运营管理 第3版 课件 第7章 预测

第7章预测7.1了解预测分析的意义和类型7.2掌握常见的时间序列分析方法7.3掌握常见的回归预测法7.4了解定性预测常见的方法及其优缺点17.1预测概述2预测（forecasting）是一个古老的话题。远古的人们利用龟甲或兽骨去占卜（预测）战争的胜负、年成的好坏，并据此决定本部落的行动。历代的占卜士、星相家、预言家、能人、智士等都力图对未来做出预测，但他们的行为常常被笼罩上神秘甚至是迷信的色彩。随着人类社会和科学技术的发展，预测的技术也得到不断发展，预测工作逐渐褪去了神秘的色彩，并从迷信和唯心主义走上了科学化的道路。科学的预测能够正确地向人们展现未来，使人们不再盲目地行动，使人类可以有计划地发展自己。7.1预测概述1.预测及其意义31）预测预测是根据过去的历史资料和现在所能取得的信息，运用所掌握的科学知识和管理人员的实践经验，按照事物的发展规律有目的地预计和推测未来的行为，即根据过去和现在预计未来，由已知推断未知的过程。2）经营预测经营预测（businessforecasting）是指企业根据现有的经济条件和掌握的历史资料，以及客观事物的内在联系，对生产经营活动的未来发展趋势和状况进行的预计和测算。企业管理中的预测分析，是指运用专门的方法进行经营预测的过程。7.1预测概述1.预测及其意义43）预测的意义管理的重心在决策，决策的关键在预测。预测是为决策服务的，它是决策的基础。这是因为不论何种类型的决策，通常是在信息量不足、不确定性较大、随机因素较多的条件下进行的。要控制和降低不确定性以及由此带来的风险，必须将预测看成是决策的先导，正确的决策往往有赖于科学的预测。但是，预测并不能代替决策，因为预测分析要解决的是如何科学准确地预见或描述未来的问题，而决策的结论则直接支配未来的行动方案。7.1预测概述2.预测的类型51）按预测的期限范围分类（1）短期预测（short-termforecasting）。这种预测可以长达1年，但通常都少于3个月。它是制定月度计划、季度计划、年度计划，明确规定一年以内经济活动具体任务的依据。短期预测通常用于采购计划、工作进度安排、劳动力需求水平预测、工作分配和生产水平预测等方面。（2）中期预测（medium-termforecasting）。中期预测的时间范围一般1年以上3年以下的经济活动的预测。通常用于销售计划、生产计划和预算、资金预算和各种运作计划的分析。（3）长期预测（long-termforecasting）。通常是指对3年或更长时期的预测分析。当企业考虑远景规划时，它为制订重大经济管理决策提供依据，一般用于开发新产品、进入新市场、开发新设备、技术研发、选址、供应链设计和战略方案实施等方面的规划。7.1预测概述2.预测的类型61）按预测的期限范围分类中长期预测与短期预测的不同体现在三个方面：第一，中长期预测是用来解决全局性的问题，用于支持管理者在产品、工厂设施和流程方面的规划决策。一些生产设施的选址决策（例如某汽车公司决定在海外设立一个新工厂），从开始决策到最后做出决策，可能花费5~8年的时间。第二，短期预测所用到的方法通常与长期预测不同。移动平均法、指数平滑法和指数平滑趋势等数学方法都是常见的短期预测方法。另外，一般很少有企业用定量的方法来预测新产品是否应该投入生产之类的长期预测问题。第三，短期预测比长期预测更准确。影响需求的因素每天都在发生变化。所以，时间范围越长，预测的准确性就会越小。不说也知道，销售预测必须定期更新以保持它的价值和准确。在每个销售周期过后，预测都应当被审核并修正。7.1预测概述2.预测的类型72）按预测的内容分类（1）经济预测（economicforecasting）。通常企业需要对GDP的增长率、利率的变化、经济景气指数等进行预测来制定相应的投资计划。经济预测通常又称为计量经济模型预测，它已被许多政府机构、大学研究中心、大型企业及咨询公司所使用。这种模型通过使用历史数据来预测，这些计量经济模型考虑推动经济发展的大量因素，一些模型甚至包括了成百个变量和方程。（2）技术预测（technicalforecasting）。技术的创新趋势是每一个企业所需要密切关注的，这不仅仅是为了企业进行产品创新以抵御竞争对手的产品技术攻势的需要，也为了企业依靠技术进步对生产设备进行升级以获得更高生产率的需要。7.1预测概述2.预测的类型82）按预测的内容分类（3）需求预测（demandforecasting）。对企业所生产产品或提供服务的需求进行预测，是企业最为密切关注的一类。这类预测又称为销售预测，它决定了公司的生产能力和计划，以及相应的财务计划、营销计划和人力资源计划。做好需求预测，可减少盲目生产，使企业的供应、生产、销售之间合理衔接，从而提高企业的经济效益。产品需求预测决定了为满足客户所需的库存量、生产量和物料采购量，这同时也决定了所需的运输类型以及工厂、仓库和配送中心的位置等。本章所讨论的预测主要是需求预测。7.1预测概述3.需求行为分析9在大多数情况下，对产品或服务的需求可以分解成六个部分：一段时期内平均需求、趋势性需求、季节性需求因素、周期性因素、随机变量以及自相关因素。图7-1描述了一个超过四年时间的需求，并在图上标明了平均需求、趋势性需求、季节性需求等因素以及平滑的需求曲线附近的随机性因素。图7-1水平产品需求包括成长趋势和季节需求7.1预测概述3.需求行为分析10趋势曲线（trendcurve）通常是开展预测的起点。然后根据季节性因素的作用效果、周期性因素和其他可能影响最终预测结果的事件，对这些趋势曲线加以调整。图7-2展示了四种最常见的趋势类型。线性趋势顾名思义反映了数据呈连续性的直线关系。S曲线是产品成长成熟周期的典型曲线。S曲线上最重要的点是变化趋势由缓慢增长变为迅速增长的转折点，或由迅速增长变到缓慢增长的转折点。渐近的趋势曲线需求在其起始点增长较快，而后逐渐减慢。当企业进入一个己经存在的市场，并以渗透和争夺大量市场份额为目标时，就会出现上述的趋势曲线。对于呈爆炸性增长的产品来说，指数趋势曲线最为常见。这一指数趋势表明销售额还会持续增长，虽然这可能不是一个安全的假设。7.1预测概述3.需求行为分析11图7-2趋势的常见类型7.1预测概述3.需求行为分析有时候，数据与上述几种标准曲线似乎都不匹配。这可能是由于几种原因在同一时间从几个方向严重影响了数据的趋势。在这种情况下，一个简单且行之有效的方法就是根据数据绘制简单散点排列图。周期性因素是很难确定的，因为时间跨度可能是未知的或者导致周期的因素没有被考虑进去。需求的周期性影响可能来自战争、经济条件或者社会压力等。随机变量（randomvariable）是由偶发事件引起的。从统计学角度来讲，当所有引起需求的已知原因

