当前位置：首页 > news >正文

数学建模竞赛实战：基于需求弹性与库存策略的商品定价与补货决策

news 2026/8/22 6:33:20

1. 从“思路更新中”到“完整解题方案”：一次C题实战复盘

每年九月的那个周末，对于全国几十万大学生来说，都是一个不眠之夜。全国大学生数学建模竞赛（国赛）的题目一发布，各大论坛、社群瞬间被“求思路”、“求代码”的帖子淹没。标题里“[C题]2023 年全国大学生数学建模比赛思路、代码更新中.....”这种状态，我太熟悉了——它精准地捕捉了比赛初期那种信息饥渴、时间紧迫、团队在黑暗中摸索的集体焦虑。作为一个从参赛者到指导者，在这个领域摸爬滚打了十多年的“老建模人”，我想抛开那些泛泛而谈的备赛指南，直接切入2023年国赛C题的核心，进行一次深度的、可复现的解题实战复盘。这不是一份简单的“思路”，而是一个完整的、从问题拆解到模型构建，再到代码实现与论文写作的闭环过程。我会重点分享我们团队当时是如何一步步拨开迷雾，将“思路更新中”的状态，最终转化为一份结构严谨、逻辑自洽的参赛论文的，其中包含大量常规教程里不会写的决策细节、工具使用的“骚操作”以及临场应对的心得。

2023年C题的主题是关于“蔬菜类商品的自动定价与补货决策”，这是一个典型的运筹学与数据分析交叉的问题，背景贴近生活，但内涵极其丰富。它要求参赛者基于超市的销售流水、商品信息以及外部批发价格数据，为蔬菜商品设计自动定价模型和补货决策模型。这道题的魅力在于，它没有标准答案，却有一条清晰的评价逻辑：你的模型是否比人工决策更赚钱、更高效？下面，我就把我们团队72小时的作战过程，拆解给你看。

2. 破题第一步：超越数据清洗，构建“业务理解”数据框架

拿到题目和数据，新手团队的第一反应往往是立刻打开Excel或Python开始清洗数据，查看缺失值和异常值。这没错，但远远不够。对于C题这种业务导向的问题，在动第一行代码之前，必须建立深刻的“业务理解”。这决定了你后续所有模型的方向和高度。

2.1 数据背后的业务逻辑链梳理

我们拿到的数据通常包括：

销售流水表：包含单品编码、销售日期、销量、售价、成本价等。
商品信息表：包含单品编码、分类编码、单品名称等。
批发价格表：包含日期、商品分类、批发价格等。

很多团队会止步于对每个表进行独立分析。我们的做法是，在编程清洗之前，先用纸笔或思维导图，画出这些数据之间的业务逻辑关系图：

核心驱动链：外部批发价波动 → 影响单品成本 → 影响定价策略 → 影响销量与损耗 → 最终决定利润。
分类层级：商品有“大类”（如蔬菜）、“中类”（如叶菜类）、“小类”（如菠菜），批发价通常在中类或小类层面。定价和补货模型必须在合适的粒度上操作。
时间维度：销售有日周期性（周末效应）、周周期性、季节性（不同蔬菜的上市季节），还有促销等事件影响。批发价也有其波动规律。

注意：题目中“可售时间”是一个关键约束。蔬菜是生鲜品，今天进货，如果未来几天卖不完就会损耗。这意味着补货决策不是一个简单的“库存低于阈值就补”，而是一个带有时间窗和损耗风险的动态规划问题。很多初期思路忽略了这一点，导致模型过于理想化。

