企业官网建设流程全解析

1. 赛题核心：量子计算时代的金融风控新范式

最近和几个做金融科技和算法优化的朋友聊天，话题总绕不开一个词：QUBO。这个词在组合优化圈子里火了好几年，但真正让它“破圈”的，是2023年MathorCup数学建模挑战赛的A题。这道题直接把“量子计算机”和“信用评分卡”这两个看似八竿子打不着的领域拧在了一起，让很多参赛队伍直呼“脑洞大开”。我仔细研究了这道赛题，发现它远不止是一道竞赛题，更像是一份来自未来的“技术预言”，精准地指向了金融风控领域一个即将到来的变革：利用量子计算或量子启发式算法，解决传统方法难以处理的复杂组合优化问题。

简单来说，这道题的核心是：如何用QUBO模型来优化信用评分卡的阈值组合，从而最大化风控收益？信用评分卡大家都不陌生，银行、消费金融公司用它来评估客户违约风险，决定是否放贷、给多少额度。传统的阈值设定，比如“分数低于600分拒绝”，往往是基于业务经验或简单的单变量分析，很难全局最优。而QUBO（二次无约束二进制优化）模型，则是量子计算和某些专用硬件（如退火机）最“爱吃”的数学形式。把评分卡阈值优化问题“翻译”成QUBO模型，就意味着我们有可能借助更强大的计算范式，在海量的阈值组合中找到那个真正的最优解。

这背后的驱动力，正是像Intel、IBM等巨头在量子计算硬件上的持续进展，以及像“小米笔记本电池充电阈值设置”这类大众产品功能所普及的“阈值管理”概念。前者提供了新的算力可能，后者则让“动态阈值优化”的理念更加深入人心。所以，这道赛题不仅考察数学建模能力，更是在引导我们思考：当量子计算从实验室走向应用，哪些行业的哪些痛点会最先被解决？金融风控，无疑是一个绝佳的试验场。

2. 问题拆解：从业务场景到QUBO公式的“翻译”过程

要理解这道题，我们不能只盯着最后的数学公式，必须从真实的金融风控业务逻辑出发，一步步推导。这个过程，就是建模的核心魅力。

2.1 信用评分卡与阈值优化的业务逻辑

假设我们有一张信用评分卡，它会为每个申请客户打出一个分数（比如300-850分）。风控策略需要设定一个或多个阈值，将客户分到不同的处理通道。一个最简单的策略是：设定一个拒绝阈值T，分数低于T的客户直接拒绝，高于T的客户通过。

但现实要复杂得多。更精细的策略会采用多阈值策略。例如：

• 分数 < T1: 拒绝（高风险）
• T1 ≤ 分数 < T2: 人工审核（中风险）
• 分数 ≥ T2: 自动通过（低风险）

这里，T1和T2就是我们需要优化的决策变量。不同的阈值组合，会产生完全不同的业务结果：拒绝太多好客户（误拒），会损失利润；放过太多坏客户（误通过），会增加坏账损失。我们的目标，就是找到一组(T1, T2)，使得总利润（或综合收益）最大化。

赛题通常会提供一份历史数据样本，包含每个客户的“分数”和“真实标签”（好客户/坏客户）。有了数据，我们就可以量化评估任何一个阈值策略的效果。

2.2 构建目标函数：利润如何计算？

这是建模的关键一步。我们需要定义一个数学上的“目标函数”，它能够精确计算任一阈值策略下的总利润。

通常，利润来源于好客户产生的收益（如利息收入），成本则包括坏客户造成的损失（本金损失），以及运营成本（如人工审核成本）。我们可以这样定义：

• 通过一个好客户：获得收益R_good。
• 误通过一个坏客户：产生损失L_bad。
• 人工审核一个客户：产生成本C_review。
• 拒绝一个客户：无直接收益和成本，但可能有机会损失。

对于一个给定的阈值策略(T1, T2)，我们可以根据历史数据统计出：

• N_good_auto: 自动通过的好客户数
• N_bad_auto: 自动通过的坏客户数
• N_good_review: 进入人工审核的好客户数
• N_bad_review: 进入人工审核的坏客户数
• N_good_reject: 被拒绝的好客户数（误拒）
• N_bad_reject: 被拒绝的坏客户数（正确拒绝）

