业务问题与数据口径
2023 年全国大学生数学建模竞赛 C 题的历史赛题重做（个人练习，非参赛）：生鲜商超 6 大蔬菜品类的自动定价与补货决策，目标最大化 7 天总期望利润。选题动机是给竞赛方法做一次全流程演练——从数据审计到模型迭代再到官方解法对标。
第一个决策点在数据审计：题目附件是逐单品逐日明细，但能稳定提取的只有汇总级数据。这个差距直接决定方法空间——汇总数据做不了逐品类 ARIMA 时序预测，竞赛获奖论文的标准管线（ARIMA + Newsvendor + 动态博弈）在这份数据上不可复制。数据粒度审计必须在建模之前完成，这是本题最大的教训，也是最值钱的一条。
三轮模型迭代
第一轮：常数弹性需求模型。 需求函数 D(P) = exp(a)·P^b，SLSQP 非线性规划求解，品类优化利润 1007 元/天。问题在参数校准时暴露：代入学术文献的真实弹性值（|b| ≈ 0.68 至 0.93）后，模型出现负利润——这不是代码 bug，是 log-log 结构在低弹性区间数学上不可行。需求函数的数学形式本身就是一个隐性假设，而我在第一轮没有检查它的边界行为。
第二轮：线性需求模型。 需求函数改 D(P) = a - b·P，校准方法是在参考价格点令线性需求的弹性等于文献目标值。结果全部 6 个情景转为正利润，推荐情景（ε=-0.93 + 真实市场价）总利润 672 元/天，最优价格比参考价高 40% 至 60%——符合"缺乏弹性 → 适度提价"的经济学直觉。
第三轮：报童模型官方对标。 做完自己的两轮后查阅出题人解析与获奖论文，标准框架是 ARIMA + Newsvendor 补货 + 动态博弈定价。报童临界分位点 CR = (p·(1-ℓ) - W) / (p·(1-ℓ)) 的验证结论：经济学优化框架与报童框架互补而非互斥——前者管定价、后者管补货。对标不是照抄，而是定位自己的方法在光谱中的位置，并诚实标注"数据粒度不够、不能做 ARIMA"的缺口。
真实数据交叉校准
用农业农村部真实批发价格校准题目数据，发现 PPT 给的批发价在 5/6 品类中低于真实市场价 26% 至 102%。竞赛题给的数据不一定符合现实——主动引入外部真实数据做交叉验证，既发现了题目数据的问题，也让"提价 40% 至 60%"的结论有了现实锚点。
工程结构与可复现性
10 个模块通过 outputs/tables/*.csv 契约通信，每模块独立 run.py 与测试，全流程 3.3 秒端到端一行命令跑通。新增报童验证模块（M10）与重校准模块（M09）时未改动任何已有代码——模块化结构让"补一轮验证"变成加法而不是重构。
结论与教训
- 数据粒度决定方法空间：审计先于建模，粒度不够时选择与数据匹配的方法（NLP/线性需求），并如实标注不能做什么。
- 需求函数形式是隐性假设：选型前先跑参数扫描（弹性 0→2 全区间看利润曲线是否合理），检查边界行为。
- 知名赛题做完必须对标官方解法：不是为了抄答案，是为了知道自己的方法处在什么位置、缺什么。
- 诚实交代：全部利润数字是模型输出，依赖弹性假设与汇总数据的近似，口径为建模练习——不构成真实经营决策依据。