管理经济学第四章需求预测备课讲稿.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,管理经济学第四章需求预测,留置询问表调查。,调查人员将调查表向被调查者作了解释之后，说明一些回答问题的方法。留调查表给被调查者自行填写在寄回。常见保险公司对中小学生的人寿、教育、婚嫁保险，采用这种方法较多。保险公司通过学校、老师将调查表发到学生家长手中，填完调查表再经由学校收集。从而保险公司从回收的调查表中，可以分析、了解，有投保意向的学生家长，再派人到你家中一次、二次地说服你投保。,这种方法，关键是要让被调查者寄回调查表格。,例：,某公司在1000人中调查皮革钱包的需求量，调查表中列出了五种价格水平，要求被调查人在每一种价格上表示购买意见，共有六种意见可供选择：肯定不买，不一定买，可能买，较可能买，很可能买，肯定买。调查结果如表下：,价格（元）各种意见人数,9 500 300 125 50 25 0,8 300 225 175 150 100 50,7 100 150 250 250 150 100,6 50 100 100 300 250 200,5 0 25 50 225 300 400,调查人把每种意见的购买概率定为：,0，0.2，0.4，0.6，0.8，1.0。,解：,当价格为9元时，可能有多少人买,Q=500*0+300*0.2+125*0.4+50*0.6+25*0.8+0*1=160个,当价格8元时,Q=300*0+225*0.2+175*0.4+150*0.6+100*0.8+50*1=335个,当价格7元时,Q=100*0+150*0.2+250*0.4+250*0.6+150*0.8+100*1=500个,当价格6元时,Q=50*0+100*0.2+100*0.4+300*0.6+250*0.8+200*1=640个,当价格5元时,Q=0*0+25*0.2+50*0.4+225*0.6+300*0.8+400*1=800个,把以上数据绘成曲线如下：,价格,9,8,7,6,5,4,3,2,1,0 1 2 3 4 5 6 7 8 9 百个,需求曲线的方程也可以求出，公式如下：,在需求曲线上找到最靠近直线的两点。,例如（8，5），（6.4，6）代入上式则,这种调查方法的可信度如何？取决于什么？请同学们讨论,1、被调查人的素质；2、如何取得数据；3、调查人的引导；4、样本数量；,为了摸清楚市场对商品的需求情况，两种市场实验方法：一是模拟市场；另一种是在实际市场上,有意识,地变动价格、广告宣传、促销活动来观察市场需求变化情况。第二种很少使用。,模拟市场有：开产品展销会、新产品试销门市部、新产品试销柜台等。通过这些模拟市场观察市场需求。,市场的影响因素是多方面、动态的，在一定地点、某一时间实验得到的结果，也只能作为经营决策参考，具体决策仍然需要综合分析其他因素，如竞争对手、天气、经济条件等因素的变化。,二、市场实验法,统计方法可以有多种，主要的是回归分析法。回归分析法的原理是用最小二乘法的基本原理，找出拟合多组观察数据的最佳拟合曲线。（汽车价格与汽车需求量）,三、统计法,D1 S1,A,P1 D2 S2 D3 S3,P2,P3 D,Q1 Q2 Q3,需求量,价格,在实际工作中，人们往往采取这样的做法：某企业已知第一季度、第二季度和第三季度价格和销售量的数据，求出曲线AB,是不是AB就是该商品的需求曲线呢？很可能不是。在考虑非价格时，第一季度需求曲线为D，与供给曲线S相交。价格与需求量分别为P1,Q1,由于非价格因素变化，如消费者收入增加、替代商品涨价等因素，第二、三季度需求曲线向右移动到D2,D3位置。AB是市场均衡点的轨迹。,所以，在确定需求曲线时，必须分析,需求又没有移动，分析需求曲线与供给曲线是如何移动的。,（一）需求函数的认别,1.确定自变量,在进行回归分析之前，首先要通过分析，确定影响市场需求量的变量（即影响因素）。如果变量确定错了，即使计算很仔细、精确，结果都是错的。有人把英国人口数作为应变量，南极的企鹅数量作为自变量，根据历年的数据，进行统计回归，相关程度很高。其实英国人口与企鹅数量毫无关系。硬要把他们作一种函数关系，结果就会是笑话。所以，确定自变量很重要。一般的因素有商品价格、消费者收入、相关商品的价格等。但对某些具体商品还要具体分析。例如，某市电冰箱的需求与什么有关呢？一般消费者收入水平、冰箱价格、城市家庭数量（即人口）等作为自变量。,（二）回归分析法的步骤,2.收集数据,回归分析是建立在许多数据基础上的，数据由两种类型：,时间序列数据，即历年、历月的数据；,剖面数据，即在某一时间内，许多家商店在同一时间内的价格与需求量。两种数据都可以用于求回归方程。,线性函数，如,-代表每个相互独立的变量,是通过回归分析要估计的参数，一般用最小二 乘法进行估计。,3.