黄姗 | 网约车合乘与地铁联运出行特征识别与节油估算

随着移动互联网和共享经济的普及，基于网络预约出租汽车(以下简称“网约车”)移动出行平台的在线合乘服务应运而生，且为越来越多的出行者所接受和使用。传统的熟人之间合乘出行逐渐向基于网约车移动出行平台的陌生人之间合乘出行转变。网约车合乘作为一种新型交通方式正逐渐融入城市综合交通系统，并发挥着愈加重要的作用。网约车移动出行平台根据出行需求开发出多种合乘模式，其中最主要的两种是拼车和顺风车。拼车是指专职的网约车驾驶人连续或同时搭载两组或多组乘客完成一段行程的合乘模式，顺风车是指非专职的驾驶人使用私人小汽车出行时顺路捎带乘客的合乘模式。目前对于网约车合乘的研究主要集中在匹配模式、与其他交通方式的竞合关系、节油效益等方面。本文主要针对网约车合乘与地铁的关系及其带来的节油效益进行分析。

网约车服务的兴起被认为对传统公共交通产生了一定的影响。现有文献广泛讨论了网约车与公共交通服务之间的相互作用，特别是网约车与地铁之间的竞争和互补关系。一部分研究重点关注网约车和地铁的接驳问题。Jin S. T. 等^[1]指出网约车可以解决公共交通面临的最后一英里问题。Chen P. W. 等^[2]以网约车和公共交通一体化运营为研究背景，构建了联运路径优化模型并证明了有效性。另一部分研究则重点关注网约车服务对于交通方式选择或交通结构的影响。Y. Babar 等^[3]认为优步(Uber)已经取代了基于道路的短距离公共交通出行，并补充了基于铁路的长距离公共交通出行。石晓阳等^[4]研究发现，网约车的出现导致公共汽车客运量减少和地铁客运量增加。Jiang S. X. 等^[5]将出租汽车与地铁的交互作用分为三类，包括竞争型、延伸型和补充型。另外，网约车合乘对环境的影响也受到研究人员的高度关注。

许多研究比较了网约车合乘与独自驾驶或乘坐出租汽车的能耗和排放情况，得出了合乘出行更加环保的结论。Yin B. 等^[6]发现，网约车合乘对CO₂排放的减少效果在长距离出行中更为明显。Yu B. Y. 等^[7]分析了北京地区滴滴顺风车的订单数据，指出顺风车服务具有每年减少能源消耗2 660万t、减少CO₂排放量2 660万t、减少NO_X排放235.7 t的贡献。Liu X. B. 等^[8]建立了包括车辆燃油经济性、载客量、平均重量、各路段车辆行驶距离等参数的顺风车油耗计算模型，并将计算结果与独自驾驶私人小汽车的油耗进行对比，从而得出燃油节约率。与之相反，一些研究人员声称网约车合乘对环境有负面影响。D. N. Anderson^[9]认为，与管理规范、能源相对清洁的传统出租汽车相比，以盈利为目的的网约车拼车服务可能没有保护环境的优势。Jin S. T. 等^[1]认为，网约车合乘不仅取代了传统出租汽车，还取代了其他交通方式，如公共交通、步行、自行车等，而这可能会导致更严重的环境污染。可见，由于调查目标和研究方法的差异，关于网约车合乘与公共交通互动关系、网约车合乘节能减排效果的研究结论尚未形成共识。

网约车合乘与地铁联运出行，不仅可以实现两种交通方式在服务水平和社会效益上的优势互补，还可以放大出行的节油效益，是一种值得推广的多式联运出行方式，但目前尚缺乏基于实际数据的网约车合乘接驳地铁出行链识别及其节能减排效益的定量研究。另外，拼车和顺风车这两种合乘模式在运营模式和出行特征等方面存在明显差异，大多数研究并没有对此进行明确的区分。

因此，本文针对拼车和顺风车这两种主要的网约车合乘模式进行数据驱动的实证研究，分析网约车合乘与地铁的竞合关系，识别地铁延伸型通勤出行链，提出考虑燃油经济性指标和车辆运行状态的网约车合乘节油估算模型，对通勤出行链的节油效益进行评估。将上述方法应用到北京市的案例中，提出拼车和顺风车差异化发展的政策建议，推进共享出行的可持续、协同化、规范化发展。

