美赛O奖的论文是什么样的？

写在前面

2025年美国大学生数学建模竞赛就快开始了。为了备战比赛，老师觉得最有效的方法就是多看看那些优秀的O奖论文。今天，老师要给大家解析一个O奖论文，是2024年的E题，队伍号为2400860的队伍的O奖论文。希望能对大家有所帮助。准备参赛的同学们，跟紧老师，我们开始吧！

01、题目背景及要求

首先，当我们拿到一个题目，我们需要去进行分析，那么如何分析题目呢？老师总结了以下几点：

►读懂题目背景：先看题目，了解大概意思和需要解决的问题是啥。有了题目背景，就更容易理解问题。

►挑出关键信息：看看题目里有啥重要的数据或条件，把它们列出来。这样更清楚问题要求的关键点。

►限定问题范围：搞清楚题目的限制条件，这样就知道问题的边界在哪儿了。

►拆分问题：大问题拆成小块，知道每一块的作用和联系。这样能更系统地解决复杂问题。

根据这个方法，然后我们来一起看一下2024年的E题:财产保险的可持续问题。

题目背景——

极端天气事件已成为业主和保险公司的危机。近年来，世界经历了1000多次极端天气事件，造成的损失超过1万亿美元。与30年来的平均水平相比，2022年保险业因自然灾害造成的索赔增加了115%。随着洪水、飓风、旋风、干旱和野火等恶劣天气事件的损失可能增加，保费正在迅速上涨，到2040年，预计保费将增加30-60%。

随着保险公司改变其承保方式和地点，财产保险不仅变得越来越昂贵，而且也越来越难以找到。在世界各地，推动财产保险保费成本的气候相关事件各不相同。此外，全球保险保护缺口平均为57%，而且正在不断扩大。这突出了行业的困境——承保商的盈利能力面临危机，而业主的负担能力也面临危机。

题目需求

1. 为保险公司开发模型；

2. 调整保险模型；

3. 为社区领导制定保护模型；

4. 选择历史地标并应用模型；

02、优秀论文解析

论文建模的主要步骤如下：

1、问题分析与定义

这篇优秀论文对现实问题的把握很准确：队伍敏锐地察觉到气候变化引发的极端天气事件增多对财产保险行业和建筑保护带来的挑战。明确指出财产保险行业面临着更高的索赔和保费问题，保险公司需要在风险和长期生存能力之间做出承保决策，同时社区领导者也需要确定对具有重要意义的建筑的保护措施。这种对现实问题的清晰界定为后续的建模工作奠定了坚实的基础。

拿到美赛O奖的论文，原来长这样？

图源：#2400860论文

2、数据收集与预处理

这个队伍从多源数据进行数据获取，分别有：

官方网站数据

从多个官方网站收集数据，美国人口普查局（https://data.census.gov/）获取人口相关数据，包括人口数量、人口结构、社会经济特征等信息，为分析不同地区的社会脆弱性和社区恢复力提供基础。从美国联邦应急管理局（FEMA.gov）获取有关自然灾害风险评估的数据：不同地区的灾害历史记录、风险指数等，有助于构建风险分析模型。

世界银行数据

利用世界银行（https://data.worldbank.org/）的数据资源，获取全球范围内的经济数据以及部分地区的相关发展指标。这些数据可能涵盖了不同地区的人均收入、经济增长情况、产业结构等信息，对于评估地区的经济状况以及居民对保险的支付能力具有重要作用。

特定地区数据

针对研究的具体地区：洛杉矶（https:/geohub. lacity.org/）和戈龙塔罗，收集当地的地理信息、建筑数据、灾害发生频率等地区特定数据。洛杉矶地区的数据包括城市的地形地貌、建筑分布、易受灾区域等信息，这些数据有助于更准确地分析当地的风险状况以及对保险和建筑保护的需求。

老师有话说

然后，这个队伍对数据进行了预处理，预处理是非常关键的，这个队伍对数据进行预处理，主要有以下几个作用，大家可以用到自己的建模中去。

消除量纲影响

为了使不同指标的数据具有可比性，需要对一些数据进行标准化处理。在这个优秀论文中，在计算社区风险因素（CRF）时，涉及到社会脆弱性（SV）和社区恢复力（CR）两个指标，它们具有不同的量纲和数值范围。通过标准化处理，将这些指标转化为无量纲的数值，使得它们在计算CRF时能够合理地反映各自对风险的贡献程度，避免了因量纲不同而导致的计算偏差。

