2026-Causal impacts of multimodal network expansions on urban mobility: Evidence from a fast-growing megacity


地铁和道路一起变方便,开车的次数占比还会上升吗?

论文名片|Meng Zhou、Li Guo、Gege Jiang、Jincheng Jiang、Donggen Wang,Causal impacts of multimodal network expansions on urban mobility: Evidence from a fast-growing megacity,Cities,2026,179:107463,2026年7月30日在线发表。DOI:10.1016/j.cities.2026.107463。本文依据期刊正式版解读。研究类型是重复横截面上的准实验因果估计。

设想两户深圳家庭,都在2016年到2020年之间觉得出门更方便了。一户住宅800米以内的轨道站变多了,所在交通分析区的道路密度没有提高。另一户两件事一起发生:近处的轨道站变多了,周围的路也更密了。直觉常常把两件事拆开讲:地铁把人拉上轨道,新路把人拉进小汽车。这篇论文要估计的,是这两股力量单独出现和一起出现时,工作日出行日记里的方式占比各自怎么变。

方向先说在前面。只提高轨道可达性时,轨道出行占个人出行次数的比例上升,小汽车占比下降。只提高道路密度时,小汽车占比上升。两件事同时发生时,轨道对轨道占比的拉动变小;在已经获得轨道改善的地方,道路密度再提高,并没有再检出小汽车占比上升。这些是居住地分组上的次数占比效应。全样本的方式结构、机动车车公里,以及同一个人换没换方式,要分开看。

先说结论

  • 在2016年与2020年的深圳居民出行调查里,仅轨道可达性提高的居住地,相对两类可达性都没有提高的居住地,轨道次数占比的处理效应是+3.840个百分点,2016年处理组基线为13.368%;小汽车为-2.108个百分点,基线15.119%。
  • 仅道路可达性提高时,小汽车次数占比+1.024个百分点,基线10.616%;非机动方式-3.921个百分点,基线46.756%;出行总距离-0.493公里,基线9.496公里。公交和轨道的单独道路效应因平行趋势不成立,主表留空。
  • 两类可达性都提高、对照只有道路提高时,轨道占比只再增加0.637个百分点,基线9.631%,论文标为0.05水平显著;小汽车仍下降2.301个百分点,基线同样是13.615%。
  • 两类都提高、对照只有轨道提高时,小汽车效应为-0.222个百分点,标准误0.006,不显著。事前趋势被论文标为不显著。道路单独出现时的小汽车上升,在这个对照里没有再出现。
  • 2020年调查在12月进行。全市样本的公交、骑行占比在2016—2020年变动很大。双重差分只能在组间趋势可比时把共同冲击去掉。2010—2016年的对照与主结论方向大体一致,但那一组没有平行趋势检验。

全市样本先经历了什么?

深圳被选来做这件事,是因为道路和轨道在同一座高密度城市里一起扩张。论文给出的城市背景是:市域1997.47平方公里、十个行政区;到2023年末常住人口1779万,地区生产总值超过3.46万亿元。第一条地铁于2004年开通。到2023年,地铁有17条线路、567公里,年客运量2.7115亿人次;在营道路721公里,其中高速公路近400公里。这些是2023年的城市画像。后面的因果比较停在2010、2016和2020三轮调查,不要把567公里当成处理期的线路长度。

深圳轨道线路与道路网的空间分布

图 1|2010到2020年,深圳的轨道往哪里延伸,道路又铺在哪里?

原图没有字母子图,上下两幅地图共用深圳轮廓。(上)灰色为陆地,深色圆点是轨道站;红线为2010年轨道,蓝线为2016年,青色为2020年。早期线路挤在南部建成区,后两期向北、向东伸出。比例尺以公里计。(下)绿线是深圳道路网,西部和南部建成区连成密网,东部、北部较疏。两幅图说明供给在空间上同时变化,不能从线的疏密读出某个人的方式选择。来源:原论文 Fig. 1。

轨道供给的数量在表4。运营里程2010年66公里、2016年290公里、2020年416公里,前一段接近四倍,后一段增加126公里,相当于2016年里程的43.4%(126/290)。车站数51、199、286座。站点覆盖范围45.62、209.88、298.94平方公里。住在覆盖范围内的受访者比例,从2010年的29.77%升到2016年的62.43%,再升到2020年的77.06%。分母是各年调查受访者,论文正文把它说成人口的三分之二以上;表4的口径是受访者。

