本篇主要介绍物流运输与配送中常用的定量管理理论

本篇主要介绍物流运输与配送中常用的定量管理分析理论和决策方法。包括预测技术，库存优化问题，运输问题，车辆路径问题，连续点的选址等。第3篇数学方法篇（MAHTEMETICMETHODS）第11章预测技术（TechniqueforForecasting）第12章库存优化问题（InventoryProblem）第13章运输问题（TransportationProblem）第3篇数学方法篇（MAHTEMETICMETHODS）第11章预测技术（TechniqueforForecasting）预测作为一门新兴学科，愈来愈广地广泛的应用于社会各个领域，如社会预测、经济预测、科学预测、技术预测和军事预测等。所谓预测，是指对生产、装运或销售等方面有可能产生的流量或单位数的一种预示或估计。在物流运输与配送实践当中，许多决策问题能否有效地开展，都依赖于预测质量的好坏。如配送网络设计，运能规划，库存计划等。第11章预测技术（TechniqueforForecasting）11.1概述（Introduction）11.1.1预测概述（SummaryonForecast）11.1.2预测程序（Procedureofforecast）11.1.3物流预测方法的分类（ClassificationofMethodforForecastLogistics）11.1.4预测方法的选择（SelectionofMethods）11.2时间序列预测技术（TechniqueforTimeSequenceForecast）11.2.1移动平均预测法（MovingAverageForecast）11.2.2指数平滑预测法（ExponentialSmoothingForecast）11.3回归分析预测技术（TechniqueforRegressionAnalysisForecast）11.3.1一元线性回归预测法（SingleRegressionForecast）11.3.2多元线性回归预测分析（MultipleRegressionForecast）11.1.1预测概述

物流预测就是根据客观事物的过去和现在的发展规律，借助科学的方法和手段，对物流管理发展趋势和状况进行描述、分析，形成科学的假设和判断的一种科学理论。物流预测技术可以推动物流信息系统的计划并加以协调，通常可预测未来出现的事件，也可以是定期对配送中心装运的某一产品进行预测，也可以对几个星期的资料进行汇总，做出分析和报告。11.1概述11.1.2预测程序11.1概述11.1.3物流预测方法的分类1.判断预测(定性)技术在一种有组织的形式下，搜集各个人对分析过程所作的判断，然后进行预测。2.时间序列预测基于事物发展具有历史继承性这一规律而进行。3.因果预测技术从预测对象同其制约因素之间的因果关系着手进行预测。这类方法注重研究外因对事物发展变化的影响。（计量经济模型、投入产出法、回归模型）11.1概述11.1.4预测方法的选择名称范围适用情况需做工作定性预测法短、中、长期对缺乏历史统计资料或趋势面临转折的事件进行预测需做大量的调查研究工作时间序列预测法短、中期只适于进行短期预测只需要时间序列历史数据一元线性回归预测法短、中期自变量与因变量之间存在线性关系需费大量时间为两个变量收集数据多元线性回归预测法短、中期因变量与两个或两个以上的自变量之间存在线性关系需费大量时间为所有变量收集历史数据，需借助于计算机计算非线性回归预测法短、中期因变量与一个或多个自变量之间存在某种非线性关系需收集历史数据，并用几个非线性模型试验，需借助于计算机计算11.1概述11.2时间序列预测技术时间序列法又称时间数列方法，是一种利用包含相对清楚而又稳定关系和趋势的数据统计方法，展示了事物在一定的时期内的发展变化过程，考虑到事物发展的历史继承性，可以通过选择适当的模型形式和模型参数，运用惯性原理对事物未来的发展趋势进行预测，称为时间序列预测。时间序列被用于识别：产生季节因素的数据系统变量；周期变化模式；趋势值；趋势增长率。11.2.1移动平均预测法移动平均法的基本思想是，每次取一定周期长度的观察值的平均值，并按时间次序逐次推进，每增加一个时段时，就去掉前一时段的数值，再计算平均值。