2024年美国大学生数学建模竞赛
F题 减少非法野生动物贸易
原题再现：
非法野生动物贸易对我们的环境产生负面影响，并威胁到全球生物多样性。据估计，每年涉及的金额高达 265 亿美元，被认为是全球第四大非法贸易。"你们将制定一个数据驱动的 5年项日旨在显著减少非法野生动物贸易。你的目标是说服客户执行你的项目。要做到这一点，你必须选择一个客户和一个合适的项目。
你的工作应该探索以下子问题:
谁是你的客户?这个客户实际能做什么?(换句话说，你的客户应该拥有实施你提议的项目所需的权力、资源和兴趣。)
解释为什么你开发的项目适合这个客户。从已发表的文献和你自己的分析中，有哪些研究支持你选择这个项目?使用数据驱动的分析，你将如何说服你的客户，这是一个他们应该承担的项目?
你的客户需要哪些额外的权力和资源来执行这个项目?(记住要使用假设，但也要尽可能将你的工作建立在现实基础上。)
如果项目实施了，会发生什么?换句话说，对非法野生动物贸易的可衡量影响是什么?你做了什么分析来确定这一点?
项目达到预期目标的可能性有多大?此外，根据情境化的敏感性分析，是否存在可能不成比例地帮助或损害项目实现目标的能力的条件或事件?
虽然您可以限制您对非法野生动物贸易的方法，但您也可以将非法野生动物贸易视为更大的复杂系统的一部分。具体来说，你可以考虑其他领域的其他全球努力，例如，减少其他形式的贩运的努力或减少气候变化的努力以及减少非法野生动物贸易的努力，如何成为一个复杂系统的一部分。这可能会为这一领域中意想不到的行动者创造协同机会。
如果您选择在解决方案中利用复杂性框架，请务必通过讨论此建模决策的利弊来证明您的选择是正确的。
此外，您的团队必须提交一份1页的备忘录，其中包含您的客户的关键点，突出您的5年项目提案以及为什么该项目适合他们作为客户(例如，访问资源，他们任务的一部分，与他们的使命声明保持一致等)。
评委们将特别寻找客户选择的创造力，以及在整个分析过程中使用的适当建模过程的选择和论证。他们还将寻找阐述(1)在客户和拟议项目之间建立牢固的联系，(2)在数据分析和拟议项目的设计之间建立清晰而直接的联系。
整体求解过程概述(摘要)
野生动物非法贸易对全球生物多样性和生态系统的平衡造成了严重的危害，迫切需要更多的人参与制止，寻找合适的组织并说服他们参与是一个巨大的挑战。
首先，构建了基于权力、资源和利益三个维度的客户三角模型，包括政府、企业和非政府组织三类相关客户。建立该模型，对每个维度汇总多个指标，得到每个客户的得分，然后采用熵权法（EWM）得到相应的权重。样本中列出的部分指标及其权重为：权力维度中的国家法律（0.8967）、行业影响力（0.2248）、媒体平台推广（0.4349）；资源维度的GDP（0.8789）、技术进步（0.1283）或志愿者网络（0.6878）；犯罪率降低与公共安全（0.2540）、声誉优化（0.1368）、生物多样性保护（0.7460）在利益维度。
其次，利用层次分析法（AHP）从下到上系统地评价了三个不同客户类别的综合得分。然后，我们计算了265个国家、157家企业和30个组织的所有不同的潜在客户得分，并选择得分最高的客户。著名的奢侈品公司LVMH group的标准化客户三角模型（0.44、0.94、0.24）达到了0.4157的最大潜在得分，令人惊讶的是，它是一个企业，既不是政府也不是非政府组织。
第三，建立双赢模式，创新引入惩罚收入、消除交易（替代材料）等新的收入指标。与苹果公司一样，停止使用皮革制品和采用新材料带来了更多的收益。我们通过仿射映射分析评估了该项目给客户带来的好处，并估计了LVMH一年的额外利润价值（12806万美元）。我们认为，该项目非常适合LVMH，因为它在动物保护方面的声誉显著提高。
此外，我们还设计了一个补充向量模型来评估客户在项目执行期间所需的额外功能。我们的客户LVMH得到的互补向量为（0.56、0.06、0.76），然后我们使用最大匹配模型，从我们先前评估的潜在客户的轮廓数据（0.35、0.03、0.46）中识别塞舌尔政府，这些潜在客户具有最接近的（99.9%）基于余弦相似性的互补向量。我们的客户LVMH可能需要一些资源，如近140万平方公里的专属经济区。LVMH还可以受益于塞舌尔政府对野生动物保护政策的支持，从而提升其品牌形象。
最后，利用2015-2022年非法野生动物交易数据建立了影响模型。采用基于最小二乘法的多元线性回归模型，计算了医疗贸易、实验贸易、食品贸易、毛皮贸易、装饰贸易等影响因素的可测影响，得出影响向量为（2.651,0.812,0.164，-0.147，-1.811）。假设积极因素每年减少10%，消极因素每年增加5%，我们可以将未来五年非法野生动物贸易额减少到200亿美元。最终预测值为175.4亿，贸易额下降33.81%。我们使用基于五点估计的加权概率模型来评估项目成功的可能性，结果概率为87.2%。
再者，我们将野生动物贸易置于更大的生态系统中，并采用Leslie Gower模型作为基本框架来阐明捕食-食饵相互作用的动力学，实验结果表明，环境保护因素会提高野生动物的生存率。
此外，当我们对初始交易值（±5%）稍作调整时，未来非法野生动物交易值的变化将在0.047%以内，表明我们的模型具有较强的鲁棒性。
