季节指数

关键词: 医院

季节指数(精选六篇)

季节指数 篇1

1 资料与方法

资料来源于2006-2009年度某院统计报表数据。计算方法采用直接平均季节指数分析法[2], 即:将医院各科室历年收容时间序列资料, 用求算平均值方法直接计算医院科室各季节指数。

2 分析步骤

2.1 采集2006-2009年医院科室各季节的收容统计资料。

2.2 求出各年度医院科室同季入院人数的平均数A。

2.3 求出各年度医院科室所有季节入院人数总平均值B。

2.4 计算医院各科室历年同季度的季度指数S=A/B。见表1。

2.5 绘制医院科室所有季度指数散点图, 见图1。因科室曲线密集, 分内、外科系统绘制两图, 分别为图2、图3。

3 结果

3.1 2006-2009某院各科室收容季度指数, 其四季走势为循环起伏态势。4个季度收容指数分别为0.84、1.05、1.03、1.08, 第一季度收容处于淡期, 二季度收容量上升, 三季度较二季度收容有所回落, 四季度达到收容量高峰。

3.2 内科系统收容散点趋势线密集, 分布图大体与医院全年4季度散点分布一致。该系统4季度平均收容指数分别为0.828、1.042、1.04、1.092。第一季度收容量均为全年最低;第二季度收容量上升较快;第三季度大体下降或持平。但呼吸内科三季度 (1.07) 较二季度 (1.00) 略高;同样消化科三季度 (1.07) 较第二季度 (1.05) 略高。感染科一季度收容为内科系统最低值 (0.74) , 四季度为系统最高值 (1.16) 。

3.3 外科系统收容散点分布图各科离散度较大。其中骨科全年4个季度收容变动幅度最大, 分别为0.72、1.02、1.12、1.14;泌尿外科、神经外科全年收容呈现直线上升趋势;普外科收容至二季度峰值 (1.08) 后持续下滑。

4 讨论分析

4.1 从2006年-2009年4年各季度各科室收容量季节变化规律看, 一季度收容指数为0.84, 为全年最低值。主要原因由于病患受元旦、春节佳期和传统观念影响, 春节期间不愿去医院就医, 同时受天气制约, 冰雪严寒, 病人不方便就诊。感染科由于寒冬时节温度低, 病毒、细菌的感染率较低, 收容列全年最低;呼吸、消化科室也由于气温等原因, 常见病不具备相应流行条件致收容较低;气候不宜, 居民出行少, 车祸损伤几率低, 骨科收容量也随之下降。

4.2 第二季度春夏之交气温回暖, 呼吸道疾病、流行性感冒、肺炎等疾病发病率上升, 呼吸科收容量相对增加;温度有利于细菌、病原微生物的生长, 因此感染科、消化科、泌尿外科第二季度收容幅度明显增长;气候温和, 居民出行量增加, 外伤事故发生导致骨科收容锐增。

4.3 第三季度各科室整体收容较第二季度低。因该院所处省为农业大省, 农忙及秋收时期需要大量劳动力, 减少了农村人口前往医院就医的数量。该院统计部门统计近47%的收容人员来源于县级以下地区, 农村就诊人数的减少直接导致三季度收容整体偏低。7、8月份天气炎热, 易引起食物变质和细菌繁殖, 出现季节性腹泻病人收容量增高, 消化科收容量上升;9月份渐进入秋季, 温度下降导致脑部血管疾病高发, 神经内、外科收容增长。

4.4 第四季度全院整体收容达到峰值1.08。由于气候不适宜消化系统细菌繁殖, 消化科收容略微减少。感染科由于2009年第四季度甲型流感流行, 收容量出现高峰;由于温度原因, 心脑血管疾病呈现高发趋势, 心内科和神经外科收容增加;第四季度前列腺增生肥大等疾病患者增多, 泌尿外科收容提高;普外科由于科室病房条件及科内医务人员的变动导致其收容量减少。