道路的城市总量几乎走平,局部仍在变密。高速公路长度1617、1638、1634公里。城市道路面积89.41、119.20、122.49平方公里。平均道路密度11.92、26.82、27.25(单位1/公里),大头发生在2010—2016年,2016—2020年只增加0.43。与此同时,小汽车保有量1.37、2.79、3.01百万辆,公交车12,456、15,483、17,004辆,出租车14,340、17,842、21,358辆。公交车和出租车十年增幅,论文计算为36.51%和48.94%。密度平均数接近不动,仍可以有一半左右的受访者住在密度上升的交通区里。处理组抓的就是这种局部上升,不是全市平均密度多出来的0.43。

三轮居民出行调查的规模和方式结构在表5。抽样是普查小区按人口规模概率抽样,再抽家庭,入户访问合格成员,设计覆盖人口的大约2%—3%。这是三批重复横截面,不是同一批人的追踪。

口径 2010 2016 2020
受访者人数 182,676 125,100 119,532
人均出行次数 2.05 1.78 2.32
人均出行时间(分钟) 47.84 46.39 59.64
人均出行距离(公里) 6.99 10.67 9.47
出行总次数 373,741 222,757 276,918
其中小汽车 7.39% 12.26% 12.67%
其中公交 15.71% 25.79% 8.2%
其中轨道 0.6% 9.4% 7.93%
其中骑行 6.74% 4.42% 22.99%
其中步行 61.99% 39.42% 46.30%
机动车出行次数 116,324 125,810 86,909
机动车中的小汽车 23.75% 21.70% 40.36%
机动车中的公交 50.46% 45.66% 25.28%
机动车中的轨道 1.86% 16.68% 27.60%

全部出行的方式占比以该年全部出行次数为分母。2020年小汽车占全部出行的12.67%,占机动车出行的40.36%,两个百分比不能互换。机动车出行2020年只有86,909次,少于2016年的125,810次;小汽车在这个更小的分母里升到40.36%。公交从2016年占全部出行的25.79%降到8.2%,骑行从4.42%升到22.99%。论文把后一段和疫情联系起来。2020年调查在12月,脚注写当时深圳的疫情已得到控制。全市描述里的暴涨暴跌,本身还不是轨道或道路的处理效应。

谁算被处理,对照的又是谁?

因果比较的处理,是居住地可达性在2016—2020年有没有提高,不是这个人离现有车站近不近。

轨道可达性是居住地800米内的轨道站点数。800米来自广东省国土空间规划的步行距离标准。道路可达性是交通分析区的道路长度除以该区面积,也就是道路密度。深圳有1071个交通分析区,平均约2.2平方公里。道路没有固定上下车点,所以用密度,不用“800米内有没有一条路”。两个指标的空间单位不同:轨道算在家门口的圆里,道路算在整片交通区上。一个人可以只碰上其中一件。

结果主要是这个人工作日出行日记里的方式次数占比:小汽车、公交、轨道、非机动。描述统计把步行和骑行分开,因果表里的非机动没有再拆开。一次短距离步行和一次长距离开车各算一次。占比下降,不等于这种方的总里程下降。日记还汇总了出行次数、总时间和总距离。协变量包括住房类型、家庭人口、家庭年收入、家庭小汽车数、是否本地户口、性别、年龄、是否接受过高等教育,以及交通区的土地利用混合熵、人口密度、到最近区域中心的直线距离、是否住在城市片区。本地户口指户籍登记在当前居住地。这些变量进入倾向得分和结果回归,用来减轻组间可比性上的可见差异。

四类居住地在表2中互斥。人数是各年受访者,两年相加不是面板人数。

2016—2020年的居住地变化 2016年人数 2020年人数
只有轨道可达性提高 20,562 10,035
只有道路可达性提高 42,426 43,680
两类都提高 13,964 7,731
两类都没有提高 48,075 48,311

2016年四组合计125,027人,比表5的125,100人少73人。2020年四组合计109,757人,比119,532人少9,775人。论文没有解释这些受访者为什么没有进入分组。获得轨道改善的两组,2020年人数大约是2016年的一半;只有道路改善、以及两类都没有改善的两组,人数基本持平。这会影响2020年处理组均值的估计样本,论文没有把它解释成人口迁出。

