1. 从“禁止贸易”到“模型构建”一个数学建模竞赛的实战复盘拿到“野生动物贸易是否应该长期禁止”这个题目很多参赛队伍的第一反应可能是去查阅大量的政策文献和生态学报告试图从定性角度去论证“应该”或“不应该”。但作为一项数学建模竞赛尤其是像“认证杯”这样强调模型创新与应用价值的赛事其核心考察点远不止于此。它要求我们将一个宏大的、充满争议的社会经济生态问题转化为一个可以用数学模型描述、分析和求解的科学问题。我带领的团队在2022年那场比赛中正是抓住了这个核心最终完成了一篇38页的论文并获得了国际赛一等奖。今天我想抛开那些华丽的获奖头衔从一个一线建模者的角度复盘我们当时是如何思考、如何构建模型、以及如何将代码落地的。这篇文章不是论文的简单复述而是聚焦于从“问题理解”到“模型实现”整个过程中那些真正决定成败的关键决策、踩过的坑和收获的经验。2. 破题将政策辩论转化为可计算的模型框架面对“是否应该长期禁止”这样的二元选择问题最直接的建模思路可能是构建一个评估指标体系给“禁止”和“不禁止”打分。但这很容易陷入主观臆断和文献堆砌的陷阱模型会变得非常“软”缺乏数学的严谨性和预测能力。我们的第一个关键决策是不直接回答“是否”而是回答“在什么条件下长期禁止是更优的”。这立刻将问题从一个静态的判断题转变为一个动态的优化问题。2.1 核心矛盾识别与系统边界划定野生动物贸易涉及的利益相关方众多野生动物种群、生态系统、本地社区依赖贸易或受其影响、国际贸易商、消费者、政府监管机构等。长期禁止作为一种政策干预其影响是系统性的。我们首先需要识别系统中的核心矛盾。矛盾一保护与利用的冲突。禁止贸易的直接目的是保护濒危物种但可能切断了一些社区可持续利用野生动物资源如基于配额的非伤害性采集以获取生计的途径甚至可能因监管成本高昂而催生更隐蔽、破坏性更大的非法黑市。矛盾二短期阵痛与长期收益的权衡。禁令实施初期可能导致依赖合法贸易的产业链断裂造成经济损失和失业短期阵痛。但长期来看如果禁令有效种群得以恢复生态系统服务价值提升可能带来更大的收益如生态旅游。矛盾三局部最优与全局最优的差异。对一个物种实施贸易禁令可能促使贸易商转向其他未被保护的替代物种造成新的生态压力需求转移效应。这要求我们必须从一个更宏观的生态系统或贸易网络视角来考虑问题。基于这些矛盾我们划定了模型的系统边界以一个典型的、受贸易影响的野生动物种群及其所处的社会经济生态系统为研究对象。我们假设存在一个“中央决策者”如国际公约或国家政府其目标是最大化该系统在长期如50-100年内的“综合净效益”。这个效益不仅包括种群数量等生态指标还包括经济收益、社会福祉等。注意划定边界是建模的第一步也是容易出错的一步。边界划得太大模型会过于复杂难以求解划得太小会忽略关键反馈机制。我们的经验是抓住1-3个最核心的反馈回路先建立一个“最小可行模型”MVM再逐步扩展。2.2 从概念模型到数学模型关键状态变量与流的选择有了概念框架下一步是将其数学化。我们引入了以下几个核心状态变量种群数量P这是最核心的生态变量。其变化受自然增长出生、死亡和人为捕获贸易影响。非法贸易规模I这是一个关键的社会经济变量。禁令的存在会直接影响它。它受执法力度、合法市场供给、消费者需求、利润空间等因素影响。执法投入水平E代表政策执行强度。长期维持高强度的执法需要持续的成本投入。社区福祉指数W一个综合指标用于衡量本地社区从野生动物相关活动中获得的正向收益如合法贸易收入、生态旅游就业和承受的负向成本如人兽冲突、失去传统生计。这些变量之间通过一系列“流”和“反馈”连接起来。例如贸易流合法贸易和非法贸易都会从种群中“抽取”个体影响P。资金流执法投入E需要资金可能来自政府预算或国际援助合法贸易能产生税收和经济活动影响W。信息/价格反馈种群数量P的减少可能导致黑市价格上涨进而刺激非法贸易I的增加负反馈强有力的执法E会增加非法贸易的风险和成本抑制I负反馈。将这些关系用数学方程表达出来就构成了模型的基本骨架。我们主要采用了系统动力学System Dynamics的方法来构建这个模型因为它特别擅长处理带有延迟、非线性反馈和积累效应的复杂系统问题。