住宅人口普查結果，空閒及無人經常居 住的比率為23.95%，本研究以此作為空屋率，

扣除空屋率後的戶數即為本研究所使用的家戶 數。冷房度日資料則來自於中央氣象局及內政 部統計處，彙整如表4所示，資料包含全國及 北、中、南、東、離島地區的冷房度日，本研 究僅採用全國的冷房度日，並以1996~2017約 20年的平均冷房度日作為正常的氣候下的冷房 度日，以進行後續的氣候修正。

5. 住宅部門電力消費關鍵影 響因素分析結果

將所需的參數進行設定後，即可使用因素 分解模式拆解我國住宅部門電力消費的關鍵影 響因素，茲將分析結果說明如下：

圖2彙整2014至2017年間影響我國住宅部 門電力消費之各項關鍵因素。住宅部門的電力 消費量在2014年為451.74億度，除於2015年因 景氣趨緩微幅減少至448.82億度外，其餘各年 用電量均持續成長，至2017年增加至476.12億 度，創住宅部門歷年來新高，此期間的電力消 費共增加了24.38億度。由圖2顯示此期間內最

表2　2014-2017年我國住宅部門各式家電設備家戶平均擁有量(本研究彙整)

單位：(台/個/根)/戶

電器設備項目 2014年 2015年 2016年 2017年

1. 窗型冷氣 1.11 1.13 0.96 1.04

2. 分離式冷氣 1.67 1.67 1.73 1.69

3. 白熾燈 1.70 1.58 2.06 1.41

4. 螢光燈 6.91 6.79 6.79 7.26

5. 省電燈泡 11.45 12.68 10.61 11.67

6. LED燈泡 1.97 2.74 3.19 4.02

7. 電扇 4.03 3.89 3.94 3.81

8. 冰箱 1.12 1.08 1.09 1.07

9. 電熱水器 0.22 0.23 0.17 0.11

10. CRT電視 0.50 0.28 0.23 0.20

11. LCD電視 1.12 1.26 1.32 1.37

12. 電腦 1.27 1.21 1.31 1.35

13. 洗衣機 1.03 1.01 1.02 1.00

14. 電鍋 1.23 1.21 1.16 1.14

15. 飲水機 0.47 0.53 0.48 0.47

16. 除溼機 0.38 0.39 0.42 0.43

17. 電熱水瓶 0.40 0.34 0.38 0.31

表3　2014-2017年我國住宅部門各式家電設備年使用時間(本研究彙整)

單位：小時

電器設備項目 2014年 2015年 2016年 2017年

1. 窗型冷氣 314 291 244 303

2. 分離式冷氣 453 458 552 471

3. 白熾燈 784 863 496 256

4. 螢光燈 1,342 1,526 1,262 1,154

5. 省電燈泡 1,460 1,892 1,447 1,280

6. LED燈泡 523 889 763 922

7. 電扇 1,810 1,766 1,773 1,879

8. 冰箱 8,724 8,757 8,701 8,731

9. 電熱水器 641 702 685 1,017

10. CRT電視 679 368 317 131

11. LCD電視 1,681 1,869 1,800 1,424

12. 電腦 1,336 1,261 1,148 1,248

13. 洗衣機 265 257 288 268

14. 電鍋 706 731 654 660

15. 飲水機 3,821 4,449 3,596 3,925

16. 除溼機 303 424 369 394

17. 電熱水瓶 2,804 2,227 2,413 2,265

表4　我國年均冷房度日(本研究彙整)

單位：度日

年份 全國(加權平均值) 高雄 臺北 臺中 澎湖 花蓮

1996 290 343 281 249 278 215

1997 185 256 159 153 200 110

1998 352 425 332 305 342 259

1999 250 279 265 196 196 179

2000 264 293 277 213 201 181

2001 289 306 318 226 269 190

2002 329 372 351 254 204 200

2003 370 403 388 313 250 239

2004 308 395 309 223 185 156

2005 338 389 370 241 253 151

2006 318 355 360 217 232 141

2007 325 375 329 268 278 218

2008 308 348 326 240 222 190

2009 374 398 394 318 292 239

2010 362 414 373 296 255 210

2011 347 380 355 306 236 181

2012 322 362 353 230 195 170

2013 362 455 372 253 256 179

2014 435 491 437 377 323 310

2015 416 520 400 351 251 232

2016 475 572 473 385 323 264

2017 506 628 504 396 421 323

註：1. 冷房度日=Σ(Ti‒26^oC), if T>28^oC，Ti=每日均溫。本項資料為溫度加總，數值愈大表示冷 氣開機日數越多。

　　2. 加權平均值依北中南東及離島地區各區年底人口計算。

圖2　我國住宅部門電力消費因素分解之結果(本研究整理繪製)

