基于Winters乘法模型的中国邮政包件数预测分析*

□ 焦国柱,吕善绪,郭姗姗,薛 洁

(菏泽学院 商学院,山东 菏泽 274000)

邮政业务量即邮政业务的产品量，是反映邮政部门为社会所提供的邮政服务的数量指标。邮政业务可分为：函件、包件、汇兑、报刊发行、速递、邮政储蓄、集邮等业务。每种邮政业务的开展都是为了满足特定的社会需求，代表了特定的消费倾向，具有各自的业务特色。影响邮政业务量的因素很多，有些因素对所有业务都有影响，有些因素只对某种业务有影响[1]。中国邮政包件数是整个邮政业务量的重要组成部分，影响其发展有很多因素，特别是外部竞争因素及内部条件因素，近几年来，邮政业务的包件数呈现趋势下降的趋势，2016年包件数为2793.7万件，同比下降9.8%；2017年包件数为2658.1万件，同比下降4.8%；2018年包件数为2407.2万件，同比下降15.6%。就邮政部门的有关部门来说，掌握邮政包件数未来的数量进而对本部门未来的决策有着重要意义。预测未来包件数的方法有很多，预测出来的结果也有差异，本文将对未来2019年每个月的邮政包件数进行预测，为此选用了Winter乘法模型，实行预测。

1 理论背景

Winters季节性与趋势性指数平滑法是P.R.Winters于上世纪60年代提出的一种较高级的平滑预测方法，它适合于非线性较弱的趋势性变动和季节性波动两者都有的时间序列预测问题。在时间序列预测的诸多方法中，相比于其他方法，其优点主要体现在以下三个方面：首先，由于它的预测原理比较易懂、方法比较简便易行因而较容易被使用者所接受；其次，该方法的数据利用率比“按季节分解”等预测方法要高得多，方法的设计比较合理，因此精度也较高；再次，这种预测方法本身承认了各季节的季节性指数I(t)具有趋势性变动，因此它能适合许多实际时间序列各季节的季节性指数呈趋势性变动的情况[2]。其定义如下：

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

(1)

St=αYtIt-L+(1-α)(St-1+bt-1)

(2)

bt=β(St-ST-1)+(1-β)bt-1

(3)

It=γYtSt+(1-γ)It-L

(4)

其中，L为季节长度，I为季节调整因子，m为超前预测期，α、β、γ(范围在0～1之间)为平滑指数。

2 数据来源

本文的数据均来源于国家统计局，其中选取了自2012年1月至2018年共计84个数据，其具体数据见表1所示：

表1 2012年1月—2018年12月邮政业务量包件数 (万件)

数据来源：中华人民共和国国家统计局国家数据邮政业务总量

创建时间序列图并进行直观分析，见图1所示：

图1 2012年1月至2018年12月中国邮政包件数波动示意

由图1可以看出，2012年1月至2018年12月期间中国邮政包件数呈现趋势性波动下降的现象，同时在下降过程伴随有季节性波动，每年在冬季前后呈现波峰。这是因为每年冬季商家大量清理库存使得商品价格降低，进而商品数量上升，引起包件数上升。因此包件数有显著的季节特征。包件数随着季度变化既有季节性又有趋势性，符合winters模型的适用条件。

3 数据分析

3.1 模型统计量分析

应用spss软件，对数据进行预测分析建立时间预测模型，得到模型统计量如表2、表3所示：

表2 2012年1月-2018年12月winters拟合统计量及均值

由表2可知，平稳的R方表示输出平稳的R方统计量，该统计量应用于固定成分与简单均值模型的差别。平稳的R方为0.829，表示该winters乘法模型优于简单的均值模型。R方表示该统计量用于表示所能解释的数据变异占总变异的比例。R方为0.949，该数据越大表示结果越佳，该变异模型中可以解释的部分约为95%。平均绝对百分误差MAPE表示输出绝对误差百分比统计量，MAPE为7.118%小于10%，表明误差可接受。正态化的BIC(L)为7.617、显著性为0.001小于0.005表示不拒绝假设，通过检验。

3.2 残差序列自相关和偏自相关分析

图2 拟合后的自相关函数及偏自相关函数图

由图2可知，残差自相关函数表示输出模型的残差自相关函数及其置信区间，残差偏自相关函数表示输出模型的残差序列的偏自相关函数及其置信区间。由图可见，残差ACF与残差PACF绝大多数落入-0.95～0.95的置信区间内，说明序列为白噪声序列，也就是说选择该模型合适。

4 数据预测结果及比较分析

根据数据建立winters乘法模型，得到预测结果如图3、表3所示：

图3 2019年中国邮政业务量包件数各月份预测结果

表3 2019年中国邮政业务量包件数各月份预测结果

对预测得到的结果与2019年1月至6月份实际值进行比较如表4所示：

表4 2019年1月至6月实际值与预测值比较

由表4可以看出，误差绝对值最大发生在1月份，误差为15.3%；误差绝对值最小发生在2月份，为6.1%。前六个月平均误差绝对值为10.6%，预测结果较为可靠。

5 结束语

本文采用了winters乘法模型，对中国邮政业务量的重要构成部分中国邮政包件数进行了预测，相对于其他预测方法而言，winters乘法模型既考虑了包件数的长期趋势同时兼而有之的考虑了季节性波动，能较为有效的规避随机性影响，将预测结果基本控制在10%以内，对此种预测方法来说，是比较成功的。但是，该预测模型只是立足于过去的历史邮政业务包件数，发掘过去几年潜在的发展趋势及动态，对未来发展趋势无法了解。而且邮政业务包件数月度数量多少不仅受到自己本身条件的限制、竞争对手的限制；更受到宏观环境下经济因素、政治因素、文化因素、社会人文因素等影响，因此有个别月份预测精度较低，预测浮动较大。对于邮政包件数的管理者来说，管理者可以根据包件数变化的预测趋势，更好安排人员、设备忙闲时间，以降低成本。随着时间的不断推移，未来会有各种各样的因素参与到预测中来，影响预测水平，因此，对于winters乘法模型的完善还会有进一步的探索。