跳转至

Policy Targeting with Market Equilibrium

作者: Gyungbae Park
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.18600

一、领域脉络与小综述

这个方向是什么

本文所处的子方向是带有一般均衡反馈的个体化处理分配（policy targeting with general equilibrium feedback）。其根本科学问题是：当政策干预（如补贴）不仅影响直接受助者，还会通过改变市场价格、进而影响所有市场参与者（包括未受助者）的福利时，计划者应如何最优地选择"谁被处理"。这比经典的 SUTVA 框架（Manski 2004; Athey and Wager 2021）多了一层"市场出清"的约束——处理分配向量 W 通过总需求影响均衡价格 p(W)，价格再反过来决定每个人的间接效用。该方向的成熟度处于早期发展阶段：核心难点在于，一旦引入均衡反馈，目标函数就不再是每个单位自身处理效应的简单加总，而是一个全局的非线性函数，其优化在计算上可能极其困难。

发展脉络

  • 奠基工作：Manski (2004) 提出统计处理规则（statistical treatment rules）的框架，在 SUTVA 下将政策学习问题形式化为"在有限样本下选择使社会福利最大化的分配规则"。Athey and Wager (2021) 将其推广到观测数据，给出基于 doubly robust 评分的策略学习算法。这一阶段的核心假设是无干扰（no interference）。
  • 放松 SUTVA 的进展：Hudgens and Halloran (2008) 与 Aronow and Samii (2017) 形式化了部分干扰（partial interference）与一般干扰（general interference）下的因果推断，为处理溢出效应提供了估计框架。Viviano (2024) 与 Kitagawa and Wang (2023) 进一步在网络干扰下研究最优策略学习。这些工作承认干扰的存在，但通常将干扰结构视为外生给定的网络或群体结构。
  • 策略性互动与均衡：Sahoo and Wager (2025) 与 Kitagawa and Wang (2026) 引入策略性行为——个体对政策的反应会影响彼此的结果，但价格机制仍不是核心。Munro et al. (2025) 是本文最直接的竞争工作：它研究价格内生时的处理效应，但限制在"均衡稳定"的分配规则——即只考虑不改变市场价格的分配。本文作者明确指出这种限制"may fall short of maximizing social welfare and are often motivated by the desire to avoid estimating price elasticities"。
  • 本文的位置：Park (2026) 将 Munro et al. (2025) 的"均衡稳定"约束去掉，允许分配规则主动改变均衡价格，并证明在可解释条件下目标函数是超模的（supermodular），从而精确多项式时间可解。这是从"在均衡约束下优化"到"优化均衡本身"的跨越。

子线索聚类

  1. 统计处理规则与策略学习（Manski 2004; Hirano and Porter 2009; Kitagawa and Tetenov 2018; Athey and Wager 2021）：在 SUTVA 下，目标函数是线性的，最优规则是"处理正效应者"。核心问题是统计估计与有限样本误差控制。
  2. 干扰下的因果推断与政策学习（Hudgens and Halloran 2008; Aronow and Samii 2017; Viviano 2024; Kitagawa and Wang 2023）：干扰结构已知或可估计，目标函数仍可分解为局部效应之和，但估计复杂度上升。
  3. 均衡效应与市场反馈（Munro et al. 2025; Park 2026）：处理分配通过价格产生全局溢出，目标函数不可分解。Munro et al. 通过限制分配规则保持价格不变来回避优化困难；Park 则正面处理该困难，用超模性恢复可解性。
  4. 超模性与格论方法（Topkis 1978; Milgrom and Shannon 1994; Milgrom and Roberts 1990; Cooper and John 1988）：这是本文的方法论工具箱。超模性在博弈论和产业组织中被广泛用于保证单调比较静态和均衡存在性，但本文将其用于计算复杂性——超模最大化（在布尔格上）是多项式时间可解的，这比一般子模最大化（NP-hard）要容易得多。

核心问题

  1. 何时"普遍分配"优于"定向分配"？ 当供给弹性高时，价格反馈弱，普遍分配接近最优；当供给弹性低时，价格上升侵蚀福利，需要定向。本文给出了精确的阈值条件（Example 5）。
  2. 在存在均衡反馈时，最优分配能否被高效计算？ 这是计算层面的核心问题。本文的答案是：在超模性条件下可以。
  3. 估计不确定性如何影响分配决策？ 本文通过 Theorem 3 给出了 plug-in 分配的期望福利损失的 n^{-1/2} 率。