5 对策与建议

5.1 在医院发展的创新期, 收容量、经济效益都在持续增长。随着医院实力发展壮大, 管理规范和专业化水平不断提高。此时医院管理者需要把握好目标, 做好战略规划, 采用集中性进攻战略及一体化进攻战略, 适时抓住机遇、集中医院资源, 以高于以前的速度扩大市场占有率。同时在加强医院吸引客流的多种因素 (诸如在病人追求核心利益、物资、技术、质量、设备等因素) 上加大投入, 以特色办院、以质量办院, 在病人享有核心医疗服务同时, 更多享受到形式医疗服务和附加医疗服务[3]。

5.2 在二、三、四季度收容旺期来时做好大流量病人的迎接工作。在病患方便度、诊疗质量和经济消费上最大程度提供令病人满意服务。尽量缩短住院病人的住院床日, 加快床位周转, 减轻病人负担同时更大程度增加收容;注意对医疗质量、护理质量、诊断质量、管理质量等服务质量进行监督和控制;加强手术室及麻醉科的管理, 减少术前平均住院日, 做到有条不紊, 忙而不乱。对高效优质的医院进行考察, 诸如在缩短术前平均住院日方面, 可学习效仿新加坡中央医院的做法, 开展当天手术, 当天入院, 所有术前检查在病人入院前于就诊科室完成[4]。

5.3 利用有限的人力资源, 科学合理安排医疗工作。对于不同科室季度的不同特点, 提前做好人员及物资的调配工作, 为收容病人同比增加的科室引进医务人员, 减轻工作负荷[5]。在入院人数较少月份, 保证医疗工作正常运转的情况下, 可适当安排医务人员从事科研、外出学习进修等活动, 也可安排职工轮休公假, 以缓解工作压力[6]。

5.4 对医院建筑修建、病区扩大、设备引进、后勤设施完善等硬件条件的提高以及人员进修、绩效考核、人事重组、政策变动、技能检测、休息调整等软件管理应尽量安排在对收容影响不大的淡期。同时, 可以在此时期制定方案、采取便民服务等途径吸引患者客源。另一方面, 医院工作低谷期, 在某程度上说明医院工作量不是很饱和, 可能与医务水平、护理质量有关[7], 医院应该在从自己角度查找原因。

5.5 根据个别科室具体情况, 医院制订政策可有一定程度的倾斜。诸如三季度呼吸科、消化科、骨外科, 四季度心内科、感染科、泌尿科、神经外科收容量都比较大, 医院可以在床位、人员、设备上给予倾斜, 有重点的扶持。同时, 各专科应在做好专科病诊治的同时, 结合每一专科病种季节发病规律, 合理安排本科人员工作, 做到有的放矢[8]。并根据农村病人多、辐射范围广的特点, 加强首诊医师负责制, 依病情合理检查, 合理用药, 提高疾病治愈率[9]。

5.6依据科室4年的病人收容季节变动趋势图, 以科室为单位在每个不同时期调整收容规划, 规律性的掌握并安排工作量。通过数据分析, 对季度、年度做好计划与总结。

摘要:目的:掌握医院各科室收容量的季节变化特征, 为医院管理决策和科室收容提供有价值的信息。方法:运用直接平均季节指数法, 分析2006-2009年某院各科室入院收容数据。结果:医院各科室收容量蕴涵着季节指数变化规律, 个别科室存在差异。结论:收容量季节指数规律, 为医院病人收容增长和科室绩效评估考核提供依据。

关键词:住院收容,季节指数,规律

参考文献

[1]柴军英.某医院收容量季节指数规律分析[J].中国医院统计, 2006, 13 (1) :83.

[2]伍学元.住院收容量的季节指数规律分析[J].中国病案, 2009, 10 (2) :34.

[3]陈绍福等.医院管理学[M].安徽科学技术出版社, 2003, 10.

[4]吴鸿鹏等.某院2002-2004年住院病人来源调查分析[J].中国医院统计, 2005, 12 (4) :363.

[5]杜迅惠.医院出院人数的长期趋势及季节因素分析[J].中国医院统计, 2008, 15 (4) :292.

