北鲑种群动态建模与参数估计（美赛 2020 MCM-A · 范文一）

一、问题重述

北鲑（红大马哈鱼，Sockeye salmon）是西北太平洋重要的溯河产卵鱼类，其种群数量在近数十年受捕捞、海洋环境变暖与兼捕（bycatch）多重压力而显著波动。本题要求：基于历史产卵群体与回归量（ recruits）数据，建立种群动态模型，刻画补充量（recruitment）对产卵群体（spawners）的依赖关系，并量化环境因子的长期趋势，为后续可持续捕捞与保护决策奠定数据基础。

本文（范文一）聚焦第一层任务——种群动力学建模与参数估计：用一个可解释、可外推的补充量关系描述"放多少亲鱼、回来多少幼鱼"，并从带有环境与捕捞噪声的历史序列中稳健地估计其参数。

二、模型假设

补充量服从 Ricker 关系：回归量 $N$ 与产卵群体 $S$ 满足 $N = a\,S\,e^{-bS}$ ，其中 $a>1$ 为最大生产力参数、 $b>0$ 控制密度制约强度；这是渔业生物学中刻画"过捕导致补充量下降"的标准单种群模型。
两族群结构：早洄游（E）与晚洄游（L）两个族群在物候与生产力上独立，分别拟合，避免混群掩盖差异。
环境乘子乘性叠加：海洋存活因子 $\omega(t)$ （升温使其缓降）与兼捕损失 $\beta(t)$ （管理松懈使其缓升）以乘子 $\omega(t)(1-\beta(t))$ 作用于补充量，作为管理者不可控的外生压力。
历史捕捞努力度随时间变化：真实渔业政策有起伏，故用 $h(t)$ 随年波动来生成宽跨度的 $(S,N)$ 观测，便于参数识别。
对数正态观测噪声： $\ln N$ 在模型值上叠加零均值高斯噪声，保证非负且异方差可控。

三、符号说明

符号	含义
$S(t), N(t)$	第 $t$ 年的产卵群体规模、回归量
$a,b$	Ricker 参数（真值用于合成，估计值用于建模）
$\omega(t),\beta(t)$	海洋存活因子、兼捕损失率
$m$	环境乘子的长期均值 $\frac1T\sum\omega(t)(1-\beta(t))$
$a_{\text{eff}}$	折入环境后的有效生产力 $a_{\text{eff}}=\hat a\cdot m$
$h(t)$	第 $t$ 年的捕捞率

四、模型建立

4.1 Ricker 补充量模型

单族群动态（确定性核心）写为

$N(t)=a\,S(t)\,e^{-b\,S(t)}\cdot \omega(t)(1-\beta(t))\cdot\varepsilon(t),\qquad S(t+1)=(1-h(t))\,N(t)$

其中 $\varepsilon(t)\sim\text{Lognormal}(0,\sigma^2)$ 。该结构同时包含"生产力 $a$ "与"密度制约 $b$ "两个可解释维度：当 $S$ 很小，回归量近似线性增长；当 $S$ 过大，密度制约使回归量回落，形成单峰的补充量曲线。

4.2 参数估计（对数线性回归）

对两边取对数并除以 $S$ 得

$\ln\frac{N(t)}{S(t)} = \ln a - b\,S(t) + \ln\big(\omega(t)(1-\beta(t))\big) + \ln\varepsilon(t)$

以 $(S(t),\,\ln(N(t)/S(t)))$ 做最小二乘回归，直接读出截距 $\widehat{\ln a}$ 与斜率 $-\hat b$ 。环境乘子作为乘性常数项折入截距，故先估计 $\hat a$ ，再乘以长期均值 $m$ 得到有效生产力 $a_{\text{eff}}$ ——后者才是管理者在"平均环境"下做决策应使用的参数。

