数学建模实战：基于需求预测与动态优化的生鲜商品定价补货决策

1. 项目概述：从“卖菜”到“算菜”的决策革命

去年国赛C题“蔬菜类商品的自动定价与补货决策”，乍一看像是个超市运营问题，但内核其实是一场对数据驱动决策能力的综合大考。我身边不少参赛队伍，包括我带的学生，一开始都低估了它的难度，以为就是套几个预测模型、算个经济订货批量（EOQ）就完事了。结果一上手才发现，从一堆看似杂乱无章的销售流水和损耗数据里，理出定价和补货的逻辑，再把它变成一个能自圆其说的数学模型，每一步都是坑。

这道题的核心，是要求我们扮演一个“智能店长”的角色。给你过去三年多某个超市各种蔬菜的销售明细，包括每天卖了什么、卖了多少钱、损耗了多少，还有简单的成本信息。你的任务就两个：第一，建立模型，给未来一周的蔬菜定个合理的价；第二，告诉采购员，每天每种菜该进多少货。听起来是不是挺接地气？但“合理”二字背后，需要平衡的要素太多了：你要保证超市有得赚（利润），不能让货架空着（满足需求），还得尽量减少菜烂在仓库里（控制损耗），同时价格不能太离谱，把顾客吓跑。

这绝对不是简单的“进价加20%”或者“昨天卖多少今天就进多少”。它考察的是对商业逻辑的理解、对时间序列数据的处理能力、对优化模型的构建技巧，以及如何将复杂的现实问题抽象成数学语言的能力。接下来，我就结合我们当时的解题思路和赛后复盘，把这道题从问题理解、模型构建到编程实现的完整链条拆解清楚，希望能给未来备战数模，尤其是涉及运营优化类题目的同学一些实实在在的参考。

2. 问题拆解与核心思路：把大问题切成小块

面对这种多目标、多约束的决策问题，最忌讳的就是想用一个“大而全”的模型一口吃成胖子。我们的策略是“分而治之”，将定价和补货这两个强相关的决策，分解成相对独立又相互衔接的模块来处理。

2.1 定价决策：寻找市场均衡点

定价不是孤立的，它直接受供需关系影响。我们的核心思路是：需求预测驱动定价。也就是说，我们先要尽可能准确地预测出未来一段时间（题目要求是未来一周）每种蔬菜的需求量，然后基于预测的需求、成本以及我们希望达到的商业目标（如利润最大化、损耗最小化等），来反推出一个“最优”价格。

这里的关键在于，需求本身又是价格的函数——菜卖得贵，买的人可能就少；卖得便宜，可能就抢得快。这就形成了一个“价格-需求”的反馈环。因此，一个更精细的模型需要考虑需求的价格弹性。简单来说，就是价格变动1%，需求量会变动百分之几。对于蔬菜这种生活必需品，弹性可能较小；但对于一些可有可无的“精品蔬菜”，弹性可能就比较大。在题目数据有限的情况下，我们可以通过历史数据中价格与销量的变化关系，粗略估计出每种蔬菜的需求弹性系数，这能让我们的定价模型更贴近现实。

定价模型的目标函数通常是最大化日均利润或综合收益。约束条件包括：价格不能低于成本（否则亏本），不能高于某个上限（避免无人问津），以及价格变动最好平滑，避免今天白菜1块明天5块吓跑顾客。我们最终构建了一个以预测需求为基础，纳入成本、损耗成本和需求弹性的非线性规划模型来求解每日最优价格。

2.2 补货决策：在库存的钢丝上跳舞

补货决策与定价紧密相连，因为定价影响了需求预测，而需求预测直接决定了补货量。补货的核心矛盾是库存成本与缺货成本的权衡。进多了，卖不完就损耗，占用资金和冷库空间；进少了，货架空空如也，错过销售机会，顾客满意度下降。

我们采用了经典的报童模型思想的扩展。报童模型解决的是单周期、不确定需求下的最优订货量问题，其精髓是找到一个“临界点”，使得最后一单位产品被卖出的概率等于其“成本-收益比”。对于蔬菜这种多周期、每天都要决策的情况，我们需要一个动态的视角。