数据清洗与筛选

在这个优秀论文中，使用了去除异常值的数据清理手段，主要是对收集到的数据进行检查，识别并去除可能存在的异常值。在文章中，在灾害损失数据中，如果存在个别极端高或低的值，可能会对整体的风险评估产生较大影响。通过合理的方法（如基于统计原理的3σ原则或箱线图法等）识别这些异常值，并根据实际情况决定是否将其去除或进行适当的修正。筛选相关数据是根据研究问题的需要，对收集到的大量数据进行筛选，保留与模型构建和分析相关的数据。

3、建构模型

风险分析模型

文章首先从多个维度思考极端天气风险评估。在预期年度损失（EAL）的计算中，纳入人口、建筑和农业三个关键方面。针对每个方面，细致考虑自然灾害暴露、历史损失率以及自然灾害年化频率的可能性风险因素，旨在全面涵盖极端天气对不同领域经济损失的影响。同时，引入社区风险因素（CRF），由社会脆弱性和社区恢复力构成，从社区层面综合评估风险，为后续精确量化风险打下基础。

计算社区风险因素CRF时，将社会脆弱性除以社区恢复力，并采用一种特定的三角分布函数来确定其值。这种分布函数的选择考虑到能突出社区的不同情况，同时结合EAL作为主要风险驱动因素，使CRF能综合考虑社区特性对风险的影响。

拿到美赛O奖的论文，原来长这样？

图源：#2400860论文

风险结合的资本资产定价模型

文章以经典的资本资产定价模型为基础，融合市场回报率、无风险利率以及破产理论，构建适用于极端天气风险下的保险定价模型，以考虑保险公司在极端天气频发环境中的特殊风险和收益情况，通过设定破产概率使其更贴近现实经营风险考量。

在模型中，先计算投资回报率及其方差，涉及保额、投资资本、损失函数、附加费率等多个参数。然后依据这些结果以及市场和无风险利率等因素，计算出每一定保额的纯保费。最后，通过比较计算出的保险费率与当地居民支付能力，为保险公司在不同地区的承保决策提供依据，若费率过高居民无法负担或保险公司面临高破产风险，则不建议承保。

拿到美赛O奖的论文，原来长这样？

图源：#2400860论文

建筑保护模型

文章从文化价值和社区影响、经济、历史三个主要维度选取指标评估建筑价值。文化价值和社区影响方面，综合多种因素选取谷歌搜索词数量、参与建筑周边活动人数、年游客数量作为二级指标。经济维度选取土地价值和建设成本作为二级指标。历史维度选取历史研究文档数量和保存程度作为二级指标，从学术关注度和实际保存状况衡量建筑历史价值。

采用Sperman - CRITIC算法和层次分析法（AHP）相结合的方式确定指标权重。结合风险分析模型得到的风险得分，计算保护优先级得分。

4、实验验证

地区应用案例的代表性与启示

文章精心选择了洛杉矶和印度尼西亚的戈龙塔罗作为模型应用的案例地区，这两个地区具有显著的代表性。洛杉矶作为经济发达地区，面临着较高的灾害风险，其经济结构和社会发展水平对保险市场和建筑保护有着独特的需求和影响。戈龙塔罗则是发展中地区，经济相对落后，且具有不同的风险状况和社会经济特点。通过在这两个地区应用模型，展示了模型在不同经济发展水平和风险环境下的适用性和有效性。

地标建筑案例的针对性与价值

以东京塔作为地标建筑案例进行分析，具有很强的针对性。东京塔作为日本的重要地标，承载着丰富的历史文化价值和独特的建筑特点，其保护需求和保险决策具有特殊的复杂性。

通过应用模型对东京塔进行保险定价和建筑保护措施分析，验证了模型在具体地标建筑保护中的应用价值。根据东京塔的风险得分和特殊历史价值，计算出合理的保险费率，并依据建筑保护模型确定其处于高保护等级区域，进而提出相应的保护措施建议，如加强日常监管和维护、考虑购买巨灾保险以及强化抗震措施等。这一案例不仅为东京塔的保护提供了科学依据，也为其他地标建筑的保护和保险决策提供了有益的借鉴。

拿到美赛O奖的论文，原来长这样？