EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 5: 877 - 890

DOI: https://doi.org/10.13284/j.cnki.rddl.003872

A Review on the Application Progress and Prospect of Mobile Phone Signaling Data in Jobs-Housing Relationship, Travel Behavior and Transportation Carbon Emissions Research

  • Yukun Gao , 1 ,
  • Pengjun Zhao , 1, 2
Expand
  • 1. College of Urban and Environmental Sciences, Peking University, Beijing 100871, China
  • 2. School of Urban Planning and Design, Peking University Shenzhen Graduate School, Shenzhen 518055, China

Received date: 2024-03-28

  Revised date: 2024-04-21

  Online published: 2024-05-08

Fold

Abstract

The rapid development of information technology has triggered an explosion of data, marking the era of big data. A wide range of transportation big data has been used in urban space and travel behavior studies since the beginning of this century. Mobile phone signaling data in particular have many advantages: they have prevalent spatial and temporal coverage, high tracking stability, satisfactory resolution, and low cost. The description of urban phenomena and the analysis of their forming mechanisms using mobile phone signaling data are thoroughly studied by previous research. The next course of action is to tackle specific urban problems. This study summarizes the application progress of mobile phone signaling data in job-housing relationships and travel behavior studies, discusses the application prospects of mobile phone signaling data in transportation carbon emissions research based on past applications and the existing literature on low-carbon transportation, and proposes a research framework and several future directions for studies using mobile phone big data to examine job-housing relationships, travel behavior, and transportation carbon emissions. We first provide a brief introduction to the features of mobile phone signaling data in comparison with other commonly used data types, including their type, content, and spatial-temporal resolution. We then review the existing applications in job housing and travel research. Regarding the jobs-housing relationship, prior studies employ mobile phone signaling data to detect the spatial distribution of workplaces and residences of urban dwellers, analyze jobs-housing relationship features and urban spatial structure characteristics, and examine the factors influencing jobs-housing relationships. Regarding travel behavior, studies employ mobile phone signaling data to identify stays and trips, infer trip modes, detect trip routes, and explore the universal laws of human mobility. Next, we also discuss how mobile phone signaling data can be applied to transportation carbon emissions research. Indeed, mobile phone signaling data can be used in the calculation of transportation carbon emissions and analysis of the relationships between urban spatial structure, individual travel behavior, and transportation carbon emissions, and its wide coverage and large sample size can be exploited to fill research gaps and problems that have yet to be resolved using traditional traffic datasets. Finally, we present a research framework underlining the indirect and direct effects of the jobs-housing relationship and travel behavior on transportation carbon emissions. We also propose future directions in study contents and methodological innovations by recommending long time-series longitudinal studies, large-scale comparative studies, and new population and transportation phenomena. We further recommend fusing multi-source big and small data, incorporating machine learning algorithms into traditional statistical analyses, and constructing digital twin models. Examining the jobs–housing relationship, travel behavior, and transport carbon emissions using mobile phone signaling data is essential for clarifying the interactions between urban and regional structures, travel behavior characteristics, and transport carbon emissions. It has important implications for emissions reduction and sustainable development in the context of proposing carbon peaking and carbon neutrality goals.

Key words： mobile phone signaling data; jobs-housing relationship; travel behavior; transportation carbon emissions

Cite this article

Yukun Gao , Pengjun Zhao . A Review on the Application Progress and Prospect of Mobile Phone Signaling Data in Jobs-Housing Relationship, Travel Behavior and Transportation Carbon Emissions Research[J]. Tropical Geography, 2024 , 44(5) : 877 -890 . DOI: 10.13284/j.cnki.rddl.003872

作为移动通讯技术迅猛发展的产物，手机信令数据凭借其样本量大、覆盖率高、收集成本低的优势，为城市空间和交通出行研究提供新的契机（Wang et al., 2018a; Huang et al., 2019），业已成为本世纪应用最广泛的交通大数据类型之一（Yue et al., 2014）。经过长达20余年的探索和发展，基于手机信令数据的人群活动和移动特征识别技术已较为成熟，能对日趋复杂的现代城市系统进行动态感知（Calabrese et al., 2015；钟炜菁 等，2017）。随着信息化程度的加深，学界开始将手机信令数据所提供的用户轨迹信息与社会经济属性、消费行为以及城市空间特征等多源数据进行融合，从而实现对城市现象成因和相互作用的综合分析（Wang et al., 2018b; Zhao and Gao, 2023a）。可见，手机信令数据相关研究已具备良好的现象识别和机制解析基础，未来应加强对具体城市问题的关注，应用现有数据技术推动城市高质量发展。
交通出行产生的温室气体过量排放是当下亟待缓解的城市问题之一（杨文越 等，2019）。城市空间布局低效化，即城市功能分布和建设密度、交通连通性和可达性等特征的不合理化，导致居民出行行为高碳化，即日常活动所需出行距离增长、绿色出行占比下降、道路拥堵加剧等，是交通系统二氧化碳过量排放的主要原因。其中，由职住空间分布和职住关系所构成的职住空间关系是城市空间结构的重要指征，驻留与出行、出行方式、路径和出行决策规律则是交通出行行为的主要特征。因此，职住空间、出行行为与交通碳排放密不可分，职住空间特征和出行行为特征研究是交通碳排放研究的基础。
目前，手机信令数据在职住空间和出行行为领域内的技术应用已能够有效支撑交通碳排放研究，但相关文献对其的使用仍较少。因此，本文基于手机信令数据在职住空间和出行行为研究中的应用成果，探讨手机信令数据应如何应用于交通碳排放研究，从而为相关研究提供思路和方法启发，服务于城市可持续发展。首先，对手机信令数据的分类和特征进行简要概括；随后，总结手机信令数据在职住空间关系和交通出行行为研究中的应用进展，并结合以上技术成果和当前交通碳排放领域研究进展，探讨手机信令数据的应用潜力和场景；最后，对现有研究中手机信令数据的优势和不足进行讨论，并尝试给出研究展望，以期为中国双碳战略目标下的交通碳排放研究提供启示。

1 手机信令数据的分类和特征

现有文献中的“手机信令数据”一词通常为狭义的手机信令数据（Mobile Phone Signaling Data, MPSD）和呼叫详细记录（Call Detail Records, CDRs）的统称。其中，CDRs为事件驱动数据，指入网手机发生接打电话或互联网访问等通信事件时产生的数据记录。MPSD为网络驱动数据，不仅包括通信事件记录，还包含移动通信网络定时自发采集或手机发生基站移动时采集的数据记录（Calabrese et al., 2015; Huang et al., 2019）。
手机信令数据通常包括通信用户带时间戳的位置信息，其中CDRs还包括用户通信信息。如表1所示，与其他轨迹数据相比，手机信令数据时空覆盖度高、样本量庞大、获取成本低，且数据采集稳定性较强，在人群活动和移动性研究中具有突出优势。虽然手机信令数据时空分辨率低于GPS定位数据，但考虑到其采集成本低于GPS数据，且时空精度足以支撑多数应用场景，手机信令数据仍是城市与区域研究中应用最广泛的大数据类型。手机信令数据的空间定位精度主要取决于基站密度，密集城区内其空间分辨率通常为几百米（Calabrese et al., 2011; Horn et al., 2017），郊区则为千米级（Horn et al., 2017）。手机信令数据的时间分辨率主要由采样频率决定，根据相关统计，MPSD平均采样间隔约为CDRs的一半（González et al., 2008; Calabrese et al., 2015）。手机信令数据与居民驻留、出行行为的关系如图1所示。由于MPSD和CDRs数据结构和处理方法相似，本文采用手机信令数据的广义用法，不对二者进行区分。
表1 手机信令数据与其他轨迹数据特征比较

Table 1 Feature comparison of mobile phone signaling data and other trajectory data types

数据特征 手机信令数据 GPS定位数据 出行调查数据
获取方式 移动通信运营商获取 手机APP定位、车载定位等 问卷调查
获取成本 较低 居中 较高
空间范围 城市、区域、国家 城市、区域为主 城市为主
时间范围 月、年、甚至更长时段 周、月为主 周、月为主
空间精度 百米级 米级 具体POI位置
时间精度 分钟、小时级 秒级 具体时刻
样本量 百万、千万级 最高可达百万、千万级 最高可达千、万级
稳定性 稳定实时追踪 仅GPS开启时可追踪 存在报告错误
图1 手机信令数据与个体空间轨迹的关系示意

