搜索
物流需求预测方法主要内容•一、定性方法•1.1专家意见法•4.2.1移动平均预测•4.2.2指数平滑预测•4.3趋势预测•4.4建立移动平均模型和指数平滑模型•4.4.1移动平均模型•4.4.2指数平滑模型•4.5Holt预测模型•4.6季节指数模型1.1专家意见法•定义：是通过听取专家意见来确定预测结果的方法。主要用于开发新技术、新产品、新项目、研究发展战略时采用。主要是聘请一些专家，他们根据自己长期对于市场发展规律的知识和经验，借助于其他产品进行类比分析、现实条件分析、经济发展速度分析等，就可能提出令人信服的预测结果来。•方法：•1）方案论证会、可行性分析会、专家座谈会、咨询会、讨论会、辩论会等，让专家写出来。•2）可行性分析报告、方案建议书、专家问卷等，让专家写出来。2.2综合评分法•定义：综合评分法这一种方法是用于评价指标无法用统一的量纲进行定量分析的场合，而用无量纲的分数进行综合评价。•综合评分法是先分别按不同指标的评价标准对各评价指标进行评分，然后采用加权相加，求得总分。其顺序如下：•1、确定评价项目，即哪些指标采取此法进行评价。•2、制定出评价等级和标准。先制定出各项评价指标统一的评价等级或分值范围，然后制定出每项评价指标每个等级的标准，以便打分时掌握。这项标准，一般是定性与定量相结合，也可能是定量为主，也可以是定性为主，根据具体情况而定。•3、制定评分表。内容包括所有的评价指标及其等级区分和打分。•4、根据指标和等级评出分数值。评价者收集和指标相关的资料，给评价对象打分，填入表格。•5、数据处理和评价：将专家填写好的评分表汇总、统计、加权平均，求出最好的方案。（1）确定各单项评价指标得分。（2）计算各组的综合评分和评价对象的总评分。（3）评价结果的运用。将各评价对象的综合评分，按原先确定的评价目的，予以运用。1.3德尔菲法（最合适的预测期：中期到长期）基本程序：由企业外的见识广博，学有专长的专家作市场预测。先请一组专家（10～50人）独立地对需要预测的问题提出意见，公司主持人把各人意见综合，整理后又反馈给每个人，使他们有机会比较一下他人不同的意见。如仍坚持自己的意见，可进一步说明理由，再寄给主持人。主持人整理后再次反馈给每个人，如此重复三至五次后，一般可得出一个比较一致的意见。选择对象发送调查表格回收调查问卷并统计调查结果预测结果进行新一轮的调查表格统计结果的分析评价注意！！专家的选择非常重要执行过程如图二、时间序列预测法时间序列：指在一个给定的时期内按照固定时间间隔（例如，1小时、一周或一月等）把某种变量的数值依时间先后顺序排列而成的序列。时间序列预测法是基于历史继承性这一原则而进行的预测，即短期内某个事物的发展趋势是其过去历史的延伸。它注重研究事物发展变化的内因。这类预测方法通常适合在外界影响比较稳定的条件下作短期预测。2.1移动平均法移动平均法可以分为：简单移动平均和加权移动平均一、简单移动平均法简单移动平均的各元素的权重都相等。简单的移动平均的计算公式如下：Ft=(At-1+At-2+At-3+…+At-n)/n式中：·Ft--对下一期的预测值；·n--移动平均的时期个数；·At-1--前期实际值；·At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值2.1移动平均法二、加权移动平均法加权移动平均给固定跨越期限内的每个变量值以相等的权重。其原理是：历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的。除了以n为周期的周期性变化外，远离目标期的变量值的影响力相对较低，故应给予较低的权重。加权移动平均法的计算公式如下：·W1--第t-1期实际销售额的权重；·W2--第t-2期实际销售额的权重；·Wn--第t-n期实际销售额的权·n--预测的时期数；W1+W2+…+Wn=1在运用加权平均法时，权重的选择是一个应该注意的问题。经验法和试算法是选择权重的最简单的方法。一般而言，最近期的数据最能预示未来的情况，因而权重应大些。例如，根据前一个月的利润和生产能力比起根据前几个月能更好的估测下个月的利润和生产能力。但是，如果数据时季节性的，则权重也应是季节性的。ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...3322112.2指数平滑法最适合的预测期：短期。最新数据的权重高于早期数据。特点：（1）短期预测中最有效的方法（2）只需要得到很小的数据量就可以连续使用（3）在同类预测法中被认为是最精确的（4）当预测数据发生根本性变化时还可以进行自我调整（5）是加权移动平均法的一种，较近期观测值的权重比较远期观测值的权重要大.具体做法：上一期预测值加上时间序列该期实际与预测值差额的一定百分数即得新的预测值。即式中：Ft——第t期的预测值；Ft-1——第t-1期的预测值；a——平滑系数；At-1——第t-1期的实际需求量或销售量。上式可变形为：平滑常数a决定了预测对偏差调整的快慢。a的值越接近于0，预测对偏差的调整就越慢（即预测对时间序列做出了更大的平滑）。反之，a的值越趋于1，预测对偏差的调整就越迅速，同时平滑效果就越差。2．3带有需求趋势校正的指数平滑法（Holt模型）当假设系统需求有需求水平和需求趋势而没有季节性变动时，选用带有需求趋势校正的指数平滑法即Holt模型较为合适。