（平均需求、趋势性因素、季节性因素、周期性因素以及自相关性因素）从总需求中扣除后，剩下的就是需求中无法解释的部分。如果不能识别引起这剩余部分需求的原因，则只能假设它是纯粹的随机机会。自相关性因素代表事件的持续性。更具体地说，即某一数据的期望值与其自身的历史值高度相关。例如在排队理论中，队列的长度就是高度自相关的。即：如果某一队列在某一个时刻较长，则在这一时刻之后较短时间内，该队列仍将是长队列。当需求是随机的时候，则各周间的需求变化可能非常大。但如果存在高度自相关性，则各周间的需求变化就不会很大。127.2时间序列分析本章将讨论三类预测基本方法：时间序列分析法、回归预测法和定性预测法。时间序列分析法是根据历史需求数据来预测未来需求的一种统计方法。回归预测法是在需求和需求相关的因素之间寻找一种数学关系（以回归模型的形式）。本章后续将按照时间序列分析法、回归预测法和定性预测法的顺序进行安排。时间序列分析法（timeseriesanalysis）是利用一段时间内累积的历史数据的一种统计技术。时间序列分析法假设过去发生的事情在未来继续发生。就像它的名字一样，该方法与预测相关的唯一因素就是时间。该方法假设可以确认的历史需求模式或趋势将会在未来重复。时间序列分析法包括移动平均法（movingaverage）、指数平滑法（exponentialsmoothing）和线性回归法（linearregression）