⚠️ 作者的 framing

作者将缺口 frame 为：现有文献要么忽略均衡反馈（SUTVA 框架），要么在均衡稳定约束下优化（Munro et al. 2025），而本文首次允许分配规则主动改变均衡价格，同时保持计算可解性。作者淡化的竞争路线包括：(i) 一般均衡模型中数值求解最优政策的可行性（可能在大规模问题中仍然困难，但作者未讨论）；(ii) 当超模性条件不满足时（如需求曲线非凸、供给弹性为负），问题的计算复杂性如何——作者仅在脚注中提及健康等非市场结果可能破坏超模性，但未深入分析。

张力

未见明显对立引用。但有一个值得注意的潜在张力：Munro et al. (2025) 的"均衡稳定"约束被作者视为限制，但该约束在现实中可能恰恰是政策制定者需要的——如果政策制定者担心价格波动带来的政治成本，那么"允许价格变动"的最优解可能不可实施。作者未讨论这一实施层面的问题。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

符号清单（逐个点名）：

记号 含义 类型
\(G\) 群体数量（组数） 已知常数
\(g = 1, \dots, G\) 组索引 已知常数
\(W_g \in \{0,1\}\) 第 \(g\) 组是否被处理（收到补贴券） 决策变量（要优化的对象）
\(W = (W_1, \dots, W_G)'\) 处理分配向量 决策变量
\(\alpha, \beta\) 两种商品 已知
\(p_\alpha, p_\beta\) 两种商品的市场价格 内生变量（由市场出清决定）
\(\tau_\alpha \in (0,1)\) 补贴折扣率（处理组购买 \(\alpha\) 的价格为 \((1-\tau_\alpha)p_\alpha\)） 已知政策参数
\(U^{(g)}(\cdot)\) 第 \(g\) 组代表性消费者的效用函数（严格凹、二次可微） 未知结构（估计对象）
\(M_g\) 第 \(g\) 组收入 已知/可观测
\(\gamma_g\) Cobb-Douglas 效用中 \(\alpha\) 的支出份额 未知参数（估计对象）
\(\tilde{p}_{\alpha,g} = (1 - \tau_\alpha W_g) p_\alpha\) 第 \(g\) 组面对的有效 \(\alpha\) 价格 派生变量
\(Q^{(g)}_\alpha, Q^{(g)}_\beta\) 第 \(g\) 组对两种商品的需求 可观测（均衡时）
\(S_\alpha(p_\alpha), S_\beta(p_\beta)\) 两种商品的供给函数（严格凸、单调递增） 未知结构（估计对象）
\(p(W) = (p_\alpha(W), p_\beta(W))'\) 给定分配 \(W\) 下的均衡价格向量 内生变量（\(W\) 的函数）
\(V^{(g)}(W)\) 第 \(g\) 组在分配 \(W\) 下的间接效用 潜在结果（counterfactual）
\(Y_g(W) = V^{(g)}(W)\) 潜在结果记号 潜在结果
\(\lambda_g > 0\) 第 \(g\) 组的社会福利权重 已知/政策参数
\(V(W) = \sum_g \lambda_g Y_g(W)\) 社会福利函数 目标函数
\(\theta\) 需求与供给的结构参数向量 未知参数（估计对象）
\(\hat{\theta}\) 从数据中估计的参数 估计量
\(W^*\) 真实参数下的最优分配 目标量（estimand）
\(\hat{W}\) 基于 \(\hat{\theta}\) 的 plug-in 最优分配 估计量
\(R = V(W^*; \theta^*) - V(\hat{W}; \hat{\theta})\) 福利风险（welfare risk） 损失函数

