卷烟销售预测模型

卷烟销售预测模型（共4篇）

卷烟销售预测模型 篇1

摘要：本文对辽宁卷烟销量与人均消费水平的关系进行了分析, 并运用灰色系统理论的GM预测模型得到了卷烟销售趋势的预测公式, 为今后进行卷烟销售计划提供了参考依据。

关键词：卷烟销量,灰色系统,预测

烟草行业的发展需要经济的有力支撑, 卷烟是一种特殊的商品, 它的销量受诸多因素影响, 但其中一个重要的因素就是人均消费水平。中央的一系列政策激发国民经济的内在活力, 经济实力不断增强, 人民生活水平和质量也得到较好改善。在人均消费水平不断提高的今天, 如果能够快速准确把握卷烟销售的发展趋势将对调整卷烟销售结构、有针对性的培育重点品牌、保障烟草行业与国民经济良性互动有着非常重要的意义。

一、卷烟销量与人均消费的关系分析

卷烟不是生活必需品, 其消费弹性比较大。随着经济的发展和人民生活水平的提高, 用于吸烟的开支也相应增加, 卷烟销量必然呈逐年递增的趋势, 可见卷烟的消费与人均消费水平有着密不可分的关系。以辽宁省统计数据为例, 2006-2010年辽宁省的居民消费水平稳步增长, 从2006年6929元增加到2010年的12934元。卷烟销售虽然受计划因素影响, 但随着人均消费水平的上升, 卷烟销量也呈现逐年递增的趋势 (表1) , 全省行业卷烟销售也从2006年的121.31万箱增长到2010年的134.10万箱。这充分表明人均消费水平的高低影响着人们对卷烟的消费能力。

十一五”时期, 国民经济发展整体水平大幅提升, 社会、文化和生态建设全面加强, 改革开放实现了新突破, 全面振兴取得重大阶段性成果。“十二五”时期人们的消费水平将持续提高。面对如此快速的经济增长, 做好“十二五”时期烟草卷烟销量趋势预测将对“卷烟上水平”战略提供参考依据。

目前用来预测的模型有很多, 如回归分析, 时间序列分析, 模糊数学, 神经网络等众多方法。但是由于影响卷烟销量的因素很多, 有的是明确的, 有的是不明确的。所以本文采用了灰色系统理论来对卷烟消费情况进行预测。

二、灰色系统GM模型及其应用

灰色系统理论是中国学者邓聚龙于20世纪80年代首次在国际上提出的, 是一种研究少数据、贫信息不确定性问题的新方法。灰色系统理论以“部分信息已知, 部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象, 主要通过对“部分”已知信息的生成、开发, 提取有价值的信息, 实现对系统运行行为、演化规律的正确描述和有效监控。

(一) 灰色系统GM预测模型

设一个灰色系统中变元 (因子) 有h个:x 1, x 2, …x h, , 其中x 1为自变量, x 2, x 3, …x h为因变量。。对X (0) 进行一阶累加, 生成新序列X (1) , 即

则描述该灰色系统的模型为n阶微分方程

该方程叫GM (n, h) 模型。当n=1且h=1时, GM (n, h) 模型就退还为GM (1, 1) 模型, 它是灰色系统理论中被应用得最多的一种灰色模型, 是一种单序列的一阶线性动态模型, 其微分方程为

式中α和b可用最小二乘法拟合得到

式中Y N为列向量, , B为构造数据矩阵

GM (1, 1) 的预测模型为

求得原始数据的还原值为

对预测结果采用式 (2.9) 的后验残差方法进行精度检验。

本文以辽宁省2006-2010年辽宁烟草卷烟销售数据作为原始数据, 根据以上建立的GM (1, 1) 灰色系统预测模型, 经过计算得到α=-0.0252, b=119.66, 并在此基础上得到了卷烟销售的预测模型为

三、结论

本文在分析了卷烟消费与经济的关系的基础上运用GM灰色系统理论得到了卷烟销售预测模型。尽管卷烟销售仍然贯彻执行“总量控制、稍紧平衡”的方针, 但是通过公式计算出的结果可以在一定程度上提供一个总体发展趋势, 为经营决策提供有价值的参考依据。在此基础上将科学把握市场需求, 积极组织有效货源, 优化调整销售结构, 密切关注市场变化, 努力保持价格稳定, 卷烟市场的运行将会更加成熟。

