1. 从“建模”到“论文”：为什么好模型不等于好成绩
在数学建模竞赛圈子里，流传着一句老话：“三分建模，七分写作”。这句话听起来有点夸张，但经历过国赛（全国大学生数学建模竞赛）和美赛（美国大学生数学建模竞赛）的老手们，大多会深以为然。我见过太多队伍，模型建得精巧，算法用得高级，但最后交上去的论文却让人看得一头雾水，或者平平无奇，最终成绩远低于预期。反过来，也有些队伍，模型本身可能并不复杂，但论文写得逻辑清晰、图文并茂、表达专业，最终却能拿到不错的奖项。
这背后的原因很简单：评委老师没有时间、也不可能去运行你的代码、复现你的模型。他们评判的唯一依据，就是你提交的那份二十来页的PDF论文。这篇论文，是你整个团队三天三夜（国赛）或四天四夜（美赛）智力劳动的最终结晶和唯一呈现。它不仅仅是一份“技术报告”，更是一份需要说服评委的“产品说明书”和“解决方案推销书”。
因此，掌握一套科学、高效的论文写作方法，其重要性不亚于模型构建本身。它决定了你辛苦建立的模型价值能否被完全、甚至超值地认可。本文将抛开空洞的理论，结合我自身多次参赛和指导的经验，聚焦于国赛和美赛论文写作中那些真正关键、可操作的方法与细节，目标是让你写出的论文，从众多作品中脱颖而出。
2. 论文的骨架：顶层设计与结构规划
动笔之前，先搭架子。一篇优秀的数模论文，结构必须清晰、符合规范。国赛和美赛在结构要求上大同小异，但细节侧重有所不同。一个好的结构规划，能让写作过程有条不紊，也能让评委快速抓住你们工作的脉络。
2.1 国赛与美赛的结构共识与差异
无论是国赛还是美赛，一篇完整的论文通常包含以下核心部分：摘要、问题重述与分析、模型假设与符号说明、模型的建立与求解、模型的分析与检验、模型的评价与推广、参考文献、附录。这是骨架，但血肉的填充方式各有讲究。
对于国赛，评审更注重模型的正确性、算法的有效性以及结果的可靠性。因此，在“模型的建立与求解”部分，需要非常扎实，推导严谨，逻辑链完整。摘要要求高度精炼，直击要害，因为国赛评审工作量极大，摘要往往是定档的第一印象。
对于美赛，除了模型本身，评审还非常看重“故事性”和“创新性”。你的论文需要像一个完整的解决方案报告，有清晰的背景引入（引言部分可以更生动），有对问题深入的洞察（问题分析部分可以更展开），模型部分要讲清楚“为什么选择这个模型”，而不仅仅是“怎么用这个模型”。摘要（Summary）更是重中之重，它需要吸引人，概括全文亮点，甚至可以稍微带点“推销”语气。美赛论文的图表美观度、排版专业度也往往被赋予更高的权重。
2.2 写作顺序的黄金法则：倒着写，顺着理
新手常犯的错误是按章节顺序从头写到尾。这极易导致摘要空洞、重点模糊，以及前后内容重复或矛盾。我强烈推荐“倒序写作法”：
- 首先，完成核心模型部分：在模型基本建立、求解出初步结果后，立即着手撰写“模型的建立与求解”这一核心章节。这时思路最清晰，细节最准确。把模型原理、推导过程、算法步骤、求解结果（包括核心图表）完整地写下来。
- 接着，撰写“模型的分析与检验”和“评价推广”：基于已有的结果，进行分析、灵敏度检验、误差分析等，并客观评价模型的优缺点，思考推广方向。这部分是对模型工作的深化。
- 然后，回溯撰写“问题分析”与“模型假设”：此时，你已经完全清楚自己用了什么模型、做了哪些简化。回过头来写“问题分析”时，就可以有针对性地阐述为何将复杂问题转化为你最终解决的形态，层层递进，逻辑自然。写“模型假设”时，也能确保每一条假设都确实为后续模型服务，且合理可行。
