基于ARIMA簡單季節(jié)模型的河南省快遞業(yè)務(wù)量預(yù)測

摘要：本文對發(fā)展迅速的快遞行業(yè)進行研究，選取河南省月度快遞業(yè)務(wù)量，考慮到月度快遞業(yè)務(wù)量的趨勢性、季節(jié)效應(yīng)，通過建立ARIMA簡單季節(jié)模型對快遞業(yè)務(wù)量進行預(yù)測。結(jié)果表明，該模型預(yù)測效果較好。

Abstract： This paper studies the fast-growing express delivery industry， selects the monthly express delivery volume of Henan Province， and considers the trend and seasonal effect of monthly express delivery volume， and forecasts the express delivery volume by establishing the ARIMA simple seasonal model. The results show that the model has a good prediction effect.

關(guān)鍵詞：時間序列分析;ARIMA模型;快遞業(yè)務(wù)量

Key words： time series analysis;ARIMA model;express traffic

中圖分類號：F259.1;F224? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）17-0271-03

0? 引言

隨著電子商務(wù)的興旺、蓬勃發(fā)展，消費者的購物方式悄然發(fā)生了變化，網(wǎng)購成為了重要的購物方式。購物方式的變化帶動了快遞行業(yè)的迅猛發(fā)展。

對于快遞行業(yè)的企業(yè)，業(yè)務(wù)量的變化對人員管理、投資決策等產(chǎn)生重要影響，因此快遞業(yè)務(wù)量的預(yù)測對企業(yè)的經(jīng)濟決策有著重要參考依據(jù)。為了有較高的預(yù)測精度，需要對業(yè)務(wù)量時間序列數(shù)據(jù)進行有效合理分析、挖掘，建立業(yè)務(wù)量預(yù)測模型。

對于快遞業(yè)務(wù)量的分析，學(xué)者采用了不同的模型和方法進行了分析，如灰色預(yù)測模型、組合預(yù)測、時間序列分析模型等等。

對于數(shù)據(jù)較少的，可采用灰色預(yù)測模型。洪瓊[1]等根據(jù)江蘇省2009至2017年規(guī)模以上企業(yè)快遞業(yè)務(wù)量年度數(shù)據(jù)，用灰色預(yù)測模型GM（1，1）對其進行預(yù)測，認為江蘇省的快遞市場需求的增長勢頭迅猛。孫麗[2]基于我國2008至2014年我國快遞業(yè)務(wù)量數(shù)據(jù)運用GM（1，1）模型進行擬合，擬合精度較高。可運用該模型對業(yè)務(wù)量進行預(yù)測。

對于時間跨度較長的數(shù)據(jù)，考慮到快遞業(yè)務(wù)量具有長期趨勢性、季節(jié)性、短期波動等特點，建立模型時需要考慮其特點，商豐瑞等[3]利用SARIMA模型對我國月度快遞業(yè)務(wù)量進行預(yù)測分析;張仲斐等[4]利用四大快遞公司的季度跨國快遞業(yè)務(wù)量數(shù)據(jù)建立了基于ARIMA模型，該模型短期預(yù)測效果良好。

也有學(xué)者嘗試運用組合預(yù)測的方式進行預(yù)測。王惠婷等[5]利用我國1995年至2016年的年度快遞業(yè)務(wù)量，建立了二次指數(shù)平滑模型、多項式曲線預(yù)測模型、ARIMA模型等，進行組合預(yù)測，預(yù)測精度好。萬曉榆[6]等運用重慶市郵政業(yè)的月度時間序列，組合灰色預(yù)測等多種模型，并運用方差倒數(shù)法進行組合預(yù)測，預(yù)測精度較好。

基于以上學(xué)者的研究，選取了跨度較長的河南省月度快遞業(yè)務(wù)量，運用ARIMA模型進行建模分析預(yù)測。

1? 研究方法

ARIMA模型是70年代初由Box和Jenkins提出的時間序列預(yù)測方法，是時域分析方法的核心內(nèi)容。對于非平穩(wěn)時間序列，ARIMA模型是常用的隨機分析方法。該模型是差分運算和ARMA模型的組合。其中差分運算提取確定性信息，ARMA模型是對經(jīng)過差分變換后平穩(wěn)的序列建立的模型。

對于僅含有長期趨勢效應(yīng)的時間序列，可構(gòu)建ARIMA（p，d，q）模型，其基本結(jié)構(gòu)為：

簡記為 其中d為提取長期趨勢信息的差分階數(shù)， 為p階自回歸系數(shù)多項式; 為q階移動平均系數(shù)多項式。

對于既含有季節(jié)效應(yīng)又含有長期趨勢效應(yīng)的簡單序列，可構(gòu)建簡單季節(jié)模型，其基本結(jié)構(gòu)為： 。其中D表示提取季節(jié)效應(yīng)，進行D步差分;d表示提取趨勢信息所用的差分階數(shù)。

2? 河南省月度快遞業(yè)務(wù)量的實證分析

2.1 數(shù)據(jù)來源

為研究快遞業(yè)務(wù)量的規(guī)律特點，本文研究了2014年6月-2019年3月河南省快遞業(yè)務(wù)量數(shù)據(jù)（見表1），數(shù)據(jù)來源于河南省郵政管理局網(wǎng)站行業(yè)統(tǒng)計欄。業(yè)務(wù)量指的是規(guī)模以上（年業(yè)務(wù)收入200萬元以上）快遞服務(wù)企業(yè)業(yè)務(wù)量。為了檢驗?zāi)Ｐ皖A(yù)測的準確性，選2014年6月-2019年2月的月度數(shù)據(jù)進行建模，將2019年3月數(shù)據(jù)用來預(yù)測對比。運用統(tǒng)計軟件SAS9.1進行數(shù)據(jù)分析。

