基于R語言的煤炭產品銷售預測實證研究*

黃宇達 王換換 王迤冉

(1.周口職業技術學院信息工程學院 周口 466000)(2.周口師范學院網絡工程學院 周口 466000)

?

基于R語言的煤炭產品銷售預測實證研究*

黃宇達1王換換1王迤冉2

(1.周口職業技術學院信息工程學院 周口 466000)(2.周口師范學院網絡工程學院 周口 466000)

針對目前市場經濟環境下煤炭銷售管理存在的一些如銷售預測不科學、生產規劃不合理、銷售決策輔助信息匱乏等問題,利用R語言和時間序列分析相關理論,結合某煤炭企業歷史銷售數據和具體銷售預測流程,采用霍爾特-溫特指數平滑預測法對一定時期內的煤炭銷售進行預測并將預測結果與實際數據作了對比分析。實驗結果表明:銷售預測具有較高的準確度,預測結果不僅為煤炭銷售管理人員提供合理決策依據,而且對加強煤炭銷售管理、合理安排生產計劃和提高銷售利潤具有重要意義。

煤炭銷售預測; R語言; 時間序列分析; 霍爾特-溫特指數平滑法; 預測模型

Class Number TP18; TP311.52

1 引言

如今,隨著改革開放不斷深入以及社會主義市場經濟的蓬勃發展,企業生存環境已發生了重大變化,作為國家重要能源行業,煤炭企業也不例外。目前,煤炭企業經營已全面進入市場化階段,其產品價格放開,產、供、銷則自主安排,煤炭產品營銷已從傳統計劃經濟環境邁入現代市場經營環境[1],比如2009年以后政府對電煤價格則不再干預,不再對市場煤價加以調控。目前煤炭經營市場化進程不斷加快,市場化水平逐步提高。

煤炭銷售作為煤炭產業供應鏈及煤炭管理工作中的核心環節,其不僅是煤炭生產、運輸、消費三者之間經濟活動聯系的重要紐帶,而且直接影響著煤炭企業的生產經營活動及經濟效益,然而每月的全國煤炭銷售量都只能在下月中旬左右才能獲知,往往無法響應商業分析決策的及時性[2],因此煤炭銷量進行預測已成為必然,但隨著國家市場經濟體制不斷完善,煤炭銷售預測也存在以下明顯不足: 1) 銷售預測憑主管經驗和感覺,這源于國家計劃經濟體制影響,不能得到科學合理、準確而有價值的預測結果; 2) 銷售預測信息化水平較低,缺乏科學有效預測方法和先進技術手段,對歷史巨量銷售數據背后潛在有用的規則模式充分挖掘不夠; 3) 銷售預測過于倚重銷售合同數目。

R語言不僅是一種計算機高級語言,也是一個用于統計、分析、計算和制圖的優秀工具,是屬于GNU系統的一個自由、免費、源代碼開放的實用軟件[3]。本文采用R語言統計分析工具、時間序列分析數據挖掘技術和預測銷售相關基本原理對某煤炭企業一定時期產品銷售進行預測,同時對預測結果進行合理評估,從而為煤炭銷售管理部門及決策人員提供輔助支持。

2 R語言概述

R語言是目前統計領域廣泛使用的誕生于1980年前后的S語言的一個分支,是S語言的一種實現,是由新西蘭Robert Gentleman和Ross Ihaka等開發[4]。該語言是基于S語言的一個GNU項目,其語法來自Scheme,提供了一系列統計和圖形顯示工具,是一個自由、免費、源代碼開放的可用于統計分析、計算和繪圖的徹底面向對象的統計編程語言和操作環境,在UNIX、Linux、Windows和MacOS等平臺下均可編譯和運行。另外,該語言和其它編程語言(如S語言、Java、C語言等)、數據庫之間有很好的接口。

R語言具有豐富的網上資源,提供了很多實用且高質量的程序包、擴展包及各種數學運算、統計運算的函數,使用戶可將表達式作為函數輸入參數或只需若干參數和指定數據庫即可進行靈活方便的數據分析和統計,該方法很有利于繪圖和統計模擬,甚至允許用戶創造出符合其需要的新的統計計算方法[5]。其功能主要包括:數組運算,尤其在矩陣、向量運算方面的強大功能;數據存儲和處理;完整連貫的統計分析和制圖;作為編程語言簡便而強大地操縱數據的輸入并實現分支、循環操作及支持用戶的自定義功能。

