制定未来计划以更好地参与市场竞争的想法在商业界已经得到认可,而信息的力量让制订计划变得轻而易举。能否制定有效的未来计划主要取决于信息的可信性和可靠性。供应链可以使一个机构与供应链内的其他机构长期保持联系,从而帮助其制定更好的计划。此外,预测也是一种简化未来计划行为的重要方法。该方法主要帮助决策者更好、更清晰地认识到他们的业务在不久的将来会有怎样的发展。所有这些方面都有助于推动机构更好地参与市场竞争。预测即对历史数据进行审查和分析,其目的是对未来做出预测。可以用于实现预测未来的模型有很多。如果一个机构强调模型预测的准确性,那么这个机构可以获得更好的预测结果,从而更好地制定未来的决策。预测未必总是准确的,但我们可以将不准确的结果降低到一定程度。本文通过运用这些模型处理需求数据来重点研究模型的准确性问题,最后根据这些模型的准确性对它们进行排序。供应链是一个由生产商和服务提供商组成的网络,二者共同合作将产品从原料转化并推进到终端用户使用的成品。供应链对于机构而言是有益的,但它也可能包含一些在机构看来也许理所当然的风险。本文还将重点关注一种称为“牛鞭效应”的特殊风险。这种现象是指供应商的订单量往往比买方的购买量呈现更大波动的情形。引起供应链中这种风险的主要原因很多,但本研究将预测更新视为“牛鞭效应”的主要原因。大部分研究已经探讨了各种预测方法对牛鞭效应的影响,而大多数关于商业环境中预测准确性的现有研究都是在西方和亚洲国家展开的。虽然这些研究提供了重要的信息,但它们并未充分解决与非洲——特别是本研究中的马拉维——背景相关的预测和“牛鞭效应”问题。研究马拉维钢铁行业供应链中预测方法对“牛鞭效应”的影响的文献非常少。然而,为了使决策者、采购人员和供应商了解到不准确的预测带来的麻烦,也为了让他们能够准确地看到“牛鞭效应”会对它们各自的供应链造成何种影响,大量的研究必不可少。由于大多数关于预测和“牛鞭效应”的研究都鲜有涉及供应链和马拉维制造业这两个领域,因此本研究意义重大。本研究结果对钢铁行业的市场竞争具有重要意义。首先,本研究将揭示各个预测模型的概念,介绍各种用于预测的软件,讲述“牛鞭效应”问题及其后果。借此,本文将为决策者提供足够的、具有建设性的知识,使他们了解到提高准确性所需的特定预测方法,以及减轻“牛鞭效应”所需的最佳预测方法。在预测模型的排名中,本文发现有的预测模型准确性高但不能减轻“牛鞭效应”,而有的模型可以减轻“牛鞭效应”但不够精确。本研究利用案例研究、访谈及文献分析等方法,探讨了不同的预测模型以及最准确的预测模型。此外,本研究还揭示了 “牛鞭效应”的风险,分析了预测更新如何导致这种现象,最后指出一种可以在尽量准确预测未来的同时最大化地减轻“牛鞭效应”影响的预测方法。本文还将重点介绍一项案例研究:麦钢马拉维有限公司。这将有利于该公司完善其预测方法,进而赚取更丰厚的利润。本文有以下几个目标:1. 了解各种预测方法,以便将它们应用到案例研究,并帮助确定最适当(既准确又能够减轻“牛鞭效应”)的预测方法组合;2.测试预测周期时间的有效性(每周或每月预测是否会影响准确性);3.在案例研究中确定和衡量“牛鞭效应”,为引入新的预测方法需要做出变动提供建议;4.使用统计方法分析由案例研究数据所得出的结果。本研究采用定性和定量相结合的研究方法。定性研究针对的是目前麦钢马拉维使用的naive预测方法,该方法自使用以来问题百出。因此,本文采用一种量化的方法来解决麦钢面临的这个特定问题。本文在Excel和Pastel Evolution软件中调整收集来的数据,用Gretl、SPSS和EXCEL软件处理和解释数据。在基本确定结果之前,本文还对数据进行了多种检验:假设检验、方差分析、配对t检验、方差齐性检验、Brown-Forsythe检验、Welch检验、Games-Howell检验以及Tukey检验。