主要的增量效果為氣候效果，約造成電力消費 增加20.26億度，此係由於依據我國冷房度日 資料(參見表4)，2017年全國年均冷房度日高達 506度日，但過去20年(1996年~2017年)平均的 冷房度日僅為342度日，顯示近年來的氣候炎熱 導致年均冷房度日大幅成長，遠高於過去20年 之平均值。另外加上冷氣用電量約占住宅部門 總用電量的3成，因此依據公式(1)計算後，氣 候修正的效果相當高，反映出相對於過去20年 的平均氣溫，近年的氣候暖化因素造成住宅部 門冷氣用電量顯著增加。戶數變化效果(活動效 果)為另一個主要的增量效果，於此期間內增加 住宅部門13.25億度的電力耗用，反映全國家戶 數的持續上升(由2014年的838.27萬戶，逐年增 加至2017年的864.9萬戶)，亦進一步帶動住宅 部門用電量的上升。

另兩個次要的增量效果分別為家電設備擁 有效果及使用時間效果，造成住宅部門用電量 分別上升3.69及8.18億度。其中，大部分的家電 設備擁有台數在此期間內呈現上升趨勢，如：

分離式冷氣、螢光燈、省電燈泡、LED燈泡、

LCD電視、電腦、除濕機等，但少部分家電設 備之擁有台數呈現下降趨勢，如：低能源效率 的白熾燈、窗型冷氣、CRT電視以及電扇、電 熱水瓶等，故兩者效果相互抵銷後仍造成住宅 電力消費增加3.69億度。在使用時間方面，大 部分的電器之使用時間均成長，但少部分低能 源效率的家電設備(如：窗型冷氣、白熾燈、

CRT電視、電熱水瓶等)之使用時間減少，因 此兩者效果相互抵銷後，仍導致住宅部門增加 8.18億度的電力耗用。

節能效果(家電設備功率變化效果)與住宅 面積變化效果則造成住宅部門用電量的下降，

分別降低18.28億度與2.73億度；其中，節能效 果為住宅部門的主要減量效果，亦為抑制住宅 部門電力消費增加的主要原因。此顯示近年來 政府積極推動家庭設備能源效率管理，包含：

強制性最低容許耗用能源效率標準(Minimum Energy Performance Standard (MEPS)，已實施

MEPS之家電設備占住宅部門夏季用電量的 83.0%)、強制性能源效率分級標示(已實施分 級標示之家電設備占住宅部門夏季用電量的 81.3%)、自願性節能標章制度(已實施節能標章 之家電設備占住宅部門夏季用電量的95.2%)。

其 中 ， 電 冰 箱 及 無 風 管 空 氣 調 節 機 之MEPS 為全球首例；亦於2014年開始推動LED燈泡 MEPS管制，為亞洲第一個實施的國家。此 外，推動學校節能教育，結合社會NGO團體以 推廣及落實各種居家節電手法，提升能源素養 及節電意識，以促成用電行為改變。近年來結 合各地方縣市推動住宅部門節電診斷服務、鼓 勵採購節電產品，同時辦理夏月節電競賽，培 訓節電志工及民眾透過網路督工等多元管道，

鼓勵民眾參與節電。此外，住宅面積變化效果 亦造成住宅部門用電量小幅減少2.73億度，依 據問卷調查資料，每戶住宅面積從2014年的 42.45671坪小幅降至2017年的41.8197坪，因此 造成住宅部門用電量之減緩。

綜合上述因素分解模式之分析結果，造成 我國2014~2017年住宅部門電力需求持續增加 的主要因素來自於氣候趨於炎熱、家戶數持續 上升、生活型態變化(如：家電設備擁有數量變 化、使用時間變化)。而政府積極推動家庭設備 能源效率管理，已有效提高住宅部門整體節電 量，家庭結構小型化造成的住宅面積減少亦造 成用電量降低。基此，未來若要進一步減少住 宅部門的電力消費，則需進一步減緩這些增量 效果之成長，並加強減量因素效果，本文依據 模式分析結果提出三點政策建議，以供未來研 擬規劃住宅部門節能政策之參考，茲分別說明 如下：

1. 由因素分解結果顯示，近年的氣候炎熱因素 為造成住宅部門冷氣用電量顯著增加的主 因。而依據美國能源部之統計，住宅的建築 物約有50%的熱負載，皆由外殼(如：牆壁、

