| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 市场/贸易 |
| AI在农业供应链中应用分析 |
| 第775期 作者：□文/沈建男 葛童雄际 任亚豪 谢 凌 李心悦 时间：2026/4/16 11:39:20 浏览：65次 |
［提要］ 农业在气候变化威胁下面临多重挑战，而新兴的人工智能（AI）为农业突破发展瓶颈提供新机遇。本文运用供应链建模研究方法，系统剖析AI在农业生产提升与灾害防控中的应用。构建由供应商和农业生产主体组成的整体供应链，提出以利润最大化为导向的整体供应链最优运营决策与AI应用方案。进而，拓展研究分散供应链下两类情形的AI应用决策。研究结果表明：在整体供应链中，成本系数、产量提升系数、灾害影响系数等参数大小决定是否应用AI，技术经济性阈值决定农业生产提升或灾害防控的AI应用；分散供应链下，农业生产主体执行AI为供应链双方主体共同最优决策方案。旨在为农业供应链各主体提供运营与AI应用决策参考，助力农业产业升级与现代化发展。
关键词：气候变化；人工智能（AI）；农业供应链；生产提升；灾害防控
基金项目：国家级大学生创新创业训练计划项目：“气候变化威胁下AI在农业供应链中生产提升与灾害防控的应用分析”（项目编号：202510332039Z）；国家自然科学基金资助项目：“在线共享环境下制造企业产能共享行为与平台运营策略研究”（项目编号：72372100）；江苏高校哲学社会科学研究资助项目：“资金约束制造商开辟平台直销的合作、定价及融资策略研究”（项目编号：2021SJA1387）。通讯作者：沈建男
中图分类号：F32 文献标识码：A
收录日期：2025年12月1日
引言
在全球气候变化背景下，农业正遭受严重冲击。极端天气频发导致土壤侵蚀加剧、水资源分布失衡，农作物生长周期紊乱，产量和品质下降。据统计，全球每年因气候变化导致农作物减产10%～25%。此外，传统农业生产效率低下，资源利用率不高，而病虫害受气候变化影响，爆发更频繁、范围更广。我国每年因病虫害损失的粮食超过产量的15%，果蔬损失高达25%以上。同时，气象预警的精准性不足，农民难以及时采取防灾措施。
人工智能（AI）为农业现代化提供了新动能。国家政策积极推动AI与农业融合，如2025年中央一号文件提出“农业新质生产力”，强调AI赋能农业；《全国智慧农业行动计划（2024—2028年）》提出构建农业智能基础设施，推动基础模型研发和算法开源。这些政策为AI在农业中的应用提供了制度保障，促进科研机构和企业探索AI技术的创新应用。因此，在人工智能实施的背景下，如何结合生产提升和灾害防控这两大农业中的关键领域来进一步促进人工智能的应用，仍然有待进一步探究。具体而言，本文主要探讨以下问题：（1）在农业的生产提升和灾害防控两大关键领域是否应用AI，前提条件是什么？（2）分散供应链对AI技术应用的影响。
本研究基于交叉学科视角，创新性地构建了人工智能在农业领域的四维决策模型。通过系统整合农业生产效率、灾害防控及经济效益等关键要素，分别建立在生产环节和灾害防控环节均不应用AI、农业生产主体仅在生产环节应用AI、农业生产主体仅在灾害防控环节应用AI和农业生产主体在生产环节和灾害防控环节均应用AI四种决策模型。运用数学建模和数值模拟方法，对AI应用的决策边界进行探讨。结合供应商、农业生产主体、消费者等多方博弈，深入比较分析供应商与农业生产主体组成的整体供应链和供应商和农业生产主体独立的分散供应链情形下利润差异化的影响机制。
一、模型描述与假设
（一）模型描述和参数。本文构建一个由单个供应商和农业生产主体组成的供应链，供应商向农业生产主体出售种子、化肥、农业生产工具等；农业生产主体经历一系列生产流程后，将农产品销售给消费者，具体流程如图1所示，并假设生产的农产品能全部卖出。在种子变为可供销售的农产品前，农业生产主体可考虑是否在生产环节或灾害防控环节应用AI，从而实现产量的进一步增加。在付出投入AI成本的约束下，权衡与之带来的实际产量提升和潜在收益。因此，本研究考虑四种不同的AI技术应用模式：（1）基准模型：在生产环节和灾害防控环节都不应用AI，记为模型“O”；（2）农业生产主体仅在生产环节中应用AI，记为模型“M”；（3）农业生产主体仅在灾害防控环节应用AI，记为模型“N”；（4）农业生产主体在生产环节和灾害防控环节均应用AI，记为模型“MN”。相关符号与说明如表1所示。（图1、表1）
