2026美赛E题完整思路与代码框架：从题目拆解到论文成稿

拿到2026年E题的那一刻，思路怎么铺开？这是很多队伍在美赛第一天早上最焦虑的问题。尤其是E题这种“环境科学与可持续性”题材，题目文本长、数据口径杂、政策词汇密集，第一眼看上去信息量巨大，但真正决定你能不能拿奖的，不是资料收集得多全，而是能不能在第二天结束前完成“题目拆解—模型设计—代码跑通—论文成稿”这一整条链路的闭环。

我过去几年带过不少队伍打美赛，也帮人做过E题的完整思路和代码框架。E题的命题风格和MCM其他题目差别很大，它更像一份“政策咨询委托书”，要求你在有限时间内给出一个可以落地执行的分析结论。这篇文章我就围绕E题的打法，从题目拆解、数学模型选型、代码实现到论文写作，把我自己的完整思路和可以直接复用的代码框架整理出来，供2026年备赛的你们参考。

1. E题的题目逻辑：为什么它总是一道“决策支持题”

1.1 E题的三个常见任务层次

翻看最近几年的E题，你会发现一个规律：E题无论主题是森林火灾、海洋塑料、粮食系统还是生物多样性，它的任务结构几乎都能拆成三层——

• 现状评估层：给出一套指标体系或模型，对当前状态进行量化评估。比如评估一个区域的生态脆弱性、可持续水平、灾害风险等级。这一层的关键词通常是“评估”“量化”“评级”。
• 趋势预测层：基于历史数据或情景假设，预测未来若干时间窗口内系统的变化轨迹。关键词是“预测”“模拟”“趋势分析”。
• 策略决策层：在预测基础上，模拟不同干预措施的效果，给出最优或折中方案。关键词是“优化”“制定策略”“政策建议”。

这三层在题目里通常不是并列的，而是层层递进的。也就是说，你第一问做的评价模型，往往要作为第二问预测模型的基础输入；第二问的预测结果，又成为第三问决策模型的约束条件。很多队伍栽在“每一问独立建模、彼此之间没有衔接”上，这一条后面我会专门展开讲。

1.2 2026年E题需要重点关注的题材方向

虽然题目还没有公布，但从这几年的趋势来看，E题越来越侧重“全球尺度的可持续议题 + 可量化的政策干预”，出题方希望参赛者具备三个能力：快速梳理复杂系统中的利益相关方、把模糊的政策目标转化为数学语言、在数据不完全的情况下给出稳健结论。

我个人的判断是，2026年E题大概率还会围绕以下主题之一展开：

• 城市或区域的碳排放达峰路径模拟，涉及多行业、多能源品种的协同减排；
• 极端气候事件（热浪、洪水、干旱）下的基础设施韧性评估，涉及脆弱性指标与适应性投资的优化分配；
• 生物多样性保护的补偿机制设计，涉及生态服务价值估算与空间选址问题；
• 废弃物管理与循环经济转型，涉及物流网络优化、成本收益分析和政策情景对比。

如果你的队伍在赛前把“评价指标体系构建、时间序列预测、多方案情景对比、多目标优化”这四板斧练熟，2026年E题不管落到哪个题材，你都能在第一天的上午就搭出答题框架。

1.3 审题时最容易忽略的信息

E题的题目文本里，最关键的信息往往不在正文，而在一句看似轻描淡写的“Your submission should include ...”。这句话会告诉你论文必须包含哪些内容，比如“讨论你的模型在不同地区的可扩展性”“评估模型对关键参数的敏感性”“说明数据来源与局限”。这些要求直接对应论文的章节安排。

另外，E题的数据通常来自国际组织公开数据库（联合国粮农组织、世界银行、全球森林观察等），题目会附上数据文件或数据下载链接。审题时一定要把“数据文件里有哪些字段、时间范围是什么、数据粒度是国家级还是网格级”搞清楚，因为这些直接决定你能用什么模型。2026年极有可能出现“数据缺失严重、需要自己找补充数据或者用合理假设补全”的情况，这也是评审评分点之一。

2. 从题目到模型：答题流程的四个关键动作

2.1 动作一：把每个问题翻译成“数学模型需求”