我们的补货模型分两步走：

1. 确定安全库存：考虑到需求预测总有误差，我们需要准备一部分“安全库存”来缓冲不确定性。安全库存的水平取决于需求波动的程度（标准差）和我们希望达到的服务水平（比如希望95%的日子不脱销）。
2. 计算每日订货量：每日订货量 = （未来几天的预测需求之和 + 安全库存） - 当前库存。这里“未来几天”就是补货提前期。题目中假设当天订货当天凌晨到货，所以提前期可以视为0，公式简化为：订货量 = 预测的次日需求量 + 安全库存 - 当前库存。如果算出来是负数，则说明库存充足，不需要订货。

注意：这里有一个巨大的坑，就是损耗。蔬菜不是工业品，它每天都在变质。因此，“当前库存”不是一个固定值，你需要根据历史损耗率，预估从当前到次日销售前的库存损耗，用净库存来计算订货量。很多队伍忽略了这一点，导致补货模型在模拟时库存虚高。

2.3 定价与补货的联动迭代

定价和补货不是一次性算完就完事的，它们需要在一个模拟系统中迭代。我们的整体框架是这样的：

1. 基于历史数据，初始化模型参数（如需求弹性、损耗率、需求波动率）。
2. 对于未来要模拟的每一天：
   • 步骤一（定价）：输入当前的库存、成本等信息，结合需求预测模型（该模型考虑了历史价格的影响），运行定价优化模型，得出当天的推荐售价P_t。
   • 步骤二（需求预测更新）：将推荐售价P_t代入需求函数，得到基于新价格调整后的当日需求预测值D_t。
   • 步骤三（补货）：基于调整后的需求预测D_t、当前实际库存I_t和安全库存水平，运行补货模型，得到当日订货量Q_t。
   • 步骤四（模拟运营）：在模拟环境中，执行销售（销售量受实际需求随机性影响）、损耗（按比例减少库存）、到货（增加库存Q_t）等操作，更新库存状态至I_{t+1}。
   • 将t+1，重复步骤一至四。

这个动态模拟的过程，能让我们评估一套定价-补货策略在较长时期内的综合表现（总利润、平均损耗率、缺货率等），也是我们论文中需要展示的关键部分。

3. 核心模型构建与技术选型详解

思路理清了，接下来就是选用什么“数学工具”来实现。国赛论文看重模型的合理性与创新性，一味堆砌复杂模型不如把基础模型用得巧妙。

3.1 需求预测模型：ARIMA与回归的组合拳

需求预测是整个决策系统的基石。题目给出的数据是典型的销售时间序列数据，存在明显的趋势（如季节性、节假日效应）和随机波动。我们采用了组合预测的思路，以提升鲁棒性。

主力模型：季节性ARIMA (SARIMA)对于表现出明显周期性（如每周周期）的蔬菜销量，SARIMA模型是首选。它的优势在于完全基于数据自身的历史规律进行预测，不依赖外部变量。我们使用Python的statsmodels库进行建模，关键步骤包括：

1. 平稳性检验与差分：用ADF检验判断序列是否平稳。对于非平稳序列（通常都有趋势或季节项），通过差分（d阶）和季节性差分（D阶）使其平稳。例如，对于日数据，季节性周期S=7，一阶季节性差分就能很好地消除周效应。
2. 模型识别（p, q, P, Q）：观察差分后序列的自相关图（ACF）和偏自相关图（PACF），初步确定自回归阶数p、移动平均阶数q，以及它们的季节性分量P、Q。
3. 模型拟合与评估：用网格搜索寻找最优的(p,d,q)(P,D,Q,S)参数组合，以AIC或BIC信息准则最小化为目标。拟合后，需检验残差是否为白噪声（Ljung-Box检验），确保模型已充分提取信息。

辅助模型：多元线性回归SARIMA虽好，但它是“盲预测”，不知道明天是不是国庆节、是不是暴雨天。为了纳入这些外生因素，我们同时建立了一个多元线性回归模型。特征工程是关键：

