光污染治理（ICM 2023 E）范文三：稳健性、政策建议与宣传倡导

摘要

在前两篇建立光污染风险指数 LPRI 并完成四类地点应用与干预优选的基础上，本文完成赛题的收尾要求：检验模型的稳健性、给出可落地的政策建议，并为选定地点制作宣传传单。稳健性方面，我们令生态权重 $w_e$ 在 0.30–0.70 间扫描，发现"高风险"地点数在 $w_e\in[0.40,0.60]$ 内稳定于 1–2 个、且分级翻转数在 [0.40,0.50] 为零，证实等权设计处于稳健平台。相关性结构分析揭示一个反直觉但重要的事实：生态敏感 B 与治理成熟 R 和"生态风险"分量几乎零相关（分别 0.060、−0.018），因为高敏感地点往往亮度很低，说明必须用"亮度×敏感"的复合视角而非单因子。政策层面，我们按类型给出差异化治理路线，并量化最优干预后的平均风险下降：城市社区由 0.5879 降至 0.4605（降 0.1274）、郊区由 0.5085 降至 0.4058（降 0.1028）。最后，针对风险最高的城市核心 M 与其最优干预 I1，制作了一页宣传传单，把专业指标转译为公众可理解的行动倡议。

1 问题重述

赛题在指标、应用与干预之外，还要求回答"模型是否可靠"与"如何说服社会采取行动"。具体而言：一是说明结论对关键假设（如权重）是否敏感；二是基于前述分析给出针对不同地点的政策含义；三是以一页传单向社区居民倡导最有效的干预。本文即围绕"稳健性检验—政策建议—公众传播"三件事，把学术建模闭环为社会治理建议。

2 权重与分类稳健性

综合指数最易受到质疑的是权重选择。我们令生态权重 $w_e$ 在 0.30–0.70 扫描（人类权重 $1-w_e$ ），统计被划为"高风险"的地点数：当 $w_e=0.30$ 时有 3 个高风险， $w_e=0.40$ 与 $0.50$ 时均为 2 个， $w_e=0.60$ 时降为 1 个， $w_e=0.70$ 时降为 0 个。结合范文一中"分级翻转地点数在 [0.40,0.50] 为零"的结果，可以确认：等权（0.5/0.5）恰落在一个宽阔的稳健平台上——即便权重在合理范围内调整，本文的风险排序与"高风险集中于城市"的结论基本不变。

展示高风险地点数随生态权重的演变：在 0.4–0.6 区间平稳，仅在极端偏向生态时才显著变化，验证了综合指数的稳健性，也提示真实建模应以利益相关方协商确定权重而非随意设定。

图1 展示高风险地点数随生态权重的演变：在 0.4–0.6 区间平稳，仅在极端偏向生态时才显著变化，验证了综合指数的稳健性，也提示真实建模应以利益相关方协商确定权重而非随意设定。

这一稳健性结论与范文一的翻转数分析互为印证：范文一在 $w_e\in[0.40,0.50]$ 区间内分级翻转数为零，本文进一步看到高风险地点数在同一区间平稳。两个独立角度都指向同一结论——只要权重不极端偏向某一分量，"城市社区是高风险集中区"这一核心判断不依赖权重微调。这对真实应用意义重大：地方主管部门即便对"人类 vs 生态"的侧重有分歧，也能基于本文方法得到一致的风险 prioritization，避免因权重争议而瘫痪决策。当然，若某城市同时是重要候鸟迁徙通道（生态极端敏感），则应主动上抬 $w_e$ ，此时个别城市地点可能被重新划为高生态风险，需在决策中显式标注而非默认沿用等权结果。

3 指标—风险相关性结构

把六项指标分别与 LPRI、人类风险、生态风险做相关，得到一张富有启发性的结构表：L 与三者相关性为 0.995/0.998/0.256，G 为 0.967/0.989/0.132，P 为 0.968/0.993/0.117，S 为 0.945/0.978/0.063；而 B 为 −0.914/−0.966/0.060，R 为 −0.897/−0.935/−0.018。