美赛的题目往往写得很“文科”，比如“制定一项策略以减少塑料垃圾的产生”。如果你直接对着这句话建模，会发现自己无从下手。正确的做法是先做语义翻译：

• “减少塑料垃圾” -> 目标函数：塑料垃圾总量最小化，或人均塑料垃圾量最小化；
• “策略” -> 决策变量：政策工具的类型（禁令、税收、回收补贴）、实施强度、实施时间；
• “现实约束” -> 约束条件：财政预算上限、产业转型成本、民众接受度（可用时间滞后项表示）；
• “评估策略效果” -> 情景对比：基准情景 vs 不同政策组合情景。

这个翻译过程最好在拿到题目的当天上午完成，一队三个人一起过一遍所有小问，每个人把每一问的“输入数据—模型方法—输出结果—可视化形式”写在一张白板上。这张白板就是你们之后36小时的施工图纸。

2.2 动作二：建立“数据清单—模型类型—算法工具”映射表

我见过太多队伍在比赛第二天还在纠结“这个数据去哪找”，本质上是因为没有提前建立映射关系。给你一个可以直接套用的映射逻辑：

这张表看起来简单，但它的价值在于：比赛当天你们不需要再现场搜索“用什么模型解决预测问题”，直接按表选型，把节省下来的时间用来调参和打磨图表。

2.3 动作三：先跑通“最小可行版本”，再追求复杂度

E题最容易犯的坑是“模型越复杂越好”。我见过有队伍在体力不够的情况下非得在第一天就上深度学习，结果第二天发现数据预处理已经耗掉了半天，最后连baseline都没跑出来。

我的建议是：第一问先用最简单的模型跑通（比如熵权法），确保有结果、有图表、有公式；第二问再用ARIMA或随机森林做预测；第三问如果时间不够，就做成“情景对比 + 成本分析”的框架，而不是硬上大规模优化模型。评审看的是你整个逻辑链条是否闭合，而不是你用了多少个高深算法。

2.4 动作四：结果反哺——用敏感性分析验证结论可信度

E题评审非常看重一个环节：如果你调整某个关键参数，结论会不会翻盘？比如政策预算上下浮动20%，最优方案还是同一个吗？如果不做敏感性分析，评委很容易认为你的模型是“脆弱的”。

最常用的敏感性分析方法是单变量扰动法和蒙特卡洛模拟。前者固定其他参数、每次只变一个关键参数，观察结果变化；后者设定关键参数的分布，随机采样几百次，看结果分布是否稳定。两种方法代码量都不大，但对论文质量的提升非常明显。

3. 核心数学模型选型：从“会背公式”到“能跑出结果”

3.1 评价类模型：熵权TOPSIS是E题第一问的万能钥匙

E题第一问十有八九是“评估/排名”。评估的关键是确定指标权重。主观赋权（层次分析法）需要专家打分，比赛里很难让评委信服你的打分依据，所以客观赋权的熵权法更常用。熵权法的思想很直觉：某个指标在所有样本中的差异越大，说明它携带的信息量越多，权重就应该越高。

熵权TOPSIS的组合逻辑是：先算熵权，再用TOPSIS计算每个样本到正理想解和负理想解的距离，最后用相对贴近度排序。这个组合好在哪？它不需要任何分布假设，不需要人为设定权重，只要指标矩阵完整就能直接出结果。

这里给出一段可以直接跑的Python代码：

python复制import numpy as np
import pandas as pd

def entropy_weight(data):
    # 数据标准化（正向指标）
    data_norm = (data - data.min()) / (data.max() - data.min())
    # 计算信息熵
    n, m = data_norm.shape
    p = data_norm / data_norm.sum(axis=0)
    epsilon = 1e-12
    entropy = -np.sum(p * np.log(p + epsilon), axis=0) / np.log(n)
    # 权重
    weight = (1 - entropy) / np.sum(1 - entropy)
    return weight

def topsis(data, weight):
    # 加权规范化
    norm = np.sqrt(np.sum(data**2, axis=0))
    z = data / norm * weight
    # 正负理想解
    z_plus = z.max(axis=0)
    z_minus = z.min(axis=0)
    # 距离
    d_plus = np.sqrt(np.sum((z - z_plus)**2, axis=1))
    d_minus = np.sqrt(np.sum((z - z_minus)**2, axis=1))
    # 贴近度
    score = d_minus / (d_plus + d_minus)
    return score