假设人工审核可以完美识别客户好坏（这是一个简化假设，赛题中可能需要考虑审核准确率），那么审核后的好客户会被通过，坏客户会被拒绝。

那么，总利润P可以表示为：P = R_good * (N_good_auto + N_good_review) - L_bad * N_bad_auto - C_review * (N_good_review + N_bad_review)

我们的目标就是找到使P最大的T1和T2。

注意：这里的收益R_good、损失L_bad、成本C_review是核心业务参数。它们的取值往往比模型本身更重要，需要与业务部门反复确认。一个常见的坑是直接使用历史平均收益，而忽略了不同客户群、不同产品的收益差异。

2.3 引入QUBO：为什么以及如何做？

到目前为止，这还是一个传统的优化问题。为什么非要引入QUBO呢？原因在于问题的组合爆炸本质。

如果分数是离散的（例如0-1000分），那么T1和T2的候选值各有1001种可能（假设分数为整数）。简单的网格搜索需要计算1001 * 1001 ≈ 100万次目标函数。这看起来还能接受。但如果我们的策略更复杂，包含5个、10个阈值呢？或者分数精度更高呢？组合数量将呈指数级增长，传统算法（如穷举、动态规划）会很快遇到计算瓶颈。

QUBO模型的优势在于，它提供了一种将这类离散组合优化问题“标准化”的框架。许多专用硬件，如量子退火机（D-Wave）、相干伊辛机（CIM）以及一些基于CMOS的数字化退火芯片，都是为高效求解QUBO问题而设计的。Intel在量子计算方面的进展，也包括了对量子比特和量子处理单元的研究，旨在未来更高效地处理这类问题。

如何将阈值优化转化为QUBO？

核心思路是使用二进制变量来表示决策。假设分数范围为[0, M]，我们可以为每一个可能的分数值s引入一个二进制变量x_s。

• x_s = 1表示：分数为s的客户被“自动通过”。
• x_s = 0表示：分数为s的客户“未被自动通过”（即进入审核或被拒绝）。

但这还不够，因为我们需要区分“审核”和“拒绝”。一种经典方法是引入两组变量或通过约束来定义阈值。更巧妙且符合QUBO“无约束”特点的方法是：用二进制变量的顺序性来隐含定义阈值。

我们可以定义：

• 对于所有分数s，x_s表示该分数段客户是否应被“接受”（包括自动通过和审核后通过）。那么，一个合理的策略必然具有单调性：如果分数s的客户被接受，那么分数高于s的客户更应该被接受。即x_s应该是一个关于s的非递减序列（从0变为1后，就不再变回0）。这个从0到1的跳变点，就是我们的拒绝阈值T1。

为了引入第二个阈值（区分自动通过和人工审核），我们可以定义第二组二进制变量y_s，表示分数为s的客户是否“无需审核直接通过”。同样，y_s也应该是非递减的，并且显然有y_s ≤ x_s（只有被接受的客户才可能被自动通过）。这样，y_s从0到1的跳变点就是T2。

接下来，我们需要将利润目标函数P用这些二进制变量x_s,y_s重新表达。这需要根据历史数据，统计每个分数s下的好/坏客户数量（g_s,b_s）。然后，利润函数可以写为：P = Σ_s [ R_good * g_s * x_s - L_bad * b_s * y_s - C_review * g_s * (x_s - y_s) ... ]这里(x_s - y_s)就代表了进入审核的好客户。对于坏客户部分，公式会稍复杂，需要仔细考虑审核环节对坏客户的拦截效果。

最后，也是最关键的一步：将最大化利润P转化为最小化一个二次型H。因为QUBO的标准形式是min x^T Q x。这通常通过令H = -P来实现。同时，我们必须将之前提到的单调性约束（x_s ≤ x_{s+1},y_s ≤ y_{s+1}）和包含关系约束（y_s ≤ x_s）也以惩罚项的形式加入到H中。例如，约束x_s ≤ x_{s+1}可以转化为惩罚项λ * (x_s - x_{s+1})^2，当x_s=1且x_{s+1}=0时，该惩罚项为正，从而鼓励解满足约束。惩罚系数λ需要足够大，以确保约束在最优解中被严格遵守。

