4.2 需求预测的过程和方法

4.2.1 需求预测的过程

为了保证预测结果的准确性，预测需要按照一定的程序进行。通常按以下步骤进行预测。

1. 明确预测的对象和预测周期的长短

进行预测之前，首先应明确预测什么，即弄清楚要预测何种产品的市场需求量。预测周期是指对预测对象进行预测的时间跨度。

2. 收集并分析所有可以利用的信息资料

有关需求信息的资料可分为直接资料和间接资料。产品需求信息的资料来源主要有：政府部门的计划和统计资料，行业的计划和统计资料，商业部门的市场统计和分析资料，情报部门整理的有关技术经济情报和国内外市场动态资料，政府出版物、期刊和书籍上的有关数据和资料，技术发展趋势资料，企业生产部门和销售部门的有关实际活动统计资料。收集这些信息资料，并分析信息的可靠性、准确性和可用性。

3. 选择预测方法

预测方法有上百种，可分为定性预测方法和定量预测方法两类，每一大类中又有若干种方法。需求预测的各种方法都有其特点和具体的适用范围，在预测时选择哪种方法是由需求预测的预测对象、预测周期、信息资料情况、对预测精度的要求和预测费用所决定的。在可能的情况下，最好将定性与定量方法结合起来进行预测。

4. 建立或选择适当的需求预测模型

为了寻求需求预测对象的发展趋势和有关因素对其影响的规律，需要建立或选择适当的需求预测模型。许多产品的市场需求往往随着时间的推移有某种固有的变化规律，这些规律可以利用相应的数学模型来描述和反映。

5. 需求预测结果的修正

对市场需求进行预测时，影响其未来发展变化的因素很多，而且很多因素是随机性的。因此，需要对需求预测模型的计算结果进行误差分析。

4.2.2 需求预测的方法

预测按照不同的标准可划分为不同的类型，如按照预测对象的不同可分为科学预测、技术预测、经济预测、社会预测和市场需求预测；按预测时间的长短可分为长期预测、中期预测和短期预测；按主客观因素所起的作用也就是市场需求预测的性质可分为定性预测和定量预测。定性预测和定量预测的具体分类如图 4 -2 所示。

1. 定性预测方法

定性预测依靠预测者的专门知识和经验来分析判断事物未来的发展趋势。它要求在充分利用已有信息的基础上，发挥预测者的经验和主观判断力。定性预测适合预测那些模糊的、无法计量的社会经济现象，并通常由预测者集体来进行，以此集中多人的经验和智慧，克服个人的主观片面性。

在实际应用中，由于影响物流市场发展的因素错综复杂，资料难以数量化，甚至根本不可能用数量指标表示。比如，一定时间内物流市场形势的发展变化情况，国家某项政策的出台对物流市场发展前景的影响，在这种对预测项目的具体数据未知的情况下，可采用定性预测方法。物流企业经营活动中的分析经营环境、制订战略规划、技术开发或新产品研制等，往往也只能采用定性预测方法。

定性预测要求预测者具有从事预测活动的经验，同时要善于收集信息、积累数据资料，尊重客观实际，避免主观臆断，才能取得良好的预测效果。定性预测方法简便，易于掌握，而且时间快，费用省。因此，得到广泛采用。特别是在进行多因素综合分析时，采用定性预测方法，效果更加显著。但是，定性预测方法缺乏数量分析，主观因素的作用较大，预测的准确度难免受到影响。因此，在采用定性预测方法时，应尽可能结合定量分析方法，使预测过程更科学，预测结果更准确。

定性预测法主要包括德尔菲法、部门主管人员意见法、用户调查法、销售人员意见法等。它们的不科学性使得它们很难标准化，准确性有待证实。

（1）德尔菲法。德尔菲法（Delphi Method）又称专家意见调查法，是 1948 年由美国兰德公司首创，并很快在世界上盛行起来的一种调查预测方法。德尔菲法的一般操作步骤如下。

①挑选专家。具体人数视预测课题的大小而定，一般问题需 20 人左右。在进行函询的整个过程中，不让专家互相发生联系。

②第一轮函询。由预测单位向专家寄去预测目标的背景材料，并提出所需预测的具体项目。首轮调查，任凭专家回答，完全没有框框。专家可以以各种形式回答问题，也可向预测单位索取更详细的统计材料。预测单位对专家的各种回答进行综合整理，把相同的事件、结论统一起来，剔除次要的、分散的事件，用准确的术语进行统一的描述，然后将结果反馈给各位专家，进行第二轮函询。