# 示例：4个样本、5个指标
df = pd.DataFrame({
    'indicator1': [75, 82, 68, 91],
    'indicator2': [0.3, 0.5, 0.2, 0.7],
    'indicator3': [120, 95, 140, 80],
    'indicator4': [6.5, 7.2, 5.8, 8.1],
    'indicator5': [0.02, 0.015, 0.03, 0.01]
})
weights = entropy_weight(df.values)
scores = topsis(df.values, weights)
print("熵权法权重：", weights)
print("TOPSIS综合评分：", scores)

注意几个细节：

• 逆向指标要单独处理，比如污染浓度、灾害发生次数这些越低越好的指标，需要先取倒数或者用最大值减去原始值做正向化；
• 熵权法里p*log(p)在p=0时会报错，所以加上一个极小的epsilon是必须的；
• TOPSIS的距离公式用的是欧氏距离，如果不同指标之间的量纲差异极大，要先做归一化。

3.2 预测类模型：时间序列和机器学习都备一套

E题第二问，常用的有两条技术路线：

路线一：时间序列模型（ARIMA、灰色预测）。如果数据是连续多年的单一指标，比如某区域过去20年的碳排放量，用ARIMA比较合适。ARIMA的逻辑是提取时间序列的自相关结构，用滞后项和误差项的组合预测未来值。用Python的statsmodels库可以快速实现：

python复制from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt

# data：一维时间序列数据，类型为 pandas.Series
model = ARIMA(data, order=(2,1,2))
model_fit = model.fit()
forecast = model_fit.forecast(steps=10)

# 绘制历史与预测曲线
plt.plot(data.index, data.values, label='Historical')
plt.plot(range(len(data), len(data)+10), forecast, label='Forecast', marker='o')
plt.legend()
plt.show()

ARIMA的(p,d,q)三参数调起来有一定门槛，一个快速经验法则是：先做ADF检验确认d（差分阶数），再画ACF和PACF图粗定p和q，最后用AIC最小化精调。如果比赛时间紧，直接取(2,1,2)或(1,1,1)作为初始值，效果通常也不会太差。

路线二：机器学习回归（随机森林、XGBoost）。如果除了目标变量外，还有多个协变量（比如能源结构、GDP、人口、气候数据），用随机森林回归可以把这些特征和目标变量的非线性关系拟合出来，再做外推预测。这里给一个随机森林的特征重要性分析框架：

python复制from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

X = df[['gdp', 'population', 'urban_rate', 'renewable_share', 'temp_anomaly']]
y = df['carbon_emission']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
rf = RandomForestRegressor(n_estimators=200, max_depth=5, random_state=42)
rf.fit(X_train, y_train)

importance = pd.Series(rf.feature_importances_, index=X.columns).sort_values(ascending=False)
print(importance)

# 预测未来10年需要先构造未来特征，两种方式：
# 1. 用其他模型预测特征变量，再喂给随机森林；2. 设定多情景特征值做情景预测

这里要特别提醒：如果未来特征缺失，你不能凭空造数据。一个被验证过的做法是“情景设定法”——设定基准情景、乐观情景、悲观情景三套特征值组合，用随机森林分别预测，最后对比三条预测曲线。这正好和E题“评估不同政策情景”的要求无缝衔接。

3.3 优化/决策模型：线性规划到多目标优化的实用过渡

如果题目让你“制定策略/分配资源”，就要用到优化模型。E题里最常见的是带有预算约束的资源分配问题，比如有限资金下如何分配不同减排措施的投入，使总减排效果最大化。

这类问题先用线性或整数规划试试。用scipy.optimize.linprog可以快速求解：

python复制from scipy.optimize import linprog

# 例：三种减排措施，成本分别为[2, 3, 1]（百万元），减排量分别为[5, 8, 3]（万吨）
# 预算上限为10（百万元），求最大化减排总量
# 目标函数系数（linprog默认求解最小化，所以取负）
c = [-5, -8, -3]
A_ub = [[2, 3, 1]]
b_ub = [10]
# 非负约束
bounds = [(0, None), (0, None), (0, None)]

res = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method='highs')
print("最优投入量（百万元）：", res.x)
print("最大减排量（万吨）：", -res.fun)

