《物流运筹方法与工具》第3版 课件 模块八单元五 应用举例

物流运筹方法与工具（第3版）目录

CONTENTS物流运筹方法与工具概述物流决策分析物流资源配置规划物流任务指派运输方案优化运输路径规划物流项目计划物流需求预测库存水平控制模块八模块二模块三模块四模块五模块六模块七模块九模块一模块八物流需求预测

需求预测概述时间序列预测法回归模型预测法季节性变动的预测应用举例单元三单元二单元五单元一单元四知识点本单元知识点知道预测的程序。理解产品或劳务的需求特性。知道对物流管理者有用的预测方法。理解时间序列、时间序列分析法的含义及其基本原理。掌握移动平均法和指数平滑法的计算步骤。理解变量间的相关关系及回归预测模型法的基本原理。掌握一元线性回归预测模型参数的计算步骤。能力点、素质点能力点：能够熟练地运用移动平均法对物流需求问题进行预测。能够熟练地运用指数平滑法对物流需求问题进行预测。能够运用一元线性回归预测模型对物流需求问题进行预测。素质点：1．提高信息资料的收集、处理、应用等信息获得能力。2．提高自觉认识客观规律意识，具有战略眼光和应变能力。单元五应用举例货物运输需求量的预测单元五应用举例货物运输需求量计划是编制车辆计划的基础，而货物运输需求量的多少与客户企业的产品销售量大小直接相关。北京易通汽车运输公司为编制来年的货物运输需求量计划，对它的长期合同客户的来年产品销售情况分别进行了自己的预估，以便可以尽早地根据自己的运力情况安排运输。该运输公司的一个合同客户（木材公司）的产品销售数据如表8-9所示，试估算：（1）3个月和4个月移动平均预测值；3个月加权移动平均预测值。（2）α=0.4时指数平滑预测值；α=0.7时指数平滑预测值；分析α=0.4和α=0.7二者的指数平滑预测的结果。单元五应用举例表8-9某木材公司1-12月份的销售数据

（万元）月份123456789101112销售额101213161923263028181614（一）移动平均预测值和加权移动平均预测值的计算移动平均预测值的计算：表8-10某木材公司3个月和4个月移动平均值预测的销售额

（万元）月份实际销售额3个月移动平均预测值4个月移动平均预测值110

212

313

416（10+12+13）÷3=11.67

519（12+13+16）÷3=13.67（10+12+13+16）÷4=12.75623（13+16+19）÷3=16.00（12+13+16+19）÷4=15.00726（16+19+23）÷3=19.33（13+16+19+23）÷4=17.75830（19+23+26）÷3=22.67（16+19+23+26）÷4=21.00928（23+26+30）÷3=26.33（19+23+26+30）÷4=24.501018（26+30+28）÷3=28.00（23+26+30+28）÷4=26.751116（30+28+18）÷3=25.33（26+30+28+18）÷4=25.501214（28+18+16）÷3=20.67（30+28+18+16）÷4=23.00（一）移动平均预测值和加权移动平均预测值的计算3个月、4个月的移动平均预测量低于正在增加的实际销售量。这种反应速度减慢的原因，主要受用作预测的前面月份销售量的影响。结果分析：优化办法：为此，运输公司采用加权移动平均的方法，提高了预测值对实际销售量的反应速度。计算3个月加权移动平均值时，设定：对最近1个月的加权数等于前两个月的加权数之和，对最近两个月的加权数等于前1个月加权数的两倍。（一）移动平均预测值和加权移动平均预测值的计算加权移动预测值的计算：表8-11某木材公司3个月加权移动平均值预测的销售额

（万元）月份实际销售额3个月加权移动平均预测值110

212

313

416[（3×13）+(2×12)+10]÷6=12.17519[（3×16）+(2×13)+12]÷6=14.33623[（3×19）+(2×16)+13]÷6=17.00726[（3×23）+(2×19)+16]÷6=20.50830[（3×26）+(2×23)+19]÷6=23.83928[（3×30）+(2×26)+23]÷6=27.501018[（3×28）+(2×30)+26]÷6=28.331116[（3×18）+(2×28)+30]÷6=23.331214[（3×16）+(2×18)+28]÷6=18.67（一）移动平均预测值和加权移动平均预测值的计算用表8-11与表8-10相比较，我们发现对最近1个月的数据加权越重，就产生更精确的预测值。使用精确的加权数和确定预测中最佳周期的数据，是需要在预测过程中经过多次实验来决定的两件事。必须注意，如果对最近1个月的加权太重，引起销售预测模型随机干扰反映太快，势必会陷入预测的风险中。加权移动预测值的计算：（二）指数平滑预测值的计算用指数平滑技术能消除用加权移动平均所带来的某些预测计算上的缺点。现取α=0.4，

经测算，平滑预测结果如表8-12所示。月份(1)实际销售额(2)上月实际销售额(3)α(4)α×上月实际销售额(3)×(4)(1-α)(5)上月销售额预测值(6)(1-α)×上月销售额预测值(5)×(6)本月销售额预测值(3)×(4)+(5)×(6)110

212100.44.00.611（开始）6.610.6313120.44.80.610.66.411.2416130.45.20.611.26.711.9519160.46.40.611.97.113.5623190.47.60.613.58.115.7726230.49.20.615.79.418.6830260.410.40.618.611.221.6928300.412.00.621.613.025.01018280.411.20.625.015.026.21116180.47.20.626.215.722.91214160.46.40.622.913.720.1表8-12某木材公司产品销售额指数平滑预测

（万元）（二）指数平滑预测值的计算在表8-12中，计算了当α=0.4时指数平滑预测的木材公司产品的销售量。我们发现，这些月来的实际销售量增加了。而预测销售量增减的变化却慢于实际的变化。此外，木材公司尽管9月份实际销售量已降低下来，而直到11月份预测值方开始降低。经进一步研究后，认为α值可能选得不合适。如果增大α值到0.7，或许可能做出更好的预测。现取α=0.7，

经测算，平滑预测结果如表8-13所示。表8-13某木材公司产品销售额指数平滑预测

（万元）月份(1)实际销售额(2)上月实际销售额(3)α(4)α×上月实际销售额(3)×(4)(1-α)(5)上月销售额预测值(6)(1-α)×上月销售额预测值(5)×(6)本月销售额预测值(3)×(4)+(5)×(6)110

212100.77.00.311（开始）3.310.3313120.78.40.310.33.111.5416130.79.10.311.53.512.6519160.711.20.312.63.815.0623190.713.30.315.04.517.8726230.716.10.317.85.321.4830260.718.20.321.46.424.6928300.721.00.324.67.428.41018280.719.60.328.48.528.11116180.712.60.328.18.421.01214160.711.20.321.06.317.5（二）指数平滑预测值的计算表8-13比表8-12中所预测的数据，不仅预测的销售额更接近实际，而且反应更灵敏。这项预测的下降是在10月份，仅仅慢于实际销售额下降1个月。观察表8-13中的预测结果，实际上还不是满意的指数平滑预测值，还需进一步调整（可用趋势调整指数平滑预测法进行调整）。一般来说，表8-13，已可作为预测参考。0102本模块的重点放在物流管理者很可能用到的中短期预测法。主要讨论了一些被证明是中短期预测中很有价值的预测方法——移动平均法