本文使用的网约车订单数据源自中国滴滴出行网约车移动出行平台，数据类型为快车拼车和顺风车的订单数据。其中，快车拼车数据是通过两组订单的时空关系，在快车订单中进行提取。本文使用的快车订单数据时间跨度是2017年10月1—30日，空间范围是北京市全域，共涉及用户出行记录约2 767万条，每条数据均包含订单ID、乘客出发和到达时刻、乘客起终点GPS经纬度、驾驶人起点GPS经纬度、驾驶人距乘客起点距离、乘客行程导航距离、乘客行程实际距离、出行费用等属性字段。顺风车订单数据的时空范围与快车保持一致，共涉及用户出行记录约243万条，包含乘客端数据和驾驶人端数据两部分，字段也主要为司乘用户的OD时空信息。

另外，本文还采用了北京市2016年3月7—13日一周的北京地铁自动售检票系统(Automatic Fare Collection, AFC)刷卡数据。AFC可以自动记录乘客ID，进出站的车站名称和时间戳。这一周AFC系统共记录了超过3 500万条乘客出行记录。2016—2017年，北京市新开通地铁车站较少，对于地铁网络需求分布的影响可以忽略不计。

网约车移动出行平台的订单数据在收集、存储的过程中可能出现异常，因此应首先进行数据清洗，剔除异常数据，包括空值、重复和不符合常理的订单数据。另外，还需要将拼车数据从快车数据中提取出来。具体流程如下：1)按照驾驶人ID对快车订单数据进行排序，确保同一个驾驶人的多个订单是相邻的，即找出每个驾驶人在该月内的全部订单并集中在一起；2)对每个驾驶人的全部订单按时间从早到晚进行排序；3)按顺序检索订单，每次检索相邻的两个订单；4)若相邻的两个订单属于同一个驾驶人，且两个订单在时间上有重合，即后一个订单的开始时间早于前一个订单的结束时间3 min以上，则认为这两个订单是一组拼车订单。

本文从出行数据挖掘的角度对网约车与地铁的竞合关系进行探讨。相关研究认为，能够完全被地铁替代的出租汽车行程属于地铁竞争类；行程一端在地铁服务范围内，另一端不在服务范围内的出租汽车行程属于地铁合作类^[10]。参考上述分类方法，本文对网约车与地铁竞合关系的具体分类方法如下：如果一个网约车合乘订单中乘客起点和终点都在地铁车站步行辐射范围内，则为地铁竞争型合乘出行；如果乘客起点或终点其中之一在地铁车站步行辐射范围内，则为地铁延伸型合乘出行；如果乘客起点和终点都不在地铁车站步行辐射范围内，则为地铁补充型合乘出行(见图1)。其中地铁延伸型合乘出行又可根据起点在地铁车站辐射范围内和终点在地铁车站辐射范围内分为远离车站型和接近车站型两类。参考文献^{[5, 11]}将地铁车站的步行辐射范围设定为1 km。

图1 网约车与地铁竞合关系示意

需要指出的是，定义中乘客行程的某一端在地铁服务范围内即认为是合作类乘客，但实际上该乘客不一定会使用网约车与地铁进行接驳，车站附近区域有可能只是乘客的出行起点或终点。但是，根据乘客的出行特点，相比而言接驳至地铁附近区域的网约车行程属于合作类乘客的概率较大。在后续“网约车合乘+地铁”通勤出行链的识别中，将引入土地利用和出行目的等信息，对合作类乘客是否接驳地铁进行更加准确地判断。

为了识别“网约车合乘+地铁”的通勤出行链，需要找到网约车乘客群体的基本出行模式。对于高维数的出行时空数据库，可以采用矩阵分解的方法识别基本出行模式，如主成分分析、奇异值分解和非负矩阵分解(Nonnegative Matrix Factorization, NMF)^[12]。其中，NMF可以使分解后的所有分量均为非负值，同时实现非线性的维数约减，成为研究出行模式的主要手段。

本文利用NMF算法对网约车乘客群体的基本出行模式进行识别。首先，面向研究范围构建网格模型，生成一个考虑出行时间和出行量的时空矩阵。每个网格的编号为（i,j)，表示其位于第 i 行第 j 列。设研究范围的网格总行数为 p ，网格总列数为 q ，故 i∈[1,p]，j∈[1,q]。针对出行时间问题，将订单的时间切片设为24片，每片为1 h，用 t 表示，即 t∈[1,h]，h =24。根据上述方法，可得到每个网格每个小时内的网约车合乘订单出发量和到达量，从而形成交通需求矩阵，即

