基于ARIMA简单季节模型的河南省快递业务量预测
李贞贞LI Zhen-zhen
（郑州师范学院，郑州450044）
摘要： 本文对发展迅速的快递行业进行研究，选取河南省月度快递业务量，考虑到月度快递业务量的趋势性、季节效应，通过建立ARIMA简单季节模型对快递业务量进行预测。结果表明，该模型预测效果较好。
关键词： 时间序列分析；ARIMA模型；快递业务量
0 引言
随着电子商务的兴旺、蓬勃发展，消费者的购物方式悄然发生了变化，网购成为了重要的购物方式。购物方式的变化带动了快递行业的迅猛发展。
高中体育教师还应该以休闲体育为目的，丰富体育教学内容，增加体育学科的休闲色彩和运动色彩。当前的高中体育教学项目，比较集中在短跑、篮球、中长跑、足球等运动项目上，难以满足学生对休闲体育运动的心理需要和运动需要。为此，教师可以开展武术、健美操、轮滑等课程，或者花式跳绳、踢毽子等运动项目，增加体育教学的休闲性、生活性、有趣性。
对于快递行业的企业，业务量的变化对人员管理、投资决策等产生重要影响，因此快递业务量的预测对企业的经济决策有着重要参考依据。为了有较高的预测精度，需要对业务量时间序列数据进行有效合理分析、挖掘，建立业务量预测模型。
对于快递业务量的分析，学者采用了不同的模型和方法进行了分析，如灰色预测模型、组合预测、时间序列分析模型等等。
对于数据较少的，可采用灰色预测模型。洪琼[1]等根据江苏省2009至2017年规模以上企业快递业务量年度数据，用灰色预测模型GM（1，1）对其进行预测，认为江苏省的快递市场需求的增长势头迅猛。孙丽[2]基于我国2008至2014年我国快递业务量数据运用GM（1，1）模型进行拟合，拟合精度较高。可运用该模型对业务量进行预测。
高速驾车时，驾驶人精神紧张，长时间紧张就容易产生疲劳感，疲劳后继续驾驶车辆，会感到疲倦瞌睡、四肢无力、注意力不集中、判断力下降等，此时危险系数会急剧增大，导致意外的发生。疲劳检测系统通过计算判断长时间闭眼、打哈欠等脸部特征来判断疲劳的程度，从而提醒驾驶人进行休息、停车等。
与对照组比较，抑郁症组、BCRD组小鼠在悬尾实验中不动总时间明显上升，差异具有统计学意义（P＜0.05、0.01）；与抑郁症、乳腺癌组比较，BCRD组悬尾不动时间显著升高，差异具有统计学意义（P＜0.01）。结果见表2。
目前临床上针对粘液腺囊肿的常用治疗方法除传统的手术切除外，还有液氮冷冻、微波切除、碘制剂注射、二氧化碳激光等。各种治疗方法都有着各自的优点与不足。
对于时间跨度较长的数据，考虑到快递业务量具有长期趋势性、季节性、短期波动等特点，建立模型时需要考虑其特点，商丰瑞等[3]利用SARIMA模型对我国月度快递业务量进行预测分析；张仲斐等[4]利用四大快递公司的季度跨国快递业务量数据建立了基于ARIMA模型，该模型短期预测效果良好。
观察自相关系数、偏自相关系数图特点，对差分平稳序列进行模型识别和参数估计。
基于以上学者的研究，选取了跨度较长的河南省月度快递业务量，运用ARIMA模型进行建模分析预测。
1 研究方法
为研究快递业务量的规律特点，本文研究了2014年6月-2019年3月河南省快递业务量数据（见表1），数据来源于河南省邮政管理局网站行业统计栏。业务量指的是规模以上（年业务收入200万元以上）快递服务企业业务量。为了检验模型预测的准确性，选2014年6月-2019年2月的月度数据进行建模，将2019年3月数据用来预测对比。运用统计软件SAS9.1进行数据分析。
对于仅含有长期趋势效应的时间序列，可构建ARIMA（p，d，q）模型，其基本结构为：
在显著性水平0.05的条件下，由于延迟6阶的检验统计量P值小于0.05，因此差分序列Y不能视为白噪声序列，可以尝试用模型对其信息进行提取。
对于既含有季节效应又含有长期趋势效应的简单序列，可构建简单季节模型，其基本结构为：
。其中D表示提取季节效应，进行D步差分；d表示提取趋势信息所用的差分阶数。
2 河南省月度快递业务量的实证分析
2.1 数据来源
ARIMA模型是70年代初由Box和Jenkins提出的时间序列预测方法，是时域分析方法的核心内容。对于非平稳时间序列，ARIMA模型是常用的随机分析方法。该模型是差分运算和ARMA模型的组合。其中差分运算提取确定性信息，ARMA模型是对经过差分变换后平稳的序列建立的模型。
（1）各级政府都要加大财政扶持力度，全面夯实产业融合的物质基础。为此，要尽快设立财政专项资金，鼓励、支持农民规范有序流转土地，促进土地适度规模化经营；通过项目扶持、贴息贷款等有效形式，扶持一批运作规范、规模较大、带动力强的农民合作社等新型经营主体，以此辐射并带动农户组织化经营能力的提升，推动农村一、二、三产业的快速融合发展。
对差分序列进行白噪声检验，检验结果如图2。
2.2 平稳性检验
对时间序列的初步检验是平稳性检验。平稳性检验可根据时序图和自相关图等图检验法进行，也可以根据单位根检验进行检验。用X表示原序列。
图1 河南省快递业务量序列时序图
图2 差分序列的白噪声检验
表1 河南省2014年6月-2019年3月的快递业务量数据（单位：万件）
从时序图中可以看出，随着时间的推移，业务量原序列呈现明显的上升趋势，具有一定的周期性，显然是非平稳序列。由于是线性上升趋势，利用1阶差分提取长期趋势效应。由于快递业务量具有一定的规律性，快递春节前夕停运，开启春节模式，因此1月、2月业务量偏低；“双十一”购物节等影响，10月、11月业务量较高。季节效应的周期约为12，因此进行12步差分，消除季节效应。差分序列用Y表示。