Fig.1 The relationship between mobile phone signaling data and individual spatial trajectory

2 手机信令数据在职住空间关系研究中的应用进展

根据现有研究，职住空间关系包括职住空间分布和职住关系，其中前者是居民工作地、居住地的空间分布，后者是职住空间分布的匹配关系（刘望保 等，2013；李巍 等，2023）。职住空间关系反映城市空间结构，通过交通出行行为间接影响交通碳排放。因此，许多研究探讨职住空间对出行行为和交通碳排放的作用，而职住空间分布识别、职住关系特征及其影响因素解析则是这些研究的基础。

2.1　职住空间分布识别

在职住空间分布识别方面，已有研究使用手机信令数据进行了大量实践。累积时间法是现有研究中普遍使用的职住空间识别方法。该方法首先基于研究区域内职住作息规律确定工作时段与休息时段，随后计算用户工作、休息时段中在各个驻留地的累积停留时长，根据累积时间识别用户职住地。其中，部分研究采用累积时间最大规则（Yan et al., 2019; Wang et al., 2022），部分研究采用累积时间阈值规则（Zhu et al., 2019）。累计时间法操作简单便捷，但识别结果的准确性和稳定性比较依赖工休时段的选择。因此，一些学者对累积时间法进行改进。如侯笑宇等（2019）将基站位置与地理信息区块数据进行关联，对职住空间识别进行语义增强；海晓东等（2020）将手机信令数据识别结果与调查数据、热力图数据进行对比验证，提高了识别准确性；钟炜菁（2017）、王蓓（2020）等使用聚类方法将同一用户逐日职住地聚合为月度职住地，提升了识别稳定性。整体上，基于手机信令数据的职住空间分布识别操作便捷、准确率较高，能有效地为交通碳排放研究提供城市空间结构信息。

2.2　职住关系特征及其影响因素解析

职住关系特征研究通常基于一定的空间分析单元测度职住关系，并分析和评价职住关系的时空特征。常用的职住关系测度可分为比值测度和距离测度2类，其中，比值测度包括职住比、职住偏离度、空间错位指数（张艳 等，2019；王蓓 等，2020）、空间匹配度（钮心毅 等，2022）、职住自足性（Li et al., 2023）等，距离测度主要为过剩通勤指标（包括平均通勤距离）（Zhang et al., 2017；张艳 等，2019）等；常用的空间单元包括行政区划（区县、乡镇街道和社区）（钮心毅 等，2015；张艳 等，2019；王蓓 等，2020；Li et al., 2023）、交通小区（Zhu et al., 2019; Cui et al., 2023）、均匀网格（根据手机信令数据空间粒度，常用250、500、1 000 m）（李颖 等，2020；Wang et al., 2022）等。由于可变面元问题，即使分析区域相同，分析的基本空间单元不同，得出的比值测度也不尽相同，因而上述研究之间可比性有限。为寻找适宜的分析尺度，部分研究采用半径浮动区作为分析的基本空间单元（Yan et al., 2019；潘海啸 等，2020）。部分研究采用微观个体轨迹数据，研究职住迁移规律及其带来的职住关系变化（冯永恒 等，2020；Zhao and Gao, 2023a; Cui et al., 2024），从而有效避免这一问题。
此外，还有研究从空间分析单元间的出行联系入手，根据手机信令数据提取OD矩阵并分析出行网络特征及其蕴含的空间结构信息。如Zhu（2019）、李颖（2020）等分别使用就业密度、就业总量和职住比联合阈值法、洛伦兹方法识别杭州、广佛地区就业中心分布特征；Zhao等（2023b）证明了城市系统结构及其腹地空间范围符合中心地理论；Liu等（2023）基于城际出行联系网络对郊区城镇中心性异常及其原因进行分析。这些研究有助于城市或区域内部结构的确定。如钮心毅等（2015）基于中心城区与外围区域的通勤联系强度识别了上海通勤区范围；赵鹏军等（2021）根据居民以居住地为起点的累计出行次数测定了北京居民生活圈范围。这些研究有助于城市或区域中心辐射范围的提取和分析。
职住关系的影响因素研究主要关注社会经济、建成环境因素对职住平衡或失衡的作用。基于空间单元的职住关系形成和演变机制分析发现，就业中心距离和规模、产业类型和丰富度、公共交通可达性、土地利用混合度以及地形等对区域职住平衡程度具有显著影响（Zhu et al., 2019）。微观个体层面的职住关系影响因素分析发现，年龄、支付能力、家庭角色、住房产权、是否拥有小汽车等对通勤距离或职住分离程度具有显著影响（潘海啸 等，2020；张顺，2020）。此外，群体和个体层面研究均表明，疫情等具有较大影响力的公共事件能影响职住关系及其演变（Li et al., 2023; Zhao and Gao, 2023a）。与传统数据相比，基于手机信令数据的职住关系特征及其影响因素研究的时空范围更大，并且能兼顾宏观现象与微观机制，在城市空间结构特征及其演变规律方面为交通碳排放研究提供了分析基础。

3 手机信令数据在交通出行行为研究中的应用进展

交通出行行为主要包括出行起讫点、出行方式、出行路径等出行特征以及出行决策过程（柯友华 等，2007；隽志才 等，2008）。交通出行行为是交通碳排放的直接来源。因此，许多研究根据居民出行特征和规律估算其碳排放量，而交通出行特征识别和人群移动规律解析则是这些研究的基础。

3.1　交通出行特征识别

驻留－出行识别是手机信令数据的最早应用之一。早期研究常基于噪声和冗余较大的底层信令数据，因而需先进行数据清洗和整合，包括识别并剔除基站跳动产生的异常数据（Wang and Chen, 2018c）、使停留时长阈值法提取驻留和出行（Jiang et al., 2013; Fekih et al., 2021）。近年来，为维护数据安全、方便数据应用，手机信令数据供应商开始提供经过处理的驻留出行数据，使用者无须进行数据预处理，极大地方便了驻留和出行的提取以及相应的OD矩阵计算。职住地识别和通勤行为提取即为驻留-出行识别的一部分。如刘云舒等（2021）基于职住地识别提取了北京市通勤OD矩阵。除职住地与通勤出行外，相关研究还对城市日常出行和城际出行及其起讫点进行识别。如Calabrese等（2013）提取了波士顿地区居民日常出行；Zhao等（2023c）识别了京津冀城市群城际通勤、以居住地为起点的非通勤出行和以非居住地驻留点为起点的非通勤出行分布；Fekih等（2021）使用交通调查数据对手机信令数据所提取的出行OD矩阵进行校验，发现后者的准确率较高。
基于手机信令数据的出行方式识别研究由城际出行识别开始，逐渐向城市多方式出行的精准识别过度。一些研究识别了航空、铁路、公路等易于区分的城际出行方式（García et al., 2016）。越来越多的研究开始关注城市内部出行方式的识别，识别方法为基于规则的方法和机器学习方法。其中，基于规则的识别以出行特征和轨迹空间邻近性为标准进行判断，如根据出行时间、距离或速度设定阈值（Yamada et al., 2016）、将用户空间轨迹与交通基础设施分布或导航软件推荐路径进行比对（Phithakkitnukoon et al., 2017）等。机器学习方法同样利用出行特征进行方式识别，主要包括有监督的随机森林（Lu et al., 2019）、卷积神经网络（CNN）（Yang et al., 2023）等，以及无监督聚类分析（Chen et al., 2020）等。基于规则的识别方法的准确性依赖识别规则的合理性，需研究者对各类出行方式及其特征具有良好的认知；机器学习方法虽然无需人为确定识别规则，但其结果的可解释性相对有限。因此部分研究采用判别规则与机器学习结合的方法提高识别准确性（Chin et al., 2019; Chen et al., 2022）。此外，还有研究采用主题监督非负矩阵分解模型（Graells-Garrido et al., 2018）等创新方法进行识别，这些方法的可推广性仍需进一步验证。
基于手机信令数据的出行路径识别从用户基站轨迹与城市路网的空间耦合关系入手。Breyer等（2018）将常用的路径识别方法归纳为4类：最短路径法、最小误差法、磁性系数法和磁性系数最小误差法，并总结了各类方法的优缺点。其中，最短路径法，即仅根据出行起讫点寻找最短路径作为识别结果，其算法简洁、便于操作，但轨迹信息利用率较低；最小误差法，其算法目标可理解为最小化路网路径点与基站轨迹点的离差平方和（Tettamanti et al., 2012），虽然能保证路网路径与基站轨迹高度重合，但存在过拟合风险，识别结果容易出现冗余路段；磁性系数法，可视为加权的最短路径法，即根据到用户基站路径的距离赋予路段以出行成本值，对出行成本加权后的路网进行最短路径法识别（Leontiadis et al., 2014; Gundlegård et al., 2016; Forghani et al., 2020），能避免过拟合，但对环状出行路径的识别能力较差；磁性系数最小误差法，首先将用户原始基站轨迹进行分段简化处理，随后对每段简化后的基站轨迹使用磁性系数法进行识别，识别准确率较高，但操作相对复杂。可见，以上方法各有利弊，实操过程中需根据计算量和准确率要求进行权衡取舍。此外，相关研究还进一步探讨了路段流量（Wu et al., 2015; Gundlegård et al., 2016）、速度和拥堵（Gundlegård et al., 2016; Derrmann et al., 2020）等的识别，起连接信令轨迹路径识别技术与路段交通碳排放测定研究的桥梁作用。总的来说，利用手机信令数据识别出行特征可行性较强、精度较高，能有效地为交通碳排放研究提供用户的出行链信息。

