2023美赛赛题浅析

2023美赛(MCM/ICM)如期开赛，为了尽早的帮大家确定选题。这里我们加急为大家编辑出2023美赛(MCM/ICM)赛题浅评，方便大家快速对各个题目的难度有个大致的了解。同时，我们也给出了各个题目简要的解题思路，以及该问题在实际解决中可能会遇到的难点。

每个赛题的相关资料也在整理中，预计初步资料中午十二点之前整理完成。

A题 受干旱破坏的植物群落

A题是一个以干旱的植物群落为背景的一道赛题，整体来看是一道相关性分析预测类模型，难度不大。需要我们分析干旱适应性与物种数量的关系。问题的整体难度是不大的，但是我们的数学建模是进行定量分析，还是需要收集数据的，我们需要基于数据进行分析预测，所以对于问题一难得点就是在于找到合适的数据。对于A题我们收集的数据主要分为两个方面，一个是我们的天气数据即干旱相关的，另一方面就是植物群落的物种数量数据，稍后 也会为大家收集一下数据。

首先，需要建立一个预测模型，预测植物群落的变化，可直接根据我们收集的数据进行选取合适的模型进行预测即可。问题二就需要 我们对问题一的预测模型进行变量之间的分析，需要多少不同的数据才能收益等等。其中就着重强调了干旱天气的发生频率，因此这也对我们收集数据有了很大的要求。最后一问，提出了其他的因素对于生活环境的影响，这里主要指污染问题以及栖息地的减少因素。

总结，整体来看A题一改常态，总体问题是不难的。主要难点就在于相关数据的收集 以及选择。数据收集完成后，基本上就完成了50%甚至更多的任务。

问题B：重新构想马赛马拉岛

B题是以保护野生动物为背景，需要我们对肯尼亚的马赛马拉保护区进行一系列的分析。因此，对于B题首要问题还是收集 相关数据，我们可以直接收集马赛马拉的相关数据，但是很有可能 收集起来难度很大，因此一些数据上我们可以退而求其次，收集肯尼亚的数据，对于收集一个国家的数据进方便很多了，很多数据开放的数据库可以直接获取，这里稍后也会为大家收集整理。

问题一，文字上说明需要我们考虑不同地区的政策，找到一个合理的政策管理决策，以保护野生动物以及其他野生自然资源，平衡人们的利益。对于这种问题其实就侧面的决定了我们的收集数据的主要方向，野生动物的数据可以是生物多样性等等给、人们的利益我们可以搜集该地区人们的就业率、人均收入等等。然后建立一个优化模型去判断何种政策。

问题二，需要我们建立模型用来预测动物和人之间的相互作用，以及产生的经济影响。目前初步认识可以是一个预测模型，对不同的标量进行分析即可。问题三就是问题二的一个模型实现，即问题二建立相应的模型，问题三就带入数据进行长期趋势预测分析最后的结果确定性等等。这个地方对于 预测模型的选取限制也有了，即需要进行趋势预测，长期预测。稍后给大家的详细思路中也会进行说明。

总结，B题的难度不大，虽然涉及到收集数据，但是收集的数据很有目的性，因此不会无头苍蝇一样瞎找数据。相对于A题，无论是数据的收集还是问题模型的选择都比A题简单一些。

问题C 预测结果

C题是一个以《纽约时报》流行的谜题为大背景，该问题首先我们需要这个游戏有个大致的了解。该游戏方式、大家可以直接按照题目中的介绍进行阅读即可，是一个很容易就可以理解的游戏，这里就不做过多赘述了。C题不同于AB,该题已经给出了相关的数据，因此我们可以直接根据题目进行定量分析即可。

问题要求我们，问题一，我们的分析结果一直都是变化，要求我们建立模型去分析变化，并要求我们对3.1的报告进行分析，得到一个预测区间。该问题可以理解为一个简单的多元分析，我们根据 给出的数据建立一个多元分析，分析之间的关系 特征。对于3.1的预测区间，我们可以认为是进行多元预测即可。

问题二，要求我们对于一个未来日期的给定分析解释，即我们需要建立一个预测模型即可，对于这一问题的模型选择，我们可以选择沿用问题一的预测模型即可，我们也可以在选择出一个新的预测模型进行预测也可行。预测模型的选择稍后的详细思路中会为大家给出。

最后，需要我们开发并总结出一个模型，按难度对解题思路进行分类。目前，来看就是一个简单的判断分类模型，聚类分析、主成分分析、因子分析即可。大家可以根据自己的情况进行选择。这里因为还没有实际的去操作，可能在实际解题中会遇到一些我们无法解决的问题，稍后我们会一直跟进解析。