• 核心特征：前1天、前7天、前30天的销量（滞后项），捕捉自相关性和周期。
• 价格特征：当日价格、与前一日价格的比例，用于捕捉需求弹性。
• 时间特征：星期几（哑变量）、是否为节假日、月份。这部分需要自己根据日期信息构建。
• 交互特征：例如“节假日*星期几”，可能产生特殊的消费模式。

最终，我们将SARIMA的预测结果和回归模型的预测结果进行加权平均（权重可通过历史预测误差的倒数来确定），作为最终的需求预测值。这种组合能在利用时间序列内在规律的同时，响应外部事件的变化。

3.2 定价优化模型：一个带约束的非线性规划

定价模型的目标是最大化单日利润。对于第i种蔬菜在第t天：

• 预测需求量D_{it}是价格P_{it}的函数：D_{it} = f(P_{it})。我们采用线性需求函数：D_{it} = a_i - b_i * P_{it}，其中a_i是潜在最大需求，b_i是需求弹性系数，可从历史数据回归得到。
• 成本C_{it}包括进货成本和预估的损耗成本。损耗成本可表示为(损耗率 * 库存 * 单位成本)。
• 因此，单日利润π_{it} = (P_{it} - C_{it}) * D_{it}。

定价优化模型可以表述为：

Maximize: Σ_i π_{it} （总利润最大化，或考虑加权） Subject to: 1. P_{it} >= C_{it} * (1 + 最低利润率) // 价格下限，保证不亏本 2. P_{it} <= 市场最高接受价格（可通过历史最高价或竞品价设定） // 价格上限 3. |P_{it} - P_{i,t-1}| / P_{i,t-1} <= δ // 价格波动约束，δ可取5%-10%，保持价格稳定 4. D_{it} >= 最低展示量 // 保证每日有足够销量，维持货架陈列

这是一个带约束的非线性规划问题（因为利润函数是价格的二次函数）。对于参赛而言，由于蔬菜种类多但模型结构相同，我们可以对每种蔬菜独立求解。使用Python的scipy.optimize.minimize（求负利润的最小值）可以方便地求解，记得选择支持约束的算法如SLSQP。

3.3 补货优化模型：引入损耗率的动态报童模型

经典的报童模型最优订货量Q*满足：F(Q*) = (p - c) / (p - s)。其中p是售价，c是成本，s是残值（对蔬菜而言，s通常为0或处理价），F是需求分布的累积分布函数。

我们需要对这个模型进行两项关键改造以适应蔬菜补货：

1. 引入损耗：蔬菜的“有效库存”会随时间减少。假设每日损耗率为θ，那么今天订货Q_t，到明天销售时，实际可售库存约为Q_t * (1 - θ)。因此，在计算订货量时，我们需要用净需求来思考。调整后的临界分位数公式变为：F(Q*) = (p - c) / (p * (1 - θ))。分母中的p*(1-θ)可以理解为考虑损耗后的“有效售价”。
2. 动态安全库存：安全库存SS = z * σ。其中z是服务水平对应的Z值（如95%服务水平对应z≈1.65），σ是预测误差的标准差。我们可以在滚动预测的过程中，动态计算最近一段时间预测误差的标准差，从而使安全库存量能适应需求波动性的变化。

最终的每日补货决策逻辑如下：

当前库存 I_t 次日需求预测 D_{t+1}（来自组合预测模型） 需求预测误差的标准差 σ_t 服务水平对应的Z值 z 每日损耗率 θ_i (按品类) 计算考虑损耗后的净需求预测：D_net = D_{t+1} / (1 - θ_i) 计算安全库存：SS = z * σ_t 计算目标库存水平：TIL = D_net + SS 计算订货量：Q_t = max(0, TIL - I_t)