至此，我们成功地将一个业务问题“翻译”成了一个标准的QUBO模型，准备好交给适合的求解器了。

3. 求解策略：从经典算法到量子启发

模型建好了，怎么求解？这是赛题的第二大难点，也是区分队伍水平的关键。我们面临的是一个NP-Hard的组合优化问题，没有绝对意义上的“最快”解法，只有针对不同场景的“更合适”的解法。

3.1 经典精确算法：穷举、动态规划与整数规划

对于小规模问题（例如分数分段不多，阈值数量少），我们完全可以使用经典精确算法来获取全局最优解，以此作为基准答案。

• 网格搜索/穷举法：最简单粗暴。遍历所有可能的阈值组合，计算目标函数值。当阈值数量为2，分数有N种可能时，复杂度为O(N²)。一旦阈值增多，立即不可行。实操心得：在正式尝试复杂算法前，先用穷举法计算小规模样例，可以验证你目标函数和QUBO转化代码的正确性，这个基准非常重要。
• 动态规划：对于具有最优子结构的问题，DP是利器。在本问题中，我们可以定义状态dp[i][k]表示在前i个分数段中设置了k个阈值（或处于第k个决策区间）时的最大利润。通过状态转移，可以在O(K*N²)复杂度内求解，其中K是阈值区间数。这比穷举快很多，且能得到精确解。
• 整数规划：使用Gurobi、CPLEX等商业求解器，直接将问题建模为混合整数线性规划。这些求解器内置了强大的分支定界和割平面算法，对于中等规模的问题非常有效。注意事项：直接求解QUBO模型对应的整数二次规划可能效率不高，最好利用问题的特殊结构（如单调性）建立更高效的MIP模型。

3.2 元启发式算法：模拟退火、遗传算法

当问题规模变大，精确算法失效时，元启发式算法是首选。它们不保证找到全局最优，但通常能在合理时间内找到高质量近似解。

• 模拟退火：这几乎是求解QUBO的“标配”经典算法。它的灵感来源于固体退火过程，通过引入“温度”参数来控制接受劣解的概率，从而有机会跳出局部最优。对于我们的问题，邻域操作可以设计为：随机选择一个阈值，将其微调（增加或减少1分）。参数调优心得：初始温度、降温速率、马尔可夫链长度是三大关键参数。一个实用的技巧是：先进行多次快速试跑，观察目标函数下降曲线，据此调整参数。初始温度应设置得足够高，使得初期有大约50%的概率接受劣解。
• 遗传算法：将阈值组合编码为一条“染色体”（如一个整数数组）。通过选择、交叉、变异操作来演化种群。实操技巧：编码方式很重要。直接编码阈值分数值可能不是最好的，因为交叉操作容易产生无效解（如阈值顺序错乱）。可以考虑编码阈值之间的间隔，或者采用“随机密钥”编码。适应度函数就是我们的利润函数P。

3.3 量子启发与专用硬件求解

这才是赛题最前沿的部分，也是呼应“量子计算机”这个热词的关键。

• 量子退火：如果你能访问D-Wave的量子退火机或其Leap云服务，那么你可以直接将构建好的QUBO矩阵Q提交上去求解。量子退火利用量子隧穿效应来寻找能量最低态（即我们的H最小态）。重要提示：由于当前量子比特数量有限且存在噪声，通常需要将一个大问题“嵌入”到硬件连接图中，这可能涉及链式耦合等复杂操作。对于这道赛题规模的问题，很可能用经典模拟退火器就能很好解决，但使用量子退火的过程本身极具学习价值。
• 数字退火/相干伊辛机：如富士通的数字退火机、东京大学的CIM。它们用经典或光量子模拟伊辛模型的行为来求解QUBO。与量子退火相比，它们可能在某些问题上更稳定或更快。
• 量子启发经典算法：例如，模拟退火本身就是受物理过程启发。还有禁忌搜索、粒子群优化等。这里特别提一下模拟分岔算法，它是一种受量子力学启发的经典算法，在求解大规模QUBO问题上显示出不错的速度。

踩坑实录：初次接触量子计算求解时，很容易陷入“为了用量子而用量子”的误区。必须明白，对于小规模问题，经典算法通常更快、更准。量子计算的优势在于解决特定类型的、规模极大的组合优化问题。在比赛中，更务实的做法是：用经典算法（如模拟退火）作为主力求解器，然后探讨如果问题规模扩大（如评分维度增多，从单卡到多卡组合），量子计算将如何提供潜在的算力突破。这样既体现了对前沿技术的理解，又保证了解决方案的落地性。