4.3 环境因子建模

$\omega(t)=1-0.006\,t+\text{噪声}$ （随年缓降，反映海洋变暖导致幼鱼存活率下降）， $\beta(t)=0.04+0.0015\,t+\text{噪声}$ （随年缓升，反映兼捕压力累积）。二者共同刻画"气候—渔业"双重胁迫。

五、模型求解与结果

对 40 年历史序列（两族群）分别拟合，得到：

早洄游 E： $\hat a=2.777,\ \hat b=0.0434,\ R^2=0.711$ ；环境乘子均值 $m=0.818$ ，有效生产力 $a_{\text{eff}}=2.272$ ；历史产卵群体跨度 $[4.78,\,20.67]$ 。
晚洄游 L： $\hat a=2.431,\ \hat b=0.0332,\ R^2=0.657$ ；环境乘子均值 $m=0.818$ ，有效生产力 $a_{\text{eff}}=1.988$ ；历史产卵群体跨度 $[5.27,\,20.10]$ 。

拟合优度 $R^2$ 介于 $0.66\sim0.71$ ，在仅用 2 个参数、且观测含环境与捕捞双重噪声的条件下属于良好识别；两条补充量曲线均能穿过观测散点的主体（图3），说明 Ricker 结构抓住了密度的主导非线性。补充量曲线的单峰形状还蕴含着重要的管理信息：峰值对应的产卵群体规模，就是"投入亲鱼换回幼鱼效率最高"的点；超过峰值后，更多的产卵群体并不会换来更多回归量，反而意味着"本可捕捞的剩余产量被留在海里繁殖"。比较两个族群的曲线可见，E 族群的峰值出现在更小的 $S$ 处（因其 $\hat b$ 更大、密度制约更早发力），说明 E 在较低丰度下就能达到补充效率高峰，而 L 需要维持更大的产卵规模，这也预示了 L 在后续优化中更"娇气"、更怕被压低。

图1 历史产卵群体规模 S(t)（两族群）

图2 历史回归量 N(t)（两族群）

图3 Ricker 补充量关系：观测点 + 拟合曲线

环境因子的长期趋势清晰：海洋存活因子由约 $1.0$ 缓降至约 $0.76$ ，兼捕损失由约 $4\%$ 升至约 $10\%$ （图4）；历史捕捞努力度在 $0.20\sim0.62$ 间随政策起伏（图5），正是这种起伏让产卵群体在不同时段跨越了补充量曲线的不同区段，为参数识别提供了必要的变化。

图4 环境压力趋势：海洋存活因子缓降、兼捕损失缓升（E 族群）

图5 历史捕捞努力度 h(t) 起伏（政策变化）

回归诊断（图6）显示 $\ln(N/S)$ 与 $S$ 呈显著负线性关系，斜率即密度制约强度 $\hat b$ ；E 族群斜率更陡（ $-0.0434$ ）说明其对密度更敏感、同等产卵群体下补充量回落更快，这与其在后续优化中更"脆弱"的表现一致。

图6 Ricker 参数估计：ln(N/S) 对 S 回归

图7 两族群 Ricker 参数对比（估计值）

图8 本研究技术路线（Q1 种群动态建模）

六、模型评价

从生物学视角解读估计结果：有效生产力 $a_{\text{eff}}$ 越大的族群，在相同产卵群体下能"生"出更多幼鱼，承受捕捞的缓冲也越大；而密度制约参数 $b$ 越大，说明补充量随产卵群体增大而回落越快，越需要维持较大的产卵规模以避免落入"低补充陷阱"。本文 E 族群的 $\hat b=0.0434$ 高于 L 的 $0.0332$ ，意味着 E 对密度更敏感、单位产卵群体的边际回报下降更快，这一差异在后续优化中直接转化为二者最优捕捞率与恢复速度的不同。需要强调的是，Ricker 并非唯一选择——Beverton–Holt 等饱和型补充量关系也可套用同一套对数回归框架，本文选用 Ricker 是因其在过捕区间（高生产力、低密度制约弱）对捕捞响应更敏感，更贴合"评估过度捕捞风险"的题意。参数可解释性带来的另一好处是：当新的年际数据到来，只需重跑对数回归即可更新 $a_{\text{eff}}$ ，无需重新训练复杂模型，便于管理部门长期维护。