选择回归方程的形式,幂函数，如：,需求函数不是线性函数，X、Y、Z为函数中的自变量，分别代表影响需求量的函数，,代表待求的参数。幂函数是非线性函数，不能利用最小二乘法进行参数估计，所以，要把幂函数换算成线性方程。,如令,以上线性方程就可以用最小二乘法，求解参数,假如需求函数（回归方程）的形式为一元线性方程。,y=+x,现有一组观察数据为：,画在图上，,4.估计模型参数,y=,+,x,0,y,x,假如,y=+x是n个观察数据的拟合，那么,表示回归后的曲线与实际观察数据之差异,越大，说明误差越大,越小，说明，曲线对实际观察数据的拟合程度越好,最小时，曲线拟合误差达到最小，求微分：,求解上述两个方程，即得：,例 假定企业产品销量与市场营销费用有很强的相关性，历史数据如下：单位：（十万元，万件）,序号 1 2 3 4 5 6 7 8 9,营销费 1.5 1.8 2.4 3.0 3.5 3.9 4.4 4.8 5.0,销售量 4.8 6.7 7.0 8.3 10.9 12.4 13.1 14.0 15.3,解：令回归方程为,则,回归参数计算公式为：,由回归方程可知，企业每增加十万元销售收入，可以增加2.9万件销量。,于是,上述估算出来的回归方程，究竟能否很好说明营销费用与销售量之间的相关关系呢？还要用统计方法进行测定。,可决系数 表示，说明整个回归方程能在多大程度上说明因变量的变化。即：定义为在因变量的全部变动中，可由回归模型中全部自变量来解释的比例大小。,说明，该企业的销售量的变化，约有82.4%可由营销费用的变动来解释。可以从0到1.0,0表示求得的回归模型完全不能解释因变量地变动,1表示回归模型能够解释因变量的全部变动，也就是说，所有的数据都落在回归线上,可决系数,估计校准误差用来测定整个回归模型的准确程度。例如，在一定的统计可信程度下，因变量将会与期落在多大的区间内。,假定误差项正态分布于回归直线附近，根据概率论知识有：因变量的实际观察值（Se为标准差）：,68,%的概率,95,%的概率,99,%,的概率,估计校准误差（Se）,估计校准误差：,n代表观察数据次数，则上例：,当营销费用为40万元时，代入回归方程,万件,95%概率的位置区间为（11.977-2*1.458，11.977+2*1.458），即（9.061，14.893）,绝大多数的企业非常关心销售量预测，他们的方法很多，从简单到复杂，从定性到定量，各有长短，以下介绍几种常用的预测销售量的方法：,（一）德尔菲法,德尔菲法，又称专家调查法，是美国兰德（Rand）公司于1964年发明并首先使用的预测技术。,德尔菲方法是专家背靠背的，专家之间互相不见面，消除专家之间的心理因素的影响，避免权威、领导等对大家的影响。,德尔菲法的具体步骤如下：,四、需求预测,第一步，选择参与预测的专家，一般在10-50人为宜。专家的选择互关重要，选择相关领域的知名专家。,第二步，向每位参与者发放预测的问题及说明。调查表所提问题设计的好坏，对预测精度影响较大。问题提地是否集中、确切、可回答性等对结果影响很大。,第三步，收集参与的专家的调查表格，整理结果。例如，对杭州市2000年家庭小汽车需求调查，专家第一轮的结果整理后，回答：,明显增加占20,%，,不会增加占70,%，,稍有增加10,%。,第四步，把以上整理后的结果再公发给各参与专家，供其考虑是否修正以前的预测结果。有些专家没有多大把握的，看了别人结果后，就会修正自己的结果，一部分很自信，对自己的结果很有把握就会继续保留原来预测结果。,第五步，重复2-4的步骤，直至大家意见基本一致，或大家不想再对自己的意见进行修改时为止。,一般这项工作，对参与预测的专家给予一定的报酬。,时间序列预测需求量，其中包含了一个假设，即需求量的变化仅于时间有关。根据这个假设，以惯性原理推测其未来状态。,时间序列预测方法较多，有,平均数预测法（包括算术平均数预测法、加权平均数预测法），移动平均预测法，指数平滑预测法等方法等技术。,本章着重介绍指数平滑预测法,1.指数平滑预测法：,指数平滑又可以分为一次指数平滑、二次指数平滑和三次指数平滑。,指数平滑的原理是，认为，越是最新的数据，反映的信息越新，在预测中越重要，基于这个思想，指数平滑预测方法用非等权的加权平均值，预测下个周期的数值，以消除数据中偶然因素的影响。,（二）时间序列预测法,如果一个时间序列相当平均（没有明显的上升或下降的趋势）的销售量，可以用一次指数平滑模型。