收集到的数据包括从2012年到2015年的日常需求数据、对于库存和预测如何运作所做出的音频确认数据,以及麦钢马拉维最大的供应商麦钢(南非)的订单。本研究意义重大的原因是马拉维的预测研究主要集中在农业领域,而非商业公司。造成这种情形主要是因为农业是该国的主要产业。而由于马拉维在研究更为先进的预测方法方面缺乏专业知识,所以该国对于商业公司预测方法的研究几乎为零。由于这是一个新概念,并不是所有的第三世界国家对此都很熟悉,所以目前第三世界国家关于“牛鞭效应”的研究确实少之又少,不过已经出现一些关于预测方法的研究。基于这一现状,本文主要关注外部研究,试图从中找出最终确定本研究的概念。本研究中的预测方法被用于处理来自麦钢马拉维有限公司的需求数据。本研究收集了2012年至2015年的数据并用于年度预测;每年用不同的方法进行预测,然后检验实际预测的准确性。斯科特.J·阿姆斯特朗(2001)指出,如果你有足够的关于因变量的历史数据,那么定量方法比定性方法(比如麦钢的预测方法)更为准确。本研究调整了从麦钢收集的数据,以消除异常值。本研究使用的预测方法如下:1.移动平均线法2.趋势线性法3.霍尔特方法4.自回归求和移动平均数法(以下简称ARIMA)5.组合方法确定最佳预测方法要着眼两方面:准确性和“牛鞭效应”。提高预测准确性的最佳办法是回顾实际销售数据和同期的销售预测值(Brannon, 2000:260)。本文讨论了几种准确性方法:1,平均误差、2,均方根误差、3,平均绝对误差、4平均绝对百分比误差(以下简称MAPE),并最终倾向于使用MAPE。MAPE的优点是便于计算,并且其结果易于理解。统计学家和数学家喜欢用复杂的方法来计算预测的准确性,用这些令人生畏的方法往往会得出外行人不容易理解的结果。在许多情况下,MAPE是一个更准确的度量标准(Campbell, 2002; Rayer, 2007),而且它比例不变且不受异常值影响,因此是一种更合适的准确性测量方法。相比各种方法,特别是当检验数量相对较少的序列时,使用MAPE可以更好地控制预测的难度(Armstrong和Collopy, 1992 )。本研究使用几种统计软件进行预测。其中ARIMA方法用Gretl (Gnu回归、计量经济学和时间序列)软件来处理。Gretl是一种主要用于计量经济学的软件,易于使用和理解。它是免费软件,很容易访问(Lee C和Adkins, 2010)。Gretl能够处理平稳和非平稳时间序列数据,在这一点上它非常适合ARIMA,因为分析ARIMA中数据的平稳性是必不可少的一步。ARIMA模型是基于数据行为来选择的,这使得模型非常灵活。这样一来,所有的ARIMA模型都得到利用。为了得到一个合适的ARIMA模型,本文首先将数据集看作一系列带有趋势模式的数据,而非季节性数据。它不是一个随机的时间序列,也不是一种白噪声。纯随机时间序列称为白噪声,因为它本质上是随机的。令{E_t}代表一个系列,该系列具有一个零均值{E (E_O = 0}和一个恒定方差[V (E_t) = σ^2],它是不相关的。{E(E_tE_s) = 0}见图5-1,由该图可见这个序列是随机的。为了阐明上述说法,我们可以使用相关性检验自相关系数和偏相关系数,见图5-2和图5-3。上述这些图片数字清楚地告诉我们不可能进行预测,因为其数据是随机的,而最好的预测方法是取整个系列的平均数以得出预测。本研究采用的数据表现出清晰的模式(趋势),因此可以利用时间序列(ARIMA)。预测时间序列的最佳软件之一是GRetl,即Gnu回归、计量经济学和时间序列库。为证明ARIMA是一个合适的模型需要:ADF (增强迪基-福勒检验):我们可以由此确定本研究中的时间序列是否适合ARIMA 。1.在预测模型之前,识别d (差分值),d规定应用于一个系列中的差分应该按照什么顺序排列。如果这个序列表现出趋势(ARIMA模型支持平稳数据),则该序列具有重大意义。