3.2　人群移动规律解析

人群移动规律研究包括宏观和微观2类。在宏观人群移动性模型方面，重力模型应用最为广泛，指出交通出行流量与距离成反比、与起讫点吸引力成正比。继重力模型之后，Simini等（2012）基于手机信令数据分析提出辐射模型。在微观个体移动性模型方面，出行轨迹步长和等待时间服从重尾分布，符合连续时间随机行走特征等结论以成为共识，但研究表明，人类移动性并非完全随机过程。如Song等（2010）指出，驻留点到访次数的分布服从齐普夫定律，即幂律分布，并提出探索和偏好返回模型。后续基于手机信令数据的研究还发现，个体的出行目的地选择不仅与驻留点以往访问频率有关，还与驻留点近期是否被访问（近因偏差）（Barbosa et al., 2015）、人群中其他个体的目的地选择（热点偏好）（Schläpfer et al., 2021）有关。此外，还有学者基于手机信令数据对相关规律进行实证分析或验证。如Zhao等（2023c）验证了城际出行量的分布服从齐普夫定律。Zhao等（2023d）基于手机信令数据提取全国大规模人群复工复产流动情况，并进行移动规律挖掘和政策效应分析。不难看出，手机信令数据在人群出行决策的普适规律研究中具有突出优势，能加强学界对人群交通出行决策统计学规律的掌握程度，有助于促进人群移动模拟及碳排放量测算的精细化。

4 手机信令数据在交通碳排放研究中的应用前景

本文交通碳排放主要指客运交通即居民交通出行所产生的二氧化碳排放。城市交通碳排放的来源包括城市内部私人交通、公共交通以及城市对外交通（陈飞 等，2009）。目前，学界已围绕交通碳排放的测定形成较为完整的技术体系。如前所述，城市空间结构和居民出行行为是交通碳排放的主要影响因素，许多学者已对二者对交通碳排放的作用进行分析。本文基于交通碳排放研究进展，以及手机信令数据在职住空间和出行行为领域中的应用成果，探讨手机信令数据在交通碳排放研究中的应用前景。

4.1　交通碳排放测算

交通碳排放测算模型包括自上而下和自下而上2类，其中，自上而下模型适用于城市、区域甚至更大尺度的交通碳排放总量估算，而自下而上模型则适用于交通小区、社区或更小尺度研究。自上而下模型使用能源结构、能源利用效率、各类能源排放强度以及经济发展水平指标如人均GDP、居民消费水平、城镇化率等进行计算（叶祖达，2009；张陶新，2012）。自下而上模型使用能源排放因子与能源消耗量的乘积（张清 等，2012；杨文越 等，2020）或交通方式（各类交通工具和车型）排放因子与出行距离的乘积（荣培君 等，2019；于谦 等，2023）测算交通碳排放量。其中，能源法所使用的碳排放因子更为权威，但交通方式法操作更为简便，在灵活性方面更胜一筹（马静 等，2011）。随着碳排放测算的精细化，一些学者进一步将道路服务水平、交通拥堵程度（或车辆行驶速度和加速度）等纳入考量，使用考虑这些因素的排放因子进行交通碳排放测算（Nyhan et al., 2016; Cui et al., 2023）。除基于真实出行数据的交通碳排放测算研究外，还有学者根据城市出行OD矩阵、导航软件路径算法（或其他已知路径算法）模拟城市路况，并结合碳排放因子进行城市交通碳排放仿真研究（Cornacchia et al., 2022）。
通过驻留-出行识别、出行方式和路径识别技术，能从手机信令数据中提取人群出行轨迹信息，用于交通碳排放测算研究。目前，已有学者提出基于手机定位数据和车辆轨迹数据进行交通污染测算的操作框架（Liu et al., 2013），相关实证分析也逐步展开。如于谦等（2023）基于手机信令数据识别职住地和通勤方式，使用自下而上的交通方式法测算居民通勤碳排放量；何榕健等（2023）使用信令数据提取居民各类出行方式的出行距离，并主要基于自下而上的能源法对小汽车、公交车和地铁出行碳排放量进行核算；马书红等（2024）基于手机信令数据识别城际客运量，并根据方式分担率数据和交通方式法计算城际公路、铁路出行碳排放量。与出行调查和GPS轨迹等常用于交通碳排放测算的数据相比，手机信令数据能提供更大范围、更长时序的出行信息，具有较广的应用前景。

4.2　城市空间结构与交通碳排放

已有研究对城市空间结构影响交通碳排放的探讨主要集中在城市或区域层面的建成区规模、中心分布结构和中心联系强度，以及交通小区或社区层面的城市空间特征5“D”体系上。从城市或区域层面看，城市规模扩张导致碳源增加、碳汇减少，碳排放总量增加（Xia et al., 2019）；多中心结构能在一定程度上分散就业、减少通勤，从而降低交通碳排放（陈飞 等，2009；Sun et al., 2020）；区域中各城市社会经济联系越紧密，越有助于要素自由流动和能源高效利用，从而达到减碳目的（Brown et al., 2009；方丹 等，2023）。从社区层面看，影响出行行为和交通碳排放的建成环境因素包括密度、多样性、设计、可达性和到公共交通的距离5类（Ewing and Cervero, 2010）。其中，密度指标反映城市建设和人群活动的紧凑程度；多样性指标通常测量土地利用混合度或职住平衡程度；设计相关指标包括城市路网通达性和街道、街区设计等；可达性指标反映研究对象在城市或区域空间结构中的位置，如网络中心性、到市中心的距离等；到公共交通的距离度量公共交通服务水平（Cui et al., 2023）。一般而言，较高的密度、土地利用多样性、路网通达性、可达性和公共交通供给能通过影响居民出行距离和方式促进交通减碳（马静 等，2011；Cirilli and Veneri, 2014；曹小曙 等，2015；荣培君 等，2019；Wu et al., 2019；杨文越 等，2020；乔岩 等，2023；马书红 等，2024）。尽管城市空间结构对交通碳排放的影响研究较多，学界对城市空间特征的减碳效应尚未达成统一共识。如有研究表明集聚效应使得大城市能源利用效率更高，城市规模越大，人均碳排放越低（Liu et al., 2021）；高密度的城市建设会导致交通拥堵，增加交通碳排放（Levinson and Kumar, 1997），或加剧城市热岛效应，增加通风制冷等产生的碳排放（Debbage and Shepherd, 2015）。
通过职住空间分布识别和影响因素解析技术，能从手机信令数据中提取空间结构信息，有助于分析城市空间结构对交通碳排放的影响。目前，已有部分学者使用手机信令数据展开研究。如Cui等（2023）结合手机信令数据、车辆轨迹和类型数据分析深圳市建成环境对路面交通碳排放的影响，发现职住关系和公共交通可达性是影响路段碳排放的重要因素。与调查数据相比，手机信令数据较难与出行者态度或意愿数据进行关联，因而难以控制这些因素，从而消减自选择效应（Cao et al., 2009），但相关研究仍可通过调整实验设计达到这一目的。虽然许多学者对建成环境对交通碳排放的影响进行总结（Salon et al., 2012；叶玉瑶 等，2012；杨文越 等，2019），但现有研究在城市规模、密度对交通碳排放的影响等方面并未形成共识，而被规划界普遍采信的多中心城市结构对交通碳排放的影响也未得到大量实证支撑。而手机信令数据以其样本量大、覆盖范围广的优势，能较好地弥补这一空缺。