③第二轮函询。要求专家对所预测目标的各种有关事件发生的时间、空间、规模大小等提出具体的预测，并说明理由。预测单位对专家的意见进行处理，整理出综合意见再次反馈给有关专家。

④第三轮函询。各位专家得到函询综合统计报告后，对预测单位提出的综合意见和论据加以评价，修正原来的预测值，对预测目标重新进行预测。

⑤最终意见的确定。上述函询（第二步至第四步）一般经过 3 ~ 4 轮，预测的主持者要求各位专家根据提供的全部预测资料，提出最后的预测意见。若这些意见收敛或基本一致，即可以此为根据做出判断；如果不能得到一致的意见将反复进行函询，直至确定最终的一致意见。

德尔菲法是在专家会议的基础上发展起来的一种预测方法，其主要优点是简明直观，预测结果可信度高，受到计划人员的欢迎。它避免了专家会议的许多弊端。在专家会议上，有的专家崇拜权威，跟着权威一边倒，不愿发表与权威不同的意见；有的专家随大流，不愿公开发表自己的见解。德尔菲法是一种有组织的咨询，在资料不全或不多的情况下是一种获得理想预测结果的适宜方法。

德尔菲法虽有比较明显的优点，但同时也存在着缺点。预测结果的可靠性缺乏严格的科学分析，最后趋于一致的意见，仍带有随大流的倾向。

（2）主管人员意见法。主管人员意见法通常是由高级决策人员召集销售、生产、采购、财务、研究、开发等各部门主管开会讨论，与会人员充分发表意见，对某一问题进行预测，然后由召集人按照一定方法，对所有与会人员的预测值进行处理，得出预测结果。这种方法常用于制定长期规划及开发新产品。

这种方法的优点在于：简单易行，不需要准备和统计历史资料，汇集了各主管的经验与判断。如果缺乏足够的历史资料，此法是一种有效的途径。

这种方法的缺点在于：由于是主管人员的主观意见，预测结果缺乏严格的科学性；与会人员之间容易相互影响，个别权威的观点可能左右其他人发表意见；因预测是集体讨论的结果，故无人对其正确性负责，责任不明会导致草率发表意见。

（3）用户调查法。该方法常使用于新产品或缺乏销售记录产品的需求预测。具体做法是销售人员通过信函、电话或访问的方式对现有的或潜在的顾客进行调查，了解他们对自身产品及相关产品的期望，并综合考虑企业自身条件，从而得出预测结果。

这种方法的优点在于：预测值直接来源于顾客期望，较好地反映了市场的需求情况；可以了解顾客对产品优缺点的看法，了解一些顾客不购买产品的原因，掌握这些信息有利于改善产品，有利于新产品开发和有针对性地开展促销活动。

这种方法的缺点是：很难得到顾客的通力合作，函询的回收率不高，经常遭遇消费者不认真响应的情况；顾客期望不等于实际购买，而且期望容易随着一些新情况的出现而发生变化；调查需要耗费较多的人力和时间。

（4）销售人员意见汇集法。销售人员和售后服务人员直接与顾客接触，他们比较了解顾客的需求。销售人员意见汇集法通常先由各地区的销售人员根据其个人判断或与地区有关部门（人士）交换意见后做出各地区的预测，而后再对各地区的预测进行综合处理得出总的预测结果。

这种方法的优点是：预测值很容易按地区、分支机构、销售人员、产品等区分开；由于销售人员的意见受到了重视，可以增强其销售信心；预测结果因为考虑了各区域的销售情况，往往稳定性好。

