企业物流管理 案例分析 世界石油公司

企业物流管理 案例分析 世界石油公司 第八章 同济大学

企业物流管理 第1次案例分析 ——第八章 世界石油公司

233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。

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

第一年 560 530 510 560 610 560 580 610 650 700 670 700 760 730 760 820 780 900 840 770 820 800 760 760 770 790 760 740

第二年 810 790 820 650 710 700 670 690 730 730 760 790 810 870 890 870 890 880 930 980 900 860 890 880 870 840 860 910

promotion promotion promotion

今年

890 780 810 ?

企业物流管理 案例分析 世界石油公司 第八章 同济大学

32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 670 690 470 670 690 620 650 610 620 640 590 610 600 630 600 630 640 610 590 610 630

860 840 holiday 540

780 750 780 760 710 730 750 750 710 750 720 770 740 750 760 780 800 34690 850

表1-1

holiday

41030

图1-1

企业物流管理 案例分析 世界石油公司 第八章 同济大学

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。因此季节性因素一定要考虑到。 初步判断：

用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

企业物流管理 案例分析 世界石油公司 第八章 同济大学

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α值的调试，最终发现当α=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。且在特殊值的预测方面有较大不足。

企业物流管理 案例分析 世界石油公司 第八章 同济大学

（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，α=0.6，β=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。

企业物流管理 案例分析 世界石油公司 第八章 同济大学

（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)

企业物流管理 案例分析 世界石油公司 第八章 同济大学

（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=

Dt*t= t^2= D= t= b= a= 109 4583350 437635 732.5688

55

1.775554

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。

企业物流管理 案例分析 世界石油公司 第八章 同济大学

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。

本文来源：https://www.bwwdw.com/article/8r5i.html