为什么要为新闻里的问题建模？
时事新闻的报道大多停留在"已经发生了什么"——某个百分比、某条曲线创了新高、某项政策开始讨论。但建模关心的是另一个问题："是什么样的机制，让事情发展成了这样，它接下来又会怎样演化？"这恰恰是新闻报道很少触及，却是理解一个公共议题真正需要的部分。每个案例同样按"现实场景 → 建模思路 → 数学表达 → 示例计算 → 反思与延伸"的结构展开，你可以借着这个顺序，练习在读到下一条热点新闻时，多问一句"这背后可能是什么结构"。
- 从"标题"到"机制"：耸动的标题往往压缩掉了最关键的信息——这件事是缓慢发生还是突然爆发？是线性增长还是存在某个临界点？建模的第一步，就是把这些被压缩掉的结构重新打开。
- 工具可以跨界借用：技术扩散模型本是用来研究新产品普及的，SIR 模型本是为传染病设计的——但稍加迁移，它们同样能照亮"AI 会不会取代我的工作""一条新闻为什么火得快、凉得也快"这类看似毫不相关的问题。这种迁移能力，正是数学建模训练里最有"举一反三"价值的部分。
- 结论不是终点，机制和假设才是：每个案例最后都会追问"如果参数变了，结论还成立吗""这个机制还能解释哪些类似的新闻现象"——带着这份追问去看新闻，你会更容易分辨哪些是有依据的预判，哪些只是耸动的标题。
如果你想看看同样的建模视角还能用在哪些领域，这里还有几本姊妹篇案例库：《生活与职场建模实验室》（通勤、租房、作息、薪资、跳槽）、《体育与竞技建模实验室》（夺冠概率、配速策略、损伤风险）、《商业与产品决策建模实验室》（定价、库存、增长）、《健康与生活方式建模实验室》（体重、用药、训练恢复）、《城市与环境建模实验室》（拥堵、垃圾分类、碳达峰）。
AI 与就业
AI浪潮下，我的岗位还能撑多久：基于技术扩散模型的替代速度预测
Bass 扩散模型
S 形曲线
技术采纳速度
任务结构分析
现实场景
AI 工具正快速进入写作、编程、客服、设计等岗位，新闻里充斥着"某行业 XX% 的岗位将被取代"之类的预测。这类数字往往缺乏建模依据，只会让人在"赶紧转型"和"再观望观望"之间反复摇摆，却找不到一个相对客观的判断框架。
建模思路
"新技术替代旧的工作方式"这个过程，与"一项新产品在市场中逐渐普及"的过程，在结构上高度相似——都是从少数人尝鲜，到同行间相互观察、模仿，再到大多数人采用，最终趋于饱和，整体呈现一条 S 形曲线。这正是经典的 Bass 扩散模型最初用于预测新产品普及速度时刻画的规律，把它迁移到"AI 工具在某类岗位场景中的渗透率"上，同样成立：起步阶段慢、加速阶段快、接近饱和时趋缓。
但要注意：渗透率高并不直接等于"岗位消失"——更准确的理解是"岗位中可被 AI 完成的任务比例发生了变化"，因此还需要把"渗透率"和"任务结构"两个维度结合起来看。
数学表达
Bass 扩散模型：dF(t)/dt = [p + q·F(t)] · (1 − F(t))
替代曲线：Replace(t) = F(t) · TaskShare
F(t) 为 t 时刻的渗透率（0~1）；p 是"创新系数"（媒体宣传、政策推动带来的初始采纳意愿），q 是"模仿系数"（同行示范、竞争压力带来的加速效应）；TaskShare 是该岗位中"可被 AI 较好完成"的任务占比——它把"渗透率"翻译成对岗位内容的实际影响程度。
示例计算
取 p=0.02、q=0.4（量级参考自智能手机、云计算等历史技术的扩散参数），模拟得到渗透率在 18-24 个月后进入快速上升期，约 3 年后趋于 70%-80% 饱和；若某岗位的 TaskShare ≈ 40%，意味着这个岗位中四成左右的任务结构会发生显著重构，而不是整个岗位"凭空消失"——这与"被取代"的耸动表述相比，是一幅完全不同的图景。
反思与延伸