模型（数据生成机制）：

  1. 消费者问题：每组 \(g\) 的代表性消费者在预算约束 \((1-\tau_\alpha W_g) p_\alpha Q_\alpha + p_\beta Q_\beta \le M_g\) 下最大化 \(U^{(g)}(Q_\alpha, Q_\beta)\)。解出需求函数 \(Q^{(g)}_\alpha(\tilde{p}_{\alpha,g}, p_\beta)\) 和 \(Q^{(g)}_\beta(\tilde{p}_{\alpha,g}, p_\beta)\)。
  2. 市场出清：\(\sum_g Q^{(g)}_\alpha(\tilde{p}_{\alpha,g}, p_\beta) = S_\alpha(p_\alpha)\) 和 \(\sum_g Q^{(g)}_\beta(\tilde{p}_{\alpha,g}, p_\beta) = S_\beta(p_\beta)\) 联立解出均衡价格 \(p(W)\)。
  3. 福利：\(V(W) = \sum_g \lambda_g V^{(g)}(W)\)，其中 \(V^{(g)}(W) = U^{(g)}(Q^{(g)}((1-\tau_\alpha W_g)p_\alpha(W), p_\beta(W)))\)。

可观测数据：假设研究者可以观测到不同价格下的需求（即需求曲线）、供给曲线（或至少是均衡价格对需求的响应），以及各组的收入 \(M_g\) 和支出份额 \(\gamma_g\)。在实证部分，作者使用菲律宾家庭支出调查数据来校准这些参数。

关键区分： - 可观测：\(M_g\)、\(\gamma_g\)（从支出份额估计）、均衡价格 \(p(W)\)（如果政策变化提供变异）、需求/供给弹性。 - 不可观测（潜在）：\(V^{(g)}(W)\) 对任意 \(W\) 的值——因为每个 \(W\) 对应一个不同的均衡价格，而现实中只能观察到一种均衡。这是因果推断中的"反事实"问题：\(Y_g(W)\) 是潜在结果，只有 \(Y_g(W^{obs})\) 被观测到。

第二步：最小内核

剥掉所有一般性假设后，本文的核心数学问题是：

给定一个定义在超立方体 \(\{0,1\}^G\) 上的函数 \(V(W)\)，它由市场均衡隐式定义。问：能否在多项式时间内找到 \(\arg\max_W V(W)\)？

最小例子：\(G=2\)，两个组，Cobb-Douglas 效用，常数弹性供给。

为什么这个例子是"最小内核"：它保留了本文的全部核心机制——处理通过需求影响价格，价格再反馈到福利——但只有 \(2^2 = 4\) 种分配，可以手算验证超模性。

具体展开：

  • 可观测数据：两组收入 \(M_1, M_2\)，支出份额 \(\gamma_1, \gamma_2\)，供给弹性 \(\kappa_\alpha\)，折扣率 \(\tau_\alpha\)。

  • 均衡价格：由市场出清条件，可以解出 \(p_\alpha(W)\) 的闭式表达式。在 Cobb-Douglas 下，\(Q^{(g)}_\alpha = \frac{\gamma_g M_g}{(1-\tau_\alpha W_g) p_\alpha}\)，所以市场出清给出

    \[p_\alpha(W) = \left(\frac{1}{\delta_\alpha} \sum_{g=1}^2 \frac{\gamma_g M_g}{1 - \tau_\alpha W_g}\right)^{\frac{1}{1+\kappa_\alpha}}\]
    注意 \(p_\alpha\) 只依赖于 \(W\) 通过 \(\sum_g \frac{\gamma_g M_g}{1-\tau_\alpha W_g}\)。

  • 福利函数：间接效用为 \(V^{(g)}(W) = \gamma_g \log\left(\frac{\gamma_g M_g}{(1-\tau_\alpha W_g) p_\alpha(W)}\right) + (1-\gamma_g)\log\left(\frac{(1-\gamma_g)M_g}{p_\beta}\right)\)。代入 \(p_\alpha(W)\) 后，\(V(W) = \sum_g \lambda_g V^{(g)}(W)\) 是 \(W\) 的函数。

  • 超模性验证：在 \(G=2\) 时，超模性等价于

    \[V(1,1) - V(1,0) \geq V(0,1) - V(0,0)\]
    即"处理组 2 的边际福利增益在处理组 1 也被处理时更大"。在 Cobb-Douglas 下，这可以手算验证（Theorem 1 的证明给出了具体计算）。直觉：当两组都被处理时，需求扩张更大，价格上升更多，但价格上升对两组的影响是对称的；而直接补贴收益 \(\gamma_g \log(1/(1-\tau_\alpha))\) 是累加的，因此交叉项为正。

