论文部分内容阅读
摘 要：文章以新疆苏宁物流在乌鲁木齐主城区的配送需求预测为例，通过SPSS中3种季节性指数平滑模型，对2018年前3个月的配送需求按组合预测的思想进行了3种维度的预测。通过与实际数据对比发现，文中方法可以对配送需求进行有效预测，且区域划分后得到的预测结果准确度得到明显提升。
关键词：需求预测;电商物流;季节性指数平滑法
中图分类号：F252.14 文献标识码：A
Abstract： Taking the distribution demand forecast of Suning logistics in Urumqi as an example， through three seasonal exponential smoothing models in SPSS， this paper predicts three kinds of distribution demand according to the idea of combination prediction in the first three months of 2018 years. By comparing with the actual data， it is found that this method can effectively predict the distribution demand， and the accuracy of the prediction results obtained after the zoning is obviously improved.
Key words： demand forecast; E-commerce logistics; seasonal exponential smoothing method
0 引 言
物流需求有时间特性，需求随时间的变化归因于销售的增长和下降，需求模式的季节性变化以及多种因素导致的一般性波动，而指数平滑法就是一种将实际测量值分解成水平因素、趋势因素和周期因素3部分，然后综合起来进行预测，能有效地反映季节变动的影响[1]。在需求预测过程中，不同的预测维度可导致预测结果准确度不同，因此本文将通过3种不同维度对苏宁物流在乌鲁木齐主城区的配送需求进行预测，并对结果进行对比分析，以达到科学预测分析的目的。
1 预测方法与资料整理分析
1.1 季节性指数平滑法介绍。季节性指数平滑法是由温特斯（Winters）研究出来的一种比较高级形式的指数平滑方法。其优点在于把已有的时间序列分解成3种指标：水平（Alpha）、趋势（Gamma）、季节（Delta），再分别对其进行预测，然后将各种因子的平滑结合起来，再对原时间序列做出预测。这样就扩大了指数平滑法的应用范围，提高了对兼具趋势和季节变动两种因素的时间序列预测的准确性。
1.2 数据整理分析。本文对苏宁物流在乌鲁木齐主市区2016年1月至2017年12月的配送需求历史数据进行整理，分别得到主城区总需求历史数据、各行政区（天山区、沙依巴克区、新市区、水磨沟区）的需求历史数据、主城区中43个需求点的需求历史数据。通过对2016年至2017年的配送需求历史数据进行整理，发现整体需求呈现平稳上升趋势，同时每年的数据变化呈现出周期性波动，符合季节性指数平滑法的要求[2]。主城区及各行政区的配送需求历史数据如图1所示。
1.3 需求预测方法确定。本文采用SPSS24统计学软件进行数据分析，数据定义格式按照年月进行定义，将数据转化成以月为单位的时间序列数据，采用时间序列模型中的3种季节性指数平滑法分别建立模型。指数平滑法的近期观测值对预测值的影响进行了加强，将由近至远的权数按等比级数进行递减，其中等比级数的首项为平滑系数（Alpha）[3]。简单季节性模型主要包含水平（Alpha）和季节（Delta）2个指标，适用于序列具有线性时间趋势但无季节性变化，Winters加法模型和Winters乘法模型包含水平（Alpha）、趋势（Gamma）、季节（Delta）3个指标，分别适用于具有线性趋势和加法季节变化以及具有线性趋势和乘法季节变化[2]。在SPSS24中系统将自动计算出最适合的3种指标值。然后按组合预测的方法对3种预测结果进行加权计算。
2 数据分析结果
通过SPSS分别对主城区、4个行政区、43个需求点的历史需求数据进行2018年第一季度预测后得到结果，其中主城区的预测结果如表1所示。
主城区及各行政区通过SPSS24运行后得到的模型拟合度参数值如表2所示。
拟合度参数说明：平稳R方为拟合优度，其值越大表示拟合效果越好;Sig.是残差序列相关性检验，当Sig.的值大于0.05时，表示可以采用此种模型进行预测。
模型拟合度结果分析：平稳R方为拟合优度，其值越大表示拟合效果越好，简单季节性模型和Winters加法模型的平稳R方都在0.8左右波动， Winters乘法的平稳R方在0.5左右，这说明前2种方法的模型拟合度较好，Winters乘法的模型拟合度相比前2种略差，但通过对Sig.的观察发现所有模型均大于0.05，说明3种模型都可用于需求预测。
