2024全国大学生数学建模国赛评审细则

 2024全国大学生数学建模国赛评审细则

—参考2023年全国大学生数学建模竞赛C题评阅细则

评分体系阅览

—分值结果仅供参考

80+分：稳国一；

65分：达国奖门槛（70分更为稳妥）；

60至50分：有望获省一至省二；

50至40分：有望获省二至省三；

40分以上：均有机会获奖，依据评分而定；

评分细则

整体印象（10分）

核心评分环节不设固定的起评分。依据假设的合理性、论文的规范性、建模的特色与创新性(有创造性的模型和方法的应用合理的结论)等一系列要素对参赛作品进行全面评估。需要注意问题回顾、问题分析、模型假设、符号说明、型评价、参考文献、附录（6分起）等部分应完整且规范。

问题一（20分） 

1.异常值处理（5分）：异常值会对数据分析结果产生不良影响，此部分考察参赛者识别并妥善处理数据中异常值的能力，处理异常值的方法是否合理且有效，包括删除、替换、或者将异常值作为单独类别处理。方法的选择应基于数据的特性和分析目标。

2.时间分布分析（5分）：此部分考察参赛者如何深入分析和解读数据中的时间分布特征。时间分布分析对于理解数据的变化趋势、周期性模式等至关重要。

3.关联分析（10分）：

• 原理阐述（2分）：评价参赛者对关联分析基本原理的理解程参赛者对关联分析（如Apriori算法、FP-Growth算法等）基本原理的理解是否透彻，能否清晰阐述其背后的逻辑和假设。度和表述清晰度。

• 模型构建与求解方法（5分）：包括联分析模型的构建是否具有创意，能否针对特定问题提出新颖的解决方案；所选模型是否适合分析的数据集，能否有效揭示数据中的关联关系；求解方法是否科学严谨，遵循了统计学或数据挖掘的基本原则；求解过程是否高效，能否在合理的时间内完成大规模数据的关联分析等。

• 结果与检验（3分）：此部分关注关联分析的结果是否合理，是否符合业务逻辑和常识。结果能否有效解释数据中的关联现象，为决策提供有力支持。以及检验过程是否严谨。

问题二（25分） 

1.关系分析（10分）：

• 定性分析（3分）：此部分考察考察参赛者如何清晰、准确地描述问题中各变量之间的逻辑关系，包括因果关系、相关关系等。是否深入探讨了这些关系背后的原因、机制和影响因素，展现出对问题本质的深刻理解。表述是否简洁明了，易于理解，无歧义，确保评审和读者能够准确把握分析要点。

• 定量分析（7-10分）：着重考察参赛者运用数学工具量化关系的能力，包括数据的收集、处理、分析及结论的推导过程。评估参赛者收集数据的全面性、准确性和处理方法的合理性，包括数据清洗、转换、标准化等步骤。基于量化分析结果，推导出的结论是否逻辑严密、证据充分，根据方法的适用性和结论的可靠性进行评分。

2.函数关系探索（6分起）：

此部分考察参赛者识别并构建的函数关系是否准确地反映了问题中变量间的数学或逻辑联系。在构建函数关系时，是否提出了新颖的视角或方法，超越了常规思路。该函数关系对解决问题的实际贡献度，包括提高预测准确性、优化决策过程等方面。

3.优化模型（15分）：

• 原理阐述（3分）：评价参赛者对优化模型基本原理的理解深度，包括理论基础的正确性、逻辑连贯性和创新性。

• 模型构建与求解算法（7分）：此部分聚焦于模型的构建过程、根据问题复杂度和解决难度，评估模型的构建难度和复杂度。求解算法的选择是否科学、合理，实现过程是否高效、稳定。以及评估是否具有实用性和创新型。

• 结果与检验（5分）：评估优化模型的结果是否符合预期，检验过程的严谨性和结论的可靠性。同时，也考虑结果对实际问题的指导意义和应用价值

问题三（25分） 

1.总范围设定（5分）：

此部分旨在评估参赛者对可售品种范围界定的合理性和全面性。范围设定是否覆盖了目标市场的关键细分领域，考虑了不同消费者群体的需求和偏好，以及潜在的市场机会。是否充分考虑了未来市场的发展趋势。