  • 为什么超模性意味着多项式时间可解：超模函数在布尔格上的最大化等价于子模函数最小化（取负号），而子模函数最小化有著名的强多项式时间算法（Iwata et al. 2001; Orlin 2009）。这是本文计算可解性的核心来源。

  • 为什么这个例子"一看就懂"：它展示了本文的全部三个核心要素：(1) 均衡反馈如何产生跨组互补性（超模性）；(2) 超模性如何使优化问题从指数时间降为多项式时间；(3) 供给弹性如何决定普遍分配 vs 定向分配的取舍（Example 4-5 的阈值条件）。

这个最小内核揭示的数学本质：本文实际上是在说——市场均衡的反馈结构天然地倾向于产生超模性（因为价格是公共的，处理一组会通过价格影响所有组，且这种影响的方向一致），而超模性恰好是计算可解性的充分条件。这是一个"经济结构 → 数学结构 → 计算复杂性"的链条。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：当政策干预（补贴）通过改变市场均衡价格产生跨组溢出时，计划者如何最优地选择处理分配（谁获得补贴），以及这种最优分配是普遍分配还是定向分配。
  2. 核心工具/方法：证明在 Cobb-Douglas 效用和常数弹性供给下（以及更一般的可解释条件下），社会福利函数 \(V(W)\) 是超模的；利用超模最大化的多项式时间算法求解最优分配；建立 plug-in 分配的统计保证。
  3. 主要结论：(i) 超模性在广泛条件下成立，使精确多项式时间优化成为可能；(ii) 供给弹性决定普遍 vs 定向分配的取舍，存在精确阈值条件；(iii) 在估计不确定性下，plug-in 分配的期望福利损失以 \(n^{-1/2}\) 速率收敛。

关键设定与假设

  • 设定：\(G\) 个同质组（组内消费者相同），两种商品 \(\alpha, \beta\)，政策工具是给组 \(g\) 的 \(\alpha\) 商品发放折扣券（折扣率 \(\tau_\alpha\)）。市场出清决定均衡价格 \(p(W)\)。社会福利是各组间接效用的加权和（权重 \(\lambda_g\)）。
  • 假设 1（Cobb-Douglas 基准）：\(U^{(g)} = \gamma_g \log Q_\alpha + (1-\gamma_g) \log Q_\beta\)，供给为常数弹性 \(\kappa_\alpha, \kappa_\beta > 0\)。这个假设使得需求函数和均衡价格有闭式解，从而可以显式计算交叉偏导。
  • 假设 2（凸间接效用）：\(V^{(g)}\) 在价格上是凸的。这是标准结果（消费者理论中间接效用函数是凸的），但作者额外要求严格凸以得到正交叉项。
  • 假设 3（自身价格主导）：需求对自身价格的响应大于对交叉价格的响应。这是确保均衡价格对处理分配有"正确"符号的关键。
  • 假设 4（相对风险厌恶有界）：\(-\tilde{p}_{\alpha,g} \frac{\partial^2 V^{(g)}}{\partial \tilde{p}_{\alpha,g}^2} / \frac{\partial V^{(g)}}{\partial \tilde{p}_{\alpha,g}} \le 1\)。这确保交叉偏导的符号不被高阶项翻转。
  • 假设 5（均衡价格子模性）：\(\frac{\partial^2 p_\alpha}{\partial W_s \partial W_r} < 0\)，即均衡价格在处理分配上是子模的——处理更多组时，额外处理一组的边际价格效应递减。
  • 假设 6（Lipschitz）：\(V^{(g)}\) 对 \(\theta\) 一致 Lipschitz 连续。
  • 假设 7（指数尾部）：估计量 \(\hat{\theta}\) 满足指数概率界。

相比已有文献的放宽/强化： - 放宽：允许处理分配改变均衡价格（Munro et al. 2025 限制在均衡稳定规则）。 - 强化：需要超模性条件（假设 2-5），这些条件在一般均衡模型中不一定成立。作者承认"incorporating such dimensions would require modeling how health evolves... The resulting welfare function may fail to be supermodular"（脚注 1）。