- 最后，精雕细琢“摘要”和“关键词”：这是全文的最后一步，也是最重要的一步。此时，你对全文的精华了如指掌。摘要需要概括问题、方法、模型、算法、主要结果和结论。写完后，务必反复修改，确保它独立成文、没有废话、亮点突出。
- 贯穿始终的“参考文献”和“附录”：参考文献在引用时随时添加，最后统一格式化。附录用于放置大篇幅的代码、中间数据或冗长推导，在正文中注明“详见附录X”即可。
这种“倒着写”的方式，能确保你的论文核心坚实，并且摘要与正文高度统一，避免“摘要承诺了一头牛，正文只见到一只鸡”的尴尬。
3. 摘要：决定生死的五百字
摘要是一篇论文的“脸面”。评委在初步筛选时，可能只花几分钟看摘要。摘要的质量直接决定了你的论文是被归入“细读”档还是“普通”档。
3.1 摘要的“五脏六腑”：一个都不能少
一篇完整的摘要，应像一篇高度浓缩的微型论文，包含以下要素：
- 问题与背景：用一两句话简要说明解决了什么问题。
- 建模思路与总体方法：面对这个问题，你们总体的解决路径是什么？（例如：“本文通过分析……数据，首先建立了……模型，进而利用……算法进行求解，最后针对……问题进行了优化。”）
- 具体模型与算法：你们具体建立了什么模型？（如：基于熵权法的TOPSIS综合评价模型、结合时间序列预测的元胞自动机模拟模型等）。采用了什么算法或工具求解？（如：利用蒙特卡洛方法进行模拟、使用LINGO软件进行整数规划求解等）。
- 主要结果与结论：给出最关键、最亮眼的数值结果和结论。结果要具体，最好有数据支持。（例如：“最终得出2030年该地区碳排放峰值约为XX万吨，并给出了分阶段的减排路径。灵敏度分析表明，模型对参数α的变化较为稳健。”）
- 模型优点与特色：简要点明模型的创新点、优势或特色。（例如：“本文的创新之处在于将网络科学中的节点中心性指标引入评价体系，使得结果更能反映结构性差异。”）
注意：摘要中不要出现图表、公式引用（如“见图1”、“由公式(5)可得”），也不要写“我们”这种主观词汇，直接以“本文”开头，采用客观陈述语气。
3.2 美赛Summary的额外心机
美赛的Summary可以比国赛摘要稍长，且更注重“吸引力”。开头可以稍作铺垫，但依然要迅速切入主题。在陈述结果时，除了数据，可以强调一下结果的意义或影响。例如，不仅说“预测人口为X”，还可以说“该预测为城市基础设施规划提供了量化依据”。多用一些强有力的动词，如“demonstrate”, “propose”, “reveal”, “outperform”等。
一个实用的技巧是：写完摘要后，让队里一位不太熟悉细节的队员（或同学）阅读，看他能否在短时间内抓住你们工作的核心。如果他读后不知所云，说明摘要需要重写。
4. 模型表述：如何把“黑箱子”讲明白
这是论文的主体，也是最体现功力的部分。很多同学在这里堆砌公式和代码，却忘了写作的本质是“沟通”。
4.1 从问题到模型：逻辑链必须无缝衔接
在“问题分析”或“模型的建立”章节开头，一定要有一段“引领性”的文字。不要直接甩出公式。应该先分析问题的特点、难点，然后说明针对这些特点，你们打算采用哪一类方法（比如：这是一个典型的优化分配问题，因此我们考虑建立规划模型；或者，这个问题涉及多个因素的相互影响，因此我们尝试用系统动力学模型来描述）。接着，解释为什么在同类模型中选择了这一个（比如：与线性规划相比，非线性规划更能刻画实际中的边际效应递减规律）。
这个过程，就像给评委讲故事：“我们遇到了这样一个麻烦（问题）→ 这个麻烦可以这样理解（分析）→ 通常有几种解决思路（方法归类）→ 我们权衡之后决定用这种思路（模型选择理由）→ 具体来说，我们的模型长这样（公式呈现）”。有了这个逻辑链，模型的出现就不再突兀。