等。这些方法是服务行业和制造型企业在短期预测时普遍使用的方法。137.2时间序列分析1.简单移动平均当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均值能有效地消除预测中的随机波动。这一思想就是简单地计算最近期间内的平均需求。每次做出了新的预测，都会将最早的期间剔除掉，而将最近的期间纳入进来。如果想利用五个月的移动平均值来预测6月份的值，就可以计算1月、2月、3月、4月、5月这五个月的平均值。当6月份过了之后，7月份的预测就是利用2月、3月、4月、5月和6月的值。147.2时间序列分析1.简单移动平均选择期间长度应当根据预测的使用目的来决定。比如在计划预算时要预测中期需求，以月为周期可能更加合适，如果是与补充库存相关的短期预测，按周预测更加合适。尽管移动平均法中，选择最佳区间很重要，但时期的数量对预测准确性有很大影响。平均移动时间越短，期间数量越少，会有更大的波动性，但这样更能紧跟趋势；反之，时间跨度较长能给出更为平滑的响应，但将滞后于趋势。简单移动平均法的公式为：157.2时间序列分析1.简单移动平均[例7-1]简单移动平均法计算华伦制造向以其仓库为中心半径100公里范围里的餐馆和餐饮外卖提供食品。食品供应业务竞争非常激烈，快速交付订单的能力成为吸引新客户并留住老客户的一种重要因素。企业管理者需要确定公司拥有足够的司机和交通工具来快速送货，并且拥有足够的库存。因此，需要管理者能够预测下一个月将发生的订单数量（如预测送货需求）。根据已完成的订单记录，管理层积累了以下10个月的数据，如何计算3个月的移动平均和5个月的移动平均？167.2时间序列分析1.简单移动平均[例7-1]简单移动平均法计算解：假设现在是10月末，3个月或5个月移动平均的预测结果都是面向下个月的，本例中就是11月。根据公式，分别以前3个月和前5个月的订单需求数为基础，依次计算3个月的移动平均和5个月的移动平均：177.2时间序列分析1.简单移动平均[例7-1]简单移动平均法计算下表给出各月按3个月和5个月的历史数据进行移动平均预测值。实际上，管理者只需要基于最近几个月需求就可以得到11月份的预测数据。但是，通过早期预测数据可以比较预测需求和实际需求，从而衡量预测方法的准确性。187.2时间序列分析1.简单移动平均[例7-1]简单移动平均法计算上表中所示的两种移动平均法都试图消除实际数据中的波动。图7-3在原始数据基础上添加了3个月和5个月移动平均曲线，从图7-3中可以观察到平滑的结果。在图7-3中，5个月移动平均要比3个月移动平均平滑。但是，3个月平均数更能反应出管理者想要的最近数据。通常，长期移动平均预测对近期需求变化的反应要慢于短期移动平均预测。那些多处时段的数据降低了预测的反应速度。采用移动平均预测法，确定合适的期数通常需要多次反复试验。197.2时间序列分析1.简单移动平均[例7-1]简单移动平均法计算移动平均法的缺点在于它不能反映一些有原因的变化，如周期性和季节性影响。它通常会忽视引起变化的因素。移动平均法基本上是一种“机械”方法，以一种一贯的方式反映历史数据。但是，移动平均法也有易于操作、快速且相对低成本等优点。通常，这种方法能够提供满意的短期预测，但是不能很好地预测长期需求。207.2时间序列分析2.加权移动平均简单平均给移动平均数据库中的每个组成部分赋以相等的权重，而加权移动平均则允许每个因素有不同的权重，当然，这些权重之和等于1。例如，一家百货商店可能发现，在为期四个月的期间中，最好的预测办法是使用上个月销售量的40％，两个月前销售量的30%，三个月前销售量的20％，以及四个月以前销售量的10％。如果实际的销售量数据是：217.2时间序列分析2.加权移动平均22尽管可能忽略了很多期（也就是说，权重为0），并且加权方案可能以任何顺序进行（例如，许多远期的数据甚至可能比最近几期数据的权重更高），但是，所有权重的总和必须等于1。7.2时间序列分析2.加权移动平均23根据经验和试算是计算权重最简单的方法。根据一般法则，距今最近的时期是预测当中最重要的参数。因此，它的权重应该相对较高。例如，根据过去一个月的收益以及生产能力来预测下一个月的收益及生产能力要比用前几个月的数据更加准确。然而，如果数据具有季节性，权重必须做出相应调整。例如，对北半球来说去年7月泳衣销量的权重就应该要比11月销量的权重要高。加权移动平均比简单移动平均确定的一点优势是它可以对以往数据的效应做出不同的估计。然而，它比指数平滑法成本更高，而且不方便。7.2时间序列分析3.指数平滑法在前面提到的预测方法（简单和加权移动平均）当中，主要的缺点在于需要持续输入大量的历史数据（对于将要讨论到的回归分析来说也是这样）。在许多预测当中（可能是大部分），最近的数据比距今最远的数据更有指示性。但是如果这个假设（数据的重要性随着时间往前推移会递减）是无效的，那么指数平滑法可能就是最符合逻辑和最简单的预测方法。指数平滑法是使用最多的预测技术。所有的计算机预测程序都内置了这种预测方法，它被广泛应用于零售公司存货的订购、批发公司以及服务机构当中。247.2时间序列分析3.指数平滑法人们接受指数平滑法主要是基于以下六个主要的原因：1.指数模型惊人的精确。2.构造一个指数模型相对来说比较简单。3.使用者可以理解模型的工作原理。4.计算量较小。5.因为使用的历史数据量较小，