地基及屋頂等)流入建築物，因此若能降低 外殼的傳熱量則可有效減少室內所需冷(熱) 負荷，並降低能源使用(DOE, 2015)。換言

之，住宅建築可透過新增屋頂與牆面的反射 塗層、玻璃隔熱塗層、外格柵遮陽、低幅射 率的節能玻璃等方式，以降低建築物內的空 調使用。目前我國住宅建築物中使用這些隔 熱、低輻射率玻璃技術之比例相當低，仍以 示範性公共建築為主。故在2018 年修正的最 新建築技術規則中，建築能源設計條文已針 對新建建築物的「屋頂隔熱」、「窗戶熱傳 導」等建築外殼項目，進行節能標準規範。

但此部分僅針對新建物設有節能規範，建 議未來可朝既有住宅建築的節能改造進行精 進，以降低冷氣耗電量。為提高民眾採用隔 熱、低輻射率玻璃技術之意願，可參考先進 國家(如：德國)作法對於進行既有建築物改 善提供稅額抵減、獎勵補助或低率貸款等經 濟誘因，甚至進一步結合能源服務業，協助 節能改善並由電費償還等彈性方式，以提高 民眾針對建築進行節能改善之意願。

2. 由因素分解結果顯示，家電設備擁有效果及 使用時間效果皆造成住宅部門用電量增加，

顯示未來更多新型態的家電設備，將會持續 導致住宅用電上升。但對一般住宅民眾而 言，最大困擾仍在於不知家中電器設備之電 力使用分布狀況。換言之，民眾只能在每兩 個月收到電費帳單時得知總用電量，即使想 要配合調整用電方式，於有限資訊下也不知 道從何著手，進而影響節電意願。基此，未 來可考量開發雲端化住宅建築能耗分析平 台，整合現有住宅部門能源統計資訊以及運 用雲端化平台，建立一個開放式住宅能源分 析工具。此工具可結合住宅建築能耗分析評 估及住宅建築能源分析流程最佳化，使民眾 能藉由簡易操作的平台系統，快速評估並測 試各種可能導入的節能措施組合所產生節能 成效，找出最佳化的整合方案，進而誘發節 約用電之行為。

3. 由因素分解結果顯示，節能效果(家電設備功 率變化效果)為住宅部門的主要減量效果，為 抑制住宅部門電力消費增加的主要原因。此

係由於我國對於家電設備多年來持續推動強 制性最低容許耗用能源效率標準、能效分級 標示及節能標章等家庭設備能源效率管理，

這些管理措施不僅可提升新電器設備最低容 許的能源效率，亦可讓民眾購買時可辨識不 同能源效率之產品，以購買能效等級更高之 產品。但由工研院產科國際所進行的我國住 宅部門能源消費調查資料顯示(林素琴與林 志勳，2017)，能源耗用量大(如：冷氣、冰 箱)且購買時間為2000年以前的電器設備產品 占有一定比例，顯示除了管理新購買的家電 設備外，如何加速汰換老舊低效率的家電設 備為進一步提高住宅部門能源效率之關鍵。

未來可考量針對部分能耗高的產品優先給予 獎勵補助，且列為汰舊換新的首要對象，並 搭配執行舊有產品回收，以換購新品的配套 措施，確保老舊低效率家電設備不會在市場 上流通，有助於進一步擴大住宅部門之節電 量。

6. 結　　論

以全球最終能源消費量而言，建築部門為 最大的終端使用部門(能源消費占比超過30%)；

其中，住宅部門約占全球建築部門能源耗用 的75%。若欲控制增溫在2度C內，須導入各 類節能減碳措施，以減緩住宅部門能源需求 之成長。以我國而言，2017年住宅部門之電 力消費為476.12億度，占全國總電力消費量的 18.21%，僅次於工業與服務業部門；若以近五 年趨勢來看，住宅部門為平均年用電成長率最 高的部門。為有效降低住宅部門電力消費，故 有必要確認出影響住宅部門電力消費的關鍵因 素，以進一步釐清各項因素對電力消費量之影 響程度。

有別於ODYSSEE-MURE的評估方法，本 文參考歐盟ODYSSEE-MURE的分解架構，並 進一步結合對數平均數迪式指數分解法，以建 構我國住宅部門因素分解模式。此模式係以

