2023年数学建模美赛D题(Prioritizing the UN Sustainability Goals):SDGs 优先事项的选择
正在写,不断更新,别着急。。。
4. SDGs 优先事项的选择
4.1 基于SDG密度分布图选择优先事项
虽然每个可持续发展目标的接近度矩阵和中心性度量的结果是通用的,并创建了基本的可持续发展目标网络,但由于各国在网络的不同部分取得了成功,因此每个可持续发展的密度水平因国而异。如果一个国家在网络的密集部分取得了成功,这意味着其当前的能力可以用于实现可持续发展目标的实施重点多样化。如果它位于网络的稀疏部分,则机会集是有限的。在这两种情况下,都需要从长远的角度来确保可持续发展目标议程的可持续改善,这意味着,即使目前接近度较低,也可能建议跳到高中心度的可持续发展目标。然后,该国必须投资于新的能力,这些能力将来将在更多的多样性选择中获得回报。本节以乌干达为例,说明如何使用这些概念来评估政策选项。
图2和图3显示了乌干达目前表现不佳的两个可持续发展目标,也就是说,与乌干达人均收入水平的典型国家相比,乌干达目前没有成功。乌干达应该优先考虑哪一项?
当然,要回答这个问题,需要考虑许多因素,但其中包括:(i) 考虑到目前的能力(密度),成功的容易程度,以及(ii)它创造的进一步改进的潜力(中心性)
在一条水平线中,图4显示了其他可持续发展目标与所讨论的两个可持续发展目标的接近程度。可持续发展目标(a)是获得电力(占人口的百分比),可持续发展目标目标(b)是艾滋病毒发病率(比率,总人口)。每个灰色圆圈或绿色圆点表示另一个SDG指示符,并且它们离红色圆圈越远(表示归一化最大中心度为1的SDG(a)或SDG(b)),接近度越低。绿色圆点代表乌干达目前成功的可持续发展目标,而圆圈代表乌干达不成功的地方。
a)获得电力的中心值为255,b)HIV发病率为212。问题是,鉴于乌干达目前的能力,即其目前成功的可持续发展目标,乌干达在网络中处于何处。计算乌干达在每一个可持续发展目标方面的密度,结果表明,乌干达在能力上更接近于a)获得电力,密度为0.594,而b)艾滋病毒发病率为0.590。因此,获得电力具有更高的密度和中心性,这一事实表明,电力应优先于艾滋病毒发病率(所有其他方面都是平等的,不同的目标没有权重)。
图5显示了两个SDG的示例,其中优先级排序不那么简单;可持续发展目标(a)是获得电力(占人口的%),可持续发展目标是童婚(15岁之前结婚的女性(20-24岁女性的比例))。
供电中心有256个,童婚中心有185个。因此,如果您没有特定国家的信息,那么获得电力将是实现可持续发展目标议程总体成功的最佳选择。然而,计算乌干达的人口密度(获得电力的人口密度为0.594,童婚人口密度为0.602)表明,乌干达在童婚方面比在获得电力方面更容易表现出色。因此,在本例中,乌干达需要在
考虑到目前的能力(优先考虑童婚),成功的可能性更高,或者考虑到成功的结果(优先考虑获得电力),进一步实现可持续发展目标的可能性更大。
图6显示了乌干达所有SDG密度的分布,并附有一些示例。成功的可持续发展目标在更高的密度水平上更为常见,反之亦然。如果每个可持续发展目标的中心性相同,乌干达应优先考虑乌干达特定密度最高的尚未成功的可持续发展目标。
4.2 基于SDG密度分布图比较不同国家的总体潜力
SDG密度分布图也可用于跨国比较。
在图7中,我们看到在选定的国家中,墨西哥拥有平均密度最高的是玻利维亚、乌干达、肯尼亚、美国和南非。这表明,在这些国家中,墨西哥控制人均国民总收入在追求可持续发展目标议程时,取得超额成就的可能性最大;而南非将面临最大的挑战。墨西哥的收入水平在可持续发展目标的数量已经达到,而南非的国民总收入却落后于其他国家人均水平。当然,在较高的人均收入水平,如美国,竞争与其他国家相比,更为艰难,在发展成果方面取得了巨大成就高收入国家是一个重大的政策挑战。
分布的形状很重要。狭窄的概率分布意味着大多数可持续发展目标在所涉国家的密度水平相似。广泛的概率分布意味着SDG之间的密度显著不同。因此,该国实现某些目标的可能性较高,但实现其他目标的可能性较低,这表明可持续发展目标网络分析将非常有助于确定可持续发展目标倡议的优先顺序。根据每个国家的平均密度,可以根据国家的可持续发展目标改善潜力(而非实现的可持续发展水平)对其进行排名。表5列出了前15名和后15名国家。