4. 模型实现与结果分析全流程

理论说得再多，不如一行代码。这里我以一个简化的示例，勾勒出从数据处理到结果输出的完整流程。假设我们有一份包含score（分数）和label（1为好客户，0为坏客户）的历史数据CSV文件。

4.1 数据预处理与统计

第一步不是建模，而是看数据。

import pandas as pd import numpy as np # 读取数据 data = pd.read_csv('credit_data.csv') # 假设分数范围为0-1000，我们将其离散化为整数 data['score_bin'] = data['score'].round().astype(int) # 确保分数在范围内 data['score_bin'] = data['score_bin'].clip(0, 1000) # 按分数分组，统计好坏客户数 stats = data.groupby('score_bin')['label'].agg(['count', 'sum']).reset_index() stats.columns = ['score', 'total', 'good'] stats['bad'] = stats['total'] - stats['good'] # 定义业务参数 R_good = 1.0 # 通过一个好客户的收益 L_bad = 5.0 # 误通过一个坏客户的损失 C_review = 0.2 # 审核一个客户的成本 # 假设人工审核能100%识别坏客户，审核通过的好客户比例设为100% review_good_pass_rate = 1.0 review_bad_reject_rate = 1.0

这一步至关重要。你需要检查分数分布是否均匀，好坏客户的分布情况。通常，好客户的分布会偏向高分区域。画出分布图能给你直观感受。

4.2 构建并求解QUBO模型

我们采用模拟退火作为求解器，使用dimod库来构建QUBO。

import dimod from neal import SimulatedAnnealingSampler def build_qubo(stats, R, L, C, M=1000): """ 构建QUBO模型。 stats: 按分数统计的数据框 R, L, C: 收益、损失、成本参数 M: 惩罚项系数，需要足够大 """ # 初始化QUBO字典，键为 (变量名1, 变量名2)，值为系数 Q = {} N = len(stats) # 分数段数量 # 定义变量名：x0, x1, ..., x_{N-1} 和 y0, y1, ..., y_{N-1} x_vars = [f'x{i}' for i in range(N)] y_vars = [f'y{i}' for i in range(N)] # 1. 构建目标函数部分 (-利润) for i, row in stats.iterrows(): s = i # 分数索引 g, b = row['good'], row['bad'] # 对于x_s变量：好客户收益为正贡献，坏客户在审核环节被拦截，无直接损失，但有人工成本 # 利润中，x_s对应的好客户收益为 +R*g，审核成本为 -C*g (如果x_s=1且y_s=0) # 在QUBO中，我们需要最小化 -利润，所以符号反转。 # 线性项：x_s 的系数 Q[(x_vars[s], x_vars[s])] = Q.get((x_vars[s], x_vars[s]), 0) - R * g + C * g # 注意：审核成本项-C*g*x_s 已经包含在上面的线性项中（当x_s=1时产生成本）。 # 但审核成本只发生在 x_s=1 且 y_s=0 时，所以我们需要一个交叉项来抵消当y_s=1时的成本。 # 交叉项：+C*g*x_s*y_s Q[(x_vars[s], y_vars[s])] = Q.get((x_vars[s], y_vars[s]), 0) + C * g # 对于y_s变量：自动通过坏客户带来损失 Q[(y_vars[s], y_vars[s])] = Q.get((y_vars[s], y_vars[s]), 0) + L * b # 2. 添加约束惩罚项 # 约束1: 单调性 x_i <= x_{i+1} => 惩罚 (x_i - x_{i+1})^2 当 x_i=1, x_{i+1}=0 for i in range(N-1): # (x_i - x_{i+1})^2 = x_i^2 + x_{i+1}^2 - 2*x_i*x_{i+1} Q[(x_vars[i], x_vars[i])] = Q.get((x_vars[i], x_vars[i]), 0) + M * 1 Q[(x_vars[i+1], x_vars[i+1])] = Q.get((x_vars[i+1], x_vars[i+1]), 0) + M * 1 Q[(x_vars[i], x_vars[i+1])] = Q.get((x_vars[i], x_vars[i+1]), 0) - 2 * M # 约束2: 单调性 y_i <= y_{i+1} for i in range(N-1): Q[(y_vars[i], y_vars[i])] = Q.get((y_vars[i], y_vars[i]), 0) + M * 1 Q[(y_vars[i+1], y_vars[i+1])] = Q.get((y_vars[i+1], y_vars[i+1]), 0) + M * 1 Q[(y_vars[i], y_vars[i+1])] = Q.get((y_vars[i], y_vars[i+1]), 0) - 2 * M # 约束3: 包含关系 y_i <= x_i => 惩罚 (y_i - x_i)^2 当 y_i=1, x_i=0 for i in range(N): # (y_i - x_i)^2 = y_i^2 + x_i^2 - 2*y_i*x_i Q[(y_vars[i], y_vars[i])] = Q.get((y_vars[i], y_vars[i]), 0) + M * 1 Q[(x_vars[i], x_vars[i])] = Q.get((x_vars[i], x_vars[i]), 0) + M * 1 Q[(y_vars[i], x_vars[i])] = Q.get((y_vars[i], x_vars[i]), 0) - 2 * M return Q, x_vars, y_vars # 构建QUBO Q_matrix, x_list, y_list = build_qubo(stats, R_good, L_bad, C_review, M=1000) # 转换为dimod的BinaryQuadraticModel bqm = dimod.BinaryQuadraticModel.from_qubo(Q_matrix) # 使用模拟退火求解 sampler = SimulatedAnnealingSampler() sampleset = sampler.sample(bqm, num_reads=1000, num_sweeps=1000) # 获取能量最低的解（即最优解） best_sample = sampleset.first.sample

