卷烟需求组合预测分析

高山+刘蓉蓉+谭钦腾+李以芬+贾春荣+谭建

摘 要：运用以月份、季度季节性分解模型与增长型曲线外推预测模型对卷烟需求进行组合预测。实验结果表明，该组合模型能够较好地预测卷烟年销售总量值变化。

关键词：卷烟；组合预测；季节性分解；曲线外推

中图分类号：F123.9 文献标志码：A 文章编号：1673-291X（2014）24-0075-02

一、引言

卷烟市场需求预测是按客户订单组织货源工作的起点、前提和基础。只有进行科学的需求预测，精准地把握市场需求，才能主动适应市场变化，生产更加适销对路的卷烟，切实满足市场需求，提高零售户的订单满足率，将“按客户订单组织货源”工作的初衷落到实处。科学准确的需求预测[1]，能够及时有效地反映真实的市场需求和变化情况[2]，为商业企业的营销活动提供决策支持，使商业企业货源的组织、供应更加合理，为工业企业提高产品质量和开展营销活动提供信息支撑，提高工业和商业企业对市场、产品变化的反应能力[3]。

二、卷烟需求短期预测

（一）增长型曲线外推预测模型

由于不同的增长曲线有不同的增长特征，分析这些特征是进行模型识别的首要问题。因此，采用增长型曲线外推预测，首先要分析贵州卷烟增长特征。

根据图1所示数据，采用外推预测模型，运用SPSS19对下页表1数据进行曲线拟合，结果（见下页表1）。

由下页表1可以看出，虽然所有外推预测模型的显著性检验值均小于0.05，但三次抛物线增长型曲线的判定系数R2及F值均最大，故贵州省卷烟年度销售预测最佳模型三次抛物线增长型曲线为：

y=985 191.021-35 294.263×t+33 331.863×t2-2 968.177×t3

根据该式，将t=9代入上式，得到2014年销量预测值为1 203 620箱。

（二）季节性分解

卷烟销量具有明显的长期趋势和季节变动，利用季节因素分解法，选择乘法模型Y=T·S·C·I。下面将其中的变动因素一一分解出来，测定其变动规律，然后再综合反映它们的变动对时间序列变动的影响。

1.长期趋势分析

以时间t为自变量以销售量y为因变量，以直线模型=b0+b1t拟合长期趋势。采用最小二乘法，通过SPSS19，得到结果（如表2所示）。

2.周期性变动

根据剩余法，运用移动平均法n=yi/12剔除长期趋势和周期变化，得到序列T·C，用序列T·C除以长期趋势T，得到周期性变动因素C，取各年同月份的平均值作为周期性变动性因素。根据上述计算结果，2014年销量预测值为1 477 752箱。

（三）时间序列的组合预测

设{Xt}，t=1，2，…，N为某个统计量的观测序列，{t（j）}，j=1，2，…，J，t=1，2，…，N，为对应的用J个预测模型得到的拟合序列。对xN，k，k=1，2，…，K用J个不同模型获得的预测值记为N+k（j），j=1，2，…，J，将这J个模型对N+k的组合预测值记为N+k，有：

N+k=WjN+k（j），k=1，2，…，K。式中Wj，j=1，2，…，J为第j个模型在综合预测值中所占的权重，一般情况下为了保持综合模型的无偏性，Wj应满足归一化约束条件Wj=1。在此处Wj的确定采用方差倒数加权法。

三、小结

本文运用月份、季度为周期的季节性分解预测模型和增长型外推预测模型，通过组合预测对贵州省2014年卷烟销量预测，并对预测结果进行了预测精度分析，结果表明组合预测精度较高。

参考文献：

[1] 董晓民，杜秀亭.卷烟需求预测基本方法及其应用[J].内蒙古科技与经济，2008，（8）：143-145.

[2] 冯文权.经济预测与决策技术（第4版）[M].武汉：武汉大学出版社，2005：24-25.

[3] 卢纹岱.SPSS for Windows 统计分析（第2版）[M].北京：电子工业出版社，2005：431.