[6]王菁菁.1997-2006年我院入院人数季节指数规律分析[J].基层医学论坛, 2008, 12 (9) :853.

[7]郑爱青.季节变动分析法在医院管理中的实用价值[J].医学信息学, 2009, 22 (1) :34.

[8]代伟等.医院收治病种及季节规律分析[J].解放军医院管理杂志, 2002, 9 (6) :521.

季节指数 篇2

土地覆被的季节性变化特征可为全球变化模拟提供重要信息.本文利用包含植被一个完整生长周期的SPOT4-VEGETATlON的NDVI影像,对鄱阳湖流域典型季节性绿色覆被(作物)的`绿度值、峰值、谷值、年均ND-VI(NDVI-I)和NDVI年内极差(NDVI-MM)等特征值进行了提取.在此基础上,探讨了不同覆被(作物)类型的ND-VI指数年内季节变化以及NDVI时间曲线的波动与农作物生长发育阶段之间的响应规律.结果显示:以作物为主的季节性绿色覆被在作物生活期内绿度指数水平较高,在休闲期会大幅度降低;当作物处于抽穗期时,NDVI值达到作物生长期内的最大值;一年一熟、一年两熟、一年三熟作物的NDVl年内变化曲线分别呈单峰型、双峰型和三峰型波动;NDVI最小值和年均值基本上按“一年两熟或三熟作物大干一年一熟作物”的顺序变化.

作 者:汪权方 李家永 WANG Quan-fang LI Jia-yong  作者单位:汪权方,WANG Quan-fang(湖北大学资源环境学院,武汉,430062;中国科学院地理科学与资源研究所,北京,100101)

李家永,LI Jia-yong(中国科学院地理科学与资源研究所,北京,100101)

刊 名:测绘科学  ISTIC PKU英文刊名:SCIENCE OF SURVEYING AND MAPPING 年,卷(期):2009 34(3) 分类号:P95 关键词:NDVI   季节变化   作物   鄱阳湖流域  

★ 宁夏近植被动态变化遥感时序分析

季节指数 篇3

“我买这两棵菜花,你帮我把根削削。”近日,在棋盘社区农贸市场,市民刘女士面对节节上涨的蔬菜,变得吝啬起来。“其实削下去这一点也就一两毛钱的事,不过这几天抱怨蔬菜涨价的市民是越来越多了。”采访中,在棋盘社区农贸市场卖菜已经三年的菜商李先生告诉笔者,小雪节气过后,又有一些蔬菜涨钱了。“你看这韭菜,一个星期涨了将近1块钱,现在卖到4.5元/斤,哪有人买啊。”李先生说,在韭菜价格“飞涨”过后,他已经连续几天每天最多卖出去两三捆。“这市场里没有几户卖韭菜了,我卖完这些也不敢再进了。”采访中,笔者了解到,价格与韭菜同样坐上火箭的还有青椒。李先生告诉笔者,现在他摊位上的蔬菜全部都是大棚菜,种植成本增加是蔬菜涨价的主要原因。“像姜现在有一部分,最近又涨了一两毛钱。还有不少怕冻叶类菜价格也涨了不少。”笔者统计,近期所调查的21种蔬菜中,价格涨幅在10%以上的蔬菜高达近四成。采访中,多位菜商对笔者表示,今年跟往年情况差不多,菜价会一直涨到冬至。

草莓领跌水果市场

“这是咱本地张而的草莓,买点尝尝鲜吧,价格已经比上周便宜很多了。”近日,泉城吉祥苑市场一位卖草莓的水果摊主向笔者介绍。走访泉城农贸市场及各大超市笔者发现,在本已琳琅满目的水果摊上,草莓通常都被摆在最显眼的位置。早在11月中旬上市以来,在众多的水果当中,一直扮演着高贵角色的草莓一斤卖到30-35元。不过近日,草莓价格已经开始走向下坡路。

