生产预测的实施方法
进行生产预测的方法大体上可以分为定性预测和定量预测两大类。生产预测方法的具体分类如下图所示。
一、定性预测方法的应用
定性预测是一种主观的判断和估计，即根据历史资料，由企业各层对未来的市场需求进行估计。这种预测方法可能涉及数字，但使用的是非数学的方法。常用的定性预测方法有意见综合预测法和市场调研法。
（一）意见综合预测法
意见综合预测法是指针对某一预测问题，先由相关人员分别作出预测，然后综合全体成员的预测信息得出最终结论。综合预测法能集思广益，克服个人预测的局限性，有利于提高预测结果的质量。
1. 销售人员意见综合预测法
销售人员意见综合预测是指企业直接将销售经验丰富的人员组织起来，由预测组织者向他们介绍预测目标、内容和未来的产品销售前景提出自己的预测结果，然后交给预测组织者进行综合分析，以得出最终的预测结论。
2. 业务主管人员意见综合预测法
业务主管人员意见综合预测是指预测组织者邀请业务主管人员参与预测活动，由业务主管人员结合已掌握的信息，对预测期的市场市场信息，因此其预测意见比较接近实际。
意见综合预测法的具体应用可参照以下案例。
某低值易耗品生产厂家为了做好下一年的生产供应预测，由预测组织者事先向各部门负责人提供了历年低值易耗品销售量、销售量的预测结果如下表所示。
在3种销售量中，如采用简单平均法，将最可能的销售量权重定为0.6，最低与最高销售量的权重分别为0.1和0.3。可求得综合预测值为：
_ 5460×0.1+6420×0.6+5980×0.3
X= -------------------------------------------- = 6192
0.6+0.1+0.3
（二）市场调研法
市场调研法通常是聘请第三方专业市场调研公司进行预测，以此获得对顾客需求的详细资料。市场调研的内容如下图所示。
市场调研资料的真实程度，很大程度上决定着预测的准确性，因此，其搜集过程十分重要。常用调研方法如下表所示。
定性预测得到的结果有时未必是预测组织者想要看到的，但它在一定程度上反映了产品的市场情况，可以作为企业制订生产计划的重要依据。
#p#副标题#e#
二、因果模型预测法的应用
因果关系模型预测法在生产预测中的应用范围最广，不仅可以用于短期预测，而且可以用于中、长期预测。
因果关系模型预测法是定量预测的主要方法之一，主要包括趋势外推法、回归分析、数量经济模型、投入产出模型、灰色系统模型、系统动力学等。这里重点介绍趋势外推法和回归分析法。
（一）趋势外推法
趋势外推法是利用事物过去发展的规律，来推导未来趋势的方法。这种方法简单适用，应用面广。
趋势外推法的模型有很多种，在生产预测中最常用的是一些比较简单的函数模型，如多项式模型、指数曲线、生长曲线和包络曲线等。这里重点介绍多项式模型的最小二乘法拟合。
很多事物的发展过程，都可用多项式表示。以销量的增长速度为例，可以简单地拟合为多项式增长曲线。
线性模型①：Yt=a0+a1t
二次抛物线模型②：Yt=a0+a1t+a2t2
三次抛物线模型③：Yt=a0+a1t+a2t2+a3t3
N次多项式模型（N次抛物线模型）：Yt=a0+a1t+a2t2+…+antn
将销售增长率v和时间t的关系简单拟合为以上多项式的表达方式，即可绘制销售增长率图，如下图所示。
某厂2002～2009年自动车床产量如下表所示。运用最小二乘法拟合其发展趋势，可预测该厂2010年自动车床的产量。
依照上表绘制的自动车床2002～2009年产量散点图如下图所示。
首先将数据拟合成二次抛物线：Yt=a2t2+a1t+a0
其次，将原始数据变为t与Yt的对应关系如下表所示。
运用MATLAB（或JAVA，C++均可）编写程序，拟合得出t与Yt的关系为： Yt=21.8214t2+143.3452t+457.1667
用此模型预测2010年的产量，t=8，则Y2011=2999台，即预测数2010年自动车床产量为2999台。
（二）回归分析法
回归分析法不仅是一种应用范围极广的预测方法，也是建立数量经济模型的基础。回归分析法主要包括一元线性回归分析、多元线性回归分析和非线性回归分析三种，这里重点介绍一元线性回归分析。
一元线性回归也称直线回归，这种方法可用来确定两个变量之间的直线关系，原理简单，易于操作，既可用于短期预测，又可用于长期预测。其公式为：Yt=a+bXt