例如种群数量的变化可以用一个带有逻辑斯蒂增长项和捕获项的微分方程来描述dP/dt r * P * (1 - P/K) - (C_legal C_illegal)其中r是内禀增长率K是环境容纳量C_legal和C_illegal分别代表合法与非法捕获量而它们本身又是P、E、市场价格等变量的函数。3. 模型深潜系统动力学与博弈论的耦合设计单纯使用系统动力学模型虽然能模拟政策干预下系统的长期演变趋势但在处理“决策者与违法者之间的策略互动”时显得力有未逮。非法贸易者不是被动的变量他们会根据执法力度调整自己的行为。为此我们引入了演化博弈论的思想与系统动力学模型进行耦合。这是本次建模的一个创新点。3.1 执法者与偷猎者的演化博弈框架我们将执法机构代表“禁止”政策和潜在非法贸易者偷猎/走私者视为博弈的双方。在每一个时间步长模拟中的一年双方都有两种策略选择执法者高强度执法投入高成本E_high或低强度执法投入低成本E_low。非法贸易者从事非法贸易风险高潜在收益高或从事替代生计风险低收益稳定但可能较低。双方的收益Payoff矩阵取决于多个动态变量对非法贸易者收益 非法贸易利润 × 成功率 - 被捕的惩罚罚款、判刑 × 被捕概率。其中非法贸易利润与黑市价格与种群稀缺度P负相关和捕获效率有关被捕概率与执法力度E正相关。**对执法者收益 社会效益种群恢复带来的生态价值、减少非法贸易的社会稳定价值 - 执法成本(E) 可能的罚款收入。社会效益与种群数量P正相关。我们采用复制者动态方程来描述博弈双方群体中策略比例的演化。例如非法贸易者群体中选择“从事非法贸易”策略的比例x的变化率为dx/dt x * (1 - x) * [U_illegal - U_alternative]其中U_illegal和U_alternative分别是选择非法贸易和替代生计的期望收益。这个收益差是动态的依赖于当前的P和E。3.2 耦合机制模型如何“活”起来系统动力学模型与演化博弈模型的耦合点正在于此SD为博弈提供环境参数在每个模拟时刻SD模型计算出当前的种群数量P、执法投入E作为状态变量等。博弈决定行为比例将这些P、E代入博弈收益矩阵通过复制者动态方程更新非法贸易者中选择“从事非法贸易”策略的比例x。行为比例反馈回SD这个比例x决定了下一时刻非法捕获量C_illegal的大小C_illegal x * Poaching_potential其中Poaching_potential是潜在最大非法捕获能力也与P有关。C_illegal再作为输入影响SD模型中种群数量P的变化。闭环反馈形成P的变化又会影响下一轮的博弈收益如此循环形成一个动态、内生的反馈系统。这个耦合模型成功地模拟出一些现实世界中观察到的复杂现象“猫鼠游戏”的升级当执法力度E加强时短期内非法贸易比例x下降种群P得以恢复但种群恢复后黑市利润可能再次上升在执法松懈时诱使x反弹。政策的临界点效应存在一个执法投入的临界阈值。低于该阈值博弈会收敛到“低执法-高非法贸易”的糟糕均衡只有长期将执法力度维持在阈值之上系统才有可能向“高执法-低非法贸易-种群恢复”的良性均衡演化。“长期禁止”的成本考量模型可以量化地计算出为了将系统维持在良性均衡需要持续投入的执法成本E。这个成本可以与“不禁止但加强可持续管理”情景下的管理成本、以及两种情景下的长期综合净效益进行对比。4. 数据、参数与情景模拟如何让模型“言之有物”一个再精巧的模型如果没有合理的数据和参数支撑也只是空中楼阁。对于这样一个涉及多学科的问题获取完整、精确的数据几乎是不可能的。我们的策略是基于文献的合理估计 广泛的敏感性分析。4.1 参数估计与校准我们以非洲象的象牙贸易作为主要案例背景进行参数化因为该案例数据相对丰富争议也大。生态参数r, K从IUCN世界自然保护联盟报告、相关生态学研究论文中获取非洲象的种群增长率、环境容纳量估计范围。经济参数从野生动物贸易监测机构如TRAFFIC的报告、历史象牙拍卖价格数据中估算象牙的黑市价格与种群数量的关系函数。执法成本、罚款额度等则参考相关国家的执法预算和研究报告进行估算。社会参数社区福祉W的量化最困难。我们采用了一种简化方法将其与合法贸易收入如果允许、生态旅游收入与种群数量正相关、以及人兽冲突损失与种群数量在一定范围内正相关建立线性加权关系权重通过专家问卷或类似研究的赋值进行估计。