（二）基本假设。基于模型描述与参数，需要以下四个关键假设：
1、生产环节和灾害防控环节均不使用AI的需求函数D0=α-β1p-β2■，D为各个模型中的实际需求。α为消费者潜在需求量，p为农产品的零售价，其中β1为消费者价格敏感系数或市场竞争系数；■表示无任何预测下自然灾害的强度，β2表示灾害发生对于需求的影响系数，也可以理解为植物对于灾害的抵抗程度，β2越大，植物抵抗灾害的能力就越弱，且0＜β2■≤α。
2、对于应用的AI水平，用变量“e”来刻画在生产环节应用的AI水平，e越大表示产量提升越多，导致消费需求越旺盛。同样的，用变量“s”来刻画在灾害防控环节应用的AI水平，在数值上β2（■-s）表示在灾害防控环节应用AI因灾害而损失的产量。
3、参考杨德艳等和Nadar and Erturk的相关研究，将应用AI的成本分别刻画为防控水平s和生产提升水平e的凸函数，即ce=ρ1e2/2，cs=ρ2s2/2，一方面表示应用成本随技术水平增加；另一方面表示当提升水平较大时，继续提升需要付出更多的成本。为了简化模型，本文进一步假设ρ1=ρ2=ρ。
二、模型建立及求解
本节将农业生产主体和供应商视为同一决策主体，也即将他们视作供应链的一个整体来决定是否在生产环节和灾害防控环节应用AI。如图2所示，拓展环节将会讨论分散供应链情形。首先，分别求解四种AI技术应用情形下整体供应链的最优决策，以及相应的利润，然后将所得到的结果进一步比较分析后得到相应的结论。（图2）
（一）基准模型（O）：在生产环节和灾害防控环节均不应用AI。在基准模型中，整体供应链在生产环节和灾害防控环节均未应用AI技术。消费者按整体供应链制定价格买入农产品，因此整体供应链的利润函数如下：
π0＝（α-β1p0-β2■）（p0-c）γ （1）
命题1：在基准模型（模型O）下
1、整体供应链的最优定价及利润为：
p0*＝■，π0*＝■。
2、■＞0，■＞0，■＜0，■＜0，■=■＜0；■＞0，■＜0，■＜0，■＜0，■＜0。
由命题1可知，种植面积对于售价和最终收益都具有促进作用。当成本（c）增大时，售价会升高，但是利润会随之下降。灾害的发生会损害售价和最终收益。随着β2的提高，说明该植物抵抗灾害的能力越弱，也会损害售价和最终收益。消费者对价格的敏感系数对于最终售价起到负向作用，消费者的敏感度越高，最终整体供应链的售价会越低。
（二）整体供应链仅在生产环节应用AI（M）。在“M”模型中，如图3所示，整体供应链仅在生产环节应用AI技术，因此整体供应链的利润函数如公式（2）所示。（图3）
πM＝（α-β1pM-β2■+γeM）（pM-c）-■ （2）
命题2：在整体供应链仅在生产环节应用AI的模型（M）中
1、整体供应链的最优定价，最佳AI应用水平（生产环节）及最优利润为：
pM*＝■，eM*＝■，πM*＝■。
2、■＞0，■＜0，■＜0，■＜0，■＜0，■＞0；■＜0，■＞0，■＜0，■＞0。
式中，γ代表应用AI带来的产量提升系数，通常认为该值越大越好，因为随着γ的增大，农田中所能产出的作物就越多。但是，由以上三个最优值表达式可以看出，若γ无限增大，最终最优的零售价格（pM*）会趋近于成本价，用于生产提升的AI最优水平（eM*）会趋近于0，最终获得的利润也会是一个负值。意味着，如果γ过大，对于整体供应链来说则无钱可赚。但γ并不是越小越好，当γ趋近于0时，pM*的值和p0*的值相等，eM*也会趋于0，意味着若γ趋近于0，整体供应链将不会选择投资AI技术，最终模型和模型O一致。