能够反映研究区域内每个网格出行时空特征的基本出行模式。使用NMF方法对该矩阵进行因式分解，即V_pq×h=S_pq×hB_λ×h。

本文分别从空间和时间两个角度构造系数矩阵 S_pq×h 和基矩阵 B_λ×h ，使得两个低阶矩阵的乘积接近于原始的交通需求矩阵。基矩阵 B_λ×h 的现实意义是基本出行模式，系数矩阵 S_pq×h则是用来描述区域内各种基本出行模式的比例。这样，任意网格（i,j）的出行模式 V_ij就可以看作是多种基本出行模式的线性组合，即

NMF算法的求解过程是通过不断迭代使得两个矩阵差异(欧氏距离)最小化的过程。通过对网约车合乘订单数据进行非负矩阵分解，不但能提取出网约车合乘用户的几种基本出行模式，还可以通过不同模式出行量占总出行量的比例来判断网格的土地利用情况，从而对商业型用地或居住型用地等进行划分。NMF算法求解及分析中的一个关键问题是确定基本出行模式的数量 λ 。既往文献在分析交通及土地利用问题时 λ 的取值一般为2~4^[11]。找到了拼车和顺风车的基本出行模式后，本文根据系数矩阵筛选出通勤需求较强的居住型网格，即居住用地占比较大且居民职住分离程度较高的网格。

地铁AFC刷卡数据可以反映乘客在地铁网络内部的出行情况，能够辅助开展竞合关系的研究。本文提出早高峰进出站客流比这一指标，用以表征地铁车站的功能特征，以此进行地铁车站的分类，计算公式为

式中：r^k 为早高峰车站 k 的进出站客流比；P^k_in为早高峰车站 k 的进站客流量/(人次·h^-1)， P^k_out 为早高峰车站 k 的出站客流量/(人次·h^-1)。将 r^k > 2 的车站定义为居住型车站，将 0.5≤ r^k ≤2 的车站定义为平衡型车站，将 r^k< 0.5 的车站定义为工作型车站。本文将连接居住型网格与居住型地铁车站的网约车订单定义为延伸型通勤出行链，从而实现网约车合乘与地铁联运通勤出行链的识别。

在评估合乘服务的节油水平时，以小汽车的油耗为基准，假设所有使用合乘服务的出行者都是小汽车出行的潜在用户。根据上述前提条件和假设，本文提出节油率(Fuel-saving ratio)的概念，即一次合乘过程中合乘出行相较于单独出行节约的油耗与合乘出行实际油耗的比值，计算公式为

式中：F^Car_C为假设两组出行者使用小汽车出行且不合乘时的油耗/L；F^R_C为两组出行者使用合乘后的实际油耗/L。

合乘出行的节油能力主要是通过提高车辆载客率，在满足出行需求的同时降低车辆的总行驶里程而实现的。一辆小汽车在提供合乘运输服务时可能有驾驶人空驶状态、搭载一组乘客的状态和搭载两组乘客的状态，节油估算时需要确定每个状态下车辆的行驶距离以及载重量。网约车合乘出行油耗计算公式为

式中：n为车辆载客人数/人；FE_n为车辆搭载n名乘客时的燃油经济性/(L·km^-1)；VK_n为车辆搭载n名乘客时的行驶距离/km。

由于乘客重量随机性较大，故使用乘客人数和乘客平均重量的乘积近似估计车辆载重量。根据相关资料^[13-15]，空载状态的乘用车燃油经济性FE约为7.04 L·10^-2 km^-1，衡量燃油经济性与车辆重量变化之间的线性关系参数R_WF= 0.302 4 L·10^-2 km^-1·人^-1。因此，车辆搭载 n名乘客时的燃油经济性FE_n=FE+nR_WF 。

