管理经济学第四章需求预测课件

前面几章分析了需求函数、需求曲线和需求弹性概念与理论，这对企业经营管理与决策起重要的作用。但是企业不仅要用这些没预测有三种办法：

①市场调查法，②市场实验法，③统计分析法。一、市场调查法也叫消费者访问，通过对消费者直接进行调查，从而估计、判断消费者对此类产品的需求偏好，价格期望潜在需求。此类方法在进行访问之前，要拟订调查提纲，例如，抽样消费者的类型，访问问题的设计比较重要。第四章

需求预测

市场调查的方式有面谈调查、电话调查，邮寄调查和留置询问表调查等。①面谈调查。分为个人面谈与小组面谈。调查者与被访问者面对面提问题。这样可以根据被访问者的面部表情，回答问题的态度、语调做出判断、理解。例如，生产企业就某一新产品投放市场后，消费者的反应，有意的请几个典型的消费者，营业员进行访问。常用于新家私、时装。成本高。②电话调查。对抽样的被调查对象，用电话询问被调查者的意见、看法。这种方法比较简便、成本低。常见于，房地产开发商与客户的联系。③邮寄调查。将设计好的问卷通过邮件送到被调查者手中，请被调查者填好后，在邮回。这种方法应用受到限制，随着居民生活节奏加快，很多居民都不愿意参与。回收率很低，一般要事先告诉被调查者，对参与者，通过抽号对部分参与者给以奖励。或者，一些机械设备厂商对有一定联系的老客户采用邮寄调查。④留置询问表调查。调查人员将调查表向被调查者作了解释之后，说明一些回答问题的方法。留调查表给被调查者自行填写在寄回。常见保险公司对中小学生的人寿、教育、婚嫁保险，采用这种方法较多。保险公司通过学校、老师将调查表发到学生家长手中，填完调查表再经由学校收集。从而保险公司从回收的调查表中，可以分析、了解，有投保意向的学生家长，再派人到你家中一次、二次地说服你投保。这种方法，关键是要让被调查者寄回调查表格。

解：①当价格为9元时，可能有多少人买Q=500*0+300*0.2+125*0.4+50*0.6+25*0.8+0*1=160个②当价格8元时Q=300*0+225*0.2+175*0.4+150*0.6+100*0.8+50*1=335个③当价格7元时Q=100*0+150*0.2+250*0.4+250*0.6+150*0.8+100*1=500个④当价格6元时Q=50*0+100*0.2+100*0.4+300*0.6+250*0.8+200*1=640个⑤当价格5元时Q=0*0+25*0.2+50*0.4+225*0.6+300*0.8+400*1=800个

把以上数据绘成曲线如下：

价格

987654321

0123456789百个需求曲线的方程也可以求出，公式如下：

在需求曲线上找到最靠近直线的两点。

例如（8，5），（6.4，6）代入上式则这种调查方法的可信度如何？取决于什么？请同学们讨论1、被调查人的素质；2、如何取得数据；3、调查人的引导；4、样本数量；

统计方法可以有多种，主要的是回归分析法。回归分析法的原理是用最小二乘法的基本原理，找出拟合多组观察数据的最佳拟合曲线。（汽车价格与汽车需求量）

三、统计法

D1S1AP1D2S2D3S3P2P3D

Q1Q2Q3需求量价格

在实际工作中，人们往往采取这样的做法：某企业已知第一季度、第二季度和第三季度价格和销售量的数据，求出曲线AB,是不是AB就是该商品的需求曲线呢？很可能不是。在考虑非价格时，第一季度需求曲线为D，与供给曲线S相交。价格与需求量分别为P1,Q1,由于非价格因素变化，如消费者收入增加、替代商品涨价等因素，第二、三季度需求曲线向右移动到D2,D3位置。AB是市场均衡点的轨迹。所以，在确定需求曲线时，必须分析①需求又没有移动，②分析需求曲线与供给曲线是如何移动的。（一）需求函数的认别

1.确定自变量在进行回归分析之前，首先要通过分析，确定影响市场需求量的变量（即影响因素）。如果变量确定错了，即使计算很仔细、精确，结果都是错的。有人把英国人口数作为应变量，南极的企鹅数量作为自变量，根据历年的数据，进行统计回归，相关程度很高。其实英国人口与企鹅数量毫无关系。硬要把他们作一种函数关系，结果就会是笑话。所以，确定自变量很重要。一般的因素有商品价格、消费者收入、相关商品的价格等。但对某些具体商品还要具体分析。例如，某市电冰箱的需求与什么有关呢？一般消费者收入水平、冰箱价格、城市家庭数量（即人口）等作为自变量。（二）回归分析法的步骤

②幂函数，如：需求函数不是线性函数，X、Y、Z为函数中的自变量，分别代表影响需求量的函数，代表待求的参数。幂函数是非线性函数，不能利用最小二乘法进行参数估计，所以，要把幂函数换算成线性方程。

如令

以上线性方程就可以用最小二乘法，求解参数假如需求函数（回归方程）的形式为一元线性方程。

y=α+βx现有一组观察数据为：画在图上，

4.估计模型参数y=α+βx0yx假如y=α+βx是n个观察数据的拟合，那么表示回归后的曲线与实际观察数据之差异

越大，说明误差越大越小，说明，曲线对实际观察数据的拟合程度越好

∴

→最小时，曲线拟合误差达到最小，求微分：

[例]假定企业产品销量与市场营销费用有很强的相关性，历史数据如下：单位：（十万元，万件）序号123456789营销费1.51.82.43.03.53.94.44.85.0销售量4.86.77.08.310.912.413.114.015.3