以热力图呈现该矩阵。最值得玩味的是：生态敏感 B 与治理成熟 R 和"生态风险"分量几乎零相关（0.060、−0.018）。原因在于高敏感地点（保护地）亮度普遍很低，单看 B 并不能预测生态风险——真正起作用的是"亮度×敏感"的复合。这恰恰证明了双分量、复合指标的必要性：若仅用单一敏感因子，会系统性误判保护地的实际风险。

图2 以热力图呈现该矩阵。最值得玩味的是：生态敏感 B 与治理成熟 R 和"生态风险"分量几乎零相关（0.060、−0.018）。原因在于高敏感地点（保护地）亮度普遍很低，单看 B 并不能预测生态风险——真正起作用的是"亮度×敏感"的复合。这恰恰证明了双分量、复合指标的必要性：若仅用单一敏感因子，会系统性误判保护地的实际风险。

这一结构还带来方法学上的警示：若评价者仅凭"生态敏感 B 高"就判定某地生态风险高，会犯方向性错误——本面板中 B 最高的保护地恰恰生态风险中等偏低，因为亮度被严格管控。正确做法是始终在复合指标（亮度×敏感）框架内比较，这正是 LPRI 双分量设计的理论价值。同理，治理成熟 R 与生态风险近零相关，说明"管得好"主要压低的是人类侧风险（减少滥用水光），而对已由自然亮度—敏感耦合决定的生态风险影响有限；换言之，提升治理能治"人祸"型光污染，却替代不了对生态敏感区的空间保护。这对政策设计意味深长：生态防护不能仅靠"管灯"，更要靠"划区"。

4 选点前后对照

为直观展示干预机理，我们给出两个重点选点干预前后的指标剖面。

为城郊 reserve C（最优 I3）的干预前后指标：生态敏感 B 由 0.80 降至 0.48，亮度 L 由 0.38 降至 0.323，生态风险随之明显回落，印证 I3"功能分区+暗夜廊道"对生态型光污染的针对性。

图3 为城郊 reserve C（最优 I3）的干预前后指标：生态敏感 B 由 0.80 降至 0.48，亮度 L 由 0.38 降至 0.323，生态风险随之明显回落，印证 I3"功能分区+暗夜廊道"对生态型光污染的针对性。

图4 为城市核心 M（最优 I1）的干预前后指标：亮度 L 由 0.85 降至 0.553，人类风险由 0.7315 降至 0.5857，LPRI 由 0.6033 降至 0.4709。降亮是该地点风险下降的主因，与"亮度是最强驱动"的结论一致。

两个选点的对照也说明：无论机理是"人本型"还是"生态型"，降险的杠杆都落在可操作的指标上——城市核心 M 靠降 L，reserve C 靠降 B 与 L。这正是指标体系的价值：它把"光污染治理"这个庞杂议题，拆解为少数可测量、可干预的旋钮，使任何地点都能在统一语言下被诊断与治理，而不必依赖专家经验式的零散判断。

5 政策建议：分类型治理

把每类地点在"最优干预"后的平均风险与干预前对照：受保护土地 0.3221→0.2327（降 0.0894）、乡村社区 0.3766→0.3056（降 0.0710）、郊区社区 0.5085→0.4058（降 0.1028）、城市社区 0.5879→0.4605（降 0.1274）。平均最优削减量最高的是城市（0.1274）与郊区（0.1028），最低的是乡村（0.0710）——这与"风险越高、可削减空间越大"的直觉一致。

比较四类地点的平均最优风险削减量：城市与郊区居前，提示治理资源应优先投向高风险的城镇区域；保护地虽削减量居中，但其绝对风险本就最低，重点应放在"阻止城市辉光外溢"。

图6 比较四类地点的平均最优风险削减量：城市与郊区居前，提示治理资源应优先投向高风险的城镇区域；保护地虽削减量居中，但其绝对风险本就最低，重点应放在"阻止城市辉光外溢"。

图7 给出四类地点干预前与最优干预后的平均 LPRI 对比：四类均显著下移，其中城市社区的降幅最为可观。这说明三类干预的组合施用，可使全样本平均风险由 0.4488 进一步下探。