表4还有一行“可达性得到改善的受访者比例”:轨道在2016年为30.09%、2020年为16.46%,道路为45.10%和46.84%,2010年为空。道路这两格可以用表2复核。2016年道路改善人数是42,426+13,964=56,390,除以四组合计125,027,得45.10%。2020年是43,680+7,731=51,411,除以109,757,得46.84%。轨道对不上:2016年只有轨道加上两类都改善,是34,526人,占125,027人的27.61%,表4写的是30.09%;2020年相应为17,766人,占16.19%,表4写16.46%。正文说2016年样本约三成、2020年样本约16%新获得车站,与表4的文字一致,与表2人数比例并不相同。下面的效应估计以表2的分组为准。

四组比较各自回答一个问题。

  1. 只有轨道改善,对照两类都没有改善。这是轨道单独扩张的效应。处理组20,562+10,035人,对照组48,075+48,311人。
  2. 只有道路改善,对照同样是两类都没有改善。这是道路单独变密的效应。处理组42,426+43,680人。
  3. 两类都改善,对照只有道路改善。两组都经历了道路变密,差别在轨道有没有改善。表3把它列为第4组,表7放在“轨道可达性改善”一列。
  4. 两类都改善,对照只有轨道改善。两组都有轨道改善,差别在道路密度有没有提高。表3列为第3组,表7放在“道路可达性改善”一列。

后两格的2016年基线相同,因为处理组都是“两类都改善”的13,964人。它们是两个对照下的效应,不能相加,也不能和前两格的单独效应相加。

双重差分在补哪一个看不到的结果?

每个受访者只会被观察到一种状态:家所在的地方要么后来变方便了,要么没有。处理组平均处理效应要的是,这些后来变方便的人,实际结果与“假如居住地没有获得这种改善”之间的差。后半截没有被观察到。双重差分用对照组在干预前后的变化,去代表处理组若未被处理时的变化。这件事成立的关键假设是:没有这项改善时,两组的结果原本会按相近的趋势走。这叫平行趋势。它去掉的是不随时间改变的组间差异,以及两组共同经历的年份冲击。

普通双重差分常把效应写成一条直线,并且默认每个人受到的影响相同。城市里的方式选择很难满足这两点。本文使用的估计器是机器学习双重稳健双重差分,正文记为 DML_DRDID,流程图来自作者此前的框架,估计细节指向 Zhou、Huang 等2024年的方法论文。双重稳健指两条工作模型:一条估计“以协变量预测,某人进入处理组的概率”,也就是倾向得分;另一条在对照组里估计协变量与结果的关系。两条里有一条设对了,处理效应仍然可以保持一致。交叉拟合把样本随机分成 K 份,用每一份的补集训练,再在留出的那一份上预测,得到 K 个效应后取平均,用来减轻过拟合。本文没有写出 K 的取值。

双重稳健双重差分的交叉拟合流程

图 2|处理效应怎样从样本切分里算出来?

原图没有字母子图。左端是全部样本。上下两行是同一套步骤,分别落在第1份和第 K 份留出样本上,中间的省略号代表其余折。每一折用补集训练机器学习模型,估计倾向得分 ê 和结果回归 μ̂,再在留出样本上预测,送入双重稳健估计器,得到这一折的效应;最右端把 K 个效应平均。图中列出的候选模型包括 Lasso、GBM、随机森林和多层感知机。本文实际选用 Lasso,理由是它能做变量筛选、结果较易解释,并且在前述模拟研究里表现较好。这张图没有比较四种算法在深圳数据上的差异,也没有给出 K。来源:原论文 Fig. 2。

主分析只有两期:2016年是干预前,2020年是干预后。平行趋势用2010年和2016年再做一次同样的回归。分组仍按2016—2020年谁的居住地会改善来指定,因此这时的“效应”发生在改善之前。论文把不显著的事前结果标成粗体;事前结果显著,就视为平行趋势不成立,主表相应格子留空。因为只有两期事前样本,这不是带多个提前期的事件研究。

分开看时,轨道和道路把次数占比推向哪一边?

