電商物流企業配送需求預測研究

王根基 李莉

摘 ?要：文章以新疆蘇寧物流在烏魯木齊主城區的配送需求預測為例，通過SPSS中3種季節性指數平滑模型，對2018年前3個月的配送需求按組合預測的思想進行了3種維度的預測。通過與實際數據對比發現，文中方法可以對配送需求進行有效預測，且區域劃分后得到的預測結果準確度得到明顯提升。

關鍵詞：需求預測;電商物流;季節性指數平滑法

中圖分類號：F252.14 ? ?文獻標識碼：A

Abstract： Taking the distribution demand forecast of Suning logistics in Urumqi as an example， through three seasonal exponential smoothing models in SPSS， this paper predicts three kinds of distribution demand according to the idea of combination prediction in the first three months of 2018 years. By comparing with the actual data， it is found that this method can effectively predict the distribution demand， and the accuracy of the prediction results obtained after the zoning is obviously improved.

Key words： demand forecast; E-commerce logistics; seasonal exponential smoothing method

0 ?引 ?言

物流需求有時間特性，需求隨時間的變化歸因于銷售的增長和下降，需求模式的季節性變化以及多種因素導致的一般性波動，而指數平滑法就是一種將實際測量值分解成水平因素、趨勢因素和周期因素3部分，然后綜合起來進行預測，能有效地反映季節變動的影響[1]。在需求預測過程中，不同的預測維度可導致預測結果準確度不同，因此本文將通過3種不同維度對蘇寧物流在烏魯木齊主城區的配送需求進行預測，并對結果進行對比分析，以達到科學預測分析的目的。

1 ?預測方法與資料整理分析

1.1 ?季節性指數平滑法介紹。季節性指數平滑法是由溫特斯（Winters）研究出來的一種比較高級形式的指數平滑方法。其優點在于把已有的時間序列分解成3種指標：水平（Alpha）、趨勢（Gamma）、季節（Delta），再分別對其進行預測，然后將各種因子的平滑結合起來，再對原時間序列做出預測。這樣就擴大了指數平滑法的應用范圍，提高了對兼具趨勢和季節變動兩種因素的時間序列預測的準確性。

1.2 ?數據整理分析。本文對蘇寧物流在烏魯木齊主市區2016年1月至2017年12月的配送需求歷史數據進行整理，分別得到主城區總需求歷史數據、各行政區（天山區、沙依巴克區、新市區、水磨溝區）的需求歷史數據、主城區中43個需求點的需求歷史數據。通過對2016年至2017年的配送需求歷史數據進行整理，發現整體需求呈現平穩上升趨勢，同時每年的數據變化呈現出周期性波動，符合季節性指數平滑法的要求[2]。主城區及各行政區的配送需求歷史數據如圖1所示。

1.3 ?需求預測方法確定。本文采用SPSS24統計學軟件進行數據分析，數據定義格式按照年月進行定義，將數據轉化成以月為單位的時間序列數據，采用時間序列模型中的3種季節性指數平滑法分別建立模型。指數平滑法的近期觀測值對預測值的影響進行了加強，將由近至遠的權數按等比級數進行遞減，其中等比級數的首項為平滑系數（Alpha）[3]。簡單季節性模型主要包含水平（Alpha）和季節（Delta）2個指標，適用于序列具有線性時間趨勢但無季節性變化，Winters加法模型和Winters乘法模型包含水平（Alpha）、趨勢（Gamma）、季節（Delta）3個指標，分別適用于具有線性趨勢和加法季節變化以及具有線性趨勢和乘法季節變化[2]。在SPSS24中系統將自動計算出最適合的3種指標值。然后按組合預測的方法對3種預測結果進行加權計算。

2 ?數據分析結果

通過SPSS分別對主城區、4個行政區、43個需求點的歷史需求數據進行2018年第一季度預測后得到結果，其中主城區的預測結果如表1所示。

主城區及各行政區通過SPSS24運行后得到的模型擬合度參數值如表2所示。

擬合度參數說明：平穩R方為擬合優度，其值越大表示擬合效果越好;Sig.是殘差序列相關性檢驗，當Sig.的值大于0.05時，表示可以采用此種模型進行預測。

模型擬合度結果分析：平穩R方為擬合優度，其值越大表示擬合效果越好，簡單季節性模型和Winters加法模型的平穩R方都在0.8左右波動， Winters乘法的平穩R方在0.5左右，這說明前2種方法的模型擬合度較好，Winters乘法的模型擬合度相比前2種略差，但通過對Sig.的觀察發現所有模型均大于0.05，說明3種模型都可用于需求預測。

為了保證預測結果的科學性，本文按照組合預測的思想，將3種模型預測結果進行加權運算，每種模型的權數為三分之一。將通過加權計算后得到的預測值作為最終預測值進行后續結果分析。

對主城區及各行政區第一季度的3種模型的預測結果進行加權處理后得到結果如表3所示。

通過上述同樣方法可以得到對主城區中43個點的第一季度3種模型的預測結果，經過加權統計后結果如表6所示。

3 ?預測結果準確度分析

本文通過對2018年1～3月預測的數據進行統計，并通過與2018年1～3月的真實數據進行對比，得到預測結果的準確度。

通過對表4的數據結果進行對比可以發現，以主市區總體需求量為維度進行預測后的預測值與實際需求量的誤差為

-6.09%，此結果具有較好的預測效果。

通過對表5的數據結果進行對比可以發現，沙依巴克區和新市區的預測誤差較低分別為-5.77%和-3.49%，預測效果較好，天山區和水磨溝區的預測誤差分別為-7.26%和-9.11%，對比其他兩個區誤差稍大，但是預測誤差仍小于10%，可以認為是較好的預測結果。通過各區預測結果進行累加之后得到的主城區預測結構同實際結果進行對比，預測誤差為-5.89%，小于以主城區整體為維度的預測誤差。

通過對表6的預測結果進行觀察可以發現，每一需求點配送需求的預測誤差基本保持在10%以內，只有個別幾個需求點預測誤差大于10%，但是也保持在20%以下的范圍內，由于配送需求量受很多不確定因素的影響，這樣的結果可以認為是保持在合理范圍內。所有需求點的預測總量和實際總量之間的誤差為-4.5%，明顯小于以主城區和以4個行政區為維度進行預測的預測誤差。

4 ?結 ?論

通過使用SPSS對蘇寧物流在烏魯木齊主城區的配送需求分別按3個維度進行季節性指數平滑預測，并對配送需求預測結果與實際配送需求數據進行對比，可以發現季節性指數平滑法可以進行有效預測，并且發現當對配送區域進行分割后的預測結果誤差可以得到有效減小，說明本文的方法對電商物流企業的配送需求預測具有較好的預測效果。

參考文獻：

[1] 楊茂盛，李銀俠. 季節性指數平滑法在庫存商品需求預測中的應用[J]. 商場現代化，2007（19）：212-213.

[2] 張磊，劉艷紅. 季節性指數平滑法預測深圳市寶安區涂陽肺結核發病人數的應用[J]. 中國醫藥導報，2015，12（18）：39-42.

[3] 劉珍文. 指數平滑技術在出院人數預測中的應用研究[J]. 中國衛生統計，2011，28（4）：459，461.