4.2 公式、图表与文字的三位一体
- 公式：重要公式必须居中、编号。在公式出现前，用文字说明每个符号即将代表的含义。公式出现后，对公式的整体含义进行解释，说明它如何体现了你们前面的建模思想。避免出现“由以上分析可得公式(1)”这种跳跃。
% 示例：不要只写 建立目标函数：max Z = ∑ c_i x_i。 % 应该写： 为了最大化总收益，我们以总利润最大化为目标，建立如下目标函数： $$ \max Z = \sum_{i=1}^{n} c_i x_i \tag{1} $$ 其中，$Z$表示总利润，$c_i$表示第$i$种产品的单位利润（元/件），$x_i$表示第$i$种产品的产量（件），$n$为产品种类总数。式(1)的含义是求所有产品利润之和的最大值。 - 图表：图表是论文的颜值担当，也是信息的高效载体。每一个图表都必须有编号和标题（如“图1：2010-2022年全国碳排放量趋势图”、“表1：不同方案的评价指标对比”）。在正文中，必须有对图表的引用和描述（如“如图1所示，碳排放量在2015年后增速明显放缓……”，“由表1可知，方案A在成本指标上最优，而方案B在效率指标上领先……”）。图表标题应具有自明性，让人不看正文也能大致理解图表内容。
- 文字：文字是粘合剂，负责串联所有元素。它的作用是解释、引导和强调。避免大段冗长的描述，多分段落。技术性描述力求准确、简洁。
4.3 算法描述：伪代码优于纯代码
如果你用了某种算法（如遗传算法、模拟退火、迪杰斯特拉算法等），不要直接把编程代码贴进正文。应该用“伪代码”或“算法步骤”的形式来描述。
- 说明算法选择理由：为什么用这个算法？它如何适配你的模型？
- 给出算法流程图或步骤列表：用清晰的框图或1，2，3…的步骤列出算法的关键流程。这比大段文字更直观。
- 必要时附上关键代码片段：如果算法中有自己实现的精妙部分，可以截取关键代码片段放入正文，并加以说明。完整的代码全部放入附录。
5. 模型检验与评价：让结果可信，让工作完整
模型求解出结果，论文只完成了一半。如何让评委相信你的结果不是“凑出来”的？这就需要模型检验与评价。
5.1 灵敏度分析：模型的“压力测试”
灵敏度分析几乎是数模论文的标配。它的核心是：改变模型中的某个（些）参数或初始条件，观察结果的变化程度。
- 怎么做：通常选择1-2个关键或不确定的参数（比如增长率、权重系数、初始值），在其合理范围内取一系列值，重新运行模型，观察目标函数或关键输出变量的变化。
- 怎么呈现：最好用图表，如折线图（参数 vs 结果）或热力图（多参数变化）。结论要明确：模型对哪些参数敏感？敏感程度如何？这对实际应用有何启示？（例如：“模型对贴现率r高度敏感，因此在政策制定中需谨慎确定该值；而对维护成本系数c不敏感，说明该部分估算的误差对最终决策影响较小。”）
- 注意：灵敏度分析不是简单地改变参数看结果变不变，而是要分析变化“是否在可接受范围内”以及“变化趋势是否符合直觉或理论预期”。
5.2 误差分析与模型检验
- 误差分析：如果你的问题有历史数据或部分已知结果，一定要计算模型的误差。使用如平均绝对误差（MAE）、均方根误差（RMSE）、相对误差等指标进行量化。分析误差来源：是模型假设过于简化？数据噪声？还是算法收敛精度问题？
- 模型检验：用多种方法交叉验证模型的有效性。
- 交叉验证：对于数据驱动模型（如预测、分类），将数据分为训练集和测试集。
- 案例对比：将模型应用于一个已知解的简化特例或经典案例，看结果是否一致。