4.3　居民出行行为与交通碳排放

已有居民出行行为对交通碳排放的影响研究主要探讨了出行距离和方式的作用。研究表明，较高的交通碳排放是长距离出行和非低碳出行方式共同作用的结果（曹小曙 等，2015；于谦 等，2023），其中出行方式的影响远大于出行距离（或出行总量）（马静 等，2011）。有学者对不同交通方式的碳排放因子进行测定，验证了小汽车（包括出租车）碳排放效率最低，而公交车和轨道交通是最为低碳的城市交通方式（张清 等，2012；田佩宁 等，2024）。早期研究多使用随机效用模型及其衍生模型，或在行为经济学轻推理论框架下探索居民出行方式的选择机制。随着交通系统的信息化和智能化，学界开始关注智慧交通发展和新型交通方式的出现对交通碳排放的影响。在智慧交通方面，智慧交通系统可为出行者提供实时信息、辅助全局交通管理，有助于提高交通系统运行效率，从而降低交通碳排放（曹小曙 等，2015；Zhao et al., 2022）。在新型交通方式方面，定制公交被认为是促进公共交通发展（龚华炜 等，2017）、减少私家车出行（Yu et al., 2020; Xia et al., 2022）的低碳交通方式；自动驾驶电动汽车（Ercan et al., 2022）和共享电动车（Fukushige et al., 2023）同样能减少城市交通碳排放。与上述交通方式相反，多数学者认为共享汽车、网约车和自动驾驶汽车将替代传统低碳出行方式，其空跑行为也会产生额外碳排放，对城市环境产生负面影响（Dong, 2020; Ngo et al., 2021; Jia et al., 2022）。
通过交通出行特征识别和人群移动规律解析技术，能从手机信令数据中提取出居民出行行为模式，有助于出行行为对交通碳排放的影响研究。如前文所述，手机信令数据不仅包含出行起讫点位置数据，还提供人群出行轨迹信息，基于此可结合出行方式识别对路网路段进行具体交通碳排放估算，还可进一步结合基础地理信息数据、POI数据等分析不同建成环境特征与出行方式选择和交通碳排放的关系。虽然使用手机信令数据难以对相似出行方式进行细致区分，如区分共享单车和自行车、网约车和私家车等，但仍可利用其大样本优势进行新型交通方式或服务对出行方式选择的影响研究，如网约车进入或退出市场对公共交通出行选择的影响、新建骑行绿道对骑行出行选择的影响等。此外，由于其时空覆盖广，手机信令数据在减碳政策情景模拟方面也具有突出优势。

5 总结与展望

5.1　研究技术框架

综上，本文对手机信令数据在职住空间关系和交通出行行为领域中的应用进展及其在交通碳排放领域的应用前景进行总结（图2）。整体而言，手机信令数据在职、住空间分布识别与职住关系特征及其影响因素解析、交通出行特征识别和移动规律解析方面已形成良好的应用基础，已有技术服务于交通碳排放研究的可操作性较强，应用前景广阔。
图2 基于手机信令数据的职住空间、交通出行和交通碳排放研究技术框架

Fig.2 A research framework for jobs-housing relationship, travel behavior and transportation carbon emissions studies based on mobile phone signaling data

5.2　优势与劣势

手机信令数据在职住空间、交通出行和交通碳排放研究中所具有的优势包括：1）手机信令数据获取成本较低，因而更易于获得人群活动和移动的大范围、长时序观测。在城市系统复杂化背景下，越来越多的学者呼吁纵向研究和对比研究（Sultana et al., 2019），手机信令数据能支持相关研究设计的实施。2）手机信令数据量庞大。大样本量为数据筛选、扩样等提供保障，能在一定程度上弥补时空精度和取样逻辑上的不足。3）手机信令数据易与其他大小数据结合、灵活运用空间大。手机信令数据能通过地理空间与多源数据结合使用，如车辆GPS定位数据（Derrmann et al., 2020）、城市POI数据（Xiao et al., 2020）、普查和调查数据（张艳 等，2019；潘海啸 等，2020），从而拓宽了应用范围。
手机信令数据在职住空间、交通出行和交通碳排放研究中面临的挑战包括：1）数据空间精度稍低，识别准确率检验仍需加强。手机信令数据空间精度为百米级，因而在交通方式识别方面无法对相似方式（如自行车和共享单车、私家车和出租车等）进行区分，在出行路径识别中难以精确到支路层面。此外，识别所使用的验证数据多为集计统计数据，缺乏真实观测数据检验。近年来，随着手机信令数据的不断推广，该问题得到一定缓解，部分出行方式识别文献采用监督方法，对识别准确性进行系统评估，发现不同方法存在差别，但总体上准确率较高（Chin et al., 2019; Chen et al., 2022）。然而，目前路径识别研究仍然较少，相关研究应进一步对各种路径识别方法的准确率进行检验。2）取样偏差。手机信令数据中数据质量良好的用户多为经常使用手机的青中年群体，而对未成年人和老年人群体采样不足；由于郊区、小城市等区域运营商基站密度低于大城市中心城区，这些区域的研究精度较为受限。目前，人群取样偏差问题主要通过扩样解决，从而提高样本代表性（海晓东 等，2020），但该方法基于集计统计数据和手机信令数据所提供的有限的社会经济属性变量（如性别、年龄等）确定扩样系数，仍无法完全保证扩样准确性。因此，基于手机信令数据的相关研究应如实报告数据的取样偏差问题，并应进一步关注扩样的精细化问题。3）手机信令数据记录个体用户详细的时空轨迹，为避免泄露客户隐私，数据必须进行匿名化处理。然而，由于其高维性，通过匿名时空轨迹推断出背后用户的可能性仍存在，这一潜在风险带来一些应用限制。因此，在使用手机信令数据的过程中，应严格遵守相关操作规定，在展示统计结果时避免底层数据泄露。

5.3　未来研究内容与技术创新方向

城市交通碳排放研究对实现双碳战略目标、建设生态宜居城市具有重要意义，而职住空间和交通出行研究有助于厘清城市交通问题，是交通碳排放研究的基础。在大数据时代背景下，本文对手机信令数据在职住空间关系和交通出行行为领域的实证应用进行总结，并结合交通碳排放研究的相关进展探讨手机信令数据的应用前景。
未来手机信令数据能在3方面为城市空间、交通出行和碳排放研究提供新的可能性：1）长时序动态研究。由于同一区域长期连续观测数据获取难度较大，现有文献采用纵向研究设计者较少。多月或多年手机信令数据可用于研究居民职住地选择和迁移、交通出行方式和路径选择变化及其带来的城市空间结构、交通需求和结构变化，以及这些动态变化对交通碳排放的影响。相关研究还可采用事件分析等准实验设计，探讨突发事件、政策推行等对交通碳排放的作用。2）大范围对比研究。传统数据研究中，同一数据源所覆盖的空间范围有限，而不同数据源之间兼容性较低，限制了研究范围和结论的可推广性。手机信令数据能提供大范围非集计人群移动轨迹信息，且不同国家、不同运营商所提供的信令数据结构相似，这为不同城市、区域甚至不同国家间交通碳排放时空规律和减排机制对比研究提供契机。3）人口和交通新现象研究。当前，新的人口和交通现象层出不穷，如第二次人口转型中家庭结构简单化、社区网络淡化，信息化浪潮下线上虚拟活动对真实活动和出行的替代，以及智能交通发展带来的定制公交、顺风车等新型交通服务模式。新时代城市职住空间关系和交通出行行为会出现哪些新特征、城市交通碳排放将发生何种变化、如何应对等话题均需手机信令数据等交通大数据的庞大样本支撑。
未来研究可能对手机信令数据应用技术带来的突破包括3方面：1）多源数据融合。手机信令数据与多源大小数据结合的潜力较大，除现有群体层面的数据融合外，信令轨迹还可与用户上网和APP使用行为、消费行为信息相结合以获取精准用户画像、与出行调查和GPS轨迹数据相结合以修正出行方式和路径识别等。2）机器学习增强。目前，已有学者使用机器学习方法对城市空间特征和人群移动规律进行识别和分析（Chen et al., 2024）。随着人工智能、机器学习的不断发展，将手机信令数据结合机器学习进行数据挖掘增强，从而实现人群活动与移动的高精度预测已成为相关领域的热点方向。3）数字孪生构建。现有研究已基于出行轨迹模拟进行城市路况和碳排放仿真模型的构建。未来，手机信令数据出行识别结果若能作为人群真实出行轨迹输入模型，则可构建基于大规模实时交通信息的城市数字孪生模型，有助于城市交通系统智能化运营以及交通碳排放实时监测和管理。