另一个展示可持续发展目标网络方法的例子将各国成功实现可持续发展目标的数量与其密度进行了比较。墨西哥和玻利维亚在这项研究中纳入的可持续发展目标指标数量大致相同:墨西哥282项,玻利维亚271项。尽管如此,墨西哥的人口密度明显高于玻利维亚。这意味着墨西哥的成功位于可持续发展目标网络中更密集的部分,即墨西哥在可持续发展目标方面做得很好,这些目标很有可能使其他可持续发展目标的发展取得成功。这意味着墨西哥比玻利维亚更容易利用其机会。
假设有一个全球性或区域性的可持续发展目标问题,或者一个组织在几个国家处理当地问题,那么国家之间的优先事项就摆在桌面上了。表6显示了可持续发展目标指标“获得电力”的例子,其中三个非洲国家的人均收入水平目前表现不佳。除此之外,对卢旺达的投资将带来更大的成功概率,因为该国在更多的可持续发展目标中取得了成功,接近“通电”。与密度较低的其他国家相比特别是可持续发展目标,卢旺达的基本能力更符合改善“电力供应”的需要。
4.3 小结
世界各国领导人于2015年9月通过的《联合国2030年议程》和《可持续发展目标》(SDG)具有全面性和整体性,包括17项目标和169项目标,涵盖了发展的经济、社会和环境层面(UN 2015)。雄心勃勃的议程表明,任何人都不能掉队,所有人都将集体受益于所有可持续发展目标的发展成果。个别国家现在面临着艰巨的挑战,要将这一议程转化为可行、现实但雄心勃勃的发展计划,并确定全面反映其初始条件和优先事项的政策。这项研究的基础是,可持续发展目标既是各国当前能力的产物,也是未来能力的贡献者。因此,在各国优先考虑可持续发展目标政策时,需要考虑路径依赖因素。
SDG网络基于与Hausmann和Klinger(2006)和Hildalgo等人(2007)开发的产品空间相同的理念,并将其与2015年后国家发展诊断框架(Gable等人,2015)的见解相结合。可持续发展目标的成就反映了拥有并结合了该国现有投入的基础结构(基础能力)。输入可以在两个SDG之间移动的容易程度取决于它们的共同程度,概念化为它们之间的接近程度。
接近度是两个可持续发展目标指标一起“成功”的条件概率。成功的定义是,一个国家的人均收入水平高于预期,或如预期。集中度是SDG与所有其他SDG指标的成对接近度之和。因此,这是一种潜在多样性的衡量标准,也是对该国可持续发展目标总体议程成功的贡献。
毫不奇怪,不同的电力获取措施是最相关的可持续发展目标之一,因此意味着如果一个国家成功地提供了电力,其他可持续发展目标也很可能取得成功。如附件表A.1中的成对相关矩阵所示,表现出高中心性的可持续发展目标组包括改善的水和卫生设施、互联网连接、学校入学和免疫接种。然而,联系最少的群体似乎更为多样。然而,需要注意的是,如果可持续发展目标与其他可持续发展目标的成功联系有限,这并不意味着可持续发展目标无关紧要。
然后通过引入密度的概念,将该方法用于特定国家的评估。密度是根据可持续发展目标与国家成功的其他可持续发展目标的接近程度来定义的。因此,这是一项针对特定国家的措施,每个可持续发展目标指标都有所不同。非成功的可持续发展目标密度越高,其所需能力就越接近国家现有能力,国家就越容易将其转变为成功的可持续增长目标。
当比较一个国家的两个可持续发展目标政策选项时,每个可持续发展目标指标的国家特定密度(即其成功的容易程度)必须与每个可持续发展指标的跨国家中心性(即其与其他可持续发展目标的联系性以及进一步改进的潜力)进行权衡。此外,可以根据国家的平均密度或特定SDG的密度对国家进行排名。对于每个国家实现可持续发展目标议程的高效和成功的优先顺序,了解特定国家的路径依赖性至关重要。
然而,它需要考虑到数据的局限性,并与其他研究相结合,尤其是成本效益分析和政治经济分析。此外,该方法假设所有可持续发展目标本身具有相同的价值,而这些价值在可持续发展目标之间和每个国家可能有所不同。
本节部分内容来自:
【待续。。。】
相关文章:

2023年数学建模美赛D题(Prioritizing the UN Sustainability Goals):SDGs 优先事项的选择
正在写,不断更新,别着急。。。 4. SDGs 优先事项的选择 4.1 基于SDG密度分布图选择优先事项 虽然每个可持续发展目标的接近度矩阵和中心性度量的结果是通用的,并创建了基本的可持续发展目标网络,但由于各国在网络的不同部分取得…...
springboot实现项目启动前的一些操作
在服务启动时,做一些操作,比如加载配置,初始化数据,请求其他服务的接口等。 有三种方法: 第一种是实现CommandLineRunner接口 第二种是实现ApplicationRunner接口 第三种是使用注解:PostConstruct 三者使用…...

详解JavaScript的形参,实参以及传参
文章目录 前言一、参数是什么?二、形参和实参 1.形参 2.实参三、传参 1.参数传递的对应关系2.两个传参的例子 总结前言 编程初学者在接触JavaScript这门语言时,很难搞懂里面的逻辑,这就会导致入门慢,入门难。这种难度一般…...
Vue中的diff算法
diff算法介绍 diff算法是一种高效对比算法。diff算法在组件更新即响应式数据监控到数据的改变,重新生成虚拟DOM树的时候调用,然后通过diff算法计算出前后虚拟dom树的差异点,更新dom时只更新变化的部分。 直接比较和修改两个数的复杂度为什么…...

【面试题】前端春招第二面
不容错过的一些面试题小细节,话不多说,直接看题~大厂面试题分享 面试题库后端面试题库 (面试必备) 推荐:★★★★★地址:前端面试题库HTML/CSS/Javascript/ES篇(1)标准盒模型和怪异盒…...

Pytorch 基础之张量数据类型
学习之前:先了解 Tensor(张量) 官方文档的解释是: 张量如同数组和矩阵一样, 是一种特殊的数据结构。在PyTorch中, 神经网络的输入、输出以及网络的参数等数据, 都是使用张量来进行描述。 说白了就是一种数据结构 基本数据类型…...

Java 基础面试题——常见类
目录1.String 为什么是不可变的?2.字符串拼接用“” 和 StringBuilder 有什么区别?3.String、StringBuffer 和 StringBuilder 的区别是什么?4.String 中的 equals() 和 Object 中的 equals() 有何区别?5.Object 类有哪些常用的方法?6.如何获…...

Windows 系统从零配置 Python 环境,安装CUDA、CUDNN、PyTorch 详细教程
文章目录1 配置 python 环境1.1 安装 Anaconda1.2 检查环境安装成功1.3 创建虚拟环境1.4 进入/退出 刚刚创建的环境1.5 其它操作1.5.1 查看电脑上所有已创建的环境1.5.2 删除已创建的环境2 安装 CUDA 和 CUDNN2.1 查看自己电脑支持的 CUDA 版本2.2 安装 CUDA2.3 安装 CUDNN2.4 …...

