• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于SARIMA 模型的我國(guó)快遞業(yè)務(wù)量預(yù)測(cè)

      2017-03-08 05:15:09商豐瑞張靜
      現(xiàn)代經(jīng)濟(jì)信息 2016年30期
      關(guān)鍵詞:預(yù)測(cè)模型

      商豐瑞 張靜

      摘要:我國(guó)快遞業(yè)務(wù)總量目前已成為全球第一,快遞業(yè)發(fā)展具有長(zhǎng)趨勢(shì)性和短周期性。本文探討基于SARIMA模型對(duì)我國(guó)快遞業(yè)務(wù)量數(shù)據(jù)進(jìn)行分析,解釋數(shù)據(jù)的特征并用來(lái)預(yù)測(cè)。本文分析了我國(guó)2003~2015年的月度快遞包裹總量時(shí)間序列,剔除時(shí)間趨勢(shì)和季節(jié)周期性后使原序列平穩(wěn)并建立季節(jié)時(shí)間序列模型。通過(guò)對(duì)不同模型進(jìn)行參數(shù)估計(jì)和比較后發(fā)現(xiàn):SARIMA(0,1,1)(0,1,1)[12] 模型可以得到較為理想的結(jié)果,它能很好地?cái)M合我國(guó)月度快遞包裹總量時(shí)間序列,分析發(fā)現(xiàn)受春節(jié)假期影響,模型在二月份預(yù)測(cè)準(zhǔn)確度較差。

      關(guān)鍵詞:SARIMA 模型;月度快遞包裹總量;預(yù)測(cè)

      中圖分類(lèi)號(hào):F252.5 文獻(xiàn)識(shí)別碼:A 文章編號(hào):1001-828X(2016)030-000-01

      一、研究背景

      2016年,我國(guó)快遞業(yè)務(wù)總量已躍居全球第一。電子商務(wù)的興盛有效帶動(dòng)快遞行業(yè)的高速發(fā)展,反之,快遞行業(yè)的提升也為電子商務(wù)的增長(zhǎng)提供配套支撐。對(duì)快遞包裹的總量預(yù)判是快遞運(yùn)輸企業(yè)在投資決策、風(fēng)險(xiǎn)評(píng)估、人員管理中至關(guān)重要的一環(huán)。只有通過(guò)理論研究和實(shí)證分析,利用科學(xué)的分析方法,對(duì)海量數(shù)據(jù)進(jìn)行有效分析、深度挖掘,并建立包裹量預(yù)測(cè)模型,才能為企業(yè)在運(yùn)輸經(jīng)營(yíng)上提供有效決策。

      目前,利用我國(guó)快遞業(yè)務(wù)量月度數(shù)據(jù)建立季節(jié)時(shí)間序列模型并進(jìn)行短期預(yù)測(cè)的文章還很少。本文主要運(yùn)用時(shí)間序列的確定性因素分解方法和SARIMA(季節(jié)時(shí)間序列)模型分析法,借助R軟件時(shí)間序列分析包tseries和預(yù)測(cè)包forecast對(duì)數(shù)據(jù)進(jìn)行處理和模型擬合,最終選擇合適的模型參數(shù)對(duì)我國(guó)快遞業(yè)務(wù)量進(jìn)行分析和預(yù)測(cè)。

      二、SARIMA模型簡(jiǎn)介

      SARIMA模型(Seasonal Autoregressive Integrated Moving Average),全稱(chēng)為自回歸單整移動(dòng)平均季節(jié)模型,主要是基于經(jīng)濟(jì)學(xué)理論知識(shí)和計(jì)量經(jīng)濟(jì)學(xué)方法,對(duì)研究標(biāo)的物的變量因素建立序列回歸,并利用樣本數(shù)據(jù)觀察值(周期項(xiàng))和隨機(jī)項(xiàng)對(duì)價(jià)格走勢(shì)進(jìn)行短期測(cè)算。季節(jié)時(shí)間序列在經(jīng)過(guò)合理的函數(shù)變換之后,都可以分拆為三項(xiàng):趨勢(shì)項(xiàng)、周期項(xiàng)和隨機(jī)項(xiàng)。趨勢(shì)項(xiàng)反映的是整體價(jià)格走勢(shì)的方向;周期項(xiàng)表示特定時(shí)間周期內(nèi)的價(jià)格變化特點(diǎn);隨機(jī)項(xiàng)考慮的是不確定或者突發(fā)條件下,產(chǎn)生的價(jià)格隨機(jī)信號(hào)和隨機(jī)噪聲。快遞業(yè)務(wù)量的時(shí)間序列數(shù)據(jù)就屬于季節(jié)時(shí)間序列,通過(guò)SARIMA模型選擇合適的模型參數(shù)就可以對(duì)其進(jìn)行分析和預(yù)測(cè)。