参考文献

[1]2007-2011中国统计年鉴

[2]Alice Shiu, Pun-Lee Lam.Electricity Consumption and Economic Growth in China[J].Energy Policy, 2004 (32) :47-54

[3]邓聚龙.灰色系统预测与决策[M].武汉:华中理工大学出版社, 1986

卷烟销售预测模型 篇2

1.1 卷烟需求预测方法

卷烟需求预测的方法分为很多种, 这里主要讨论的是时间序列预测法中的指数平滑法。指数平滑法是对过去的观察值加权平均进行预测的一种方法, 该方法是加权平均的一种特殊形式, 观察值时间越远, 其权数也跟着呈现指数的下降。指数平滑法和所有的时间序列分析一样, 都基于下边两个基本假设:①决定事物过去发展的因素, 在很大程度上仍决定事物的未来发展。这些因素作用的机理和数量关系是不变的或变化不大。②未来发展的过程属于渐进过程, 不是跳跃式的变化, 即促使社会经济现象不规则波动的因素, 是不稳定的短期起作用的因素, 它对社会经济现象只产生局部的偶然影响。指数平滑法的主要目标, 是根据过去经济现象逐期增减变动的数量或比率, 研究经济发展变化的规律性, 预测未来发展的趋势。模型法即数学模型法, 就是用一个或一组数学方程 (包括代数方程、微分方程或差分方程等) 来表示所预测事物随时间变化的形式或客观事物之间的关系, 来计算事物未来的变化与状态, 达到预测的目的。指数平滑法的数学模型很多, 对数学模型的选用, 既要分析有关预测对象的历史数据, 还要分析其未来发展的趋势过程。主要研究的问题有:

①预测参数是单调递增还是单调递减, 是有一个还是几个极值, 极值是稳定的还是周期变动的;

②预测参数的极值是极大还是极小;

③决定预测对象发展过程的函数有无拐点;

④描述预测对象的函数是否具有对称性;

⑤预测对象的发展过程在时间上是否有明显的限制等。

1.2 卷烟需求初期预测模型的建立

在一个较长的时期里, 从卷烟产品的特性、卷烟消费者特性及居民人均可支配收入的角度进行分析时, 我们提出如下假设:从长期统计来看, 由于消费对象的相对稳定, 卷烟消费的年总量从长期看应当服从线性规律。 (如果成立, 可使用线性回归对后期数据进行预测) 如果这个假设成立, 那么从长期来看其需求预测应符合采用指数平滑法的前提。“指数平滑”分析工具基于前期预测值根据平滑公式得出相应的新预测值, 并修正前期预测值的误差。此工具将使用平滑常数α, 其大小决定了本次预测对前期预测误差的修正程度。0.2～0.3的数值可作为合理的平滑常数。这些数值表明本次预测应将前期预测值的误差调整20%～30%。大一些的常数导致快一些的响应但会生成不可靠的预测。小一些的常数会导致预测值长期的延迟。

但是在对某地区卷烟销售和需求实地的课题调研中我们发现, 在使用“指数平滑”分析工具对不同平滑常数α取值后, 通过比较各误差平方和后发现α大于等于0.7时预测的效果较好, 但是用一次指数平滑进行预测时, 一般α取值不大于0.5。若α大于0.5才能接近实际值, 通常说明序列有某种趋势或波动过大, 一般不适合用指数平滑法进行预测。同时在对某些连续年份内的需求量和实际供给量数据进行了线性回归方程的拟合优度检验和相关性分析后我们发现, 方程拟合程度不高, 信度不足, 需求量和供给量之间相关性较不明显。于是进行原因分析。

出现这样的情况最根本的原因是卷烟产品在生产和销售过程中, 其产品特性决定了不可能完全满足市场的真实需求, 因为一方面卷烟原材料的资源有限性和国家出于国际公约的要求对卷烟产量的限制, 决定了卷烟企业不能无限制地根据市场需求增加产量来绝对满足市场需要;另一方面是卷烟价格的定价不属于类似其他日常消费品的弹性定价, 不能主要用产品价格来控制需求, 于是出现了某些产品的供不应求。同时, 销售公司在进行产品配售中的方法, 使得零售户会放大需求, 以期获得更多的产品配额, 于是数据进一步地趋向“虚假”, 这样的“虚假”不是数据本身的虚假, 而是不能真实反映供需的假象数据。