掌握了不同载客人数下车辆的燃油经济性指标后，需对车辆行驶状态进行分类，并计算拼车和顺风车在不同状态下的行驶距离，从而进行订单尺度的合乘出行节油估算。

同理，可以计算乘客乘坐地铁时的能耗

式中：F^URT_C为假设出行者乘坐地铁的能耗/L；FE^URT为换算成油耗的燃油经济性指标/(L·km^-1)；β为地铁网络相较于道路交通网络(小汽车)的绕行换算系数；d^Navigation为网约车订单数据中的乘客行程导航距离/km；m为一个订单内乘客的人数/人。通过查阅文献资料，北京地铁的路径绕行换算系数为1.0^[8]，地铁燃油经济性指标约为0.4 L·人^-1·10^-2 km^-1[16]。

对于拼车行程内的两组乘客或者顺风车行程内的驾驶人和乘客，其通勤出行链可能有以下几种组合：接驳+接驳、接驳+直达、直达+接驳、直达+直达。为了识别出行链中的地铁行程，需要确定接驳进站的网约车合乘乘客从哪一地铁站出站。基于AFC数据的乘客进出站信息，首先获取接驳车站对应的全部地铁乘客的出站车站和流量分布，再按照出站流量分布为接驳型网约车合乘乘客随机分配出站车站，以确保模拟的出行链尽可能贴近实际通勤出行情况。

一个通勤合乘行程中，将两组出行者使用合乘服务的油耗F^R_C与乘坐地铁产生的油耗F^URT_C之和定义为通勤出行链油耗F^Chain_C。不同模式的通勤出行链油耗计算方法如下：

1）接驳+接驳。

两组出行者均使用拼车或顺风车到达居住型地铁车站辐射范围内并与之接驳，随后两组出行者均进入地铁系统并到达分配的地铁车站。该类模式的通勤出行链油耗

式中：F^URT_C,Group1和F^URT_C,Group2分别为一次合乘出行行程中两组乘客乘坐地铁的油耗/L。

2）接驳+直达。

对于拼车来说，乘客组1使用拼车到达居住型地铁车站辐射范围内并与之接驳；乘客组2乘坐拼车直接到达工作地，无须使用地铁。对于顺风车来说，驾驶人驾车到达居住型地铁车站辐射范围内并与之接驳；乘客搭乘顺风车直接到达工作地，无须使用地铁。该类模式的通勤出行链油耗 F^Chain_C=F^R_C+F^URT_C,Group1。

3）直达+接驳。

对于拼车来说，乘客组1乘坐拼车直接到达工作地，无须使用地铁；乘客组2使用拼车到达居住型地铁车站辐射范围内并与之接驳。对于顺风车来说，驾驶人驾车直接到达工作地，无须使用地铁；乘客搭乘顺风车到达居住型地铁车站辐射范围内并与之接驳。该类模式的通勤出行链油耗F^Chain_C=F^R_C+F^URT_C,Group2。

在计算出不同模式的通勤出行链油耗F^Chain_C后，可计算延伸型通勤出行链节油率

对于网约车合乘用户均独自驾驶小汽车出行这一假设场景下的油耗 F^Car_C ，若该出行者的行程只通过合乘完成，则可以根据合乘出行的导航距离字段计算油耗；若该出行者的行程由合乘和地铁共同完成，则利用出行者起点与地铁出站车站的导航距离作为距离指标来估算油耗。

拼车订单中地铁竞争型和地铁延伸型订单相对较多，均超过总数的40%；顺风车订单中地铁延伸型订单较多，超过总数的50%。这一结果与两种合乘服务的空间分布有着较大的联系，拼车订单集中在中心城区内部，而顺风车则分散于市区外围，由于北京市地铁网络呈“棋盘式+环形放射式”布局，中心城区线网密度远高于外围地区，也就导致了地铁竞争型拼车订单的占比远远高于地铁竞争型顺风车订单的占比。从平均运距的角度来看，地铁延伸型订单的平均运距最长，拼车订单平均运距呈现延伸型>竞争型>补充型的结果，顺风车订单平均运距呈现延伸型>补充型>竞争型的结果(见表1)。