      三、模型建立

      (一)原始數(shù)據(jù)預(yù)處理

      國(guó)家統(tǒng)計(jì)局網(wǎng)站2003年1月至2014年12月的快遞量-當(dāng)期值(萬(wàn)件)數(shù)據(jù)顯示,從2008年開(kāi)始,我國(guó)快遞包裹量呈級(jí)數(shù)增長(zhǎng),并且存在明顯的周期性變化,快遞行業(yè)在此期間飛速發(fā)展。這種周期是由于季節(jié)性變化或其他一些固有因素引起的。在快遞包裹運(yùn)輸領(lǐng)域中,季節(jié)性影響是不可避免的。因此,SARIMA模型可以合理分析和準(zhǔn)確預(yù)測(cè)我國(guó)快遞業(yè)務(wù)量。

      (二)預(yù)測(cè)模型建立

      接下來(lái)使用R軟件時(shí)間序列包的decompose函數(shù)對(duì)包括時(shí)序數(shù)據(jù)進(jìn)行分解,分別為隨機(jī)、趨勢(shì)、季節(jié)。

      通過(guò)隨機(jī)、趨勢(shì)、季節(jié)三張圖可以看出,我國(guó)快遞包裹量呈級(jí)數(shù)增長(zhǎng);包裹量的變化存在季節(jié)性因素;時(shí)序隨機(jī)性變化平穩(wěn)。

      分別選擇SARIMA(0,1,1)(0,1,1)[12]模型和SARIMA(0,1,1)(0,1,2)[12]模型進(jìn)行預(yù)測(cè)比較。

      可見(jiàn),模型預(yù)測(cè)效果差距較小,但SARIMA(0,1,1)(0,1,1)[12]模型效果更好,而且除了二月份,其余三個(gè)月的預(yù)測(cè)值可以說(shuō)非常準(zhǔn)。二月份之所以不準(zhǔn),主要原因是趕上春節(jié)假期,全國(guó)休假,包裹量驟降是必然的。

      四、結(jié)論

      本文利用SARIMA季節(jié)時(shí)間序列模型,對(duì)我國(guó)2003~2015年的月度快遞包裹總量時(shí)間序列進(jìn)行分析,明確我國(guó)快遞包裹總量時(shí)間序列存在指數(shù)級(jí)增長(zhǎng)趨勢(shì)和季節(jié)性變化。通過(guò)設(shè)定SARIMA模型的不同參數(shù),得出SARIMA(0,1,1)(0,1,1)[12]模型有較低的AIC值,預(yù)測(cè)準(zhǔn)確率較高。

      SARIMA模型是在ARIMA模型基礎(chǔ)上優(yōu)化而來(lái)的一種預(yù)測(cè)模型,與眾多預(yù)測(cè)模型相比,SARIMA模型對(duì)季節(jié)性時(shí)間序列數(shù)據(jù)具有較好的預(yù)測(cè)效果。因此,SARIMA模型對(duì)今后我國(guó)快遞業(yè)務(wù)量的分析和預(yù)報(bào)有很大的參考價(jià)值。

      參考文獻(xiàn):

      [1]趙喜倉(cāng),周作杰.基于SARIMA模型的我國(guó)季度GDP時(shí)間序列分析與預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2010,11:18-20.

      [2]張健.SARIMA模型在預(yù)測(cè)中國(guó)CPI中的應(yīng)用[J].統(tǒng)計(jì)與決策,2011,5:28-30.

      [3]賈凱威,韓家彬,楊洋.基于SARIMA模型的短期通貨膨脹預(yù)測(cè).統(tǒng)計(jì)與決策,2014,22:33-35.

      猜你喜歡
      預(yù)測(cè)模型
      一半模型
      無(wú)可預(yù)測(cè)
      黃河之聲(2022年10期)2022-09-27 13:59:46
      選修2-2期中考試預(yù)測(cè)卷(A卷)
      選修2-2期中考試預(yù)測(cè)卷(B卷)
      選修2—2期中考試預(yù)測(cè)卷(A卷)
      p150Glued在帕金森病模型中的表達(dá)及分布
      重要模型『一線(xiàn)三等角』
      重尾非線(xiàn)性自回歸模型自加權(quán)M-估計(jì)的漸近分布
      不可預(yù)測(cè)
      不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
      改则县| 三亚市| 沅陵县| 平泉县| 富阳市| 宁强县| 汉川市| 阳泉市| 故城县| 巴南区| 沂源县| 哈巴河县| 苏州市| 嘉峪关市| 游戏| 秀山| 东兰县| 广安市| 屏边| 阿拉善左旗| 景德镇市| 府谷县| 开封县| 丹巴县| 乌恰县| 邛崃市| 鄯善县| 宜川县| 大悟县| 德惠市| 保靖县| 松阳县| 柘荣县| 益阳市| 浠水县| 延安市| 新丰县| 锡林郭勒盟| 虞城县| 金川县| 西青区|