趙彥軍+陳玉

摘 要：文章通過介紹物流需求預(yù)測知識及時間序列分析方法，采用隨機時間序列ARMA模型進行物流需求預(yù)測，探索了時間序列分析方法在物流需求預(yù)測中的應(yīng)用。

關(guān)鍵詞：時間序列分析；物流需求；ARMA模型；預(yù)測

中圖分類號：F253 文獻標識碼：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)測是根據(jù)物流市場過去和現(xiàn)在的需求狀況以及影響物流市場需求變化的因素之間的關(guān)系，利用一定的經(jīng)驗判斷、技術(shù)方法和預(yù)測模型，應(yīng)用合適的科學(xué)方法對有關(guān)反映市場需求指標的變化以及發(fā)展的趨勢進行預(yù)測。

精確的需求預(yù)測可以促進物流信息系統(tǒng)和生產(chǎn)設(shè)施能力的計劃和協(xié)調(diào)，并且通過物流需求預(yù)測可以確定產(chǎn)品是如何向配送中心和倉庫或者零售商進行分配的。

本文運用時間序列分析方法對物流需求進行定量預(yù)測。時間序列分析方法就是通過編制和分析時間序列，根據(jù)時間序列所反映出來的發(fā)展過程、方向和趨勢，進行類推，來預(yù)測下一時間段或以后若干年內(nèi)可能達到的水平。

1 時間序列分析方法在物流需求預(yù)測中的應(yīng)用分析

1.1 樣本數(shù)據(jù)來源

表1為我國1990～2015年全國貨運總量年度數(shù)據(jù)，試對該時間序列進行建模并預(yù)測。

1.2 問題分析與模型建立

首先畫出數(shù)據(jù)的趨勢圖（如圖1），這一時間序列是具有明顯趨勢且不含有周期性變化的經(jīng)濟波動序列，即為非平穩(wěn)的時間序列，對此序列進行建模預(yù)測需要用非平穩(wěn)時間序列分析方法。

采用模型：X =μ +Y ，其中μ 表示X 中隨時間變化的趨勢值，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

從圖1中可以判斷出全國貨運總量的確定趨勢是按指數(shù)趨勢發(fā)展的，因此設(shè)μ =ab ，其中a，b為待定系數(shù)。對指數(shù)曲線線性化，即取對數(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)測的數(shù)據(jù)散點圖，與原數(shù)據(jù)曲線圖做對比，如圖2。

由圖2可知，僅用指數(shù)回歸的效果較差。

1.3.2 隨機性趨勢

（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圖3可知，該序列有很大的波動性，可以認為是非平穩(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進行差分使其平穩(wěn)化，觀察其差分散點圖如圖4，可認為二次差分后序列是平穩(wěn)的，即令：

得到序列r ，我們可認為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) 在尾部為隨機區(qū)（在零附近波動）。

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

=628.707190，故可認為是ARMA1，2模型。

對模型w =c+φ w +ε +θ ε +θ ε 進行參數(shù)估計。根據(jù)Matlab—R2012a軟件得到最大似然估計一次運行參數(shù)估計值： =8.4442， =-0.9622， =1.5276， =0.9987。于是ARMA1，2模型為：

（4）模型的檢驗與預(yù)測。由（*）式及Matlab—R2012a程序，進行模型的檢驗和預(yù)測。得到殘差向量的檢驗值為0，說明模型是可用的。同時可得出未來三年w 的預(yù)測值為232 710，-153 180，147 400。

2 結(jié) 論

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

參考文獻：

[1] 趙靜，但琦. 數(shù)學(xué)建模與數(shù)學(xué)實驗[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：機械工業(yè)出版社，2011.

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

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

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

[7] 田根平，曾應(yīng)昆. 基于時間序列模型在物流需求預(yù)測中的應(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)的時間序列分析方法在物流需求預(yù)測中的應(yīng)用[J]. 物流科技，2007（6）：3-5.

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