基于以上原因, 数据不能真实反映供需, 但是长期趋势和卷烟特性 (替代性不强) 决定了可以通过优化“指数平滑法”来寻找一个尽可能科学的方法来对卷烟产品进行需求预测。

1.3 优化“指数平滑法”

我们初期在采用“指数平滑法”进行预测时, 出现了一些无法克服的困难, 其中有数据本身的问题, 也有外向数据引入获取需要时间积累的问题, 但是“指数平滑法”这一方法本身是在卷烟预测中较优的方法, 在烟草公司下发的“卷烟产品需求预测客户经理指导手册”中是指导客户经理进行产品需求预测的首选方法。因此, 我们对此方法进行一定程度的优化调整, 以期满足预测需要。

首先我们结合“马尔科夫链”中的公式思想对公式进行推导说明。我们知道, “指数平滑法”中, 对α取值的不同, 说明了对历史数据和当前数据侧重比重的不同, 其下期预测值的获取应当满足如下公式:

…

Yt*=undefined

于是在实际应用中, 如果我们认为第N年的销售情况比过去的若干连续 (N-1, M) 年份来说, 更类似其中第X年的销售情况, 于是我们对其α的赋值 (也就是第X年数据的权重) 就大一些, 比如, 让α=0.7, 根据上面的公式, 可以得出:第X年数据对第N年数据预测的影响比重为70% (说明更注重当前数据) , 第X-1年的比重根据公式则α为0.21, 即第X-1年的历史数据对第N年数据预测的影响比重为21%, 则第X-2年比重就为9% (依据公式, 各比重之和归1) 。如果在计算过程中, 认为当前数据与历史数据对下一次的数据影响程度比重相同, 就可以对α赋值0.5, 表示当前数据和历史数据其比重各为50%。

通过上述分析可知:优化的指数平滑法是把预测值看做是历史数据的线性和, 其系数为马尔可夫系列。在实际的应用中, 即使某些产品数据不完整, 比如12个月的数据只有10个月的情况, 仍可以通过对存在数据所对应的当期与历史同期数据采用这一方法。这一方法的可靠性不低于单纯的“指数平滑法”, 还体现在可以对月、周数据均能计算预测, 因而可以用于对单一品牌卷烟的需求预测。

在优化此方法后, 我们通过对某地区的实际连续年份需求和供给数据进行分析后预测了下一年卷烟产品的各项需求数据, 预测值与实际值的总误差在20%以内, 符合方程拟合优度的大于等于80%的要求, 方程通过了检验。

2 结论

市场销售预测模型 篇3

一种商品的销售情况往往由市场的需求决定。例如, 猪肉价格前几年持续上升, 导致养猪的人数激增, 猪肉的产量急剧增加, 市场上供大于求又导致猪肉价格下落, 养殖户赔钱亏本, 停止养殖。随着市场上的猪肉减少, 供不应求, 猪肉价格再次上涨, 人们又开始大量养殖, 这样周而复始。之所以出现这样的状况是因为养殖户缺乏市场调查, 没有弄清楚市场的实际需求量。建立销售量的预测模型就可避免上述情况的发生。

2模型假设

( 1) 产品的生产周期为常数。

( 2) 产品的市场价格可预知。

( 3) 产品的市场价格高于成本。

3模型建立

建立利润关系式, 用L表示总利润, I表示总收入, C表示总成本, J表示产品的市场价格, M表示产品的销售量, c表示产品的成本, 由此可得到利润关系式:

由假设 ( 3) 可知, 如果销售量不受限制, 就可以无限生产下去, 这样获得的利润可无限增大。但是现实情况是每种商品都会有市场销售最大值。并且市场的销售量不止受供求关系的影响, 还受商品价格的制约, 由经济学原理可知销售量与市场价格的关系如下:

M为市场需求量, S为市场的最大需求量, 即当商品无条件赠送时, 市场的需求量。T为比例常数。由此可得利润最大模型为:

由上式可知, 按照市场的最大需求量生产商品, 可以获得的利润最多。即只要能够预测商品的市场价格就可以预测出市场的需求量。在生产周期内按照市场最大需求量生产产品, 不但能够获得最大利润而且不会产生任何损失。由此可得到周期利润的最大模型为:

模型求解: 现以手机为例求解模型。某品牌的手机市场价格预测如表1:

0表示当前手机的价格, 以下的时间是未来每隔三个月手机的预期价格。根据上表利用计算机软件做出价格和时间的散点图如下:

根据假设 ( 2) , 利用MATLAB曲线拟合出时间和价格函数编程如下:

t = [0, 3, 6, 9, 12, 15, 18, 21, 24, 27]

J = [4800, 4600, 4355, 4200, 3800, 3500, 3400, 3100, 3000, 2800]

Plot ( t, J)

拟合出时间和价格的函数为:

由此可得, 销售函数为:

如果工厂生产手机的最大生产量为一周期可生产10万台, 则S = 100000, 手机的生产周期为3个月, T = 15。可预测每个生产周期的产品的生产量, 以第一周期为例预算产品的生产量:

其他周期的产品预测同理可计算出, 在此忽略其运算过程。

由于从第三周期开始, 市场需求超出工厂的生产能力即超过10万台, 所以都按最大生产能力计算。

该模型可以成功地预算出产品的市场需求量, 能够平衡市场供求关系, 建立良好的经济秩序。

参考文献

[1]吴清烈, 尤海燕, 徐士钰.运筹学[M].南京:东南大学出版社, 2004.

[2]束金龙.线性规划理论与模型应用[M].北京:科学出版社, 2003.

卷烟销售预测模型 篇4

时间序列分析方法广泛应用于气象, 金融, 医学, 电力, 水文, 工业控制等许多领域, 具有重要的研究价值。EViews软件在科学数据分析与评价、销售预测等领域有着十分广泛的应用。本文根据某上市饮品公司月度销售情况, 采用03年3月份到08年12月份的月度销售量共70个数据, 记为X。从其走势图可以看出X随着“季节”变化而变化, 通过自相关函数偏相关函数分析的结果也表明序列具有明显的季节性趋势。故对原序列做一阶自然对数、季节调整、二阶差分后的序列记为LLY, 图像在零附近波动, 可看作平稳序列。

二、建立模型

建立合理的模型是一切分析的根本。笔者运用Eviews6对数据Y进行建模分析。通过对LLY进行单位根检验。得到结果如下表。从结果中可以看出, P值检验和T统计量检验均表明, 序列LLY无单位根过程, 。

对LLY进行自相关函数, 偏相关函数分析可以得出对L L Y建立一到三阶的AR, MA, ARMA模型, 得到MA (2) , MA (1) , AR (1) 相对合理, 对残差序列进行检验, 发现残差为独立的白噪声序列, 即建模合理, 残差序列的自相关函数等参数如下:

从建模结果可以看出, AIC, SC都比较小, 决定系数也比较合适。模型的滞后多项式倒数根也都落在了单位圆内, 满足过程平稳的要求。MA (2) , MA (1) , AR (1) 模型对于P值检验, F统计量检验和单位根检验均通过。通过对相应信息量分析可以看出, MA (2) 与MA (1) 模型的各信息量表明建模相对比较合理。

三、时间序列的预测模型

时间序列预测是指利用某一种模型去逼近一个时间序列或者一个时间序列的变形。故笔者以09年1月份到09年5月份数据作为实际销售情况进行预测对比, 其中:

经过比较可知, MA (1) 模型的RMSE最小, 为0.7001, 和表2信息量结果相吻合。本文建立的模型, 由根据分析所得的预测值和实际值的差别相对较小, 并且在一定程度上反映出了同原序列一致的上升趋势和季节性。对饮品行业的生产预计, 市场需求分析等具有一定的参考作用。

摘要：本文旨在用时间序列分析方法对某上市饮品公司近六年的月度销售量数据进行分析预测。作者根据样本数据自身特点, 采取了时间序列分析方法, 并结合统计软件Eviews6运用ARIMA建模方法对该组时间序列进行分析, 建立最优计量模型, 得到了合理的预测结果。

关键词：时间序列,ARIMA模型,预测

参考文献

[1]、李序颖, 岳丹, 顾岚.我国交通运输量的时间序列分析[j].系统工程理论与实践, 2005 (1) :49-55

[2]、黄延林.地表水源水质预测方法研究[J].西安建筑科技大学学报 (自然科学版) , 2004, 36 (2) :134-137

[3]、易丹辉.数据分析与EViews应用[M].北京.中国人民大学出版社.2008, (10) :103￣111;

[4]、顾岚.时间序列分析在经济中的应用.北京.中国统计出版社, 1998