将地铁车站辐射范围内的行程点全部集计到最近的地铁车站上，同时将不在地铁车站辐射范围内的行程点全部集计到所在网格的中心点。根据这一方法，本文绘制了地铁延伸型拼车和地铁延伸型顺风车的主要服务区间，图2显示的是订单量最大的前300个OD区间。可以看出，地铁延伸型拼车和顺风车订单的OD呈现由市区外围地铁车站向外发散的特征，但是拼车订单的发散范围小于顺风车订单，即拼车的平均运距小于顺风车。另一方面，拼车接驳的地铁车站比顺风车更靠近市中心，例如地铁10号线上的大量车站有拼车订单接驳，但顺风车接驳的车站多位于市区外围放射状地铁线路上。因此，本文推测拼车和顺风车都有为郊区无地铁覆盖区域的出行者提供接驳地铁线网的功能。与地铁竞争型顺风车相比，地铁延伸型顺风车的远距离订单量和平均运距更大，平均运距约为23.65 km。

图2 地铁延伸型网约车合乘订单空间分布

图3展示了地铁延伸型网约车合乘订单工作日的出发时间分布情况，这类订单根据方向不同分为接近车站型和远离车站型两类。无论是接近车站型订单还是远离车站型订单，都会形成早晚两个高度不同的高峰，接近车站型订单主要集中在早高峰，而远离车站型订单主要集中在晚高峰。这是由北京市居民通勤特征决定的，早高峰时段大量出行者需要在郊区使用网约车合乘服务以实现和地铁车站的接驳，从而进入市区工作，晚高峰则反之。

图3 地铁延伸型网约车合乘订单工作日出发时间分布

绘制λ不同取值下拼车和顺风车基本出行模式的分布情况(见图4~5)，可以看出，拼车λ值取3、顺风车λ值取2时，既能识别出所有的基本出行模式，也避免了相近模式的重复提取，基本出行模式的分布较为稳定。拼车的基本出行模式可分为早高峰、晚高峰和夜间三类，对应于图4b中的模式1、模式2和模式3；顺风车的基本出行模式可分为早高峰和晚高峰两类，对应于图5a中的模式1和模式2，说明顺风车出行主要以通勤服务为主，而拼车出行除了通勤服务外，还具有夜间出行服务功能。

图4 λ不同取值时拼车基本出行模式分布

图5 λ不同取值时顺风车基本出行模式分布

确定拼车和顺风车的基本出行模式后，将居住型网格与居住型地铁车站进行连接，并进行延伸型通勤出行链识别。图6展示了拼车和顺风车早高峰模式出行量占总出行量的比例分布，颜色越红代表早高峰模式比例越高，即网格居住性用地属性越强。在北京市一些主要的商业或工作区，如金融街、望京、国贸、西二旗、丰台科技园等，网约车出行需求旺盛，早高峰模式所占比例都相对较低，这也证明了NMF方法可以对居住型用地和商业、办公型用地进行划分。

图6 早高峰模式出行量占总出行量的比例分布

地铁延伸型通勤出行链的一大特点是用于接驳的地铁车站位于通勤者的居住地和工作地之间，车站周边并没有很多的工作机会。因此，本文认为早高峰时段由居住型网格到居住型地铁车站的网约车出行更有可能是通勤出行链的其中一环。对于拼车出行来说，将早高峰模式所占比例超过50%的网格定义为居住型网格，共得到1 125个网格。对于顺风车出行，将早高峰模式所占比例超过70%的网格定义为居住型网格，共得到2 270个网格。同时，对4.1节中地铁延伸型网约车合乘订单进行进一步筛选，保留OD均在居住型网格或居住型车站的订单，并得到图7所示的通勤出行链中网约车合乘OD分布情况。可以看出，绝大多数早高峰地铁延伸型网约车合乘出行都集中在郊区地铁车站和无地铁覆盖的居住区之间，能够与地铁网络形成较好的配合，满足通勤者多样的出行需求。

图7 通勤出行链中网约车合乘OD分布

聚焦郊区无地铁覆盖区域的通勤问题，本文选择北京市天通苑地区进行研究。天通苑是一个大型经济适用住房项目，位于城市北部，距离市中心约20 km，素有卧城之称，职住分离较为严重。该区域只有一条地铁线路——北京地铁5号线，连接天通苑地区与北京市中心城区。表2展示了天通苑地区早高峰时段地铁车站客流情况，可以看出该区域的4个车站都是典型的居住型车站，早高峰时段进站量远大于出站量。为了保障研究结果的准确性，本文划定了天通苑的空间范围(116.344~16.498°E，40.042~40.253°N)，研究只针对起点在这一区域内的行程。

