王根基 李莉

摘 ?要：文章以新疆蘇寧物流在烏魯木齊主城區(qū)的配送需求預(yù)測(cè)為例，通過(guò)SPSS中3種季節(jié)性指數(shù)平滑模型，對(duì)2018年前3個(gè)月的配送需求按組合預(yù)測(cè)的思想進(jìn)行了3種維度的預(yù)測(cè)。通過(guò)與實(shí)際數(shù)據(jù)對(duì)比發(fā)現(xiàn)，文中方法可以對(duì)配送需求進(jìn)行有效預(yù)測(cè)，且區(qū)域劃分后得到的預(yù)測(cè)結(jié)果準(zhǔn)確度得到明顯提升。

關(guān)鍵詞：需求預(yù)測(cè);電商物流;季節(jié)性指數(shù)平滑法

中圖分類(lèi)號(hào)：F252.14 ? ?文獻(xiàn)標(biāo)識(shí)碼：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

物流需求有時(shí)間特性，需求隨時(shí)間的變化歸因于銷(xiāo)售的增長(zhǎng)和下降，需求模式的季節(jié)性變化以及多種因素導(dǎo)致的一般性波動(dòng)，而指數(shù)平滑法就是一種將實(shí)際測(cè)量值分解成水平因素、趨勢(shì)因素和周期因素3部分，然后綜合起來(lái)進(jìn)行預(yù)測(cè)，能有效地反映季節(jié)變動(dòng)的影響[1]。在需求預(yù)測(cè)過(guò)程中，不同的預(yù)測(cè)維度可導(dǎo)致預(yù)測(cè)結(jié)果準(zhǔn)確度不同，因此本文將通過(guò)3種不同維度對(duì)蘇寧物流在烏魯木齊主城區(qū)的配送需求進(jìn)行預(yù)測(cè)，并對(duì)結(jié)果進(jìn)行對(duì)比分析，以達(dá)到科學(xué)預(yù)測(cè)分析的目的。

1 ?預(yù)測(cè)方法與資料整理分析

1.1 ?季節(jié)性指數(shù)平滑法介紹。季節(jié)性指數(shù)平滑法是由溫特斯（Winters）研究出來(lái)的一種比較高級(jí)形式的指數(shù)平滑方法。其優(yōu)點(diǎn)在于把已有的時(shí)間序列分解成3種指標(biāo)：水平（Alpha）、趨勢(shì)（Gamma）、季節(jié)（Delta），再分別對(duì)其進(jìn)行預(yù)測(cè)，然后將各種因子的平滑結(jié)合起來(lái)，再對(duì)原時(shí)間序列做出預(yù)測(cè)。這樣就擴(kuò)大了指數(shù)平滑法的應(yīng)用范圍，提高了對(duì)兼具趨勢(shì)和季節(jié)變動(dòng)兩種因素的時(shí)間序列預(yù)測(cè)的準(zhǔn)確性。

1.2 ?數(shù)據(jù)整理分析。本文對(duì)蘇寧物流在烏魯木齊主市區(qū)2016年1月至2017年12月的配送需求歷史數(shù)據(jù)進(jìn)行整理，分別得到主城區(qū)總需求歷史數(shù)據(jù)、各行政區(qū)（天山區(qū)、沙依巴克區(qū)、新市區(qū)、水磨溝區(qū)）的需求歷史數(shù)據(jù)、主城區(qū)中43個(gè)需求點(diǎn)的需求歷史數(shù)據(jù)。通過(guò)對(duì)2016年至2017年的配送需求歷史數(shù)據(jù)進(jìn)行整理，發(fā)現(xiàn)整體需求呈現(xiàn)平穩(wěn)上升趨勢(shì)，同時(shí)每年的數(shù)據(jù)變化呈現(xiàn)出周期性波動(dòng)，符合季節(jié)性指數(shù)平滑法的要求[2]。主城區(qū)及各行政區(qū)的配送需求歷史數(shù)據(jù)如圖1所示。