这种方法的缺点主要在于：受销售人员主观偏见的影响。当预测结果要作为销售人员未来的销售目标时，预测值容易被低估；当预测值涉及紧俏商品时，预测值容易被高估。

定性预测方法是主观预测方法，其最大的问题是准确性受预测者的主观因素影响很大，结果可能南辕北辙。英国脱欧公投大多数的预测都与结果不符，导致震惊全球。

2. 定量预测方法

定量预测方法又称统计预测法，其主要特点是利用统计资料和数学模型来进行预测。这种方法中，各种主观因素所起的作用小一些。定量预测方法可以分为时间序列模型与因果模型两大类。时间序列预测法是收集整理某一经济现象的历史数据的发展形态并进行外推的一种方法，属于动态分析方法。时间序列是将同一现象在不同时间上的观察值按照时间的先后顺序排列起来所形成的序列，也称为动态数列。如某地区每月的地区生产总值、某企业每月的销售额、某地区地铁每天的客流量等，都是时间序列。长期趋势的测定和分析，是时间序列分析中最主要的一项任务。测定长期趋势，不仅可以认识现象发展变化的基本趋势和规律性，并且可以作为预测的重要依据，而且也是准确测定其他构成因素的基础。测定长期趋势最常用的是移动平均法和趋势模型法。因果模型法将需求作为因变量，将影响因素作为自变量，通过对影响需求的有关因素变化情况的统计计算与分析找出影响需求的一个或多个因素，分析其与需求的因果关系，根据这些关系的规律性来对需求进行预测。

以下将介绍定量预测的几种方法，包括移动平均法、指数平滑法、时间序列分解模型（季节变动预测法）、因果模型（一元线性回归模型预测方法）。

（1）移动平均法。移动平均法是根据过去几期的实际数据做出预测，公式如下：

式中， F _t 为第 t 期的预测值； i 为期数； A _i 为第 i 期的实际数值； n 为采用的预测周期数，也称为序时项数。

移动平均预测法的优点是便于计算，易于理解，而不足之处是赋予了各期相同的权重，即各期的实际值对预测值的影响均等，并不考虑离预测期时间远近的问题。为了解决这个问题，我们可以采用加权移动平均法。它的使用与以上谈到的简单移动平均法相似，不同的是这种方法赋予时间序列中距离预测期较近数据以较大权重。例如，确定期数为 4，可以给最近一期数据赋予权重 0.40，上一期数据赋予权重 0.30，上上一期数据赋予权重 0.20，距离预测期最远一期数据分配权重 0.10。可注意到，各期数据权重之和为 1.00，且总是把最大的权重赋予最近一期数据。

（2）指数平滑法。指数平滑法是一种更精确的加权平均法，具体做法是：上一期预测值加上时间序列中该期实际值与预测值差额的一定百分数得到新的预测值，即：

F _t = F _{t −1} + α ( A _{t −1} − F _{t −1} )

式中， F _t 为第 t 期的预测值； F _{t -1} 为第 t -1期的预测值； α 为平滑系数，即偏差百分数； A _{t −1} 为第 t -1期实际值。

指数平滑法使用的关键在于合理选择平滑系数，平滑系数的确定既要考虑能够平滑各期的随机变动，又能对变动做出相应的反应。通常情况下， α 在 0.05 ~ 0.50 这个范围内变动。当时间序列比较稳定时，往往选择较小的平滑系数；当各期数据发生明显变化，就选择较大的平滑系数。现在已开发出一些软件包，当预测偏差超过可接受水平时，这些软件可自动调整平滑系数。指数平滑法适用于时间序列的数值围绕平均值上下波动或呈现突变或渐变的情况。

（3）时间序列分解模型。实际需求是趋势、季节、周期或随机等多种因素共同作用的结果。时间序列分解模型（季节变动预测法）试图从时间序列值中找出各种成分，并在对各种成分单独进行预测的基础上，综合处理各种成分的预测值，以得到最终的预测结果。本书仅介绍考虑季节变动的分解模型，其思路可运用于其他的时间序列分解模型。

时间序列的季节性变动呈现出数值定期地上下波动。这种波动与周期性发生的事件紧密联系在一起。例如，剧院和宾馆的客流量呈现出以周为周期的结构分布，在周末客流量较大。银行客流量呈现出以天为周期的结构分布（在中午和下班之前拥挤），也呈现出以周为周期的结构分布（一到周末，来办理业务的人员就多起来），甚至呈现出以月为周期的结构分布（由于社会保险、结算和福利性支票的兑现和存款而引起的在月末前后的业务量高峰）。季节变动预测模型，有加法模型和乘法模型两种。在加法模型中，季节变动表现为一个数量值（例如，20个单位），为了拟合季节变动，需要将时间序列中的平均数加上或减去这一变动值。在乘法模型中，季节变动表现为平均（或趋势）值的百分数，为了拟合季节变动，需要用时间序列的值去乘以这一百分数。实际应用中，预测人员一般选择乘法模型，所以我们这里只就乘法模型展开讨论。

