【《某客运段旅客列车备品需求预测实证分析案例》5300字】

某客运段旅客列车备品需求预测实证分析案例目录TOC\o"1-3"\h\u20383某客运段旅客列车备品需求预测实证分析案例 1272831.1需求预测的必要性 1127851.2旅客列车消耗备品需求影响因素分析 2167961.2.1客流因素分析 256251.2.2列车开行方案因素分析 3124661.3基于时间序列分析法的需求预测 3295091.3.1检验数据平稳性 594121.3.2ARIMA模型的定阶与拟合 9205611.3.3模型检验及效果分析 10190671.4基于回归分析法的需求预测 12283491.4.1回归变量分析 12282041.4.2二元线性回归分析 14322391.4.3模型的参数检验与回归方程 15277471.5时间序列与回归模型预测结果分析对比 161.1需求预测的必要性需求预测是库存控制的关键环节，尤其是在需求不确定的情况下，虽然利用预测方法得到的预测结果并非并实际需求，但有效的预测可以使结果无限接近实际需求，是编制计划的基础，是库存控制决策的依据。准确的需求预测可以使需求计划更好的匹配供需关系，应对不确定因素带来得风险，实现库存控制的目的，对于GZ客运库存控制工作中，需求预测是十分必要的：（1）旅客列车备品需求不平稳，通过前面的备品需求趋势分析可以看出，旅客列车备品的需求受到很多不确定因素影响，季节性需求差距较大，但有一定的规律，因此通过对需求的预测，趋近当月或当季的实际需求，制定需求计划有利与库存控制。（2）采购模式改变。随着物资管理的不断改革和完善，目前旅客列车备品，尤其是消耗类备品，已取消年度招标采购模式，需通过电商平台进行短期计划采购，在此种采购模式下，没有应急供应渠道，因此需求计划的合理性十分重要，而需求预测是制定合理需求计划的基础。（3）旅客列车备品种类多，大量的库存积压增加库存管理工作难度，通过需求预测设立合理的库存定额，能够减轻库存管理工作压力，减少资金占用。1.2旅客列车消耗备品需求影响因素分析旅客列车消耗备品的影响因素对于消耗备品的需求预测有十分重要的作用，影响因素有很多，主要有客流情况、列车开行方案、及突发事件等多方面因素，本文主要从客流因素、开行方案因素两个方面进行分析。1.2.1客流因素分析客流量是制定旅客列车备品配备标准的重要依据，客流量直接影响旅客列车备品的需求，本文对2017年至2020年GZ客运段运送的旅客数量以月为周期进行了统计，其单位为“万人”，2017年至2019年总客流量呈逐年上升趋势，且具有周期性波动特点，如图4-1所示。从图中可看出普速列车客流波动情况相对较小，总客流的变化趋势主要受到动车组客流情况影响，随着高速铁路建设的迅速发展，GZ客运段担当的动车运输任务不断增加，列车开行数量增加，同时随着经济的发展，人们出行的需求也随之增长，旅客列车上座率也相应提高，因此备品的消耗量也会随之增长。2020年2月客流量极速下降，主要受到疫情防控措施和对疫情的恐慌程度影响，随着疫情情况稳定，各行业逐渐复产、复工，客流开始上升，但同期比仍大幅度下降。据统计，全年客流量较2019年下降约40%，尤其在2-5约同比下降高达80%以上。通过第三章对备品历史需求的分析，如表3-1至表3-3所示，旅客列车备品的消耗量在2020年1月以后极速下降，可以看出新冠疫情对备品需求有一定的影响主要是通过对客流量和旅客出行行为的影响体现出来。