转眼间又到了一年数学建模大赛。和往年相比，今年的比赛可能有一个明显变化：越来越多参赛者开始使用AI辅助建模。
- 不理解题目？问AI。
- 不知道使用什么模型？问AI。
- 不会写Python代码？让AI生成。
- 甚至论文框架、模型解释、图表说明，也都可以交给AI辅助完成。
于是很多同学会产生一个疑问：现在AI都能帮忙分析数据、生成代码了，数学建模比赛中还有必要使用统计分析软件吗？
- 答案是：有必要。
而且恰恰是在AI越来越普及的情况下，数据分析工具的作用可能更加重要。因为AI擅长的是提供思路和辅助，而数学建模最终仍然需要解决一个核心问题：你的数据到底有没有“真正计算”？
一、AI无法代替建模
AI正在改变数学建模比赛，但无法替代建模。
1、以前的数学建模流程
- 阅读题目
- 查资料
- 确定模型
- 学习代码
- 写Python/Matlab
- 调试
- 运行模型
- 修改代码
- 得到结果
2、AI时代的数学建模流程
- 理解题目
- AI辅助拆解问题
- AI辅助寻找建模思路
- 确定候选模型
- 统计软件快速进行统计分析和模型验证
- 比较不同模型结果
- AI辅助解释结果
- 人工完成论文逻辑
AI改变的不是数学建模本身，而是建模者获取知识和实现模型的方式。以前大量时间花在“找资料、查公式、写代码”上，现在这些工作AI可以辅助完成。
但数模竞赛评判的核心从来没有变：模型逻辑是否适配赛题、原始数据是否可靠、输出结果是否真实可复现。AI 可以输出漂亮的文字，却很难真正处理你的真实数据集，很容易生成脱离实际的虚假分析结果。
这一部分落地执行的工作，恰好可以交给统计软件SPSSAU 来完成：从数据预处理、描述统计起步，再到相关分析、回归分析、综合评价、聚类分类、时间序列预测，也支持机器学习、结果可视化等，还能快速做多组模型横向对比。SPSSAU不用手动编写复杂代码，把你的原始数据导入，就能拿到一套严谨、可直接用于论文的统计输出（规范三线表格式），承接 AI 给出的思路，把想法落地成真实可信的竞赛结果。
二、AI无法替代数据验证
AI可以告诉你“用什么”方法，但不能代替数据验证。这是现在很多参赛者容易忽略的问题。例如你把题目发给AI：
请帮我选择一个综合评价模型。
AI可能很快给出答案：
建议采用熵值法确定指标权重，再结合TOPSIS进行综合评价。
看起来非常合理。但真正开始建模时，我们还需要解决很多具体问题。
- 指标是否全部为数值型数据？
- 是否存在缺失值？
- 不同指标的量纲是否一致？
- 哪些指标属于正向指标，哪些属于负向指标？
- 是否需要进行无量纲化处理？
- 指标之间是否存在高度相关？
- 熵值法计算得到的权重是否合理？
- 最终评价结果是否稳定？
这些问题，并不是AI简单给出一句“建议使用熵值TOPSIS”就能解决的。AI可以帮助我们完成第一步，但后面的数据处理和模型计算同样重要，而这部分就需要我们使用统计软件例如SPSSAU完成计算。真正的数学建模过程，往往是：
- 提出模型思路 →处理数据 →实际计算 →检查结果 →调整模型 →再次验证。
例如：关于指标数据处理，可使用SPSSAU【数据处理】模块进行，比如熵值法需要对正向指标进行正向化处理，负向指标进行逆向化处理，操作如下图：关于原始数据处理可点击查看下方文章：数据处理全攻略：六大核心方法助你高效处理数据（数据标签、编码、生成变量、异常值等）
- SPSSAU提供熵值法算法公式如下：
编辑关于各类权重计算与综合评价模型算法可点击下方文章：快速下载 | 综合评价等80+算法公式Word文档（AHP/熵值法/灰色关联/DEA等），学术资源免费领取
三、数模竞赛AI的的正确用法
AI时代，与其讨论AI会不会取代统计软件，不如考虑如何将两者结合起来。所以我们使用AI+SPSSAU的方式可以形成一个完整的建模流程。
AI提供思路↓研究者进行判断↓统计软件SPSSAU等进行真实计算↓AI辅助解释结果↓研究者完成最终建模方案和论文
这可能是AI时代更加高效的数学建模方式。
1、使用AI理解题目
拿到题目之后，可以让AI帮助完成：
- 梳理题目背景
- 查找资料
- 提炼核心问题
- 拆分多个子问题
- 寻找可能的影响因素
- 提供建模方向