据统计,近期五家农贸市场中有四家草莓价格跌至25元左右,整体跌幅达13.73%。“进货时明显感到今年草莓市场供货量充足。”采访中,文化东路一水果商贩告诉笔者,这一车的草莓都是自家种植的。据其介绍,今年气候好,加上闰月,草莓丰产。除此之外,今年还有不少老种植户为抢占市场提早一个月种植。

季节指数 篇4

公路客运量预测,按时间长短分为短期、中期和长期预测. 短期预测是制定年度、季度运输生产计划的基础,而中期( 3 - 5年) 和长期预测是制定企业经营运输方针、企业技术改造等运输规划的基础. 常用的预测方法有加权平均法、 增长率算法、回归分析法、灰色模型预测、神经网络模型预测等. 在实际工作中,采用上述方法进行预测,效果不太理想,原因是公路客运量常常受多种因素的影响,如工农业生产总值、人均收入、人口数、道路建设水平等,更主要的是同时还受季节、周期、趋势、随机因素的影响. 这里季节变动是一个非常重要的因素. 比如,每年的二、三季度春暖花开,气温升高,外出旅游、打工、贩运活动增多. 由于人们的出行习惯比较稳定,因此在很长一段时期内,这种季节变动呈现一定的规律性. 通过对这种规律性的研究,可以使我们进一步了解和掌握客运量的变化规律,进而为编制营运计划、合理配备运力,提高企业经济效益提供可靠依据.

本文利用2003—2012年长春市公路客运量年度数据, 建立三次指数平滑模型,利用季节指数修正预测值,并进行误差分析,对未来两年长春市公路客运量进行预测.

历史数据的收集、分析与处理,见《利用灰色模型预测长春市公路客运量》一文,发表于《数学的学习与研究》 ( 2014. 18) ( 作者纪跃芝,胡凡,秦喜文) .

二、指数平滑模型及预测方程

指数平滑预测模型属于时间序列模型,是一种加权移动平均的预测方法,它的原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均. 在加权平均中,用到了新数据xt,体现了重视近期数据的思想,也用到了老的平滑值,一定程度上抵掉了新数据xt中包括的随机干扰,起到了平滑数据、显示规律的作用.

1. 模型及预测方程

根据图2,我们采用三次指数平滑模型预测,并利用季节指数修正趋势预测值.

其中S( i)t表示第t期的i次指数平滑值,i = 1,2,3,xt表示当前数据,α 是平滑系数,反映预测者对当前数据的重视程度. 预测方程为:

其中T表示从基期t到预测期的周期数,t + T表示第t + T周期的预测值,at,bt,ct为预测方程的系数,它们的估计值可以用三次指数平滑法求得:

2. 利用季节指数修正预测值

由图2可见,客运量随季节而变化,而预测方程预测的是大趋势,与客运量起伏不相符合,因此,必须对初步预测值用季节指数进行修正. 季节指数的确定方法如下:

取收集的历史数据,做算术平均值作为趋势估计值,再按公式对同一季节取平均,便得到季节指数的估计值,再用季节指数乘以相应的趋势预测值,便得到客运量的预测值.

三、误差分析

预测误差是大家都很关注的问题,我们总是希望预测结果误差尽可能的小,同一个项目可能采取几种不同的预测方法,对于这些方法的评价和选择,应以预测误差的大小为判断依据. 这里我们 用平均绝 对百分误 差MAPE = E (e / x)来衡量:

当MAPE≤10% 时,为高精度预测; 当10% < MAPE≤ 20% 时,为良好预测; 当20% < MAPE ≤50% 时,为可行预测; 当MAPE > 50% 时,为错误预测.

四、实证分析

平滑系数 α,反映预测者对当前数据的重视程度,是预测能否成功的关键. α 越小,对数据的平滑能力越强,但对数据变化的敏感性越差,α 越大,对数据的平滑能力越差, 但对数据变化的敏感性越强. 经过多次分析比较,最后确定平滑指数 α = 0. 2. 预测方程为

利用上述指数平滑模型,取2005年第一季度为k = 1起始点,计算各季度客运量的一至三次指数平滑值. 结果见附录.

