为什么要为城市与环境问题建模？
城市与环境问题有一个共同特点：它们几乎都是"系统性"问题——单独优化某一个环节，往往无法解决全局的困境，甚至可能把问题转移到别处（比如新修一条路可能在更远处制造新的拥堵点）。建模在这里的作用，正是帮我们跳出"头痛医头"的思维，看到要素之间的相互牵连：车多了路会堵、路堵了车会更多；分类提升了回收率，但运输和处理环节的成本也会同步变化；减排目标背后，是技术、政策和经济多重情景交织的轨迹。每个案例依旧按"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，帮助你把对城市现象的观察，转化为可以推演、可以追问的系统模型。
- "流量"不是越多车通过越好：道路通行效率和车流密度之间存在一个微妙的平衡点，超过这个点，车辆越多，整体效率反而越低——这正是"拥堵从某一刻突然爆发"的结构性原因。
- 看清一条链路，要算的是全局账，而非单点账：一项政策（如垃圾分类）在某个环节增加了成本，却可能在另一个环节节省更多——只有把整条链路的投入产出放在一起核算，才能判断它是否真的"划算"。
- 面向未来的目标，需要情景化的推演："哪一年实现碳达峰"这类长期目标，从来不是一句口号，而是对照不同政策力度、技术演进速度推演出的多条可能轨迹。
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）、《时事新闻建模实验室》（AI就业冲击、高温电网、养老金、舆论传播）、《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）。
交通治理
早高峰为什么总堵在那里：基于交通流基本图的密度-流量-速度模型
交通流基本图
密度-流量关系
临界密度
系统视角
现实场景
每天早高峰，同一个路段总会在差不多的时间点开始拥堵，又在差不多的时间点逐渐疏通——很多人会归因于"车太多了""红绿灯设计不合理"，但很少有人能说清："车流量到底要达到多大，拥堵才会突然出现？"这种"突然爆发"的现象，恰恰是交通系统一个值得深究的特征。
建模思路
交通工程中有一个非常基础也非常深刻的工具——交通流基本图（Fundamental Diagram），它刻画了"车流密度"（单位长度道路上的车辆数）、"车流量"（单位时间内通过某断面的车辆数）和"平均车速"三者之间的关系。直觉上，路上车越多（密度越大），通过的车流量是不是也应该越大？基本图揭示了一个反直觉的真相：车流量会随密度上升先增大、后减小——存在一个"临界密度"，一旦车流密度超过这个临界点，车辆之间被迫相互制约、车速骤降，单位时间内能通过的车辆数反而开始下降，于是拥堵就以一种近乎"相变"的方式突然出现。这正是"道路看起来还没完全占满，却突然开始堵死"的结构性原因。
数学表达
速度-密度关系（Greenshields 线性模型）：v(k) = v_f · (1 − k/k_jam)
流量-密度关系：q(k) = k · v(k) = k · v_f · (1 − k/k_jam)
临界密度（流量取最大值处）：k_c = k_jam / 2，对应最大通行能力 q_max = v_f · k_jam / 4
k 为车流密度，v_f 为自由流速度（畅通时的平均车速），k_jam 为完全堵塞时的密度上限。当 k 超过 k_c 后，q 随 k 增大反而减小——这正是拥堵会"自我放大"的数学根源：车多→车速降→流量降→更容易积压更多车。
示例计算
设某主干道自由流速度 v_f = 60 km/h，堵塞密度 k_jam = 120 辆/公里，代入模型得临界密度 k_c = 60 辆/公里，对应最大通行能力约为 1800 辆/小时。当车流密度处于 50 辆/公里时，道路仍接近最优状态、流量约为 1750 辆/小时；但一旦密度攀升至 70 辆/公里（仅增加 40%），车速会从约 25 km/h 骤降至约 17.5 km/h，实际流量反而回落到约 1225 辆/小时——下降近 30%。这正是"车流量看起来没有大幅增加，路却突然堵死了"的真实机制：系统越过了临界点。
反思与延伸
交通流基本图给出的最重要的洞察是：拥堵往往不是"车变多了"这么简单的线性结果，而是系统越过某个临界点后自我强化的非线性现象——这也是为什么"少加几辆车上路"（错峰出行、拼车、公共交通分流）即便看起来作用有限，却可能让整个路段避免越过临界密度，从而带来远超比例的通行效率提升。这种"系统在临界点附近会发生质变"的结构，广泛存在于网络拥塞、人群疏散甚至社交平台的信息过载现象中——理解了"临界点"，很多时候就抓住了治理问题的杠杆点。
环境治理
垃圾分类真的划算吗：基于多阶段成本-效益的回收链路系统模型
系统建模
多阶段成本核算
效益量化
链路视角
现实场景
"每天多花几分钟分类，最后是不是又被一锅端去填埋了""分类增加了运输和管理成本，到底划不划算"——垃圾分类推行以来，类似的质疑始终存在。要回答"划不划算"，仅仅盯着"居民多花的那几分钟"或者"清运车辆是否分类装运"这样的局部环节，很难得出靠谱的结论。
建模思路