总结，对于C题，问题难度是比AB稍微大一些，但是没有数据收集的苦恼，即总体难度比AB要低的。

问题D 确定联合国可持续发展目标的优先级

D题以联合国制定的可持续发展目标为大背景，制定的17个指标之间 是存在一定的联系的，因此题目要求我们根据给出的17个指标创建一个17个可持续发展目标之间关系的网络。该问题符合我们问题D的一个设置要求，即图与网络。对于这种赛题，我解析的不多，因此为了不误导大家，这里先不对D题进行分析，稍后也会为大家准备游一些资料，方便大家解题。

问题E 光污染

E题大背景是光污染，虽然还是一个收集数据进行解题的问题，但是 E题的优点就是收集的数据目的性很强，而且网上相关数据很多，方便收集，题目设置简单。我们先大致的进行一个E题的赛题浅评。

首先，要求我们建立一个广度适用的 度量标准去评估一个地区的光污染水平，因此，对于该问题而言就问题设置上来看一个综合评价类问题，需要我们选择对应的评价模型即可。对于评价指标的选取，我们不能盲目的选取一定要基于我们收集的数据出发，要先收集相关数据在选取指标，一定不要选取完之后在找数据，很有可能找不到数据，切莫本末倒置。问题二，选取相应的数据带入评价模型即可。问题三，即需要对我们建立的模型中，各个指标进行分析。问题四，对每个人最有效即最值问题，属于优化问题，我们将对每个人的利益可以的当作目标函数进行、根据我们选区的指标当作约束条件进行设置优化模型。详细的思路 稍后会为大家编写。

总结，目前而言，E是最简单的一道，虽然涉及到收集数据了 。但是光污染的数据在网上比比皆是，稍后我们也将为大家收集相应的数据。问题的设置就是一道评价优化类型的赛题，题目难度是这些赛题中，我认为最小的一道。

问题F 绿色GDP

F题，是一道政策类型的题目。通常适合队伍中建模手能力不强的队伍，对于常见模型不能完全掌握的队伍，大多会去做F题。本次比赛的F题以绿色GDP为背景，因此大家首先可以去网上收集一下绿色GDP的定义，再去看提题目可能思路上会别具一格。该问题也是没有给出数据，因此数据收集依旧是一大问题。但是，该问题的数据收集优点在于名词很空、很大这就无形之中扩大了我们收集数据的范围，可以随意的收集数据（不要太离谱）。

首先，题目要求当我们把绿色GDP作为主要衡量指标对于 气候的变化影响，因此稍后会为大家着重收集气候的数据去作为 第一问的数据支撑 方便问题一的研究。问题一 实质还是一个多元分析，根据收集的数据进行分析即可，难度不大。

问题二，建立模型，预测对全球的影响。这一问题，我们可以沿用问题一的多元分析模型，进行多元回归分析 预测，进行预测，这样可以保证我们的问题一二是一个完整的整体模型，也可以 单独在选择 一个模型，这里和经济有关，比较建议大家选择计量经济的模型例如AR,ARIMA等等。后面的问题，需要我们选择一个国家，带入国家的数据进行分析。这里稍后为大家收集整理全球各国的各个指标的数据，以方便大家使用建模。

总结 ，问题F收集数据的难度与问题E相当，问题难度也是相当的。因此这里还是比较推荐小白，或建模手能力不强的选择F题着手。

大总结，整体来看，我个人认为题目难度 B>A>C>E=F。问题BA之所以难度比C大，主要就是难在问题BA收集数据有些偏，可能不太好收集，为了帮助大家稍后我们也会帮大家尽量的收集更多的数据。问题EF比C小也是因为虽然涉及收集数据，但是收集数据的难度不大，因此比较建议小白、新手选择E、F，经常打比赛的队伍，经验丰富的选择A、B.这样建议就是因为，我们经常收集数据、也进行一些数据库的管理，我们会帮大家 尽可能多的收集数据，因此会大大降低BA,EF赛题的难度。

整体题目难度设置上来讲，本次美赛 其实并不是 太难，应该也是考虑到了虽然已经离开了疫情的影响，但是疫情所带来的影响依旧存在。对于我们这届参赛选手而言 ，我们大多数队伍都面临着开学就期末考试的情况.外观因素的存在，导致这次比赛难度大大加大。好消息就是对于本次比赛每道题目的模型选择，问题设置都不是太难，题目难度降低了。难度降低也就意味着，各位可以大显身手了。

最后预祝大家比赛顺利，我们顶峰相见！！！