采用的系统需求公式为：系统需求=需求水平+需求趋势Holt模型只是在指数平滑法的基本模型基础上进行简单的修改，在观察完t期的实际需求后，整个预测模型作如下修正：式中：α为需求水平的平滑系数，0α1；β为需求趋势的平滑系数，0β1；At为第t期的实际需求量；St为第t期的需求水平预测值；St+1为第t+1期的需求水平预测值；Tt为第t期的趋势预测值；Tt+1为第t+1期趋势校正后的预测值。At2.4带有需求趋势和季节性需求校正的指数平滑法（Winter模型）当需求的时间序列中可观察到既有趋势变动特征又有季节性波动的特征时，使用带有需求趋势和季节性需求校正的指数平滑法较为合适。在这里，使用如下等式来校正预测：系统需求=（需求水平+需求趋势）╳季节性需求在应用此模型之前，又两个条件要满足:•一、需求模型的季节性波动的高峰与低谷产生的原因必须已知，这些峰谷值必须在每个周期的同一时间出现。•二、季节性变化要比随机波动大。如果季节性需求不平稳、不明显，无法与随机变化区分开来，那么很难开发出准确预测下一期需求走势的模型。因此，在选择模型时要非常慎重。ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211ntnttttAWAWAWAWF...332211))(1(1TtStaaAtSt2.4带有需求趋势和季节性需求校正的指数平滑法（Winter模型）现假定需求的周期数为L，在t期，已给定实际值At、初始需求水平St、初始需求趋势Tt以及一个周期的初始季节性需求，，…，的预测，则第t+1期的对需求水平、需求趋势、季节性需求以及总的需求预测做如下校正：式中，L：季节性需求的周期；：第t期的季节性需求预测值；：季节性需求的平滑系数，01；：第t+1期趋势与季节性需求校正后的预测值。三.因果分析法•因果分析预测法是一类对预测对象与其制约因素的相互联系进行分析，从而建立预测对象与其所能观察到的相关因素间因果关系的预测模型进行预测的方法。3.1一元线性回归预测法一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素的变量，也就是主要因素，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测。一元线性回归分析法的预测模型为：式中，Xt代表t期自变量的值；代表t期因变量的值；a、b代表一元线性回归方程的参数。u为随机干扰项，与x无关，它反映了y被x解释的不确定性。线性相关示意图xyyxaa003.1一元线性回归预测法•a、b参数由下列公式求得（用代表）：为简便计算，我们作以下定义：式中：这样定义a、b后，参数由下列公式求得：3.1一元线性回归预测法•将a、b代入一元线性回归方程Yt=a+bXt，就可以建立预测模型，那么，只要给定Xt值，即可求出预测值。在回归分析预测法中，需要对Ｘ、Ｙ之间相关程度作出判断，这就要计算相关系数r，其公式如下：相关系数r的特征有：①相关系数取值范围为：-1≤r≤1。②r与b符合相同。当r0，称正线性相关，Xi上升，Yi呈线性增加。当r0，称负线性相关，Xi上升，Yi呈线性减少。③|r|=0，X与Y无线性相关关系；|r|=1，完全确定的线性相关关系；0|r|1，X与Y存在一定的线性相关关系；|r|0.7，为高度线性相关；0.3|r|≤0.7，为中度线性相关；|r|≤0.3，为低度线性相关。(R检验）（F检验）3.2多元线性回归的计算模型•一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：其中，b0为常数项，为回归系数。b1为固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。3.2多元线性回归的计算模型•建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是：•(1)自变量对因变量必须有显著的影响，并呈密切的线性相关；•(2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的；•(3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度；•(4)自变量应具有完整的统计数据，其预测值容易确定。3.2多元线性回归的计算模型•多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得即多元线性回归模型的检验•多元性回归模型与一元线性回归模型一样，在得到参数的最小二乘法的估计值之后，也需要进行必要的检验与评价，以决定模型是否可以应用。1、拟合程度的测定（R检验）与一元线性回归中可决系数r2相对应，多元线性回归中也有多重可决系数r2，它是在因变量的总变化中，由回归方程解释的变动(回归平方和)所占的比重，r2越大，回归方各对样本数据点拟合的程度越强，所有自变量与因变量的关系越密切。计算公式为：其中，2.估计标准误差估计标准误差，即因变量y的实际值与回归方程求出的估计值之间的标准误差，估计标准误差越小，回归方程拟合程度越程。其中，k为多元线性回归方程中的自变量的个数。3.回归方程的显著性检验（F检验）回归方程的显著性检验，即检验整个回归方程的显著性，或者说评价所有自变量与因变量的线性关系是否密切。能常采用F检验，F统计量的计算公式为：根据给定的显著水平a,自由度(k,