■ 楊 蕾 博士 張苗苗（河北金融學(xué)院經(jīng)濟(jì)貿(mào)易系 河北保定 071051）

問題的提出

物流需求預(yù)測(cè)就是根據(jù)物流市場(chǎng)過去和現(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)展趨勢(shì)進(jìn)行預(yù)測(cè)。物流需求預(yù)測(cè)的方法主要包括定性與定量兩大類。本文嘗試運(yùn)用時(shí)間序列預(yù)測(cè)方法對(duì)物流需求進(jìn)行定量預(yù)測(cè)。時(shí)間序列預(yù)測(cè)法就是通過編制和分析時(shí)間序列，根據(jù)時(shí)間序列所反映出來的發(fā)展過程、方向和趨勢(shì)，進(jìn)行類推或延伸，借以預(yù)測(cè)下一段時(shí)間或以后若干年內(nèi)可能達(dá)到的水平。它的前提是假定事物的過去延續(xù)到未來。

時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用分析

（一）樣本數(shù)據(jù)來源及平穩(wěn)化處理

1.樣本數(shù)據(jù)來源。表1為我國2004-2011年全社會(huì)貨運(yùn)總量月度數(shù)據(jù)。本文首先利用表中2004-2010年數(shù)據(jù)進(jìn)行建模，并對(duì)2011年各月份貨運(yùn)量進(jìn)行預(yù)測(cè)，從而確定各月的貨運(yùn)需求，然后再與2011年實(shí)際數(shù)據(jù)進(jìn)行對(duì)比，觀察模型預(yù)測(cè)效果，最后對(duì)2012年全年貨運(yùn)量進(jìn)行預(yù)測(cè)分析。模型的建立與預(yù)測(cè)主要利用Eviews6.0數(shù)據(jù)處理軟件（Econometrics Views，即計(jì)量經(jīng)濟(jì)學(xué)軟件包）來完成。

2.樣本數(shù)據(jù)平穩(wěn)化處理。首先，判斷數(shù)據(jù)的平穩(wěn)性。打開Eviews軟件，將2004-2010年貨運(yùn)量數(shù)據(jù)從Excel中導(dǎo)入Eviews，并將其定義為X序列，序列長度為n=84。首先，繪制序列X的趨勢(shì)圖（Quick/Graph/line），如圖1所示。

從圖1中可以看出，序列X不僅具有明顯的長期趨勢(shì)，還具有較強(qiáng)的季節(jié)變動(dòng)趨勢(shì)，因此序列X為不平穩(wěn)時(shí)間序列。

其次，進(jìn)行序列平穩(wěn)化處理。前文曾提到，對(duì)于不平穩(wěn)的時(shí)間序列數(shù)據(jù)要先對(duì)其進(jìn)行差分計(jì)算，使序列平穩(wěn)化。對(duì)于長期趨勢(shì)可進(jìn)行一階差分，而對(duì)于季節(jié)變動(dòng)的月度數(shù)據(jù)則需要進(jìn)行十二階差分。在Eviews主界面中寫入genr xt=d（x，1，12）命令，并定義平穩(wěn)后的序列為Xt，然后繪制新序列Xt的趨勢(shì)圖（Quick/Graph/line），如圖2所示。

從圖2中可以看出，序列Xt不具有明顯的趨勢(shì)性和周期性，認(rèn)為Xt為平穩(wěn)序列。

表1 全社會(huì)月貨運(yùn)總量合計(jì)數(shù)據(jù)（2004-2011年） 單位：億噸年份2004 20052006 2007 2008 2009 2010 2011月份112.5314.2015.0717.2018.5018.9924.4327.18 212.1413.0714.0115.4317.3518.2121.7024.90 312.8914.2115.5917.2519.3820.4325.2528.82 413.2914.6315.9517.5719.8420.9225.8229.20 513.3914.8716.4218.1720.6022.7626.5530.26 613.2814.8916.2718.7621.2123.3026.4030.31 712.8414.7616.1818.1620.4723.9527.4131.27 813.3314.9616.4618.4520.9324.6727.7331.68 913.4815.1717.0118.5721.3324.2227.8432.06 1014.0315.3216.9819.1721.1624.6028.3232.34 1114.2015.4317.0018.9919.7123.2827.7531.78 1215.7017.4222.4823.6423.7524.7631.7832.77注：數(shù)據(jù)來源于國家統(tǒng)計(jì)局網(wǎng)站。