[责任编辑 陈丹丹]endprint

摘 要：运用以月份、季度季节性分解模型与增长型曲线外推预测模型对卷烟需求进行组合预测。实验结果表明，该组合模型能够较好地预测卷烟年销售总量值变化。

关键词：卷烟；组合预测；季节性分解；曲线外推

中图分类号：F123.9 文献标志码：A 文章编号：1673-291X（2014）24-0075-02

一、引言

卷烟市场需求预测是按客户订单组织货源工作的起点、前提和基础。只有进行科学的需求预测，精准地把握市场需求，才能主动适应市场变化，生产更加适销对路的卷烟，切实满足市场需求，提高零售户的订单满足率，将“按客户订单组织货源”工作的初衷落到实处。科学准确的需求预测[1]，能够及时有效地反映真实的市场需求和变化情况[2]，为商业企业的营销活动提供决策支持，使商业企业货源的组织、供应更加合理，为工业企业提高产品质量和开展营销活动提供信息支撑，提高工业和商业企业对市场、产品变化的反应能力[3]。

二、卷烟需求短期预测

（一）增长型曲线外推预测模型

由于不同的增长曲线有不同的增长特征，分析这些特征是进行模型识别的首要问题。因此，采用增长型曲线外推预测，首先要分析贵州卷烟增长特征。

根据图1所示数据，采用外推预测模型，运用SPSS19对下页表1数据进行曲线拟合，结果（见下页表1）。

由下页表1可以看出，虽然所有外推预测模型的显著性检验值均小于0.05，但三次抛物线增长型曲线的判定系数R2及F值均最大，故贵州省卷烟年度销售预测最佳模型三次抛物线增长型曲线为：

y=985 191.021-35 294.263×t+33 331.863×t2-2 968.177×t3

根据该式，将t=9代入上式，得到2014年销量预测值为1 203 620箱。

（二）季节性分解

卷烟销量具有明显的长期趋势和季节变动，利用季节因素分解法，选择乘法模型Y=T·S·C·I。下面将其中的变动因素一一分解出来，测定其变动规律，然后再综合反映它们的变动对时间序列变动的影响。

1.长期趋势分析

以时间t为自变量以销售量y为因变量，以直线模型=b0+b1t拟合长期趋势。采用最小二乘法，通过SPSS19，得到结果（如表2所示）。

2.周期性变动

根据剩余法，运用移动平均法n=yi/12剔除长期趋势和周期变化，得到序列T·C，用序列T·C除以长期趋势T，得到周期性变动因素C，取各年同月份的平均值作为周期性变动性因素。根据上述计算结果，2014年销量预测值为1 477 752箱。

（三）时间序列的组合预测

设{Xt}，t=1，2，…，N为某个统计量的观测序列，{t（j）}，j=1，2，…，J，t=1，2，…，N，为对应的用J个预测模型得到的拟合序列。对xN，k，k=1，2，…，K用J个不同模型获得的预测值记为N+k（j），j=1，2，…，J，将这J个模型对N+k的组合预测值记为N+k，有：

N+k=WjN+k（j），k=1，2，…，K。式中Wj，j=1，2，…，J为第j个模型在综合预测值中所占的权重，一般情况下为了保持综合模型的无偏性，Wj应满足归一化约束条件Wj=1。在此处Wj的确定采用方差倒数加权法。

三、小结

本文运用月份、季度为周期的季节性分解预测模型和增长型外推预测模型，通过组合预测对贵州省2014年卷烟销量预测，并对预测结果进行了预测精度分析，结果表明组合预测精度较高。

参考文献：

[1] 董晓民，杜秀亭.卷烟需求预测基本方法及其应用[J].内蒙古科技与经济，2008，（8）：143-145.

[2] 冯文权.经济预测与决策技术（第4版）[M].武汉：武汉大学出版社，2005：24-25.

[3] 卢纹岱.SPSS for Windows 统计分析（第2版）[M].北京：电子工业出版社，2005：431.