这段代码构建了完整的QUBO模型并求解。关键点在于惩罚系数M的选取。如果M太小，约束可能被违反；如果M太大，可能会掩盖目标函数，导致找到的解虽然满足约束，但利润很低。一个经验法则是：M应显著大于目标函数中系数的绝对值范围。可以通过尝试不同的M值，检查约束是否满足来调整。

4.3 解的解释与后处理

求解器返回的是0/1变量序列，我们需要将其还原为业务策略。

def interpret_solution(best_sample, x_vars, y_vars, stats): """ 将求解器的二进制解解释为阈值和策略。 """ x_values = [best_sample[var] for var in x_vars] y_values = [best_sample[var] for var in y_vars] # 寻找跳变点 T1 = None # 拒绝阈值 (x从0变1) T2 = None # 自动通过阈值 (y从0变1) for i in range(1, len(x_values)): if x_values[i-1] == 0 and x_values[i] == 1: T1 = stats.iloc[i]['score'] # 使用对应的分数值 break for i in range(1, len(y_values)): if y_values[i-1] == 0 and y_values[i] == 1: T2 = stats.iloc[i]['score'] break # 计算该策略下的利润 profit = calculate_profit(T1, T2, stats, R_good, L_bad, C_review) return T1, T2, profit, x_values, y_values def calculate_profit(T1, T2, stats, R, L, C): """根据阈值T1, T2计算利润""" profit = 0 for _, row in stats.iterrows(): s = row['score'] g, b = row['good'], row['bad'] if s < T1: # 拒绝区：无收益无成本（忽略机会成本） pass elif T1 <= s < T2: # 审核区：好客户通过产生收益，但产生审核成本；坏客户被拦截。 profit += R * g - C * (g + b) else: # s >= T2 # 自动通过区：好客户收益，坏客户损失。 profit += R * g - L * b return profit T1_opt, T2_opt, profit_opt, x_opt, y_opt = interpret_solution(best_sample, x_list, y_list, stats) print(f"最优拒绝阈值 T1: {T1_opt}") print(f"最优自动通过阈值 T2: {T2_opt}") print(f"预估总利润: {profit_opt:.2f}")

结果分析要点：

1. 阈值合理性：检查得到的T1和T2是否在业务可接受的范围内。例如，T2是否远高于T1？如果两者非常接近，可能意味着人工审核环节的价值不大，需要反思成本C_review的设置是否合理。
2. 利润对比：与单一阈值策略、或基于业务经验的策略进行利润对比，量化优化带来的提升。
3. 稳定性测试：使用交叉验证，将数据分为训练集和测试集，在训练集上优化阈值，在测试集上验证利润。防止过拟合。
4. 敏感性分析：改变业务参数R_good,L_bad,C_review，观察最优阈值的变化。这能告诉业务方，利润对哪些参数最敏感，为调整业务策略提供依据。