2.2 数据清洗中的“业务化”处理

基于上述理解，我们的数据清洗就不仅仅是处理缺失值了，而是为后续模型构建特征：

关联与整合：将销售流水、商品信息、批发价表通过“单品编码”和“日期+分类编码”关联起来，形成一张包含每条销售记录对应成本（通过日期和分类映射到批发价）的宽表。
构造衍生变量：
- 毛利率：(售价 - 成本价) / 售价。这是定价模型的核心优化目标之一。
- 损耗率估算：对于没有直接损耗数据的情况，我们通过“进货量（可通过前后库存与销量反推） - 销量”来估算潜在损耗，并结合商品保质期（可售时间）赋予权重。
- 需求弹性特征：计算每个单品历史销量对价格变化的敏感度。我们采用了简化的点弹性计算方法：弹性 ≈ (销量变化百分比) / (价格变化百分比)，选取促销前后或价格明显波动的时段进行计算，作为定价模型的输入特征。
- 时间特征：不仅仅是“星期几”，我们还构造了“是否节假日”、“是否促销日”、“月度周期”等。
异常值处理的业务判断：销量为0或极高，价格异常（如成本价高于售价），这些不能简单删除或均值填充。我们需要结合业务判断：销量为0可能是缺货，也可能是确实没卖动；价格异常可能是数据录入错误，也可能是临时的清仓处理。我们的原则是：对于明显且无法解释的录入错误（如价格小数点错位），予以修正或剔除；对于可能的业务现象，将其作为一个特殊状态标志保留，在模型中予以考虑。

# 示例：构建核心数据宽表与特征（Python pandas） import pandas as pd import numpy as np # 假设已加载数据 sales_df = pd.read_csv('sales.csv') # 销售流水 goods_df = pd.read_csv('goods.csv') # 商品信息 wholesale_df = pd.read_csv('wholesale.csv') # 批发价 # 1. 关联商品信息 merged_df = pd.merge(sales_df, goods_df, on='product_id', how='left') # 2. 关联批发价（需要日期和分类匹配） # 假设批发价表有`date`, `category_mid`, `wholesale_price` # 商品信息表有`category_mid` merged_df = pd.merge(merged_df, wholesale_df, left_on=['sale_date', 'category_mid'], right_on=['date', 'category_mid'], how='left') merged_df.rename(columns={'wholesale_price': 'cost_price'}, inplace=True) # 3. 计算毛利率 merged_df['gross_margin'] = (merged_df['sale_price'] - merged_df['cost_price']) / merged_df['sale_price'] # 4. 计算简化需求弹性（示例：使用前后两天数据） # 注意：这里仅为演示逻辑，实际需更严谨的样本选择和计算 merged_df['price_change_pct'] = merged_df.groupby('product_id')['sale_price'].pct_change() merged_df['sales_change_pct'] = merged_df.groupby('product_id')['sales_volume'].pct_change() merged_df['price_elasticity'] = merged_df['sales_change_pct'] / merged_df['price_change_pct'] # 处理无穷大和缺失值 merged_df['price_elasticity'].replace([np.inf, -np.inf], np.nan, inplace=True) # 5. 构造时间特征 merged_df['sale_date'] = pd.to_datetime(merged_df['sale_date']) merged_df['day_of_week'] = merged_df['sale_date'].dt.dayofweek merged_df['is_weekend'] = merged_df['day_of_week'].isin([5, 6]).astype(int) # 假设有一个节假日列表 holiday_list = ['2023-01-01', '2023-05-01', ...] merged_df['is_holiday'] = merged_df['sale_date'].dt.strftime('%Y-%m-%d').isin(holiday_list).astype(int)

3. 定价模型：从经济学原理到可求解的数学规划

定价是C题的核心。题目要求“自动定价”，意味着模型需要根据成本、需求、库存、竞争（题目中未明确给出，但可隐含考虑）等因素，动态输出建议售价。我们放弃了复杂的机器学习黑箱模型（如神经网络），因为其可解释性差，且在有限时间内难以调优。最终选择了基于需求价格弹性的非线性规划模型，因为它有坚实的经济学基础，模型透明，且能直接与利润最大化目标挂钩。

3.1 模型建立：利润最大化视角

设对于某个单品在某天：

p为售价（决策变量）
c为成本价（已知，来自批发价）
Q(p)为需求函数，表示价格p下的预测销量
I为当前库存
T为剩余可售天数

目标：最大化当日预期利润π = (p - c) * min(Q(p), I)。但这里有个关键点：如果预测销量Q(p)大于库存I，则最多只能卖出I件，利润为(p-c)*I；如果Q(p)小于I，则全部按预测销量卖出，利润为(p-c)*Q(p)，剩余库存可能产生后续利润或损耗。

考虑到蔬菜的损耗，我们必须引入损耗成本。假设当日未售出的单位商品，在未来每天有一个固定的损耗风险概率或价值折损。为了简化，我们将多期问题转化为单期问题，通过一个损耗惩罚项来体现：如果定价过高导致销量Q(p)远小于库存I，则剩余库存I - Q(p)面临损耗风险，在目标函数中应减去一个与剩余库存成正比的惩罚成本。