高瑜堃：负责论文撰写与图件制作；

赵鹏军：指导本文选题、框架设计，参与论文修改。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Barbosa H, De Lima-Neto F B, Evsukoff A, and Menezes R. 2015. The Effect of Recency to Human Mobility. EPJ Data Science, 4(1). DOI: 10.1140/epjds/s13688-015-0059-8.

Breyer N, Gundlegård D, and Rydergren C. 2018. Cellpath Routing and Route Traffic Flow Estimation Based on Cellular Network Data. Journal of Urban Technology, 25(2): 85-104.

Brown M A, Southworth F, and Sarzynski A. 2009. The Geography of Metropolitan Carbon Footprints. Policy and Society, 27(4): 285-304.

Calabrese F, Di Lorenzo G, Liu L, and Ratti C. 2011. Estimating Origin-Destination Flows Using Mobile Phone Location Data. IEEE Pervasive Computing, 10(4): 36-44.

Calabrese F, Diao M, Di Lorenzo G, Ferreira J, and Ratti C. 2013. Understanding Individual Mobility Patterns from Urban Sensing Data: A Mobile Phone Trace Example. Transportation Research Part C-Emerging Technologies, 26: 301-313.

Calabrese F, Ferrari L, and Blondel V D. 2015. Urban Sensing Using Mobile Phone Network Data: A Survey of Research. ACM Computing Surveys, 47(2): 25. DOI: 10.1145/2655691.

曹小曙，杨文越，黄晓燕. 2015. 基于智慧交通的可达性与交通出行碳排放——理论与实证. 地理科学进展，34（4）：418-429.

Cao Xiaoshu, Yang Wenyue, and Huang Xiaoyan. 2015. Accessibility and CO2 Emissions from Travel of Smart Transportation: Theory and Empirical Studies. Progress in Geography, 34(4): 418-429.

Cao X (J), Mokhtarian P L, and Handy S L. 2009. Examining the Impacts of Residential Self-Selection on Travel Behaviour: A Focus on Empirical Findings. Transport Reviews, 29(3): 359-395.

陈飞，诸大建，许琨. 2009. 城市低碳交通发展模型、现状问题及目标策略——以上海市实证分析为例. 城市规划学刊，（6）：39-46.

Chen Fei, Zhu Dajian, and Xu Kun. 2009. Research on Urban Low-carbon Traffic Model, Current Situation and Strategy: An Empirical Analysis of Shanghai. Urban Planning Forum, (6): 39-46.

Chen J T, Xiong C, and Cai M. 2022. A Travel Mode Identification Framework Based on Cellular Signaling Data. Mobile Information Systems, 2: 2113213. DOI: 10.1155/2022/2113213.

Chen X X, Xu X D, and Yang C. 2020. Trip Mode Inference From Mobile Phone Signaling Data Using Logarithm Gaussian Mixture Model. Journal of Transport and Land Use, 13(1): 429-445.

Chen, Y T, Zhao P J, Lin Y, Sun Y S, Chen R, Yu L, and Liu Y. 2024. Semantic-Enhanced Graph Convolutional Neural Networks for Multi-Scale Urban Functional-Feature Identification Based on Human Mobility. ISPRS International Journal of Geo-Information, 13(1): 27. DOI: 10.3390/ijgi13010027.

Chin K, Huang H, Horn C, Kasanicky I, and Weibel R. 2019. Inferring Fine-Grained Transport Modes from Mobile Phone Cellular Signaling Data. Computers Environment and Urban Systems, 77: 101348. DOI: 10.1016/j.compenvurbsys.2019.101348.

Cirilli A and Veneri P. 2014. Spatial Structure and Carbon Dioxide (CO2) Emissions Due to Commuting: An Analysis of Italian Urban Areas. Regional Studies, 48(12): 1993-2005.

Cornacchia G, Böhm M, Mauro G, Nanni M, Pedreschi D, and Pappalardo L. 2022. How Routing Strategies Impact Urban Emissions. (2022-07-04) [2023-10-10]. https://doi.org/10.48550/arXiv.2207.01456.

Cui X Z, Zhuang C G, Jiao Z Z, Tan Z Z, and Li S Y. 2023. How Can Urban Built Environment (BE) Influence On-Road (OR) Carbon Emissions? A Road Segment Scale Quantification Based on Massive Vehicle Trajectory Big Data. Journal of Transport Geography, 111: 103669. DOI: 10.1016/j.jtrangeo.2023.103669.

Cui Y, Zhao P, Li L, Li J, Gong M Y, Deng Y L, Si Z H, Yan S C, and Dang X W. 2024. A New Model for Residential Location Choice Using Residential Trajectory Data. Humanities and Social Sciences Communications, 11: 255. DOI: 10.1057/s41599-024-02678-2.

Debbage N and Shepherd J M. 2015. The Urban Heat Island Effect and City Contiguity. Computers Environment and Urban Systems, 54: 181-194.

Derrmann T, Frank R, Viti F, and Engel T. 2020. How Road and Mobile Networks Correlate: Estimating Urban Traffic Using Handovers. IEEE Transactions on Intelligent Transportation Systems, 21(2): 521-530.

Dong X X. 2020. Trade Uber for the Bus? An Investigation of Individual Willingness to Use Ride-Hail Versus Transit. Journal of the American Planning Association, 86(2): 222-235.

Ercan T, Onat N C, Keya N, Tatari O, Eluru N, and Kucukvar M. 2022. Autonomous Electric Vehicles Can Reduce Carbon Emissions and Air Pollution in Cities. Transportation Research Part D-Transport and Environment, 112: 103472. DOI: 10.1016/j.trd.2022.103472.

Ewing R and Cervero R. 2010. Travel and the Built Environment. Journal of the American Planning Association, 76(3): 265-294.

方丹，杨谨，陈绍晴. 2023. 城市群多中心发展的碳减排效应及其作用机制. 中国人口·资源与环境，33（9）：45-58.

Fang Dan, Yang Jin, and Chen Shaoqing. 2023. Effects and Mechanisms of the Polycentric Development of Urban Agglomerations on Carbon Emission Reduction. China Population, Resources and Environment, 33(9): 45-58.

Fekih M, Bellemans T, Smoreda Z, Bonnel P, Furno A, and Galland S. 2021. A Data‑Driven Approach for Origin-Destination Matrix Construction From Cellular Network Signalling Data: A Case Study of Lyon Region (France). Transportation, 48(4): 1671-1702.

冯永恒，赵鹏军，伍毅敏，梁洁，张岩. 2020. 基于手机信令数据的大城市功能疏解的人口流动影响——以北京动物园批发市场为例. 城市发展研究，27（12）：38-44.

Feng Yongheng, Zhao Pengjun, Wu Yimin, Liang Jie, and Zhang Yan. 2020. Assessing the Impact of Function Dispersion in Big Citys on Population Relocation Using Mobile Phone Data: A Case Study of the Zoo Wholesale Market in Beijing. Urban Development Studies, 27(12): 38-44.