5. 延伸思考与避坑指南

这道赛题像一个引子，打开了一扇门。在实际应用和比赛深化中，有几个方向值得深入。

5.1 模型复杂化：更贴近现实

1. 多张评分卡融合：现实风控往往使用多个模型（A卡、B卡、C卡）或融合多个特征。此时，决策不再是单维度的分数，而是一个多维空间。QUBO模型可以扩展，为每个维度（或每个卡）设置阈值，变量数量会急剧增加，这正是量子计算可能发挥优势的地方。
2. 审核准确率非100%：更现实的假设是人工审核或次级模型有一定误判率。这需要在目标函数中引入条件概率，使模型更复杂但更精确。
3. 引入不确定性：客户的收益和损失可能不是固定值，而是服从某种分布。可以引入随机规划或鲁棒优化的思想。

5.2 常见问题与排查技巧

1. 问题：QUBO求解结果不满足约束（如x序列不单调）。

   • 排查：首先检查惩罚系数M是否足够大。可以逐步增大M，直到所有解都满足约束。
   • 技巧：在计算目标函数利润前，先写一个校验函数，检查解的有效性。无效解直接赋予一个极差的利润值（或极高的能量值）。
   • 根源：有时是目标函数与约束惩罚的量级不匹配。可以尝试对目标函数进行缩放，使其与惩罚项处于同一数量级。

2. 问题：模拟退火结果不稳定，每次运行找到的解差异很大。

   • 排查：增加num_reads（采样次数）和num_sweeps（退火步数）。num_reads相当于从不同初始点开始多次退火，取最好结果。
   • 技巧：实施“退火计划”。不要用默认的线性降温，尝试指数降温或自定义的温度序列。初始温度要足够高，让系统能充分“探索”。
   • 进阶：考虑使用并行退火或采用更高级的元启发式算法，如禁忌搜索。

3. 问题：模型求解速度慢，尤其是分数分段很多时。

   • 优化：目标函数计算是瓶颈。利用向量化操作，避免在Python循环中进行逐分数计算。使用numpy进行矩阵运算。
   • 降维：原始分数可能有1000个点，可以先进行等频或等宽分箱，将分数段聚合到50-100个区间，大幅减少变量数。优化后再在更细的粒度上微调。
   • 硬件：使用更快的求解器，如富士通数字退火机的SDK，或调用GPU加速的模拟退火库。

4. 问题：业务方不理解或质疑QUBO/量子计算的结果。

   • 沟通：避免一上来就大谈量子比特。用他们能懂的语言：“我们使用了一种新的优化算法，可以在海量策略组合中，更快更准地找到利润最高的风控规则。”
   • 可视化：绘制利润随阈值变化的等高线图或三维曲面图，将QUBO找到的最优点标注在上面，与传统网格搜索的结果对比，直观展示其优越性。
   • A/B测试：提出小流量的线上A/B测试方案，用数据证明新策略的有效性。这是最有力的说服方式。

5.3 从赛题到现实应用的鸿沟

比赛模型是高度简化的。真实应用必须跨越几道鸿沟：

• 数据质量与分布偏移：历史数据的分布是否代表未来？模型上线后，客群变化、经济周期波动都会影响阈值效果。需要建立动态更新阈值的机制。
• 多目标权衡：我们只优化了利润。现实中还要考虑通过率、坏账率、监管合规、客户体验等多个目标。这需要引入多目标优化，甚至将部分目标作为约束条件。
• 系统集成：优化出的阈值如何集成到实时风控决策引擎中？需要一套可靠的配置管理和发布回滚机制。

这道MathorCup赛题的价值，就在于它用一个清晰的框架，揭示了组合优化在金融风控中的巨大潜力，并指明了QUBO模型这一通往未来算力（量子计算）的桥梁。它要求参赛者不仅要有扎实的数学建模和编程能力，更要有将前沿计算范式与古老金融问题相结合的想象力。处理这类问题，我个人的体会是，永远要从业务本质出发，让技术为业务目标服务，而不是相反。先用手头的数据和经典方法构建一个可靠的基线，再去探索量子启发等新方法带来的增量价值，这样的路径才最踏实，也最容易产出真正有影响力的成果。