这个Q_t就是模型推荐的补货量。它既考虑了未来的需求，也考虑了需求的不确定性和库存自身的衰减，是一个相对稳健的策略。

4. 数据预处理与特征工程：磨刀不误砍柴工

原始销售数据往往充满“噪音”，直接喂给模型效果会很差。数据预处理和特征工程是决定模型上限的关键环节，这部分工作可能占整个项目时间的40%以上。

4.1 异常值检测与处理

销售数据中常出现异常值，比如因系统错误记录的巨额销量（如9999），或因促销、断货导致的销量骤升骤降。

• 方法1（统计方法）：对于每个单品的历史销量，计算其均值μ和标准差σ，将超出μ ± 3σ范围的数据视为异常值。可以用前后两天的均值进行平滑替换。
• 方法2（业务规则）：结合损耗数据判断。如果某天销量为0但损耗量巨大，很可能是当天缺货，这个“0”是真实的，不应视为异常。如果某天销量远高于正常水平且无促销记录，则可能是异常。
• 处理：对于确认为异常的数据点，我们通常采用线性插值或前后窗口均值的方法进行填补，而不是简单删除，以保持时间序列的连续性。

4.2 缺失值填补

某些天可能完全没有某种蔬菜的记录（销量、损耗均为空）。

• 连续少量缺失：同样采用线性插值或季节性插值。
• 连续多日缺失：这可能意味着该商品在该时段未上架。此时，不宜强行填补销售数据。更合理的做法是，在模型训练和预测时，将这部分时间段从该商品的数据中剔除，或将其视为一个独立的“商品未上架”状态，在补货决策时直接建议订货量为0。

4.3 关键特征构建

这是提升预测模型性能的核心。除了之前提到的滞后项、价格比、时间特征外，还有一些高级特征值得尝试：

• 滚动统计特征：过去7天销量的均值、标准差、最大值、最小值。这能捕捉需求的近期水平和波动情况。
• 事件标志：不仅仅是法定节假日，还可以构建“周末前一日”（周五）、“节假日调休工作日”等标志。
• 品类聚合特征：对于单个蔬菜，可以引入同大类蔬菜（如叶菜类、根茎类）的整体销量均值作为特征，反映品类层面的趋势。
• 天气特征（如果数据允许）：温度、降水量等对蔬菜需求影响显著。虽然本题未提供，但在论文中可以将其作为模型可扩展性的一个讨论点。

4.4 数据标准化与编码

• 数值特征（如销量、价格）：由于后续的回归模型和优化求解对尺度敏感，建议进行标准化（Z-score）或归一化（Min-Max）。
• 类别特征（如星期几、月份）：使用独热编码（One-Hot Encoding），避免引入错误的序关系。

实操心得：特征工程不是一蹴而就的。我们采用了一个“循环测试”的方法：先构建一组基础特征训练模型，得到预测结果和特征重要性排名；然后分析预测误差较大的样本点，思考是否遗漏了某些影响因素，据此设计新的特征；再加入新特征重新训练，观察性能是否提升。这个过程反复进行，直到预测精度达到一个稳定且可接受的水平。

5. 模型求解、模拟与结果分析

模型建好了，接下来就是让它们跑起来，并评估效果。我们使用Python搭建了一个完整的模拟系统。

5.1 编程实现框架

我们主要依赖以下Python库：

• pandas,numpy: 数据处理和矩阵运算的基石。
• statsmodels: 用于构建ARIMA/SARIMA模型。
• scikit-learn: 用于构建线性回归等机器学习模型，以及进行数据标准化、特征工程。
• scipy.optimize: 用于求解定价优化模型。
• matplotlib,seaborn: 用于结果可视化。

