基于BP神經網絡模型的商洛市卷煙需求預測

齊志成

摘 要：在國家經濟新常態的大背景下，煙草行業自身“小氣候”不可避免地發生變化，行業經濟運行呈現出一些新的變化和特點。根據商洛市卷煙消費市場調查收集的有關數據，建立卷煙需求神經網絡預測模型，介紹了其指標選取、聚類和篩選，利用Matlab軟件對數據進行訓練、仿真。與實際銷量進行對比分析，證明采用的BP神經網絡預測結果準確。

關鍵詞：新常態；問卷調查；神經網絡；卷煙需求；需求預測

中圖分類號：F762 文獻標識碼：A 文章編號：1006-060X（2017）01-0086-04

Abstract：Under the background of the new normal economy， the tobacco industry's own “microclimate” inevitably changes， and the economic operation of the industry presents some new changes and characteristics.According to the relevant data collection and investigation of cigarette consumption market in Shangluo City， established cigarette demand neural network forecasting model， introduced the index selection， clustering and screening， used Matlab software for data simulation and training. Compared with the actual sales， it is proved that the BP neural network prediction results are accurate.

Key words：new normal； questionnaire survey； neural network； cigarette demand； demand forecast

國家經濟進入新常態，煙草經濟是國家經濟的組成部分，兩者是局部與整體的關系，并且關聯度很高，煙草經濟必然會受到經濟新常態的影響。在經濟新常態的大背景下，煙草行業自身“小氣候”不可避免地發生變化，行業經濟運行呈現出新的變化和特點。近年來，商洛市卷煙市場需求持續穩定增長，卷煙銷量逐年遞增，取得了較好的發展成績。2014年商洛市卷煙銷量77 425箱，較2008年增加9 634箱，6 a累計增長14.2%。然而，受限于人口基數小、經濟基礎弱、勞務輸出多等因素，市場需求有限，卷煙銷量在陜西省排名相對靠后。卷煙需求增長率從2010年（3.75%）以來持續下滑，2013年跌至最低點（0.7%），2014年略有回升，2015年，商洛市卷煙銷量降幅為陜西省

最大。

目前，由于宏觀經濟下行、控煙政策趨緊、市場需求疲軟等多重因素疊加，煙草行業面臨“增長速度回落，工商庫存增加，結構空間變窄，需求拐點逼近”的四大難題，行業發展進入緩慢增長期，商洛市卷煙需求變化尤為突出。因此，深入分析商洛市卷煙市場需求情況，構建相應模型對商洛市卷煙市場需求進行預測，有助于準確把握新常態，幫助企業突破增長瓶頸，在日趨放緩的市場環境下找到新的增長點。

1 研究數據

數據來源于兩方面，一方面通過實地走訪調研商洛市政府辦公室、統計局、財政局、公安局、人社局、工信局、供電局等相關部門，直觀了解商洛市經濟人口的基本情況，并獲取商洛市經濟人口相關統計數據。另一方面針對商洛市卷煙零售戶與消費者設計不同的調查問卷，分區域發放調查問卷，了解商洛市卷煙市場需求的基本情況以及零售戶心理、消費者行為等因素。問卷調查采用重點對象的抽樣調查形式，通過對商洛市的經濟、人口、社會習俗、卷煙消費等方面分析，分城鎮和鄉村選取商州區、柞水縣、鎮安縣、丹鳳縣、洛南縣作為本次調查的代表地區。發放零售戶問卷

1 018份，回收852份，回收率為83.7%，可利用433份，問卷可利用率為42.5%。發放消費者問卷4 306份，回收3 423份，回收率為79.5%，可利用931份，問卷可利用率為21.6%。

2 BP神經網絡在商洛市卷煙需求預測分析中的應用

2.1 指標選取

影響卷煙銷售量的因素比較復雜，鑒于權威性和數據的可獲取性，對應其影響因素，可從統計年鑒中選取商洛市的各項指標進行分析（表1）。

2.2 指標聚類

由于影響卷煙銷量的因素很多，因此有必要對采集到的指標進行聚類，找出影響卷煙銷量的主要因素。鑒于卷煙需求影響因素的特點，因素指標聚類適合采用灰色關聯聚類加以分析。

通過聚類將影響因素指標劃分為五大類，既起到了降低指標維度的效果，同時又不會造成有用信息的損失，聚類效果也相對較好。聚類結果中的每一類都可以用該類中各指標共同表示的經濟意義來命名，聚類結果的命名見表2。

2.3 指標篩選

卷煙消費受季節等多種因素的影響，同一因素對不同月份銷量影響的大小是不同的，因此應逐月分析當月卷煙銷量與影響因素之間的聯系。根據研究數據的特點，筆者使用灰色關聯分析的方法選取影響各月銷量的典型因素。分別計算各月度卷煙需求數據與各個影響因素指標的綜合關聯度，用Matlab編程實現（表3）。