基于上述量化，我们给出分类型的具体治理路线。受保护土地：以 I3 为主，沿边界建设暗夜廊道、将区内照明改为感应式地埋，同时推动周边城镇实施 I1 以阻断辉光外溢，目标是守住"低"档不反弹。乡村社区：以 I3 为主、I2 为辅，重点是在新建聚居点规划阶段即嵌入暗夜设计，避免重蹈城郊 reserve C 被城市辉光抬升为中风险的覆辙。郊区社区：以 I1 为主，对主干道与商业立面做遮光+暖色改造，并把 I2 分时调光作为低成本补充，目标是把"临界带"压回安全区。城市社区：以 I1 为主攻方向，配合 I2 分时调光，在 downtown N、城市核心 M 等高风险核心区优先落地，预计可使城市平均风险下降约 0.13，相当于把两个高风险地点拉回中等区间。四类路线抓手不同，但共享"先测评级、再分类施治"的统一方法论。

6 宣传传单

赛题要求为选定地点与其最有效干预制作一页传单。我们针对风险最高的城市核心 M 与其最优干预 I1（定向遮光+暖色 LED 替换）设计传单：以"守护城市的夜空"为主题，三段式呈现"问题—行动—收益"。核心数字为：现状 LPRI 0.603（高危险级），实施 I1 后降至 0.4709（削减 0.132，约 −22%），预期年节电约 15%、减少眩光事故、暗夜回归惠及居民睡眠与城市生态。

即为该一页传单的版式：左侧标题与问题陈述、中部三项具体行动、右侧预期收益与行动呼吁。它把专业的风险指数翻译为居民可感知、可参与的公益语言，体现了建模成果的社会价值。

图5 即为该一页传单的版式：左侧标题与问题陈述、中部三项具体行动、右侧预期收益与行动呼吁。它把专业的风险指数翻译为居民可感知、可参与的公益语言，体现了建模成果的社会价值。

7 小结

本文为 ICM 2023 E 收尾：稳健性检验确认等权设计处于稳健平台、结论对权重不脆弱；相关性结构揭示"生态风险须以亮度×敏感复合视角看待"的关键洞见；政策建议按类型差异化、量化了最优干预的降险幅度；宣传传单完成了从学术到公众的最后一环。三篇范文共同构成"指标构建—应用干预—稳健倡导"的完整优秀级解答。

概括了光污染治理的决策闭环：从指标构建、分类定位、干预优选、成本效益、稳健验证到传单倡导，形成一个可复制、可推广的治理方法论。

图8 概括了光污染治理的决策闭环：从指标构建、分类定位、干预优选、成本效益、稳健验证到传单倡导，形成一个可复制、可推广的治理方法论。

图1 图11
图2 图22
图3 图33
图4 图44
图5 图55
图6 图66
图7 图77
图8 图88

参考文献

[1] COMAP. 2023 ICM Problem E: Light Pollution.
[2] 本书站真题库配套：tools/gen_icm2023e.py（确定性真源）与 data/icm2023e.csv。
[3] 公众传播参考：将专业指标转译为"问题—行动—收益"三段式倡议，提升社区参与度。

附录：核心 Python 实现

下列代码需位于 tools/ 目录运行，调用真源独立复现本文全部权威数字（SEED=2023，确定性）。

import gen_icm2023e as G
D = G.gen_icm2023e()
base = D["base"]
# 高风险地点数随生态权重演变
for we in [0.30, 0.40, 0.50, 0.60, 0.70]:
    wh = 1 - we
    nh = sum(1 for r in base if G.level(G.lpri(r["L"], r["G"], r["P"], r["B"], r["S"], r["R"], wh, we)) == "High")
    print("we=%.2f 高风险数=%d" % (we, nh))
# 四类地点干预前后
for t in D["TYPES"]:
    rows = [r for r in base if r["type"] == t]
    pre = sum(r["lpri"] for r in rows) / len(rows)
    post = sum(r["lpri"] - r["best_delta"] for r in rows) / len(rows)
    print("%s 前=%.4f 后=%.4f" % (D["TYPE_CN"][t], pre, post))