其中，Yt是预测值，a、b是回归系数，Xt是自变量。
已知1997～2005年的钢材消耗量与国民收入的关系大致呈直线趋势，相关数据如表2-16所示。可用一元回归法拟合其趋势，并预测2008年的钢材消耗量。
设国民收入为自变量，钢材消耗量为因变量，则回归方程为：Yt=a+bXt
由计算公式，可得出a、b的值：
一元回归法在预测中比较常用，但它是一种理想化的形式。在实践过程中往往会受到多种因素的影响。在这种情况下，就必须采用多元回归法进行分析。多元回归的应用原理和一元回归方法相同，不过预测精度较高，计算工作量大，一般需借助计算机进行。
#p#副标题#e#
三、时间序列预测法的应用
前文所讲述的因果模型预测法，在比较稳定的环境下效果较好，而当周围环境随着时间发生变化时，其预测效果会远不及时间序列预测方法。按时间顺序排列的数据序列，被称为“时间序列”。它可以总结以往经验，发掘已有规律，并推测出未来发展趋势。
（一）时间序列预测的影响因素及分析模型
时间序列分析就是把过去的销售序列Y分解为长期趋势（T）、季节变动（S）、循环变动（C）、不规则变动（I）等部分。
1. 长期趋势T（Trend）
影响销售长期趋势的原因主要是生产力的发展和技术的进步。利用过去有关的销售资料描绘出销售曲线，即可发现这种趋势。长期趋势如下图所示。
2. 季节变动S（Season）
销售情况会在每年度内随季节变动呈现规则型重复波动趋势。引起季节变动的主要原因是季节性的气候变化或风俗习惯。季节变动趋势如下图所示。
3. 循环变动C（Cycle）
经济增长过程中景气和不景气的情况会交替重复发生。这种情况主要是由社会原因、经济原因等引起的。企业的销售活动往往会受到国家政治活动的影响，而宏观经济活动经常会呈现循环变动的特点。循环变动在企业中期预测中尤为重要。循环变动如下图所示。
4. 不规则变动I（Irregularity）
不规则变动由不可控因素引起，是没有规则的波动，主要由灾害、流行风尚和其他干扰因素引起。这些因素一般无法预测，应当从过去的数据中剔除。
#p#副标题#e#
（二）预测趋势的移动平均法
移动平均法是用来测定未来一周或几周产品需求量的常用方法。当产品的销售增长不存在快速上升、快速下降及季节性因素影响时，移动平均法是非常实用的。根据预测时使用的各元素权重的不同，可将移动平均法分为简单移动平均法和加权移动平均法两种。
1. 简单移动平均法
在简单移动平均法中，各元素的权重都相等。简单移动平均法的计算公式如下：
其中，Ft为对下一期的预测值；N为移动时间的长度；At-1为前期实际值；At-2，At-3和At-n分别表示前两期、前三期直至前n期的实际值。简单移动平均法的计算方法如下表所示。
预测值与简单移动平均的时期个数N有关，具有滞后性。N越大，表明预测的稳定性越好，滞后性越强，响应性越差。某企业运用简单移动平均法进行销售预测，具体情况如下表所示。
简单移动平均法对数据的处理不分时间远近，赋予的权重均为1/n。为了反映最近数据的重要性，可以采用加权移动平均法。
2. 加权移动平均法
加权移动平均法的计算原理是，以往各期产品需求的数据信息的远近对预测未来期的需求量的作用是不同的。使用加权移动平均法进行预测能够消减需求突然波动对预测结果的影响。除了以n为周期的周期性变化外，远离目标时期的变量值的影响力相对较低，应给予较低的权重。加权移动平均法的计算公式如下：
其中，W1为第t-1期实际销售额的权重；W2为第t-2期实际销售额的权重；Wn为第t-n期实际销售额的权重；n为预测的时期数； W1+W2+…+Wn=1
经验法和试算法是选择权重的最简单方法。一般而言，最近期的数据最能预示未来的情况，因而权重应大些。如果数据是季节性的，那么权重设计也应体现季节性的特点。
以表2-18中的销售数据为例，假设n=2，W1=0.2，W2=0.3，W3=0.5，加权平均法的计算过程如下表所示。
除了上述方法外，还可以采用指数平滑法、季节变化分析法和波克斯-詹金斯法等进行预测。随着计算机技术的普及，各类软件在预测中的使用也越来越普遍，预测的精度也越来越高。但是，无论精度如何，误差总归是存在的。这就需要进行预测误差的分析。
#p#副标题#e#