Bottom-up方式針對各類家電設備的用電量進 行拆解，有別於國內既有文獻僅從總家戶數、

每戶人口數、每戶樓地板等總體面資料進行住 宅部門電力消費因素分解，亦為國內第一篇將 電力消費量之變動因素拆解出氣候效果、家電 擁有率效果、使用時間效果等更多元之因素。

分析結果顯示，2014至2017年間我國電力消費 共增加了24.38億度，最主要的增量效果為氣候 效果，造成電力消費增加20.26億度；另一個主 要的增量效果則為戶數變化效果，於此期間內 增加13.25億度的電力耗用。另外兩個次要的增 量效果分別為家電設備擁有效果及使用時間效 果，造成住宅部門用電量分別上升3.69及8.18億 度，顯示造成住宅部門電力消費增加的關鍵因 素來自於氣候趨於炎熱、家戶數持續上升、生 活型態變化(如：家電設備擁有數量變化、使用 時間變化)。此外，節能效果為抑制住宅部門電 力消費增加的最主要原因，降低18.28億度的電 力消費，家庭結構小型化造成的住宅面積減少 亦造成用電量小幅降低2.73億度。

未來若欲進一步減少住宅部門之電力消 費，須進一步減緩這些增量因素並增強減量因 素，本文依據模式分析結果提出三點政策建 議，以供住宅部門未來研擬節能政策之參考，

包含：1.提供建築物外殼節能改善(如：隔熱、

低輻射率玻璃技術)之誘因：可參考先進國家作 法，針對既有建築物能源效率改善提供稅額抵 減、獎勵補助或低率貸款等經濟誘因，或進一 步結合能源服務業，協助節能改善並由電費償 還等彈性方式，以提高民眾進行改善之意願，

降低我國建築物內的冷氣耗電量。2.開發雲端 化住宅建築能耗分析工具：讓民眾可藉由簡易 操作的分析工具瞭解自家電力消費分布及各類 可能導入的節能措施，增加自主節能之意識。

3.執行大能耗老舊家電汰舊換新：可考量針對 部分能耗高的產品優先給予獎勵補助進行汰舊 換新，並搭配執行舊有產品回收，以換購新品 的配套措施，確保老舊低效率家電設備不會在 市場上流通及導入更高能效之產品，以進一步

擴大住宅部門之節電量。

誌　　謝

本研究承能源局能專經費之支持，特此致 謝，不勝感激。

參考文獻

呂鴻彬，2015。工業部門能源與二氧化碳排放 因素分解及綜合發展指標系統之分析，國 立成功大學環境工程學系碩士論文，臺南 市。

張志瑋、葛復光、柴蕙質與吳雨寰，2016。以 KAYA恆等式分析我國2025年減碳目標之 能源結構策略可行性，臺灣能源期刊，

V3(3)，259-275。

林唐裕與曾禹傑，2011。住宅部門之能源效率 與二氧化碳排強度關聯性探討—臺灣地區 實證研究，第4屆海峽兩岸能源經濟學術 研討會。

林素琴與林志勳，2017。我國住宅部門電力 使用研究，臺灣能源期刊，V4(3)，285- 302。

洪瑋嶸與葛復光，2016。臺灣能源密集度變化 趨勢分析-多層級因素分解應用，臺灣能源 期刊，V3(3)，293-310。

經濟部能源局，2018。中華民國106年能源統計 手冊。

鍾欣妤，2012。臺灣地區鋼鐵業能源消費與 CO2 排放及相關污染物之關聯分析，成功 大學環境工程學系碩士論文，臺南市。

黃啟峰、詹益亮與劉子衙，2010。造紙業能源 消費因素分析，臺灣銀行季刊，63(4)，

71-96。

黃啟峰、黃一德與劉子衙，2013。金屬基本工 業能源消費變動因素分析，臺灣能源期 刊，V1(1)，105-118。

Achão, C. & R. Schaeffer, 2009. Decomposition

analysis of the variations in residential electricity consumption in Brazil for the 1980- 2007 period: measuring the activity, intensity and structure effects. Energy Policy, 37(12), 5208-5220.

Ang, B. & K.-H. Choi, 1997. Decomposition of aggregate energy and gas emission intensities for industry: a refined Divisia index method.

The Energy Journal, 59-73.

Bosseboeuf, D., B. Lapillonne, W. Eichhammer &

P. Boonekamp, 2007. Evaluation of Energy Efficiency in the EU-15: Indicators and Policies.

Chung, W., M. Kam & C. Ip, 2011. A study of residential energy use in Hong Kong by decomposition analysis, 1990-2007. Applied Energy, 88(12), 5180-5187.