利用ADF检验判断差分序列是否平稳，ADF检验结果详见表2。序列Y三种类型的Rho统计量、Tau统计量都拒绝序列非平稳的原假设，认为序列Y平稳。
2.3 白噪声检验
(5) 2台FEP为一主一备，热备可随时进行切换，只保留主机提供NTP服务，备机软件自动停止NTP服务，以确保下一层设备(2台应用服务器)仅同步1台FEP，这样可确保下一层设备(2台应用服务器)的精度控制在50 ms内。
简记为
其中d为提取长期趋势信息的差分阶数，
为p阶自回归系数多项式；
为q阶移动平均系数多项式。
表2 差分序列Y的ADF检验
2.4 模型识别和参数估计
也有学者尝试运用组合预测的方式进行预测。王惠婷等[5]利用我国1995年至2016年的年度快递业务量，建立了二次指数平滑模型、多项式曲线预测模型、ARIMA模型等，进行组合预测，预测精度好。万晓榆[6]等运用重庆市邮政业的月度时间序列，组合灰色预测等多种模型，并运用方差倒数法进行组合预测，预测精度较好。
样本的1阶自相关系数超过2倍标准差，1阶以后自相关系数都在2倍标准差之内，且由非零系数变为小值波动的速度比较迅速，认为自相关系数1阶截尾。分析序列偏自相关系数特点，认为其拖尾。据此，可尝试建立MA（1）模型。
参数估计方法采用条件最小二乘估计，并对参数的显著性进行检验。由图5，对均值μ的显著性进行检验，由于P值为0.1820，大于0.05，显著性检验未通过。
选择去掉常数项之后的MA（1）模型，参数估计结果详见图6，参数θ1的显著性检验通过。
即对河南省月度快递业务量序列拟合的模型为
2.5 模型检验
图3 快递业务量自相关图
图4 快递业务量偏自相关图
图5 MA（1）模型的条件最小二乘估计结果图
图6 不含常数项的MA（1）模型的条件最小二乘估计结果图
图7 残差白噪声检验结果图
残差白噪声检验显示延迟6阶、12阶、18阶、24阶的LB检验统计量的P值均显著大于0.05，模型有效。
电熔管件产品的电性能主要体现在产品电阻上，所用的电阻丝必须在单位长度上具有非常稳定的电阻值，才能保证产品具有非常稳定的电性能。一般情况下，钢骨架复合管电熔管件用的电阻丝为铜丝，而PE管电熔管件用的电阻丝为合金导体。
2.6 对河南省快递业务量进行短期预测
检验模型的预测能力。利用MAPE度量样本期内的预测能力，计算公式为
该模型样本期内的MAPE为10.27%，预测能力良好。对样本期外，通过模型预测2019年3月业务量为16078.79万件，与真实值15600.66万件进行比较，误差为3.06%，预测能力较好。通过模型的预测值可供快递行业作参考。
3 结束语
本文运用ARIMA简单季节模型对河南省快递业务量进行预测，拟合效果较好，可用于短期预测，可为河南省的快递从业企业的经济决策提供一定的参考依据。
参考文献：
[1]洪琼，张浩，万玉龙，薛柏.江苏省快递业发展需求预测模型研究[J].江苏商论，2019（03）：43-44，54.
[2]孙丽.基于灰色预测模型的快递行业市场需求预测[J].铁道运营技术，2017，23（04）：5-8，35.
[3]商丰瑞，张静.基于SARIMA模型的我国快递业务量预测[J].现代经济信息，2016（20）：350.
[4]张仲斐，赵一飞.基于ARIMA模型的全球跨国快递业务量预测[J].华东交通大学学报，2012，29（01）：102-107.
[5]王惠婷，李蒙.组合预测模型在我国快递量预测中的应用[J].科学技术创新，2017（22）：73-74.
[6]王燕.应用时间序列分析 [M].第三版.北京:中国人民大学出版社，2012.
[7]万晓榆，费舜，田帅辉.基于组合预测的邮政业务主要指标预测研究——以重庆邮政业为例[J].重庆邮电大学学报（社会科学版），2016，28（05）：102-108.
[8]高铁梅.计量经济分析方法与建模[M].北京：清华大学出版社，2006.
Henan Province Express Traffic Forecast Based on ARIMA Simple Season Model
（Zhengzhou Normal University，Zhengzhou 450044，China）
Abstract: This paper studies the fast-growing express delivery industry,selects the monthly express delivery volume of Henan Province,and considers the trend and seasonal effect of monthly express delivery volume,and forecasts the express delivery volume by establishing the ARIMA simple seasonal model.The results show that the model has a good prediction effect.
Key words: time series analysis；ARIMA model；express traffic
中图分类号： F259.1;F224
文献标识码： A
文章编号： 1006-4311（2019）17-0271-03
作者简介： 李贞贞（1986-），女，河南濮阳人，讲师，主要研究方向为数据分析与建模。