,-下期销售量的预测值,-当期实际销售量,-权重,则：,为了简化，可以得：,根据这公式可以预测市场销售量（没有明显上升或下降）,例：某食品公司列出历年的实际销售量，根据五种不同的权值，用简化指数平滑共识预测下一季度的销售量：,实际销量Wt 预测值（千件）,（千件）=0.1 =0.3 =0.5 =0.7 =0.9,1992.1 19 19 19 19 19 19,2 17 19 19 19 19 19,3 14 18.8 18.4 18.0 17.6 17.2,4 15 18.3 17.1 16.0 15.1 14.3,1993.1 18 18.0 16.5 15.5 15.0 14.9,2 16 18.0 16.9 16.8 17.1 17.7,3 16 17.8 16.6 16.4 16.3 16.2,4 19 17.6 16.5 16.2 16.1 16.0,1994.1 23 17.8 17.2 17.6 18.1 18.7,2 27 18.3 19.0 20.3 21.5 22.6,3 23 19.1 21.4 23.6 25.4 26.6,4 21 19.5 21.9 23.3 23.7 23.4,1995.1 19.7 21.6 22.2 21.8 21.2,标准差（RMSE）3.74 3.41 3.11 2.92 2.77,那么，五个权值下的预测结果，哪一种预测精度最高呢？最常用的判断方法为：,标准差（RMSE）=,表示在n组数据中，预测值与实际销售量的误差大小。,上例中，=0.9时，RMSE=2.77，最小，所以，认为，按=0.9来预测销售量是最精确的。结果，1995.1销售量为21.2千件。,有些经济数据的长期趋势往往受季节性、周期性和一些不规则因素的影响。例如，冰箱的市场购买量从每年的发展趋势看，随着人民生活水平的提高，需求量总体上是上升的。但是每个季度大不一样，有淡季、旺季，呈季节性，又受其它因素影响。在这种情况下，可以用时间序列分解来分离这些因素。,2.时间序列分解法,销量,时间,销售量预测值 长期趋势值,季节性因素 周期性因素,不规则因素,长期趋势值，消除季节性因素后，以线性函数形式，用回归分析法来估计。,季节性因素反映在一年内，销售量重复、有规则的变动。,周期性因素反映数据围绕长期趋势的上下波动。,不规则因素则是由于随机事件，如政策因素、天气等。,以下用,例子,说明。,移动平均，MA,对一年内四季度进行移动平均，如1990年三季度的移动平均为：,1990年四季度的移动平均值为,代表了从1990一季度到四季度平均销售量（同）,移动平均中心值，CMA,按理每个移动平均值应当居于它所代表的年份中间，值应该在,1990,年第,2.5,季度，,2.5,期，的值应当居于,3.5,期。现在把第,2.5,期和第,3.5,期的值加以平均，就可以得到位于第,3,期，最能代表该年度典型的季销售量水平的值。为：,计算时间序列分解模式的各因素，并作预测。,因为，已知移动平均中心值（,CMA）序列，是消除了季节因素之后，最能代表季节典型销售量水平的数据。因此，可以用它来估计长期趋势值。,对CMA序列，用一元线性回归方程，估计出它的线性函数为：CMAT=4.701+0.373t t期数,上式中CMAT即为分解模型中的T，把t代入上式即可求得相应的T，结果如上表。,a.定长期趋势,把1990年第三季度的实际销售量与相对应的移动平均中心值相比较，即为季节系数。,1990年第三季度,同样道理求出个期季节系数。由于每年四季的重复并不是绝对一样的，如各年第三季度的季节系数都不相等，于是，用季节指数 来表示就容易多了：,=,季节系数平均值,*,（每年季节数,/,均值合计数）,b.测定季节因素,上例计算如下：各季系数SF：,第一季度 第二季度 第三季度 第四季度,90 -0.681 0.980,91 1.231 1.018 0.828 0.903,92 1.250 1.091 0.686 0.986,93 1.247 0.964 0.826 1.091,94 1.195 0.941 -,总计 4.923 4.014 3.021 3.960,均值 1.231 1.004 0.755 0.990,季节指数 1.237 1.009 0.759 0.995,S1：第一季度 S1=1.231*（4/3.980）=1.237,第二季度 S1=1.004*（4/3.980）=1.009,第三季度 S1=0.759*（4/3.980）=0.759,第四季度 S1=0.990*（4/3.980）=0.995,即为移动平均中心值与长期趋势值之比，就是分解模型中的C。,计算公式如下：,第三季度的周期系数,同理计算出其他各期的周期系数。,各年每个季度的周期系数，各不相同，为了对以后预测方便必须知道以后各期的周期系数，可以用回归方法求解。为了计算方便用平均值代替。如上表中CF栏的红色数字。,c.确定周期系数,预测销售量=T*S*C=CMAT*S1*CF,例如：1995年一季度,预计销售量=（4.701+0.373*21）*0.994*1.237,（1.01）,=15.41,（15.66）,同理可以求出,95,年,2,、,3,、,4,季度的预计销售量。,d.预测,此课件下载可自行编辑修改，仅供参考！感谢您的支持，我们努力做得更好！谢谢,