ARIMA模型在電網(wǎng)企業(yè)工程款撥付預(yù)測中的分析應(yīng)用

內(nèi)蒙古電力集團(tuán)財務(wù)有限責(zé)任公司 王佳雁

ARIMA模型在電網(wǎng)企業(yè)工程款撥付預(yù)測中的分析應(yīng)用

內(nèi)蒙古電力集團(tuán)財務(wù)有限責(zé)任公司 王佳雁

通過對企業(yè)2008年7月至2015年6月工程款撥付數(shù)據(jù)的分析，建立ARMA(1,2)模型，通過適應(yīng)性檢驗，證明該模型具有較好預(yù)測效果，可應(yīng)用于工程款撥付量的預(yù)測，提高企業(yè)現(xiàn)金流量預(yù)算準(zhǔn)確性和資金管理精確度。

ARMA模型；預(yù)測；工程款；分析

電網(wǎng)企業(yè)有著資金密集型、技術(shù)密集型特點(diǎn)，基本建設(shè)投入始終居于高位，工程款撥付量大，對撥付工程款進(jìn)行準(zhǔn)確分析預(yù)測是做準(zhǔn)現(xiàn)金流量預(yù)測的重要前提，也是提升企業(yè)資金管理的流動性和效益性的關(guān)鍵。本文應(yīng)用時間序列ARIMA模型，對企業(yè)累計7年共84個月的歷史數(shù)據(jù)進(jìn)行分析，進(jìn)行模型識別和定階，最終進(jìn)行模型的構(gòu)建與適應(yīng)性檢驗，實現(xiàn)對工程款撥付的準(zhǔn)確預(yù)測。

1　ARIMA模型簡介及預(yù)測應(yīng)用步驟

ARIMA模型全稱為自回歸積分移動平均模型(Autoregressive Integrated Moving Average Model,簡記ARMA)，是一種應(yīng)用較廣泛、預(yù)測精度較高的時間序列分析法。ARMA（p，d,q）為自回歸移動平均模型， p為自回歸項，q為移動平均項數(shù),d為差分階數(shù)。

ARIMA模型預(yù)測的基本步驟：

1)根據(jù)時間序列生成時序圖、自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖，以ADF單位根檢驗其方差、趨勢及其季節(jié)性變化規(guī)律，對序列的平穩(wěn)性進(jìn)行識別。

2)檢驗序列的平穩(wěn)性。用單位根進(jìn)行檢驗，若序列不滿足平衡性條件，需進(jìn)行平穩(wěn)化處理，通常使用差分的方法實現(xiàn)平穩(wěn)化,并進(jìn)行零均值化處理。

3)模型識別和定階。差分后的平衡序列，計算其自相關(guān)函數(shù)（AC） 和偏自相關(guān)函數(shù)(PAC)，并根據(jù)其形態(tài)進(jìn)行識別，初步建立模型，確定其階數(shù)p和q。若平穩(wěn)序列的偏相關(guān)函數(shù)和自相關(guān)函數(shù)均是拖尾的，則序列適合ARIMA模型。

4)進(jìn)行參數(shù)估計，建立模型。

5)進(jìn)行適應(yīng)性檢驗，診斷殘差序列是否為白噪聲。

6)利用已通過檢驗的模型進(jìn)行預(yù)測分析。

2　對電網(wǎng)企業(yè)工程款撥付預(yù)測的分析應(yīng)用

1)現(xiàn)將某電網(wǎng)企業(yè)從2008年7月到2015年6月共計84個月的數(shù)據(jù)生成時序圖X，如圖所示。

注：個別月份無撥款，數(shù)值視同為0。

通過觀察，可以看出該序列隨時間呈上升趨勢，對其差分后得到Y(jié)1序列。

對Y1序列進(jìn)行單位根檢驗，得到 t檢驗值-16.29309,小于各檢驗水平下的臨界值，概率也在顯著性水平0.05下，所以拒絕原假設(shè)，說明Y1序列平穩(wěn)。同時，可以確定d=1。

2)對Y1序列進(jìn)行零均值化處理。

求得Y1序列的均值為311.0602，計算得到零均值化后的MY1序列。

3)確定自相關(guān)函數(shù)與偏自相關(guān)函數(shù)。

4)建立模型,用最小二乘估計進(jìn)行估計。

擬定p=1,q=2，擬定ARIMA(1,1,2)

擬定p=2,q=2，擬定ARIMA（2,1,2)

擬定p=2,q=1，擬定ARIMA(2,1,1)

ARIMA(1,1,2)調(diào)整后的R2為0.412424，小于ARIMA（2,1,2)中的0.415910，AIC和SC都小于其他兩方案，概率也小于其他兩方案，可以認(rèn)為ARIMA(1,1,2)模型更合適。

5)模型檢驗

參數(shù)估計后，應(yīng)對ARMA模型的適應(yīng)性進(jìn)行檢驗，也就是對模型的殘差序列進(jìn)行白噪聲檢驗。若殘差序列不是白噪聲，說明還有一些重要信息未被提取，需進(jìn)一步改進(jìn)模型。通常側(cè)重于檢驗殘差序列的隨機(jī)性，即滯后期K≥1,殘差序列的自相關(guān)系數(shù)應(yīng)近似為0。生成ARIMA(1,1,2)模型的殘差序列，求其相關(guān)系數(shù).

當(dāng)K≤11時,殘差序列的自相關(guān)系數(shù)都落入隨機(jī)區(qū)間，自相關(guān)系數(shù)（AC）的絕對值幾乎都小于0.1，與0無明顯差異，表明殘差序列是純隨機(jī)的。

6)預(yù)測應(yīng)用

將樣本X序列擴(kuò)大4個月，擴(kuò)至2015年10月。運(yùn)用靜態(tài)“static”方法得到的預(yù)測結(jié)果：

圖中實線代表的是MY1的預(yù)測值，兩條虛線則提供了2位標(biāo)準(zhǔn)差的置信區(qū)間，可以看到，靜態(tài)“static”方法得到的預(yù)測結(jié)果波動性較大，Theil 不相等系數(shù)為0.47，其中協(xié)方差比例如為0.75，表明模型的預(yù)測結(jié)果較理想。預(yù)測到2015年7月-10月?lián)芸钪?/p>

同時，使用動態(tài)”Dynamic”預(yù)測方法進(jìn)行預(yù)測，下表是兩種方法預(yù)測結(jié)果的對比：

與實際值進(jìn)行對比后，發(fā)現(xiàn)靜態(tài)方法預(yù)測值與動態(tài)方法預(yù)測值偏差率更低，因此，建議今后可以使用ARIMA(1,1,2)模型，用靜態(tài)方法進(jìn)行預(yù)測，指導(dǎo)企業(yè)資金預(yù)算工作。

[1]蔣佐斌,謝雙琴,張歡.ARIMA模型在銀行貸款規(guī)模預(yù)測中的作用,2010.

[2]龔國勇.ARIMA模型在深圳GDP預(yù)測中的應(yīng)用,2008.

[3]范引光,呂金偉,戴色鶯,張渝婧,蘇虹,潘發(fā)明,王靜,葉冬青.ARIMA模型與灰色預(yù)測模型GM(1,1)在HIV感染人數(shù)預(yù)測中的應(yīng)用,2012.