2. 从现实问题到数学问题

现实世界中的问题往往以“现象”的形式出现：上下课高峰校园主干道排起长队、食堂门口电动车与行人混行、校门口接送车辆临时停靠造成回堵。这些描述生动却难以直接计算。数学建模的第一步，就是把这类“现实问题”翻译成“数学问题”，这一过程称为问题抽象。抽象不是把问题简化到失真，而是有目的地保留与目标相关的要素、舍弃次要细节，使问题具备可量化、可推理、可求解的形式。

一、问题抽象的意义：从“说不清”到“算得出”

抽象的核心价值体现在三个方面。第一是可量化：把“很堵”转化为“平均通行时间”“排队长度”“路段饱和度”等可测量指标。第二是可比较：不同方案（如错峰下课、单向通行、增设临时停车区）只有在同一套指标下才能公平比较。第三是可推演：一旦建立变量与关系，就能在不动用真实校园的情况下预测“如果……会怎样”。

需要强调的是，抽象必然伴随取舍。若研究目标是“评估错峰下课 10 分钟对主干道拥堵的缓解效果”，那么天气、司机驾驶风格可以弱化，而各时段人流到达率、路段通行能力、路口转向比例必须保留。取舍的依据不是“哪个好算”，而是“哪个与目标强相关”。

二、抽象层次：同一问题可以站在不同高度看

校园交通拥堵可以在多个层次上抽象，层次越高越宏观、越粗粒度，层次越低越微观、越贴近个体行为。常见可分为三层：

• 宏观层（网络流层）：把校园路网视为由节点（路口、楼宇出入口）和边（路段）构成的网络，关注各路段流量、通行能力与饱和度，适合评估整体疏导策略。
• 中观层（排队与服务层）：把关键瓶颈（如食堂入口、校门闸机）视为服务台，关注到达率、服务率、排队长度与等待时间，适合分析局部拥堵的形成与消散。
• 微观层（个体行为层）：关注单个行人或车辆的速度、跟驰、避让与路径选择，适合研究混行冲突点与安全风险。

层次选择要与建模目的匹配。若只需回答“哪个路口最需要疏导”，宏观层足够；若要回答“食堂门口排队多久会溢出到主干道”，中观排队模型更合适；若研究“电动车与行人冲突”，则需微观层。层次并非越高越好，过高会丢失关键机制，过低则数据需求与计算成本陡增。

三、变量识别：区分决策变量、状态变量与参数

抽象的关键动作是识别变量。以校园交通为例，可把变量分为三类：

• 决策变量：建模者或管理者可以主动选择的量，如错峰下课时长 Δt、某路段是否设为单向、临时停车位数量 n。
• 状态变量：描述系统运行状况、由模型计算得出的量，如某路段在 t 时刻的车辆数、平均速度、排队长度。
• 参数：由现实条件决定、在模型中视为给定的量，如路段长度 L、车道数、自由流速度 v_f、各时段人流到达率 λ。

区分三者的意义在于：决策变量是“我们可以动的旋钮”，状态变量是“我们要观察的表盘”，参数是“环境的固定条件”。混淆它们会导致模型无法回答“改变什么会带来什么”。例如把“错峰时长”误当作参数固定，模型就失去了方案评估能力。

四、关系梳理：把变量连成可计算的结构

识别变量之后，要梳理它们之间的关系。仍以主干道为例，可先建立路段层面的基本关系：路段上的车辆数 N 与流量 q、平均速度 v 满足 q = N·v / L（L 为路段长度），而速度又受密度 k = N / L 影响，密度越高速度越低。这类关系把“车多”与“走得慢”联系了起来。再往上，路口通行能力受信号配时与转向比例影响，食堂入口的排队长度由到达率与服务率之差随时间的累积决定。关系梳理的产物通常是一组方程、不等式或逻辑规则，它们共同构成数学模型。

五、以校园交通为例的初步抽象

下面给出一个可操作的初步抽象示例，所有数值均为教学假设，用于说明方法而非实测结论。设某主干道路段长 L = 200 m，双向两车道，自由流速度 v_f = 5 m/s（校园限速约 18 km/h）。假设下课高峰该路段车辆数 N = 40 辆，则密度 k = 40 / 200 = 0.2 辆/m。若按线性速度—密度关系 v = v_f·(1 − k/k_j) 近似，取阻塞密度 k_j = 0.5 辆/m，则 v = 5 × (1 − 0.2/0.5) = 3 m/s，对应流量 q = N·v/L = 40 × 3 / 200 = 0.6 辆/s，即约 2160 辆/h。这个结果说明：当密度达到阻塞密度四成时，速度已降至自由流的六成，流量接近饱和。

再看食堂入口的排队。设午餐高峰学生到达率 λ = 3 人/s，入口服务率 μ = 2.5 人/s，则净积累率为 0.5 人/s。若高峰持续 20 分钟（1200 s），理论上排队人数将累积约 600 人——这显然会溢出到主干道，形成人车混行。此时若把“增开一个服务窗口”作为决策变量，使 μ 提升到 3.2 人/s，则净积累率变为负值，排队不再增长。这一对比正是抽象后模型的价值：它把“多开窗口有没有用”变成了可计算的判断。

六、抽象过程中的常见偏差

初学者常犯两类偏差。其一是过度简化：只保留“车多所以慢”的定性关系，却没有可计算的变量与方程，模型无法给出数值结论。其二是过度细化：在只需评估错峰效果的场景中引入每辆车的跟驰参数，导致数据无法获取、模型难以验证。合理的做法是先明确“要回答什么问题”，再倒推需要哪些变量与关系，做到“够用即止”。

此外，还要注意参照约定的一致性。例如速度方向、排队增长的正负号、时间起点的定义，都应在建模之初写清楚，并在全文与图示中保持一致。若中途切换参照系（如从“路段视角”切换到“路口视角”），必须明确说明，否则关系式会自相矛盾。

完成上述步骤后，我们得到的不是最终模型，而是一个结构清晰的初步抽象：明确了目标、选定了层次、列出了决策变量/状态变量/参数，并梳理出若干可计算的关系。后续的模型建立、求解与检验，都将在这个骨架上展开。抽象的质量，很大程度上决定了整个建模过程能走多远。