四、预测误差的分析
预测是一种估计，影响预测准确度的因素有很多，而建立预测模型时难以将所有因素都定量地考虑进来，因此估算结果和实际情况之间必然存在着一定偏差，这个偏差就是预测误差。
预测结果与实际发生情况是否吻合，一方面取决于事物本身的发展进程及影响因素，另一方面取决于人们认识客观事物和自觉控制事物发展方向的能力。通过预测误差的分析，可以计算误差大小，以对误差进行适当控制，提高预测的准确度。
前述的移动平均法没有考虑季节和趋势因素，只考虑了随机波动因素，预测和实际需求之间总存在一种差异，而差异大小对预测的精确度会产生非常大的影响。
如果设实际需求值为D，预测值为F，那么预测误差e为：e=D-F
预测误差通常符合平均值为0的正态分布，一般可分为随机误差和偏移误差两种。随机误差主要来自无法由预测模型解释的误差项，偏移误差则出现在连续产生错误时。
（一）预测误差的描述与分析
描述误差程度时，通常采用标准差、方差和平均绝对偏差等术语。通过这些数据来进行分析，可以准确判定误差的程度。预测误差的术语解释如下表所示。
由上表可知，用MAD可以很好地估计时间序列的随机部分，而标准差则是检测预测结果是否较优的有效指标。例如，用两种方法对一个10周期的时间序列进行分析，第一种方法每期偏差均为10单位，但时高时低，第二种方法前9期预测均非常精确，但是第10期的预测偏差为100单位。显而易见，这两种方法的MAD都是100，而第一种方法的标准差为100，第二种方法的标准差为1000单位。
（二）借助“跟踪信号”评估预测的信度
为了确保预测的准确性，可以采用“跟踪信号”这个指标。跟踪信号是指预测误差滚动与平均绝对偏差的比值，主要用来衡量预测的准确程度。跟踪信号的表达方式如下：
其中，E（ei）表示第i期的累积预计误差。
某企业连续六个月的预测需求量、实际需求量及偏差等计算结果，如下表所示。
跟踪信号可正可负，存在一个临界值范围。临界值范围可以由经验确定，比较重要的跟踪信号临界值可选得小一些，不太重要的预测临界值可选得相对大一些。若跟踪信号落在临界值范围内，则表明预测误差的可信度较好，反之，则表明预测误差的可信度较差。此时，须寻求原因，对预测数据进行重新评估。
一、定性预测方法的应用
定性预测是一种主观的判断和估计，即根据历史资料，由企业各层对未来的市场需求进行估计。这种预测方法可能涉及数字，但使用的是非数学的方法。常用的定性预测方法有意见综合预测法和市场调研法。
（一）意见综合预测法
意见综合预测法是指针对某一预测问题，先由相关人员分别作出预测，然后综合全体成员的预测信息得出最终结论。综合预测法能集思广益，克服个人预测的局限性，有利于提高预测结果的质量。
1. 销售人员意见综合预测法
销售人员意见综合预测是指企业直接将销售经验丰富的人员组织起来，由预测组织者向他们介绍预测目标、内容和未来的产品销售前景提出自己的预测结果，然后交给预测组织者进行综合分析，以得出最终的预测结论。
2. 业务主管人员意见综合预测法
业务主管人员意见综合预测是指预测组织者邀请业务主管人员参与预测活动，由业务主管人员结合已掌握的信息，对预测期的市场市场信息，因此其预测意见比较接近实际。
意见综合预测法的具体应用可参照以下案例。
某低值易耗品生产厂家为了做好下一年的生产供应预测，由预测组织者事先向各部门负责人提供了历年低值易耗品销售量、销售量的预测结果如下表所示。
在3种销售量中，如采用简单平均法，将最可能的销售量权重定为0.6，最低与最高销售量的权重分别为0.1和0.3。可求得综合预测值为：
_ 5460×0.1+6420×0.6+5980×0.3
X= -------------------------------------------- = 6192
0.6+0.1+0.3
（二）市场调研法
市场调研法通常是聘请第三方专业市场调研公司进行预测，以此获得对顾客需求的详细资料。市场调研的内容如下图所示。
市场调研资料的真实程度，很大程度上决定着预测的准确性，因此，其搜集过程十分重要。常用调研方法如下表所示。
定性预测得到的结果有时未必是预测组织者想要看到的，但它在一定程度上反映了产品的市场情况，可以作为企业制订生产计划的重要依据。
#p#副标题#e#
二、因果模型预测法的应用