所以对计算机的存储要求较低。6.容易计算其精确性。257.2时间序列分析3.指数平滑法在指数平滑法当中，仅需要三种数据就可以预测未来：最近一期的预测量，该期的实际发生数量，以及平滑系数阿尔法，该系数决定了平滑的水平以及对于预测量和实际数量之间差异的反应速度。系数是受两方面的因素影响，一方面是产品的特性，另一方面则是经理人对于如何形成好的响应率的理解。例如，如果公司的产品是标准产品并且需求很稳定，那么对预测数量和实际数量之间区别的反应率就会趋向于比较小，可能仅为5％～10％。然而，如果公司业务不断增长，反应率就会相应比较高，可能会达到15％～30％，这给了最近的增长以更大的权重。增长速度越快，反应率就越高。267.2时间序列分析3.指数平滑法27这个公式表明，新的预测等于旧预测值加上部分误差（之前预测和实际发生数之间的差异）。当第一次使用指数平滑法时。初始预测值可以通过简单估算来确定，比如采用第一期的需求值，也可以采用之前几期需求的平均值，如之前两期或三期的平均值。7.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算高科计算机服务公司的门店提供个人电脑维修服务，并且提供本地电话服务。公司主要雇用大学的学生做兼职技术服务。自成立以来，公司取得了稳定增长。只要认为便宜，公司就从不同的供应商那里以折扣价大批量买入电脑的通用部件。因此，公司需要一个准确的电脑维修需求预测，这样就知道需要采购和持有多少电脑零部件库存，以及需要雇用多少技术服务人员。表7-4是公司搜集的近12个月维修和服务电话的需求数据。公司如何根据下列数据进行平滑系数（）为0.30和0.50的指数平滑预测？287.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算297.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算解：为了计算表中的一系列预测值，从第1期（1月）开始，按照来计算第2期（2月）的预测值。指数平滑计算公式需要第1期的预测值，但没有。因此，使用第1期的实际需求来代替该期的预测值。这样，2月的预测值为：307.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算在下表中给出了其余各月计算的预测值：317.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算该表也计算了时的预测值，下图描绘了两个指数平滑系数的计算结果和实际数据。327.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算例7-2中，尽管两个平滑系数计算都消除了随机波动的影响，但是采用较大平滑系数

的预测值对需求变化的反应要比更显著。注意，这两个预测都落后于实际需求的变动。例如，直到8月预测时才对7月需求显著下降做出反应。如果这些变化是一个趋势变化（如长期上升或下降）而不是一个随机波动，那么预测值就总是落后于趋势。可以看到，一年中，服务需求呈总体上升的趋势。这两个预测结果都低于实际需求；也就是说，预测落后于趋势走向。337.2时间序列分析3.指数平滑法[例7-2]指数平滑法计算根据观察例7-2的两个预测结果，看起来要更准确一些，与实际需求更为接近。（本章随后将讨论几种定量预测方法的准确性。）当需求没有任何趋势性、相对稳定时，较小的值更适合。当实际需求呈现出上升（或下降）趋势时，从数据来看，较大的值更为合适。它对近期实际需求上升或下降移动反应更迅速在指数平滑法中，可以通过实际需求和预测值的偏差来衡量预测的准确性。如果偏差过大，就应改变的值（加大或减小）使得预测曲线接近实际需求曲线。例7-2中，最终结果是一个月即1月的预测。可以通过将需求数据按所需的期间数编组，并且计算这些组的指数平滑预测值，从而来预测2个月或3个月的需求。例如，如果要预测3个月需求，可以汇总1、2和3月的需求，并计算下一期3个月平均需求，依此类推，直到得到最后3个月的预测结果。另外，如果需求呈现趋势性，可以采用含有趋势因子的一种扩展预测方法来得到最终预测结果。347.2时间序列分析4.指数平滑趋势收集到的一连串时期的数据中体现的上升或下降的趋势使得指数预测总是滞后（偏高或偏低）于实际发生数。通过添加趋势修正值，可以在一定程度上改进指数平滑预测的结果。改进趋势需要两个平滑系数，除了外，趋势方程中还用到了平滑系数，和减弱了由实际值与预测值之间的误差所带来的影响。为确保趋势方程成立，第一次使用该方程时应首先由人工给定趋势值。此初始值可以是一个有事实基础的猜想值，也可以是从观测的历史数据中计算得出的值。357.2时间序列分析4.指数平滑趋势36指数平滑法要求平滑指数值限定在0和1之间。和值的大小，取决于需求的方差和趋势因素的稳定性大小。本章后面，对误差测量的讨论将有助于为这些变量选择恰当的数值。7.2时间序列分析4.指数平滑趋势[例7-3]指数平滑趋势的计算高科计算机服务公司现在想要使用例7-2表中所给的12个月的实际需求，采用一种调整的指数平滑法来计算需求预测。如何采用、趋势平滑系数来计算？377.2时间序列分析4.指数平滑趋势[例7-3]指数平滑趋势的计算387.2时间序列分析4.指数平滑趋势[例7-3]指数平滑趋势的计算下表列出了第3期和其他各期的指数平滑趋势预测值：397.2时间序列分析4.指数平滑趋势[例7-3]指数平滑趋势的计算图7-5比较了包含趋势的指数平滑预测值、一般指数平滑预测值和实际需求。注意，包含趋势的预测值大都大于一般指数平滑预测值，并且对实际数据的上升趋势反应趋势更为显著。但是，通常来说，两种预测方法的平滑模式或平滑程度非常相似。407.2时间序列分析5.时间序列分解时间序列可定义为按时间顺序排列的数列，它包含一个或多个需求的影响因素：趋势、季节性、周期性、自相关性和随机性。时间序列分解意味着将时间序列数据识别并分解为以上六个因素。实际中，识别趋势（即使不进行数学分析也很容易画出散点图并找出运动方向）和季节性因素（通过历年相同时期的比较）相对容易一些。但要确定周期（也许长达数月，甚至数年）、自相关和随机因素却相当困难（预测人员一般把所有不能识别为上述因素的其他因素统称为随机因素）。当需求同时包含季节分量和趋势效应时，这二者究竟有何联系呢？在说明此类问题时，先讨论两类季节变动：相加式季节变动（additiveseasonality）和相乘式季节变动（multiplicativeseasonality）。417.2时间序列分析5.时间序列分解相加式季节变动简单地假设认为季节量是一个常数，不管趋势或者平均量是多少。包括趋势和季节的预测=趋势+季节变动量在图7-6a所示的例子中，季节量是固定的而趋势则是呈上升的。在相乘式季节变动中，趋势是由季节因子相乘得来的。包含趋势和季节性的预测=趋势×季节因子在图7-6b中，季节性变量随着趋势的增长而增长，因为它的大小取决于趋势。427.2时间序列分析5.时间序列分解相乘式季节变动是经验得出的。本质上说，基数量越大，基于此的变量就越大。季节因素是在时间序列中用于修正季节影响的量。通常把季节性与一年中有某些特殊活动的一段时期相联系。使用周期这个词来表示每年定期重复发生的活动。下面的例子阐述了如何确定和使用季节性指数来预测①基于过去季节性数据的简单计算和②通过描点得来的回归线的趋势和季节性指数。接下来用更加正规的数据分解的步骤并使用最小二乘法来预测。437.2时间序列分析5.时间序列分解[例7-4]简单比例假设在过去几年中，

