《物流管理定量分析》课件-学习情境二 物流需求预测

物流管理定量分析目录

CONTENTS情境二情境三情境四情境五课程认知物流需求预测物流资源配置规划物流任务指派情境六情境一物流运输规划物流项目管理情境二物流需求预测

子情境1子情境3需求预测认知移动平均预测和指数平滑预测回归模型预测子情境4子情境2季节性变动的预测知识点本节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。运力需求预测华顺汽车运输公司必须决定每周所需的卡车和司机的数量。通常的做法是司机在星期一出发去取货/送货，在星期五回到出发点。对卡车的需求可由该周要运送的货物总量来决定；但为了制定计划，必须提前一周得到有关数字。下表8-1给出的是过去10周的货运量：表8-1过去10周完成的货运量那么运输公司需要提前一周对下周要运送的货物总量做出预测，根据预测值运输公司就可以决定卡车的需求量，该预测值越精确，安排的卡车运力就越节约。引导案例时间货运量（t）10周前20569周前23498周前18957周前15146周前11945周前22684周前26533周前20392周前23991周前2508表8-1过去10周完成的货运量如果公司把预测的任务交给你，你将如何完成预测任务？子情境1需求预测认知一、预测的概念和程序二、需求的特性三、对物流运作主管有用的定量预测方法预测就是对未来的不确定性的事件进行估计或判断。对未来一定时期内企业生产、经营的商品或劳务做出估计或判断，预测所要实现的任务。预测的概念和作用预测方法的分类定性预测。定量预测。一、预测的概念和程序预测的程序（1）确定预测目标和预测周期。（2）选择预测方法。（3）调查收集资料。（4）演绎或推论过程。一、预测的概念和程序二、需求的特性1．需求的时间和空间特征。需求的时间特性是指需求随时间的变化而变化。需求的空间特性是指物流管理者必须知道需求量在何处发生、何时发生。2．规律性需求规律性需求模式一般可分为趋势性、季节性和随机性因素。3.独立需求物流渠道中流动的产品需求，一种情况下来自许多客户，这些客户多数为独立采购，采购量只构成物流渠道中分拨总量的很少一部分。此时的需求被称作为独立需求。三、对物流运作主管有用的定量预测方法1.时间序列预测法如果拥有相当数量的历史数据，时间序列的趋势和季节性变化稳定、明确，那么将这些数据映射到未来将是有效的短期预测方法。时间序列上移动平均的每一点都是一系列连续点的算术平均数或加权平均数。需要选择若干数据点以消除季节性影响或不规律性或前两者的共同影响。本法类似于移动平均法，只是对更近期的点给予更大的权数。在描述上，新的预测值等于旧的预测值加上过去预测误差的一定比重。（1）移动平均法（2）指数平滑法三、对物流运作主管有用的定量预测方法2.回归模型预测法回归模型预测是因果预测模型中的一种。因果预测模型的基本前提就是预测变量的水平取决于其他相关变量的水平。

如果已知客户服务对销售有积极影响，那么根据已知的客户服务水平就可以推算出销售水平。我们可以说服务和销售是“因果”关系。因果模型在进行中长期预测时会非常准确。例如0102介绍预测的基本知识：预测概念、预测方法、程序、需求特性等。小结预测工作的每一步都需要预测者和专家的知识和丰富的经验，它是物流管理者最困难的工作之一，不是可以一蹴而就的。物流管理者也应该知道如果需求非常难以预测、预测结果不令人满意，还可能需要其他解决问题的方法。通过设计灵活和快速反应的供应链，可以随时供给需求，这样就根本不再需要预测了。情境二物流需求预测

子情境2子情境3需求预测认知移动平均预测和指数平滑预测回归模型预测子情境4子情境1季节性变动的预测知识点本节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。本节能力点时间序列就是将历史数据按时间顺序排列的一组数字序列。时间序列分析法就是根据预测对象的这些数据，利用数理统计方法加以处理，来预测事物的发展趋势。时间序列预测法一、移动平均法二、指数平滑法三、EXCEL求解一、移动平均法简单移动平均数法实际上是一种算术平均数预测法。（一）简单移动平均数预测法计算公式如下：