因果关系模型预测法在生产预测中的应用范围最广，不仅可以用于短期预测，而且可以用于中、长期预测。
因果关系模型预测法是定量预测的主要方法之一，主要包括趋势外推法、回归分析、数量经济模型、投入产出模型、灰色系统模型、系统动力学等。这里重点介绍趋势外推法和回归分析法。
（一）趋势外推法
趋势外推法是利用事物过去发展的规律，来推导未来趋势的方法。这种方法简单适用，应用面广。
趋势外推法的模型有很多种，在生产预测中最常用的是一些比较简单的函数模型，如多项式模型、指数曲线、生长曲线和包络曲线等。这里重点介绍多项式模型的最小二乘法拟合。
很多事物的发展过程，都可用多项式表示。以销量的增长速度为例，可以简单地拟合为多项式增长曲线。
线性模型①：Yt=a0+a1t
二次抛物线模型②：Yt=a0+a1t+a2t2
三次抛物线模型③：Yt=a0+a1t+a2t2+a3t3
N次多项式模型（N次抛物线模型）：Yt=a0+a1t+a2t2+…+antn
将销售增长率v和时间t的关系简单拟合为以上多项式的表达方式，即可绘制销售增长率图，如下图所示。
某厂2002～2009年自动车床产量如下表所示。运用最小二乘法拟合其发展趋势，可预测该厂2010年自动车床的产量。
依照上表绘制的自动车床2002～2009年产量散点图如下图所示。
首先将数据拟合成二次抛物线：Yt=a2t2+a1t+a0
其次，将原始数据变为t与Yt的对应关系如下表所示。
运用MATLAB（或JAVA，C++均可）编写程序，拟合得出t与Yt的关系为： Yt=21.8214t2+143.3452t+457.1667
用此模型预测2010年的产量，t=8，则Y2011=2999台，即预测数2010年自动车床产量为2999台。
（二）回归分析法
回归分析法不仅是一种应用范围极广的预测方法，也是建立数量经济模型的基础。回归分析法主要包括一元线性回归分析、多元线性回归分析和非线性回归分析三种，这里重点介绍一元线性回归分析。
一元线性回归也称直线回归，这种方法可用来确定两个变量之间的直线关系，原理简单，易于操作，既可用于短期预测，又可用于长期预测。其公式为：Yt=a+bXt
其中，Yt是预测值，a、b是回归系数，Xt是自变量。
已知1997～2005年的钢材消耗量与国民收入的关系大致呈直线趋势，相关数据如表2-16所示。可用一元回归法拟合其趋势，并预测2008年的钢材消耗量。
设国民收入为自变量，钢材消耗量为因变量，则回归方程为：Yt=a+bXt
由计算公式，可得出a、b的值：
一元回归法在预测中比较常用，但它是一种理想化的形式。在实践过程中往往会受到多种因素的影响。在这种情况下，就必须采用多元回归法进行分析。多元回归的应用原理和一元回归方法相同，不过预测精度较高，计算工作量大，一般需借助计算机进行。
#p#副标题#e#
三、时间序列预测法的应用
前文所讲述的因果模型预测法，在比较稳定的环境下效果较好，而当周围环境随着时间发生变化时，其预测效果会远不及时间序列预测方法。按时间顺序排列的数据序列，被称为“时间序列”。它可以总结以往经验，发掘已有规律，并推测出未来发展趋势。
（一）时间序列预测的影响因素及分析模型
时间序列分析就是把过去的销售序列Y分解为长期趋势（T）、季节变动（S）、循环变动（C）、不规则变动（I）等部分。
1. 长期趋势T（Trend）
影响销售长期趋势的原因主要是生产力的发展和技术的进步。利用过去有关的销售资料描绘出销售曲线，即可发现这种趋势。长期趋势如下图所示。
2. 季节变动S（Season）
销售情况会在每年度内随季节变动呈现规则型重复波动趋势。引起季节变动的主要原因是季节性的气候变化或风俗习惯。季节变动趋势如下图所示。
3. 循环变动C（Cycle）
经济增长过程中景气和不景气的情况会交替重复发生。这种情况主要是由社会原因、经济原因等引起的。企业的销售活动往往会受到国家政治活动的影响，而宏观经济活动经常会呈现循环变动的特点。循环变动在企业中期预测中尤为重要。循环变动如下图所示。
4. 不规则变动I（Irregularity）
不规则变动由不可控因素引起，是没有规则的波动，主要由灾害、流行风尚和其他干扰因素引起。这些因素一般无法预测，应当从过去的数据中剔除。
#p#副标题#e#
（二）预测趋势的移动平均法
