供應(yīng)鏈需求預(yù)測方法研究

【摘要】：供應(yīng)鏈需求的預(yù)測方法，大致歸為兩類：一類是單一預(yù)測方法，如采用神經(jīng)網(wǎng)絡(luò)預(yù)方法、灰色預(yù)測法、馬爾可夫預(yù)測法、時間序列預(yù)測方法、基于價值量的預(yù)測方法等；另一類是組合預(yù)測方法，即利用多預(yù)測方法的預(yù)測結(jié)果按一定方式進(jìn)行組合。另外也有學(xué)者提出了別的方法，如情景分析法、集對分析聚類預(yù)測等等。本文只對作者所研究過的方法，進(jìn)行總結(jié)和歸納。

【關(guān)鍵詞】：供應(yīng)鏈管理 需求預(yù)測 隨機時間序列分析模型

一、供應(yīng)鏈需求預(yù)測概述

物流需求預(yù)測是為了制定物流管理計劃，而對需求時間、地點、庫存單位、裝運流量等所進(jìn)行的預(yù)測或估計。精確的需求預(yù)測可以促進(jìn)物流信息系統(tǒng)和生產(chǎn)設(shè)施能力的計劃和協(xié)調(diào)，為社會物流活動提供物流能力供給不斷滿足物流需求的依據(jù)，以保證物流服務(wù)的供給與需求之間的相對平衡，使社會物流活動保持較高的效率與效益。

二、預(yù)測的特點

公司和供應(yīng)鏈管理者應(yīng)該認(rèn)識預(yù)測有以下特點：

1.預(yù)測通常是不準(zhǔn)確的；2.長期預(yù)測的準(zhǔn)確必通常比短期預(yù)測要低；3.綜合預(yù)測通常比分解預(yù)測要準(zhǔn)確；4.總的來說，在公司中越往供應(yīng)鏈的上游靠近，接收到的信息失真就越多。

三、預(yù)測的步驟

1.確定需求性質(zhì)；2.確定預(yù)測目標(biāo)；3.確定預(yù)測內(nèi)容；4.選擇預(yù)測方法；5.預(yù)測和結(jié)果評價。

四、各種方法介紹

1.德爾菲法

德爾菲法又稱專家調(diào)查法，它經(jīng)常用于長期的和新產(chǎn)品的銷售預(yù)測，利潤預(yù)測以及技術(shù)預(yù)測。它的過程主要包括:首先，根據(jù)預(yù)測的目標(biāo)和需求，擬定意見征詢表。其次，選擇那些從事與預(yù)測題目有關(guān)的專業(yè)工作、精通專業(yè)并且具有預(yù)測分析能力的專家作為征詢對象。再次，多次反復(fù)征詢專家意見。最后，做出預(yù)測結(jié)論。這種方法優(yōu)點是集思廣益，有助于預(yù)測的全面和可靠。但缺點是主要依靠主觀判斷缺乏客觀標(biāo)準(zhǔn)，可靠性低。

2.業(yè)務(wù)人員評估法

預(yù)測時，召集所屬物流各環(huán)節(jié)，如計劃、采購、倉儲和運輸?shù)鹊臉I(yè)務(wù)人員對未來某種物流需求做出估計，然后把大家的推斷數(shù)據(jù)綜合處理，形成對未來的預(yù)測。這種方法的優(yōu)點是業(yè)務(wù)人員最了解物流需求情況和市場動態(tài)，所提借的情況和預(yù)測的數(shù)值比較接近實際。缺點是某些業(yè)務(wù)人員的自身素質(zhì)較低，所作出的預(yù)測常忽略整個經(jīng)濟(jì)形勢和市場需求變化趨勢。其經(jīng)驗公式為:

推定平均值=■

A為最樂觀估計，B為最可能估計，C為悲觀估計

3.時間序列方法

時間序列方法是利用過去一段時間的銷售量數(shù)據(jù)或其他一級數(shù)據(jù)，運用一定的數(shù)學(xué)方法，通過現(xiàn)有的需求數(shù)據(jù)預(yù)測未來的發(fā)展變化趨勢及需求量。現(xiàn)有的用于物流需求預(yù)測的時間序列方法包括三種:移動平均法，指數(shù)修正法，外延平滑技術(shù)。

a.移動平均法

移動平均法就是時間序列上移動平均的每一個點都是一系列連續(xù)點的算術(shù)平均數(shù)或加權(quán)平均數(shù)。需要選擇若干數(shù)據(jù)點以消除季節(jié)性影響或不規(guī)律性或前兩者的共同影響。應(yīng)用簡單移動平均法進(jìn)行預(yù)測時，本期的預(yù)測數(shù)等于過去各期的實際發(fā)生量之和除以所用的預(yù)測期數(shù)，它的基本公式是:

xt+1——第t+1時期的預(yù)測值

Xi——第i時期的實際值

n——總時期數(shù)

移動平均法的使用比較廣泛，主要適用于這樣的情況:數(shù)值的變化沒有明顯的上升或下降的趨勢，比較平穩(wěn);沒有受到明顯的季節(jié)性變化的影響。適合于短期預(yù)測。

