基于ARIMA模型的我國快遞業(yè)務(wù)量狀況研究

朱志鋒 肖詩雨

摘 要：本文通過Eviews8.0軟件采用時間序列分析方法，對我國快遞業(yè)務(wù)量的月度數(shù)據(jù)進行分析，建立ARIMA模型并進行參數(shù)估計及檢驗，對比Holt-Winters季節(jié)乘法模型預(yù)測結(jié)果和實際值進行誤差分析，選擇ARIMA季節(jié)乘積模型，對未來我國的快遞業(yè)務(wù)量進行預(yù)測。

關(guān)鍵詞：時間序列;快遞業(yè)務(wù)量;預(yù)測;ARIMA模型

一、引言

我國快遞行業(yè)與其他國家相比，雖然發(fā)展較晚，但近十年來發(fā)展十分迅速，自2011年以后，快遞業(yè)務(wù)量的同比增速達(dá)到了40%以上，發(fā)展速度非常迅猛;自2014年以后，中國的快遞業(yè)務(wù)量已經(jīng)連續(xù)五年穩(wěn)居世界第一。但是具體發(fā)展程度還很低，現(xiàn)在的快遞業(yè)務(wù)量還不到GDP的0.3%，與發(fā)達(dá)國家達(dá)到GDP的1%左右相比差距依然明顯。而且我國幾乎沒有研究快遞行業(yè)發(fā)展特點和規(guī)律的文獻，在國內(nèi)是一個空白。因此，研究我國的快遞行業(yè)的發(fā)展特點，并尋求其發(fā)展規(guī)律，對正在發(fā)展中的中國快遞業(yè)是十分必要的。本文就我國快遞業(yè)的發(fā)展進行了相關(guān)研究，以期研究結(jié)果有一定的參考意義。

本文以2010年1月-2018年12月的快遞業(yè)務(wù)量月度數(shù)據(jù)為數(shù)據(jù)源（數(shù)據(jù)源自國家統(tǒng)計局網(wǎng)站），用求和自回歸移動平均模型（ARIMA模型）建立預(yù)測模型，對比Holt-Winters季節(jié)乘法模型預(yù)測結(jié)果和實際值進行誤差分析，選擇ARIMA季節(jié)乘積模型，對未來我國的快遞業(yè)務(wù)量進行預(yù)測，所得結(jié)果符合其發(fā)展規(guī)律。

二、基于ARIMA的快遞業(yè)務(wù)量月度數(shù)據(jù)預(yù)測模型

本文通過訪問國家統(tǒng)計局網(wǎng)站（http：//www.stats.gov.cn），獲得了2010年1月到2018年12月我國快遞業(yè)務(wù)量的月度數(shù)據(jù)，具體數(shù)據(jù)見表1所示（單位：萬件）。

2.模型的建立

（1）模型的識別

（2）模型的定階

從表2中可以發(fā)現(xiàn)，模型3號的模型擬合程度最優(yōu)。并結(jié)合自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖，選擇3號模型，即■，確定模型階數(shù)。

（3）模型的參數(shù)估計

從圖1可以看出，可知模型最終可以表示為：

從圖10可以看出，所有系數(shù)均通過了t檢驗，擬合情況如下：

從圖3可以看出，用靜態(tài)預(yù)測擬合效果良好，得到2018年1月到12月的預(yù)測值與真實值差距很小，所以選擇該模型。

（4）模型的檢驗

從圖4可以看出，該殘差序列的Q統(tǒng)計量對應(yīng)的p值高于的顯著性水平0.05，因此應(yīng)該接受原假設(shè)，殘差序列為白噪聲序列，模型總體顯著。

3.模型的誤差分析

由于數(shù)據(jù)既有趨勢項又有季節(jié)項，建立Holt-Winters季節(jié)乘積模型對我國2018年12個月的快遞業(yè)務(wù)量進行預(yù)測，對比實際值和ARIMA模型的預(yù)測值，算出相對誤差，如表3所示。

從表3和圖5可以看出，ARIMA（1，2，1）（0，1，1）模型預(yù)測的相對誤差比Holt-Winters季節(jié)乘法模型預(yù)測的相對誤差小。

由此可見，ARIMA（1，2，1）（0，1，1）模型擬合效果較好，預(yù)測精度更高，短期預(yù)測效果較好。故選擇ARIMA（1，2，1）（0，1，1）模型，對未來我國快遞業(yè)務(wù)量進行預(yù)測分析。

4.模型的預(yù)測

擴大ARIMA模型的樣本范圍，預(yù)測2019年1月至12月我國快遞業(yè)務(wù)量的數(shù)據(jù)。如表4所示。

5.結(jié)果分析

從表3可以看出，2018年我國快遞業(yè)務(wù)量的預(yù)測值與實際值相差不大，相對誤差基本都很小，說明模型的預(yù)測效果較好。但大多數(shù)的預(yù)測值比實際值偏高，這是由于模型沒有考慮到其他相關(guān)因素的影響，僅僅只對快遞業(yè)務(wù)量進行了分析。