由附录,可算出at= 330. 66,bt= - 5. 39,ct= - 0. 46,预测方程为

其中 τ = - 31,- 30,…,0,对应2005年第一、二季度, …,2012年第四季度客运量预测值.

在预测方程( 1) 中,分别取 τ = 1,2,…,8,得2013、2014年客运量的初步预测值,结果见表2. ( 单位: 万人次)

季节指数修正初步预测值取2003 - 2012年各季度客运量,以= 316. 26( 万人次) 作为趋势估计值,按公式对同一季节取平均,便得季节指数的估计值. 结果见表3.

用季节指数修正后的预测值t + τ见表4.

误差分析在预测方程( 1) 中,取 τ = - 11,- 10,…,0, 得到初步预测值,利用季节指数进行修正,并进行误差估计,结果见表5.

作出2010 - 2012年各季度客运量与预测值对比图4, 可见,客运量明显随季节而改变,经季节指数修正的指数平滑模型能够很好地反映客运量随季节的变化.

算得平均绝对百分误差MAPE = 3. 8% ,表明用该模型进行预测,效果为高精度预测.

五、结论

客运量的预测方法还有很多,如回归分析预测、弹性系数法预测、增长率统计算法等等. 每种方法都有各自的优缺点和局限性. 如灰色模型预测法,其优点不仅简单而且能达到比较准确的预测效果,而指数平滑法,属于时间序列平滑预测法中的一种,其优点是克服了移动平均法需要数据存储大的缺点,保持了移动平均法的优点,它只需要最近一期的实际客运量即可预测下一期的数值; 缺点是预测值受实际值大小的影响较大,取值不当,预测值会出现较大偏差.

影响客运量的因素有很多,比如天气、季节、节假日、假期等,它们之间的关系错综复杂. 为了提高预测结果的精度,我们可以选择几种方法的组合进行预测. 这样可以大大提高预测结果的精度和可靠度.

摘要:本文选取2003-2012年吉林省长春市公路客运量数据,建立三次指数平滑模型,利用季节指数修正平滑预测值,并进行误差分析.同时,对2013年和2014年长春市公路客运量进行预测.

季节指数 篇5

关键词:时间序列分析,ARIMA,乘积季节模型,CPI

1 引言

居民消费价格指数 (也叫消费者物价指数, 简称CPI) 是对消费商品和服务的相对价格水平的测量, 它随时间的改变而改变, 是反映居民购买商品和服务的价格水平的变化量[1], 它也是用来衡量通货膨胀的重要指标。CPI的高低直接影响着居民的生活水平, 准确地分析和预测居民消费价格是合理地制定宏观经济政策的前提, 对于稳定物价, 确保经济正常平稳发展具有重大意义。本文以2000-2012广西CPI月度数据为研究对象, 建立ARIMA乘积季节预测模型, 并对CPI未来趋势进行预测, 预测结果为宏观经济分析和决策提供了一定的参考依据。

2 ARIMA乘积季节模型

当一组时间序列数据的季节效应、长期趋势效应以及随机波动之间有着复杂的相互关系时, 通常需要采用乘积季节模型来拟合, 表达式如下:

由于短期内的相互作用和季节的影响两者之间存在乘法关系, 所以拟合模型的实际本质就是ARMA (p, q) 和ARMA (p, Q) 相乘[2], 即ARIMA (p, d, q) × (P, D, Q) S。

3 建立ARIMA的广西居民消费价格指数模型

3.1 数据分析及预处理

2000-2013年月度广西居民消费价格指数如图1所示, 该时序图显示广西居民消费价格指数以年为周期呈现出规则的周期性, 并且每年12月份和1月份的CPI较高, 这与临近春节, 中国人的消费意愿强烈一致。另外, 广西CPI还有逐年缓慢递增的趋势, 2008年受国际金融危机的影响, 广西CPI的涨幅最大, 由时序图可以看出该序列为非平稳序列。