如果目标不止一个，比如既要减排最大化、又要成本最小化、还要就业影响最小化，这就是多目标优化。可以降维成加权单目标，也可以用NSGA-II求帕累托前沿。这里有一个关键经验：E题第三问不要盲目上NSGA-II，除非你能解释清楚帕累托前沿上每个点的政策含义。如果解释不了，不如用“加权打分 + 情景对比”的方式，评委反而更容易看懂。

3.4 系统模拟模型：SIR变体与系统动力学

近几年E题出现过传染病式的传播模型（比如塑料垃圾在环境中的累积、信息/行为的扩散）。这类问题可以套SIR模型的框架，把人群分成易感者S、受影响者I、恢复者R，用常微分方程组描述状态转移。

E题常用的变体叫“累积排放/污染模型”，把SIR的“人”换成“污染存量”，用一个带增长率和清理率的微分方程描述：

dW/dt = G(t) - r * W (t)

其中W(t)是环境中的污染存量，G(t)是年排放增量，r是自然降解/清理率。这个方程可以求出解析解，也可以用Python的solve_ivp数值求解。如果题目背景是“政策干预下趋势如何变化”，你只需要调整G(t)或r即可，非常灵活。

4. 代码实战框架：从数据预处理到结果可视化的完整链路

4.1 数据预处理：直接决定你的模型能不能跑通

美赛E题的数据集经常“不干净”。我平时帮队伍梳理代码时发现，浪费时间最多的就是数据清洗。这里有一条必须遵守的流程：

• 第一步：读取所有数据文件，打印字段名、数据类型、缺失值比例；
• 第二步：统一指标名称和单位，尤其是不同年份的字段命名不一致时要重命名；
• 第三步：缺失值处理——如果缺失比例低于5%，用均值/中位数填充；如果高于20%，考虑删除该指标，或者用插值法补齐；
• 第四步：处理异常值，比如突然出现负值、超出物理上限的值，用可视化（箱线图）先看一眼再决定；
• 第五步：构建主数据表格，每一行是一个样本（国家/省份/年份），每一列是一个标准化指标。

代码框架可以是：

python复制import pandas as pd
import numpy as np

def load_and_clean(filepath):
    df = pd.read_csv(filepath)
    # 缺失率统计
    missing_rate = df.isnull().mean()
    print(missing_rate[missing_rate > 0])
    # 缺失值填充
    df = df.fillna(df.median())
    # 删除全为空的列
    df = df.dropna(axis=1, how='all')
    # 异常值替换为上下边界
    for col in df.select_dtypes(include=[np.number]).columns:
        q1, q3 = df[col].quantile([0.25, 0.75])
        iqr = q3 - q1
        lower, upper = q1 - 1.5 * iqr, q3 + 1.5 * iqr
        df[col] = df[col].clip(lower, upper)
    return df

4.2 可视化三件套：地图、趋势图、对比条形图

美赛E题是“环境+政策”主题，图表的审美直接影响评委的第一印象。三张图是必做的：

第一张：研究区域/对象分布的地图。如果你有经纬度数据，用folium或geopandas做一张带颜色填充的分布图，视觉冲击力很强。

python复制import folium

# 示例：按经纬度标注几个关键样本点
m = folium.Map(location=[35, 105], zoom_start=4)
for idx, row in df.iterrows():
    folium.CircleMarker(
        location=[row['lat'], row['lon']],
        radius=5,
        color='red',
        fill=True,
        popup=f"{row['name']}: {row['value']}"
    ).add_to(m)
m.save('map.html')