在这种情况下,我们可以通过单位根检验获取p值:如果p<0.05,那么数据平稳,无需使用差分;而如果p>0.05,那么为了尝试使数据达到平稳状态,需要使用差分。2.识别p (自回归顺序),p规定将用系列中哪些先前值来预测未来。例如,如果自回归顺序为2,那么规定该序列在过去两个时间段里的值应该被用于预测当前时间段。3.识别q (移动平均数)。霍尔特方法用Rstudio软件处理数据。该软件对霍尔特方法来说既强大又方便,因为该方法要求:如果所得数据呈现某种趋势,那么计算α和β;如果所得数据表现出季节性,那么计算γ。该软件足够灵活,可以自动计算这些值。该软件可以很好地执行计算,从而消除人为错误。这使得在霍尔特方法中使用该软件变得易如反掌。最后,在使用该软件时处理数据时,如果数据不显示出趋势,使用者可以掩盖β;而如果数据不显示出季节性,使用者可以掩盖γ (Walter. Z和Oleg. N)。在R studio软件中1.如果α有值,而β= FALSE,γ = FALSE,那么这种情况代表简单指数平滑;2.如果α和β有值,而γ = FALSE,那么这种情况代表双指数平滑;3.另一方面,在SPSS (社会科学统计软件包)已经求出了移动平均数。由于该软件操作人性化,易于理解,可展示包含SPSS结果所附带的多种信息的清晰图,本文多次使用该软件。用该软件求出的移动平均数简单明了,同时,该软件可以得出准确易懂的结果。(Radmila. K)4.在对所有预测模型进行排序后,采用组合方法将上述模型组合起来,根据其他研究得出一个比单个模型更为准确的组合模型,然后用R studio软件分析和处理该模型。根据各单个预测模型在本研究中的准确性为他们赋予权重,以此完成模型的组合。基本来说,模型越准确,其权重越大。在根据预测方法的准确性对其进行排序(见表6-3)后,再根据哪种方法对减轻“牛鞭效应”帮助最大来对模型进行排序(见表6-8)。本研究通过用与平均需求相对的需求标准偏差除以梯队中的订单变化,得出“牛鞭效应”中需求的变化。除造成“牛鞭效应”的许多原因,本研究将主要着眼于需求预测更新。当然,本研究也会探讨其他原因。在衡量“牛鞭效应”时要关注三个问题:1.需求数据聚合的顺序2.过滤掉“牛鞭效应”的各种原因3.由于我们研究的某条供应链往往是一个更大网络的一部分,所以需求基础可能不一致本研究将考虑一条包含三个梯队的供应链,但主要关注其中一个梯队(制造商),见图4和图5。这个梯队包含多个梯队M1,本研究主要区分以下两者:来自供应链下游的下一个网点的需求,此处指零售商(Dinl);向供应链上游上一个梯队发出的需求,此处指供应商(Doutl)。本研究在供应链中一个特定梯队上研究“牛鞭效应”。本研究基本上将它作为一个梯队(此处指麦钢)产生的需求变化系数和该梯队收到的需求变化系数的商来测量。W=(Cout)/(Cin),其中 Cout = σ(Doutl(t,t+T))/σDoutl(t,t+T)) 且Cin =σ(Dinl(t,t+T))/σ(Dinl(t,t+T))因此,牛鞭效应=(σO)/(σD)Cout =产品订单Cin =产品需求方差计算如下:Var (x)=(∑i=1 n(Xi-x)2)/(n-1)= σ所有的预测模型都在R studio中经过“牛鞭效应”计算。计算结果见表6-3,随后用R studio软件中的配对T检验相互对比各个预测模型,相应地对它们进行排序。从50个预测样本中选出24个来进行对比。值得注意的是,无法保证这些预测模型得出的“牛鞭效应”的正常性。然而,根据中心极限定理,它们的均值呈正态分布。因此,通过此统计测试获得的结果是有效的。该测试的目的是在不考虑各种预测方法准确性的情况下,比较它们对“牛鞭效应”的影响。所有排序完成后,本研究使用一个更复杂的模型来帮助提供更准确的预测。