表6先做前两种对照。基线是2016年该处理组的均值,不是表5的全市均值。居住地将在此后提高800米内车站数量、且道路密度不提高的20,562人,2016年轨道次数占比已经是13.368%,高于全市样本的9.4%。效应是在这个基线之上的后续变化,还要减去对照组的变化。

只有轨道改善时,通过平行趋势并被报告的方式结果是:

  • 轨道占比+3.840个百分点,标准误0.005,0.01水平显著。相对本组基线13.368%,增幅相当于基线的28.7%(3.840/13.368)。
  • 小汽车-2.108个百分点,标准误0.004,0.01水平显著。基线15.119%,下降相当于基线的13.9%(2.108/15.119)。
  • 公交+1.594个百分点,标准误0.005,0.01水平显著。基线27.773%。
  • 非机动-3.336个百分点,标准误0.007,0.01水平显著。基线37.608%。

出行时间的点估计是+1.072分钟,标准误0.610,基线52.421分钟,不显著。出行次数和总距离的事前趋势不成立,主表留空。因此,轨道单独扩张在这套检验里改变的是次数怎么分配,没有给出“人出门更多”或“人走得更远”的可用因果估计。

公交占比上升,和一些研究发现轨道排挤公交的结果相反。作者的解释是,新的轨道可能通过换乘把公交一起带起来。这是对这一个对照的解读。下一节换了对照之后,公交的符号会反过来。

只有道路变密时,能报告的结果更少。事前趋势成立的是出行时间、总距离、小汽车和非机动;次数、公交、轨道不成立,留空。小汽车的事前伪效应是0.095,标准误0.050,论文标为不显著,所以主效应仍保留:+1.024个百分点,标准误0.002,0.01水平显著,基线10.616%。相对基线大约上升9.6%(1.024/10.616)。非机动-3.921个百分点,标准误0.004,基线46.756%。总距离-0.493公里,标准误0.138,基线9.496公里,大约短5.2%(0.493/9.496)。时间只增加0.356分钟,标准误0.368,基线44.973分钟,不显著。

这条道路结果需要放回它的分母。它说的是个人日记里的小汽车次数占比上升大约1个百分点,同时日记总距离略短。它没有估计全市机动车行驶里程,也没有估计“多修一公里路、车公里增加多少”的弹性。文献里那条接近1的道路容量弹性,不能从这个1.024个百分点里读出来。作者还提醒,这里的道路密度不同于交叉口密度:更长的道路可以增加骑行和步行的风险,所以非机动占比下降,并不推翻“加密局部街道有时促进步行”的其他研究。那类研究测的是另一种路网。

方式占比旁边的标准误在表中是0.002—0.007这样的小数,效应则写成百分数。旅行时间和距离的标准误与效应使用同一套单位,显著性与常规的比值大体相符。占比这一行,论文没有说明标准误是按百分点还是按0—1比例印刷。下面只转述表中的数字和星号,不再自行把标准误换算成p值。

两张网一起变,对照换了,符号也跟着换

同时改善的效应放在表7。轨道列的对照是“只有道路改善”,道路列的对照是“只有轨道改善”。2016年基线都来自两类都改善的那13,964人:小汽车13.615%,公交26.255%,轨道9.631%,非机动44.463%,出行次数1.884,时间49.010分钟,距离9.585公里。

轨道列里,事前趋势成立并报告出来的是三个方式占比。轨道+0.637个百分点,标准误0.005,只标到0.05水平。小汽车-2.301个百分点,标准误0.005,0.01水平显著。公交-1.780个百分点,标准误0.006,0.01水平显著。次数、时间、距离和非机动的事前趋势不成立,留空。非机动的事前系数是0.050,标准误0.007。

把这一列和单独轨道对照放在一起,轨道占比的效应从+3.840个百分点变成+0.637个百分点,显著水平也从0.01降到0.05。小汽车仍然下降,而且降幅仍在2个百分点以上。公交则从+1.594个百分点变成-1.780个百分点。作者据此说:道路同时扩张时,轨道吸引轨道出行的能力变弱;轨道与公交的关系从互补转成竞争;减少小汽车次数占比的作用还在。这个“还在”依赖的对照,是那些道路也变密、但轨道可达性没有提高的人。