解：令回归方程为则回归参数计算公式为：

由回归方程可知，企业每增加十万元销售收入，可以增加2.9万件销量。于是

上述估算出来的回归方程，究竟能否很好说明营销费用与销售量之间的相关关系呢？还要用统计方法进行测定。

可决系数表示，说明整个回归方程能在多大程度上说明因变量的变化。即：定义为在因变量的全部变动中，可由回归模型中全部自变量来解释的比例大小。

说明，该企业的销售量的变化，约有82.4%可由营销费用的变动来解释。可以从0到1.00表示求得的回归模型完全不能解释因变量地变动1表示回归模型能够解释因变量的全部变动，也就是说，所有的数据都落在回归线上⑴可决系数

估计校准误差用来测定整个回归模型的准确程度。例如，在一定的统计可信程度下，因变量将会与期落在多大的区间内。假定误差项正态分布于回归直线附近，根据概率论知识有：因变量的实际观察值（Se为标准差）：

①68%的概率

②95%的概率

③99%的概率

⑵估计校准误差（Se）

绝大多数的企业非常关心销售量预测，他们的方法很多，从简单到复杂，从定性到定量，各有长短，以下介绍几种常用的预测销售量的方法：（一）德尔菲法德尔菲法，又称专家调查法，是美国兰德（Rand）公司于1964年发明并首先使用的预测技术。德尔菲方法是专家背靠背的，专家之间互相不见面，消除专家之间的心理因素的影响，避免权威、领导等对大家的影响。

德尔菲法的具体步骤如下：

四、需求预测第一步，选择参与预测的专家，一般在10-50人为宜。专家的选择互关重要，选择相关领域的知名专家。第二步，向每位参与者发放预测的问题及说明。调查表所提问题设计的好坏，对预测精度影响较大。问题提地是否集中、确切、可回答性等对结果影响很大。第三步，收集参与的专家的调查表格，整理结果。例如，对杭州市2000年家庭小汽车需求调查，专家第一轮的结果整理后，回答：①明显增加占20%，②不会增加占70%，③稍有增加10%。第四步，把以上整理后的结果再公发给各参与专家，供其考虑是否修正以前的预测结果。有些专家没有多大把握的，看了别人结果后，就会修正自己的结果，一部分很自信，对自己的结果很有把握就会继续保留原来预测结果。第五步，重复2-4的步骤，直至大家意见基本一致，或大家不想再对自己的意见进行修改时为止。一般这项工作，对参与预测的专家给予一定的报酬。

时间序列预测需求量，其中包含了一个假设，即需求量的变化仅于时间有关。根据这个假设，以惯性原理推测其未来状态。时间序列预测方法较多，有①平均数预测法（包括算术平均数预测法、加权平均数预测法），②移动平均预测法，③指数平滑预测法等方法等技术。本章着重介绍指数平滑预测法1.指数平滑预测法：指数平滑又可以分为一次指数平滑、二次指数平滑和三次指数平滑。指数平滑的原理是，认为，越是最新的数据，反映的信息越新，在预测中越重要，基于这个思想，指数平滑预测方法用非等权的加权平均值，预测下个周期的数值，以消除数据中偶然因素的影响。

（二）时间序列预测法[例]：某食品公司列出历年的实际销售量，根据五种不同的权值，用简化指数平滑共识预测下一季度的销售量：实际销量Wt预测值（千件）（千件）α=0.1α=0.3α=0.5α=0.7α=0.91992.1191919191919217191919191931418.818.418.017.617.241518.317.116.015.114.31993.11818.016.515.515.014.921618.016.916.817.117.731617.816.616.416.316.241917.616.516.216.116.01994.12317.817.217.618.118.722718.319.020.321.522.632319.121.423.625.426.642119.521.923.323.723.41995.119.721.622.221.821.2标准差（RMSE）3.743.413.112.922.77那么，五个权值下的预测结果，哪一种预测精度最高呢？最常用的判断方法为：

标准差（RMSE）=表示在n组数据中，预测值与实际销售量的误差大小。上例中，α=0.9时，RMSE=2.77，最小，所以，认为，按α=0.9来预测销售量是最精确的。结果，1995.1销售量为21.2千件。

①移动平均，MA对一年内四季度进行移动平均，如1990年三季度的移动平均为：

1990年四季度的移动平均值为

代表了从1990一季度到四季度平均销售量（同）②移动平均中心值，CMA按理每个移动平均值应当居于它所代表的年份中间，值应该在1990年第2.5季度，2.5期，的值应当居于3.5期。现在把第2.5期和第3.5期的值加以平均，就可以得到位于第3期，最能代表该年度典型的季销售量水平的值。为：

③计算时间序列分解模式的各因素，并作预测。

因为，已知移动平均中心值（CMA）序列，是消除了季节因素之后，最能代表季节典型销售量水平的数据。因此，可以用它来估计长期趋势值。对CMA序列，用一元线性回归方程，估计出它的线性函数为：CMAT=4.701+0.373tt——期数上式中CMAT即为分解模型中的T，把t代入上式即可求得相应的T，结果如上表。

a.定长期趋势

把1990年第三季度的实际销售量与相对应的移动平均中心值相比较，即为季节系数。

1990年第三季度

同样道理求出个期季节系数。由于每年四季的重复并不是绝对一样的，如各年第三季度的季节系数都不相等，于是，用季节指数来表示就容易多了：

=季节系数平均值*（每年季节数/均值合计数）

b.测定季节因素上例计算如下：各季系数SF：

第一季度第二季度第三季度第四季度90--------0.6810.980911.2311.0180.8280.903921.2501.0910.6860.986931.2470.9640.8261.091941.1950.941----------总计4.9234.0143.0213.960

均值1.231