浅析卷烟需求预测的基本方法

浅析卷烟需求预测的基本方法卷烟需求预测就是在卷烟市场调研和对卷烟销售历史数据分析的基础上，运用科学分析方法，对市场需求及未来变化趋进行分析研究，从而预测未来市场需求和变化趋势的过程。卷烟需求预测一般分为定性预测法和定量预测法[1]。定性预测法是利用对业务知识熟悉、具有丰富经验和较强的综合分析能力的业务人员或专家学者，根据卷烟销售历史资料和相关资料，对卷烟未来销售趋势做出性质上的判断和预测。定量预测法则是利用销售历史资料，运用一定的数学分析方法和数学模型，找到数据或影响变量之间的规律性联系，以此对卷烟需求或销售的变化趋势作出定量的分析和预测。在实际工作中往往是定性和定量分析和预测方法结合使用。以定性分析确定卷烟市场需求发展趋势，然后以定量预测方法确定数学模型，从而对卷烟市场需求和销售变化情况做出准确和精确的判断和预测。定性预测方法定性预测方法可以对预测对象做出变动方向和性质上的推断，它是市场预测方法中常用的一种方法。它是依赖于预测人员在丰富的经验和知识以及综合分析能力，对预测对象的未来发展前景做出性质和程度上的估计和推断的一种预测方法。由于其资料搜集大部分来源于销售一线，能反映卷烟销售的趋势性和方向性，所以它往往作为定量预测的前提。但它也有不足之处，它只能预测一些简单的事件，对一些技术要求高的决策事件无法提供精确的预测，而且这种预测方法容易由于个人主观的错误引起整个预测结果的偏差。1、对比类推法。是根据类推性原理，把预测对象同其他类似事物进行对比分析，从而估计和推断预测对象未来发展变化趋势的一种预测方法。对比类推法运用简便，论证性强，主要包括产品类推法、地区类推法和局部总体类推法等。其数学模型为：Yt=Q＇*N＇*D＇其中，Yt为下期预测值，Q＇为每户平均需求值调整值，N＇为客户总数调整值，D＇为重复购买率调整值；2、集合意见法。在卷烟需求预测中，由于烟草商业企业各业务部门的相关人员比较熟悉卷烟市场需求及其变化动向，它们的集中性的意见往往能反映卷烟市场的真实趋向。因此它是进行短、近期预测的常用的方法。其数学模型为：Y=X1A+X2B+X3C其中，Y表示预测平均值，A、B、C表示预测值，X1、X2、X3分别表示A、B、C、出现的概率或权重。3、专家调查预测法。专家调查预测法是专家根据历史和现实的资料，以及凭借个人的知识、经验和分析能力，对预测对象未来的发展变化趋势做出判断和推测的一种方法。专家调查预测法一般在缺乏历史资料或历史资料不全面、并且既要有质的分析、又要有量的变化分析时采用，较适合于对新品卷烟的预测，主要有专家会议法和德尔菲法（专家小组法）两种。4、消费者调查预测法。消费决定需求。通过对消费者进行问卷调查，了解消费需求变化、消费偏好、收入变动情况、社会经济政治等对卷烟消费影响的因素及其影响程度，征询消费者意见，了解消费者卷烟消费发展新趋势，根据调查获得的资料对卷烟销售趋势进行分析和预测。定量预测方法1、卷烟产品市场占有率预测。对卷烟产品市场占有率的预测，卷烟工业企业主要是对一定市场范围内、一定时期内本企业卷烟产品市场占有率的发展趋势及其影响因素进行预测，并对竞争对手的变化趋势进行估计，卷烟商业企业主要是对某种品类、品牌或价位的卷烟产品销售趋势、变化情况进行分析预测。企业的市场占有率分析一般从产品地位分析、竞争对手分析、潜在的竞争对手分析三个方面进行，从而制定相应的营销策略应对竞争对手的侵入。市场占有率的计算公式如下：例：某中烟工业公司生产的“××”牌卷烟（零售价100元/条）2007年在S市的年销量为20000万支，当年S市零售价100元/条的卷烟总销量为60000万支，则2007年该中烟公司的“××”牌卷烟在S市的市场占有率为：20000÷60000×100%=33.3%2、回归预测法。回归预测法是预测学的基本方法，卷烟销量与GDP、人均可支配收入、社会消费品零售额、消费者偏好、季节性等因素相关，可以分析卷烟销量（因变量）与GDP、人均可支配收入、社会消费品零售额、消费者偏好、季节等因素（自变量）之间的相互关系，建立变量间的数量关系近似表达的函数方程，并进行参数估计和显著性检验以后，运用回归方程式预测因变量数值变化的方法。