一、产量最高不等于赚钱最多

农业 AI 最常见的交付物是「产量预测模型」。 它能回答「这块地能打多少粮」，但经营决策要问的是「我该施多少肥」。 这两个问题差得很远。 差别在于价格。 产量上去了，市场上的供给就多了，价格就下来了——这是最基础的供需关系， 但在单块地的决策里很容易被忘掉。 于是出现一个悖论式的结论： 你越努力把产量推到极限，单位重量的售价就越低，最后利润可能还不如少施点肥。 Demo 用一个很朴素的模型演示这件事： 产量响应是 800 乘（1 减 exp（负施肥量除以 60）），价格是 3.0 乘（1 减 产量 除以 3000）， 肥料每公斤 5.5 元。 这三条式子都是公开的农学与经济学习惯写法，参数是我设的。 然后枚举 0 到 200 公斤的施肥量，找产量最大点和利润最大点。

二、两个最优点差了 113 公斤肥

三、换个合同，答案就变了

最后一行是最有意思的：如果价格钉死在 5 元（比如订单农业保底收购）， 最优施肥量立刻变成 150 公斤。 比随行就市时的 87 公斤多出 72%。 同一个模型、同一块地，合同形式变了，最优决策就变了。 这说明决策的输入不只是模型输出，还有市场结构。 这一条对农业 AI 的产品设计有直接影响： 如果客户是「随行就市」的散户，模型要接价格预测； 如果客户是「订单农业」的合作社，模型只需要产量曲线。 同一个算法，两种产品形态。 还有个更细的点：价格钉死时，最优点是个「角点问题」的边缘。 因为价格不随产量变，边际收益就是常数乘边际产量， 所以最优条件是「边际产量等于肥料价格除以售价」——这是一个闭式解，连搜索都不用。

四、落地：三个输入缺一不可

① 产量响应曲线。 这是唯一需要机器学习拟合的部分， 而且它必须带「边际递减」的形状——线性模型会给出「一直施肥一直赚」的错误结论。 ② 价格弹性。 这一项最容易被忽略。很多农业 AI 产品默认「价格不变」， 那等于假设这块地的产量不影响市场——只有在大市场里才近似成立。 ③ 成本结构。 肥料只是显性成本；还有人工、水电、机械折旧。 而这几项往往是固定的，不随施肥量变——所以它们只影响「种不种」，不影响「施多少」。 把这三层分开算，有一个实际好处： 可以分别告诉客户「你的产量还有多少提升空间」和「按当前价格你该施多少」—— 后者往往比前者更能立刻省钱。 最后一句：农业智能化的第一课不是「让产量更高」，是「让决策更对」。 这两个目标在价格有弹性的时候，甚至是冲突的。

五、动手 Demo：施肥决策：产量最大化施 200 公斤，利润最大化只施 87 公斤

用「800 乘（1 减 exp（负施肥量除以 60））」当产量响应， 「3.0 乘（1 减 产量除以 3000）」当价格（产量越高价越低），肥料 5.5 元一公斤。 枚举 0 到 200 公斤的施肥量，分别找产量最大点与利润最大点； 再把价格钉死在 5 元重算一遍，看最优施肥量怎么变。

def yield_of(x):          # 边际递减的产量响应
    return 800.0 * (1.0 - np.exp(-x / 60.0))

def price_of(y):          # 产量越高，价格越低
    return 3.0 * (1.0 - y / 3000.0)

def profit(x, fixed=None):
    y = yield_of(x)
    p = fixed if fixed else price_of(y)
    return p * y - 5.5 * x

x_yield = xs[int(np.argmax(yield_of(xs)))]
x_prof  = xs[int(np.argmax(profit(xs)))]

实跑输出：

--------------------------------------------------------------------
施肥决策：产量最大化施 200 公斤，利润最大化只施 87 公斤
--------------------------------------------------------------------
  产量响应                 800 × (1 - exp(-施肥量 / 60))
  价格                     3.0 × (1 - 产量 / 3000)，产量越高价越低
  肥料成本                 每公斤 5.5 元
  决策变量                 每亩施肥量，0 到 200 公斤