主要结果

Theorem 1（Cobb-Douglas 基准下的超模性）：在假设 1 下，\(V(W)\) 是超模的。证明直接计算交叉偏导 \(\frac{\partial^2 V}{\partial W_s \partial W_r}\)，利用 Cobb-Douglas 的闭式解得到正号。这个定理是全文的基石——它表明超模性不是偶然的，而是 Cobb-Douglas 偏好 + 常数弹性供给的自然结果。

Theorem 2（一般条件下的超模性）：在假设 2-5 下，\(V(W)\) 是超模的。证明路线：将 \(\frac{\partial^2 V}{\partial W_s \partial W_r}\) 分解为 Lemma 1 中的三项，逐项验证符号。关键技巧是利用均衡价格子模性（假设 5）来抵消间接效用凸性带来的不确定项。

Theorem 3（plug-in 分配的福利保证）：在假设 6-7 下，\(E|R| = O(n^{-1/2})\)。证明路线： 1. 将福利风险分解为 \(V(W^*; \theta^*) - V(\hat{W}; \hat{\theta}) \leq V(W^*; \theta^*) - V(W^*; \hat{\theta})\)（利用 \(\hat{W}\) 对 \(\hat{\theta}\) 的最优性）。 2. 利用 Lipschitz 连续性（假设 6）将参数差异转化为 \(\|\hat{\theta} - \theta^*\|\)。 3. 利用指数尾部界（假设 7）控制 \(\|\hat{\theta} - \theta^*\|\) 的期望。

Lemma 1（交叉偏导分解）：将 \(\frac{\partial^2 V}{\partial W_s \partial W_r}\) 分解为三项：(1) 直接效应项（正）；(2) 价格反馈项（符号不定）；(3) 价格二阶效应项（符号不定）。这个分解是 Theorem 2 证明的核心工具。

Lemma 2（均衡价格单调性）：在假设 3 下，\(\frac{\partial p_\alpha}{\partial W_g} > 0\)——处理更多组总是推高 \(\alpha\) 的价格。这是直觉性结果，但为后续符号分析提供了基础。

Examples 1-5（比较静态）： - Example 1：\(V(1,1) > V(0,0)\)——普遍处理优于不处理。 - Example 2：同偏好下，\(V(1,0) > V(0,1) \iff M_1 < M_2\)——应优先处理低收入组。 - Example 3：同收入下，\(V(1,0) > V(0,1) \iff \gamma_1 > \gamma_2\)——应优先处理高 \(\alpha\) 偏好的组。 - Example 4：\(\kappa_\alpha \ge 1\) 时，普遍处理优于任何定向处理。 - Example 5：\(\kappa_\alpha < 1\) 时，存在阈值 \(M_1/M_2 < 1 - \kappa_\alpha/(1+\kappa_\alpha)\) 使得定向处理低收入组最优。

证明路线与技术技巧

整体路线（Theorem 2）： 1. 写出交叉偏导：\(\frac{\partial^2 V}{\partial W_s \partial W_r} = \sum_g J^{(g)T}_s H^{(g)} J^{(g)}_r - \tau_\alpha(\dots)\)。 2. 逐项分析：第一项（直接效应）通过假设 2（凸性）保证非负；第二项（价格反馈）通过假设 3-4 保证为正；第三项（价格二阶效应）通过假设 5（子模性）保证为正。 3. 组合：三项均为正，故超模性成立。

关键技巧： - 均衡价格子模性（假设 5）是全文最巧妙的假设——它直接保证了最难处理的第三项为正。作者在 Cobb-Douglas 情形下验证了该假设自动成立（Theorem 1 的证明）。 - 相对风险厌恶界（假设 4）用于控制第二项中"价格上升对已处理组福利的侵蚀"不超过"价格上升对未处理组福利的提升"。 - Theorem 3 的证明使用了标准的"最优性比较"技巧：\(\hat{W}\) 对 \(\hat{\theta}\) 最优，\(W^*\) 对 \(\theta^*\) 最优，因此 \(V(W^*; \theta^*) - V(\hat{W}; \hat{\theta}) \leq V(W^*; \theta^*) - V(W^*; \hat{\theta})\)。这个技巧在统计决策理论中很常见（如 plug-in 分类器的超额风险界）。