- 解释模型原理
例如可以询问：
请分析以下数学建模题目，提炼研究目标，并分别说明每个问题可能采用的建模方法。
这样可以快速建立对题目的整体认识。
2、使用AI提供候选模型
当赛题问题已经梳理清楚，我们可以利用AI快速拓宽建模思路。比如向 AI 提问：
- 综合评价类问题有哪些可选模型？
- 预测类赛题可以采用哪些算法？
- 样本分类场景适合什么模型？
- 不同模型之间的适用场景有什么差异？
这个阶段 AI 的核心价值，是高效给到一批可供筛选的候选方案，帮我们省去翻阅大量文献、挨个查找模型的时间，快速打开思路。但一定要分清边界：AI 输出的只是备选参考，不等于最终要使用的模型。模型是否适配赛题背景、数据是否满足模型前提假设，还需要人结合实际情况去甄别判断，不能 AI 推荐什么就直接照搬使用。
3、使用统计软件进行实际计算
在AI帮助我们确定大致方向之后，就需要真正开始处理数据。SPSSAU等统计分析软件更适合：数据导入、数据清洗、数据处理、模型计算、参数估计、结果输出、图表生成、多模型比较等。
（1）数据预处理
国赛建模中，数据预处理质量对后续分析影响显著，其内容包括数据清洗（缺失值与异常值处理）和数据变换（标准化、归一化等无量纲化处理）。说明如下图：数据预处理这部分可通过SPSSAU【数据处理】模块完成，如下图：
点击下方名称跳转至SPSSAU帮助手册：
- 异常值处理
- 缺失值处理
- 生成变量—量纲处理
（2）描述性分析
描述性统计分析是数学建模中不可或缺的数据探索手段，旨在揭示变量的集中趋势、离散程度、分布形态及关联性。具体通过计算均值、标准差等统计量，绘制直方图、箱线图等图表，并结合正态性检验与相关性分析，为后续建模提供基础认知。点击下方名称跳转至SPSSAU帮助手册：
- 描述分析
- 频数分析
- 数据可视化
- 相关分析
（3）评价类模型
用于解决“如何评价和排序”的问题，通过构建指标体系、确定指标权重，对多个对象进行综合评分。常用于城市发展评价、方案优选、企业竞争力分析等场景，常见方法包括AHP、熵值法、TOPSIS、DEA等。关于权重计算和综合评价方法可点击查看下方文章：干货｜一文学会10大权重计算方法与10大综合评价模型（附算法公式）
（4）预测类模型
针对未来数值或趋势的预测问题，基于历史数据建立时间序列或回归关系。广泛应用于销量预测、人口预估、金融行情等领域，典型方法有ARIMA、灰色预测、回归分析、机器学习等。关于预测类方法可点击查看下方文章：常用预测类数据分析方法分类汇总
（5）分类模型
解决样本归属哪一类别的问题，通过训练已有标签数据学习分类边界，对新样本进行类别判别。常见于客户细分、疾病诊断、图像识别等场景，代表性算法包括逻辑回归、决策树、随机森林等。SPSSAU【机器学习】模块包含以下算法：
（6）统计分析模型
基础统计模型是数学建模的核心基础分析手段，该模型主要适用于数据特征探索、影响因子分析等场景，涵盖相关分析、回归分析、聚类分析、降维分析等多种主流分析方法，说明如下：统计分析高频分析方法更详细的介绍可以查看下方文章：13类超高频数据分析方法分类汇总，手把手教你选方法超高频数据分析方法分类汇总
赛前建议一定先熟悉数模常用模型与算法，可点击下方链接阅读 SPSSAU 往期文章学习：
数学建模国赛全流程，从数据预处理到模型评估
全国大学生数学建模竞赛 | 五类模型及30+常用算法总结
借助 SPSSAU 可以快速完成整套统计分析，不用耗费大量时间调试代码、处理计算，多个模型方案可以快速跑通、横向对比，选出最适配赛题的结果。
四、最后
AI的出现，改变的是数学建模的工作方式，而不是代替数学建模本身。在整个建模过程中——AI、统计软件与人三位一体，各司其职，协同完成建模工作。
- AI负责辅助思考
帮助理解题目、查找资料、提供建模思路、推荐分析方法，以及辅助代码和论文写作。
- SPSSAU等统计软件负责实际计算
完成数据处理、模型分析、结果输出和多模型比较，让数据真正进入模型并得到可靠结果。
- 人负责最终判断
理解研究问题、选择合适的模型、判断结果是否合理，并完成整个建模方案。AI时代，真正重要的或许不是掌握多少工具，而是能够合理利用工具，更快地找到解决问题的方法。