模拟流程的伪代码结构如下：

# 1. 数据加载与预处理 data = load_and_clean_data('sales_data.csv') data = create_features(data) # 构建所有特征 # 2. 划分训练集和测试集（最后一段时间用于模拟测试） train_data = data[data['日期'] < '2023-06-01'] test_start_date = '2023-06-01' simulation_days = 30 # 3. 初始化模型和参数 for 每种蔬菜 in 蔬菜列表: 训练 SARIMA模型(训练数据) 训练 回归模型(训练数据) 计算 需求弹性系数b, 平均损耗率θ, 需求波动率σ # 4. 开始多周期滚动模拟 results = [] current_inventory = 初始库存 for day in range(simulation_days): current_date = test_start_date + timedelta(days=day) daily_decisions = {} for 每种蔬菜 in 蔬菜列表: # 步骤A：定价 输入 = [当前库存， 成本， 历史价格， 历史销量...] 最优价格 = solve_pricing_model(输入) # 调用scipy优化器 # 步骤B：更新需求预测 调整后需求 = demand_function(最优价格) # 使用带价格弹性的需求函数 # 步骤C：补货 订货量 = calculate_order_qty(调整后需求， 当前库存， 安全库存， 损耗率) # 步骤D：记录决策 daily_decisions[蔬菜] = {'价格': 最优价格， '订货量': 订货量} # 步骤E：模拟当日运营（销售、损耗、到货） 实际销量 = simulate_sales(调整后需求) # 加入随机扰动 损耗量 = current_inventory * 损耗率 + 订货量 * 在途损耗率 当前库存 = current_inventory - 实际销量 - 损耗量 + 订货量 # 记录本日总体指标 本日总利润 = sum(每种蔬菜利润) 本日总损耗率 = sum(损耗成本) / sum(销售成本+进货成本) results.append({‘日期’: current_date, ‘决策’: daily_decisions, ‘总利润’: 本日总利润， ‘损耗率’: 本日总损耗率})

5.2 结果可视化与解读

模拟结束后，不能只扔出一堆数字，必须用图表说话，直观展示策略效果。

1. 利润趋势图：绘制模拟期间每日总利润的折线图。观察利润是否稳定，有无周期性波动，整体趋势是上升还是下降。与使用简单策略（如固定利润率定价、按昨日销量补货）的模拟结果进行对比，突出优化策略的优势。
2. 库存水平图：选择几种代表性蔬菜，绘制其模拟期间每日库存水平的曲线。健康的库存曲线应该围绕安全库存水平上下波动，避免长期处于高位（高损耗风险）或频繁触底（高缺货风险）。
3. 价格-销量散点图：对于主要蔬菜，绘制其模拟期内价格与销量的散点图，并叠加拟合的需求曲线。这可以直观验证需求弹性模型的合理性，看数据点是否大致沿反比例趋势分布。
4. 关键指标对比表：制作一个清晰的表格，对比优化策略与基线策略在多个核心指标上的表现。

这样的对比能强有力地证明模型的价值。

5.3 敏感性分析与模型鲁棒性讨论

一个好的模型不仅要结果好，还要经得起推敲。我们需要测试模型在不同条件下的稳定性。

• 参数敏感性：比如，需求弹性系数b估计有误差怎么办？我们在其估计值附近（如±20%）进行扰动，重新运行模拟，观察总利润等关键指标的变化幅度。如果变化平缓，说明模型对参数不敏感，鲁棒性好；如果变化剧烈，则说明模型依赖精确参数，在实际应用中风险较高。
• 外部冲击测试：模拟一些极端情况，比如某热门蔬菜突然因舆情导致需求腰斩，或者进货成本短期暴涨20%。观察模型能否通过调整价格和补货量快速适应，还是会导致库存积压或利润暴跌。这体现了模型的适应能力。
• 策略对比分析：除了和简单基线比，还可以设计其他策略，如“仅优化定价，补货按经验”、“仅优化补货，定价按成本加成”，然后与我们的“联合优化”策略对比。这样可以量化出定价优化和补货优化各自带来的贡献，让分析更有层次。