道路列回答的是另一句话:在轨道已经改善的地方,道路再变密还有没有额外作用。小汽车-0.222个百分点,标准误0.006,没有星号。事前系数0.007,标准误0.003,论文标为不显著。单独道路对照里的+1.024个百分点,换到这个对照就不再出现。公交-1.774个百分点,标准误0.007,0.05水平显著,事前趋势成立。非机动+1.759个百分点,标准误0.009,0.05水平显著,基线44.463%,事前趋势也成立。出行次数-0.010,标准误0.020,不显著。出行时间-4.863分钟,标准误0.782,0.01水平显著,基线49.010分钟,大约相当于基线的9.9%(4.863/49.010)。距离的事前系数0.536,标准误0.151,平行趋势不成立,主表留空。

轨道占比在道路列被报告为-1.739个百分点,标准误0.006,并标了0.01水平显著。它的事前系数是0.008,标准误0.004,没有被标成不显著。按表7的注释,平行趋势不成立的估计应予省略。这一格是主表和事前检验之间没有对齐的地方。正文又把交互分析里的方式占比整体说成事前趋势大体成立,讨论也只准备依靠方式占比。因此,“同时有轨道改善时,道路扩张降低了轨道占比”比同表的小汽车结果更弱:小汽车那一格的事前系数被明确标成不显著,轨道这一格没有。

时间缩短4.863分钟、次数几乎不动,作者读成更短的出行,并把它和非机动占比上升放在一起,联系到轨道站点周边的高密度混合用地。距离估计留空,所以“出行更短”目前有时间证据,没有通过平行趋势的距离证据。土地利用混合熵的水平确实更高:2016年,只有轨道改善的地区为0.602,两类都改善为0.595,只有道路改善为0.553,两类都没有改善为0.557。到2020年,四组的变化只有+0.128%、+0.056%、-0.409%和-0.379%。混合度在窗口内几乎没动。它能说明轨道相关地区一直更混合,不能说明2016—2020年的道路项目制造了新的混合用地,也不能代替方式占比本身的效应。

事前趋势和疫情前年份,各自保住了哪几条?

单独轨道的方式占比四项,事前结果都不显著,主结果可以按论文的规则讨论。单独道路保住了小汽车、非机动、时间和距离;公交与轨道从一开始就没有进入主结论。交互分析里,轨道列的小汽车、公交、轨道占比事前不显著;道路列的小汽车、公交、非机动、次数和时间事前不显著。道路列的轨道占比是上面说的那处裂缝。

疫情前的2010—2016年被用来看方向是否还在,处理按这两年之间真实发生的可达性改善重新指定。论文写明,这一段做不了平行趋势检验,只是补充参照,主结论仍以2016—2020年为准。

方向上对得上的关键对比有两处。轨道对轨道占比的效应,单独发生时是+7.831个百分点,标准误0.028;在与道路同时改善的对照里是+2.125个百分点,标准误0.009。都显著,同时发生时更小,和主分析的“3.840对0.637”是同一种落差,数值更大。道路对小汽车的额外效应,在已有轨道改善的对照里是-0.207个百分点,标准误0.006,不显著;主分析是-0.222个百分点,同样不显著。

对不上的格子也应该留在视野里。单独道路的非机动效应,2010—2016年是+8.992个百分点,标准误0.109,不显著;2016—2020年是-3.921个百分点且显著。总距离从前一期的+0.340公里、标准误2.031,变成后一期的-0.493公里。交互分析里,道路列的出行时间从前一期的-0.146分钟变成-4.863分钟。作者把这些差异归于扩张阶段不同,以及前一期缺少平行趋势检验。它们说明“方向大体稳定”覆盖的是轨道占比的落差和小汽车额外效应的消失,不覆盖每一行。

疫情的威胁写在讨论里。若轨道更方便的地区更回避拥挤的公共交通,或更容易用短途步行替代乘车,而道路没有改善的地区更难改,组间趋势就会被疫情拉开。服务中断也会更多落到依赖公交的人身上。作者用2010—2016年的同号结果来说明行为反应整体还在,同时承认那不是决定性的因果证据。

这些判断停在哪一层

可以站住的说法是:在深圳这三轮入户日记中,按居住地可达性是否提高来分组,并在协变量、倾向得分和平行趋势的约束下,轨道单独改善对应更高的轨道次数占比和更低的小汽车次数占比;道路单独变密对应略高的小汽车次数占比;两者同时发生时,轨道占比的增幅变小,道路对小汽车占比的上升不再显著。