（三）整体供应链仅在灾害防控环节应用AI（N）。在“N”模型下，如图4所示，整体供应链仅在灾害防控环节应用AI技术，因此整体供应链的利润函数如公式（3）所示。（图4）
πN＝［α-β1pN-β2（■-sN）］（pN-c）-■ （3）
命题3：在整体供应链仅在灾害防控环节应用AI的模型（N）中
1、整体供应链的最优定价、最优AI应用水平（灾害防控环节）及最优利润为：
pN*=■，sN*=■，πN*=■。此外，sN*≤■。
2、■＞0，当αβ22+2αβ12+2αβ1ρ＞4ρ■β1β2+cβ1β22+2cρβ12时，■＞0，■＜0，■＜0，■＜0，■＜0；当2αβ2＞■β22+2ρ■β2+2β1β2c时，■＞0；当■＞p0*时，■＜0；当αβ2＞β1β2c+2ρ■β1时，■＞0。
由命题3可知，β2表示灾害发生对于需求的影响系数，越小代表灾害对于需求的影响越弱。当β2趋近于0时，意味着任何灾害都不会损失该农产品，也就意味着并不需要AI技术进行额外的灾害防控，因此在该情况下，pN*=p0*，sN*=0，πN*=π0*，和模型O的效果一致。β2和本节分析（二）中的γ略有不同，人们可以通过各自科技手段使得产量提升系数（γ）不断提升。但是，相邻年份中同一类型的灾害发生情况（■）或许会不同，但是灾害发生对于需求的影响系数（β2）基本保持不变。因此，讨论β2趋于无穷脱离了实际情况。如果出现β2过大的情况，在本模型中合理的解释为：模型N和模型O的产量都受到剧烈的影响，灾害导致整体供应链收获甚微。此外，■＞■，可知β2对于模型N的影响要大于对模型M的影响。
（四）整体供应链在生产环节和灾害防控环节均应用AI（MN）。在“MN”模型下，如图5所示，整体供应链在生产环节和灾害防控环节均应用AI，因此整体供应链的利润函数如公式（4）所示。（图5）
πMN＝［α-β1pMN-β2（■-sMN）+γeMN］（pMN-c）-■-■ （4）
命题4：在整体供应链在生产环节与灾害防控环节均应用AI的模型（MN）中
1、整体供应链的最佳定价，最佳AI应用水平（生产环节），最佳AI应用水平（灾害防控环节）及最优利润为：
pMN*＝■，eMN*＝■，sMN*=■，πMN*=■。
2、■＞0，■＞0，■＞0，■＞0；■＜0，■＜0，■＜0；■＜0。
当α＞■时，■＞0。
当α＞■时，■＞0。
当α＞■时，■＞0。
当α＞■时，■＞0。
由命题4可知，在生产和灾害防控均应用AI技术（模型MN）的情况下，整体供应链能够实现更高效的资源配置和风险控制。分析结果表明，模型MN的最优零售价格pMN*和利润πMN*均高于基准模型（O），且高于仅在生产或灾害防控应用AI的模型（M、N）。此外，AI在生产和灾害防控中的应用呈现协同效应eMN*和sMN*均高于单一应用AI的水平，表明两者结合使用能够带来更高的产量提升和成本效益。
三、模型对比与分析
根据命题1～命题4，对比各种情况下整体供应链的最优利润，以确定AI是否对整体供应链利润有积极影响。本小节比较和分析四个模型的最优利润结果。
命题5：各模型下，最优零售价格和AI投入水平情况的对比可得：
（1）pM*＞p0*，pN*＞p0*，pMN*＞pM*，pMN*＞pN*。
（2）当γ＞β2时，pM*＞pN*；当β2＞γ时pN*＞pM*。
（3）eMN*＞eM*，sMN*＞sN*。
命题5表明，应用AI的模型的农产品售价高于未应用AI的模型，且随着AI技术使用的场景增加，最后的售价随之增长，即消费者承担了使用AI技术的成本。在传统经济学理论中，供给增加（产量提升）通常会导致价格下降。然而，当AI技术应用于农业生产提升领域时，出现了产量和售价同步上升的现象。同时，命题5表明了在生产提升和灾害防控两个领域均应用AI时，因协同效应和边际成本递减，模型MN的两个领域的各自AI投入水平要大于单独只在一个领域运用AI的投入水平。
命题6：各模型下，整体供应链的最优利润对比可得：
（1）当2β1ρ＜γ2且2β1ρ＜β22时，πM*＜π0*且πN*＜π0*，即不应用AI（模型O）获最大利润。