3 時間序列分析法

時間序列分析法是基于時間序列數據庫的一種動態數據處理的統計方法[6]。該方法基于數理統計學和隨機過程理論方法,主要采用參數估計和曲線擬合來建立數學模型[7],對隨機數據系列所遵從的統計規律進行研究,進而預測事件發展走向,提供合理決策支持依據。該方法具有重要現實意義,目前已在通信、生態平衡、氣象水文預報、市場潛量預測、企業經營管理、污染環境控制、信號處理等眾多行業領域得以廣泛應用。

趨勢分析法作為時間序列分析法常用方法之一,其主要是對具有線性季節加法趨勢的數據加以預測,是一種以自變量、因變量為時間的函數模式[8],具體包括指數平滑法、趨勢平均法、直線趨勢法和非直線趨勢法。

本文采用霍爾特-溫特(Holt-Winter)指數平滑法對煤炭銷售進行預測。該方法準確度高、誤差小且計算量小,是一種由指數加權平均數組成,主要用于對線性時間序列數據進行趨勢預測的分解模型[9]。該方法模型基本思想是把季節變動、隨機變動的時間序列和具體線性趨勢加以分解研究,并結合指數平滑法,對長期趨勢(St)、趨勢增量(bt)及季節變動(It)分別作出估計,最后建立預測模型并外推預測值[10],對包含趨勢和季節變化的時間序列尤為適合預測,具體預測步驟為下述三步:

1) 由所給數據(至少4年以上)確定非季化因子;

2) 按下述方程計算基本穩定的線性成分、季節成分以及向前n個周期的預測值;

bt=γ(St-St-1)+(1-γ)bt-1

Ft+m=(St+btm)It-L+m

其中,L為季節長度或時間周期,I為季節修正系數,?,β,γ為平滑系數且取值區間均為(0,1),St為穩定成分,bt為線性成分,It為季節成分,xt為當前時刻實際值,m為要預測的時刻距離現在時刻的時刻間隔數,Ft+m為t+m時刻的預測值。

3) 確定?,β,γ值,以使均方差達到最小。

4 煤炭產品銷售預測流程

本文以平頂山市某煤業公司2009～2012年連續4年的歷史銷售數據為支撐,基于R語言統計分析工具,采用合理銷售預測算法并依據市場經濟和銷售預測相關理論,對該公司生產礦井一定時期內煤炭產品銷售加以預測,具體步驟如下:

第一步:對采集到的一定時期內各礦井與各客戶的歷史交易數據加以分析統計并得到各礦井月銷售量、季度銷售量和年度銷售量等重要統計結果;

第二步:將已得到的各礦井每期產品銷售量統計結果轉換為R語言可操作的數據文件并讀入R語言運行環境,編寫R語言具體應用程序實現相應時期產品銷售量變化趨勢曲線圖的繪制并進一步分析銷量變化趨勢圖形,對其加以分解;

第三步:采用R語言的時間序列分析功能及恰當的時間序列趨勢預測模型對相應礦井同期和未來一定時期的煤炭產品銷售進行預測;

第四步:分析產品銷售預測結果,將產品實際銷售量與預測結果作對比分析,計算預測誤差并進一步驗證預測結果準確性。

5 實驗結果及分析

5.1 實驗結果

通過對該公司2009.1～2012.12歷史銷售數據加以預處理,得到該公司各礦井年度銷量及礦井M6季度銷量和月銷量,分別如表1～表3所示。

表1 各礦井煤炭年銷量

其中,“—”代表該年度相應礦井銷售量為0。

這里以礦井M6產品銷量為例,將該礦井各期銷售數據讀入R語言編程環境并將銷售統計數據轉化為時間序列數據,采用R語言相關繪圖函數繪出該礦井月銷量變化趨勢曲線圖,如圖1所示。

