基于Winters乘法模型的中國郵政包件數(shù)預測分析*

□ 焦國柱,呂善緒,郭姍姍,薛 潔

(菏澤學院 商學院,山東 菏澤 274000)

郵政業(yè)務量即郵政業(yè)務的產(chǎn)品量，是反映郵政部門為社會所提供的郵政服務的數(shù)量指標。郵政業(yè)務可分為：函件、包件、匯兌、報刊發(fā)行、速遞、郵政儲蓄、集郵等業(yè)務。每種郵政業(yè)務的開展都是為了滿足特定的社會需求，代表了特定的消費傾向，具有各自的業(yè)務特色。影響郵政業(yè)務量的因素很多，有些因素對所有業(yè)務都有影響，有些因素只對某種業(yè)務有影響[1]。中國郵政包件數(shù)是整個郵政業(yè)務量的重要組成部分，影響其發(fā)展有很多因素，特別是外部競爭因素及內(nèi)部條件因素，近幾年來，郵政業(yè)務的包件數(shù)呈現(xiàn)趨勢下降的趨勢，2016年包件數(shù)為2793.7萬件，同比下降9.8%；2017年包件數(shù)為2658.1萬件，同比下降4.8%；2018年包件數(shù)為2407.2萬件，同比下降15.6%。就郵政部門的有關部門來說，掌握郵政包件數(shù)未來的數(shù)量進而對本部門未來的決策有著重要意義。預測未來包件數(shù)的方法有很多，預測出來的結(jié)果也有差異，本文將對未來2019年每個月的郵政包件數(shù)進行預測，為此選用了Winter乘法模型，實行預測。

1 理論背景

Winters季節(jié)性與趨勢性指數(shù)平滑法是P.R.Winters于上世紀60年代提出的一種較高級的平滑預測方法，它適合于非線性較弱的趨勢性變動和季節(jié)性波動兩者都有的時間序列預測問題。在時間序列預測的諸多方法中，相比于其他方法，其優(yōu)點主要體現(xiàn)在以下三個方面：首先，由于它的預測原理比較易懂、方法比較簡便易行因而較容易被使用者所接受；其次，該方法的數(shù)據(jù)利用率比“按季節(jié)分解”等預測方法要高得多，方法的設計比較合理，因此精度也較高；再次，這種預測方法本身承認了各季節(jié)的季節(jié)性指數(shù)I(t)具有趨勢性變動，因此它能適合許多實際時間序列各季節(jié)的季節(jié)性指數(shù)呈趨勢性變動的情況[2]。其定義如下：

Ft+m=(St+bt+m)It-L+m

(1)

St=αYtIt-L+(1-α)(St-1+bt-1)

(2)

bt=β(St-ST-1)+(1-β)bt-1

(3)

It=γYtSt+(1-γ)It-L

(4)

其中，L為季節(jié)長度，I為季節(jié)調(diào)整因子，m為超前預測期，α、β、γ(范圍在0～1之間)為平滑指數(shù)。

2 數(shù)據(jù)來源

本文的數(shù)據(jù)均來源于國家統(tǒng)計局，其中選取了自2012年1月至2018年共計84個數(shù)據(jù)，其具體數(shù)據(jù)見表1所示：

表1 2012年1月—2018年12月郵政業(yè)務量包件數(shù) (萬件)

數(shù)據(jù)來源：中華人民共和國國家統(tǒng)計局國家數(shù)據(jù)郵政業(yè)務總量

創(chuàng)建時間序列圖并進行直觀分析，見圖1所示：

圖1 2012年1月至2018年12月中國郵政包件數(shù)波動示意

由圖1可以看出，2012年1月至2018年12月期間中國郵政包件數(shù)呈現(xiàn)趨勢性波動下降的現(xiàn)象，同時在下降過程伴隨有季節(jié)性波動，每年在冬季前后呈現(xiàn)波峰。這是因為每年冬季商家大量清理庫存使得商品價格降低，進而商品數(shù)量上升，引起包件數(shù)上升。因此包件數(shù)有顯著的季節(jié)特征。包件數(shù)隨著季度變化既有季節(jié)性又有趨勢性，符合winters模型的適用條件。