Forghani M, Karimipour F, and Claramunt C. 2020. From Cellular Positioning Data to Trajectories: Steps Towards a More Accurate Mobility Exploration. Transportation Research Part C-Emerging Technologies, 117: 102666. DOI: 10.1016/j.trc.2020.102666.

Fukushige T, Fitch D T, and Handy S. 2023. Estimating Vehicle-Miles Traveled Reduced From Dock-less E-bike-share: Evidence From Sacramento, California. Transportation Research Part D-Transport and Environment, 117: 103671. DOI: 10.1016/j.trd.2023.103671.

García P, Herranz R, Ramasco J J, Andrienko G, Adler N, and Ciruelos C. 2016. Big Data Analytics For a Passenger-Centric Air Traffic Management System: A Case Study of Door-to-door Intermodal Passenger Journey Inferred From Mobile Phone Data. (2016-11-08) [2024-02-28]. https://www.sesarju.eu/sites/default/files/documents/sid/2016/SIDs_2016_paper_30.pdf.

龚华炜，靳文舟，郝小妮，罗强. 2017. 定制公交的博弈定价方法. 华南理工大学学报（自然科学版），45（8）：70-76.

Gong Huawei, Jin Wenzhou, Hao Xiaoni, and Luo Qiang. 2017. Investigation into Pricing Game of Customized City Bus Service. Journal of South China University of Technology(Natural Science Edition), 45(8): 70-76.

González M C, Hidalgo C A, and Barabási A L. 2008. Understanding Individual Human Mobility Patterns. Nature, 453(7196): 779-782.

Graells-Garrido E, Caro D, and Parra D. 2018. Inferring Modes of Transportation Using Mobile Phone Data. EPJ Data Science, 7: 49. DOI: 10.1140/epjds/s13688-018-0177-1.

Gundlegård D, Rydergren C, Breyer N, and Rajna B. 2016. Travel Demand Estimation and Network Assignment Based on Cellular Network Data. Computer Communications, 95: 29-42.

海晓东，刘云舒，赵鹏军，张辉. 2020. 基于手机信令数据的特大城市人口时空分布及其社会经济属性估测——以北京市为例. 北京大学学报（自然科学版），56（3）：518-530.

Hai Xiaodong, Liu Yunshu, Zhao Pengjun, and Zhang Hui. 2020. Using Mobile Phone Data to Estimate the Temporal-Spatial Distribution and Socioeconomic Attributes of Population in Megacities: A Case Study of Beijing. Acta Scientiarum Naturalium Universitatis Pekinensis, 56(3): 518-530.

何榕健，陈立峰，何建文，王楠，李尧，张紫琪，许志楠，邹亚娜，李乐溢，王祥荣. 2023. 城市居民出行碳排放模型构建及其应用. 复旦学报（自然科学版），62（6）：796-806.

He Rongjian, Chen Lifeng, He Jianwen, Wang Nan, Li Yao, Zhang Ziqi, Xu Zhinan, Zou Yana, Li Leyi, and Wang Xiangrong. 2023. Construction and Application of Urban Residents' Travel Carbon Emission Model. Journal of Fudan University (Natural Science), 62(6): 796-806.

Horn C, Gursch H, Kern R, Cik M, Stanton N A, Landry S, DiBucchianico G, and Vallicelli A. 2017. QZTool-Automatically Generated Origin-Destination Matrices From Cell Phone Trajectories. Advances in Human Aspects of Transportation, 484: 823-833.

侯笑宇，司连法，王梅红，贺风. 2019. 结合手机信令数据和地理空间数据的居民职住信息识别. 测绘通报，（5）：139-142.

Hou Xiaoyu, Si Lianfa, Wang Meihong, and He Feng. 2019. Work-Home Identification Based on Mobile Phone Signaling Data and Geospatial Data. Bulletin of Surveying and Mapping, (5): 139-142.

Huang H S, Cheng Y, and Weibel R. 2019. Transport Mode Detection Based on Mobile Phone Network Data: A Systematic Review. Transportation Research Part C-Emerging Technologies, 101: 297-312.

Jia W J, Chen T D, and Zhang W W. 2022. Willingness-to-Relocate: Examining Preferences for Parking Relocation of Privately-Owned Automated Vehicles. Transportation Research Part D-Transport and Environment, 108: 103318. DOI: 10.1016/j.trd.2022.103318.

Jiang S, Fiore G A, Yang Y, Ferreira J, Frazzoli E, and González M C. 2013. A Review of Urban Computing for Mobile Phone Traces: Current Methods, Challenges and Opportunities. In: Koonin S E, Wolfson O E, and Zheng Y. UrbComp '13: Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing. New York: Association for Computing Machinery, 1-9.

隽志才，鲜于建川. 2008. 交通信息作用下的活动-出行决策行为研究. 中国公路学报，21（4）：88-93.

Juan Zhicai, and Xianyu Jianchuan. 2008. Research on Activity-travel Decision Behavior with Effect of Traffic Information. China Journal of Highway and Transport, 21(4): 88-93.

柯友华，云美萍. 2007. 城市出行选择行为机理研究. 交通运输工程与信息学报，5（2）：95-102.

Ke Youhua, and Yun Meiping. 2007. Analysis of Traveler's Choice Behavior Mechanism. Journal of Transportation Engineering and Information, 5(2): 95-102.

Leontiadis I, Lima A, Kwak H, Stanojevic R, Wetherall D, and Papagiannaki K. 2014. From Cells to Streets: Estimating Mobile Paths with Cellular-side Data. In: Proceedings of the 2014 Conference on Emerging Networking Experiments and Technologies (CoNEXT’14). New York: Association for Computing Machinery, 121-132.

Levinson D and Kumar A. 1997. Density and the Journey to Work. Growth and Change, 28(2): 147-172.

李巍，王宗相，王录仓，漆建武. 2023. 中国城市职住空间关系研究缘起、现状、困境与展望. 城市问题，（8）：37-45.

Li Wei, Wang Zongxiang, Wang Lucang, and Qi Jianwu. 2023. The Origin, Current Status, Challenges and Prospects of Urban Jobs-Housing Relationship Research in China. Urban Problems, (8): 37-45.

李颖，陈婷婷，李郇，许伟攀，郎嵬. 2020. 基于手机信令的跨界地区职住中心识别及其模式——以广佛地区为例. 热带地理，40（2）：206-216.

Li Ying, Chen Tingting, Li Xun, Xu Weipan, and Lang Wei. 2020. Identification and Patterns of Employment and Residential Centers in a Cross-Border Region Based on Mobile Phone Signaling Data: A Case Study of Guangzhou and Foshan. Tropical Geography, 40(2): 206-216.

Li Z J, Zhao P J, Yu L, Hai X D, and Feng Y H. 2023. The Changes in Job-Housing Balance During the Covid-19 Period in China. Cities, 137. DOI: 10.1016/j.cities.2023.104313.

Liu H Y, Skjetne E, and Kobernus M. 2013. Mobile Phone Tracking: In Support of Modelling Traffic-Related Air Pollution Contribution to Individual Exposure and Its Implications for Public Health Impact Assessment. Environmental Health, 12: 93. DOI: 10.1186/1476-069X-12-93.

Liu J H, Li M X, and Ding Y T. 2021. Econometric Analysis of the Impact of the Urban Population Size on Carbon Dioxide (CO2) Emissions in China. Environment Development and Sustainability, 23(12): 18186-18203.

刘望保，侯长营. 2013. 国内外城市居民职住空间关系研究进展和展望. 人文地理，28（4）：7-12，40.

Liu Wangbao, and Hou Changying. 2013. Review and Prospect of Research on Spatial Relationship between Employment and Residential Location in Domestic and Abroad. Human Geography, 28(4): 7-12, 40.

刘云舒，赵鹏军，吕迪. 2021. 大数据城市通勤交通模型的构建与模拟应用. 地球信息科学学报，23（7）：1185-1195.

Liu Yunshu, Zhao Pengjun, and Lyu Di. 2021. Big-Data Oriented Commuting Distribution Model and Application in Large Cities. Journal of Geo-information Science, 23(7): 1185-1195.

Liu Z Y, Zhao P J, Liu Q Y, Cui Y Z, Yang Y, Liu J, Li B H, and Li J W. 2023. Exploring the Spatial Characteristics of the Human Mobility Network in Rural Settings of China's Greater Bay Area. Journal of Transport Geography, 112: 103699. DOI: 10.1016/j.jtrangeo.2023.103699.

