建设项目评估课程闫军印第二单元.pptVIP

[例2-6] 某企业 1999-2005 年甲产品的实际销售量 如下表，试用二次移动平均法（ n=3 ）预测该企业 2006 年该产品的销售量。 年度 实际销售量 一次移动平均值 二次移动平均值 1999 1100 -- -- 2000 1170 -- -- 2001 1238 1169 -- 2002 1309 1239 -- 2003 1382 1310 1239 2004 1453 1381 1310 2005 1527 1454 1382 4)平滑预测法 　 指数平滑法是利用历史资料进行预测的应用最普遍的方法，它能消除利用加权移动平均法计算的缺点。其预测公式为： 式中：a—平滑系数(在0～1之间)； 　　　Mt—上期的实际值； 　　　Ft—上期的预测值； 　　　Ft+1—本期的预测值。 第二章　项目建设必要性评估 　　 　　平滑系数a的大小，可根据过去的预测数与实际数的比较而定，如果差额大，则a值应取大一些；反之，则a值要小一些。 　　a值越大，表示近期的倾向性变动影响越大；a值越小，就越平滑。 　　用指数平滑法计算出的预测数，一般介于本期实际数与本期预测数之间。 例如：某种产品的本期实际数与预测数分别为20万件和19.8万件，平滑系数a为0.9，则下期预测数为： 　下期预测数＝0.9×20+(1-0.9) ×19.8=19.98（万件） 5）季节指数预测法 季节指数预测法是以市场的循环周期为特征，计算反映在时间序列资料上呈现明显的有规律的季节变动系数，达到预测目的的一种方法。运用季节指数进行预测，首先要利用统计方法计算出预测目标的季节指数，以测定季节变动的规律性；然后在已知季度的平均值的条件下，预测未来某个月(季)的预测值。 [例2-9]某公司从1999年-2004年，每一年各季度的 纺织品销售量见下表，试预测2005年各季度纺织品 的销售量。 年份 第一季度 第二季度 第三季度 第四季度 年销售量Σ 1999 180 -23 150 -21 120 -19 150 -17 600 2000 210 -15 160 -13 130 -11 160 -9 660 2001 230 -7 170 -5 130 -3 170 -1 700 2002 250 +1 180 +3 140 +5 180 +7 750 2003 300 +9 200 +11 150 +13 200 +15 850 2004 400 +17 220 +19 160 +21 220 +23 1000 Σ 1570 1080 830 1080 4560 平均值Ai 262 180 138 180 B=190 季节指数Ci 1.38 0.95 0.73 0.95 -- 建立时间序列线性回归预测模型： 用季节指数修正2005年各季度的预测值： 第一季度预测值： 同理可得第二、三、四季度预测值：229万件 179万件、236万件。 第二章　项目建设必要性评估 　　 　2.回归分析预测法 　基本含义 　回归预测法是将自变量与因变量之间的相关关系，用回归方程的形式表示，并根据自变量的数值变化去预测因变量数值变化的方法。 回归分析预测的步骤 确立预测目标和影响因素 进行相关分析 建立回归预测模型 回归预测模型的检验 进行实际预测 　　　 第二章　项目建设必要性评估 　运用最小二乘法和二阶导数，可以计算a、b的值： （1）一元线性回归分析 一元线性回归模型的一般形式为：　 　 y=a+bx 　式中：y—预测的因变量； 　　　　x—自变量； 　　　　a—纵轴截距； 　　　　b—直线的斜率。 第二章　项目建设必要性评估 　　用于趋势预测　　 　　例如：某种产品在1991年～1995年间的实际销售量如下：1991年　　12万件　　1992年　　12.5万件 　　　　1993年　　13.2万件　 1994年　　13.5万件 　　　　1995年　　14 万件 　　解：运用上述数据，可得下表： 年　份 销售量(万件) x Xy X2 1991 1992 1993 1994 1995 12.0 12.5 13.2 13.5 14.0 -2 -1 0 1 2 -24 12.5 0 13.5 28 4 1 0 1 4 合　计 65.2 0 5 10 第二章　项目建设必要性评估 　　将上表中的数据带入公式得： 　a=65.2÷5=13.04 b=5÷10=0.5 　将a和b带入预测方程，可得1996年的预测销售量： 　　y=a+bx=13.04+0.5×3＝14.54(万件) 　用于因果分析 　当自变量代表某种因素时，预测就属