真实例子与应用

实证部分（Section 3）：使用菲律宾家庭支出调查数据（Filmer et al. 2023），以鸡蛋作为代表商品 \(\alpha\)。校准步骤： 1. 从数据中估计各组收入 \(M_g\) 和鸡蛋支出份额 \(\gamma_g\)。 2. 使用 Munro et al. (2025) 报告的供给弹性 \(\kappa_\alpha = 1.11\)。 3. 计算不同分配规则下的福利水平。

关键结果： - 当 \(\kappa_\alpha = 1.11\)（中等弹性）时，最优分配处理 96.7% 的家庭，仅排除最高收入组。 - 当 \(\kappa_\alpha = 0.1\)（低弹性）时，最优分配仅处理 60.9% 的家庭，且主要针对低收入组。 - 当 \(\kappa_\alpha = 7\)（高弹性）时，最优分配为普遍处理（100%）。 - 与"普遍处理"相比，最优定向分配在 \(\kappa_\alpha = 0.1\) 时福利增益为 3.897（相对单位），而"互补规则"（处理未被最优规则处理的组）产生 -0.110 的福利损失——说明错误定向比不处理更糟。

这个例子想说明什么：供给弹性是决定"普遍 vs 定向"的关键参数。低弹性时，价格反馈强，定向低收入组是最优的；高弹性时，价格反馈弱，普遍处理接近最优。这验证了 Example 5 的理论预测。

🔎 结论是否比证明窄

  • Theorem 1 的证明是完整的（Cobb-Douglas 闭式解），但 Theorem 2 的假设 5（均衡价格子模性）没有被一般性地证明——作者仅在 Cobb-Douglas 情形下验证了它。在正文中，作者写道"Assumption 5 holds automatically in the Cobb-Douglas benchmark"（Section 2.3），但未给出一般均衡模型中假设 5 的充分条件。这是一个证明缺口：Theorem 2 的适用范围取决于假设 5 在哪些经济环境中成立。
  • Theorem 3 的结论是点态的（pointwise），而非一致的（uniform）。作者在定理陈述中明确写了"pointwise expected risk"，但结论部分（Section 4）泛化为"the plug-in allocation rule is asymptotically efficient in terms of welfare"——这个泛化超出了定理的证明范围。
  • 实证部分没有不确定性量化。作者报告了点估计（如 96.7% 的处理比例），但没有给出置信区间或敏感性分析。考虑到 \(\kappa_\alpha\) 是从其他研究借用的，这一缺失值得注意。

四、开放问题

  1. 假设 5（均衡价格子模性）的一般条件：在哪些需求/供给结构下，均衡价格对处理分配是子模的？这是 Theorem 2 适用范围的关键。作者在脚注 1 中承认健康等非市场结果可能破坏超模性，但未给出反例或替代条件。扎根点：Section 2.3, Assumption 5 及脚注 1。

  2. 一致的福利保证：Theorem 3 只给出了点态风险界。能否在函数类上建立一致的（uniform）福利保证？这需要控制 \(\sup_{\theta \in \Theta} |V(W; \theta) - V(W; \theta^*)|\) 的复杂度，可能涉及经验过程理论。扎根点：Theorem 3 的陈述及证明。

  3. 非参数识别：本文假设研究者知道需求函数的形式（Cobb-Douglas）或至少能一致估计 \(\theta\)。在更现实的非参数设定下，需求函数未知时，最优分配能否被识别？这需要将半参数效率理论（如 efficient influence function）引入均衡模型。扎根点：Section 3 的校准策略。

  4. 动态与不确定性：本文是静态模型。如果政策是多期、且需求冲击存在不确定性，超模性是否仍然成立？这涉及动态规划与随机均衡的交互。扎根点：Section 4 的结论段。

  5. 计算复杂性的下界：本文证明了超模性条件下多项式时间可解。但如果超模性不满足，问题是否是 NP-hard？这需要构造从已知 NP-hard 问题（如最大割）到该问题的归约。扎根点：Section 2 引言段对计算困难性的讨论。

提示：若要确认上述某条是否为真 gap，建议去读以下近期文献的引言部分（约 5 篇）：Munro et al. (2025)、Viviano (2024)、Kitagawa and Wang (2023, 2026)、Sahoo and Wager (2025)。如果这些文献的引言都指向同一个未解决问题，那很可能是共识性 gap；如果它们各自强调不同的问题，则说明该领域尚未收敛，机会可能更大。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论