为了保证预测结果的科学性，本文按照组合预测的思想，将3种模型预测结果进行加权运算，每种模型的权数为三分之一。将通过加权计算后得到的预测值作为最终预测值进行后续结果分析。
對主城区及各行政区第一季度的3种模型的预测结果进行加权处理后得到结果如表3所示。 通过上述同样方法可以得到对主城区中43个点的第一季度3种模型的预测结果，经过加权统计后结果如表6所示。
3 预测结果准确度分析
本文通过对2018年1～3月预测的数据进行统计，并通过与2018年1～3月的真实数据进行对比，得到预测结果的准确度。
通过对表4的数据结果进行对比可以发现，以主市区总体需求量为维度进行预测后的预测值与实际需求量的误差为
-6.09%，此结果具有较好的预测效果。
通过对表5的数据结果进行对比可以发现，沙依巴克区和新市区的预测误差较低分别为-5.77%和-3.49%，预测效果较好，天山区和水磨沟区的预测误差分别为-7.26%和-9.11%，对比其他两个区误差稍大，但是预测误差仍小于10%，可以认为是较好的预测结果。通过各区预测结果进行累加之后得到的主城区预测结构同实际结果进行对比，预测误差为-5.89%，小于以主城区整体为维度的预测误差。
通过对表6的预测结果进行观察可以发现，每一需求点配送需求的预测误差基本保持在10%以内，只有个别几个需求点预测误差大于10%，但是也保持在20%以下的范围内，由于配送需求量受很多不确定因素的影响，这样的结果可以认为是保持在合理范围内。所有需求点的预测总量和实际总量之间的误差为-4.5%，明显小于以主城区和以4个行政区为维度进行预测的预测误差。
4 结 论
通过使用SPSS对苏宁物流在乌鲁木齐主城区的配送需求分别按3个维度进行季节性指数平滑预测，并对配送需求预测结果与实际配送需求数据进行对比，可以发现季节性指数平滑法可以进行有效预测，并且发现当对配送区域进行分割后的预测结果误差可以得到有效减小，说明本文的方法对电商物流企业的配送需求预测具有较好的预测效果。
参考文献：
[1] 杨茂盛，李银侠. 季节性指数平滑法在庫存商品需求预测中的应用[J]. 商场现代化，2007（19）：212-213.
[2] 张磊，刘艳红. 季节性指数平滑法预测深圳市宝安区涂阳肺结核发病人数的应用[J]. 中国医药导报，2015，12（18）：39-42.
[3] 刘珍文. 指数平滑技术在出院人数预测中的应用研究[J]. 中国卫生统计，2011，28（4）：459，461.
关键词：需求预测;电商物流;季节性指数平滑法
中图分类号：F252.14 文献标识码：A
Abstract： Taking the distribution demand forecast of Suning logistics in Urumqi as an example， through three seasonal exponential smoothing models in SPSS， this paper predicts three kinds of distribution demand according to the idea of combination prediction in the first three months of 2018 years. By comparing with the actual data， it is found that this method can effectively predict the distribution demand， and the accuracy of the prediction results obtained after the zoning is obviously improved.
Key words： demand forecast; E-commerce logistics; seasonal exponential smoothing method
0 引 言
物流需求有时间特性，需求随时间的变化归因于销售的增长和下降，需求模式的季节性变化以及多种因素导致的一般性波动，而指数平滑法就是一种将实际测量值分解成水平因素、趋势因素和周期因素3部分，然后综合起来进行预测，能有效地反映季节变动的影响[1]。在需求预测过程中，不同的预测维度可导致预测结果准确度不同，因此本文将通过3种不同维度对苏宁物流在乌鲁木齐主城区的配送需求进行预测，并对结果进行对比分析，以达到科学预测分析的目的。
1 预测方法与资料整理分析
1.1 季节性指数平滑法介绍。季节性指数平滑法是由温特斯（Winters）研究出来的一种比较高级形式的指数平滑方法。其优点在于把已有的时间序列分解成3种指标：水平（Alpha）、趋势（Gamma）、季节（Delta），再分别对其进行预测，然后将各种因子的平滑结合起来，再对原时间序列做出预测。这样就扩大了指数平滑法的应用范围，提高了对兼具趋势和季节变动两种因素的时间序列预测的准确性。