6. 论文写作要点与常见陷阱规避

数学建模竞赛，“建模”和“论文”各占半壁江山。模型再好，表达不清也拿不到高分。

6.1 论文结构规划

一篇完整的数模论文，结构要清晰，逻辑要闭环。

1. 摘要：重中之重！用一段话浓缩全部精华。必须包含：问题重述（用自己话）、建模思路（用什么方法解决什么问题）、主要模型（名称）、求解方法、关键结论（主要数值结果）和模型特色（创新点）。控制在300-500字，字字珠玑。
2. 问题重述与分析：不要照抄题目。用自己的语言梳理问题的背景、目标和约束条件。画出逻辑框图来展示你对问题的分解思路（定价、补货、关联），这能让评委一眼看清你的思考脉络。
3. 模型假设：合理的假设是简化问题的关键。假设要具体、合理、必要。例如：“假设同一品类内不同单品蔬菜的需求模式相似，可共享部分模型参数”；“假设损耗主要发生在仓储环节，且每日损耗率相对稳定”；“假设短期内市场容量和消费者偏好不变”。避免出现“假设数据完全准确”这类不切实际的假设。
4. 符号说明：将文中用到的主要变量、参数，用三线表列出，注明含义和单位。规范清晰，方便查阅。
5. 模型建立与求解：这是论文主体。对应之前思路拆解的各个部分，分小节详细阐述。每个模型都要讲清：为什么用这个模型（理由）-> 模型具体形式（公式）-> 模型中参数如何确定（如回归得到、统计得到）-> 模型如何求解（算法、软件）。公式要编号，推导过程可以放在附录。
6. 模型检验与结果分析：展示模拟结果、对比图表和敏感性分析。分析要深入，不能只说“利润提高了”，要说“利润提高了X%，主要原因是定价模型通过需求弹性挖掘了高端蔬菜的溢价空间，同时补货模型将损耗率降低了Y%，两者共同作用...”。
7. 模型评价与推广：客观评价自己模型的优点（如综合考虑多因素、动态联动）和缺点（如未考虑竞争对手定价、假设损耗率固定）。提出可行的改进方向（如引入机器学习预测、结合天气数据）。将模型推广到其他类似场景（如生鲜电商、便利店货品管理）。
8. 参考文献与附录：参考文献格式要规范。附录可以放核心代码片段、大量中间结果表格、详细的数据预处理步骤等。

6.2 常见陷阱与避坑指南

根据评审经验和赛后交流，以下几个坑踩中了很容易失分：

• 误区一：预测模型追求绝对精度，忽视业务逻辑。一味追求预测误差最小化，用了非常复杂的LSTM、XGBoost，但模型可解释性差，且预测出的未来需求可能为负数，这显然不符合业务常识。在数模中，合理比复杂更重要。一个能清晰解释、结果符合常识的线性回归或ARIMA，往往比一个黑箱的复杂模型得分更高。
• 误区二：定价与补货模型割裂。分别建立了定价模型和补货模型，但两者之间没有数据流交互。在论文中表现为两个独立的章节，没有说明“定价模型输出的价格如何影响补货模型的输入需求”。必须强调并展示二者的联动迭代过程，这是本题的核心考点之一。
• 误区三：忽略损耗或处理不当。很多队伍只在计算成本时考虑了损耗，但在补货决策时，用的还是原始需求预测和原始库存，没有将损耗作为库存的“减项”动态考虑进去。这会导致补货量系统性偏高。必须在补货公式中明确体现损耗率的影响。
• 误区四：模型求解部分一笔带过。只说“我们使用Python求解”，这是不够的。需要说明用了哪个库的哪个函数（如scipy.optimize.minimize(method=‘SLSQP’)），关键参数如何设置，为什么选择这个算法（如SLSQP适合处理带约束的非线性规划）。这体现了你真正实现了模型，而不只是空谈理论。
• 误区五：结果分析空洞，没有对比。只给出了自己模型运行的结果，没有与任何基准策略进行比较。无法证明你的模型是“优”的。至少设计一个“凭经验决策”的基线模型进行对比，才能凸显优化价值。
• 误区六：论文像实验报告，缺乏逻辑主线。论文不是代码说明书，不能堆砌公式和图表。要用文字串联起整个故事：我们遇到了什么问题 -> 我们是如何分解问题的 -> 针对每个子问题我们选择了什么模型及原因 -> 这些模型如何连接成一个系统 -> 这个系统运行效果如何 -> 它好在哪里，还有何不足。保持强烈的逻辑递进关系。

最后，在模拟测试时，我们曾因为初始安全库存设置过低，导致模拟前几天频繁缺货，拉低了整体利润。后来我们调整策略，在模拟初期采用一个较高的安全库存系数，运行一段时间待模型“热身”后再切换到动态计算的安全库存，有效解决了启动阶段的震荡问题。这个小技巧背后体现的是对模型实际应用场景的深入思考，也成为了我们论文中一个不错的亮点。数学建模从来都不是纯粹的数学游戏，它是用数学工具解决实际问题的艺术，理解问题本身，往往比推导公式更重要。