经过筛选，工作日早高峰时段接驳地铁的拼车行程共有1 991个，即共有3 982个拼车订单。图8展示了各类基本出行模式的出行链数量和占比，在接驳地铁出行方面，拼车相较于顺风车发挥着更大的作用。拼车行程中“接驳+接驳”型出行链占比最高，达到42%，而顺风车行程中“直达+接驳”型出行链占比最高，达到53%。这说明“拼车+地铁”通勤出行链中拼车主要发挥着帮助两组出行者接驳地铁车站的作用，而“顺风车+地铁”通勤出行链中顺风车主要帮助乘客接驳地铁车站，大部分顺风车驾驶人会在送完乘客后驾车驶往工作地，无须换乘地铁。

图8 工作日早高峰时段延伸型通勤出行链模式统计

首先对网约车合乘出行的节油情况进行估算，发现拼车的平均节油率为18.25%，顺风车的平均节油率为43.84%，说明顺风车总体上比拼车更节油。通过分析节油率与行程中车辆行驶里程的关系，发现随着车辆行驶里程的增加，拼车订单的平均节油率呈逐渐下降趋势，而顺风车的节油率呈逐渐上升趋势。其次，对通勤出行链的节油情况进行估算。拼车和顺风车在三种模式下的延伸型出行链节油率情况见图9，不同模式通勤接驳出行的平均节油率能够达到50%以上。对于拼车来说，“接驳+接驳”模式的平均节油率明显高于其他两种模式，这也说明拼车与地铁的合作出行能够有效降低出行能耗。对于顺风车来说，“接驳+接驳”模式的平均节油率也最高，但是与另外两种模式的差距较小。

图9 延伸型通勤出行链节油率

虽然顺风车的平均运距长于拼车，在接驳地铁网络前行驶的距离更长，但是“顺风车+地铁”出行链的平均节油率仍要高于“拼车+地铁”出行链。顺风车“接驳+接驳”模式的平均节油率最高，这方面与拼车表现一致；“直达+接驳”模式的平均节油率高于“接驳+直达”模式，说明顺风车行程中乘客接驳地铁网络的节油效益优于驾驶人接驳地铁网络的节油效益。综上，拼车和顺风车都能起到帮助通勤出行者接驳地铁的作用，且“网约车合乘+地铁”通勤出行链相较于全程使用小汽车出行能节省大量的能源，因此应鼓励小汽车出行者使用这种出行方式。

本文基于拼车和顺风车实际运营数据以及北京地铁AFC刷卡数据，深入分析了网约车合乘与地铁的竞合关系，并利用NMF算法进行延伸型通勤出行链识别，进而提出一套考虑燃油经济性指标和车辆运行状态的拼车和顺风车节油估算模型，估算了延伸型通勤出行链的节油效益。以北京市为研究案例，得到如下结论：

1）拼车订单多为地铁竞争型和地铁延伸型订单，而顺风车订单多为地铁延伸型订单。无论是拼车还是顺风车，地铁延伸型订单的平均运距最长；地铁竞争型拼车服务主要满足中心城区的出行需求，而地铁竞争型顺风车服务主要满足郊区的出行需求。绝大多数延伸型通勤出行链都是郊区无地铁覆盖地区与地铁车站的连接，可以为通勤者提供接驳地铁的服务。

2）拼车和顺风车的节油水平存在一定差异，拼车的平均节油率低于顺风车，且随着运距的增长，拼车的平均节油率逐渐降低，顺风车的平均节油率逐渐升高。“网约车合乘+地铁”通勤出行链可以有效降低郊区无地铁覆盖区域通勤者的出行能耗，“顺风车+地铁”出行链的节油效益好于“拼车+地铁”出行链，且顺风车反映出乘客接驳地铁车站、驾驶人直达目的地的出行特征。

拼车和顺风车兼具灵活和节能的优势，可以服务于缺少地铁覆盖的郊区，为郊区居民提供进入地铁线网的接驳服务，同时有效防止大量汽车涌入市区造成的交通拥堵。因此，管理者应该采取票价补贴、停车优惠等政策措施，鼓励“网约车合乘+地铁”通勤出行方式发展，提升公共交通的可达性，放大网约车合乘出行的节能优势，使绿色高效的一体化出行服务惠及更多城市居民。

封面图片来源：

《城市交通》自选图库

摄影：谢英堃

点击“阅读原文”查看

“案例研究”栏目更多内容