区域物流需求量预测实证研究

本文从河北省的物流需求现状出发,通过分析区域物流需求量的衡量指标和影响因素,建立了区域物流需求量预测指标体系,并根据实际数据采用BP神经网络方法建立预测模型,通过与指数平滑法预测结果比较可以看出,采用BP神经网络方法进行物流需求量预测较指数平滑法更精确,在一定程度上能够为河北省物流规划提供定量决策依据,并以此为基础为整个区域物流需求量预测提供科学依据。     

京津冀城市群的物流等级体系及需求预测研究

随着京津冀城市圈经济的快速发展,区域物流需求日益增加。面对这一巨大的商机,各地区必须抓住机遇、互相配合、协调发展。本文采用了聚类分析法对京津冀地区的13个市进行了分析,找出了物流结点的合理的建设地,并运用神经网络分析法预测了物流结点建设地未来的物流需求量的走势。并针对此提出了一些相应的政策建议和措施。     

基于组合预测模型的广州市物流需求量预测

选取2004—2014年广州市物流需求量数据,分别建立三次指数平滑预测模型和回归分析预测模型,加权组合后构建组合预测模型,并对广州市"十三五"规划期末2020年物流需求量进行预测,结果表明:货运量将大幅增长,超过15亿吨。提出以下建议:通过提高物流技术、增加物流基础设施投入、发展特色物流园区等多种举措推动广州市物流业持续健康有序发展。     

物流需求量的灰色系统预测分析

本文首先说明了物流需求预测的重要性,指出了灰色系统预测模型在物流需求预测中的应用价值。根据灰色绝对关联度,分析了相关经济影响因子对物流需求量的影响程度,然后举例说明了考虑相关经济因素对物流需求量影响的GM(1,N)模型系统预测比GM(1,1)模型单变量预测更有效。     

基于灰色预测GM（1,1）模型下的甘肃省平凉市物流量预测

区域物流量预测是地区物流产业发展和物流园区规划建设重点考虑的因素之一。本文结合平凉市的实际情况,运用灰色系统理论建立物流需求量的灰色预测GM（1,1）模型,并对平凉市2002~2012年的物流需求量进行预测,从而确定平凉市未来几年的物流需求量。     

基于证据理论和动态组合型神经网络的区域物流需求预测

区域物流量不仅和区域经济有关,也和历史物流量有关,故同时利用影响物流需求的区域经济因素和历史物流量进行预测可行。为此提出动态组合型神经网络融合预测模型,并用广东省的物流统计数据进行检验,证明了预测结果的可信度。     

基于灰色预测模型的广西医药物流需求预测

为了促进医药物流行业更好发展,降低医药物流成本,文章以2012—2020年广西药品类和医疗器材的需求量作为样本数据,采用灰色预测模型,预测广西未来三年医药物流的需求量。同时,对广西医药物流未来发展提供建议,以期为广西医药企业未来发展规划物流决策提供参考。     

基于L-OD法的地区间物流需求预测分析——以四川省泸州市为例

在不考虑区域以外的情况下,结合经济预测和物流系统规划的相关原理,运用指数平滑预测法、平均增长系数法以及L-OD法对四川省泸州市的2015年至2020年的物流需求量进行了预测,并绘制物流期望线图,分析变化趋势。     

基于改进灰色模型的物流成本预测研究

物流成本的正确预测有助于合理分配现有资源,提升物流成本效益。为了克服传统灰色模型预测精度低的缺陷,通过引入将阶跃函数改进传统灰色模型,提升灰色模型预测精度。利用历年我国物流总费用数据,对未来年物流成本和灰色预测模型的精度进行预测,将预测结果与简单平均法、移动平均法、指数平滑法和传统灰色模型进行比较,验证模型的合理性和有效性。     

物流园区规划中的物流需求量预测问题研究

文章主要针对物流园区规划中的物流需求量预测问题进行研究,结合当前物流园区规划现状以及物流业需求量预测等方面出发点,积极从物流园区发展分析、物流园区规划物流需求基本思路以及物流园区规划中的物流需求量预测等方面进行深入探索,主要研究目的是为了更好地提升物流园区规划,解决物流园区规划中的物流需求量问题,促进物流园区的发展以及进步。     

我国入境旅游预测:基于ARFIMA模型的研究

旅游需求预测是旅游规划、开发与管理的基础和前提。将分整自回归移动平均模型(ARFI-MA)应用在旅游需求预测中,采用我国月度入境旅游人数建立ARFIMA模型,并依据RMSE,MAE和MAPE三个标准,将ARFIMA与AR IMA,SAR IMA模型的预测精度进行比较。结果表明ARFIMA模型的精度最高,在旅游需求预测中有较强的实用性。     

安徽省道路旅游客运车辆需求量预测分析

本文分别采用指数函数曲线预测模型、灰色简单预测模型和多元线性回归的一般模型预测安徽旅游人数,依据三种方法预测结果的加权平均数,预测了安徽道路旅游客运车辆需求量,为道路旅游客运体系的建立,能够提供科学的决策依据。     

Top‐Down Versus Bottom‐Up Demand Forecasts: The Value of Shared Point‐of‐Sale Data in the Retail Supply Chain

Accurate demand forecasts are critical to maintaining customer service levels and minimizing total costs, yet increasingly difficult to achieve. Using weekly point‐of‐sale (POS) and order data for 10 ready‐to‐eat cereal stock‐keeping units from 18 regional U.S. grocery distribution centers, this research empirically investigates two demand forecasting issues: (1) the accuracy of top‐down versus bottom‐up demand forecasts; and (2) whether shared POS data improve demand forecast accuracy. The results reveal a previously unexplored relationship between demand forecast methodology and the use of shared POS data. We find that the superiority of the top‐down or bottom‐up forecasting as the more accurate demand forecast method depends on whether shared POS data are used.     