移动平均法用最近几期的平均数来预测下一期的可能值，既可以消除或减少随机变动的影响，又能发现数据的演变趋势。若资料数据单纯围绕某一水平作随机跳动，宜采用一次移动平均数法；若资料具有持续的线性增长（或下降）趋势时，宜采用二次移动平均数法。11.2时间序列预测技术已知数据据时间序序列为：：x0，x1，x2，……，，xn，以M(t）(1)表示第t时刻的的时间序序列的一一次移动动平均值值，以N表示参参与“平平均”的的实际值值个数，，也称数数据的间间距或移移动的步步长，则则有：1.一一次移动动平均法法11.2时间序列预测技术预测某企企业产品品的销售售量。取取N=5。计算算一次移移动平均均数:月12345678910销售量Xt45526048525558626467一次移动平均值━━━━51.453.454.65558.261.2计算出的的移动平平均数也也构成了了时间序序列。一一般情况况下，如如果时间间序列没没有明显显的倾向向变动和和周期变变动，可可用。。11.2时间序列预测技术由表中所所列的结结果看来来，由移移动平均均计算后后所得到到的新数数列，其其数据起起伏波动动的范围围变小了了，异常常大和异异常小的的数据值值被修匀匀了。从从而异常常数据对对移动平平均值的的影响不不大。因因此移动动平均预预测有较较好的抗抗干扰能能力，可可以在一一定程度度上描述述时间序序列变化化的趋势势。11.2时间序列预测技术移动平均均预测法法对时间间序列中中数据变变化的反反映速度度及对干干扰的修修均能力力，取决决于N的的值。随随着N的的减小，，移动平平均对时时间序列列数据变变化的反反映敏感感性增加加，但修修匀能力力下降；；而N增增大，移移动平均均对时间间序列数数据变化化的反映映敏感性性减小，，但对时时间序列列的修匀匀能力却却上升，，所以移移动平均均法的修修匀能力力与时间间序列数数据变化化的敏感感性是矛矛盾的，，两者不不可兼得得，因此此在确定定N的时时候，一一定要根根据时间间序列的的特点来来确定。。11.2时间序列预测技术一般，N的选择择原则是是：（1）由由所需处处理的时时间序列列的数据据点的多多少而定定。数据据点多，，可以取取得大一一些；（2）要要由已有有的时间间序列的的趋势而而定，趋趋势平稳稳并基本本保持水水平状态态的，可可以取得得大一些些；趋势势平稳并并保持阶阶梯性或或周期性性增长的的，应该该取得小小一些；；趋势不不稳并有有脉冲式式增减的的，应取取得大一一些。11.2时间序列预测技术当时间序序列有明明显线性性变化趋趋势时，，上述方方法存在在滞后偏偏差，使使预测值值偏低。。为解决决这一问问题，采采用二次次移动平平均法。。上面介介绍的一一次移动动平均数数本身也也构成一一个时间间序列，，在此基基础上再再作一次次移动平平均，之之后建立立线性预预测模型型进行预预测，就就是二次次移动平平均法。。2.二二次移动动平均法法11.2时间序列预测技术二次移动动平均法法的线性性预测模模型为：：式中t——当前前的时间间序号；；T——由当当前时间间到预测测时间的的时间间间隔数，，即超前前时间间间隔；——线性性模型的的截距；；——线性性模型的的斜率；；——第时时间间的预测测值。11.2时间序列预测技术其中，仍举上例例。取N=5。。计算二二次移动动平均数数:月12345678910运输量Xt45526048525558626467二次移动平均值━━━━━━━━54.5256.48月12345678910销售量Xt45526048525558626467一次移动平均值━━━━51.453.454.65558.261.2一次移动动平均数数：11.2.2指指数数平滑预预测法指数平滑滑预测法法，是与与以前需需求水平平和预测测水平加加权平均均数数所所估计的的未来年年销量为为基础的的，是在在移动平平均预测测法的基基础上发发展起来来的一种种预测方方法。新新的预测测函数引引入参数数α。它它包括一一次指数数平滑预预测法、、二次指指数平滑滑预测法法和高次次指数平平滑法。。一次指数数平滑预预测法，，利用时时间序列列中本期期的实际际值与本本期的预预测值加加权平均均作为下下一期的的预测值值。式中,————在t+1时刻刻的一次次指数平平滑值(t时刻刻预测值值)；——平滑滑常数，，规定。。——在t时刻的的实际值值。；例11-1某某企业对对某年度度l~11月某某种物资资的价格格情况进进行了统统计，见见表，试试用一次次指数平平滑法对对该年12月份份该物资资的市场场价格进进行预测测。