图4-12017年至2020年客流量Figure4-1Numberofpassengerfrom2017to20201.2.2列车开行方案因素分析旅客列车开行方案是指以运量为基础，以客流性质、特点和规律为依据，科学合理地安排包括旅客列车开行等级、起始点、数量、经由线路、编组内容、停站方案、列车客座能力、车底运用等内容，体现从客流到列车流的组织方案。旅客列车开行方案对列车备品需求影响体现在一定时期内，各类车底、车型备品配备标准确定的情况下，列车的对数、编组、运行区间等是确定旅客列车备品需求量的基础数据，随着高速铁的迅速发展，高铁、动车组列车逐渐代替既有线普速列车，因此2017年1月年起至2020年底，GZ客运段动车组图定列车开行对数增长约46%，既有线图定普速列车下降约28.5%，临客列车运行数量小幅度上涨。图定列车运行浮动明显的时间为每年的7月、12月，为铁路调图时间，列车开行方案进行调整，临客列车浮动明显时间为1、2、7、8、10月，为春、暑运及旅游旺季。1.3基于时间序列分析法的需求预测通过上文的分析可以看出旅客列车备品需求具有一定的季节性特征，影响因素客流及列车开行方案也处于不断变化的状态，且影响因素除了客流及列车开行数量外，还有一些无法量化的不确定的因素，考虑以上原因结合需求预测的文献研究，本文首先选择将季节性ARIMA乘法模型即ARIMA（p,d,q）(P,D,Q)S分别对连续性需求备品以及间隔性需求备品需求进行预测。此模型对于季节性效应的序列进行季节信息和趋势信息进行提取，得到平稳序列后利用ARMA模型进行拟合模型表达为[49]dSDxt=(B)s(B)/(B)s(B)t其中，Bs1.3.1检验数据平稳性由于备品种类繁多，确保预测的准确性和有效性，本文选取了普速列车用垃圾袋及拖把两种备品数据进行分析。选取2017年至2020年间的数据作为样本，此数据比较完整、准确，利用Eviews软件进行数据的分析，通过时间序列图可以看出需求高峰具有一定的上涨趋势，以及明显的季节性波动规律，在2020年受到疫情影响数据大量下降，可以看出原始数据非平稳。图4-2垃圾袋时序图Figures4-2Sequenceofrubbishbag图4-3拖把时序图Figures4-2Sequenceofmop由于ARIMA模型需要建立在平稳序列基础上，因此为了消除原始数据的长期趋势和季节趋势，对原始数据进行1阶12步差分，差分后时序图4-4、4-5所示，经过差分后数据围绕零值上下浮动，初步判定此时数据已经平稳。图4-4差分后垃圾袋序列图Figures4-4Sequenceofrubbishbagafterdifferentialstabilization图4-5差分后拖把序列图Figures4-5Sequenceofmopafterdifferentialstabilization为了进一步确定差分后的时间序列数据有效性，分别对两组数据进行ADF检验和白噪声检验，结果显示，ADF值远远小于1%，5%，10%的临界值，显著性为零，说明经过差分后的序列已经平稳。表4-1ADF检验结果表 Table4-1TableofADFunitroottestLJDt-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-7.095564