[责任编辑 陈丹丹]endprint

摘 要：运用以月份、季度季节性分解模型与增长型曲线外推预测模型对卷烟需求进行组合预测。实验结果表明，该组合模型能够较好地预测卷烟年销售总量值变化。

关键词：卷烟；组合预测；季节性分解；曲线外推

中图分类号：F123.9 文献标志码：A 文章编号：1673-291X（2014）24-0075-02

一、引言

卷烟市场需求预测是按客户订单组织货源工作的起点、前提和基础。只有进行科学的需求预测，精准地把握市场需求，才能主动适应市场变化，生产更加适销对路的卷烟，切实满足市场需求，提高零售户的订单满足率，将“按客户订单组织货源”工作的初衷落到实处。科学准确的需求预测[1]，能够及时有效地反映真实的市场需求和变化情况[2]，为商业企业的营销活动提供决策支持，使商业企业货源的组织、供应更加合理，为工业企业提高产品质量和开展营销活动提供信息支撑，提高工业和商业企业对市场、产品变化的反应能力[3]。

二、卷烟需求短期预测

（一）增长型曲线外推预测模型

由于不同的增长曲线有不同的增长特征，分析这些特征是进行模型识别的首要问题。因此，采用增长型曲线外推预测，首先要分析贵州卷烟增长特征。

根据图1所示数据，采用外推预测模型，运用SPSS19对下页表1数据进行曲线拟合，结果（见下页表1）。

由下页表1可以看出，虽然所有外推预测模型的显著性检验值均小于0.05，但三次抛物线增长型曲线的判定系数R2及F值均最大，故贵州省卷烟年度销售预测最佳模型三次抛物线增长型曲线为：

y=985 191.021-35 294.263×t+33 331.863×t2-2 968.177×t3

根据该式，将t=9代入上式，得到2014年销量预测值为1 203 620箱。

（二）季节性分解

卷烟销量具有明显的长期趋势和季节变动，利用季节因素分解法，选择乘法模型Y=T·S·C·I。下面将其中的变动因素一一分解出来，测定其变动规律，然后再综合反映它们的变动对时间序列变动的影响。

1.长期趋势分析

以时间t为自变量以销售量y为因变量，以直线模型=b0+b1t拟合长期趋势。采用最小二乘法，通过SPSS19，得到结果（如表2所示）。

2.周期性变动

根据剩余法，运用移动平均法n=yi/12剔除长期趋势和周期变化，得到序列T·C，用序列T·C除以长期趋势T，得到周期性变动因素C，取各年同月份的平均值作为周期性变动性因素。根据上述计算结果，2014年销量预测值为1 477 752箱。

（三）时间序列的组合预测

设{Xt}，t=1，2，…，N为某个统计量的观测序列，{t（j）}，j=1，2，…，J，t=1，2，…，N，为对应的用J个预测模型得到的拟合序列。对xN，k，k=1，2，…，K用J个不同模型获得的预测值记为N+k（j），j=1，2，…，J，将这J个模型对N+k的组合预测值记为N+k，有：

N+k=WjN+k（j），k=1，2，…，K。式中Wj，j=1，2，…，J为第j个模型在综合预测值中所占的权重，一般情况下为了保持综合模型的无偏性，Wj应满足归一化约束条件Wj=1。在此处Wj的确定采用方差倒数加权法。

三、小结

本文运用月份、季度为周期的季节性分解预测模型和增长型外推预测模型，通过组合预测对贵州省2014年卷烟销量预测，并对预测结果进行了预测精度分析，结果表明组合预测精度较高。

参考文献：

[1] 董晓民，杜秀亭.卷烟需求预测基本方法及其应用[J].内蒙古科技与经济，2008，（8）：143-145.

[2] 冯文权.经济预测与决策技术（第4版）[M].武汉：武汉大学出版社，2005：24-25.

[3] 卢纹岱.SPSS for Windows 统计分析（第2版）[M].北京：电子工业出版社，2005：431.

[责任编辑 陈丹丹]endprint