因此，单日单品的定价模型可以抽象为：

Maximize: (p - c) * Sales(p) - θ * Max(0, I - Sales(p)) Subject to: p_lower <= p <= p_upper Sales(p) = min(Q(p), I) (或更精确的需求函数)

其中Sales(p)是价格p下的实际销量，θ是单位库存的损耗惩罚系数，p_lower和p_upper是价格上下限（可由市场承受度和毛利率要求设定）。

3.2 需求函数`Q(p)`的估计：弹性是关键

需求函数是模型的核心。我们采用最经典的线性需求函数：Q(p) = a - b * p。其中，a是潜在市场规模，b是价格敏感系数。b可以直接与我们之前计算的需求价格弹性E关联起来。

在某个价格点p0和销量Q0，点弹性公式为：E = (dQ/dp) * (p0/Q0) = -b * (p0/Q0)。因此，如果我们能从历史数据中估算出弹性E（在价格p0附近），并且知道该点的Q0，就可以反推出b = -E * (Q0 / p0)。进而，a = Q0 + b * p0。

# 示例：估算线性需求函数参数 def estimate_demand_function(product_data, price_col='sale_price', sales_col='sales_volume'): """ 根据单个商品的历史数据，估算线性需求函数 Q = a - b * p 的参数。 使用弹性反推法。 """ # product_data 是某个单品的历史DataFrame # 计算历史平均价格和销量作为基准点 (p0, Q0) p0 = product_data[price_col].mean() Q0 = product_data[sales_col].mean() # 计算历史价格弹性（简化：用价格和销量的相关系数乘以标准差比近似） # 更严谨的做法是用回归或选取特定时段计算 corr = product_data[[price_col, sales_col]].corr().iloc[0,1] std_price = product_data[price_col].std() std_sales = product_data[sales_col].std() if std_price > 0: E_approx = corr * (std_sales / std_price) * (p0 / Q0) else: E_approx = -0.5 # 默认弹性，实际情况需谨慎 # 反推参数 b 和 a b = -E_approx * (Q0 / p0) a = Q0 + b * p0 # 确保参数合理（需求随价格上升而下降，b应为正；a通常为正） if b < 0: b = 0.1 # 设置一个小的正数作为下限 if a < 0: a = Q0 # 用历史平均销量作为截距下限 return a, b, E_approx # 对每个单品应用此函数 demand_params = {} for pid, group in merged_df.groupby('product_id'): a, b, E = estimate_demand_function(group) demand_params[pid] = {'a': a, 'b': b, 'elasticity': E}

3.3 模型求解：解析解与数值方法

对于线性需求函数Q(p) = a - b*p，并且假设Sales(p) = Q(p)（即库存充足），利润函数π(p) = (p-c)*(a-b*p)是一个关于p的二次函数。求导令其为零，可得最优价格的解析解：p* = (a + b*c) / (2*b)，前提是p*在[p_lower, p_upper]区间内，且对应的Q(p*)非负。

然而，我们引入了库存约束I和损耗惩罚。此时，问题变为一个分段函数优化问题：

如果最优解p*对应的Q(p*) <= I，则库存充足，解析解p*仍然有效，实际销量为Q(p*)。
如果Q(p*) > I，则库存成为瓶颈。此时，利润函数变为π(p) = (p-c)*I - θ*(I - min(Q(p), I))，但注意当Q(p) > I时，第二项为0。实际上，当库存是硬约束时，最优策略往往是提价以减少需求，使其恰好等于或略低于库存，同时享受更高的单价利润。此时，问题简化为在约束Q(p) <= I下最大化(p-c)*Q(p)。代入Q(p)=a-b*p <= I，得到p >= (a-I)/b。结合价格上限，最优价格可能是p_upper，也可能是使Q(p)=I的那个价格p_I = (a-I)/b，需要比较两者利润。

更一般地，当考虑损耗惩罚时，问题没有简单的解析解。我们采用数值搜索法（如黄金分割搜索、梯度下降）在价格区间[p_lower, p_upper]内寻找使目标函数最大的p。这对于计算机来说非常高效。