表2 礦井M6煤炭季度銷量

表3 礦井M6煤炭月度銷量

圖1 礦井M6月銷量趨勢圖

由圖1不難發現,M6礦井煤炭銷量明顯存在季節性變動因素,隨著時間序列水平增加,銷量的季節性及隨機波動大小并非趨于平穩,因而可分解銷量數據并對季節性部分、趨勢部分、隨機因素部分分別加以估計以得到更為清晰的直觀效果,如圖2所示。

通過圖2可發現,季節性因素在每年4月份及10月份各達到一個峰值,即大約為25503.256和29734.95,但在每年1月份出現一個低谷,即約為-31353.55,這表明M6礦井每年銷量在4月和10月均達到峰值,每年1月出現銷量低谷期。趨勢圖整體呈現緩慢下降趨勢。這里對礦井M6初始時間序列銷量數據作季節性調整,刪除其中存在的一些季節性影響因素,得到只含有趨勢因素和隨機波動因素的時間序列,得到的季節調整后的時間序列銷售趨勢圖如圖3所示。

圖2 M6時間序列數據分解圖

圖3 進行季節調整的時間序列趨勢圖

5.2 實驗結果比較

認真觀察圖1、圖2不難發現,M6礦井各月銷量整體呈下降趨勢而且明顯存在季節性影響因素,即符合季節性和線性指數平滑法分析條件,這里為提高銷售時間序列吻合程度以對一次指數平滑法存在的滯后偏差加以彌補,本文采用霍爾特-溫特指數平滑法來擬合一個預測模型,從而對該礦井銷售數據所覆蓋時期內銷量加以短期預測以形成實際值與預測值的直觀對比。生成的銷售預測結果與實際銷售結果對比曲線如圖4所示。

其中紅色曲線表示銷售預測變化曲線,黑色曲線表示實際銷售曲線。不難看出該曲線圖利用霍爾特-溫特指數平滑法成功預測了季節峰值和低谷,雖然兩種曲線對比存在一定程度的滯后偏差,但整體趨勢與實際銷售數據仍存在較高的一致性和吻合性。采用該預測方法所對應的平滑指數?=0.864,β=0,γ=0.56。其中?值相對較高,則表明其在時間序列水平預測中近期銷量數據占較大權重,對預測結果具有重要影響,β值為0表明銷售時間序列趨勢部分的坡度估計與初始值相吻合,并未發生改變,γ值較低表明當前時間點銷量時間序列數據中的季節性部分的估計對近期數據和歷史數據的依賴性。

圖4 預測結果和實際數值對比圖

上述已對原始銷售數據所覆蓋時期內的煤炭銷售進行了預測,為對未來一定時間點的銷售進行預測,這里采用R語言中的預測包“forecast”中相應函數加以預測,預測時將先前預測所得到的預測結果變量作為對未來時期銷量預測的一個輸入參數,并對指定想要預測未來時間點的數目加以短期預測。未來10個月各月煤炭銷量預測結果如圖5所示。

圖5 未來時期預測結果圖

其中黑粗曲線表示預測結果,深灰色和淺灰色陰影區域分別表示置信度80%和95%的預測區間。不難發現,圖5對未來時期預測也較好地預測了季節性因素。

為確定預測模型不可被改進,本文通過檢查預測誤差是否服從均值為0的正態分布且具有常數方差值的方法來進行驗證。為檢查預測誤差是否具有常數方差,這里繪制的預測誤差時序圖如圖6所示;為檢查預測誤差是否服從均值為0的正態分布,這里繪制的預測誤差直方圖如圖7所示。

圖6 樣本預測誤差時序圖

圖7 樣本預測誤差直方圖

觀察上圖不難看出,預測誤差的時序圖和直方圖顯示出預測誤差大體上均值為0的不變方差的正態分布,因此本文采用的霍爾特-溫特指數平滑法為礦井M6的煤炭產品月銷量提供了科學合理的預測模型,預測結果具有較好的準確度。

6 結語

本文分析了目前煤炭銷售管理工作存在的一些問題,介紹了銷售預測具體工作流程,然后在一些常用銷售預測算法的基礎上,采用基于R語言環境下的霍爾特-溫特指數平滑預測算法對煤炭銷售進行了預測,最后對預測結果和實際數據作了對比,比較結果驗證了本文預測方法的準確性和有效性。預測結果為煤礦生產和銷售工作的有效指導以及煤炭企業的科學管理、銷售利潤的提高提供了合理決策輔助支持。對煤炭銷售預測結果的深入應用及銷售過程中的智能推薦將是筆者下一步主要研究內容。

[1] 付躍欽.煤炭行業循環經濟發展模式及應用研究[D].北京:中國地質大學(北京),2013. FU Yueqin. The coal industry circular economy development mode research and application[D]. Beijing: China University of Geosciences(Beijing),2013.