组合方法是一种用于对预测模型进行组合以提高准确性的技术,对单一预测技术的研究已经多到不胜枚举。然而,其他技术的一些重要方面却很少得到专家学者的关注(Werner和Ribeiro,2006)。基本说来,结合多种预测方法可以提高预测的准确性(Clemens,1989)。Armstrong. S. J,2001详细记录了使用多个预测,以及根据对不同预测方法准确性的排序来为它们赋予不同的权重,见表6-7。为了帮助探究该模型是否真的可以提高准确性以及组合模型可以将“牛鞭效应”减小到何种程度,本研究在排序时还加入了组合方法。就准确性而言,本研究用单因素方差分析计算模型的结果见图6-4;而就减轻“牛鞭效应”而言,本研究同样用配对t检验来对各个模型进行对比。两种情况的显着性水平都是0.05。基本而言,本研究用一个假设来对比各个模型。如果p值小于0.5,那么一个模型的“牛鞭效应”小于另一个模型的假设不成立;相反,则假设成立。最后,本研究还进行了一次测试来帮助回答这个问题:按照哪个时间段去预测更好,每月还是每周?由前文可见,本研究主要采用每周的需求数据,这是麦钢马拉维的性质使然。本研究中这一章致力于探索在预测时间很重要的条件下,准确性和“牛鞭效应”会如何。本研究用同样的测试和软件进行了每月预测,预测结果见表5-21。用SPSS中的配对T检验对每月数据进行精确地检查和分析,发现的平均值差异的结果见表6-11。建议从上述广泛的研究中可以看出,不同的预测方法在不同的情况下效果更好。本研究使用不同的软件和不同的处理方法来分析和检验案例研究(麦钢)和收集的数据。同时,证据表明人们不应该把需求预测视为理所当然,因为要选择适当的预测方法必须要有分析技能。本研究分析了 ARIMA、趋势线性法、移动平均数法和霍尔特方法这四种预测方法,并用这四种方法处理了从麦钢实地收集而来的需求数据。本研究收集的是2012年到2015年的需求数据,四年中每年的模式都不一样,这便导致了一个非常困难的问题。2014年的数据是随机的,这在案例分析中有所解释。根据四中预测方法的预测准确性对其进行排序。根据这些方法的MAPE,使用单因素方差分析法根据其对其进行排序:MAPE越低,预测方法越精确。基本说来,在四种预测方法中,ARIMA的MAPE最低,其次是霍尔特方法,然后是移动平均数法,最后是趋势线性法。在对比这些方法后,本研究紧接着着眼于组合这些预测方法。众所周知,组合方法可以提高预测的准确性,本研究也证实相比单个预测方法,组合预测的MAPE最低。由于本研究的意图是在准确性和对牛鞭效应的缓解性方面为麦钢提出建议,所以在最后下定论之前本研究还需要分析“牛鞭效应”。事实上,任何供应链都容易受到风险(特别是牛鞭效应)的影响,上述研究强调预测更新是带来风险的主要原因。它还指出了有助于减轻“牛鞭效应”的最佳方法。在计算“牛鞭效应”后,本文在Rstudio中利用配对t检验提出了一个假设,这个假设有助于确定这四种方法中哪一种是最佳选择。最后得出霍尔特方法是减轻“牛鞭效应”的最佳方法,其次是ARIMA,然后是趋势线性,最后是移动平均数法。本研究也分析了组合预测如何减轻“牛鞭效应”,并得出组合方法优于后三种方法(ARIMA、趋势线性法和移动平均数法),但不如霍尔特方法。上述研究有助于为麦钢马拉维在最佳预测方法方面提出建议。我们基于三个方面得出结论:预测方法的准确性、减轻“牛鞭效应”的能力以及麦钢马拉维的运营环境。在将Gretl中使用的组合预测是最合适的方法,因为它非常准确且软件具有易用性。ARIMA在准确性方面排名第二,在减少“牛鞭效应”方面排名第三。 ARIMA方法没有被选为最佳方法,因为准确性是评估预测最重要的手段。最后,组合模型是最适合的预测模型。另一项测试是为了找到预测的最佳时间段,本研究对每周和每月两个时间段都进行了测试,结果显示每周的预测就准确性而言略微有优势,见表6-9。综上所述,本文认为组合方法是最佳预测方法。