# 示例：考虑库存和损耗惩罚的定价优化（数值解法） from scipy.optimize import minimize_scalar def optimize_price(cost, a, b, inventory, penalty_theta, price_low, price_high): """ 优化目标函数：利润 = (p - cost) * sales - penalty_theta * max(0, inventory - sales) 其中 sales = min(max(0, a - b * p), inventory) # 确保销量非负且不超过库存 """ def objective(p): demand = max(0, a - b * p) # 预测需求 sales = min(demand, inventory) # 实际销量 revenue = (p - cost) * sales leftover = max(0, inventory - sales) penalty = penalty_theta * leftover profit = revenue - penalty return -profit # 因为我们要最大化利润，所以取负值用于最小化函数 # 使用有界优化算法 result = minimize_scalar(objective, bounds=(price_low, price_high), method='bounded') optimal_price = result.x max_profit = -result.fun # 转回正利润 return optimal_price, max_profit # 调用示例 cost = 2.5 a = 100 b = 8 inventory = 15 penalty_theta = 0.5 # 假设每剩余一件库存产生0.5元的损耗风险成本 price_low = cost * 1.1 # 最低售价为成本价上浮10% price_high = cost * 3.0 # 最高售价为成本价3倍 opt_price, opt_profit = optimize_price(cost, a, b, inventory, penalty_theta, price_low, price_high) print(f"最优价格: {opt_price:.2f}, 预期利润: {opt_profit:.2f}")

4. 补货模型：动态规划与（s, S）策略的融合

定价决定了“怎么卖”，补货则决定了“进多少”。蔬菜补货的特殊性在于：今日补货，影响未来多日的销售与损耗。这是一个典型的动态库存问题，尤其适合用动态规划（DP）或随机动态规划来建模。但在72小时的竞赛中，实现一个完整的多物品、多期随机DP挑战巨大。我们采用了近似策略：将多期问题分解为一系列单期决策，并用（s, S）策略进行优化。

4.1 核心思想：基于需求预测的安全库存与目标库存

（s, S）策略是库存管理的经典策略：当库存水平低于再订货点s时，触发补货，将库存补充至目标水平S。我们的任务就是为每个单品（或分类）确定合适的s和S。

需求预测：首先，我们需要预测未来L天（补货提前期+可售时间窗）的需求。我们使用了时间序列模型（如 Holt-Winters 季节性模型）对每个单品的日销量进行预测。考虑到比赛时间，我们采用了更轻量的移动平均+季节性因子的方法。

# 示例：简单的需求预测（移动平均法） def forecast_demand(historical_sales, lead_time=1, seasonality=7): """ historical_sales: 历史销量序列（列表或Series） lead_time: 需要预测的未来天数 seasonality: 季节性周期（例如7天） """ # 计算最近一个周期的平均值 recent_avg = np.mean(historical_sales[-seasonality:]) # 可以考虑加入趋势或季节性调整因子，这里简化处理 forecast = [recent_avg] * lead_time return forecast

确定安全库存（s）：安全库存用于应对需求的不确定性。我们使用历史预测误差（如均方根误差 RMSE 或平均绝对偏差 MAD）来度量不确定性。设定一个服务水平（如95%的订单满足率），安全库存safety_stock = z * σ * sqrt(L)，其中z是服务水平对应的标准正态分布分位数（如95%对应1.65），σ是日需求的标准差，L是提前期。再订货点s = 提前期内的预测需求 + 安全库存。
确定目标库存水平（S）：目标库存S需要平衡持有成本、缺货成本和补货成本。一个常用的启发式方法是：S = s + Q，其中Q是经济订货批量（EOQ）。但EOQ假设需求恒定，在生鲜场景下不适用。我们将其简化为：S = 预测的未来T天（例如可售时间）的总需求 + 安全库存。这里的T需要根据商品的保质期（可售时间）和补货频率来调整。

4.2 模型整合：补货决策流程

每日补货决策流程如下：

检查当前库存I。
预测未来L+T天的需求D_forecast（L为提前期，T为计划覆盖期）。
计算再订货点s = sum(D_forecast[0:L]) + safety_stock。
计算目标库存水平S = sum(D_forecast[0:L+T]) + safety_stock。
决策：
- 如果I <= s，则触发补货，补货量order_quantity = S - I。
- 否则，不补货。
约束处理：补货量需考虑供应商最小起订量、车辆装载容量、仓库容量等。题目中可能隐含了这些约束，需要在模型中作为边界条件加入。