为了消除序列单调递增趋势和周期长度为12的季节波动。对原序列做1阶12步差分, 考察1阶12步差分后序列时序图 (图2) , 发现原序列中所包含的季节效应和递增趋势已经被差分运算比较充分地提取出来。对该序列进行白噪声检验 (表1) , 在检验的显著性水平为0.05的条件下, 延迟6阶和12阶的x2统计量的P值小于0.05, 所以该差分后序列不能视为白噪声序列, 序列蕴含的相关信息可以考虑用ARMA模型进行拟合。

3.2 模型定阶

为了进一步提取差分以后序列蕴藏的相关信息, 我们考察差分后序列的自相关图 (图3) 和偏自相关图 (图4) , 12阶以内的自相关系数和偏自相关系数均不截尾, 所以尝试使用ARMA (1, 1) 模型提取差分后序列的短期相关信息。

再考虑季节自相关特征, 这时考察延迟12阶、24阶等以周期长度为单位的自相关系数和偏自相关系数的特征。自相关图显示延迟12阶自相关系数显著非零, 但是延迟24阶自相关系数落入2倍标准差范围, 而偏自相关图显示延迟12阶和延迟24阶的偏自相关系数都显著非零。所以可以认为季节自相关特征是自相关系数截尾, 偏自相关系数拖尾, 这时选择周期为12步的ARMA (0, 1) 12模型提取差分后序列的季节自相关信息。

综合前面的差分信息, 我们要拟合的乘积模型为ARIMA (1, 1, 1) × (0, 1, 1) 12。

3.3 相关参数估计

结合SAS软件, 利用条件最小二乘估计方法, 得到未知参数的估计值为:

因此, 广西消费价格指数拟合模型为:

3.4 模型检验

对拟合模型进行参数检验和残差序列检验, 检验结果显示 (表2) 该模型对应参数的P值均小于给定的显著性水平0.05, 说明参数通过显著性检验。残差序列检验显示统计量的P值都显著大于检验水平0.05, 可以认为该残差序列为白噪声序列。这两项检验均说明模型拟合效果良好, 序列的相关信息被充分提取。

3.5 模型预测

图5给出了广西居民消费价格指数序列拟合图, 从该图可直观地看出, 乘积季节模型对原序列的拟合效果良好, 与模型检验得出的结果一致。运用该模型计算出广西2013年10月至12月的CPI, 并将拟合值与实际值做比较, 表3给出拟合值与真实值的比较结果。

从上表可以看出, 拟合值与实际值绝对误差百分比在2%之内, 说明该模型能够很好地拟合广西消费价格指数, 可以用来做短期预测[3]。表4给出了2014年1至5月广西消费价格指数预测结果。

3.6 结果分析

由图5可以看出, 广西CPI在2000年到2003年虽然有涨有降, 但是幅度较小, 比较稳定。到了2004年CPI上涨的幅度比较大, 主要是2004年食品类的价格上涨很多, 特别是粮食、鲜蛋、猪肉的价格更是大幅度提高, 到2005年才有所下降。而2007年, 广西CPI上涨的速度更快, 2008年上半年甚至达到最大值, 这是由于2006年股市普遍上涨带来财富效应产生影响。2009年, 广西CPI一直下降, 且下降速度很快, 这是因为广西受到全球金融危机的影响, 经济一直处于通货紧缩的状态, 导致CPI迅速下降。到了2010年已经有所回升, 这是因为此时西南地区旱情以及油费上涨等因素导致广西大米价格大幅度上涨, 最终导致CPI上涨, 当然这也与政府的宏观调控有很大关系。2011年广西CPI虽然有所下降, 但是幅度不大, 2012年、2013年甚至可以说是基本平稳, 没有太大波动。从2014年1月至6月广西CPI的预测值可以看出, 居民物价指数继续上涨, 这就需要政府进行宏观调控, 将物价维持在一个合理水平上。

4 结语

本文利用广西消费价格的历史数据建立了乘积季节模型, 并利用该模型对数据进行了拟合和预测, 结果表明在绝对误差百分比内, 模型拟合效果好, 模型基本可以反映CPI的发展规律, 因此可用该模型进行CPI的短期预测, 预测结果将为政府及相关部门运用宏观调控将物价维持在一个合理水平提供参考。

参考文献

[1]高和鸿, 郭茜, 孟浩.统计学[M].北京:经济管理出版社, 2009, 12.