这个模型提醒我们两件事：第一，技术扩散是一条曲线而非开关，意味着存在一个可以主动准备的"窗口期"，而不是某天醒来突然"被取代"；第二，"渗透率 × 任务占比"这个乘积结构说明，真正值得关心的问题不是"会不会被取代"，而是"当一部分任务被 AI 分担之后，我能否把节省下来的精力投入到那不可被替代的六成里去"。这正是把一则容易引发焦虑的新闻标题，转化为可以指导具体行动的结构化判断的过程。
极端天气与能源
极端高温会压垮电网吗：基于分段回归与情景模拟的负荷预警模型
分段回归
阈值效应
情景模拟
概率预警
现实场景
每年夏天，"多地用电负荷创新高""电网告急"之类的新闻屡见不鲜，常常伴随着对"是否会拉闸限电"的猜测。但这类报道给出的大多是当下的统计数字，缺少"未来几天会怎样、压力有多大概率突破极限"的预判依据——往往等真正"告急"了，新闻才姗姗来迟地报道。
建模思路
城市用电负荷与气温之间存在明显的非线性关系：气温适中时负荷比较平稳，一旦超过某个临界温度，空调等制冷负荷会陡然攀升。这种"平稳—陡升"两个阶段的结构，正适合用分段回归来刻画——用一条相对平缓的直线描述常温区间，再用一条斜率显著更大的直线描述高温区间，两段在临界温度处衔接。在此基础上，把气象部门发布的、本身就带有不确定性区间的气温预报代入模型，就能做情景模拟，对电网压力给出一个概率性的预判，而不是事后报道式的描述。
数学表达
分段回归：Load(T) = a + b·T (T ≤ T_threshold)
Load(T) = a + b·T_threshold + c·(T − T_threshold) (T > T_threshold)
告急概率：P(Load(T) > Cap)，其中 T 取自带不确定性区间的气温预报，Cap 为历史最大供电能力
T_threshold 是"空调负荷集中启动"的临界温度（如 35°C），高温段斜率 c 远大于常温段斜率 b，体现负荷在阈值附近的陡升特征。
示例计算
设 T_threshold=35°C，b=200 万千瓦/°C，c=900 万千瓦/°C；当未来一周的预报最高气温在 36-39°C 区间内浮动时，模拟显示负荷峰值有约 35% 的概率突破历史供电能力上限——这给出了一个量化的预警信号："需要提前部署错峰用电、跨区域电力调度"，而不是等真正出现限电报道之后再被动应对。
反思与延伸
这个模型展示了"用分段回归刻画阈值效应、用情景模拟刻画不确定性"的组合思路——很多时事新闻报道的是已经发生的极端结果，而建模的价值恰恰在于把"事后描述"转化为"事前预警"。理解了这种结构，再看到新闻里"创新高""逼近极限"之类的表述时，你也会多一层追问：这究竟是缓慢爬升，还是越过阈值后的陡然跃升？这两种情况背后的成因和应对方式，可能完全不同。
人口与社会保障
老龄化下，养老金还能领多久：系统动力学下的收支平衡模型
系统动力学
存量-流量模型
人口结构耦合
政策情景对比
现实场景
"延迟退休""养老金缺口""老龄化加剧"是近年新闻里反复出现的关键词，但大多数报道只给出某一年的统计数字，很难让人直观理解：这个系统未来会朝哪个方向演化？所谓"缺口"到底是什么意思、会不会真的"领不到"？
建模思路
养老金体系本质上是一个"存量—流量"系统：在职人群的缴费形成资金流入，退休人群的领取形成资金流出，二者之间的人数比例（通常用"抚养比"衡量）及其变化趋势，共同决定了基金存量未来会增长还是萎缩。这正适合用系统动力学中经典的存量-流量结构来刻画——把抽象的"老龄化"概念，翻译成一个可以逐年模拟的资金账户演化过程，并让它与人口结构变化模型（出生率、死亡率、迁移率驱动的年龄结构演化）相互耦合。
数学表达
抚养比：DR(t) = Retirees(t) / Workers(t)