预测过程中，当回归方程为曲线型时，称其为非线性回归。回归分析法包含的具体方法有一元线性回归法、二元线性回归法、多元线性回归法、非线性回归法等。回归分析预测法的具体步骤：（1）确定预测目标和影响因素（2）进行相关分析确定变量间有无相关关系。并确定相关关系的密切程度，相关关系的密切程度通常用相关系数或相关指数来衡量。相关系数计算公式为：其中，r为相关系数，x为自变量的值，为自变量的平均数，Y为因变量的值，为因变量的平均数。（3）建立回归预测模型线性回归方程的一般表达式为：Y=a+b1x1+b2x2+……+bnxn当线性回归只有一个自变量与一个因变量间的回归，称为一元线性回归或简单线性回归、直线回归，可简写成：Y=a+bx其他形式的线性回归则称为多元线性回归。当变量间不呈现线性关系时，则需根据曲线的形状建立相应的非线性回归方程。（4）回归预测模型的检验只有通过了有关的检验，回归方程方可用于经济预测。常用的检验方法有相关系数检验、F检验、t检验和D－W检验等。（5）进行实际预测运用通过检验的回归方程，将需要预测的自变量x代入方程并计算，即可取得所求的预测值。3、时间序列数据分析法。时间序列法是卷烟需求预测工作中运用得比较多的一种预测方法。它是将过去的卷烟销售历史资料和数据，按时间顺序排列，根据时间序列所反映的卷烟销售的发展、方向和趋势，将时间序列外推或延伸，以预测未来可能达到的水平。具体方法有平均预测法、时间序列分解法、趋势外推法、时间序列平滑预测法、自适应过滤法、平稳时间序列预测法等。3.1平均预测法：直接计算一定时期内各时间指标的平均数，以此为基础确定未来时期的预测值的方法称为平均预测法。这种方法不用建立复杂的预测模型，不用进行复杂的运算，在短期预测中常常使用。●简单算术平均法：市场现象的预测值就用简单序时平均值Y代替，此方法预测简便，但只适用于各项变化不大、变动趋势呈水平直线状态、各观察值错落于某一直线上下的情况预测。●加权算术平均法：当各个单位的变量对算术平均数的影响不一样的时候，就要以各期不同的权数来表示不同期观察值对预测值的不同影响程度。加权算术平均数的计算公式为：W’t为某期权数占各项权数总和的比重，也称为权数系数。●增长量平均法时间序列中各期的近期增长量如果大体相等，则说明该市场现象呈直线趋势上升或下降，即为线性增长趋势。此时宜采用增长量平均法预测。设时间序列的各期观察值为Y1，Y2，…，Yt，从第二期起各期逐期增长量为⊿Yt（⊿Yt=Yt-Yt-1），各期增量的平均值为，计算公式为：预测模型为：●发展速度平均法时间序列中各期（第一期除外）的环比发展速度如果接近，说明该市场现象呈指数曲线变化，可采用发展速度平均法进行预测。发展速度的平均数多采用几何平均法计算，故也称为几何平均法。时间序列的各期发展水平为Y1，Y2，…，Yt，观察期各期的环比发展速度Ｇt计算为：Ｔ是观察期末期为Ｔ＝0起的预测期时期序号。例：用上例数据，试用发展速度平均法预测某烟草公司2008年的销售额。3.2时间序列分解法[2]：时间序列是由长期趋势、季节变动、周期变动和不规则变动这四类因素组成，可以认为时间序列是这四种因素的函数，即Yt=f（Tt，St，Ct，It）式中：yt为时间序列的全变动；Tt为长期趋势；St为季节变动；Ct为循环变动；It为不规则变动。时间序列分解的方法有很多，较常用的模型有加法模型和乘法模型。加法模型为：Yt=Tt+St+Ct+It乘法模型为：Yt=Tt*St*Ct*It相对而言，乘法模型应用得比较广泛，在乘法模型中，时间序列值（Y）和长期趋势用绝对数表示。季节变动、周期变动和不规则变动用相对数（百分数）表示。4、趋势外推法。趋势外推法是事物发展渐进过程的一种统计方法。它的优点是可以揭示事物未来发展，定量地估计其特性。大量的社会经济现象的发展主要是渐进的，其发展相对于时间有一定的规律性。