2.2 平穩(wěn)性檢驗

對時間序列的初步檢驗是平穩(wěn)性檢驗。平穩(wěn)性檢驗可根據(jù)時序圖和自相關(guān)圖等圖檢驗法進行，也可以根據(jù)單位根檢驗進行檢驗。用X表示原序列。

從時序圖中可以看出，隨著時間的推移，業(yè)務(wù)量原序列呈現(xiàn)明顯的上升趨勢，具有一定的周期性，顯然是非平穩(wěn)序列。由于是線性上升趨勢，利用1階差分提取長期趨勢效應(yīng)。由于快遞業(yè)務(wù)量具有一定的規(guī)律性，快遞春節(jié)前夕停運，開啟春節(jié)模式，因此1月、2月業(yè)務(wù)量偏低;“雙十一”購物節(jié)等影響，10月、11月業(yè)務(wù)量較高。季節(jié)效應(yīng)的周期約為12，因此進行12步差分，消除季節(jié)效應(yīng)。差分序列用Y表示。

利用ADF檢驗判斷差分序列是否平穩(wěn)，ADF檢驗結(jié)果詳見表2。序列Y三種類型的Rho統(tǒng)計量、Tau統(tǒng)計量都拒絕序列非平穩(wěn)的原假設(shè)，認為序列Y平穩(wěn)。

2.3 白噪聲檢驗

對差分序列進行白噪聲檢驗，檢驗結(jié)果如圖2。

在顯著性水平0.05的條件下，由于延遲6階的檢驗統(tǒng)計量P值小于0.05，因此差分序列Y不能視為白噪聲序列，可以嘗試用模型對其信息進行提取。

2.4 模型識別和參數(shù)估計

觀察自相關(guān)系數(shù)、偏自相關(guān)系數(shù)圖特點，對差分平穩(wěn)序列進行模型識別和參數(shù)估計。

樣本的1階自相關(guān)系數(shù)超過2倍標準差，1階以后自相關(guān)系數(shù)都在2倍標準差之內(nèi)，且由非零系數(shù)變?yōu)樾≈挡▌拥乃俣缺容^迅速，認為自相關(guān)系數(shù)1階截尾。分析序列偏自相關(guān)系數(shù)特點，認為其拖尾。據(jù)此，可嘗試建立MA（1）模型。

參數(shù)估計方法采用條件最小二乘估計，并對參數(shù)的顯著性進行檢驗。由圖5，對均值？滋的顯著性進行檢驗，由于P值為0.1820，大于0.05，顯著性檢驗未通過。

選擇去掉常數(shù)項之后的MA（1）模型，參數(shù)估計結(jié)果詳見圖6，參數(shù)？茲1的顯著性檢驗通過。

即對河南省月度快遞業(yè)務(wù)量序列擬合的模型為

2.5 模型檢驗

殘差白噪聲檢驗顯示延遲6階、12階、18階、24階的LB檢驗統(tǒng)計量的P值均顯著大于0.05，模型有效。

2.6 對河南省快遞業(yè)務(wù)量進行短期預(yù)測

檢驗?zāi)Ｐ偷念A(yù)測能力。利用MAPE度量樣本期內(nèi)的預(yù)測能力，計算公式為該模型樣本期內(nèi)的MAPE為10.27%，預(yù)測能力良好。對樣本期外，通過模型預(yù)測2019年3月業(yè)務(wù)量為16078.79萬件，與真實值15600.66萬件進行比較，誤差為3.06%，預(yù)測能力較好。通過模型的預(yù)測值可供快遞行業(yè)作參考。

3? 結(jié)束語

本文運用ARIMA簡單季節(jié)模型對河南省快遞業(yè)務(wù)量進行預(yù)測，擬合效果較好，可用于短期預(yù)測，可為河南省的快遞從業(yè)企業(yè)的經(jīng)濟決策提供一定的參考依據(jù)。

參考文獻：

[1]洪瓊，張浩，萬玉龍，薛柏.江蘇省快遞業(yè)發(fā)展需求預(yù)測模型研究[J].江蘇商論，2019（03）：43-44，54.

[2]孫麗.基于灰色預(yù)測模型的快遞行業(yè)市場需求預(yù)測[J].鐵道運營技術(shù)，2017，23（04）：5-8，35.

[3]商豐瑞，張靜.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.

[4]張仲斐，趙一飛.基于ARIMA模型的全球跨國快遞業(yè)務(wù)量預(yù)測[J].華東交通大學(xué)學(xué)報，2012，29（01）：102-107.

[5]王惠婷，李蒙.組合預(yù)測模型在我國快遞量預(yù)測中的應(yīng)用[J].科學(xué)技術(shù)創(chuàng)新，2017（22）：73-74.

[6]王燕.應(yīng)用時間序列分析 [M].第三版.北京：中國人民大學(xué)出版社，2012.

[7]萬曉榆，費舜，田帥輝.基于組合預(yù)測的郵政業(yè)務(wù)主要指標預(yù)測研究——以重慶郵政業(yè)為例[J].重慶郵電大學(xué)學(xué)報（社會科學(xué)版），2016，28（05）：102-108.

[8]高鐵梅.計量經(jīng)濟分析方法與建模[M].北京：清華大學(xué)出版社，2006.

作者簡介：李貞貞（1986-），女，河南濮陽人，講師，主要研究方向為數(shù)據(jù)分析與建模。