第四章仓储管理辨析.ppt

定量预测技术 　 定义：定量预测技术是建立在对数据资料的大量、准确和系统的占有基础之上，应用数学模型和统计方法描述事物之间的映射关系和发展规律，对相关指标的变化趋势和未来结果进行预测的方法。 　时间序列预测法（Time Series Method） 　　　时间序列预测法就是从纷繁复杂的历史数据中，分析探索出预测对象的发展变化规律，作为预测的依据。 　　　这类技术比较适合于短期预测。如果实际的需求速率变化较大的话，其预测的准确性将难以保证。 　　　有四种主要的时间序列预测技术：移动平均、单一指数平滑、外延平滑和适应性平滑。　 1）移动平均法（Moving Average Method） 　　　 移动平均法就是从时间序列的第一项数据开始，选取一定项数的数据求平均数，作为对下一个时期的预测，然后逐项移动，边移动边求平均，在进行新的一次预测时，需要剔除一个最早的数据，加上一个最新的数据，由此进行下去，就可以得到一个由移动平均数组成的新的时间序列。 移动平均可以表示为如下的数学公式： 　　 ：时期t＋1的移动平均数，即预测值； 　　 ：时期i的销售量； 　 　 ：总时期次数。 2）单一指数平滑（Ecponential Smoothing Method） 　　　单一指数平滑是对过去的预测数据和实际需求水平的加权平均来估算未来的销售量。新的预测是由过去的预测与实际实现的销售量之间的差别，而形成的对过去预测的调整。该模型的基本公式如下： 　　　：时期t＋1的销售量预测值； 　　　：时期t的预测值； 　　　：时期t的实际需求； 　　　：需求水平的平滑常数（ ）。 3) 外延平滑（Extended Smoothing Method） 　　外延平滑就是将趋向性和季节波动等都考虑在内的预测方法。外延平滑一般分为称为趋向性指数平滑和季节性指数平滑。 外延指数平滑的计算虽然类似于单一指数平滑，但是却需要三种平滑常数来表现基本、趋向性和季节性的成分，它们的确定更加复杂。 4）适应性平滑（Adaptive Smoothing Method） 　　　适应性平滑法是指对需求平滑常数的自适应调整。一种自适应的方法是根据预测误差来调整平滑常数，当误差过大时，常数自动增加，使预测对近期的平滑做出更大的反应。如果实际中的需求变化较大时，所增加的反应将会减少下次预测的误差。 回归分析预测法 定义：回归分析预测法又称为因果关系分析法。回归预测法就是找出预测对象(因变量)与影响预测对象的各种因素(自变量)之间的关系，并建立相应的回归方程式，然后代入自变量的数值，求得因变量的方法。回归预测法适用于长期预测。 　 分类：回归预测方法包括线性回归方法、非线性回归方法、一元回归方法、多元回归方法等。其中，应用最为广泛的是一元线性回归和多元线性回归方法，下面主要介绍一元线性回归预测方法。 　　　一元线性回归法指只有一个自变量对因变量产生影响，而两者之间的关系可以用线性回归方程来表示。 其中，Y是因变量，即预测对象；X为自变量，即影响因素；a，b是回归系数，为两个待定参数。 要点：先根据X、Y已有的实际数据和统计资料Xi，Yi把X、Y作为已知数，由最小二乘法求出合适的回归系数a、b，并根据回归系数来确定回归方程。从而得出一条趋势变动直线，作为预测的依据。下面直接给出a，b的求解公式： 长期趋势的测定与预测 动态数列的影响因素按其性质和作用大致有四种： 长期趋势，即由各个时期普遍和长期起作用的基本因素引起的变动； 季节变动，即由自然季节变换和社会习俗等因素引起的有规律的周期性波动； 循环变动，指社会经济发展中的一种近乎规律性的盛衰交替变动； 不规则变动，即剩余变动或随机变动，是由于受临时的、偶然的因素或不明原因而引起的非趋势性、非周期性的随机变动。 上述4种因素按一定的方式组合，形成动态数列两种经典模式： 加法模式。当各因素呈现出相互独立的关系时，动态数列总变动体现为各种因素的总和，即Y=T+S+C+I. 乘法模式。当各因素呈现出相互影响的关系时，动态数列总变动体现为各种因素的乘积，即Y=T·S ·C ·I. 动态数列分析一般采用乘法模式。在四种影响因素中，长期趋势和季节变动尤其重要。下面分别加以讨论。 长期趋势测定的意义和方法 概念：长期趋势是客观现象由于基本因素的影响，在一个相当长的时期内持续向上或持续向下发展变动的趋势。 测定长期趋势的目的： 把握现象的趋势变化； 从数量方面来研究现象发展的规律性，为进行统计分析提供必要条件； 通过测定出长期趋势，可以消除原有动态数列中长期趋势的影响，以便更好地显示和测定季节变动。