趙彥軍+陳玉

摘 要：文章通過(guò)介紹物流需求預(yù)測(cè)知識(shí)及時(shí)間序列分析方法，采用隨機(jī)時(shí)間序列ARMA模型進(jìn)行物流需求預(yù)測(cè)，探索了時(shí)間序列分析方法在物流需求預(yù)測(cè)中的應(yīng)用。

關(guān)鍵詞：時(shí)間序列分析；物流需求；ARMA模型；預(yù)測(cè)

中圖分類號(hào)：F253 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： This paper introduces the knowledge of logistics demand forecasting and time series analysis， the stochastic time series ARMA model is used to forecast the logistics demand， the application of time series analysis in logistics demand forecast is discussed.

Key words： analysis of time series； logistics demand； ARMA model； forecast

物流需求預(yù)測(cè)是根據(jù)物流市場(chǎng)過(guò)去和現(xiàn)在的需求狀況以及影響物流市場(chǎng)需求變化的因素之間的關(guān)系，利用一定的經(jīng)驗(yàn)判斷、技術(shù)方法和預(yù)測(cè)模型，應(yīng)用合適的科學(xué)方法對(duì)有關(guān)反映市場(chǎng)需求指標(biāo)的變化以及發(fā)展的趨勢(shì)進(jìn)行預(yù)測(cè)。

精確的需求預(yù)測(cè)可以促進(jìn)物流信息系統(tǒng)和生產(chǎn)設(shè)施能力的計(jì)劃和協(xié)調(diào)，并且通過(guò)物流需求預(yù)測(cè)可以確定產(chǎn)品是如何向配送中心和倉(cāng)庫(kù)或者零售商進(jìn)行分配的。

本文運(yùn)用時(shí)間序列分析方法對(duì)物流需求進(jìn)行定量預(yù)測(cè)。時(shí)間序列分析方法就是通過(guò)編制和分析時(shí)間序列，根據(jù)時(shí)間序列所反映出來(lái)的發(fā)展過(guò)程、方向和趨勢(shì)，進(jìn)行類推，來(lái)預(yù)測(cè)下一時(shí)間段或以后若干年內(nèi)可能達(dá)到的水平。

1 時(shí)間序列分析方法在物流需求預(yù)測(cè)中的應(yīng)用分析

1.1 樣本數(shù)據(jù)來(lái)源

表1為我國(guó)1990～2015年全國(guó)貨運(yùn)總量年度數(shù)據(jù)，試對(duì)該時(shí)間序列進(jìn)行建模并預(yù)測(cè)。

1.2 問(wèn)題分析與模型建立

首先畫(huà)出數(shù)據(jù)的趨勢(shì)圖（如圖1），這一時(shí)間序列是具有明顯趨勢(shì)且不含有周期性變化的經(jīng)濟(jì)波動(dòng)序列，即為非平穩(wěn)的時(shí)間序列，對(duì)此序列進(jìn)行建模預(yù)測(cè)需要用非平穩(wěn)時(shí)間序列分析方法。

采用模型：X =μ +Y ，其中μ 表示X 中隨時(shí)間變化的趨勢(shì)值，Y 是X 中剔除μ 后的剩余部分。

1.3 模型求解

1.3.1 確定性趨勢(shì)

從圖1中可以判斷出全國(guó)貨運(yùn)總量的確定趨勢(shì)是按指數(shù)趨勢(shì)發(fā)展的，因此設(shè)μ =ab ，其中a，b為待定系數(shù)。對(duì)指數(shù)曲線線性化，即取對(duì)數(shù)為lnμ =lna+tlnb，利用Matlab—R2012a軟件，編制線性回歸分析程序，可求得a

作出用μ =ab 預(yù)測(cè)的數(shù)據(jù)散點(diǎn)圖，與原數(shù)據(jù)曲線圖做對(duì)比，如圖2。

由圖2可知，僅用指數(shù)回歸的效果較差。

1.3.2 隨機(jī)性趨勢(shì)