DOE, Department of Energy, 2015. Quadrennial Technology Review 2015. Retrieved from http://energy.gov/quadrennial-technology- review-2015.

EERE, Energy Efficiency & Renewable Energy, 2012. Energy Intensity Indicators: Residential Buildings Delivered Energy.

Fan, J.-L., H. Liao, Q.-M. Liang, H. Tatano, C.-F.

Liu & Y.-M.Wei, 2013. Residential carbon emission evolutions in urban–rural divided China: an end-use and behavior analysis.

Applied Energy, 101, 323-332.

Fraunhofer ISI, 2014. Study Evaluating the Current Energy Efficiency Policy Framework in the EU and Providing Orientation on Policy Options for Realising the Cost-Effective Energy Efficiency/Saving Potential until 2020 and Beyond.

Greening, L. A., M. Ting & T. J. Krackler, 2001.

Effects of changes in residential end-uses and behavior on aggregate carbon intensity:

comparison of 10 OECD countries for

the period 1970 through 1993. Energy Economics, 23(2), 153-178.

Hojjati, B. & S. H. Wade, 2012. US household energy consumption and intensity trends: a decomposition approach. Energy Policy, 48, 304-314.

IEA, International Energy Agency, 2007. Energy Use in the New Millennium: Trends in IEA countries.

IEA, International Energy Agency, 2016. Energy Efficiency Market Report 2016.

IEA, International Energy Agency, 2017. Energy Technology Perspectives 2017. Retrieved from http://www.iea.org/etp/etp2017/.

ODYSSEE- MURE, 2017. Understanding Va r i a t i o n i n E n e rg y C o n s u m p t i o n - Methodological Report.

OEE, Office of Energy Efficiency, 2011. Energy Efficiency Trends in Canada, 1990 to 2009.

Rogan, F., C. J. Cahill & B. P. Ó. Gallachóir, 2012.

Decomposition analysis of gas consumption in the residential sector in Ireland. Energy Policy, 42, 19-36.

Schipper, L., M. Ting, M. Khrushch & W. Golove, 1997. The evolution of carbon dioxide emissions from energy use in industrialized countries: an end-use analysis. Energy Policy, 25(7-9), 651-672.

Shorrock, L., 2000. Identifying the individual components of United Kingdom domestic sector carbon emission changes between 1990 and 2000. Energy Policy, 28(3), 193-200.

Törnqvist, L., P. Vartia & Y. O. Vartia, 1985. How should relative changes be measured? The American Statistician, 39(1), 43-46.

Unander, F., I. Ettestøl, M. Ting & L. Schipper, 2004. Residential energy use: an international perspective on long-term trends in Denmark, Norway and Sweden. Energy Policy, 32(12),

1395-1404.

Xu, X. Y. & B. W. Ang, 2014. Analysing residential energy consumption using index decomposition analysis. Applied Energy, 113, 342-351.

Zha, D., D. Zhou & P. Zhou, 2010. Driving forces of residential CO2 emissions in urban and rural China: an index decomposition analysis.

Energy Policy, 38(7), 3377-3383.

Determinants of Electricity Consumption in Taiwan’s Residential Sector - A Decomposition Analysis

Yun-Hsun Huang

ABSTRACT

The building sector is the biggest final energy user globally, and the residential sector absorbs most of the energy consumption of the building sector (around 75 percent). The residential sector has a consuderable role to keep global temperature within 2°C. In terms of Taiwan, the electricity consumption of the residential sector in 2017 was 47.612 billion kWh, accounting for 18.21% of total electricity consumption.

In addition, the residential sector has the highest growth rate of electricity use in the past five years (2013~

2017). It is therefore essential to understand the driving forces behind the changes in residential electricity consumption in Taiwan. Based on the decomposition structure of the energy consumption for households of EU ODYSSEE-MURE, this paper further combines Logarithmic Mean Divisia Index (LMDI) to formulate our decompostion analysis model. The model is then used to explore the impacts of six factors on electricity consumption from residential sector in Taiwan during 2014-2017. Electricity consumption can be decomposed into climatic effect, household effect, more appliances effect, usage time effect, energy savings effect and larger homes effect. Finally, three policy implications are proposed on the basis of our decomposition analysis results.

Keywords:

Received Date: August 29, 2018 Revised Date: October 31, 2018 Accepted Date: November 8, 2018

1 Researcher, Industry, Science and Technology International Strategy Center (ISTI), Industrial Technology Research Institute.

*Corresponding Author, Phone: +886-3-5914745, E-mail: abshung@itri.org.tw