移动平均法是用来测定未来一周或几周产品需求量的常用方法。当产品的销售增长不存在快速上升、快速下降及季节性因素影响时，移动平均法是非常实用的。根据预测时使用的各元素权重的不同，可将移动平均法分为简单移动平均法和加权移动平均法两种。
1. 简单移动平均法
在简单移动平均法中，各元素的权重都相等。简单移动平均法的计算公式如下：
其中，Ft为对下一期的预测值；N为移动时间的长度；At-1为前期实际值；At-2，At-3和At-n分别表示前两期、前三期直至前n期的实际值。简单移动平均法的计算方法如下表所示。
预测值与简单移动平均的时期个数N有关，具有滞后性。N越大，表明预测的稳定性越好，滞后性越强，响应性越差。某企业运用简单移动平均法进行销售预测，具体情况如下表所示。
简单移动平均法对数据的处理不分时间远近，赋予的权重均为1/n。为了反映最近数据的重要性，可以采用加权移动平均法。
2. 加权移动平均法
加权移动平均法的计算原理是，以往各期产品需求的数据信息的远近对预测未来期的需求量的作用是不同的。使用加权移动平均法进行预测能够消减需求突然波动对预测结果的影响。除了以n为周期的周期性变化外，远离目标时期的变量值的影响力相对较低，应给予较低的权重。加权移动平均法的计算公式如下：
其中，W1为第t-1期实际销售额的权重；W2为第t-2期实际销售额的权重；Wn为第t-n期实际销售额的权重；n为预测的时期数； W1+W2+…+Wn=1
经验法和试算法是选择权重的最简单方法。一般而言，最近期的数据最能预示未来的情况，因而权重应大些。如果数据是季节性的，那么权重设计也应体现季节性的特点。
以表2-18中的销售数据为例，假设n=2，W1=0.2，W2=0.3，W3=0.5，加权平均法的计算过程如下表所示。
除了上述方法外，还可以采用指数平滑法、季节变化分析法和波克斯-詹金斯法等进行预测。随着计算机技术的普及，各类软件在预测中的使用也越来越普遍，预测的精度也越来越高。但是，无论精度如何，误差总归是存在的。这就需要进行预测误差的分析。
#p#副标题#e#
四、预测误差的分析
预测是一种估计，影响预测准确度的因素有很多，而建立预测模型时难以将所有因素都定量地考虑进来，因此估算结果和实际情况之间必然存在着一定偏差，这个偏差就是预测误差。
预测结果与实际发生情况是否吻合，一方面取决于事物本身的发展进程及影响因素，另一方面取决于人们认识客观事物和自觉控制事物发展方向的能力。通过预测误差的分析，可以计算误差大小，以对误差进行适当控制，提高预测的准确度。
前述的移动平均法没有考虑季节和趋势因素，只考虑了随机波动因素，预测和实际需求之间总存在一种差异，而差异大小对预测的精确度会产生非常大的影响。
如果设实际需求值为D，预测值为F，那么预测误差e为：e=D-F
预测误差通常符合平均值为0的正态分布，一般可分为随机误差和偏移误差两种。随机误差主要来自无法由预测模型解释的误差项，偏移误差则出现在连续产生错误时。
（一）预测误差的描述与分析
描述误差程度时，通常采用标准差、方差和平均绝对偏差等术语。通过这些数据来进行分析，可以准确判定误差的程度。预测误差的术语解释如下表所示。
由上表可知，用MAD可以很好地估计时间序列的随机部分，而标准差则是检测预测结果是否较优的有效指标。例如，用两种方法对一个10周期的时间序列进行分析，第一种方法每期偏差均为10单位，但时高时低，第二种方法前9期预测均非常精确，但是第10期的预测偏差为100单位。显而易见，这两种方法的MAD都是100，而第一种方法的标准差为100，第二种方法的标准差为1000单位。
（二）借助“跟踪信号”评估预测的信度
为了确保预测的准确性，可以采用“跟踪信号”这个指标。跟踪信号是指预测误差滚动与平均绝对偏差的比值，主要用来衡量预测的准确程度。跟踪信号的表达方式如下：
其中，E（ei）表示第i期的累积预计误差。
某企业连续六个月的预测需求量、实际需求量及偏差等计算结果，如下表所示。
跟踪信号可正可负，存在一个临界值范围。临界值范围可以由经验确定，比较重要的跟踪信号临界值可选得小一些，不太重要的预测临界值可选得相对大一些。若跟踪信号落在临界值范围内，则表明预测误差的可信度较好，反之，则表明预测误差的可信度较差。此时，须寻求原因，对预测数据进行重新评估。