公司每年销售一个特殊的产品系列的平均数量为1000单位。平均而言，春季销售200单位，夏季350单位，秋季300单位，冬季为150单位。该季节因子（或者指数）是每个季度的销售额与所有季节的平均值的比率。如何计算按季节性因素和进行下一年的季节性预测？447.2时间序列分析5.时间序列分解[例7-4]简单比例解：在这个例子中，年销售总额平均到每个季节中的数额为1000/4=250。因而季节性因素为：457.2时间序列分析5.时间序列分解[例7-4]简单比例如果预期下一年的需求为1100单位，使用以上的系数，预测发生的需求为：467.2时间序列分析5.时间序列分解[例7-5]从描点得到的直线中计算趋势季节因子这里要同时计算趋势和季节因子。利用去V市和季节因素来预测下一年每个季度的需求。过去两年的数据如下：477.2时间序列分析5.时间序列分解[例7-5]从描点得到的直线中计算趋势季节因子解：首先，如图7-7中那样利用Excel进行绘点。在Excel中对季度编号从1到8。y为数量（300、200、220等），x代表季度（1、2、3等）。求得斜率为52.3，截距为176.1。

公式如下：接下来可以通过比较实际数据和趋势线（如上表）来得到季节性指数。季节因子是通过把每年相同季度进行平均得到的。487.2时间序列分析5.时间序列分解[例7-5]从描点得到的直线中计算趋势季节因子497.2时间序列分析5.时间序列分解[例7-5]从描点得到的直线中计算趋势季节因子507.2时间序列分析5.时间序列分解[例7-5]从描点得到的直线中计算趋势季节因子517.3回归预测法1.线性回归分析回归（regression）被定义为两个或两个以上相互关联的变量之间的函数关系。它根据一个已知变量去预测另一变量。这种函数关系通常从观测数据中找出。首先，作出数据散点图，观察数据是否呈线性或至少部分呈线性。线性回归（linearregression）是指变量呈直线关系的一种特殊回归形式。对重大事件和计划的长期预测来说，线性回归是比较有用的。例如，在预测产品系列的需求时，线性回归将会非常有用。尽管一个系列中的单个产品的需求在一个时期内可能变化很大，但是整个产品系列的需求却是惊人的平稳。顾名思义，线性回归预测的主要局限是假设历史数据和未来的预测都服从一条直线。尽管有时候这的确限制了它的应用，但如果预测的是一个较短的时期，那么线性回归分析仍然可以被采用。例如，一个长期的时间跨度内，可能有几个短的时间段近似线性。527.3回归预测法1.线性回归分析线性回归对于时间序列预测和因果关系预测都适用。当因变量（通常为图中纵轴）随时间（水平轴）而变化时，则为时间序列分析。而如果某一变量随另一变量而变，则为因果联系（如因肺癌而致死的比率随抽烟人数的增加而上升）。本节首先介绍时间序列预测里的线性回归分析。537.3回归预测法1.线性回归分析当需求呈现一种明显的与时间有关的趋势时，可以运用最小二乘回归将时间与需求相关联，以此来预测需求。线性回归的最小二乘公式是：547.3回归预测法1.线性回归分析[例7-6]线性回归预测分析高科计算机服务公司的数据（例7-4表中所示）似乎呈现上升的线性趋势。公司希望能够通过线性回归预测分析来比较线性回归预测结果是否要比例7-2指数平滑法和例7-3包含趋势的指数平滑法的预测结果更加准确。557.3回归预测法1.线性回归分析[例7-6]线性回归预测分析解：最小二乘法所需数据如下：567.3回归预测法1.线性回归分析[例7-6]线性回归预测分析根据上表的数据，可以计算线性回归预测线的参数，如下：577.3回归预测法1.线性回归分析[例7-6]线性回归预测分析图7-9比较了线性趋势线和实际需求。趋势线看起来比较接近实际需求——也就是说，非常匹配实际需求。因此，对本例来说，这是一个合适的预测模型。然而，也需要注意线性趋势线的缺点在于它不能像指数平滑法那样进行趋势调整，即，它假设未来的预测将遵循一条直线。这导致本方法只能局限于短期预测，在一定时间范围内，可以认为趋势相对稳定，不会改变。587.3回归预测法2.多元回归分析另一种预测方法是多元回归分析（multipleregressionanalysis），该方法是线性回归的延伸，反应因变量和两个或多个自变量之间的关系，以及每个变量对于感兴趣的项目的影响。多元回归模型的公式为：597.3回归预测法2.多元回归分析当有许多因素影响感兴趣的变量时（在本例当中是销售额），就适合使用多元回归分析。它的难度在于收集所有额外的数据以便用于预测，尤其是收集来自公司外部的数据。