由表3的計算結果選擇影響各月卷煙需求的輸入指標。因為所有的影響因素指標經過聚類處理后被劃分為五大類，從每一類中選擇與相應月份灰色關聯度最大的因素。一般情況下，在關聯度≥0.6 時，則認為滿意關聯。所以還需再從中選擇關聯度≥0.6 的影響因素作為預測月份的預測備選指標。對各月的影響因素指標的篩選結果見表4。

3 實施預測

預測分為神經網絡的訓練和預測兩部分，具體過程如下（以1月為例）：

（1）輸入向量為2014年1月卷煙銷量、煙酒及用品消費價格指數、人口自然增長率、第三產業比重、國企中高層人數、城鎮居民恩格爾系數。因此，輸入層有6個神經單元。輸出變量為一個1維的向量，輸

出層神經單元1個。

（2）中間層節點個數 ，a為1到10之間的常數；分別選取多種訓練函數，根據訓練結果選擇合適的節點和函數。

（3）數據預處理，歸到 之間。

（4）用Matlab編程進行網絡訓練。

（5）仿真預測。由網絡訓練結果可以看出當隱含層節點個數為12，訓練函數為trainscg時，網絡訓練誤差最小。采用隱層節點個數為12的BP網絡實施預測，網絡訓練誤差如圖1。

（6）預測結果。同理，對其他各月份進行預測，預測結果如表5。

通過上述預測結果可以看出，除了1月、2月和12月商洛市卷煙市場需求的預測值波動較大以外，其他各月份均取得了較好的預測效果。其原因主要有以下兩個方面。

一是卷煙銷售制度。煙草公司在春節期間往往會停止市場上卷煙的供應，為了避免春節期間銷售斷貨，以及部分緊俏貨源供應不足，卷煙零售戶通常從臘月就開始備貨，主動增加卷煙社會庫存。這是導致年前卷煙市場需求急劇增加的主要原因。

二是春節原因。隨著人們春節期間社交活動的增加，卷煙市場需求增加，短期內卷煙銷量上升。按照我國農歷推算，春節一般在每年的1～2月份，從而導致了1月、2月和12月商洛市卷煙市場需求的預測值波動較大。因此，春節原因也是導致這3個月卷煙市場需求劇烈變化的原因。

4 小 結

由預測結果可以看出除了1、2、12月的銷量相對其他月份波動較大以外，其他月份預測均取得了比較好的效果。分析其原因主要受卷煙銷售制度、春節因素等因素影響。綜上所述，商洛市卷煙需求預測模型的整體預測效果良好，適合用于商洛市卷煙市場需求的研究。有助于加強商洛市煙草公司對卷煙市場需求的認識和整體把握能力，加大公司對商洛市卷煙消費者及消費市場發展趨勢的了解，提升公司內部營銷管理水平，促進商洛市煙草行業持續、穩定、健康發展。

參考文獻：

[1]劉 鑫，楊麗華. 卷煙銷量預測方法比較[J]. 科技創業月刊，2014，6（1）：35-37.

[2]連顯淼. 游客對旅游區煙草需求的影響研究[D]. 大連：遼寧師范大學，2012.

[3]王毅輝. 我國卷煙需求預測研究述評[J]. 中國煙草學報，2012，（4）：88-93.

[4]朱 凱，王正林. 精通MATLAB神經網絡[M]. 北京：電子工業出版社，2010.

[5]曾希君，于 博，李向群，等. 基于改進BP神經網絡私家車保有量的預測研究[J]. 計算機工程與設計，2010，31（3）：605-608.

[6]傅薈璇，趙 紅. MATLAB神經網絡應用設計[M]. 北京：機械工業出版社，2010.

[7]關牧玟. 撫順市煙草分公司卷煙銷量預測研究[D]. 大連：大連海事大學，2009.

[8]張德豐. MATLAB神經網絡應用設計[M]. 北京：機械工業出版社，2009.

[9]杜秀亭，董曉明. 卷煙需求預測的步驟與方法選擇[J]. 內蒙古科技與經濟，2008，（158）：54-55.

[10]董曉明，杜秀亭. 卷煙需求預測基本方法及其應用[J]. 內蒙古科技與經濟，2008，（162）：143-145.

[11]仲東亭，張 玥. BP神經網絡對煙草銷售量預測方法的改進研

究[J]. 工業技術經濟，2007，26（9）：115-118.

[12]王 森，吳春明. 煙草系統卷煙需求預測模型的探討[J]. 現代機械，2007，（2）：4-9.

[13]謝星峰. 基于神經網絡的卷煙銷售預測模型的研究及應用[D]. 昆明：昆明理工大學，2005.

[14]周開利，康耀紅. 神經網絡模型及其MATLAB仿真程序設計[M]. 北京：清華大學出版社，2005.

[15]王 卓，王艷輝，賈利民，等. 改進的BP神經網絡在鐵路客運量時間序列預測中的應用[J]. 中國鐵道科學，2005，26（2）：127-131.

[16]楊建剛. 人工神經網絡實現教程[M]. 杭州：浙江大學出版社，2001.

（責任編輯：肖彥資）