（2）当（2β1ρ-β22-γ2）＜0且2β1ρ＞γ2＞β22，或β22＞2β1ρ＞γ2时，πM*＞π0*，即仅在生产提升过程中应用AI（模型M）获最大利润。
（3）当（2β1ρ-β22-γ2）＜0且2β1ρ＞β22＞γ2，或γ2＞2β1ρ＞β22时，πN*＞π0*，即仅在灾害防控过程中应用AI（模型N）获最大利润。
（4）当（2β1ρ-β22-γ2）＞0时，πMN*＞πM*且πMN*＞πN*，即在生产环节和灾害防控环节均应用AI（模型MN）获最大利润。
进一步通过数值模拟分析β2和γ对于整体供应链AI技术采纳策略的影响，其中β1=1，ρ=12.5。不同模型的决策条件是2β1ρ、β22、γ2三者之间的关系。其中，β1、ρ、γ都会在不同情况下进行相应的变化。由图可6知，MN模型的适用条件最为苛刻，占比最大的为O模型。（图6）
四、模型拓展
在现实中，农业生产主体与供应商往往不是一个整体，因此我们将农业生产主体与供应商作为各自独立的主体，研究分散供应链中AI的应用与投资。
（一）AI应用由上游供应商执行。引入新的变量Wi，i=｛M，N，MN｝——供应商一次性收费价格，包含生产来源成本和AI技术成本。πSZ：上游供应商的利润（Z=MN）；πRZ：下游农业生产主体的利润（Z=MN）。
该供应链中供应商作为领导者，农业生产主体作为跟随者，决策分两个阶段进行：上游供应商根据投入的AI技术水平（e或s）设定一次性收费价格Wi，农业生产主体根据给上游供应商缴纳部分费用以平衡开支，从而决策改变零售定价p。
1、上游供应商仅在农业生产提升领域运用AI时，WM=WSM。上游供应商和农业生产主体利润函数分别如下：
■SM=（α-β1pSM-β2■+γeSM）（WM-c）-■ （5）
■RM=（α-β1pSM-β2■+γeSM）（pSM-WM） （6）
经推导，供应商最佳收费价格、最佳AI应用水平（生产环节）、农业生产主体最佳定价、供应商最优利润、农业生产主体最优利润分别为：
WM*=■；eSM*=■；pSM*=■；■SM*=■；■RM*=■
2、上游供应商仅在农业灾害防控领域运用AI时，WN=WSN。上游供应商和农业生产主体利润函数分别如下：
■SN=［α-β1ρSN-β2（■－sSN）］（WN－c）-■ （7）
■RN=［α-β1ρSN-β2（■－sSN）］（pN－WN） （8）
经推导，供应商最佳收费价格、最佳AI应用水平（灾害防控环节）、农业生产主体最佳定价、供应商最优利润、农业生产主体最优利润分别为：
WN*=■；sSN*=■；pSN*=■；■SN*=■；■RN*=■
3、上游供应商在农业生产提升和灾害防控领域运用AI时，WMN=WSMN。上游供应商和农业生产主体利润函数分别如下：
■SMN=［α-β1pSMN-β2（■－sSMN）+γeSMN］（WMN－c）-■-■ （9）
■RMN=［α-β1pSMN-β2（■－sSMN）+γeSMN］（ρSMN－WMN） （10）
经推导，供应商最佳收费价格、最佳AI应用水平（生产环节）、最佳AI应用水平（灾害防控环节）、农业生产主体最佳定价、供应商最优利润、农业生产主体最优利润分别为：
WMN*=■；eSMN*=■；sSMN*=■；pSMN*=■；■SMN*=■；■RMN*=■
命题7：AI应用由上游供应商执行时，各模型下，农业生产主体和供应商最优利润对比可得：
（1）4β1ρ＜γ2且4β1ρ＜β22时，不应用AI时最优。
（2）4β1ρ＜γ2＋β22且β22＜γ2＜4β1ρ或γ2＜4β1ρ＜β22时，上游供应商仅在农业生产提升领域运用AI最优。
（3）4β1ρ＜γ2＋β22且β22＜γ2＜4β1ρ或γ2＜4β1ρ＜β22时，上游供应商仅在灾害防控提升领域运用AI最优。
（4）γ2＋β22＜4β1ρ时，上游供应商在农业生产提升和灾害防控领域运用AI最优。