1.3 ?需求預(yù)測(cè)方法確定。本文采用SPSS24統(tǒng)計(jì)學(xué)軟件進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)定義格式按照年月進(jìn)行定義，將數(shù)據(jù)轉(zhuǎn)化成以月為單位的時(shí)間序列數(shù)據(jù)，采用時(shí)間序列模型中的3種季節(jié)性指數(shù)平滑法分別建立模型。指數(shù)平滑法的近期觀測(cè)值對(duì)預(yù)測(cè)值的影響進(jìn)行了加強(qiáng)，將由近至遠(yuǎn)的權(quán)數(shù)按等比級(jí)數(shù)進(jìn)行遞減，其中等比級(jí)數(shù)的首項(xiàng)為平滑系數(shù)（Alpha）[3]。簡(jiǎn)單季節(jié)性模型主要包含水平（Alpha）和季節(jié)（Delta）2個(gè)指標(biāo)，適用于序列具有線性時(shí)間趨勢(shì)但無(wú)季節(jié)性變化，Winters加法模型和Winters乘法模型包含水平（Alpha）、趨勢(shì)（Gamma）、季節(jié)（Delta）3個(gè)指標(biāo)，分別適用于具有線性趨勢(shì)和加法季節(jié)變化以及具有線性趨勢(shì)和乘法季節(jié)變化[2]。在SPSS24中系統(tǒng)將自動(dòng)計(jì)算出最適合的3種指標(biāo)值。然后按組合預(yù)測(cè)的方法對(duì)3種預(yù)測(cè)結(jié)果進(jìn)行加權(quán)計(jì)算。

2 ?數(shù)據(jù)分析結(jié)果

通過(guò)SPSS分別對(duì)主城區(qū)、4個(gè)行政區(qū)、43個(gè)需求點(diǎn)的歷史需求數(shù)據(jù)進(jìn)行2018年第一季度預(yù)測(cè)后得到結(jié)果，其中主城區(qū)的預(yù)測(cè)結(jié)果如表1所示。

主城區(qū)及各行政區(qū)通過(guò)SPSS24運(yùn)行后得到的模型擬合度參數(shù)值如表2所示。

擬合度參數(shù)說(shuō)明：平穩(wěn)R方為擬合優(yōu)度，其值越大表示擬合效果越好;Sig.是殘差序列相關(guān)性檢驗(yàn)，當(dāng)Sig.的值大于0.05時(shí)，表示可以采用此種模型進(jìn)行預(yù)測(cè)。

模型擬合度結(jié)果分析：平穩(wěn)R方為擬合優(yōu)度，其值越大表示擬合效果越好，簡(jiǎn)單季節(jié)性模型和Winters加法模型的平穩(wěn)R方都在0.8左右波動(dòng)， Winters乘法的平穩(wěn)R方在0.5左右，這說(shuō)明前2種方法的模型擬合度較好，Winters乘法的模型擬合度相比前2種略差，但通過(guò)對(duì)Sig.的觀察發(fā)現(xiàn)所有模型均大于0.05，說(shuō)明3種模型都可用于需求預(yù)測(cè)。

為了保證預(yù)測(cè)結(jié)果的科學(xué)性，本文按照組合預(yù)測(cè)的思想，將3種模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)運(yùn)算，每種模型的權(quán)數(shù)為三分之一。將通過(guò)加權(quán)計(jì)算后得到的預(yù)測(cè)值作為最終預(yù)測(cè)值進(jìn)行后續(xù)結(jié)果分析。

對(duì)主城區(qū)及各行政區(qū)第一季度的3種模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)處理后得到結(jié)果如表3所示。

通過(guò)上述同樣方法可以得到對(duì)主城區(qū)中43個(gè)點(diǎn)的第一季度3種模型的預(yù)測(cè)結(jié)果，經(jīng)過(guò)加權(quán)統(tǒng)計(jì)后結(jié)果如表6所示。

3 ?預(yù)測(cè)結(jié)果準(zhǔn)確度分析

本文通過(guò)對(duì)2018年1～3月預(yù)測(cè)的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，并通過(guò)與2018年1～3月的真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，得到預(yù)測(cè)結(jié)果的準(zhǔn)確度。