优点：(1) Ricker 仅 2 个参数却有清晰生物学含义，可解释、可外推；(2) 用对数线性回归闭式估计，无需迭代，稳定且可复现（种子 2020 固定）；(3) 显式分离"管理者可控的捕捞"与"不可控的环境乘子"，为后两层任务预留接口；(4) 两族群分别拟合，避免了混群掩盖差异性。

局限：(1) 未引入年龄结构，把世代压缩为单一年级，忽略了多龄群叠加的缓冲效应；(2) 环境乘子用单一乘性项近似，未区分海洋与淡水温、流速等具体机制；(3) 噪声为对数正态，未显式建模周期性（如厄尔尼诺）；(4) 历史 $h(t)$ 为合成设定，真实年际努力度数据需以渔业日志校准。

七、结论

北鲑两族群的补充量均可由 Ricker 关系良好刻画（E： $R^2=0.71$ ，L： $R^2=0.66$ ），且环境乘子长期均值约 $0.82$ ，意味着同等产卵群体下实际回归量仅为"理想环境"的八成出头。这一"八二折损"是后续可持续产量被压缩、且对气候与兼捕冲击高度敏感的根源。把环境压力显式折入有效生产力 $a_{\text{eff}}$ ，是把"纯生物学潜力"转换为"可管理现实产量"的关键一步。进一步看，环境乘子长期均值约 $0.82$ 意味着：即使把捕捞压降到零，长期回归量也仅为理想环境的八成出头，这一"天花板效应"决定了任何产量目标都必须以气候现实为上限，而非以历史峰值做参照。对决策者的核心启示是——北鲑管理的第一性约束不是"船够不够少"，而是"海够不够暖"；种群模型越是精确，越凸显外部环境的长期主导性。对建模者而言，本文也示范了一条可复用的范式：用最少参数刻画核心机制、把不可控因素显式隔离、用稳定可复现的估计方法——这种克制恰恰是优秀建模的标志，因为它让结论既易于被质疑、也易于被信任。

八、管理建议（落地指引）

基于本层建模，给出三条数据治理建议。第一，建立分族群、分年度的产卵—回归配对数据库，保证 $(S,N)$ 成对录入，否则 Ricker 参数无法识别；第二，把海洋存活因子与兼捕损失作为例行监测指标单独追踪，因为它们是产量被系统性打折的主因，其趋势比总量更早预警危机；第三，参数应每三年滚动重估，因环境乘子缓变会改变有效生产力，用陈旧 $a_{\text{eff}}$ 做决策将系统性高估可捕量。这三条建议把"建模"前置为"数据资产"，让后续优化始终建立在最新证据上。除此之外，还应推动种群数据向渔业从业者透明公开：当捕捞船东能看自己对补充量曲线的位置，过度捕捞就从"监管对抗"转为"共同利益"。建模的价值不止于算出参数，更在于把生物学规律翻译成一线人员听得懂、用得上的日常语言——这正是数学建模连接学术与治理的最后一公里。

附录：核心 Python 实现

# 附录：核心 Python 实现（独立可运行，复现本文权威数字）
import os, sys
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_mcm2020a as G

D = G.gen_mcm2020a()
print("种子=%d 年数=%d 当前政策 h=%.2f" % (D["seed"], D["ny"], D["h_cur"]))
for k in ("E", "L"):
    s = D["stocks"][k]
    print("[%s] a_hat=%.4f b_hat=%.5f R2=%.4f" % (s["name"], s["a_hat"], s["b_hat"], s["r2"]))
    print("      环境乘子 m=%.4f 有效 a_eff=%.4f" % (s["env_mult"], s["a_eff"]))
    print("      S历史区间=%s" % s["S_range"])
print("CSV 已写出 ->", D["csv"])