时间序列模型在物流需求预测中的应用.docVIP

时间序列模型在物流需求预测中的应用 　　内容摘要：本文通过介绍物流需求知识、预测方法及时间序列预测方法，采用随机时间序列模型进行物流需求预测。探讨时间序列模型在物流需求预测中的应用，以期为物流需求预测提供全新方法和借鉴。 　　关键词：物流需求预测 时间序列模型 ARMA模型 　　问题的提出 　　物流需求预测就是根据物流市场过去和现在的需求状况以及影响物流市场需求变化的因素之间的关系，利用一定的经验判断、技术方法和预测模型，应用合适的科学方法对有关反映市场需求指标的变化以及发展趋势进行预测。物流需求预测的方法主要包括定性与定量两大类。本文尝试运用时间序列预测方法对物流需求进行定量预测。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。它的前提是假定事物的过去延续到未来。 　　时间序列模型在物流需求预测中的应用分析 　　（一）样本数据来源及平稳化处理 　　1.样本数据来源。表1为我国2004-2011年全社会货运总量月度数据。本文首先利用表中2004-2010年数据进行建模，并对2011年各月份货运量进行预测，从而确定各月的货运需求，然后再与2011年实际数据进行对比，观察模型预测效果，最后对2012年全年货运量进行预测分析。模型的建立与预测主要利用Eviews6.0数据处理软件（Econometrics Views，即计量经济学软件包）来完成。 　　2.样本数据平稳化处理。首先，判断数据的平稳性。打开Eviews软件，将2004-2010年货运量数据从Excel中导入Eviews，并将其定义为X序列，序列长度为n=84。首先，绘制序列X的趋势图（Quick/Graph/line），如图1所示。 　　从图1中可以看出，序列X不仅具有明显的长期趋势，还具有较强的季节变动趋势，因此序列X为不平稳时间序列。 　　其次，进行序列平稳化处理。前文曾提到，对于不平稳的时间序列数据要先对其进行差分计算，使序列平稳化。对于长期趋势可进行一阶差分，而对于季节变动的月度数据则需要进行十二阶差分。在Eviews主界面中写入genr xt=d（x，1，12）命令，并定义平稳后的序列为Xt，然后绘制新序列Xt的趋势图（Quick/Graph/line），如图2所示。 　　从图2中可以看出，序列Xt不具有明显的趋势性和周期性，认为Xt为平稳序列。 　　（二）模型的识别与建立 　　1.模型的识别。利用Eviews软件，可以很方便的得到自相关与偏自相关函数图（Quick/Series Statistics/Correlogram），图3为所得的序列Xt的自相关与偏自相关函数图。 　　从图3中可以很明显地看出，自相关函数一阶截尾，偏自相关函数一阶截尾，初步设定n和m均为一阶，可以考虑建立ARMA（1，1）模型。 　　2.ARMA模型的建立。在Eviews软件中建立ARMA（1，1）模型（Quick/Equation Estimation/D（x，1，12）AR（1）MA（1）），得到模型拟合结果，如表2所示。 　　从表2中可以看出，AR（1）与MA（1）的P值均远大于0.05，即说明这两个系数均不显著，模型拟合不合理。 　　经过多次试验比较不同的ARMA（n，m）模型，根据AIC（赤池准则）和SC（施瓦茨准则）最小化的原理，在综合比较可决系数和残差平方和的情况下，最后确定建模结果为MA（1）模型。拟合结果如表3所示。 　　3.模型的检验。所建立的ARMA（n，m）模型是否合适，通常需要进行检验。常用的检验方法有残差分析检验、单位根检验等。 　　本文主要利用残差分析检验，通过计算残差序列at的自相关与偏自相关函数来判断残差序列的独立性。 　　在 ARMA模型拟合结果中得到残差的自相关函数（View/Residual Tests/Correlogram-Q-statistics），结果如图4所示。 　　从图4中可以看出，残差序列at的自相关函数和偏自相关函数均在二倍标准差范围内，且Q统计量的P值都大于0.05，因此可以认为残差序列at为白噪声序列，说明模型信息提取比较充分，建立的模型是合适的。 　　（三）模型预测 　　在模型通过检验后，即可通过模型对未来月份的货运量进行预测。在此首先对2011年全年各月份货运量进行预测，步骤如下： 　　首先，要在Eviews中对时间范围进行修改，在主界面中，将时间范围扩展至预测期期末，即2011年12月。 　　其次，在模型拟合结果中，即表3中，点击Forecast命令，对未差分的原序列X进行动态预测。 　　最后，在新生成的序列Xf中，可以得到2011年各月份货运量的预测结果，