[REDIS]redis的一些配置文件
修改配置文件 vim /etc/redis/redis.conf目录 protected-mode tcp-backlog timeout tcp-keepalive daemonize pidfile loglevel databases 设置密码 maxclients maxmemory maxmemory-policy maxmemory-samples 默认情况下 bind127.0.0.1 只能接受本机的访问请求。在不写的情况…...

Java反序列化漏洞——CommonsCollections4.0版本—CC2、CC4
一、概述4.0版本的CommonsCollections对之前的版本做了一定的更改,那么之前的CC链反序列化再4版本中是否可用呢。实际上是可用的,比如CC6的链,引入的时候因为⽼的Gadget中依赖的包名都是org.apache.commons.collections ,⽽新的包…...

下载网上压缩包(包含多行json)并将其转换为字典的解决方案
大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。喜欢通过博客创作的方式对所学的知识进行总结与归纳,不仅形成深入且独到的理…...

【郭东白架构课 模块一:生存法则】11|法则五:架构师为什么要关注技术体系的外部适应性?
你好, 我是郭东白。 前四条法则分别讲了目标、资源、人性和技术周期,这些都与架构活动的外部环境有关。那么今天我们来讲讲在架构活动内部,也就是在架构师可控的范围内,应该遵守哪些法则。今天这节课,我们就先从技术体…...

Mindspore安装
本文用于记录搭建昇思MindSpore开发及使用环境的过程,并通过MindSpore的API快速实现了一个简单的深度学习模型。 什么是MindSpore? 昇思MindSpore是一个全场景深度学习框架,旨在实现易开发、高效执行、全场景覆盖三大目标。 安装步骤 鉴于笔者手头硬…...

C++010-C++嵌套循环
文章目录C010-C嵌套循环嵌套循环嵌套循环举例题目描述 输出1的个数题目描述 输出n行99乘法表题目描述 求s1!2!...10!作业在线练习:总结C010-C嵌套循环 在线练习: http://noi.openjudge.cn/ https://www.luogu.com.cn/ 嵌套循环 循环可以指挥计算机重复去…...

设计模式之迭代器模式与命令模式详解和应用
目录1 迭代器模式1.1 目标1.2 内容定位1.3 迭代器模式1.4 迭代器模式的应用场景1.5 手写字定义的送代器1.6 迭代器模式在源码中的体现1.7 迭代器模式的优缺点2 命令模式2.1 定义2.2 命令模式的应用场景2.3 命令模式在业务场景中的应用2.4 命令模式在源码中的体现2.5 命令模式的…...

【QA】[Vue/复选框全选] v-model绑定每一项的赋初值问题
发生场景:不只是复选框的状态改变,还有的功能要用到复选框的选中状态,比如:购物车计算总价,合计等等。 引入:复选框 checkbox 在使用时,需要用v-model绑定布尔值,来获取选中状态&…...

python基于django+vue微信小程序的校园二手闲置物品交易
在大学校园里,存在着很多的二手商品,但是由于信息资源的不流通以及传统二手商品信息交流方式的笨拙,导致了很多仍然具有一定价值或者具有非常价值的二手商品的囤积,乃至被当作废弃物处理。现在通过微信小程序的校园二手交易平台,可以方便快捷的发布和交流任何二手商品的信息,并…...

设计模式之观察者模式
什么是观察者模式 观察者模式定义了对象之间一种一对多依赖关系,使得每当一个对象状态发生改变时,其相关依赖对象都能收到通知并自动刷新。 观察者模式主要包含以下几个角色: Subject(目标):指被观察的对…...

Java Lambda表达式
目录1 Lambda表达式1.1 函数式编程思想概括1.2 Lambda表达式标准格式1.3 Lambda表达式练习1(抽象方法无参无返回值)1.4 Lambda表达式练习2(抽象方法带参无返回值)1.5 Lambda表达式练习2(抽象方法带参带返回值ÿ…...
【1237. 找出给定方程的正整数解】
来源:力扣(LeetCode) 描述: 给你一个函数 f(x, y) 和一个目标结果 z,函数公式未知,请你计算方程 f(x,y) z 所有可能的正整数 数对 x 和 y。满足条件的结果数对可以按任意顺序返回。 尽管函数的具体式子…...