- 多模型对比：如果可能，用另一种不同的模型或方法对同一问题求解，对比结果。如果结果趋势一致，则大大增强了结论的说服力。即使结果有差异，分析差异原因也是论文的亮点。
5.3 模型评价与推广：画一个圆满的句号
这一部分体现团队的思考深度。
- 模型评价（优缺点）：要客观、全面。优点写2-3条，紧扣模型特色（如“模型具有清晰的物理意义”、“计算效率高，适合大规模求解”）。缺点写1-2条，要真诚且“高级”，避免“时间仓促、水平有限”这种套话。可以说“模型假设了XX条件，在极端情况下可能不适用”、“模型未考虑XX因素的动态耦合，未来可进一步深化”。指出缺点，同时暗示了改进方向。
- 模型推广：基于你的模型，谈谈它稍作修改后还能应用于哪些类似场景。这展示了模型的普适性和你们的发散思维。例如，一个解决校园快递点布局的模型，可以推广到城市消防站选址、疫苗接种点布局等问题。
6. 排版、细节与团队协作：最后的临门一脚
细节决定成败。一篇内容再好但排版混乱、错误百出的论文，会极大降低评委的好感度。
6.1 排版规范与工具选择
- 强烈推荐LaTeX：对于数模论文，LaTeX几乎是专业和美观的代义词。它处理公式、图表编号、参考文献引用极其方便，排版风格统一、学术范儿足。虽然初期有学习成本，但模板丰富（国赛有官方LaTeX模板，美赛有大量优秀模板如“谢金星模板”），一旦掌握，效率远超Word。Overleaf在线平台更是让协作和编译变得简单。
- 如果只能用Word：务必使用样式功能统一标题格式，用题注功能管理图表编号，用交叉引用，用公式编辑器。切忌手动调整编号和格式。
- 通用规范：
- 字体：中文常用宋体，英文和数字用Times New Roman。
- 字号：正文小四或五号，标题适当加大。
- 行距：1.25倍或1.5倍，便于阅读。
- 页边距：不宜过窄，显得拥挤。
- 图表：确保清晰，分辨率足够。图中线条、标记要易于区分。表格采用三线表为佳。
6.2 必须检查的细节清单
在提交前，团队应进行交叉审读，重点检查：
- 错别字与语法：尤其是摘要、标题、图注、表头。
- 符号一致性：全文同一变量符号必须一致，且在“符号说明”部分明确定义。
- 图表引用：正文中提到的每一个“图X”、“表Y”，都必须存在且编号对应。
- 公式编号：引用公式时编号是否正确。
- 参考文献：格式是否统一（国赛推荐GB/T 7714，美赛可用APA或MLA），正文中的引用标记
[1]是否与文末列表对应。 - 页码与目录：自动生成目录，检查是否正确。
- 文件命名：按竞赛要求命名最终PDF，如“题号_队伍编号.pdf”。
6.3 团队协作：写作者与建模者的默契
论文写作不是一个人的事。理想的分工是：一人主笔（负责统稿、撰写摘要、问题分析、模型检验等文字性强的部分），建模和编程的同学提供核心章节（模型建立、算法描述）的初稿和所有图表、结果数据。主笔同学需要深刻理解模型，不能只是“誊写员”；建模同学也需要有基本的文字表达能力，能说清楚自己的“孩子”。
在最后一天，全队应一起通读论文至少两遍。第一遍，关注技术内容是否准确、逻辑是否通顺。第二遍，抛开技术，只从一名陌生评委的角度，看这篇论文是否易读、流畅、有说服力。往往在这时，还能发现一些隐藏的逻辑漏洞或表述不清的地方。
数学建模论文写作，是一门将技术思维转化为说服艺术的学问。它没有固定不变的模板，但有经过验证的最佳实践。核心永远在于：以评委为中心，用清晰的结构、严谨的逻辑、专业的表述和用心的细节，将你们团队的智慧完整、有力、美观地呈现出来。掌握了这些方法，你就能为你的优秀模型，配上一篇同样优秀的“说明书”，让它在竞赛中真正绽放光彩。
