基于农村物流需求量的组合预测分析，本文主要内容关键词为：组合论文,需求量论文,农村论文,物流论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
0 引言
近年来我国物流业快速发展，但农村物流却相对落后，作为农业大国，要解决“三农”问题、增加农民收入，农村物流的相关研究非常重要。而农村物流首要问题是要解决复杂的物流需求量的预测。本文将组合预测应用于农村物流需求量预测。
组合预测即将不同的预测方法进行适当的组合，以便综合利用各种预测方法所提供的信息，尽可能地提高预测精度[1]。进入20世纪70年代以来，组合预测在理论界和预测实践中得到进一步重视，已涉及的组合预测方法有最小方差法、正权重组合方法、多项式拟合时变权重方法、基于AIC准则确定单项预测误差协方差阵结构的方法、结合AHP法判断单项预测相对表现从而确定权重的方法、考虑对预测误差分布偏好的目的规划法，等等。国内学者已将组合预测理论引入各种数量的预测研究，并取得了令人满意的结果[2-3]。同时各学者还致力于将改进的预测方法应用于物流需求的研究[4-7]。本文利用折扣系数法来确定组合预测的权重。
1 预测方法
建立组合预测模型首先解决的问题是如何选择预测方法，无论是单一的预测方法还是对多种预测方法进行组合的组合预测方法都是以控制预测误差作为主要目标。本文选取多元回归分析、时间序列双指数平滑法和移动平均预测作为组合预测的单项预测方法。
1.1 多元回归分析
回归分析预测法是从各种经济现象之间的因果关系出发，通过分析与预测对象有联系的现象变动趋势，推算预测对象未来数量状态的一种预测方法。文献[1]应用一元线性回归分析预测物流需求。该文献利用宏观经济总量与物流总量现象之间的数量依存关系，分别以GDP和进出口额为自变量，物流需求为因变量建立模型进行预测研究。
由于农业物流的复杂性，其需求受多种因素的影响，仅使用一元线性回归模型常常预测误差较大。本文采用多元线性回归分析进行农业物流需求量的预测。模型如下：
(3)ε是表示预测值与真实值的偏差的误差分量。它是由于其它因素对预测值的影响而导致不可预测的随机变量。将误差假定为独立的，且每个都服从均值为0、标准差σ未知的正态分布。
1.2 时间序列双指数平滑法
时间序列平滑预测法，主要通过研究事物自身的发展规律，借以预测事物的未来发展趋势。我们认为农业物流量以过去的发展规律未发生质变，可以延伸到未来时期，故采用时间序列来研究物流量需求是可行的。指数平滑法是对时间序列由近及远采取具有逐步衰减性质的加权处理，因时间序列的变动具有线性趋势，故采用双指数平滑来消除滞后误差。预测步骤如下：
(4)建立线性趋势预测模型，并进行预测：
1.3 移动平均法预测
移动平均法是在算术平均的基础上发展起来的一种预测方法，移动平均法可消除时间序列的数据由于受周期变动和随机变动的影响因素的干扰，显露出时间序列的长期趋势。
每当新的预测结果可用时，可以通过增加最新值和删减最老的值来计算新的均值，然后使用移动平均法对下一期进行预测。第k阶移动平均值可通过以下公式计算：
时间t的移动平均值为最近k期的观测结果的算术平均值。数据模型中对变化的响应比率取决于纳入计算移动平均值的时期数量k。
2 模型设计
组合预测的基本出发点就是将各种单项预测看作代表或包含不同的信息片断，通过信息的集成分散单个预测特有的不确定性和减少总体的不确定性，从而提高预测精度。组合预测的关键问题是组合权重的确定。本文采用折扣系数法建立组合预测模型使组合预测模型的精度进一步提高。
为第i种预测方法的组合权重，满足
本文使用MATLAB来求解该二次规划问题。
3 实证研究
目前农业物流量及直接反映物流规模的指标还没有统计数据，本文以农村消费品零售总额间接表示农业物流需求量，而影响需求量的因素有经济发展水平如农林牧渔业总产值、农村居民收入水平，农业物流的对象粮食的产量，交通运输仓储业从业人员以及国家财政用于农业的支出。数据如表1：
3.1 单项模型预测结果
本文采用多元回归分析、指数平滑及移动平均预测单项预测，预测结果及标准误差如表2：
其中多元回归要求各解释向量互不相关，但各影响因素之间存在相关性，故采用逐步回归。最终的农村消费品零售总额模型应以为
3.2 用折扣系数法建立组合预测模型
组合预测标准误差平方和为0.0290，而多元回归预测标准误差平方和为0.0313，双指数平滑预测标准误差平方和为0.0991，移动平均预测标准误差平方和为0.1604，可以证明组合预测模型明显优于各单项预测模型。
4 结束语
本文采用农村消费品零售总额作为农业物流需求量的预测指标，利用逐步回归法考虑影响农村消费品零售总额的因素，得出农村居民人均收入、交通运输业从业人员数及国家财政用于农业的支出三变量与农业物流量预测指标之间的相关关系。然后利用多元回归、双指数平滑法及移动平均预测法得出的预测误差数据，采用折扣系数法建立组合预测模型，结果证明该组合预测模型比各单项预测模型具有较优的预测能力。