深入浅出Asp.Net Core MVC应用开发系列-AspNetCore中的日志记录
ASP.NET Core 是一个跨平台的开源框架,用于在 Windows、macOS 或 Linux 上生成基于云的新式 Web 应用。 ASP.NET Core 中的日志记录 .NET 通过 ILogger API 支持高性能结构化日志记录,以帮助监视应用程序行为和诊断问题。 可以通过配置不同的记录提供程…...

C++_核心编程_多态案例二-制作饮品
#include <iostream> #include <string> using namespace std;/*制作饮品的大致流程为:煮水 - 冲泡 - 倒入杯中 - 加入辅料 利用多态技术实现本案例,提供抽象制作饮品基类,提供子类制作咖啡和茶叶*//*基类*/ class AbstractDr…...

相机Camera日志实例分析之二:相机Camx【专业模式开启直方图拍照】单帧流程日志详解
【关注我,后续持续新增专题博文,谢谢!!!】 上一篇我们讲了: 这一篇我们开始讲: 目录 一、场景操作步骤 二、日志基础关键字分级如下 三、场景日志如下: 一、场景操作步骤 操作步…...

CMake基础:构建流程详解
目录 1.CMake构建过程的基本流程 2.CMake构建的具体步骤 2.1.创建构建目录 2.2.使用 CMake 生成构建文件 2.3.编译和构建 2.4.清理构建文件 2.5.重新配置和构建 3.跨平台构建示例 4.工具链与交叉编译 5.CMake构建后的项目结构解析 5.1.CMake构建后的目录结构 5.2.构…...

蓝牙 BLE 扫描面试题大全(2):进阶面试题与实战演练
前文覆盖了 BLE 扫描的基础概念与经典问题蓝牙 BLE 扫描面试题大全(1):从基础到实战的深度解析-CSDN博客,但实际面试中,企业更关注候选人对复杂场景的应对能力(如多设备并发扫描、低功耗与高发现率的平衡)和前沿技术的…...

BCS 2025|百度副总裁陈洋:智能体在安全领域的应用实践
6月5日,2025全球数字经济大会数字安全主论坛暨北京网络安全大会在国家会议中心隆重开幕。百度副总裁陈洋受邀出席,并作《智能体在安全领域的应用实践》主题演讲,分享了在智能体在安全领域的突破性实践。他指出,百度通过将安全能力…...
Java入门学习详细版(一)
大家好,Java 学习是一个系统学习的过程,核心原则就是“理论 实践 坚持”,并且需循序渐进,不可过于着急,本篇文章推出的这份详细入门学习资料将带大家从零基础开始,逐步掌握 Java 的核心概念和编程技能。 …...
大语言模型(LLM)中的KV缓存压缩与动态稀疏注意力机制设计
随着大语言模型(LLM)参数规模的增长,推理阶段的内存占用和计算复杂度成为核心挑战。传统注意力机制的计算复杂度随序列长度呈二次方增长,而KV缓存的内存消耗可能高达数十GB(例如Llama2-7B处理100K token时需50GB内存&a…...

华硕a豆14 Air香氛版,美学与科技的馨香融合
在快节奏的现代生活中,我们渴望一个能激发创想、愉悦感官的工作与生活伙伴,它不仅是冰冷的科技工具,更能触动我们内心深处的细腻情感。正是在这样的期许下,华硕a豆14 Air香氛版翩然而至,它以一种前所未有的方式&#x…...
在Ubuntu24上采用Wine打开SourceInsight
1. 安装wine sudo apt install wine 2. 安装32位库支持,SourceInsight是32位程序 sudo dpkg --add-architecture i386 sudo apt update sudo apt install wine32:i386 3. 验证安装 wine --version 4. 安装必要的字体和库(解决显示问题) sudo apt install fonts-wqy…...