[2]王燕.应用时间序列分析 (第三版) [M].北京:中国人民大学出版社, 2012, 12.

季节指数 篇6

物流需求是指在一定时期和一定区域空间范围内由于生产或消费而引起的实物、原材料、半成品、成品、商品、废弃物或退货在时间和空间上对运输、包装、库存、装卸、配送、流通加工及信息处理等活动需求的总和。物流需求的指标体系有实物量体系(如货运量、货物周转量、库存量、加工量等)和价值量体系(如物流成本、物流收入、供应链增值等)[1]。目前,我国发展和改革委员会发布的物流统计信息中有社会物流总费用、物流业增加值、社会物流总额、货运总量、货运周转量、规模以上港口货物吞吐量、港口集装箱吞吐量、物流相关行业固定资产投资八个主要指标。我国对这几个指标的统计工作才在起步阶段。而黑龙江省的统计从2008才开始。但一个区域的物流业发展离不开对物流需求的预测,因此,文中以哈尔滨市为例,选取货运量作为物流需求预测的指标。

灰色系统理论是我国邓聚龙教授提出的一种贫信息情况下的理论。灰色模型(又叫GM(1,1)模型)是灰色系统理论的核心之一。其表达简洁,便于理解,目前在国民经济预测中得到了一定程度的应用。我国有一些学者用灰色模型的方法对我国或某些地区的物流需求作了预测。陈森等对我国总的物流货运量作了预测。孙艳玲对四川省的货物周转量作了预测[2]。唐振龙等对河北省的物流需求作了预测[3]。孙建丰等对福建省的物流需求作了预测[4]。但是,灰色预测模型并不能反映一个区域随着季节变化,物流需求的变化情况。哈大齐工业走廊地处我国东北部,全年有一半的时间气温非常低,对经济的发展及物流产业有一定影响。如果仅仅用灰色预测模型来预测物流需求,就不能反映这种季节的影响。文中将灰色预测模型与季节指数模型相结合,并以哈尔滨市为例,进行物流需求的预测。

2 灰色预测模型的基本建模过程

灰色预测模型的基本建模过程如下:

若有n个原始数据,则原始序列为xundefined,而xundefined=(xundefined,xundefined,…,xundefined)。相应地,累加生成序列为xundefined,而

undefined

累加生成序列必须是平滑的。如果满足以下几个要求,则被认为是平滑的。平滑的程度可由ρk来表示。

undefined

在xundefined的基础上构造背景值序列zundefined=(zundefined,…,zundefined),根据罗党等提出的背景值改进理论,将背景值在原始背景值基础上优化为undefined。

假定x(1)具有近似指数变化规律,则白化微分方程为:undefined

将上式离散化,得到灰微分方程:xundefined+azundefined=b (6)

用最小二乘法,可以解得参数a和b。

α=[a,b]T=(BTB)-1BTY (7)

undefined

根据董奋义提出的以xundefined为初始条件[6],预测公式为:

undefined

则还原预测值为:

undefined

模型的预测精度由误差分析来检验。若为模拟序列。则残差检验为:undefined为模拟序列。则残差检验为:

undefined

相对误差检验为:

undefined

由以上建模过程可以看出,灰色模型实质就是对原始数据作累加生成后的指数拟合,拟合精度取决于a和b的值,背景值,初始条件。文中根据文献[5]和[6],背景值和初始条件得到了改进。