再说远一步,证据就换了对象。效应的单位是受访者的次数占比,一次出行一票。全市描述里的机动车占比使用另一套分母。道路容量与车公里的弹性、站点开通对同一个人的前后影响、改善了几座车站或密度提高了多少,都没有在这个二元处理里估计。重复横截面比较的是两批住在这类地方的人。喜欢轨道的人在两轮调查之间搬进新站点范围,只要这种搬迁没有被年龄、收入、学历和汽车保有量等协变量吸收,就会进到处理效应里。论文明确没有态度数据,也没有空间相关、处理强度和目的地可达性。

2023年的人口、线路长度和客运量只说明深圳后来仍在扩张。主结果的外部边界,作者放在快速增长、高密度、轨道与道路并发的城市;效应的具体百分点不打算原样搬到已趋于稳定的城市。

一句话总结

地铁和道路一起变方便时,深圳样本里没有再检出小汽车次数占比上升;轨道相对于“只把路网变密”的居住地,仍对应大约2.3个百分点的小汽车占比下降,但它把出行拉上轨道的幅度,比轨道单独改善时小得多。

核心来源

  • Cities正式版,10.1016/j.cities.2026.107463。Cities 179 (2026) 107463。收稿日期2025年11月29日,修回2026年7月7日,接受2026年7月23日,2026年7月30日在线发表。正文图只有 Fig. 1 和 Fig. 2,结果集中在表2至表11。
  • 数据可用性说明:作者无权共享数据。资助来自国家自然科学基金(42471253、42201495)和深圳市科技计划(KCXFZ20240903093911016)。
  • 估计器的方法来源是 Zhou、Huang、Tu、Wang,2024,Travel Behaviour and Society 上的机器学习双重差分;流程图注明出自 Zhou、Wang 等2024年关于深圳轨道扩张的研究。本文把该框架用到轨道与道路的联合对照。

作者介绍

以下只写论文署名机构和贡献说明。

  • Meng Zhou:中山大学智能工程学院、广东省智能交通系统重点实验室。承担构思、方法、分析、校验、写作和资助。本文沿用他参与建立的双重稳健双重差分,把深圳轨道扩张的因果估计扩展到与道路扩张的交互。
  • Li Guo:论文署名为 Shenzhen Urban Planning & Land Resource Research Center。承担调查、数据整理和形式分析。
  • Gege Jiang:与 Meng Zhou 相同的中山大学单位。参与构思、方法和写作。
  • Jincheng Jiang:通讯作者,同一中山大学单位。参与构思、方法、调查、数据整理和写作。
  • Donggen Wang:香港浸会大学地理系。参与构思、校验、指导和资助。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

评估一条新线时,对照要先写成一句政策问题。若对照是“周围什么大型设施都没加”,轨道次数占比可以记上3.840个百分点;若这座城市本来就会在同一时期把道路密度也加上去,更接近本文第二套对照的0.637个百分点。前一个数字适合回答“轨道本身有没有用”,后一个数字更接近“在道路仍会建设的预算环境里,轨道还额外带来多少轨道出行”。把前者放进同时建设的项目评估,会把轨道的拉动力估高。

小汽车占比和轨道占比也不是同一个政策目标。本文里,道路已经变密之后,轨道仍对应小汽车占比下降2.301个百分点,同时轨道占比只多0.637个百分点,公交占比还下降1.780个百分点。一个以“少开车”为成功标准的规划,会觉得轨道值得继续;一个以“轨道次数必须明显增加、公交不能下降”为标准的规划,会觉得同时修路把收益冲掉了。两条标准都要用次数占比,而不是用这篇论文没有识别出来的车公里,去给同一座车站打分。

还有一个可以单独检验的反例。获得轨道改善的两组,2020年样本量大约是2016年的一半,另外两组几乎持平。如果这只是抽样比例的变化,效应的精度变低,方向仍可讨论。如果新站点范围内换了一拨更愿意坐轨道的居民,而旧居民没有被重复访问到,双重差分会把居民构成的变化记成车站的作用。下一步需要地址稳定的追踪样本,或者至少报告搬入、留下、搬出三类人的方式占比。在那之前,2个百分点量级的小汽车结果更适合写成居住地分组的平均差异,而不是“修了站的人把自己的开车习惯改掉了”。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录