（二）模型的識(shí)別與建立

1.模型的識(shí)別。利用Eviews軟件，可以很方便的得到自相關(guān)與偏自相關(guān)函數(shù)圖（Quick/Series Statistics/Correlogram），圖3為所得的序列Xt的自相關(guān)與偏自相關(guān)函數(shù)圖。

圖1全社會(huì)月貨運(yùn)總量線圖（2004-2010年）

圖2 差分后的序列線圖

圖3 序列自相關(guān)與偏自相關(guān)函數(shù)圖

圖4 殘差序列自相關(guān)函數(shù)圖

從圖3中可以很明顯地看出，自相關(guān)函數(shù)一階截尾，偏自相關(guān)函數(shù)一階截尾，初步設(shè)定n和m均為一階，可以考慮建立ARMA（1，1）模型。

2.ARMA模型的建立。在Eviews軟件中建立ARMA（1，1）模型（Quick/Equation Estimation/D（x，1，12）AR（1）MA（1）），得到模型擬合結(jié)果，如表2所示。

從表2中可以看出，AR（1）與MA（1）的P值均遠(yuǎn)大于0.05，即說明這兩個(gè)系數(shù)均不顯著，模型擬合不合理。

經(jīng)過多次試驗(yàn)比較不同的ARMA（n，m）模型，根據(jù)AIC（赤池準(zhǔn)則）和SC（施瓦茨準(zhǔn)則）最小化的原理，在綜合比較可決系數(shù)和殘差平方和的情況下，最后確定建模結(jié)果為MA（1）模型。擬合結(jié)果如表3所示。

3.模型的檢驗(yàn)。所建立的ARMA（n，m）模型是否合適，通常需要進(jìn)行檢驗(yàn)。常用的檢驗(yàn)方法有殘差分析檢驗(yàn)、單位根檢驗(yàn)等。

本文主要利用殘差分析檢驗(yàn)，通過計(jì)算殘差序列at的自相關(guān)與偏自相關(guān)函數(shù)來判斷殘差序列的獨(dú)立性。

在 ARMA模型擬合結(jié)果中得到殘差的自相關(guān)函數(shù)（View/Residual Tests/Correlogram-Q-statistics），結(jié)果如圖4所示。

從圖4中可以看出，殘差序列at的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)均在二倍標(biāo)準(zhǔn)差范圍內(nèi)，且Q統(tǒng)計(jì)量的P值都大于0.05，因此可以認(rèn)為殘差序列at為白噪聲序列，說明模型信息提取比較充分，建立的模型是合適的。

表2 ARMA模型擬合結(jié)果

表3 MA（1）模型擬合結(jié)果

表4 2011年各月貨運(yùn)量預(yù)測(cè)值 單位：億噸

表5 2012年各月貨運(yùn)量數(shù)據(jù) 單位：億噸

圖5 2011年貨運(yùn)量預(yù)測(cè)值與實(shí)際值對(duì)比圖

圖6 2012年各月貨運(yùn)量走勢(shì)圖

（三）模型預(yù)測(cè)

在模型通過檢驗(yàn)后，即可通過模型對(duì)未來月份的貨運(yùn)量進(jìn)行預(yù)測(cè)。在此首先對(duì)2011年全年各月份貨運(yùn)量進(jìn)行預(yù)測(cè)，步驟如下：