第二张：关键变量的时间趋势图，历史数据用实线，预测数据用虚线，两张图画在一起，一眼就能看出趋势拐点。这种图在写“预测结果”那一节时是必须的。

第三张：方案对比条形图，把不同政策情景下的最终指标值或者成本效益比横向排列，直接支撑你的结论。

还有一个小技巧：所有图的字体大小统一调成12-14号，坐标轴标签清晰，图例放在不遮挡数据的位置。美赛论文的图表不需要花哨，但一定要清晰。

4.3 输出规范：用字典结构管理中间结果

比赛写代码的一个痛点是：第一天跑的模型，第二天写论文时忘了输出里的哪一列对应什么含义。我的做法是，在每个模型脚本里把关键结果写成结构化的Python字典或DataFrame，并直接导出成CSV：

python复制result_summary = {
    'scenario': ['baseline', 'policy_A', 'policy_B'],
    'total_emission_2050': [123.4, 98.7, 76.5],
    'cost': [0, 15.2, 28.9],
    'feasibility_score': [0.35, 0.68, 0.82]
}
summary_df = pd.DataFrame(result_summary)
summary_df.to_csv('scenario_comparison.csv', index=False)

这样等于是把“模型结果”和“论文撰写”解耦了，写论文时只需读CSV或打印DataFrame，不用重新跑模型。

4.4 参数优化：网格搜索让模型结果更好看

如果预测模型默认参数跑出来的结果不太理想，可以花少量时间做网格搜索。例如随机森林的树数量和最大深度：

python复制from sklearn.model_selection import GridSearchCV

param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7],
    'min_samples_leaf': [1, 2, 4]
}
rf_grid = RandomForestRegressor(random_state=42)
grid_search = GridSearchCV(rf_grid, param_grid, cv=3, scoring='neg_mean_squared_error')
grid_search.fit(X_train, y_train)
print(grid_search.best_params_)
print(grid_search.best_score_)

网格搜索输出的是最优参数组合和交叉验证得分，这个数据可以直接写进论文附录，证明你的模型经过了调优。

5. 论文写作：什么样的结构最容易被评委认可

5.1 摘要：评委只看前三页

美赛的评审工作量大，E题也不例外。一篇论文能不能被继续看下去，摘要起了决定性作用。E题摘要的核心结构，我建议固定为四段：

• 第一段：一句话problem context，说明研究问题和为什么重要。
• 第二段：方法总览。按问题顺序逐条写“针对问题一，建立了XX模型，采用XX算法，得到关键结果为XX”。
• 第三段：关键数值结果。把最重要的数字写进来，比如预测到2050年排放量为XX，最优方案能把碳排放降低XX%。
• 第四段：政策建议或模型可扩展性说明。

摘要里要避免“首先、其次、然后”这类流程词，多用“通过XX方法，得到XX结论”这种结果导向句式。

5.2 正文结构：以“评委答疑”为线索

E题论文的正文，本质上是在回答评委可能提出的一系列“为什么”。按照这个逻辑组织章节，会比按题目顺序机械罗列更符合评审习惯：

• 问题重述和假设：要把题目中的模糊条件转化为明确的假设清单。
• 数据来源与预处理：说明哪些数据来自官方，哪些缺失值是补齐的，用了什么校验方法。
• 模型构建：这里要有公式推导，不要只贴代码截图。每一步转换逻辑都要说得清楚。
• 求解算法：简述算法流程、收敛条件、参数设置。
• 结果分析：对应模型输出，配合图表逐条解释数值含义。
• 敏感性分析与稳健性检验：这是与普通课程论文拉开差距的重点章节。
• 政策建议：把模型结果翻译成“人话”，分条说明应该怎么做。

5.3 公式与图表：三个容易失分的细节

第一个细节：公式要用编号且编号顺序和正文引用一致。先写完正文再统一编号，不要边写边编。

第二个细节：图表要有自明性。读者不看正文只看图表也要能理解图表的含义。图片标题要写清楚“图1: 2010-2030年不同情景下XX指标变化曲线”，图例包含单位。

第三个细节：表格不要超过半页。超长表格以附录形式给出，正文只放关键汇总表，比如“表3: 三种政策方案的成本效益对比”。

5.4 支撑材料：论文之外还要交什么

美赛要求提交的除了PDF论文，还有支撑材料（Supporting Information）。这里面至少应该包含：

• 完整的代码文件，按问题编号命名，README说明运行环境；
• 数据文件（如果题目允许公开）；
• 关键图表的原始数据CSV；
• 模型调参记录、敏感性分析结果的扩展版本；
• 如果用了外部数据，附上数据来源链接。