[2] 李明.1月中國煤炭市場運行分析—煤炭供需以穩為主市場價格弱勢調整[J].中國石油和化工經濟分析,2016(8):22-23. LI Ming. In January China coal market operation analysis of coal supply and demand to stabilize the economic analysis of Chinese oil and chemical market prices vulnerable to adjust[J]. China petroleum and chemical industry economic analysis,2016(8):22-23.

[3] 傅佳俐.基于R語言的數據挖掘工具分析與設計[D].青島:山東科技大學,2014. FU Jiali. Analysis and design of data mining tools based on R language[D]. Qingdao: Shandong University of Science and Technology,2014.

[4] 范盧明,梁桂仙.調查問卷信度和效度的R軟件實現[J].全科護理,2015(23):2316-2317. FAN Luming, LIANG Guixian. Questionnaire reliability and validity of the R software to achieve[J]. General Nursing,2015(23):2316-2317.

[5] 方匡南,朱建平,姜葉飛.R數據分析[M].北京:電子工業出版社,2015. FANG Kuangnan, ZHU Jianping, JIANG Yefei. R data analysis[M]. Beijing: Electronics Industry Publishing House,2015.

[6] 王淑花.基于時間序列模型的組合預測模型研究[D].秦皇島:燕山大學,2012. WANG Shuhua. Research on the combination forecasting model based on time series model[D]. Qinhuangdao: Yanshan University,2012.

[7] 趙鈺坤,蔡臻,竇萬峰.基于季節性時間序列模型的公共自行車使用量預測研究[J].產業與科技論壇,2016,15(7):49-51. ZHAO Yukun, CAI Zhen, DOU Wanfeng. Prediction of public bicycle usage based on seasonal time series model[J]. Industry and Technology Forum,2016,15(7):49-51.

[8] 李星.時間序列非線性分析及其應用[D].長沙:湖南農業大學,2011. LI Xing. Nonlinear analysis of time series and its application[D]. Changsha: Hunan Agricultural University,2011.

[10] Azmi M, Liyana N I. Parameters estimation of holt-winter smoothing method using genetic algorithm[J]. Genetic Algorithms Forecasting Smoothing,2013.

An Empirical Study of Coal Product Sales Forecast Based on R Language

HUANG Yuda1WANG Huanhuan1WANG Yiran2

(1. College of Information and Engineering, Zhoukou Vocational and Technical College, Zhoukou 466000) (2. College of Network Engineering, Zhoukou Normal University, Zhoukou 466001)

In the current market economy environment, the problems existing in the management of coal sales, such as sales forecasting is not scientific, production planning is not reasonable, lack of marketing decision support information and other issues, by using R language and time series analysis theory, combined with the historical sales data of a certain coal enterprise and the specific sales forecasting process, coal sales of a certain period is forecasted by using the Holt winters exponential smoothing prediction method, the forecast result and the actual data are compared and analyzed.The experimental results show that the sales forecast is of high accuracy, forecast results not only provide a reasonable decision making basis for sales managers, but also have important significance to strengthen the management of coal sales, reasonable arrangement of the production plan and improve the sales profits.

coal sales forecast, R language, time series analysis, Holt-winter index smoothing method, prediction model

2016年7月10日,

2016年8月26日

河南省科技計劃項目(編號:112300410307);河南省基礎與前沿技術研究計劃項目(編號:122300410397)資助。

黃宇達,男,碩士,副教授,研究方向:知識工程,智能算法分析及應用。王換換,女,碩士,助教,研究方向:數據挖掘,智能控制。王迤冉,男,碩士,副教授,研究方向:人工智能，計算機網絡等。

TP18; TP311.52

10.3969/j.issn.1672-9722.2017.01.011