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。

思路：永久更新，全网最新最全，持续更新中，查看最下方QQ群获取。

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。

B题：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。

C题：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。

D题：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。

E题：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。

F题：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！！

思路：永久更新，全网最新最全，持续更新中，查看最下方QQ群获取。