企业物流管理 案例分析 世界石油公司.pdf
企业物流管理 第 1 次案例分析 第八章 世界石油公司 233233 小组小组 范逸天、陈昭娜、黄婉婧 物流管理 1，请为该加油站制定预测流程。说说你为什么选择这个预测方法。根据原始数据（表 1-1），除了生成如书上给的图 1-1，我还画出了关于前两年信息的图 1-2。第一年第一年 第二年第二年 今年今年 1 1 530 660 790 2 2 570 640 860 3 3 560 810 promotion 890 4 4 530 790 promotion 780 5 5 510 820 promotion 810 6 6 560 650?7 7 610 710 8 8 560 700 9 9 580 670 1010 610 690 1111 650 730 1212 700 730 1313 670 760 1414 700 790 1515 760 810 1616 730 870 1717 760 890 1818 820 870 1919 780 890 2020 900 880 2121 840 930 2222 770 980 2323 820 900 2424 800 860 2525 760 890 2626 760 880 2727 770 870 2828 790 840 2929 760 860 3030 740 910 3131 720 870 3232 670 860 3333 690 840 3434 470 holiday 540 holiday 3535 670 780 3636 690 750 3737 620 780 3838 650 760 3939 610 710 4040 620 730 4141 640 750 4242 590 750 4343 610 710 4444 600 750 4545 630 720 4646 600 770 4747 630 740 4848 640 750 4949 610 760 5050 590 780 5151 610 800 5252 630 34690 850 41030 表 1-1 图 1-1 45055065075085095015913172125293337414549535761656973778185899397101105109 图 1-2 初步结论：1，图 1-2 比图 1-1 更容易看清数据的变化规律。2，数据的平均值，第二年比第一年高。从第二张图中我们能感受到，这种“高”似乎不是相乘型的，而是相加型的。但是具体我们还是应该计算得到精确结果。3，数据波动与一年中各个时期变化的关系比较密切。而非随机的总体上升或下降，除了促销阶段起伏不一致，其他时候几乎非常类似。因此季节性因素季节性因素一定要考虑到。初步判断：用经典时间序列分解经典时间序列分解将会是比较好的选择。因为这一类预测模型注重周期性变化和季节性变化以及趋势。由于我们的先知数据较多，而且比较可靠，因此可以比较准确地得到趋势和周期性变化。为了验证我们的初步判断。我们仍要通过比较精确的分析计算来说明。我们将在 EXCEL 中比较以下 4 种预测模型：（1）一次指数平滑法（2）二次指数平滑法（3）加入了季节性因素的一次指数平滑法（4）带趋势的时间序列分解 4505506507508509501 3 5 7 9 111315171921232527293133353739414345474951第一年 第二年（1）一次指数平滑法 具体数据参考 EXCEL 表格中的输入。在这里，主要展示结果。通过不同的值的调试，最终发现当=0.6时，在这种方法下，MAD=38.1。预测值和实际值的折线图如下。可以看到有比较严重的滞后性滞后性。且在特殊值特殊值的预测的预测方面有较大不足。45055065075085095016111621263136414651566166717681869196101106原始数据 0.6（2）二次指数平滑法 具体数据参考 EXCEL 表格中的输入。经过调试，=0.6，=0.2时，MAD=40.7。从最后的结果看，似乎加入了“趋势”这个因素之后，并没有对数据的精确预测性带来多大的改观，甚至是退步了。然而二次指数平滑相较于一次而言，要复杂得多。因此在这两者中我们还是选择较为简单的一次指数平滑法。45055065075085095016111621263136414651566166717681869196101106A 原始数据 F（3）加入了季节性因素的一次指数平滑法 处理方法是这样的。经过计算发现，两年在节假日之时，相加因子分别为 222 和 310，相乘因子分别为 0.67 和 0.63。因此在节假日选择了相乘式季节变动，因子=0.65。而在促销阶段，则表现出比较稳定的+170,+150,+180，因此选择相加式，相加成分=170。经过以上处理的一次指数平滑法在几个关键点减小了绝对误差，从而使 MAD 进一步下降，MAD=29.5。公式列举：（详见 EXCEL 表格）=($D$1*C34+(1-$D$1)*I34)*G2=$D$1*C35/G2+(1-$D$1)*I35/G2=($D$1*C55+(1-$D$1)*I55)+170=$D$1*(C58-170)+(1-$D$1)*(I58-170)45055065075085095016111621263136414651566166717681869196101106原始数据（4）经典时间序列分解 根据我们之前的判断，选用时间序列分解模型是因为这一类预测模型注重周期性变化和季节性变化以及趋势。那么究竟是否比一次指数平滑法好，好在哪里呢？首先，我们要算出趋势：具体计算步骤在 EXCEL 中表达。这里仅展示效果。关键数据如下：N=N=109109 Dt*t=Dt*t=4583350 t2=t2=437635 D=D=732.5688 t=t=55 b=b=1.775554 a=a=634.9134 根据书上 P239 的方法。得出系数后，得到趋势线 T=a+bt，即 T=634.9+1.77t。45055065075085095018152229364350576471788592991061131202Tt=根据两年的季节因子的平均数，可以得到新的预测模型。其拟合度如图所示。新的 MAD 值又一次达到新低：MAD=26.4。综上所述，运用时间序列分解能达到最好效果。本案例适用于该方法。2，预测时如何处理促销期间、节假日或其他时间燃油用量偏离正常模式的情况？如前所述，“经过计算发现，两年在节假日之时，相加因子分别为 222 和 310，相乘因子分别为 0.67 和 0.63。因此在节假日选择了相乘式季节变动，因子=0.65。而在促销阶段，则表现出比较稳定的+170,+150,+180，因此选择相加式，相加成分=170。”加入季节因素的一次指数平滑。但是我们所使用的模型，由于认为数据变化主要来源于一整年各个不同时期的变化，因此非常重视每一次的季节因素。以至于会求出每周的季节因子。因此节假日和其他时间，我们都采用了乘以季节因子的方法。而促销是个比较特殊的时间。一般不会出现，出现也一般没有规律。而且出现后需求呈比较稳定的增长。因此采用相加式。3，预测下星期一的用量，说明预测精确度。用第一题中的方法，预测出今年第六周的值为 725.7，精确度 MAD=26.43。450550650750850950161116212631364146515661667176818691961011061111161212F