然而幸运的是，有标准的多元回归分析的计算机程序可供使用。607.4定性预测定性预测（判断）法（qualitativeforecasts）又称主观预测方法，是依靠熟悉业务知识、具有丰富经验和综合分析能力的人员与专家，根据已掌握的历史资料和直观资料，考虑各种影响需求的因素，综合各方面的意见，对未来需求的发展趋势与变化做出的推断。其中，高层管理者是针对战略规划展开预测的关键成员，他们通常是最了解企业自身能力和资源以及产品市场的人。要指出的是定性预测并非是对预计需求的随意猜测，而是一个考虑周全、结构化决策的方法。定性预测方法尤其适用于对新产品或者是缺乏经验的新市场的预测。市场上相似产品的信息、该地区顾客的消费习惯以及产品的推广方式都可能是成功预测的重要因素。有时候，行业数据以及与其他企业竞争的经验也会有助于需求预测的制定。定性预测方法不采用复杂的数学公式，简单易行。其缺点是预测的准确程度决定于人的经验和主观判断，缺乏数量上的准确描述。617.4定性预测1.市场调研法市场调研（marketingresearch）或消费者调查（consumersurvey）是一个采用调研和其他研究技术来确定客户需要以及会购买的产品和服务、识别新市场和客户资源的有效方法，通常由企业市场部、行业协会、私人行销机构或咨询公司来开展。虽然市场调研能够提供准确和有效的需求预测，但是必须正确并有技巧地处理调研数据，而且市场调研的成本很高。市场调研通常分为问卷调查和上门访谈两种，而前者更具可操作性。目前，许多企业可能会请专门的市场调研公司做相关的市场调研，这主要是因为专业市场调研公司在问卷设计，发放问卷，问卷回收，结果统计与分析上有其专业能力与标准化的流程。通过市场调研可以了解顾客的需求及其变化趋势，竞争对手的情况，获得新产品的创意等。当然，在问卷调查过程中，需要注意问卷的可理解性，问题与预测对象的相关性，问卷形式的合理性，问卷发放对象的匹配性，问卷回收的及时性，问卷结果的有效性，和结果处理的科学性与全面性。627.4定性预测2.小组共识法在小组共识法（panelconsensus）中，“三个臭皮匠胜过一个诸葛亮”的思想被推而广之。即，相较由背景范围比较狭窄的成员组成的小组而言，由来自不同职位的、背景更为广泛的成员组成的小组所作的预测更加可靠。小组预测法是通过开放式的会议来开展的，会议中，来自不同级别的管理者和职员自由的交换想法。这种开放形式的一个难点是：低级别的员工会被较高层管理员工的意见所左右。例如，某种产品的销售人员可能对该产品未来的需求情况估计得更准确，但他在会议上却可能不会对市场副总裁的截然不同的观点提出反对意见。德尔菲法（随后还将介绍）正是为改善自由讨论的上述弊端而发展起来的。当预测中的决策是在一个更广、更宽的层面（比如引进一条新的产品线或者考虑像新营销领域的战略产品决策时），一种被称为高层决策的方法就被普遍使用。顾名思义：更高层级的管理者参与其中。637.4定性预测3.历史类比法预测某种新产品的需求时，如果现有的产品或类似的产品可用来作为类比模型的话，这将是最理想的情况。历史类比法（historicalanalogy）可用于很多产品类型：互补产品、替代产品或竞争性产品、随收入而变化的产品等。当通过产品目录、互联网或邮购购买了一件商品后，往往会收到一大堆与该目录类似的其他产品目录的邮寄广告。假如通过邮购买了一张DVD，将收到更多有关新DVD及DVD机的信函。这中间的因果联系就是人们对DVD机的需求导致了对DVD的需求。通过分析立体声录像机需求的历史数据，可用类比法预测出市场对数码影碟机的需求量。该产品与电子音响设备同属一大类，并可能会被顾客以类似的速度购买。还有一个更简单的例子是烤面包机和咖啡壶。一家原来生产烤面包机的公司如果要生产咖啡壶的话，可以用烤面包机的历史数据建立类似的增长模型。647.4定性预测3.德尔菲法正如在小组共识法中提到的那样，一个高层人员的陈述或观点很可能比低层人员更受重视。更糟糕的情况是，低层人员经常因为畏惧而不敢表达自己的真实想法。为了避免出现这种情况，德尔菲法（Delphimethod）隐去了参与研究的各成员的身份。每个人的重要性都相同。其操作过程是：由主持人设计调查问卷并发给每个参与者，各个成员的意见经汇总后以匿名方式和新一轮问卷一起，再反馈给全组的每个成员。657.4定性预测3.德尔菲法德尔菲法的具体步骤如下。1.选择参与的专家。专家组成员应包括来自不同领域的学识渊博人士。2.通过问卷调查（或电子邮件），从各个参与者处获得预测信息

