基于时间序列季节性分解模型的科技查新课题量预测研究

孟婷婷++贾宝平

DOI：10.16660/j.cnki.1674-098X.2017.23.145

摘 要：本文采用时间序列的季节性分解模型，利用IBM SPSS Statistics软件对科技查新课题量统计数据进行分析，建立了乘法预测模型。并对其预测值和实际值进行了曲线拟合和相关性检验，发现该的模型能较好的对科技查新课题量进行预测，从而为科技查新工作安排提供了参考依据。

关键词：时间序列 季节性分解 科技查新 预测

中图分类号：TM614 文献标识码：A 文章编号：1674-098X（2017）08（b）-0145-03

Abstract：This paper， the seasonal decomposition model of time series is used， and the IBM SPSS Statistics software is used to analyze the statistical data of sci-tech novelty retrieval， and a multiplicative prediction model is established. We also make a curve fitting and correlation test between the predicted value and the actual value， and find that the model can better predict the amount of scientific and technological novelty search， thus providing a reference for the arrangement of sci-tech novelty search work.

Key Words： Time sequence； Seasonal decomposition； Innovation of science and technology； Prediction

科技查新工作通过几十年的发展，在科研课题立项、科技成果鉴定、报奖评估等方面的作用也越来越重要，已成为科研单位、高校、企业科研工作的重要支撑和评价工具。对查新未来发展主要业务的数据进行科学的趋势分析与预测是实行科学管理的主要手段之一，是科技查新制定发展规划与决策的前提条件[1]。通过对查新课题量的变化规律进行分析研究，根据统计预测结果提前做好工作安排和人员配置，可以有效减少工作的主观性和盲目性，对于全面提升科技查新管理水平，合理安排查新工作的人力、物力、财力上的资源配置具有十分重要的意义。

1 资料与方法

1.1 数据资料来源

本文所采用的数据来源于黑龙江省科技情报研究院科技查新中心2013—2016年的国内查新课题统计数据。数据如表1所示。

1.2 预测方法选择

时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平[2]。从表1我们可以看出，本次进行预测分析的数据为典型的时间序列型数据，因此，适于采用时间序列分析模型的相关方法进行分析预测。

通过绘制时间序列图，可以观察到国内科技查新课题量表现出明显的季节性（周期性），都是每一年度都是第一季度最高，然后逐渐下降，每年的第三季度达到最低谷。因此，适用时间序列预测法中的季节时间序列分解模型。

传统的时间序列季节分解模型认为，时间序列的变化受许多因素的影响，可以概括为四种：长期趋势、季节变动因素、周期变动因素和不规则变动因素。这四个因素相结合提供了一个时间序列的确切值。然而在实际分析过程中，人们发现没有固定周期的循环变动与长期趋势的影响很难严重格区分开来，而有固定周期的循环波动和季节性变化又很难严格分解开。因此，近年来研究人员将此方法进行了改进，将时间序列分解为三大因素的综合影响：

长期趋势（包含长期趋势和无固定周期的循环波动）、季节性因素（包括了所有具有固定周期的循环波动）和随机波动（包括了去除了长期趋势和季节性变化后，其余因素的综合影响）。

2 时间序列分析

2.1 具体步骤：

（1）首先开打IBM SPSS Statistics 20，在数据视图中粘入原始數据，并在变量视图中将其名称改为“观测值”，小数位改为0。

（2）在SPSS的菜单栏中选择【数据】菜单下的【定义日期】命令，选中“年份，季度”，在年和季度文本框中分别输入2013和1。数据视图见“表2”的前四列。

（3）【分析】【预测】【季节性分解】将“观测值”选入变量，模型类型选择“乘法”，移动平均权重选择“结束点按0.5加权”。结果见“表2”第5至第8列。其中，“ERR_1”为随机误差，“SAS_1”为去除季节性因素后的序列，“SAF_1”为季节性因素，“STC_1”为序列趋势。

（4）我们对“STC_1”列进行曲线拟合，拟合图如图2所视。从表三我们可以看出，三次曲线拟合结果非常的好，R值和R2值分别为0.962和0.926。从表3我们可以得到“STC_1”的三次曲线方程为：y=35.338x-6.998x2+0.339x3+3493647。

（5）通过“STC_1”的曲线方程我们对长期趋势值进行预测，其结果见“表2”第9列。

（6）对随机波动“ERR_1”采用移动平均法进行预测，其结果见“表2”第10列。

（7）将“SAF_1”值、“STC_1预测”值、“ERR_1预测”值相乘，得到最终预测结果，见“表2”第11列。

（8）对表2的“观测值”和“预测值”进行相关性检验。其相关性到达0.958，拟合程度非常高。其拟合图见图3所示。

3 结语

通过查新课题量时间序列分析，可以深入研究查新用户需求季节特征的表现形式，有利于科技查新管理部门对相关工作进行提前部署及相应对策的制定。需要注意的是，预测是基于历史数据的趋势对未来情况进行的推断，但现实情况是在不断变化的，精准的预测是需要对外部环境如政治、经济、市场以及竞争对手等因素加以综合考虑，采用定性定量相结合的方式进行，并需要不断改善的连续过程。

参考文献

[1] 张珊珊.中医医院门诊工作量的季节性分析及预测研究[J].数理医药学杂志，2013，26（6）：675-678.

[2] 张美英.时间序列预测模型研究综述[J].数学的实践与认识，2011，41（18）：189-195.

[3] 王燕.应用时间序列分析[M].北京：中国人民大学出版社， 2005.

[4] 百度百科.科稳序列[EB/OL].[2017.02.21].http：//baike.baidu.com/link？url=Ltwx15FJ9CNJYMGL89PDOWnA7MbBnfMn6pJz0DjZ4yYwvFCVB979mzRnmlYe69Vj39MbYGJM4OFBu--fEbDL4cQshsTFI8O2cYGRDUT1OaRcNPoUtw-yhdVzfcBiyky1.endprint