Joint In-Season and Out-of-Season Promotion Demand Forecasting in a Retail Environment

Inaccurate forecasts of demand during promotions diminish the already meager profit margins of retailers. No forecasting method described in the literature can accurately account for the combination of seasonal sales variations and promotion-induced sales peaks over forecasting horizons of several weeks or months. We address this research gap by developing a forecasting method for seasonal, frequently promoted products that generates accurate predictions, can handle a large number of sales series, and requires minimal training data. In our method's first stage, we forecast the seasonal sales cycle by fitting a harmonic regression model to a decomposed training set, which excludes promotional and holiday sales, and then extrapolate that model to a testing set. In the second stage, we integrate the resulting seasonal forecast into a multiplicative demand function that accounts for consumer stockpiling and captures promotional and holiday sales uplifts. The final model is then fitted using ridge regression. We use sales data from a grocery retailing chain to compare the forecasting accuracy of our method with popular seasonal and promotion demand forecasting models at multiple aggregation levels for both short and long forecasting horizons. The significantly more accurate forecasts generated by our model attest to the merit of the approach developed here.     

基于灰关联分析的常州市物流需求表征量选择

在进行物流需求预测时,选择正确的物流需求表征量尤为重要,它将直接影响预测的精度。本文利用灰关联分析法对常州市物流需求表征量进行建模分析,最终选取货运量来表征常州市物流需求水平。     

2008北京奥运食品冷链物流需求预测分析

本文认为,对奥运食品冷链物流需求进行预测分析,可在一定程度上减少冷链物流在实际运作中的不确定性,为奥运食品冷链物流的系统规划和实际运作提供参考。冷链物流需求预测主要预测居住在奥运村的各类人员和国内外观众(需求主体)对冷冻冷藏食品(需求客体)的需求所引发的冷链物流需求量。文章首先预测需求主体数量,然后结合人均食品消耗量预测冷冻冷藏食品的总需求量,最后根据单位设施设备的能力,预测食品冷链物流需求量。预测结果表明,奥运会期间食品冷链物流的需求量将成倍增加,而目前多数生产企业自有冷藏车数量较少,不足以应对奥运会带来的对冷藏车需求的增加。因此,北京市及相关奥运餐饮服务提供商应考虑是购买冷藏车还是与第三方物流公司合作进行配送。同时鉴于奥运需求只是短时间内的需求,政府和企业既要考虑到奥运会期间的需求,更要考虑到奥运会之后的经济效益。     

浅谈我国应急物流系统的构建

虽然科技的发展提高了人们对灾害的预报能力,但是大部分的突发事件都是难以预测或者预报时间与发生时间相隔很短,却对提供物资保障的应急物流系统提出了很高的要求,因此对于应急物流系统的研究具有十分重要的现实意义。本文介绍了应急物流和应急物流系统的概念及内涵,提出了对于我国应急物流系统构建的一些思路。     

区域物流规划理论框架的构建

当前我国区域物流发展规划编制工作全面铺开,新一轮规划实践对规划理论研究提出了新的要求。驾驭区域物流发展趋势,构建区域物流规划的理论框架,对于今后各地区编制区域物流规划有十分重要的现实意义。文章提出,现代物流理论、区域经济理论和战略环境分析理论是区域物流规划的主要理论基础,区域物流发展规划的核心内容是建设三大网络(物流运作设施网络、物流运输设施网络和物流信息网络),构建两大体系(物流人才教育培养与物流技术发展体系、物流发展政策措施体系),优化物流业结构,促使物流业发展成为经济支柱产业之一。     

基于可靠性理论的特定汽车配件的需求预测研究

特定配件的需求预测对4S模式下的汽车配件物流管理有着重要意义,本文分析了汽车配件的故障规律及需求特性,汽车配件的需求具有独立性和随机性,引入汽车维修学中的可靠性理论及统计学的相关理论,构建了特定汽车配件的需求预测模型,并进行了实例分析。     

An innovative regime switching model to forecast Taiwan tourism demand

The tourism industry has become a major part of economic development for many countries. These countries have greatly invested in tourism to attract more tourist arrivals. Hence, the need for more accurate forecasts of tourism demand is important. Various approaches have been applied to forecast tourism demand of different countries. However, tourism demands tend to be imprecise and their trends nonlinear. In addition, there may be drastic changes in the tourism demand time series. To properly handle these problems, this study proposes an innovative forecasting model to detect the regime switching properly and to apply fuzzy time-series model to forecast. The monthly tourist arrivals to Taiwan will be used as forecasting target. The analysis by the proposed model will be validated by the major events as well as previous studies.