实操心得：在比赛中，我们并没有为每个单品单独计算复杂的s和S。而是先按商品分类（中类）进行聚类，因为同类商品的需求模式和批发价波动相似。为每个分类计算一套(s, S)参数，然后应用到该分类下的所有单品，大大减少了计算量，且结果更稳健。对于特别重要或销量大的单品（如西红柿、黄瓜），再单独微调参数。

5. 模型联调与策略评估：搭建模拟器是关键

定价模型和补货模型不是孤立的。定价影响销量，销量影响库存和补货决策；补货决策影响库存水平，库存水平又通过损耗惩罚影响定价。因此，必须将两个模型耦合起来进行评估。

5.1 构建历史数据模拟器

我们搭建了一个离散事件模拟器，以历史数据为输入，模拟运行我们设计的定价与补货策略，并计算关键绩效指标（KPIs）。

输入：历史销售流水、批发价序列、初始库存。
模拟逻辑：按时间步长（天）推进。每天，对于每个有库存的单品，根据当天的成本、库存、预测需求，运行定价模型得到建议售价（我们假设超市完全按此定价）。然后，根据这个售价和需求函数，模拟当天的销量（可加入随机扰动模拟不确定性）。接着，更新库存。最后，运行补货模型，决定是否补货及补货量（假设补货立即到货，或考虑固定提前期）。
输出：整个模拟周期内的总销售额、总成本、总利润、平均毛利率、库存周转率、损耗率等。

# 示例：简化模拟器框架 class SupermarketSimulator: def __init__(self, historical_data, demand_params_dict, pricing_func, replenishment_func): self.data = historical_data.sort_values('sale_date') self.demand_params = demand_params_dict self.pricing_func = pricing_func # 定价函数 self.replenish_func = replenishment_func # 补货函数 self.inventory = {} # 当前库存 {product_id: quantity} self.results = [] def run_simulation(self, start_date, end_date, initial_inventory): self.inventory = initial_inventory.copy() current_date = start_date while current_date <= end_date: daily_data = self.data[self.data['sale_date'] == current_date] if daily_data.empty: # 没有销售记录的日子，只进行补货决策 self._make_replenishment(current_date) current_date += pd.Timedelta(days=1) continue daily_profit = 0 daily_sales_volume = 0 for _, row in daily_data.iterrows(): pid = row['product_id'] cost = row['cost_price'] if pid not in self.inventory or self.inventory[pid] <= 0: continue # 无库存可售 # 1. 定价决策 a, b = self.demand_params[pid]['a'], self.demand_params[pid]['b'] opt_price, _ = self.pricing_func(cost, a, b, self.inventory[pid], ...) # 2. 模拟销售（加入随机噪声） predicted_demand = max(0, a - b * opt_price) # 简化：实际销量为预测需求与库存的较小值，并加10%的随机波动 actual_sales = int(min(predicted_demand, self.inventory[pid]) * np.random.uniform(0.9, 1.1)) actual_sales = max(0, actual_sales) # 3. 更新库存和利润 self.inventory[pid] -= actual_sales profit = (opt_price - cost) * actual_sales daily_profit += profit daily_sales_volume += actual_sales # 每日结束后，进行补货决策 self._make_replenishment(current_date) self.results.append({ 'date': current_date, 'daily_profit': daily_profit, 'daily_sales': daily_sales_volume, 'total_inventory': sum(self.inventory.values()) }) current_date += pd.Timedelta(days=1) return pd.DataFrame(self.results) def _make_replenishment(self, date): # 调用补货函数，更新 self.inventory # 这里需要根据补货模型计算补货量 pass

5.2 策略对比与参数调优

模拟器的最大价值在于可以进行对比实验和参数调优。

基准策略：可以设定一个简单的基准策略，如“成本加成定价”（售价=成本*固定系数）和“定期定量补货”。用模拟器计算其历史表现。
我们的策略：运行我们设计的定价+补货模型，得到模拟结果。
对比指标：比较总利润、利润率、库存周转率、服务水平（不缺货率）等。我们的目标不仅是总利润更高，还要保证策略的稳健性（利润波动小）和可行性（补货频率和批量合理）。