（包括对预测所假设的前提和限制）。3.汇总调查结果，添加适当的新问题后重新发给所有专家。4.再次汇总，提炼预测结果和条件，再次提出新的问题。5.如有必要，重复步骤4。将最终结果发给所有专家。经过上述三轮预测，德尔菲法通常能得到满意的结果。该方法所需的时间取决于专家组成员数目、进行预测所需的工作量，以及各个专家的反馈速度。66小结企业未来的成功很大程度上取决于其准确预测的能力。许多领域都需要预测，包括销售量、备件需求、产品合格率、经济趋势和对雇员的需求。开发一个预测系统不是件轻而易举的事。但预测系统不能不开发,因为预测是制定任何计划的基础。就短期而言，对原材料、产品、服务以及其他各种资源的需求量都要进行预测，以迅速响应需求的变化。预测还可以调整计划，允许劳动力和原材料有所变动。就长期来说，预测是调整战略决策的基础，如开发新市场、开发新产品或提供新服务、扩大生产规模或增添新设备等等。常用的定性预测方法主要有市场调研、小组共识、历史类比和德尔菲法。定量预测方法主要有时间序列分析和因果关系等。这些方法的使用为将来提供了讨论的基础。此外，预测时还需考虑到经济因素、产品趋势、成长状况、竞争环境等多种可能变量的影响，由此对预测结果加以调整，以反映出上述每一种变量对预测结果的影响。67术语时间序列分析

移动平均法

加权移动平均法

指数平滑法

线性回归预测

分解

预测误差

平均绝对偏差

跟踪信号

因果关系68习题1.为什么在运营与供应链管理中需要预测？2.简单移动平均、加权移动平均、指数平滑法、线性回归分析当中的哪一种预测技术最为精确？为什么？3.所有使用指数平滑法，修正平滑法、趋势指数平滑法的预测方法都需要初始值来使得公式运行。如何选择的初始值？4.如何通过线性回归分析计算出的季节性指数？5.预测误差对于寻求复杂性统计预测模型有何启示？6.因果关系对一个时间序列的哪一部分有潜在的作用？69习题7.给定下列数据，使用三季度的移动平均法来预测今年第三季度的需求。注意：第一季度是1、2、3月，第二季度是4、5、6月，第三季度是7、8、9月，第四季度是10、11、12月。70习题8.如下是一种特定产品过去21个月来的实际销售数据。71使用加权移动平均法，根据过去三个季度的数值来预测第四季度的需求。过去三个季度的加权值分别为0.5（最近的季度）、0.25（第二近的季度）、0.25（第三近的季度）。使用季度数值来预测，而不是每月的数值。习题9.如下的表格包含了过去十个月来的需求数量。72（1）为这些数据计算指数平滑预测。使用，初始预测（）为31。（2）为这些数据计算趋势指数平滑预测量，，初始的趋势预测（）为1，初始的指数平滑预测（）为30。（3）为每个预测计算平均绝对离差。哪种方法是最好的？习题73习题7411.下表中是一种产品九个月（1～9月）的实际需求。如果要测试一下两种预测技术，以试验在该段时间内哪种方法更好。（1）使用三个月的移动平均方法预测4～9月的需求。（2）使用简单指数平滑法（α=0.30）