模型假设：
▶ 假设1：本文中提到的权力、资源和利益等因素都与打击非法野生动物贸易有关。
理由：我们关注能够减少非法野生动物贸易的关键权力和资源：政府执法、国际组织领导和企业的可持续发展努力。所需资源包括资金、技术和专业知识，并集中关注支持野生动物保护和可持续发展目标。
▶ 假设2：政府、企业和非政府组织的权力、资源和利益因素具有不同的含义。
理由：在打击非法野生动物贸易的努力中，每一方都有独立和独特的作用。这种划分有利于将他们视为不同类型的客户，从而能够更精确地制定目标项目和战略。
▶ 假设3：新技术和新材料使以动物为原料的传统产业得以升级。
理由：有许多著名的例子，如苹果公司停止使用皮革产品，采用新材料，最终导致更多的收益。
▶ 假设4：我们的客户是理性的，可以被潜在的收益或声誉说服。
理由：我们的模型假设企业愿意接受我们减少野生动物贸易的项目具有一定的操作可行性。
▶ 假设5：非法贸易量与相关产业量大致成正比，相对稳定。
理由：非法野生动物贸易可以看作是相关产业的投入成本，其份额相对稳定，大致与产业总金额成正比。
问题分析：
•任务1：评估不同客户在权力、资源和利益方面的得分。评估其打击非法野生动物交易的能力，并选择最合适的客户。
•任务2：分析任务1中选定的客户，计算他们可能从打击非法野生动物贸易中获得的利益。
•任务3：根据所选客户在权力、资源和利益方面的得分，确定其弱点。与在这些领域有较强能力的其他客户合作。
•任务4：通过预测项目实施后生物多样性的增加，评估客户对打击非法野生动物贸易的影响。
•任务5：通过预测项目实施所需的时间，评估实现预期目标的可能性。考虑对生态系统的影响，对项目模型进行敏感性分析。
为了有效地说明解决方案中的步骤，我们创建了一个可视化指南，展示了我们的工作流，如图2所示。在流程图中，我们清楚地展示了解决问题的关键步骤和所采取的建模方法。
模型的建立与求解整体论文缩略图
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可
代码：(文档not free)
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report
import pandas as pd
from sklearn.datasets import make_classification
# 生成模拟数据集
X, y = make_classification(n_samples=1000, n_features=5, n_classes=2, random_state=42)
# 将数据集划分为训练集和测试集
#见完整版
# 预测测试集
def predict(model, X_test):
y_pred = model.predict(X_test)
return y_pred
# 评估模型性能
def evaluate_performance(y_true, y_pred):
accuracy = accuracy_score(y_true, y_pred)
report = classification_report(y_true, y_pred)
return accuracy, report
# 训练模型
trained_model = train_decision_tree(X_train, y_train)
# 进行预测
y_pred = predict(trained_model, X_test)
# 评估性能
accuracy, report = evaluate_performance(y_test, y_pred)
# 打印模型性能
print(f'Accuracy: {accuracy}')
print(f'Classification Report:\n{report}')
# 可视化决策树
def visualize_tree(model, feature_names, class_names):
dot_data = export_graphviz(model, out_file=None,
feature_names=feature_names,
class_names=class_names,
filled=True, rounded=True,
special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("decision_tree") # 保存为PDF文件
return graph
# 获取特征和类别名称
feature_names = X.columns # 如果你的数据集是DataFrame的话
class_names = [str(i) for i in range(len(set(y)))]
# 可视化决策树
tree_graph = visualize_tree(trained_model, feature_names, class_names)
# 显示决策树图形
Image(tree_graph.render("decision_tree", format="png"))