1、1时间序列模型在物流需求预测中的应用内容摘要：本文通过介绍物流需求知识、预测方法及时间序列预测方法，采用随机时间序列模型进行物流需求预测。探讨时间序列模型在物流需求预测中的应用，以期为物流需求预测提供全新方法和借鉴。 关键词：物流需求预测 时间序列模型 ARMA 模型 问题的提出 物流需求预测就是根据物流市场过去和现在的需求状况以及影响物流市场需求变化的因素之间的关系，利用一定的经验判断、技术方法和预测模型，应用合适的科学方法对有关反映市场需求指标的变化以及发展趋势进行预测。物流需求预测的方法主要包括定性与定量两大类。本文尝试运用时间序列预测方法对物流需求进行定量预测。时间序列预测法就是通过编
2、制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。它的前提是假定事物的过去延续到未来。 时间序列模型在物流需求预测中的应用分析 （一）样本数据来源及平稳化处理 1.样本数据来源。表 1 为我国 2004-2011 年全社会货运总量月度数据。本文首先利用表中 2004-2010 年数据进行建模，并对 2011 年各月份货运量进行预测，从而确定各月的货运需求，然后再与 2011 年实际数据进行对比，观察模型预测效果，最后对 2012 年全年货运量进行预测分析。2模型的建立与预测主要利用 Eviews6.0 数据处理软件（
3、Econometrics Views，即计量经济学软件包）来完成。 2.样本数据平稳化处理。首先，判断数据的平稳性。打开 Eviews 软件，将 2004-2010 年货运量数据从 Excel 中导入 Eviews，并将其定义为X 序列，序列长度为 n=84。首先，绘制序列 X 的趋势图（Quick/Graph/line） ，如图 1 所示。 从图 1 中可以看出，序列 X 不仅具有明显的长期趋势，还具有较强的季节变动趋势，因此序列 X 为不平稳时间序列。 其次，进行序列平稳化处理。前文曾提到，对于不平稳的时间序列数据要先对其进行差分计算，使序列平稳化。对于长期趋势可进行一阶差分，而对于季节变
4、动的月度数据则需要进行十二阶差分。在 Eviews 主界面中写入 genr xt=d（x，1，12）命令，并定义平稳后的序列为 Xt，然后绘制新序列 Xt 的趋势图（Quick/Graph/line） ，如图 2 所示。 从图 2 中可以看出，序列 Xt 不具有明显的趋势性和周期性，认为 Xt为平稳序列。 （二）模型的识别与建立 1.模型的识别。利用 Eviews 软件，可以很方便的得到自相关与偏自相关函数图（Quick/Series Statistics/Correlogram） ，图 3 为所得的序列 Xt 的自相关与偏自相关函数图。 从图 3 中可以很明显地看出，自相关函数一阶截尾，偏自
5、相关函数一阶截尾，初步设定 n 和 m 均为一阶，可以考虑建立 ARMA（1，1）模型。32.ARMA 模型的建立。在 Eviews 软件中建立 ARMA（1，1）模型（Quick/Equation Estimation/D（x，1，12）AR（1）MA（1） ） ，得到模型拟合结果，如表 2 所示。 从表 2 中可以看出，AR（1）与 MA（1）的 P 值均远大于 0.05，即说明这两个系数均不显著，模型拟合不合理。 经过多次试验比较不同的 ARMA（n，m）模型，根据 AIC（赤池准则）和 SC（施瓦茨准则）最小化的原理，在综合比较可决系数和残差平方和的情况下，最后确定建模结果为 MA（1
6、）模型。拟合结果如表 3 所示。 3.模型的检验。所建立的 ARMA（n，m）模型是否合适，通常需要进行检验。常用的检验方法有残差分析检验、单位根检验等。 本文主要利用残差分析检验，通过计算残差序列 at 的自相关与偏自相关函数来判断残差序列的独立性。 在 ARMA 模型拟合结果中得到残差的自相关函数（View/Residual Tests/Correlogram-Q-statistics） ，结果如图 4 所示。 从图 4 中可以看出，残差序列 at 的自相关函数和偏自相关函数均在二倍标准差范围内，且 Q 统计量的 P 值都大于 0.05，因此可以认为残差序列 at 为白噪声序列，说明模型信
7、息提取比较充分，建立的模型是合适的。 （三）模型预测 在模型通过检验后，即可通过模型对未来月份的货运量进行预测。在此首先对 2011 年全年各月份货运量进行预测，步骤如下： 首先，要在 Eviews 中对时间范围进行修改，在主界面中，将时间范4围扩展至预测期期末，即 2011 年 12 月。 其次，在模型拟合结果中，即表 3 中，点击 Forecast 命令，对未差分的原序列 X 进行动态预测。 最后，在新生成的序列 Xf 中，可以得到 2011 年各月份货运量的预测结果，如表 4 所示。 至此，模型预测完毕，可以根据预测结果，在置信区间内确定合适货运量，及时掌握可能的市场需求。 在得到预测结
8、果后，可以将 2011 年货运量实际值与预测值进行对比，检验模型预测效果。如图 5 所示，其中 XF 为预测值序列，Y 为实际值序列。 从图 5 中可以看出，在短期内模型预测结果很好，预测值与实际值的走势基本吻合。但同时也可以看出，预测值普遍大于实际值，预测精度并不太高。另外，随着时间的推移，可以看出预测值与实际值间的差异不断变大，这是因为本文的预测以时刻 t 为原点，即以 2010 年 12 月份数据为原点，因此所得到的预测值也仅适合 t 时刻的决策需求。 在实际工作中，在进行需求预测时，为使预测值与真实值之间的差异达到最小，应及时更新数据信息，尽量以最新数据为原点进行预测，从而更好的为决策
9、者提供决策指导，减小决策偏差。 （四）最终预测及建议 本文通过上述方法对 2012 年各月份货运量进行预测，为了使预测误差达到最小，使用国家统计局网站公布的最新数据，以 2012 年 3 月份的货运量数据为原点，对 4 月至 12 月的货运量进行预测。得到结果如表 55所示。 通过绘制 2012 年各月货运量走势图，不仅可以更为清晰地看出各月货运量的变化幅度，而且还能看出货运量的季节差异。 从图 6 中可以看出，总体上全年各月的货运量变化幅度不大，但 6-10 月份货运量较大，且一直处于上升状态，为货运旺季，此时应注意增加存货量，以满足市场货运需求；而冬季货运量达到最小值，应适时减少存货。 参考文献： 1.黄丽.随机时间序列模型在物流需求预测中的应用D.武汉大学，2004 2.田根平，曾应坤.基于时间序列模型在物流需求预测中的应用J.物流科技，2007（9） 3.葛蔚，魏海军.基于时间序列分析的物流企业运输量演化模式与案例研究J.大连海事大学学报，2011，37（2） 4.邓爱萍，肖奔.基于时间序列的市场需求预测模型研究J.科学技术与工程，2009，9（23）