1.2 数据整理分析。本文对苏宁物流在乌鲁木齐主市区2016年1月至2017年12月的配送需求历史数据进行整理，分别得到主城区总需求历史数据、各行政区（天山区、沙依巴克区、新市区、水磨沟区）的需求历史数据、主城区中43个需求点的需求历史数据。通过对2016年至2017年的配送需求历史数据进行整理，发现整体需求呈现平稳上升趋势，同时每年的数据变化呈现出周期性波动，符合季节性指数平滑法的要求[2]。主城区及各行政区的配送需求历史数据如图1所示。
1.3 需求预测方法确定。本文采用SPSS24统计学软件进行数据分析，数据定义格式按照年月进行定义，将数据转化成以月为单位的时间序列数据，采用时间序列模型中的3种季节性指数平滑法分别建立模型。指数平滑法的近期观测值对预测值的影响进行了加强，将由近至远的权数按等比级数进行递减，其中等比级数的首项为平滑系数（Alpha）[3]。简单季节性模型主要包含水平（Alpha）和季节（Delta）2个指标，适用于序列具有线性时间趋势但无季节性变化，Winters加法模型和Winters乘法模型包含水平（Alpha）、趋势（Gamma）、季节（Delta）3个指标，分别适用于具有线性趋势和加法季节变化以及具有线性趋势和乘法季节变化[2]。在SPSS24中系统将自动计算出最适合的3种指标值。然后按组合预测的方法对3种预测结果进行加权计算。
2 数据分析结果
通过SPSS分别对主城区、4个行政区、43个需求点的历史需求数据进行2018年第一季度预测后得到结果，其中主城区的预测结果如表1所示。
主城区及各行政区通过SPSS24运行后得到的模型拟合度参数值如表2所示。
拟合度参数说明：平稳R方为拟合优度，其值越大表示拟合效果越好;Sig.是残差序列相关性检验，当Sig.的值大于0.05时，表示可以采用此种模型进行预测。
模型拟合度结果分析：平稳R方为拟合优度，其值越大表示拟合效果越好，简单季节性模型和Winters加法模型的平稳R方都在0.8左右波动， Winters乘法的平稳R方在0.5左右，这说明前2种方法的模型拟合度较好，Winters乘法的模型拟合度相比前2种略差，但通过对Sig.的观察发现所有模型均大于0.05，说明3种模型都可用于需求预测。
为了保证预测结果的科学性，本文按照组合预测的思想，将3种模型预测结果进行加权运算，每种模型的权数为三分之一。将通过加权计算后得到的预测值作为最终预测值进行后续结果分析。
對主城区及各行政区第一季度的3种模型的预测结果进行加权处理后得到结果如表3所示。 通过上述同样方法可以得到对主城区中43个点的第一季度3种模型的预测结果，经过加权统计后结果如表6所示。
3 预测结果准确度分析
本文通过对2018年1～3月预测的数据进行统计，并通过与2018年1～3月的真实数据进行对比，得到预测结果的准确度。
通过对表4的数据结果进行对比可以发现，以主市区总体需求量为维度进行预测后的预测值与实际需求量的误差为
-6.09%，此结果具有较好的预测效果。
通过对表5的数据结果进行对比可以发现，沙依巴克区和新市区的预测误差较低分别为-5.77%和-3.49%，预测效果较好，天山区和水磨沟区的预测误差分别为-7.26%和-9.11%，对比其他两个区误差稍大，但是预测误差仍小于10%，可以认为是较好的预测结果。通过各区预测结果进行累加之后得到的主城区预测结构同实际结果进行对比，预测误差为-5.89%，小于以主城区整体为维度的预测误差。
通过对表6的预测结果进行观察可以发现，每一需求点配送需求的预测误差基本保持在10%以内，只有个别几个需求点预测误差大于10%，但是也保持在20%以下的范围内，由于配送需求量受很多不确定因素的影响，这样的结果可以认为是保持在合理范围内。所有需求点的预测总量和实际总量之间的误差为-4.5%，明显小于以主城区和以4个行政区为维度进行预测的预测误差。
4 结 论
通过使用SPSS对苏宁物流在乌鲁木齐主城区的配送需求分别按3个维度进行季节性指数平滑预测，并对配送需求预测结果与实际配送需求数据进行对比，可以发现季节性指数平滑法可以进行有效预测，并且发现当对配送区域进行分割后的预测结果误差可以得到有效减小，说明本文的方法对电商物流企业的配送需求预测具有较好的预测效果。
参考文献：
[1] 杨茂盛，李银侠. 季节性指数平滑法在庫存商品需求预测中的应用[J]. 商场现代化，2007（19）：212-213.
[2] 张磊，刘艳红. 季节性指数平滑法预测深圳市宝安区涂阳肺结核发病人数的应用[J]. 中国医药导报，2015，12（18）：39-42.
[3] 刘珍文. 指数平滑技术在出院人数预测中的应用研究[J]. 中国卫生统计，2011，28（4）：459，461.