通過(guò)對(duì)表4的數(shù)據(jù)結(jié)果進(jìn)行對(duì)比可以發(fā)現(xiàn)，以主市區(qū)總體需求量為維度進(jìn)行預(yù)測(cè)后的預(yù)測(cè)值與實(shí)際需求量的誤差為

-6.09%，此結(jié)果具有較好的預(yù)測(cè)效果。

通過(guò)對(duì)表5的數(shù)據(jù)結(jié)果進(jìn)行對(duì)比可以發(fā)現(xiàn)，沙依巴克區(qū)和新市區(qū)的預(yù)測(cè)誤差較低分別為-5.77%和-3.49%，預(yù)測(cè)效果較好，天山區(qū)和水磨溝區(qū)的預(yù)測(cè)誤差分別為-7.26%和-9.11%，對(duì)比其他兩個(gè)區(qū)誤差稍大，但是預(yù)測(cè)誤差仍小于10%，可以認(rèn)為是較好的預(yù)測(cè)結(jié)果。通過(guò)各區(qū)預(yù)測(cè)結(jié)果進(jìn)行累加之后得到的主城區(qū)預(yù)測(cè)結(jié)構(gòu)同實(shí)際結(jié)果進(jìn)行對(duì)比，預(yù)測(cè)誤差為-5.89%，小于以主城區(qū)整體為維度的預(yù)測(cè)誤差。

通過(guò)對(duì)表6的預(yù)測(cè)結(jié)果進(jìn)行觀察可以發(fā)現(xiàn)，每一需求點(diǎn)配送需求的預(yù)測(cè)誤差基本保持在10%以?xún)?nèi)，只有個(gè)別幾個(gè)需求點(diǎn)預(yù)測(cè)誤差大于10%，但是也保持在20%以下的范圍內(nèi)，由于配送需求量受很多不確定因素的影響，這樣的結(jié)果可以認(rèn)為是保持在合理范圍內(nèi)。所有需求點(diǎn)的預(yù)測(cè)總量和實(shí)際總量之間的誤差為-4.5%，明顯小于以主城區(qū)和以4個(gè)行政區(qū)為維度進(jìn)行預(yù)測(cè)的預(yù)測(cè)誤差。

4 ?結(jié) ?論

通過(guò)使用SPSS對(duì)蘇寧物流在烏魯木齊主城區(qū)的配送需求分別按3個(gè)維度進(jìn)行季節(jié)性指數(shù)平滑預(yù)測(cè)，并對(duì)配送需求預(yù)測(cè)結(jié)果與實(shí)際配送需求數(shù)據(jù)進(jìn)行對(duì)比，可以發(fā)現(xiàn)季節(jié)性指數(shù)平滑法可以進(jìn)行有效預(yù)測(cè)，并且發(fā)現(xiàn)當(dāng)對(duì)配送區(qū)域進(jìn)行分割后的預(yù)測(cè)結(jié)果誤差可以得到有效減小，說(shuō)明本文的方法對(duì)電商物流企業(yè)的配送需求預(yù)測(cè)具有較好的預(yù)測(cè)效果。

參考文獻(xiàn)：

[1] 楊茂盛，李銀俠. 季節(jié)性指數(shù)平滑法在庫(kù)存商品需求預(yù)測(cè)中的應(yīng)用[J]. 商場(chǎng)現(xiàn)代化，2007（19）：212-213.

[2] 張磊，劉艷紅. 季節(jié)性指數(shù)平滑法預(yù)測(cè)深圳市寶安區(qū)涂陽(yáng)肺結(jié)核發(fā)病人數(shù)的應(yīng)用[J]. 中國(guó)醫(yī)藥導(dǎo)報(bào)，2015，12（18）：39-42.

[3] 劉珍文. 指數(shù)平滑技術(shù)在出院人數(shù)預(yù)測(cè)中的應(yīng)用研究[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì)，2011，28（4）：459，461.