通过模拟器，我们可以对模型中的关键参数进行调优，例如定价模型中的损耗惩罚系数θ，补货模型中的服务水平z和计划覆盖期T。可以采用网格搜索或启发式方法，寻找使模拟总利润最大化的参数组合。

6. 论文写作与可视化：讲好一个逻辑闭环的故事

数学建模竞赛，模型和代码只占一半分数，另一半在于论文——你如何清晰、严谨、有说服力地展示你的工作。

6.1 论文结构骨架

摘要：重中之重！用一段话概括问题、你的方法、模型、算法和主要结论。必须包含关键指标的具体数值提升（如“相比基准策略，总利润提升XX%”）。
问题重述与分析：不要照抄题目。用自己的话梳理问题的背景、目标、约束条件和难点。画出逻辑关系图。
模型假设与符号说明：列出所有重要假设，并说明其合理性。制作清晰的符号说明表。
数据分析与预处理：展示你对数据的深刻理解。包括数据概览、分布可视化、异常值处理、特征工程（如弹性计算）的过程和结果图表。
模型建立：
- 定价模型：详细推导目标函数、约束条件，解释需求函数估计方法，给出解析解或数值解法流程。
- 补货模型：阐述（s, S）策略在此问题上的应用，说明需求预测、安全库存、目标库存的计算方法。
- 模型耦合：说明两个模型如何协同工作，可以用一个流程图展示每日决策流程。
模型求解与模拟：介绍模拟器的设计、参数设置、基准策略。展示参数调优的过程（如θ和z对利润的影响曲面图）。
结果分析：这是展示你工作价值的核心部分。
- 整体效果：用表格和对比柱状图展示你的策略 vs 基准策略在总利润、平均毛利率等核心指标上的表现。
- 典型商品分析：选取几个有代表性的商品（如高销量、高损耗、价格敏感），展示在你的策略下，其价格、销量、库存的动态变化曲线图。
- 敏感性分析：改变关键假设（如需求预测误差增大、批发价波动加剧），测试模型的鲁棒性。
- 策略建议：基于模型结果，给超市管理者几条具体、可操作的建议（例如，“对于菠菜这类损耗快的叶菜，建议采用更高的损耗惩罚系数，实行‘少进快销’策略”）。
模型评价与推广：客观评价模型的优点（如考虑因素全面、可解释性强）和局限性（如对历史数据质量依赖高、未考虑竞争对手定价），并提出可能的改进方向（如引入机器学习预测、考虑多商品联合补货）。
参考文献与附录：规范引用。附录可放置核心代码片段、大量中间结果表格。

6.2 可视化技巧

一图胜千言：多用组合图。例如，用双Y轴图表同时展示某个商品的价格曲线和销量曲线，直观显示价格弹性。
热力图：展示不同商品分类在不同参数下的利润表现，用于参数调优分析。
流程图：清晰地展示你的整体建模思路和决策流程。
表格要精炼：只放最重要的汇总结果。详细数据放在附录。

踩坑实录：我们第一次模拟结果，总利润反而比基准策略低。排查后发现，是定价模型中的损耗惩罚系数θ设置过高，导致系统过于保守，宁愿低价倾销也不愿承受任何库存风险，虽然损耗降低了，但整体毛利大幅下滑。通过模拟器进行参数扫描，我们找到了一个平衡点，使利润最大化。这个过程及其分析，成为了我们论文结果分析部分的一个亮点，体现了模型调优的价值。

从看到“[C题]思路更新中....”的茫然，到建立起包含数据分析、定价模型、补货模型、模拟评估的完整框架，这72小时是对团队知识储备、编程能力和应变能力的极限考验。回顾这次实战，最深的体会是：数学建模竞赛不是比谁的模型最高深，而是比谁对问题的理解更透彻，谁的解决方案更完整、更自洽、更能用数据和逻辑说服人。不要沉迷于炫技般的复杂算法，把基础模型（如线性规划、时间序列、（s, S）策略）用扎实、用透彻，并巧妙地组合起来解决实际问题，往往能取得更好的效果。最后，一定要留足时间给论文写作和检查，一篇逻辑清晰、图表美观的论文，是赢得评委青睐的关键。

查看全文

http://www.cnnetsun.cn/news/4150745.html