式中：——t+1期的预测值；xt，xt-1，xt-2，┅，xt-(n-1)——t期及t期以前相应各期的实际值；n——所取的实际值的个数。=一、移动平均法例8-1某物流货运公司主营省际公路零担业务，过去6个月的零担业务对外报价（元/kg）如下：时间报价（元/kg）移动平均预测值（n=2）移动平均预测值（n=3）6月前15月前1.14月前1.13月前1.22月前1.21月前1.3当月时间货运量（t）移动平均预测值（n=3）移动平均预测值（n=4）10周前20569周前23498周前18957周前15146周前11945周前22684周前26533周前20392周前23991周前2508本周练习：自行完成本章引导案例（可用计算器或者EXCEL辅助计算）讨论：结合例子，思考移动平均中n的选取对预测结果有何影响？一、移动平均法采用加权移动平均数法计算预测值的公式为：式中：Ft+1——t+1期的预测值；xt，xt-1，xt-2，┅，xt-(n-1)——n个已知的实际数据；wt，wt-I，wt-2，

┅，wt-(n-1)——对应于实际数据所设定的权数；t+1，t，t-1，┅，t-(n-1)——顺次往回推算的期数。（二）加权移动平均数预测法

一、移动平均法例8-3以例8-1报价问题为例，该公司前6个月的对外报价（元/kg）为：1、1.1、1.1、1.2、1.2、1.3。预测人员认为采用加权移动平均数法预测的对外报价时，应加大与预测期较近的实际数据的权数（即定性分析）。n=3,权重由近及远依次为3、2、1.由于加大了近期对外报价的权数，预测值比较更接近于实际数据。时间报价（元/kg）权重加权移动平均预测值（n=3）6月前15月前1.14月前1.13月前1.22月前1.21月前1.3当月时间货运量（t）加权移动平均预测值（n=3）权重由近及远依次为5，3，210周前20569周前23498周前18957周前15146周前11945周前22684周前26533周前20392周前23991周前2508本周练习：自行完成本章引导案例（可用计算器或者EXCEL辅助计算）讨论：结合例子，思考加权移动平均相对于简单移动平均有何改进？指数平滑预测法的公式如下：式中：

，

——t+1、t期的预测值；xt——t期的实际值；α——指数平滑系数；et——

t期的实际值与预测值之间的误差。二、指数平滑法例8-5下表8-4中的季度数据代表了某产品需求的时间序列。表8-4某产品需求的时间序列数据试预测今年第三季度的需求？假设α=0.2。我们将去年四个季度的平均数作为以前的预测值。这样，F0=（1200+700+900+1100）/4=975。二、指数平滑法季度1234去年12007009001100今年14001000F3=？

依据（8-4）式，

今年第一季度的预测需求为：F1=0.2（1100）+（1-0.2）（975）=1000同理，今年第二季度、第三季度的预测需求为：F2=0.2（1400）+（1-0.2）（1000）=1080F3=0.2（1000）+（1-0.2）（1080）=1064二、指数平滑法例8-6二、指数平滑法月份(1)报价（元/kg）(2)上月实际报价(3)α=0.4(4)α×上月实际报价(3)×(4)(1-α)(5)上月报价预测值(6)(1-α)×上月报价预测值(5)×(6)本月报价预测值(3)×(4)+(5)×(6)6月前1