Lu Z B, Long Z, Xia J X, and An C C. 2019. A Random Forest Model for Travel Mode Identification Based on Mobile Phone Signaling Data. Sustainability, 11(21): 5950. DOI: 10.3390/su11215950.

马静，柴彦威，刘志林. 2011. 基于居民出行行为的北京市交通碳排放影响机理. 地理学报，66（8）：1023-1032.

Ma Jing, Chai Yanwei, and Liu Zhilin. 2011. The Mechanism of CO2 Emissions from Urban Transport Based on Individuals' Travel Behavior in Beijing. Acta Geographica Sinica, 66(8): 1023-1032.

马书红，陈西芳，杨磊，赵玉哲，曾玉. 2024. 可达性对城市群多模式交通碳排放的空间异质性影响. 交通运输系统工程与信息[2024-04-21]. [Ma Shuhong, Chen Xifang, Yang Lei, Zhao Yuzhe, and Zeng Yu. 2024. Impacts of Accessibility on Spatial Heterogeneity of Multimodal Transportation Carbon Emissions in Urban Agglomeration. Journal of Transportation Systems Engineering and Information Technology[2024-04-21].] https://link.cnki.net/urlid/11.4520.U.20240403.1649.009.

Ngo N S, Gotschi T, and Clark B Y. 2021. The Effects of Ride-Hailing Services on Bus Ridership in a Medium-Sized Urban Area Using Micro-Level Data: Evidence From the Lane Transit District. Transport Policy, 105: 44-53.

钮心毅，丁亮. 2015. 利用手机数据分析上海市域的职住空间关系——若干结论和讨论. 上海城市规划，（2）：39-43.

Niu Xinyi and Ding Liang. 2015. Analyzing Job-Housing Spatial Relationship in Shanghai Using Mobile Phone Data: Some Conclusions and Discussions. Shanghai Urban Planning Review, (2): 39-43.

钮心毅，林诗佳. 2022. 后工业化时代产业园区职住空间关系演变模式——基于大数据的实证研究. 同济大学学报（社会科学版），33（1）：67-77.

Niu Xinyi and Lin Shijia. 2022. The Evolution Modes of Job-Housing Spatial Relationship in Industrial Parks in the Post-Industrial Era: An Empirical Study Based on Big Data. Journal of Tongji University (Social Science Edition), 33(1): 67-77.

Nyhan M, Sobolevsky S, Kang C G, Robinson P, Corti A, Szell M, Streets D, Lu Z F, Britter R, Barrett S R H, and Ratti C. 2016. Predicting Vehicular Emissions in High Spatial Resolution Using Pervasively Measured Transportation Data and Microscopic Emission’s Model. Atmospheric Environment, 140: 352-363.

潘海啸，王紫瞻. 2020. 空间单元选择及多维度要素对职住平衡成效的影响. 城市规划学刊，（2）：25-31.

Pan Haixiao and Wang Zizhan. 2020. The Effects of Spatial Measurement Choice and Multidimensional Factors on Jobs-Housing Balance. Urban Planning Forum, (2): 25-31.

Phithakkitnukoon S, Sukhvibul T, Demissie M, Smoreda Z, Natwichai J, and Bento C. 2017. Inferring Social Influence in Transport Mode Choice Using Mobile Phone Data. EPJ Data Science, 6: 11. DOI: 10.1140/epjds/s13688-017-0108-6.

乔岩，焦利民. 2023. 全球视角下城市形态对交通碳排放的影响. 地理研究，42（12）：3202-3218.

Qiao Yan and Jiao Limin. 2023. Impacts of Urban Form on Transportation Carbon Emissions from a Global Perspective. Geographical Research, 42(12): 3202-3218.

荣培君，张丽君，秦耀辰，李阳，郑智成. 2019. 建成环境对城市居民日常出行碳排放的影响——以开封市248个居住区为例. 地理研究，38（6）：1464-1480.

Rong Peijun, Zhang Lijun, Qin Yaochen, Li Yang, and Zheng Zhicheng. 2019. Impact of Built Environment on Carbon Emissions from Daily Travel of Urban Residents: A Case Study of 248 Residential Areas in Kaifeng. Geographical Research, 38(6): 1464-1480.

Salon D, Boarnet M G, Handy S, Spears S, and Tal G. 2012. How do Local Actions Affect VMT? A Critical Review of the Empirical Evidence. Transportation Research Part D-Transport and Environment, 17: 495-508.

Schläpfer M, Dong L, O'Keeffe K, Santi P, Szell M, Salat H, Anklesaria S, Vazifeh M, Ratti C, and West G B. 2021. The Universal Visitation Law of Human Mobility. Nature, 593(7860): 522-527

Simini F, González M C, Maritan A, and Barabási A L. 2012. A Universal Model for Mobility and Migration Patterns. Nature, 484(7392): 96-100.

Song C M, Koren T, Wang P, and Barabási A L. 2010. Modelling the Scaling Properties of Human Mobility. Nature Physics, 6(10): 818-823.

Sultana S, Salon D, and Kuby M. 2019. Transportation Sustainability in the Urban Context: A Comprehensive Review. Urban Geography, 40(3): 279-308.

Sun B D, Han S D, and Li W. 2020. Effects of the Polycentric Spatial Structures of Chinese City Regions on CO2 Concentrations. Transportation Research Part D-Transport and Environment, 82: 102333. DOI: 10.1016/j.trd.2020.102333.

Tettamanti T, Demeter H, and Varga I. 2012. Route Choice Estimation Based on Cellular Signaling Data. ACTA Polytechnica Hungarica, 9(4): 207-220.

田佩宁，张皓翔，毛保华，张书婧. 2024. 城市客运方式碳排放强度比较研究. 中国环境科学[2024-04-21]. [Tian Peining, Zhang Haoxiang, Mao Baohua, and Zhang Shujing. 2024. Comparison of Carbon Emission Intensity of Different Urban Passenger Transport Modes. China Environmental Science[2024-04-21].] https://doi.org/10.19674/j.cnki.issn1000-6923.20240011.005.

王蓓，王良，刘艳华，杨波，黄晓春，杨明. 2020. 基于手机信令数据的北京市职住空间分布格局及匹配特征. 地理科学进展，39（12）：2028-2042.

Wang Bei, Wang Liang, Liu Yanhua, Yang Bo, Huang Xiaochun, and Yang Ming. 2020. Characteristics of Jobs-Housing Spatial Distribution in Beijing Based on Mobile Phone Signaling Data. Progress in Geography, 39(12): 2028-2042.

Wang Z, He S Y, and Leung Y. 2018a. Applying Mobile Phone Data to Travel Behaviour Research: A Literature Review. Travel Behaviour and Society, 11: 141-155.

Wang Y H, Correia G H D, Van Arem B, and Timmermans H J P. 2018b. Understanding Travellers' Preferences for Different Types of Trip Destination Based on Mobile Internet Usage Data. Transportation Research Part C-Emerging Technologies, 90: 247-259.

Wang F L and Chen C. 2018c. On Data Processing Required to Derive Mobility Patterns From Passively-Generated Mobile Phone Data. Transportation Research Part C-Emerging Technologies, 87: 58-74.

Wang J, Zhou C J, Rong J, Liu S Y, and Wang Y. 2022. Community-Detection-Based Spatial Range Identification for Assessing Bilateral Jobs-Housing Balance: The Case of Beijing. Sustainable Cities and Society, 87: 104179. DOI: 10.1016/j.scs.2022.104179.

Wu C, Thai J, Yadlowsky S, Pozdnoukhov A, and Bayen A. 2015. Cellpath: Fusion of Cellular and Traffic Sensor Data for Route Flow Estimation Via Convex Optimization. Transportation Research Part C-Emerging Technologies, 59: 111-128.

Wu X, Tao T, Cao J, Fan Y, and Ramaswami A. 2019. Examining Threshold Effects of Built Environment Elements on Travel-Related Carbon-Dioxide Emissions. Transportation Research Part D-Transport and Environment, 75: 1-12.