2.优化模型构建（20分）：

• 原理阐述（0-3分）：要求参赛者清晰阐述优化模型的理论基础，原理阐述是否逻辑严密、条理清晰，能够引导评审和读者理解模型的核心思想和假设条件。

• 模型与求解方法/算法（0-7分）：此部分重点考察模型的构建质量、求解方法的科学性和算法的效率。能够在合理的时间内处理大规模数据或复杂问题，确保模型的实际应用价值。

• 结果与检验（0-5分）：参赛者需展示优化模型的结果，并说明其检验过程。评分将依据结果的合理性、准确性、对实际问题的解释力以及检验方法的严谨性进行。

• 约束条件考虑（未直接给出分数，但为重要考量因素）：在构建优化模型时，必须充分考虑各种约束条件，如资源限制、市场需求、政策法规等。这些约束条件的合理考虑和融入，是确保模型实用性和有效性的关键。

问题四（10分） 

数据收集与评估（10分）：

• 新数据收集与理由阐述（8分）：此部分要求参赛者详细描述所收集的新数据类型、来源及其对于问题解决或模型优化的重要性和必要性。需阐述新数据如何直接关联到当前需要解决的问题或模型优化的目标。

• 数据可行性分析（2分）：在收集新数据后，参赛者需评估其在实际应用中的可行性，包括数据处理的难易程度、技术实现的可行性、以及数据质量对模型结果的影响等。

模型检验结果检验、灵敏度分析（10分）

该部分评分为5分起步。请避免将评分标准直接对应到特定参赛作品，需要关注具有创新性的方法和模型应用的论文。

本题旨在通过深入分析蔬菜类商品的销售数据，揭示不同品类及具体单品在销售量上的分布规律与相互间的内在联系。基于这些分析，进一步探讨如何科学制定蔬菜类商品的补货与定价策略，特别是在空间资源有限的情况下，如何优化单品的组合方案以最大化销售效益。值得注意的是，商品的销售量与价格之间往往存在着复杂的关联，因此，构建一个可靠的需求分析体系，是确保补货与定价策略有效性的基石。

Q1.分析销售量分布规律及相互关系时，应重点考虑:

1. 应对异常数据及打折、退货、无销售单品等情形进行处理。

2. 在研究品类和单品的分布及变化规律中，应考虑时间效应。

3. 在品类及单品销量的关联性分析中，应考虑相关性分析方法的使用条件。如果对单品或单品分布类型进行讨论应给予鼓励。

4. 仅做简单的描述性统计、可视化展示是不足的。

Q2.根据收益最大的原则建立和求解补货量和定价策略模型，应重点考虑:

1. 从定性和定量两个方面分析销售量与各品类的补货量和价格之间是否相关;若相关，应建立定量关系模型。

2. 从机理的角度考虑补货量与价格相互依赖的关系。

3. 应考虑数据的时间因素，例如季节性、周期性、节假日、趋势性。

4. 应给出各品类未来一周的补货量与定价的具体结果，须体现工作日与双休日的区别。

Q3.建立各品类中的单品销售选择模型，应重点考虑:

1. 确定各品类中可替代或互补的单品，例如可以通过相关性分析对各晶类中的单品进行分类等。

2. 在考虑单品可替代性、互补性的前提下，给出商品品种多样性的量化方法，满足商品需求量和品种多样性的约束。

3. 问题3的求解可以借鉴问题2的模型与方法，但须明确品类与单品决策之间的差异。

4. 鼓励有不同模型或优化方案下的结果对比。

Q1.论述数据收集的对象时，应重点考虑:

1. 给出建议收集的新数据，例如经营类数据、外部数据、消费者数据等，并说明理由。

2. 分析数据收集的可行性、经济性等因素。

注意

1. 在问题2和问题3中，合理地考虑补货量和定价的耦合关系同时进行求解，是值得鼓励的。

2. 由于预测期的商品批发价未知，商品的定价应重点关注成本加成率。

3. 由于历史补货量未知，利用损耗率估计历史补货量是一种可行的做法。处理品类损耗可以综合利用历史销售量与单品损耗率。