從表4可以看出，2019年1月至12月的預(yù)測值基本符合我國全年快遞業(yè)務(wù)量的變化規(guī)律：快遞業(yè)務(wù)量呈現(xiàn)出明顯的周期性，月度高峰值出現(xiàn)在11月，而低谷值則出現(xiàn)在1月或者2月。這是由于各大電商都會在11月推出聲勢浩大的“雙11購物節(jié)”，全民狂歡式網(wǎng)購使得快遞業(yè)務(wù)量達(dá)到頂峰;而到了年初，快遞公司由于春節(jié)到來紛紛停運，導(dǎo)致業(yè)務(wù)低谷的出現(xiàn)。

三、總結(jié)

我國快遞業(yè)務(wù)總量近十年來一直在持續(xù)不斷地高速增長，但從2017年開始增長速度開始有所放緩，而全年月度高峰值和低谷值的差距越來越大。所以，我們要研究快遞行業(yè)的發(fā)展規(guī)律，對其進行客觀、準(zhǔn)確的預(yù)測，為相關(guān)政策的制定提供參考，使得我國快遞業(yè)能夠健康發(fā)展。

本文通過分析發(fā)現(xiàn)，我國快遞業(yè)務(wù)量月度數(shù)據(jù)的特點是既有增長趨勢又有季節(jié)波動，采取時間序列分析中的ARIMA季節(jié)乘積模型分析方法，建立ARIMA模型并進行參數(shù)估計及檢驗，對比Holt-Winters季節(jié)乘法模型預(yù)測結(jié)果進行比較分析，選擇ARIMA季節(jié)乘積模型，對未來我國的快遞業(yè)務(wù)量進行預(yù)測。從預(yù)測結(jié)果來看，預(yù)測效果較好，所得結(jié)果也具有一定的參考價值。

本文對快遞行業(yè)的研究只分析了快遞業(yè)務(wù)量的月度數(shù)據(jù)，還可以考慮研究快遞業(yè)務(wù)收入以及年度數(shù)據(jù)，同時也可以采取不同的軟件對我國快遞行業(yè)發(fā)展的各項指標(biāo)進行預(yù)測，考慮多種不同的影響因素，減少誤差，擬合效果更好，預(yù)測精度更高。

參考文獻：

[1]褚天舒.我國快遞行業(yè)的現(xiàn)狀及發(fā)展趨勢[J].Business，2016（01）：247.

[2]于廣生.我國快遞業(yè)的發(fā)展現(xiàn)狀、解決對策及未來趨勢[J].商場現(xiàn)代化，2015（02）：55-57.

[3]徐希燕.中國快遞產(chǎn)業(yè)發(fā)展研究報告[M].中國社會科學(xué)出版社，2009.

[4]舒心萍.快遞穩(wěn)居世界第一后該做些什么[N].青海日報，2018年1月15日.

[5]張迅雷，等.我國快遞服務(wù)行業(yè)的行政法律規(guī)制初探[J].北京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報，2018，17（04）：121-124.

[6]徐國祥.統(tǒng)計預(yù)測和決策[M].第五版.上海：上海財經(jīng)大學(xué)出版社，2016.

[7]王黎明，等.應(yīng)用時間序列分析[M].上海：復(fù)旦大學(xué)出版社，2009.

[8]王燕.應(yīng)用時間序列分析[M].北京：中國人民大學(xué)出版社，2015.

[9]易丹輝.數(shù)據(jù)分析與Eviews應(yīng)用[M].北京：中國人民大學(xué)出版社，2014.

[10]馬軍勝.加快快遞業(yè)供給側(cè)結(jié)構(gòu)性改革[J].中國物流與采購，2016（07）：38.

[11]肖彤，等.我國快遞行業(yè)發(fā)展現(xiàn)狀、成因及對策研究[J].法制與社會，2017（23）：179-181.

[12]張靜，等.基于SARIMA模型的我國快遞業(yè)務(wù)量預(yù)測[J].現(xiàn)代經(jīng)濟信息，2016（20）：350.

[13]程軍.我國快遞業(yè)發(fā)展對策研究[D].武漢理工大學(xué)，2004.

作者簡介：朱志鋒（1979- ），男，湖北孝昌人，博士，湖北工程學(xué)院數(shù)學(xué)與統(tǒng)計學(xué)院教師;肖詩雨（1997- ），女，貴州盤州人，湖北工程學(xué)院數(shù)學(xué)與統(tǒng)計學(xué)院學(xué)生