Xia C Y, Li Y, Xu T B, Chen Q X, Ye Y M, Shi Z, Liu J M, Ding Q L, and Li X S. 2019. Analyzing Spatial Patterns of Urban Carbon Metabolism and Its Response to Change of Urban Size: A Case of the Yangtze River Delta, China. Ecological Indicators, 104: 615-625.

Xia D, Zheng L J, Cai X L, Liu W N, and Sun D H. 2022. Urban Customized Bus Design for Private Car Commuters. IEEE Internet of Things Journal, 9(21): 21723-21735.

Xiao C, Silva E A, and Zhang C. 2020. Nine-Nine-Six Work System and People's Movement Patterns: Using Big Data Sets to Analyse Overtime Working in Shanghai. Land Use Policy, 90: 104340. DOI: 10.1016/j.landusepol.2019.104340.

Yamada Y, Uchiyama A, Hiromori A, Yamaguchi H, and Higashino T. 2016. Travel Estimation Using Control Signal Records in Cellular Networks and Geographical Information. In: IEEE. Proceedings of the 9th IFIP Wireless and Mobile Networking Conference (WMNC). Colmar: IEEE, 138-144.

Yan L X, Wang D, Zhang S W, and Xie D C. 2019. Evaluating the Multi‑Scale Patterns of Jobs‑Residence Balance and Commuting Time-Cost Using Cellular Signaling Data: A Case Study in Shanghai. Transportation, 46(3): 777-792.

杨文越，曹小曙. 2019. 多尺度交通出行碳排放影响因素研究进展. 地理科学进展，38（11）：1814-1828.

Yang Wenyue and Cao Xiaoshu. 2019. Progress of Research on Influencing Factors of CO2 Emissions from Multi-Scale Transport. Progress in Geography, 38(11): 1814-1828.

杨文越，梁斐雯，曹小曙. 2020. 多尺度建成环境对居民通勤出行碳排放的影响——来自广州的实证研究. 地理研究，39（7）：1625-1639.

Yang Wenyue, Liang Feiwen, and Cao Xiaoshu. 2020. Examining the Effects of the Multi-Scale Built Environment on Residents' CO2 Emissions from Commuting: An Empirical Study of Guangzhou. Geographical Research, 39(7): 1625-1639.

Yang Z, Xie Z, Hou Z, Ji C H, Deng Z T, Li R, Wu X D, Zhao L, and Ni S. 2023. A Method of User Travel Mode Recognition Based on Convolutional Neural Network and Cell Phone Signaling Data. Electronics, 12(17): 3698. DOI: 10.3390/electronics12173698.

叶玉瑶，张虹鸥，许学强，吴旗韬. 2012. 面向低碳交通的城市空间结构：理论、模式与案例. 城市规划学刊，（5）：37-43.

Ye Yuyao, Zhang Hong'ou, Xu Xueqiang, and Wu Qitao. 2012. The Urban Spatial Structure Towards Low-Carbon Transportation: Theory, Model and Case Study. Urban Planning Forum, (5): 37-43.

叶祖达. 2009. 碳排放量评估方法在低碳城市规划之应用. 现代城市研究，24（11）：20-26.

Yip Stanley. 2009. Application of Carbon Dioxide Emission Audit to the Planning of Low Carbon Cities. Modern Urban Research, 24(11): 20-26.

于谦，刘海海，邱树荣，赵嘉雨. 2023. 基于手机信令数据的城市通勤碳排放分析. 武汉理工大学学报（交通科学与工程版）[2024-04-21]. [Yu Qian, Liu Haihai, Qiu Shurong, and Zhao Jiayu. 2023. Analysis of Urban Commuting Carbon Emission Based on Mobile Phone Signaling Data. Journal of Wuhan University of Technology (Transportation Science & Engineering)[2024-04-21].] https://kns.cnki.net/kcms2/detail/42.1824.U.20230704.1258.046.html.

Yu Q, Zhang H R, Li W F, Song X, Yang D Y, and Shibasaki R. 2020. Mobile Phone GPS Data in Urban Customized Bus: Dynamic Line Design and Emission Reduction Potentials Analysis. Journal of Cleaner Production, 272: 122471. DOI: 10.1016/j.jclepro.2020.122471.

Yue Y, Lan T, Yeh A G O, and Li Q Q. 2014. Zooming into Individuals to Understand the Collective: A Review of Trajectory-Based Travel Behaviour Studies. Travel Behaviour and Society, 1: 69-78.

Zhang P, Zhou J, and Zhang T. 2017. Quantifying and Visualizing Jobs-Housing Balance with Big Data: A Case Study of Shanghai. Cities, 66: 10-22.

张清，陶小马，杨鹏. 2012. 特大型城市客运交通碳排放与减排对策研究. 中国人口·资源与环境，22（1）：35-42.

Zhang Qing, Tao Xiaoma, and Yang Peng. 2012. Research on Carbon Emissions from Metropolis Urban Passenger Transport and Countermeasures. China Population, Resources and Environment, 22(1): 35-42.

张顺. 2020. 基于多源数据的特大城市职住空间特征研究. 南京：东南大学.

Zhang Shun. 2020. Research on the Characteristics of Employment-Residential Space in Megacities Based on Multi-source Data. Nanjing: Southeast University. DOI: 10.27014/d.cnki.gdnau.2019.001752.

张陶新. 2012. 中国城市化进程中的城市道路交通碳排放研究. 中国人口·资源与环境，22（8）：3-9.

Zhang Taoxin. 2012. Research on China’s Urban Road Transport Carbon Emissions Under Urbanization Process. China Population, Resources and Environment, 22(8): 3-9.

张艳，李春江，黄建毅，孟斌，孙蕊. 2019. 基于多源数据融合的北京市职住空间特征研究. 城市发展研究，26（12）：37-45.

Zhang Yan, Li Chunjiang, Huang Jianyi, Meng Bin, and Sun Rui. 2019. Spatial Characteristics of Jobs-Housing Relationship of Beijing City Based on Multi-Source Data Integration. Urban Development Studies, 26(12): 37-45.

Zhao C Y, Wang K, Dong X C, and Dong K Y. 2022. Is Smart Transportation Associated with Reduced Carbon Emissions? The Case of China. Energy Economics, 105: 105715. DOI: 10.1016/j.eneco.2021.105715.

Zhao P and Gao Y. 2023a. Discovering the Long-term Effects of COVID-19 on Jobs-Housing Relocation. Humanities and Social Sciences Communications, 10: 633. DOI: 10.1057/s41599-023-02155-2.

Zhao P, Hu H, and Yu Z. 2023b. Investigating the Central Place Theory Using Trajectory Big Data. Fundamental Research, [2024-04-26]. https://www.sciencedirect.com/science/article/pii/S266732582300 2431.

Zhao P, Hu H, Zeng L, Chen J, and Ye X. 2023c. Revisiting the Gravity Laws of Inter-city Mobility in Megacity Regions. Science China-Earth Sciences, 66(2): 271-281.

Zhao P, Liu Q, Ma T, Kang T, Zhou Z, Liu Z, Zhang M, and Wan J. 2023d. Policy Instruments Facilitate China's COVID-19 Work Resumption. Proceedings of the National Academy of Sciences of the United States of America, 120(41): e2305692120. DOI: 10.1073/pnas.2305692120.

赵鹏军，罗佳，胡昊宇. 2021. 基于大数据的生活圈范围与服务设施空间匹配研究——以北京为例. 地理科学进展，40（4）：541-553.

Zhao Pengjun, Luo Jia, and Hu Haoyu. 2021. Spatial Match Between Residents' Daily Life Circle and Public Service Facilities Using Big Data Analytics: A Case of Beijing. Progress in Geography, 40(4): 541-553.

钟炜菁，王德，谢栋灿，晏龙旭. 2017. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索. 地理研究，36（5）：972-984.

Zhong Weijing, Wang De, Xie Dongcan, and Yan Longxu. 2017. Dynamic Characteristics of Shanghai's Population Distribution Using Cell Phone Signaling Data. Geographical Research, 36(5): 972-984.

Zhu J, Niu X Y, and Shi C. 2019. The Influencing Factors of a Polycentric Employment System on Jobs-Housing Matching-A Case Study of Hangzhou, China. Sustainability, 11(20): 5752. DOI: 10.3390/su11205752.

Options
Outlines

/

〈 〉