绿色出行是当前城市可持续发展的关键内容(Zhao et al.，2024)，居民出行产生的碳排放作为全球气候变化的重要原因之一受到广泛关注(Schwanen et al.，2011；Brand et al.，2021)。国际大城市中，居民出行已成为城市碳排放的主要来源之一，如伦敦居民出行产生的碳排放占全市碳排放总量的20％以上(UK Department For Business，Energy & Industrial Strategy，2021)，纽约这一比例则超过25％(New York City Mayor's Office of Climate & Environmental Justice，2024)。在中国，2019年粤港澳大湾区居民出行碳排放占总量的比例也达到22％(黄卓晖等，2023)。这一趋势下，联合国可持续发展目标(SDGs)提出到2030年建成安全、可负担、无障碍且可持续的交通系统，以期构建低碳出行环境(United Nations，2015)。当前，减少居民出行碳排放也已成为中国的重大战略需求之一。2020年9月，中国提出“双碳”目标，明确要求优化交通运输结构，推动绿色低碳出行(中共中央国务院，2021)。同年10月“十四五”规划进一步强调加快构建绿色低碳的交通运输体系并提出实施绿色出行行动计划(中华人民共和国中央人民政府，2021)。这一战略指引下，配套措施陆续出台，中央层面国家发展改革委(2010)推动低碳城市试点建设，交通运输部(2021)启动绿色出行城市创建计划；地方层面北京、深圳等地相继出台地方性政策以优化出行结构，减少居民出行碳排放(Zhao & Zhang，2018)。 准确识别城市居民出行碳排放的时空特征是交通地理和交通规划面临的重要科学问题之一，也是合理制定低碳交通决策的前提条件。但是，特大城市中居民出行与城市空间的相互作用过程复杂多变，居民出行受到个体偏好、建成环境等多维因素的影响与扰动，如何精准测定全量居民的出行碳排放是重要挑战。现有研究主要包括2类路径，其一是自上而下的宏观建模方法，通常依托城市总体交通量、车辆保有量、能源消耗系数等统计数据(Adlouni et al.，2024)，通过构建排放因子模型或交通能源投入—产出模型，估算城市整体或某一行政单元的交通碳排放水平(Dong et al.，2024)，其在城市或区域层级碳核算方面具有较大优势(Lin et al.，2013)，但城市内部统计数据常有所缺失，易对研究形成限制，且由于宏观统计数据缺乏对个体出行行为的描述能力，难以捕捉出行活动的动态演化与空间分布规律(Fung et al.，2024)，亦无法揭示不同居民群体之间的碳排放差异，研究的深度与实用性相对有限。 其二是自下而上的方法，其相比于自上而下方法，能更精确有效地衡量居民日常出行活动的碳排放情况。早期研究多依托GPS轨迹、问卷调查等小样本数据(Barla et al.，2011；Zahabi et al.，2012；Brand et al.，2013；刘清春等，2018)，结合出行方式、出行距离、交通工具类型、能耗水平等变量，开展居民出行碳排放的测算、分析。该类方法在微观层面提供了重要参考，但受限于样本容量小、空间代表性不足、数据收集周期长、主观偏差大等问题(Huang et al.，2019)，难以满足对碳排放时空分布进行高分辨率、多维刻画的研究需求。近年来，手机信令数据的逐步兴起为微观层面的技术突破提供了可能。手机信令数据能长时序记录居民个体的出行时空轨迹(冯永恒等，2020；Zhao et al.，2023)，对于居民出行碳排放的测定研究具有重要意义。目前，相关研究在学界初步展开，如于谦等(2024)使用3万余次出行数据，利用阈值法判断出行方式，并使用高德地图路径规划推测实际出行距离，基于出行方式、车辆能源、载客率和出行距离测定上海市居民通勤碳排放量。何榕健等(2023)利用14余万条出行数据，基于出行方式、车辆能源、不同时段载客率和出行距离，测定中国某城市居民出行碳排放。但由于用户隐私保护等因素，当前手机信令数据的获取与预处理相对复杂，相关研究仍较为有限，居民出行方式的划分及其碳排放的计算仍较为粗糙。且手机信令轨迹信息难以验证是目前研究共同面临的关键技术问题，当前普遍的做法是在全市域或某个空间单元上对识别结果进行集计，同已有的出行调查或观测数据进行比对，该做法虽在宏观尺度上对识别结果的准确度有所证明，但未能完成更细精度的居民个体层面的轨迹信息验证(于谦等，2024)，研究在微观层面的可信度难以评价。 基于此，本研究提出了一种包含轨迹校验的，基于手机信令数据的居民出行碳排放测定框架，并以深圳市为例开展技术应用，探究城市居民出行碳排放的时空特征。 1 基于手机信令数据的居民出行碳排放测定框架构建 测定框架主要包括个体级居民出行方式识别、个体级居民出行碳排放量计算与时空集计3个核心环节(图1)。个体级出行方式识别方面，结合抽样出行日志调查校验轨迹信息，采用手机—基站连接位置判断与随机森林(Random Forest，RF)分类器识别5类主要出行方式，结合用户问卷调查结果检验精度。个体级碳排放核算方面，结合相关标准精细化构建各出行方式碳排放因子，并引入共乘修正系数、时间修正系数、速度修正系数等增强核算的准确性与动态性。集计分析方面，采用网格化空间单元与细化的时间分辨率，结合人口属性系统刻画居民出行碳排放的格局与特征。