基金存量更新：Fund(t+1) = Fund(t) + Workers(t)·c·w̄(t) − Retirees(t)·b̄(t)
c 为缴费比例，w̄(t) 为在职人群人均工资，b̄(t) 为退休人群人均养老金领取额度；Workers(t) 与 Retirees(t) 由人口结构演化模型给出，使资金系统与人口系统形成闭环耦合。
示例计算
在抚养比从当前约 2.8:1（在职:退休）按预测趋势降到 2040 年约 1.6:1 的情景下，若缴费比例 c 和人均待遇 b̄ 保持不变，模拟显示基金存量将在约 15 年内由正转负；但如果引入"延迟退休 1-3 年""缴费基数逐步上调"等政策变量重新模拟，缺口出现的时间点可以推迟 8-10 年——这正是新闻里"延迟退休"等政策讨论背后真正的建模逻辑：调整的不是某一个孤立数字，而是整个系统的演化轨迹。
反思与延伸
把一个宏大的社会议题拆解成"存量—流量"结构后，复杂的政策辩论就变成了几个可调参数（抚养比、缴费率、待遇水平、退休年龄）之间此消彼长的权衡关系。模型不会替你站队某一种政策选择，但能帮你看清：每一种调整方案，本质上都是在同一笔资金的紧张程度中重新分配压力。带着这种"系统视角"去理解政策新闻，会比单纯的情绪化讨论更接近问题的核心。
舆论与传播
一条新闻爆红，舆论会如何降温：借用 SIR 模型理解信息传播的生命周期
SIR 传播模型
微分方程组
基本传播数 R₀
跨领域迁移
现实场景
一条社会新闻发酵后，常常会经历"爆发式传播 → 全网热议 → 迅速降温"的过程，几天后又被新的热点取代。我们习惯把这种现象笼统地称作"热搜来去匆匆"，却很少认真想过：这个看似随机的过程，背后是否存在某种规律性的结构？
建模思路
信息在人群中的传播过程，与传染病在人群中的扩散过程有着惊人相似的结构——都涉及"尚未接触者"逐渐转化为"正在参与/传播者"，又随着时间推移逐渐转化为"不再关注者"。这正是经典的 SIR（易感-感染-恢复）模型最初为刻画传染病传播而设计、后来被广泛借用于描述谣言与热点话题扩散的原因。把人群分成"未关注（S）—正在讨论（I）—已不再关注（R）"三类，用速率方程描述他们之间的相互转化，就能定量刻画一个话题从兴起到冷却的完整生命周期。
数学表达
dS/dt = −β·S·I （未关注人群因接触讨论者而被"带入"话题，速率与接触频率 β 和当前讨论人数 I 成正比）
dI/dt = β·S·I − γ·I （讨论人群一边因新加入者增长，一边以恢复率 γ 持续流失兴趣）
dR/dt = γ·I （不再关注的人群持续累积）
关键指标：基本传播数 R₀ = β / γ
当 R₀ > 1 时话题会形成大规模传播，R₀ 越大，热度峰值越高、到来也越快；当 R₀ ≤ 1 时话题难以"破圈"，很快归于平静。
示例计算
取 β=0.45、γ=0.3（R₀=1.5）模拟一个中等热度话题：讨论人数约在第 3 天达到峰值后逐步回落，整个生命周期持续约 10-12 天；若把 β 提高到 0.6（R₀=2.0，相当于出现权威媒体转发、当事人回应等"助燃"事件），峰值会提前到第 2 天出现且规模显著扩大，但消退速度也明显加快——这与许多新闻事件"反转或补充信息出现后，讨论度不降反升、随后又加速冷却"的现实节奏相当吻合。
反思与延伸
把"舆论传播"映射到"传染病扩散"，并不意味着二者完全等价——真实的信息传播还涉及立场分化、情绪因素、平台推荐算法等更复杂的机制，模型必然是对现实的简化，需要带着这份清醒去使用它。但这种"借用一个领域里已经研究透彻的结构，去理解另一个看似无关领域里的现象"的迁移能力，恰恰是数学建模训练里最有价值的部分之一：当你能看出"舆论降温"与"病毒消退"背后其实是同一种动态结构时，你就拥有了一把可以打开很多新闻现象的钥匙。