3 數(shù)據(jù)分析

3.1 模型統(tǒng)計量分析

應用spss軟件，對數(shù)據(jù)進行預測分析建立時間預測模型，得到模型統(tǒng)計量如表2、表3所示：

表2 2012年1月-2018年12月winters擬合統(tǒng)計量及均值

由表2可知，平穩(wěn)的R方表示輸出平穩(wěn)的R方統(tǒng)計量，該統(tǒng)計量應用于固定成分與簡單均值模型的差別。平穩(wěn)的R方為0.829，表示該winters乘法模型優(yōu)于簡單的均值模型。R方表示該統(tǒng)計量用于表示所能解釋的數(shù)據(jù)變異占總變異的比例。R方為0.949，該數(shù)據(jù)越大表示結(jié)果越佳，該變異模型中可以解釋的部分約為95%。平均絕對百分誤差MAPE表示輸出絕對誤差百分比統(tǒng)計量，MAPE為7.118%小于10%，表明誤差可接受。正態(tài)化的BIC(L)為7.617、顯著性為0.001小于0.005表示不拒絕假設，通過檢驗。

3.2 殘差序列自相關和偏自相關分析

圖2 擬合后的自相關函數(shù)及偏自相關函數(shù)圖

由圖2可知，殘差自相關函數(shù)表示輸出模型的殘差自相關函數(shù)及其置信區(qū)間，殘差偏自相關函數(shù)表示輸出模型的殘差序列的偏自相關函數(shù)及其置信區(qū)間。由圖可見，殘差ACF與殘差PACF絕大多數(shù)落入-0.95～0.95的置信區(qū)間內(nèi)，說明序列為白噪聲序列，也就是說選擇該模型合適。

4 數(shù)據(jù)預測結(jié)果及比較分析

根據(jù)數(shù)據(jù)建立winters乘法模型，得到預測結(jié)果如圖3、表3所示：

圖3 2019年中國郵政業(yè)務量包件數(shù)各月份預測結(jié)果

表3 2019年中國郵政業(yè)務量包件數(shù)各月份預測結(jié)果

對預測得到的結(jié)果與2019年1月至6月份實際值進行比較如表4所示：

表4 2019年1月至6月實際值與預測值比較

由表4可以看出，誤差絕對值最大發(fā)生在1月份，誤差為15.3%；誤差絕對值最小發(fā)生在2月份，為6.1%。前六個月平均誤差絕對值為10.6%，預測結(jié)果較為可靠。

5 結(jié)束語

本文采用了winters乘法模型，對中國郵政業(yè)務量的重要構(gòu)成部分中國郵政包件數(shù)進行了預測，相對于其他預測方法而言，winters乘法模型既考慮了包件數(shù)的長期趨勢同時兼而有之的考慮了季節(jié)性波動，能較為有效的規(guī)避隨機性影響，將預測結(jié)果基本控制在10%以內(nèi)，對此種預測方法來說，是比較成功的。但是，該預測模型只是立足于過去的歷史郵政業(yè)務包件數(shù)，發(fā)掘過去幾年潛在的發(fā)展趨勢及動態(tài)，對未來發(fā)展趨勢無法了解。而且郵政業(yè)務包件數(shù)月度數(shù)量多少不僅受到自己本身條件的限制、競爭對手的限制；更受到宏觀環(huán)境下經(jīng)濟因素、政治因素、文化因素、社會人文因素等影響，因此有個別月份預測精度較低，預測浮動較大。對于郵政包件數(shù)的管理者來說，管理者可以根據(jù)包件數(shù)變化的預測趨勢，更好安排人員、設備忙閑時間，以降低成本。隨著時間的不斷推移，未來會有各種各樣的因素參與到預測中來，影響預測水平，因此，對于winters乘法模型的完善還會有進一步的探索。