0.0000Testcriticalvalues:1%level-2.6369015%level-1.95133210%level-1.610747TBt-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-7.513129

0.0000Testcriticalvalues:1%level-1.2732775%level-3.55775910%level-3.212361表4-2自相关与偏相关系数表Table4-2FigureofAuto-correlationandPartial-correlationLJDAutocorrelationPartialCorrelationAC

PAC

Q-Stat

Prob

****|.|

****|.|1-0.496-0.4969.36120.002

.|.|

***|.|2-0.035-0.3729.40850.009

.|.|

**|.|30.050-0.2439.51080.023

.|.|

.*|.|4-0.020-0.1969.52720.049

.|.|

.*|.|5-0.010-0.1789.53150.090

.|.|

**|.|6-0.061-0.2789.69650.138

.|.|

**|.|70.044-0.2999.78540.201

.|*.|

.*|.|80.104-0.13710.3090.244

.*|.|

.*|.|9-0.098-0.15810.7890.290

.|.|

.*|.|100.013-0.16510.7980.373

.|*.|

.|*.|110.1820.20512.5840.321

***|.|

.*|.|12-0.346-0.12919.3340.081

.|*.|

.*|.|130.164-0.11720.9160.075

.|.|

.|.|140.0590.00721.1270.098

.|.|

.|.|15-0.065-0.00521.3970.125

.|.|

.|.|16-0.000-0.03921.3970.164TBAutocorrelationPartialCorrelationAC

PAC

Q-Stat

Prob

.|.|

.|.|1-0.034-0.0340.04500.832

.*|.|

**|.|2-0.204-0.2051.67750.432

.*|.|

**|.|3-0.189-0.2133.11860.374

.|**|

.|**|40.2850.2386.50670.164

.|*.|

.|.|50.1100.0677.02980.218

**|.|

.*|.|6-0.231-0.1939.41650.151

.*|.|

.|.|7-0.127-0.02110.1610.180

.|.|

.*|.|8-0.039-0.16110.2330.249

.|**|

.|*.|90.2230.09212.7150.176

.*|.|

.|.|10-0.081-0.03113.0560.221

.|.|

.|.|11-0.0190.05513.0770.288

.*|.|

.|.|12-0.066-0.01213.3210.346

.|.|

.*|.|130.014-0.11913.3320.423

.|*.|

.|.|140.0890.06613.8230.463

.*|.|

.*|.|15-0.122-0.13711.7930.466

.|.|

.*|.|16-0.061-0.07115.0440.521通过差分后的自相关与偏相关图表可以看出垃圾袋的p值不完全大于0.05，说明原假设不成立，为非白噪音序列，可进行进一步建立预测模型，而拖把的全部p值完全大于0.05，为白噪音序列，因此此类备品无法利用此模型再进行预测。1.3.2ARIMA模型的定阶与拟合通过上文的分析，对连续性需求备品垃圾袋进行进一步建模，为了避免在定阶时候受到主观判断的影响，本文将取一定的范围，再对取值范围内各组数据进行实验验证，通过自相关与偏自相关系数图表4-2可以看出该备品经过差分后的自相关系数图可以看出自相关系数和偏自相关系数均为拖尾，自相关系数在延迟1阶后开始进入置信区间，可以确定q的范围应该取（0,2），偏自相关系数在延迟2阶之后开始进入置信区间，确定P的取值范围应该在（0,3），自相关系数在第12阶迅速上涨超出置信区域，因此Q值范围取（0,2），偏自相关系数在置信区间P值取（0,1）。通过对以上取值范围组合逐一检验，经过多次实验得到4个有效模型，如表4-2所示，其中ARIMA（1,1,0），（1,1,0）数据的R2最高，BIC值最低，因此确定此模型为相对的最优模型。表4-3模型数据比对表Table4-3Modelcomparisontable模型R2BICMAPEARIMA（2,1,0）,（0,1,0）120.35123.0223.044%ARIMA（0,1,0）,（1,1,0）120.5123.0427.9%ARIMA（1,1,0）,（0,1,0）120.58722.8623.328%ARIMA（1,1,0）,（1,1,0）120.68322.6021.71955%1.3.3模型检验及效果分析ARIMA模型的检验主要是通过对模型的拟合情况进行检验来判断模型是否合理有效，通过上文实验得到模型的预测能力MAPE值为21.719%，可初步判定模型合理。通过模型参数检验发现除常数项外，AR的检验统计量p值为0.04，SAR的检验统计量P值为0.015，系数显著不为0，说明模型系数合理。