（1）作殘差。根據(jù)擬合μ的值，求出殘差序列Y =X - ，殘差序列圖如圖3。

觀察殘差序列的散點(diǎn)圖3可知，該序列有很大的波動(dòng)性，可以認(rèn)為是非平穩(wěn)的，應(yīng)該做多次差分使其平穩(wěn)化。

（2）作差分。將殘差序列Y t=1，2，…，26進(jìn)行差分使其平穩(wěn)化，觀察其差分散點(diǎn)圖如圖4，可認(rèn)為二次差分后序列是平穩(wěn)的，即令：

得到序列r ，我們可認(rèn)為r 是平穩(wěn)的。將序列r 零值化，由數(shù)據(jù)求得 =-8 395.7，令：w =r - 。

（3）w 的時(shí)間序列分析。利用Matlab—R2012a軟件，得到序列w 的樣本相關(guān)函數(shù) 圖（如圖5）和樣本偏自相關(guān)函數(shù) 圖（如圖6）。

由圖5、圖6可以看出， 隨著k的增大而衰減，有拖尾現(xiàn)象，而偏自相關(guān)函數(shù) 在尾部為隨機(jī)區(qū)（在零附近波動(dòng)）。

利用Matlab—R2012a軟件編寫(xiě)程序，確定模型階數(shù)，由計(jì)算經(jīng)比較可得出R=1， M=2， AIC=622.816921， BIC

=628.707190，故可認(rèn)為是ARMA1，2模型。

對(duì)模型w =c+φ w +ε +θ ε +θ ε 進(jìn)行參數(shù)估計(jì)。根據(jù)Matlab—R2012a軟件得到最大似然估計(jì)一次運(yùn)行參數(shù)估計(jì)值： =8.4442， =-0.9622， =1.5276， =0.9987。于是ARMA1，2模型為：

（4）模型的檢驗(yàn)與預(yù)測(cè)。由（*）式及Matlab—R2012a程序，進(jìn)行模型的檢驗(yàn)和預(yù)測(cè)。得到殘差向量的檢驗(yàn)值為0，說(shuō)明模型是可用的。同時(shí)可得出未來(lái)三年w 的預(yù)測(cè)值為232 710，-153 180，147 400。

2 結(jié) 論

上述分析說(shuō)明采用ARMA模型對(duì)物流需求進(jìn)行預(yù)測(cè)是可行的，并在一段時(shí)間內(nèi)能根據(jù)歷史數(shù)據(jù)較好的預(yù)測(cè)。但是，任何模型及預(yù)測(cè)方法都不是完美的，還需要必須及時(shí)掌握最新的數(shù)據(jù)，對(duì)預(yù)測(cè)方程進(jìn)行修正，以致達(dá)到最佳預(yù)測(cè)效果。

參考文獻(xiàn)：

[1] 趙靜，但琦. 數(shù)學(xué)建模與數(shù)學(xué)實(shí)驗(yàn)[M]. 4版. 北京：高等教育出版社，2015.

[2] 姜啟源，謝金星，葉俊. 數(shù)學(xué)模型[M]. 4版. 北京：高等教育出版社，2011.

[3] 司守奎. 數(shù)學(xué)建模算法與應(yīng)用[M]. 北京：機(jī)械工業(yè)出版社，2011.

[4] 馬莉. Matlab數(shù)學(xué)實(shí)驗(yàn)與建模[M]. 北京：清華大學(xué)出版社，2010.

[5] 楊蕾，張苗苗. 時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用[J]. 商業(yè)時(shí)代，2013（13）：26-27.

[6] 潘樹(shù)龍，孫維夫. 基于時(shí)間序列分析方法的物流總額預(yù)測(cè)研究[J]. 湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，33（1）：114-116.

[7] 田根平，曾應(yīng)昆. 基于時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用[J]. 物流科技，2007（9）：96-99.

[8] 秦立公，張建，楊一俊. 基于人工神經(jīng)網(wǎng)絡(luò)的時(shí)間序列分析方法在物流需求預(yù)測(cè)中的應(yīng)用[J]. 物流科技，2007（6）：3-5.

[9] 黃麗. 隨機(jī)時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用[D]. 武漢：武漢大學(xué)（碩士學(xué)位論文），2004.