  策略                施肥(公斤)   产量   售价   每亩利润
  ------------------------------------------------------
  不施肥                       0      0   3.00          0
  产量最大化                 200    771   2.23        619
  利润最大化                  87    612   2.39        984
  固定价 5 元时最优          150    734   5.00       2847

  **先看「产量最大化」那一行：施 200 公斤，产量 771。**
  **再看「利润最大化」：只施 87 公斤，产量 612——少了 159。**
  **但利润从 619 涨到 984。**
  **为什么？因为产量高了，价格就下来了。**
  看「售价」那一列：产量最大化时是 2.23 元，利润最大化时是 2.39 元。
  **多打的那些粮食，把价格自己打下来了——这是农业里最典型的一条经济学事实。**
  **所以「预测产量」和「决定施多少肥」是两个完全不同的问题。**
  **一个只要模型准，一个要懂价格和成本怎么联动。**
  最后一行对比很有意思：**如果价格钉死在 5 元（比如订单农业保底收购），**
  **最优施肥量就是 150 公斤，比随行就市时的 87 公斤多出 72%。**
  **同一个模型、同一块地，合同形式变了，最优决策就变了。**
  **这说明决策的输入不只是模型输出，还有市场结构。**
  要说明：产量响应曲线、需求曲线的系数都是我**设的**。
  **真实农业里还有土壤差异、品种差异、天气风险、储存损耗。**
  **但「产量最优不等于利润最优」这个结论，在任何一个有价格弹性的市场里都成立。**

这张表最重要的一行其实是最后一行。 因为价格钉死之后，最优施肥量从 87 跳到 150——多出七成。 这说明「最优点」不是产量的属性，是「产量加市场」的属性。 换句话说：没有脱离市场的农艺建议。 中间两行的对比也有个容易看漏的地方：产量只少了 20.6%，利润却多了 59%。 因为产量减少省下的肥料钱是实打实的，而少卖的那部分粮是按低价卖的。 这一条可以推广成一个判据：只要你的产出会影响价格，「把产量推到极限」就一定不是最优。 它适用于农业，也适用于任何有价格弹性的生产决策。 要说明：产量响应曲线、需求曲线的系数都是我设的。 真实农业里还有土壤差异、品种差异、天气风险、储存损耗。 但「产量最优不等于利润最优」这个结论，在任何一个有价格弹性的市场里都成立。

30 秒实验

1. 把价格弹性改成「3.0 乘（1 减 产量除以 8000）」（市场更大），再看两个最优点。 会靠拢——市场越大，单块地对价格的影响越小，利润最优点就越接近产量最优点。
2. 把肥料价格从 5.5 提到 9.0，看最优施肥量。 会往下走，而且产量最优点不变（还是 200）——这说明「成本影响决策，不影响产能上限」。
3. 把产量响应改成线性的（800 乘 x 除以 200），再看最优施肥量。 会跑到边界 200 公斤——线性模型永远给出「多施多赚」，这就是必须保证曲线边际递减的原因。

常见误区

1. 「产量预测准了，施肥建议就准了」。产量最大点和利润最大点差了 113 公斤肥、365 元。
2. 「价格是外部变量，模型不用管」。 产量从 612 到 771，价格从 2.39 掉到 2.23，这一项直接决定答案。
3. 「订单农业和随行就市用同一个模型」。价格钉死时最优点从 87 挪到 150，差七成。

施多少肥是「一块地」的决策。 下一节放大到「八块地、一笔水」——这时候难点不再是算最优点，是「公平」和「效率」打架。

• ☐ （本节完，下一节 12.3.2 资源利用优化）

相关笔记

• 资源利用优化
• 供应链创新
• 风险管控升级
• 🧠 AI训练师手册2 · 索引