表4-4模型参数检验Table4-4Parametersofthemodel参数估算标准误差t显著性常量-2208.2435332.116-.414.682AR延迟1-.475.154-3.033.004差异1AR，季节性延迟1-.696.272-2.506.015季节性差异1 通过残差自相关与偏向相关图可以看出，残差自相关与偏相关系数均处于置信区间范围内，可以判断残差序列为白噪声序列，模型有效信息已经完全提取。图4-4残差自相关与偏相关图Figures4-4Autocorrelationandpartialcorrelationofresidualerrorsequence模型检验统计量p值大于0.05，模型R2为0.683，通过拟合图可以看出，预测值与实际值的变化趋势也基本吻合，可以判断模型的拟合效果良好。表4-5模型检验结果Table4-5Inspectionofthemodel模型预测变量数模型拟合度统计杨-博克斯Q(18)离群值数平稳R方R方统计DF显著性模型_11.512.68312.50416.7090图4-5拟合效果图Figures4-5Figureofimitativeeffect利用以上模型得到2021年垃圾袋预测结果：表4-6模型预测值Table4-6Modelpredictedvalue月份ARIMA模型预测值（个）1月6093182月876863月1001861.4基于回归分析法的需求预测1.4.1回归变量分析当前影响备品需求的主要因素有客运量、行车列数、疫情等重要因素，除此之外，还有列车运行里程、编组等影响因素，但因为难以量化确保数据真实有效，本文只选取客运量和行车列数两项容易量化的两个影响因素作为因变量，同时分别选取一种连续需求消耗备品和一种间断性需求消耗品实际需求量作为自变量，并对以上变量2020年的实际数据进行统计如表4-7，表4-8所示。表4-72020年GZ客运段客运量及列车开行情况表Table4-7Numberofpassengerandrunningtrainsin2020月份普速客运量（万人）普速行车量（对）1月300.445.52月63.835.53月51.1164月78.73135月95.522.56月103.618.57月121.926.58月131.532.59月127.925.510月182.140.511月139.121.512月120.121.5表4-82020年普速列车垃圾袋、拖把实际需求情况表Table4-8Monthlyconsumptionofrubbishbagandmopin2020月份普速列车垃圾袋（个）拖把（个）1月44759040152月11322032623月12200018854月16655011455月2414502340617415027828187123256410月231250356611月248200207912月25304020011.4.2二元线性回归分析利用EXCE数具分析软件针对因变量垃圾袋引入线性回归分析，得到垃圾袋相关回归统计数据,如表4-9所示：表4-9二元线性回归分析结果Table4-9Resultofbinarylinearanalysis回归统计MultipleR0.927621RSquare0.86048AdjustedRSquare0.829476标准误差36391.61观测值12方差分析dfSSMSFSignificanceF回归分析27.35E+103.68E+1027.753490.000142残差91.19E+101.32E+09总计118.54E+10Coefficients标准误差tStatP-valueIntercept86798.1731038.542.7964650.020833XVariable11509.346247.59996.0959070.00018XVariable2-2552.391620.083-1.575470.149602通过上表可以得到：R0.8605，方差分析significanceF为0.0001，远小于0.05，P-value0.02080.05的情形下我们可以认为垃圾袋利用EXCE数具分析软件针对因变量拖把引入线性回归分析，得到拖把相关回归统计数据：表4-10二元线性回归分析结果Table4-10Resultofbinarylinearanalysis回归统计MultipleR0.98207927RSquare0.96447969AdjustedRSquare0.95658629标准误差175.684948观测值12方差分析dfSSMSFSignificanceF回归分析27542720.113771360.05122.1880933.0002E-07残差9277786.8130865.2011总计117820506.92Coefficients标准误差tStatP-valueIntercept350.169149.832.3371090.044229XVariable1-1.170561.19522-0.979360.352991XVariable288.370667.82050311.299871.28E-06通过上表可以得到：1.4.3模型的参数检验与回归方程P-value均有显著性意义。P-value均有显著性意义。因此二元回归方程，可简化为一元回归方程，连续性需求备品建立以客流为自变量的一元一次方程，间隔性需求备品建立以列车开行数量我为自变量的一元一次方程。表4-12参数表Table4-12parameterlist垃圾袋Y1：得到对应垃圾袋数量Y1=55302.54+1222.656X1Coefficients标准误差tStatP-valueIntercept55302.5425441.912.1736790.054828XVariable11222.656179.91826.7956231.77E-05拖把Y2：得到对应拖把数量Y2=351.3674+8