首先，要在Eviews中對(duì)時(shí)間范圍進(jìn)行修改，在主界面中，將時(shí)間范圍擴(kuò)展至預(yù)測(cè)期期末，即2011年12月。

其次，在模型擬合結(jié)果中，即表3中，點(diǎn)擊Forecast命令，對(duì)未差分的原序列X進(jìn)行動(dòng)態(tài)預(yù)測(cè)。

最后，在新生成的序列Xf中，可以得到2011年各月份貨運(yùn)量的預(yù)測(cè)結(jié)果，如表4所示。

至此，模型預(yù)測(cè)完畢，可以根據(jù)預(yù)測(cè)結(jié)果，在置信區(qū)間內(nèi)確定合適貨運(yùn)量，及時(shí)掌握可能的市場(chǎng)需求。

在得到預(yù)測(cè)結(jié)果后，可以將2011年貨運(yùn)量實(shí)際值與預(yù)測(cè)值進(jìn)行對(duì)比，檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)效果。如圖5所示，其中XF為預(yù)測(cè)值序列，Y為實(shí)際值序列。

從圖5中可以看出，在短期內(nèi)模型預(yù)測(cè)結(jié)果很好，預(yù)測(cè)值與實(shí)際值的走勢(shì)基本吻合。但同時(shí)也可以看出，預(yù)測(cè)值普遍大于實(shí)際值，預(yù)測(cè)精度并不太高。另外，隨著時(shí)間的推移，可以看出預(yù)測(cè)值與實(shí)際值間的差異不斷變大，這是因?yàn)楸疚牡念A(yù)測(cè)以時(shí)刻t為原點(diǎn)，即以2010年12月份數(shù)據(jù)為原點(diǎn)，因此所得到的預(yù)測(cè)值也僅適合t時(shí)刻的決策需求。

在實(shí)際工作中，在進(jìn)行需求預(yù)測(cè)時(shí)，為使預(yù)測(cè)值與真實(shí)值之間的差異達(dá)到最小，應(yīng)及時(shí)更新數(shù)據(jù)信息，盡量以最新數(shù)據(jù)為原點(diǎn)進(jìn)行預(yù)測(cè)，從而更好的為決策者提供決策指導(dǎo)，減小決策偏差。

（四）最終預(yù)測(cè)及建議

本文通過上述方法對(duì)2012年各月份貨運(yùn)量進(jìn)行預(yù)測(cè)，為了使預(yù)測(cè)誤差達(dá)到最小，使用國家統(tǒng)計(jì)局網(wǎng)站公布的最新數(shù)據(jù)，以2012年3月份的貨運(yùn)量數(shù)據(jù)為原點(diǎn)，對(duì)4月至12月的貨運(yùn)量進(jìn)行預(yù)測(cè)。得到結(jié)果如表5所示。

通過繪制2012年各月貨運(yùn)量走勢(shì)圖，不僅可以更為清晰地看出各月貨運(yùn)量的變化幅度，而且還能看出貨運(yùn)量的季節(jié)差異。

從圖6中可以看出，總體上全年各月的貨運(yùn)量變化幅度不大，但6-10月份貨運(yùn)量較大，且一直處于上升狀態(tài)，為貨運(yùn)旺季，此時(shí)應(yīng)注意增加存貨量，以滿足市場(chǎng)貨運(yùn)需求；而冬季貨運(yùn)量達(dá)到最小值，應(yīng)適時(shí)減少存貨。

1.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].武漢大學(xué)，2004

2.田根平，曾應(yīng)坤.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）

3.葛蔚，魏海軍.基于時(shí)間序列分析的物流企業(yè)運(yùn)輸量演化模式與案例研究[J].大連海事大學(xué)學(xué)報(bào)，2011，37（2）

4.鄧愛萍，肖奔.基于時(shí)間序列的市場(chǎng)需求預(yù)測(cè)模型研究[J].科學(xué)技術(shù)與工程，2009，9（23）