垃圾从产生到最终处理，要经历投放、收集、运输、分拣、处理（焚烧/填埋/再生利用）等多个阶段——分类措施在前端增加的成本（宣传、督导、分类设施），很可能在后端环节（减少填埋量、提升再生材料纯度和价值、降低焚烧处理量）节省更多。要判断"划不划算"，必须把这条链路上每个阶段的成本和效益都纳入统一的核算框架，而不是只看其中一段。这正是系统建模的核心理念：把一个复杂过程拆解成若干阶段模块，分别量化每个模块的投入产出，再加总评估整体的净效益。
数学表达
全链路净效益：NB = Σ(Benefit_i) − Σ(Cost_i)，i 取遍各阶段（投放/收集/运输/处理）
关键效益项：再生材料收益 = 分类纯度 p · 可回收量 Q · 单价 v；处理成本节省 = (Q_baseline − Q_actual) · 单位处理成本
关键成本项：分类管理成本 + 分类运输的额外成本 − 混合处理原本的成本
分类纯度 p 是链条中的关键杠杆变量：纯度越高，再生材料的市场价值越高、下游处理成本越低；纯度过低，则可能导致"前端分了、后端又混"，使额外投入的成本难以兑现为效益。
示例计算
设某城区试点垃圾分类，前端新增宣传督导和分类运输成本约 800 万元/年；分类后可回收物的分拣纯度从 40% 提升到 75%，按此推算每年可多产出约 1.2 万吨高质量再生材料，带来再生收益及处理成本节省合计约 1100 万元/年。综合下来，全链路净效益约为 +300 万元/年——分类确实"划算"，但前提是分类纯度真正达到了较高水平；若纯度仅提升到 50%，净效益可能转为接近 −150 万元，"分了但没分准"反而会让系统得不偿失。
反思与延伸
这个案例最重要的启示是："划不划算"从来不是一个孤立环节就能回答的问题，必须把整条链路的成本和效益放在同一个框架里核算，而且其中往往存在一两个"杠杆变量"（比如这里的分类纯度）——它的高低直接决定了整个系统是"正向循环"还是"竹篮打水"。这种"先画出全链路、再找到关键杠杆点"的系统视角，同样适用于评估在线教育是否真的提高了学习效率、远程办公是否真的节约了企业成本等争议性话题——答案往往不在于"做不做"，而在于"做到什么程度、关键环节是否到位"。
气候政策
城市的碳达峰是怎么算出来的：基于情景外推与S曲线的排放轨迹模型
S曲线模型
情景分析
驱动因素分解
轨迹外推
现实场景
新闻里常能看到"某城市力争 2030 年前实现碳达峰"这样的表述——这个具体的年份数字是怎么得出来的？是领导拍板定的目标，还是真的可以"算"出来？理解这背后的逻辑，能帮我们更好地判断一项气候承诺究竟是"严谨的推演"还是"美好的愿景"。
建模思路
一个城市的碳排放轨迹，可以拆解为几个相互作用的驱动因素：经济总量增长会推高排放，单位产值的能耗强度下降会拉低排放，能源结构中清洁能源占比的提升也会拉低排放——"达峰"，正是"推高的力量"和"拉低的力量"此消彼长、最终由后者反超前者的那个转折点。由于这些驱动因素本身的发展轨迹存在不确定性（技术进步有快有慢、政策力度有强有弱），更稳妥的做法不是给出一个"唯一正确"的答案，而是构造多种情景（保守/中性/积极），分别外推排放轨迹，再观察"达峰年份"在不同情景下大致落在什么区间——这正是情景分析与S曲线模型结合的典型应用：经济和能耗的增长往往遵循接近S形的饱和曲线,而非无限的线性增长。
数学表达
排放量分解（Kaya 恒等式简化版）：E(t) = GDP(t) · I(t) · S(t)
能耗强度的S曲线下降：I(t) = I_min + (I_0 − I_min) / (1 + e^(γ(t − t_mid)))
达峰条件：dE/dt = 0，即经济增速恰好被强度下降和结构优化的速度抵消之时
GDP(t) 为经济总量，I(t) 为单位产值能耗强度（随技术进步呈S形下降并趋于某个下限 I_min），S(t) 为能源结构的排放系数（随清洁能源占比上升而下降）。三个因子的增减速度相互角力，共同决定了 E(t) 曲线何时达到峰值并开始掉头向下。
示例计算
设某城市当前年经济增速约 5%，能耗强度年均下降约 3%，能源结构优化每年再贡献约 1.5% 的排放系数下降。在"中性情景"（各项参数延续当前趋势）下，模型推算排放总量将在 2029-2031 年间达到峰值；若代入"积极情景"（清洁能源占比提升加速、能耗强度下降速率提高到 4.5%），达峰年份可提前到 2026-2027 年；而在"保守情景"（经济增速反弹至 6.5% 且技术进步放缓）下，达峰则可能推迟到 2033 年以后。三种情景给出的不是一个点，而是一个区间——这恰恰是"2030 年前达峰"这类目标背后更真实的含义：是多个情景交汇出的一个"有把握、但仍需努力"的区间目标，而非精确预言。
反思与延伸
这个模型最重要的提醒是：面对长期、充满不确定性的目标，"给出一个看似精确的数字"远不如"给出一组有依据的情景"来得诚实和有用——后者承认了不确定性的存在，同时也指明了"哪些因素是可以努力改变的杠杆"（比如加快能耗强度下降的速度）。下次再看到"某城市/企业承诺在某年实现某目标"时，不妨多问一句："这背后是基于怎样的情景假设？"这种"用多情景代替单点预测、用驱动因素分解代替笼统断言"的思维方式，同样适用于个人的长期目标规划——比如"几年后能不能实现财务自由"这类问题，答案也往往是一个取决于多重假设的区间，而非一个孤零零的数字。