如图7所示，上游供应商执行AI时，选择仅在何种领域下运用AI的条件较为严格。从应用AI决策的选择范围来看，不应用AI＞上游供应商仅在农业生产提升领域运用AI=上游供应商仅在灾害防控提升领域运用AI＞上游供应商在农业生产提升和灾害防控领域运用AI，但是在实际情况中，参数大小的概率并不是服从区间［0，+∞］上的均匀分布，而是会有自己特定的区间。同时，相比于农业生产主体执行AI的情况，供应商在生产提升和灾害防控环节执行AI的面积在相同参数下有所增加，适用性扩大。此时，供应链系统内在机制对灾害更敏感，回升快，具备一定的弹性。受外部市场供需关系的影响大，利润波动幅度大。因此，灾害对供应链产量的影响具有一致性，选择AI应用由农业生产主体执行获最大效益。长期发展角度来看，农业生产主体执行AI有利于优化供应链整体的竞争力和可持续发展能力。（图7）
命题8：分散供应链下，生产主体与供应商决策相同：AI应用需由下游农业生产主体执行
（二）AI应用由农业生产主体执行。再对比AI应用由农业生产主体执行的情形，此拓展模型下，引入一个新的变量W——供应商制定的批发价。W的引入将导致农业生产主体的利润损失，而损失的部分利润会被供应商获得。该供应链中供应商作为领导者，农业生产主体作为跟随者，决策分两阶段进行：供应商首先设定批发价W；农业生产主体根据W选择AI应用水平（生产环节的e或灾害防控的s）和最佳定价p。
农业生产主体在农业生产提升和灾害防控领域应用AI，上游供应商和农业生产主体利润函数分别如下：
πSMN=［α-β1pRMN-β2（■－sRMN）+γeRMN］（WRMN-c） （11）
πRMN=［α-β1pRMN-β2（■－sRMN）+γeRMN］（pRMN-WRMN）-■-■ （12）
此模型整体供应链的最佳定价、最佳AI应用水平（生产环节）、最佳AI应用水平（灾害防控环节）、最优批发价、最优农业生产主体利润及最优供应商利润为：
pRMN*=■；
eRMN*=■；sRMN*=■；WRMN*=■；πRMN*=■；πSMN*=■
通过与原模型比较，得到pRMN*＞pMN*，eMN*=2eRMN*，sMN*=2sRMN*，（πRMN*＋πSMN*）=■πMN*，πRMN*=■πMN*。
分散供应链情形下，πRMN*与■RMN*、πSMN*与■SMN*的比较较难用传统数学方法求解，因此为证明关键结论，本文采用数值模拟法，设置基准参数α＝100，β1＝1，c＝9，ρ=10，γ=3，■=33.3，灾害发生对于产量的影响系数变动范围为（2，3），结果如图8所示。（图8）
图8表明，从下游农业生产主体角度分析，πRMN*＞■RMN*，AI应用应该由自身执行。此时，利润优势使得供应链系统成本结构保持相对稳定，自身执行AI能更精准地控制生产环节，及时调整策略；从上游供应商角度分析，πSMN*＞■SMN*，AI应用应该由农业生产主体执行。此时，供应链系统内在机制对灾害更敏感，回升快，具备一定的弹性。受外部市场供需关系的影响大，利润波动幅度大。因此，灾害对供应链产量的影响具有一致性，选择AI应用由农业生产主体执行获最大效益。长期发展角度来看，农业生产主体执行AI有利于优化供应链整体的竞争力和可持续发展能力。
五、结论及启示
（一）结论。气候变化已经给农业领域带来严重威胁，而AI能否作为破局之矢是当下亟待探讨的问题。本文通过构建O、M、N、MN四种AI应用模型，考虑不同模型下农业整体供应链的利润，给出不同参数大小情况下的最优决策，并进一步拓展到分散供应链的情形，使本文的结论更具有普遍性和现实意义。通过分析，得到如下几个方面结论：
1、在整体供应链中，成本系数（ρ）较高或产量提升系数（γ）、灾害影响系数（β2）较低时，不应用AI可获得最大利润。考虑应用AI的情况下，生产和灾害防控环节均应用AI（MN模型）能够通过资源协同实现整体利润最大化。当参数满足γ2＋β22＜2β1ρ时，模型MN的供应链总利润较单一应用模型（M和N）均有提升，零售价和AI投入水平均高于其他模型。
2、分散供应链下供应商和农业生产主体获得最优利润的前提条件是相同的。而最优AI应用模式与整体供应链大致相同：若农业生产主体应用AI，则AI应用模式选择与整体供应链完全相同；若供应商应用AI，则其会更倾向选择应用AI（M、N、MN模型）。