在乘法模型中季节性百分数被称为季节系数或季节指数。现假设某一商店 5 月份玩具销售量的季节系数是 1.20，这表明当月玩具销售量比月平均销售量高出 20%。如果 7 月份的季节系数是 0.9，就表明 7 月份的销售量是月平均销售量的 90%。

季节系数在预测中用于以下两个不同方面。一是消除数据中的季节变动，二是拟合季节变动。消除数据中的季节变动就是将数据中的季节变动成分剔除掉，以便得到无季节变动（趋势）成分的分布。具体做法是，将每个数据点的数据除以相应的季节系数来消除数据中的季节变动（例如，用 11 月需求量除以 11 月的季节系数，用 12 月的季节系数去除 12 月需求量）。

当需求量既呈现出长期（或平均）趋势，又存在季节成分时，就需要在预测中拟合季节变动，具体做法如下。

①利用长期趋势模型求得长期趋势估计值。

②假设乘法模型是适用的，将长期趋势估计值与相应的季节系数相乘就得到预测值。

在季节变动预测法中，最为关键的是确定季节系数。季节系数反映了实际发生量与平均量的比值关系。可以采用移动平均法计算某几期的平均值，计算期中的实际值与平均值之比，就得到期中的季节系数。如第 1、2、3 期的实际需求量为 40、46、42，则序时项为 3 的移动平均值为（40 + 46 + 42）/3 = 42.67，它对应的期中实际值为第 2 期的 46，则第 2 期的季节系数为46/42.67 = 1.08。为了得到每一季节合理的季节系数估计值，一般要计算若干个季节比率，然后将这些系数求平均值。

当时期数为偶数时，期中值落在两个时期的中间，没有实际值与之对应，此时可以增加一个步骤，利用相邻两组数据的平均值，求一个序时项为 2 的平均数，以此作为某期的平均值，从而确定季节系数。

（4）因果模型（一元线性回归预测法）。

因果模型是用某一个或某几个影响变量推导出预测变量的方法，应用得最为广泛的因果模型是线性回归分析的方法。本书仅介绍一元线性回归方法。线性回归模型的主要目标是确定回归直线，回归直线满足已知数据点到该直线距离的平方和最小，即最小二乘解。回归直线的模型为

y _c = a + bx

式中， y _c 为预测变量（因变量）； x 为自变量（先导变量）； b 为直线斜率； a 为 x =0时 y _c 值（直线截距）。根据惯例，用 y 轴来代表预测变量，用 x 轴来代表自变量。

满足最小二乘解的回归模型的系数 a 与 b 可用以下两个公式求解：

式中， n 为所观察的数据的个数； x 为自变量的观察值； y 为预测变量的观察值。

一元线性回归模型适用于数据点呈现出直线分布倾向，并且只有一个自变量的预测情况。如果自变量与预测变量呈现出非线性关系，应该引入二次曲线回归模型；当预测中所要处理的自变量多于一个时，则需要采用多元回归分析模型。这些在实际预测中都会经常遇到，相关方法的讲解可参见统计分析的书籍，因为篇幅所限，在此不做详细的展开介绍。

4.2.3 需求预测中需注意的问题

1. 正确认识预测

预测经常会出错，因而预测要包括预期结果和对预测结果误差的测量。长期预测通常没有短期预测精确；综合预测通常比独立预测要准确。

2. 预测精度与成本

在选择预测方法时，显然要在成本和精度之间进行权衡。越是精确的预测方法成本越高，所以需要选择精度合理而费用最低的区间。

3. 预测的时间范围和更新频率

不同的预测方法有不同的时间范围，时间范围越大预测的结果就越不准确。同时，任何一种预测方法都不可能完全适用于某一预测问题，应根据实际需求不断检验预测方法。若预测值与实际值偏离过大，则应更换预测方法。

4. 预测的稳定性与响应性

要关注预测的稳定性与响应性。稳定性是指预测抗拒随机干扰、反映稳定需求的能力。响应性是指预测迅速反应需求变化的能力。 mSaUgfdgsXUUgSeLN79cTY01cfsJk3/ccD3Mmij1/xKtmnGHXOfHxv9ZXVQI/kiK