预测4～9月的需求（以1～3月的平均值作为4月的初始预测值）。（3）使用平均绝对离差决定哪种方法得出的这六个月的预测更好。习题7512.Harlen公司有一项简单的预测模型：用去年某月的实际需求量除以该月的部分星期数，得出该月的平均每周需求量。然后该平均每周需求量被当作今年相同月份的每周预测量。该项技术被用来预测今年某八周的需求，得出的数量以及实际需求量如下表。接下来的八周显示了预测量（基于去年）以及实际的需求量。（1）计算预测误差的平均绝对离差。（2）使用累计误差（）计算追踪信号。（3）基于（1）与（2）中的答案，评论Harlen的预测方法。习题7613.某公司经理正在决定使用何种预测方式。基于下列历史数据，计算如下的预测，并且详细说明所使用的程序。习题7713.某公司经理正在决定使用何种预测方式。基于下列历史数据，计算如下的预测，并且详细说明所使用的程序。案例78旅游需求影响因素及预测需求是产业赖以发展的基础。进入21世纪，旅游需求的多元化、个性化、复杂化、层级化趋势更加突出，旅游需求的迭代和演进速度日趋加快。由于旅游服务具有不可储存性，因此旅游需求趋势预测对于经营决策有重要的指导意义，也是旅游学者关注的重点。需求趋势预测既涉及数量预测，也包括对其发展周期规律的预测。案例79旅游需求影响因素及预测一、旅游需求影响因素经济因素对旅游需求具有决定性作用。但随着社会经济发展，对非经济因素的研究越来越受到重视。1.经济因素经济因素涉及收入、价格和闲暇时间3个方面。收入是解释旅游需求的最重要的变量。收入在宏观上主要指代表整体收入水平的国内生产总值或人均国民生产总值，微观上主要指旅游者的家庭或个体收入情况。价格区分为相对价格和替代价格，前者指目的地相对于客源地的旅游产品价格，后者指与竞争目的地的旅游产品价格。最后，旅游活动的开展通常是在闲暇时间内发生的，旅游者要有足量且集中的闲暇时间，才有可能实现外出旅游。案例80旅游需求影响因素及预测2.非经济因素经济数据固然能解释“需求多少”的问题，但对“需求什么”的解释力相对有限。越来越多的研究者发现，自然环境、社会环境和心理等非经济因素也对旅游需求的产生及变化有较大影响。自然环境方面，环境气候作为外生变量对旅游需求的影响尤为深远且极具刚性。相较于其他非经济因素，气候要素易于量化，通常可利用旅游需求与天气、气候等因素之间的统计关系来估测旅游需求变化。社会环境对旅游需求的影响也受到关注。政治因素方面，国家旅游促进政策促进旅游需求，而政治不稳定性给旅游需求带来的负面影响。文化因素方面，文化冲突可能会是出入境旅游需求复苏的突出制约因子，而文化距离的影响则具有两面性——一方面，语言障碍、文化习俗及各种不同制度等会给旅游者带来更高的交易成本；另一方面，文化距离所形成的别具特色的民族风情和风俗习惯等则构成旅游吸引力。案例81旅游需求影响因素及预测旅游者是具有主观能动性的个体，以旅游动机和情感为代表的主观因素也会对其需求产生影响。旅游动机是维持和推动旅游需求的内在动力，而旅游者对目的地所形成的情感则是一部分旅游动机的诱因所在。旅游者情感作为一种特殊资源，是一部分旅游动机的诱因，最终会影响旅游者的行为意向。旅游者情感对旅游需求有3个方面的影响：一是旅游目的地的认知形象、情感形象对旅游者忠诚度和满意度产生影响；二是诱发旅游者对目的地品牌的情感联结可提升其忠诚度，例如形成旅游者情感依恋、目的地品牌至爱等可促进对旅游目的地的品牌忠诚；三是激发旅游者的次级情绪可提升旅游体验从而增加旅游需求，例如激发其敬畏感、幸福感、共情或同情、地方依恋等情感。案例82旅游需求影响因素及预测3.特殊事件