5月前1.14月前1.13月前1.22月前1.21月前1.3当月月份(1)实际货运量(2)上周实际货运量(3)α=0.7(4)α×上周实际货运量(3)×(4)(1-α)(5)上周货运量预测值(6)(1-α)×上周货运量预测值(5)×(6)本周货运量预测值(3)×(4)+(5)×(6)10周前20569周前23498周前18957周前15146周前11945周前22684周前26533周前20392周前23991周前2508本周练习：自行完成本章引导案例（可用计算器或者EXCEL辅助计算）三、EXCEL求解1、EXCEL插件安装2、EXCEL数据输入3、EXCEL求解4、预测结果a.EXCEL求解简单移动平均b.EXCEL求解加权移动平均c.EXCEL求解指数平滑0102主要讨论了中短期预测中很有价值的时间序列预测方法——移动平均法、指数平滑法，这些方法都是针对规律性的需求。这两种方法是预测重点方法，要学会灵活应用。小结预测工作的每一步都需要预测者和专家的知识和丰富的经验，它是物流管理者最困难的工作之一，不是可以一蹴而就的。物流管理者也应该知道如果需求非常难以预测、预测结果不令人满意，还可能需要其他解决问题的方法。通过设计灵活和快速反应的供应链，可以随时供给需求，这样就根本不再需要预测了。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。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综合训练：自行完成下题（可用计算器或者EXCEL辅助计算）参考答案表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。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：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。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。情境二物流需求预测

需求预测认知移动平均预测和指数平滑预测回归模型预测子情境2季节性变动的预测子情境1子情境3子情境4知识点本节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。本节能力点回归分析法就是依据事物发展的内部因素变化的因果关系来预测事物未来的发展趋势。又称为回归模型预测法，或因果法。它是研究变量间相互关系的一种定量预测方法。子情境3回归模型预测法一、一元线性回归模型预测法二、回归预测模型和平滑预测模型的比较三、回归预测模型和平滑预测模型的比较四、回归预测模型软件求解一、一元线性回归模型预测法一元线性回归模型是描述一个自变量与一个因变量之间关系的模型，一般表达式为：式中：（一）一元线性回归方程——回归模型的参数——因变量——自变量一、一元线性回归模型预测法

系数确定的原则是使预测值尽可能地接近实际值，应用的方法是最小二乘法。（一）一元线性回归方程最小二乘法是指：寻求使误差平方总和为最小的配合趋势线的方法。或，依计算估算点和实际点间平方之和为最小，描绘配合趋势线的方法。一、一元线性回归模型预测法例8-7设某仓储货运站点有一统计资料，共统计了最近6个月某货品的进价和售价数据，具体数据如表8-7所示：

表8-7仓库货品进价、售价统计表

（单位：元/件）月次123456进价（x）3528912售价（y）46391214设第7个月预计进价为10元，试预测第7个月的售价。一、一元线性回归模型预测法例8-7解：

（1）绘制数据散布图和趋势线。一、一元线性回归模型预测法例8-7解：

（2）建一元线性回归方程式。一、一元线性回归模型预测法例8-7解：

通过运用最小二乘法，使达到最小。一、一元线性回归模型预测法例8-7解：

我们得到求解回归参数系数的计算公式：一、一元线性回归模型预测法例8-7解：

表8-8公式中所需要数据的计算（3）计算应用。n（月次）xiyixiyiXi2134129256302532364489726459121088161214168144合计3948396327一、一元线性回归模型预测法例8-7解：

将表8-8中的有关数字代入

系数的计算公式，得：解这个联立方程后，得：所以求得的回归方程式为：由于第7个月的预计进价为10元，则预测该月的售价为：

一、一元线性回归模型预测法模型建立后，还需要经过各项检验，只有经过检验之后的模型，才可应用于预测。相关检验就是判定y与x的相关程度或两者之间的线性关系的检验。这些特性或概念在数学上比较复杂，本节就不过多赘述。（二）确定相关系数并进行相关性检验预测未来的因变量y的实际值可能落入的置信区间。考虑到数学计算的复杂和烦琐，本节不再作深入介绍。（三）置信区间三、回归预测模型和平滑预测模型的比较适用范围不同平滑预测模型只适用于时间序列，只适用于做短期预测。回归预测模型即适用于时间序列，也适用于具有因果关系的非时间序列，也适用做中期预测功能不同平滑预