月份期数市场价格（元/吨）预测值月份期数市场价格（元/吨）预测值1120077155187.42213520088130158.233195141.599220132.844197189.71010277211.355310196.71111235270.966175298.71212238.6解:应应用指指数平滑滑公式进进行预测测，首先先应选取取，，并确确定。。设＝＝0.9，，＝＝xt。应用指数数平滑公公式进行行预测，，就应首首先确定定，，被被称为为初始值值。初始始值是不不能直接接得到的的，应该该通过其其他方法法选取或或直接选选用当期期实际值值。称称为平滑滑系数，，其值为为，取值大大小体现现了不同同时期数数据在预预测中所所起的作作用，值值越越大，越越反映近近期数据据变化趋趋势，模模型灵敏敏度越高高；值值越小，，越反映映长期的的大致发发展趋势势。掌握握值值，，是用好好指数平平滑模型型的一个个重要技技巧，一一般采用用多方案案比较方方法，从从中选出出最能反反映实际际值变化化规律的的值值。11.3回归归分析预预测技术术回归预测测技术就就是根据据存在于于现象之之间的内内在因果果关系和和函数关关系建立立回归模模型的方方法，用用来从某某一现象象的变动动，来估估计另一一现象的的变化方方向和程程度，也也就是从从一种现现象变化化的因，，来推测测另一现现象变化化的果。。因此，，回归预预测也叫叫因果预预测。回回归预测测按所包包含的自自变量的的多少，，可分为为一元回回归预测测法和多多元回归归预测法法。11.3.1一一元元线性回回归预测测分析假设变量量x与变变量y是是线性相相关的，，且有相相关方程程为：式中：a，b———回归归系数。。回归系数可可用最小二二乘法由观观测数据计计算得知。。显然，如果果已知其中中一个变量量的未来值值，那么可可以通过上上述公式预预测另一个个变量的未未来值。问问题在于，，假设中的的线性关系系是否存在在，或者说说线性相关关程度多大大？研究两两个变量x与y之间间是否存在在线性相关关关系，通通常的办法法是将独立立的n对观观测数据在在坐标标上画出散散点图，由由直观观察察进行判断断，散点是是否沿直线线排列。但但这是两个个变量的线线性相关程程度到底有有多大，还还要借助于于数理统计计分析。相关系数是是描述两个个变量线性性关系密切切程度的数数量指示（（用γ表示），它它的计算公公式如下：：当γ=0时，表表示X，Y没有线性性关系；当当0<γ<1时，表表示X，Y正线性相相关；-1<γ<0时，表表示X，Y负线性相相关。一般来讲，，只有当|γ|较大时，，用线性回回归模型描描述Y与X的相关关关系，才有有实际价值值。实际检检验时，需需要查相关关系数检验验表。在一元线性性回归中，，还可以用用F检验判判断模型的的显著性，，用t检验验判断回归归系数的显显著性，这这几种检验验是相互等等价的。11.3.2多多元线性回回归预测分分析在实际中，，与某一个个变量有关关的因素往往往不是一一个，而是是多个。例例如企业生生产量的影影响因素，，除了原材材料供应商商服务状况况，还有诸诸如企业本本身生产能能力以及最最终用户和和需求等因因素，多元元线性回归归法就是研研究对一个个因变量有有两个或两两个以上影影响因素的的相关关系系进行预测测的方法。。多元线性性回归分析析方法是一一元线性回回归理论与与技术在多多变量线性性关系系统统中的重要要延伸，也也是预测中中常使用的的方法。多元线性回回归分析预预测法是对对自变量和和因变量的的n组统计计数据，，，，进行分分析，明确确因变量y与各个自自变量间存存在线性相相关关系的的基础上，，给出适宜宜的线性回回归方程。。并据此做做出关于因因变量y的的发展变化化趋势的预预测。类似于一元元线性回归归分析，可可以用线性性方程来近似描述述y与之之间间的线性相相关关系，，它的参数数也可以用用最小二乘乘法进行估估计。设则参数为为m元元一次联立立方程组的的解：式中用矩阵表示示则例：某企业业分析了某某物资的采采购量、资资源量与价价格间的关关系，见表表。由此得得知它们是是线性相关关的，试求求出回归方方程并预测测资源量为为3500吨，价格格为1.90元时的的市场采购购量。采购量（吨）23523825626427127328929830431