所以，当预测对象依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，则可用时间t为自变量，时序数值y为因变量，建立趋势模型：Y=f（t）当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，就可以得到相应时刻的时间序列未来值。这就是趋势外推法。趋势外推法包括多项式曲线预测模型、指数曲线预测模型、对数曲线预测模型、生长曲线预测模型。5、时间序列平滑预测法。时间序列平滑预测法包括一次移动平均法、一次指数平滑法、线性二次移动平均法、线性二次指数平滑法、二次曲线指数平滑法、温特线性与季节性指数平滑法等。这里以一次移动平均为例。一次移动平均法是在算术平均法的基础上发展起来的一种方法，是以预测对象最近一组历史数据（实际值）的平均值直接或间接地作为预测值的方法。时间序列由n期观察值Yn，Yn-1，…，Y2，，Y3组成。对连续Ｎ（Ｎn）期的观察值进行算术平均Ｍt，可得其平均数，称移动平均数。由于Ｎn，故一个时间序列有若干个移动平均数，即：一次简单移动平均法的预测，就是将第n期的移动平均数作为下一期（n+1期）的预测值。此方法只适用于没有明显的升降趋势和循环变动的时间序列，否则会出现预测值的滞后偏差。一次简单移动平均法的预测模型为：例：某市烟草公司2000年-2008年卷烟销售量资料如表2，试用移动平均法预测2009年的卷烟销售量。移动平均预测法是一种重要的时间预测方法，它能反映数据的变化趋势，具有较好的修匀历史数据、消除随机波动影响的作用。对具有长期趋势变动和季节性变动的时间序列数据，经过移动平均调整后，可以消除不规律的变动，从而较好地揭示经济现象的长期发展趋势。一次指数平滑法是从移动算术平均法演变而来的；而当时间序列具有明显的线性变化趋势，不宜采用一次移动平均及一次指数平滑法来预测时，就可以用线性二次移动平均法；二次指数平滑也称为双重指数平滑，它是对一次指数平滑值再进行一次平滑。对一些非线性增长的时间序列，采用二次曲线指数平滑法可能要比线性指数平滑法更为有效。它既考虑了线性增长的因素，也考虑了二次抛物线的增长因素。温特线性与季节性指数平滑法可以同时修正序列数据的季节性和倾向性，因此，它能用于对既有倾向性变化又有季节性变化的时间序列进行预测。6、自适应过滤法。自适应过滤法也是一种时间序列预测技术。但是在移动平均法中，如果简单移动平均数所取移动期限n的不同，其预测结果也会不同。想要使预测准确，必须选择最优权数，而时间数列是逐期变化的，想达到最优，则必须依据预测值和实际观测值的误差调整权数。调整的方法就是用自适应过滤法。其数学表达式如下：自适应过滤法的一个很重要的特点是经过逐次迭代，自回归系数可以不断调整，以使自回归系数达到最优化。自适应过滤法优点是：（1）简单易行，可采用标准程序上机运算。（2）适用于数据点较少的情况。（3）约束条件较少（4）具有自适应性，他能自动调整回归系数，是一个可变系数的数据模型。7、平稳时间序列预测法。传统的时间序列分析法，如移动平均法和指数平滑法，常因出现滞后误差而影响预测精度。而ARMA模型是描述平稳随机序列的最常用的一种模型。ARMA模型利用大量的历史数据来建模，经过模型识别、参数估计来确定一个能够描述所研究时间序列的数学模型，最后再由该模型推导出预测模型，进而达到预报的目的。ARMA模型有三种基本形式：自回归模型（autoregressive，AR）、移动平均模型（movingaverage，MA）以及自回归移动平均模型（或混合模型）（auto-regressiveMovingAverage，ARMA）。基于ARMA模型的卷烟销售预测步骤[3]：●收集整理历年卷烟销售数据。●样本序列的平稳化。●计算自相关和偏相关系数，检验预处理后的数据是否符合AR建模要求。●ARMA模型的识别。根据自相关系数（AC）及偏相关系数（PAC）的截尾性，初步判别序列属于哪类模型以及模型阶次。用递