3、拓展模型的任何一种情况，整体供应链的利润与原模型相比都是下降的，整体供应链的效率变低。如果农业生产主体能够吞并上游供应商并应用AI技术，其利润将增加至原模型。
（二）启示
1、技术经济性阈值（γ2＋β22＜2β1ρ）是选择AI模式的核心依据。因此，当成本系数（ρ）过高，或消费者价格敏感度（β1）过强时，协同效应被削弱，MN模型不再是最优模型，需退化为单一应用模型（M或N）。整体供应链应当综合当前ρ和β1的大小，选择最优模型。
2、拓展模型中AI的技术水平均呈现不同程度的下降，这将削减AI应用在农业生产中的积极作用。因此，政府应补贴AI的应用成本，对在生产或灾害防控环节应用AI的农业企业实行激励措施（降低ρ值）；对小规模农户推广轻量化AI工具（如开源算法模型）和“技术托管”模式，通过合作社集中采购降低应用成本。
3、本文分散供应链的整体利润小于对应的整体供应链，这是由于不合理的利润分配机制造成的。若要提高分散供应链的整体效率，政府可以颁布相应的法律法规，强制供应商与农业生产主体签订长期技术分成协议，防止利润的单向转移和供应链效率的降低。
本文仅采用建模计算的方法作为AI应用的效能分析，开展了理论层度的探讨。未来可以着重于收集数据进行经验层面的研究，验证理论模型的结论。
（作者单位：苏州科技大学）
主要参考文献：
［1］Assimakopoulos F，Vassilakis C，Margaris D，Kotis，K.Spiliotopoulos，D.AI and Related Technologies in the Fields of Smart Agriculture：A Review［J］.Information，2025（16）.
［2］Harshini M，Madishetti M，Yo N S，et al.Artificial Intelligence based Scarecrow Prevention from Crop Destruction［C］.International Conference on Sustainable Computing and Smart Systems，2023.
［3］Jaber M M，Ali M H，Abd S K，et al.Predicting climate factors based on big data analytics based agricultural disaster management［J］.Physics and Chemistry of the Earth，2022（01）.
［4］Nadar E，Ertürk，Mine Su.Eco-design of eco-labels with coarse grades［J］.Omega，2021（99）.
［5］Paudel D，Boogaard H，de Wit A，Janssen S，Osinga S，Pylianidis C，et al.Machine learning for large-scale crop yield forecasting［J］.Agricultural Systems，2021（187）.
［6］连瑞漂，石金伟，兰宗宏.探究提升农业气象灾害预测能力的有效措施［J］.农业灾害研究，2023.13（03）.
［7］王岩，王昊，崔鹏，等.气候变化的灾害效应与科学挑战［J］.科学通报，2024（69）.
［8］伍骏骞，方师乐，李谷成，徐广彤.中国农业机械化发展水平对粮食产量的空间溢出效应分析——基于跨区作业的视角［J］.中国农村经济，2017（06）.
［9］吴普特，赵西宁.气候变化对中国农业用水和粮食生产的影响［J］.农业工程学报，2010.26（02）.
［10］杨德艳，冯章伟，余云龙.基于消费者质疑的不同成本类型绿色产品生态标签选择策略［J］.系统管理学报，2023.32（06）.
|
|
|
|