校准Calibration是关键一步。我们利用历史上一段时期如某次象牙贸易禁令实施前后的宏观数据如粗略的种群趋势、非法贸易案件数量变化来调整模型中的一些难以确定的参数如非法贸易者对价格和风险的敏感系数使得模型模拟出的历史轨迹能与实际情况大致吻合。这一步虽然粗糙但极大地增强了模型的说服力。4.2 情景设计与模拟分析我们设计了四类政策情景进行模拟对比基准情景BAU维持当前的混合政策部分禁止部分许可但监管。全面长期禁止情景Ban实施全面贸易禁令并伴随一个初始较高的、然后随时间变化的执法投入计划。可持续利用情景Sustainable Use不全面禁止而是建立严格的、基于科学评估的配额管理体系允许有限的合法贸易并将收益反哺保护和社区。动态政策情景Adaptive根据模型中模拟出的种群数量P和非法贸易比例x设定触发机制。例如当P低于某个危险阈值时自动触发全面禁令和高强度执法当P恢复并稳定在安全水平以上一段时间后可转为可持续利用模式。模拟在Python中完成主要使用了scipy库求解微分方程并自定义代码实现博弈动态。每个情景模拟50-100年。我们输出的核心结果不是单一的“好”或“坏”而是一系列随时间变化的曲线和关键指标的对比种群数量轨迹哪种情景下种群恢复最快、最终水平最高非法贸易活动轨迹禁令真的能压制非法贸易吗效果是持续的还是暂时的累计综合净效益将生态价值用种群数量代理、经济收益、执法成本等折现到当前计算各情景下的净现值NPV。政策稳健性分析改变关键参数如象牙黑市价格弹性、社区对替代生计的依赖度观察最优政策是否会发生改变。5. 代码实现要点与踩坑实录我们的模型代码主要分为三个模块参数定义、模型核心函数、情景模拟与绘图。这里分享几个关键的实现细节和踩过的坑。5.1 微分方程组的数值求解耦合模型本质上是一个复杂的微分方程组描述种群、执法投入等SD变量与代数方程博弈收益计算交织的系统。我们采用scipy.integrate.solve_ivp函数进行数值积分。踩坑一时间尺度与方程刚性。种群动态较慢和博弈动态策略比例变化可能较快可能存在不同的时间尺度导致方程“刚性”stiff使用默认的RK45方法可能导致步长极小、计算极慢甚至失败。解决方案我们换用了适用于刚性问题的隐式方法如‘BDF’向后微分公式。同时仔细检查了博弈收益计算公式确保其数值范围不会在迭代中产生剧烈震荡必要时对比例x进行了逻辑斯蒂变换以将其约束在[0,1]区间避免数值溢出。def coupled_model(t, state_vector, params): 定义耦合系统的微分方程。 state_vector: [P, E, x, ...] 状态变量数组 params: 参数字典 P, E, x state_vector[0], state_vector[1], state_vector[2] # 1. 计算当前博弈收益 U_illegal, U_alt calculate_payoffs(P, E, params) # 复制者动态方程 (对x进行变换处理避免除零或溢出) x_transformed logit(x) # 例如使用logit变换 dx_transformed_dt x * (1 - x) * (U_illegal - U_alt) dx_dt d_logit_inv(x_transformed) * dx_transformed_dt # 变换回来 # 2. 计算非法捕获量 (依赖于x和P) C_illegal x * params[poaching_coeff] * P # 3. 系统动力学方程 dP_dt params[r] * P * (1 - P / params[K]) - (params[C_legal] C_illegal) # dE_dt 可能是一个依赖于政策情景的控制函数 dE_dt policy_function_E(t, P, x, params) return [dP_dt, dE_dt, dx_dt, ...] # 使用BDF方法求解 from scipy.integrate import solve_ivp solution solve_ivp(coupled_model, [t_start, t_end], initial_state, args(params,), methodBDF, dense_outputTrue, max_step1, rtol1e-6)踩坑二初始条件的敏感性。