3 灰色模型与季节指数的组合预测

在现实生活中,季节变动是一种极为普遍的现象。季节指数预测法能反映出这种季节变动的情况。判断季节变动存在的方法有直观法、自相关系数判断法、方差分析判断法。一般的季节指数预测法有:温特斯(Winters)指数平滑法,霍尔特-温特斯指数平滑法、双季节指数预测法等。季节指数的预测是在对原始值进行直线拟合的基础上进行的。但有一些原始数据并不呈现直线的走势。因此,文中对初始趋势值的估计不采用直线拟合,采用灰色预测模型的拟合值作为趋势值。

第一步:确定趋势值undefined、季节长度Li,i=(1,2,…,m)。

第二步:剔除趋势,用各期原始值除以趋势值,得出基于灰色模型预测值的季节指数:

undefined

第三步:在Li的周期内,求x(0)的平均值undefined,得出基于季节变化的季节指数估计值:

undefined

第四步:求出预测模型:

undefined

4 哈尔滨市物流需求量的预测

哈大齐工业走廊地处我国东北部,其天气与其他地区有很大差别,物流需求呈现出季节变动的特性。表一是哈尔滨市2008年的货运量,将1-4月,5-9月,10-12月各作为一个季节特征时期,结合改进的灰色模型和季节指数预测法,对哈尔滨市的物流需求进行预测。

根据哈尔滨市统计局资料,2008年哈尔滨市货物运输量数据如表1:

将哈尔滨市2008年12个月的货运量作为原始序列,根据灰色预测模型的步骤,可以得出时间响应函数为,从而可以得出模拟值。再利用灰色模型与季节指数组合的预测模型,得出2008年12个月的模拟值、相对误差检验值如表2所示。

由上表可以看出模拟值的残差和相对误差效果均较好。

灰色模型是一种比较成熟的预测方法,但是其对物流需求短期预测的研究未能受到重视。哈大齐工业走廊特殊的地理位置使短期内的物流需求的预测采用灰色模型并不具有较好的效果。但与季节指数预测法结合后,能得出较好的结果。图1为哈尔滨市货运量原始序列、采用灰色模型的模拟值、采用灰色模型与季节指数结合后的模拟值的对比效果。可以清楚地看到,灰色模型与季节指数的组合的模拟值效果比仅仅采用灰色模型的模拟值效果要好。

根据灰色模型与季节指数的组合的模型,可以算出2009年哈尔滨市全年的物流货运量的预测值,如表3所示。

5 结论

文中根据国家发展和改革委员会公布的物流统计指标、黑龙江省的统计实际情况和一些学者研究的成果,将物流需求预测的指标选为物流货运量。根据物流需求呈现季节变化的特性,提出将灰色预测模型与季节指数模型相结合,并给出了整个建模过程。以哈尔滨市2008年物流需求为例,进行了仿真分析。并将原始序列值、采用灰色模型的模拟值、采用灰色模型与季节指数结合后的模拟值进行了对比。对比结果显示,灰色模型与季节指数结合的模拟值能较好的反映季节变化的特征。根据灰色模型与季节指数结合的模型,文中最后给出了哈尔滨市2009年的物流需求预测值。文中的预测方法为呈现季节变化的物流需求预测提供了一种较好的思路。

参考文献

[1]陈森,周峰.基于灰色系统理论的物流需求预测[J].决策参考,2006,(2),59-60.

[2]孙艳玲.灰色预测模型在物流预测中的应用研究—以四川省为例[J].商场现代化,2007,(1),145-146.

[3]唐振龙,张学引.河北现代物流需求预测分析[J].物流经济,2007,(2),48-49.

[4]孙建丰,向小东.基于灰色线性回归组合模型的物流需求预测研究[J].工业技术经济,2007,(10),641-643.

[5]罗党,刘思峰,党耀国.灰色模型GM(1,1)优化[J].中国工程科学,2003,(8),50-53.

[6]董奋义.基于新改进GM(1,1)模型的中国企业债券融资发展预测[J].中国管理科学,2007,(4),93-97.

注:本文为网友上传,旨在传播知识,不代表本站观点,与本站立场无关。若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。E-MAIL:66553826@qq.com

上一篇:基于创业板指数预测值的政策建议探究 下一篇:变异指数