加權(quán)移動平均法中給每一時期數(shù)據(jù)賦以權(quán)重，使近期數(shù)據(jù)對移動平均數(shù)影響增大，從而可以增加預(yù)測值的準(zhǔn)確度。

數(shù)學(xué)表達(dá)式為:

Xt=(?琢１Xt-1+?琢１Xt-2+…+?琢nXt-n)/n

Xt——第t時期的加權(quán)移動平均數(shù)

?琢n——加權(quán)系數(shù)(■?琢t=n )

n——總時期次數(shù)

b.指數(shù)修正法

這種方法是根據(jù)以前時期的實際數(shù)據(jù)和預(yù)測值的加權(quán)平均數(shù)來估計未來的預(yù)測值，適用于趨勢和季節(jié)性變化不很顯著成的時間序列。

數(shù)學(xué)表達(dá)式為:yt=axt+(1-a)yt

其中: yt ——第t+1期的預(yù)測值

xt ——第t期的實際需求值

a ——平滑系數(shù)( 0?蕎a?蕎1)

即:yt+1=yt+a(Xt+yt)

下一時期的預(yù)測值等于本期預(yù)測值再加上一個修正值，修正值是平滑系數(shù)與實際值和本期預(yù)測值的誤差之積。

c.外延平滑技術(shù)

如果考慮趨勢值和季節(jié)波動對預(yù)測值的影響，而且數(shù)據(jù)中的趨勢和季節(jié)性因素明顯有別于隨機特征。我們可以對指數(shù)修正法中的模型進(jìn)行校正擴(kuò)充以期更好地進(jìn)行預(yù)測。

如下：Xt+1=axt+(1-a)(xt+Tt)

Tt+1=?茁(xt+1-xt)+(1-?茁)Tt

Yt+1=Xt+1+Tt

式中，Yt+1——第t+l期校正趨勢后的預(yù)測

xt+1——第t+1期的最初預(yù)測

Tt+1——第t+1期的趨勢

?茁 ——趨勢平滑系數(shù)

4.基于BP神經(jīng)網(wǎng)絡(luò)對物流需求預(yù)測

在經(jīng)典的BP算法以及其他的訓(xùn)練算法中都有很多變量，這些訓(xùn)練算法可以確定一個ANN結(jié)構(gòu)，它們只訓(xùn)練固定結(jié)構(gòu)的ANN權(quán)值（包括聯(lián)接權(quán)值和結(jié)點轉(zhuǎn)換函數(shù)）。根據(jù)Kolmogorov定理，對于任意給定的L2型連續(xù)函數(shù)f: [0，1]n→Rm ， f可以精確地用一個三層前向神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，因而可以只考慮演化網(wǎng)絡(luò)的權(quán)值和結(jié)點數(shù)而不影響演化結(jié)果。基于此，在BP原有算法的基礎(chǔ)上，增加結(jié)點數(shù)演化因子，然后記錄每層因子各異時演化出的結(jié)構(gòu)，最后選取最優(yōu)的因子及其網(wǎng)絡(luò)結(jié)構(gòu)，這樣就可以避免由于增加或剪枝得到的局部最優(yōu)。根據(jù)實驗得知，不同的預(yù)測精度也影響網(wǎng)絡(luò)層神經(jīng)元的結(jié)點數(shù)，所以可根據(jù)要求動態(tài)地建立預(yù)測系統(tǒng)。具體步驟如下：

1.確定隱層數(shù)，畫出簡要模型圖；2.確定采用什么樣的神經(jīng)網(wǎng)絡(luò)來建立模型；3.通過測試數(shù)據(jù)來訓(xùn)練模型。；4.根據(jù)測試訓(xùn)練得到的數(shù)據(jù)和實際數(shù)據(jù)進(jìn)行比對，或者算出誤差。從而修改隱層中的權(quán)值和閥值。反復(fù)重復(fù)3-4。最后得到一個最優(yōu)的模型。

具體步驟詳見參考文獻(xiàn)。

七、總結(jié)

對需求預(yù)測的研究，還在不斷地探索。各種各樣新的方法也在不斷地出現(xiàn)，本文主要是對主要預(yù)測方法的一個總結(jié)。

【參考文獻(xiàn)】

[1]駱溫平.物流與供應(yīng)鏈管理[M]，電子工業(yè)大學(xué)出版社， 63-73

[2] 唐納德·沃爾特斯.庫存控制與管理[M]，賓尼法尼亞州立大學(xué)， 李希文，李斌譯.機械工業(yè)出版社 145-147

[3]龐皓.計量經(jīng)濟(jì)學(xué)[M]，西南經(jīng)濟(jì)大學(xué)出版社，第二章.

[4]楊華龍，劉進(jìn)平.供應(yīng)鏈管理[M]，東北財經(jīng)大學(xué)出版社，77-79

[5]劉延平，李衛(wèi)東.物流統(tǒng)計學(xué)[M]，清華大學(xué)出版社202-206

[6]Sunil Chopra，Peter Meindl.Supply Chain Management Strategy， planning， and Operation[M]，清華大學(xué)出版社，201-231

[7] 聞新. Matlab神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M ]. 科學(xué)出版社， 2003: 16 - 28