支撑材料质量高，评委能直接复现你的结果，这会大幅提升可信度。

6. 踩坑经验：E题失分点比你想的更多

6.1 坑一：题目没读完就开始建模型

比赛开始后的前两三个小时，全队都应该用来读题、讨论、拆解任务、列数据清单。我见过最可惜的情况是：第一问做得漂亮，结果发现题目要求的是“全球范围”，而你只用了某一个国家的数据，导致整个结论需要推倒重来。正确做法是：第一遍每小问由一个人独立读一遍，第二遍三人交叉核对各自的理解，第三遍再统一列出任务清单和交付物清单。

6.2 坑二：数据口径不统一

E题常给两个以上的数据文件，比如一个按国家分年度的排放数据、一个按州/省行政区的社会经济数据。两组数据的地区划分方式不同、度量年份不同、单位不同，如果直接合并会造成严重偏差。我的经验是：在合并之前，一定要用国家或地区的ISO代码做key，而不是用中文名或英文名直接匹配；对时间维度做统一处理，不同年度间隔的数据用插值对齐。

6.3 坑三：模型堆砌，没有主线

有的队伍第一问用层次分析法，第二问用神经网络，第三问用遗传算法，看起来技术很强，但每问之间没有数据传递和逻辑衔接。评委最烦的就是“一个模型套一个模型，但不知道你想说明什么问题”。

化解办法：在模型构建之前，先画一条“主逻辑链”——现状评估结果是预测模型的输入，预测结果显示未来系统压力，压力最大之处就是政策干预的着力点，干预措施进入优化模型，输出资源分配方案。论文里最好用一张逻辑框架图把这个链条画出来（但别用mermaid，用Visio或PPT画都比它好）。

6.4 坑四：不做敏感性分析

不吃这个亏的队伍太少了。很多队伍用一套参数跑完所有结果，得到一张“看似完美”的表格就交卷。但评委只要在评阅时调一个参数，发现结论变了，你的论文可能直接从一等奖掉到二等奖。无论模型多简单，至少要做一次单参数敏感性分析，并在正文里写清楚“当参数X在±20%范围内变化，结论Y保持稳定”。

6.5 坑五：参考文献和附录格式

E题对参考文献格式没有严格要求，但你必须满足“正文引用—文末列表——对应”。我推荐用统一的GB/T 7714或APA格式。附录里如果是代码截图，一定要确保清晰可读，字体不要小于小五号。如果是直接把代码贴到附录，请压缩到只保留核心函数，不要贴两百行无注释的代码。

6.6 坑六：别让“翻译感”拖垮论文

美赛要求英文论文，如果你的队伍英文写作能力一般，建议不要用太复杂的句式，用简单句把逻辑说清楚。同时要避免直译中文文献的痕迹，比如“through this model we think...”这是中国学生最爱用的表述之一，但英文语境下非常不自然。更自然的写法是“The model reveals that...”或者“The results indicate that...”。

在正式写作前，先花二十分钟把摘要的中文底稿写出来，翻译成英文，再请英文好的队员润色，效率远高于一人写一句。

7. 写在后面的建议：如何把三天时间分配好

最后聊一点实战时间分配。美赛四天时间，如果按我的经验安排：

• 第一天上午：读题、拆题、列任务、找数据、定模型框架；
• 第一天下午到晚上：跑通第一问代码，开始写摘要初稿（对，就是第一天开始写摘要）；
• 第二天上午：完成第一问和第二问的模型与代码，出图；
• 第二天下午到晚上：跑通第三问的对比模型，完成敏感性分析；
• 第三天：集中写作，按照“摘要—结论与建议—模型构建—问题求解—附录”顺序往下写；
• 第四天上午：统一润色，核对所有图表编号和参考文献；
• 第四天下午：打包支撑材料，检查PDF排版，提交。

有一个小技巧：第一天的摘要初稿不需要写得完美，但一定把“每问的模型名、关键结论数字、政策方向”填进去，之后每天抽时间更新一次摘要。这样最后一天你不会对着空白的摘要页面崩溃。

E题的魅力在于，它逼着你在四天里完成一个“从数据到决策”的完整闭环。这个过程不轻松，但只要你的模型逻辑、代码实现和论文表达三个闭环都转起来了，结果不会差。希望这篇思路解析和代码框架，能帮你把第一天的焦虑转化为行动力。祝你们都拿个好成绩。