对于存在多均衡的系统不同的初始状态如初始非法贸易者比例x0可能导致模拟收敛到不同的均衡点。这恰恰反映了现实世界的路径依赖。解决方案我们进行了大量的多初始值模拟。对同一组参数从不同的(P0, x0)组合开始模拟观察系统的吸引域Basin of Attraction并在论文中展示这一结果。这比单一模拟更能说明政策的稳健性。5.2 情景政策的函数化实现“长期禁止”不是一个静态开关而是一个动态的政策路径。我们将执法投入E的变化定义为一个随时间或系统状态变化的函数。“长期禁止”情景E(t) E0 * exp(-decay_rate * t) E_base。表示禁令初期投入大随着时间推移和情况稳定可以逐步降低到维持性水平E_base。“动态适应”情景E(t) f(P(t), x(t))。例如if P P_critical: E E_high else: E E_low。这需要将E作为一个状态变量其微分方程由反馈规则定义。在代码中我们将这些政策函数作为参数传递给核心模型函数使得切换情景非常方便只需改变传入的policy_function_E。5.3 结果可视化与洞察传达38页的论文需要强有力的图表支持。我们使用了matplotlib和seaborn库。多情景对比图将不同情景下的P(t)、x(t)、累计效益等曲线绘制在同一张图中清晰展示差异。相图Phase Portrait用于展示系统在(P, x)平面上的动态轨迹和均衡点直观揭示系统的稳定状态和吸引域。热图Heatmap用于展示敏感性分析结果。例如以“执法成本系数”和“黑市价格弹性”为两个轴颜色表示“长期禁止情景相对于基准情景的净效益增量”一眼就能看出在哪些参数区域禁止政策是更优的。一个重要的心得是图表的美观和清晰至关重要。我们花了大量时间调整图例、颜色、标注确保评审专家即使不看正文也能从图中抓住核心结论。每一张图都配有详细但精炼的标题说明解释图中展示了什么以及为什么这个结果重要。6. 从模型回到现实结论的谨慎表述与政策启示经过复杂的建模和模拟我们得到了什么结论在论文中我们避免做出“野生动物贸易应该被长期禁止”或“不应该”这种绝对化的论断。因为模型的结论强烈依赖于参数。我们的核心结论是结构性的“长期禁止”并非一劳永逸的解决方案。模型显示除非配套以持续且足够力度的执法投入成本高昂否则单纯的禁令法令很容易被非法市场的适应性所侵蚀甚至可能因推高价格而刺激偷猎短期效应。政策的有效性存在临界阈值和路径依赖。执法力度必须超过一个临界点才能将系统推向良性均衡。并且如果系统已经深陷“低种群-高非法贸易”的陷阱则需要更强、更持久的干预才能扭转。“最优政策”是情境依赖的。通过敏感性分析我们发现当执法效率较高单位投入能显著降低非法贸易成功率且社区对野生动物资源的生计依赖度较低有可行的替代生计时“长期禁止”政策更容易显示出净正效益。当黑市需求价格弹性很低即使价格上涨需求也降不下来如成瘾性奢侈品且执法成本极高时全面禁令可能事倍功半而“可持续利用强力执法打击非法”的组合策略可能更有效因为它能通过疏导部分需求来降低非法利润空间。动态适应性政策展现出优势。在我们的模拟中能根据种群和非法贸易水平自动调整政策强度甚至类型的动态策略在多数参数设置下都表现出更好的稳健性和综合效益。这为决策者提供了一个新思路政策工具包不应是静态的而应包含监测、评估和反馈调整的机制。最后我想强调的是数学建模的价值不在于给出一个确切的“答案”而在于提供一个结构化的思考框架和政策实验室。我们的模型简化了现实但它清晰地揭示了野生动物贸易治理中各个关键要素之间的动态联系和权衡关系。它告诉决策者和公众讨论“是否禁止”时必须同时考虑“以多大成本、在多长时间内、如何执行禁令”以及“是否存在更灵活、更具适应性的替代方案”。这篇论文和代码就是我们用数学语言书写的一份关于复杂系统治理的谨慎提案。