交通基础设施是一个国家的经济发展的关键,可以提供竞争优势。在中国有一个运输公司的多样性可分离与大型运输企业(lte)和中小型运输企业(smt)。有许多不同的两种类型的企业之间的区别。一般来说,lte,更分散,吸引大型企业和资源管理并不重要。smt尤其是初创时期需要更灵活的金融资源的使用,确保生存。经济变革的时期尤其如此。本文着重于smt因为它们在中国公路运输服务的主要供应商。他们一定玩的角色第一/或最后公里为门到门的物流服务运营商。225 4 595 600 259个企业,个体企业从事运输、存储和邮政服务在2008年( 1]。50强物流企业的总价值约4756亿元,只有0.53%的国家物流产业的附加值( 2]。与lte相比,smt面临更大的风险,特别是在经济低迷。一个业务实体的生存在很大程度上依赖于其能力预测和准备改变而不是等待,然后反应( 3]。

需求预测为smt如此重要的原因,它可以帮助提高设备利用率和建立智能化操作和投资策略。实际上,企业主估计服务需求从过去的经历可以是错误的或有误导性。几乎所有的货运需求分析通常占整个国家,一个地区,或者一个走廊城市之间集成或模式,通常是与公共交通规划( 4- - - - - - 6]。前两个研究文章研究了smt的需求预测解决不到卡车(LTL)短期和长期预测。在[ 7),相信神经网络和传统的结合时间序列分析的预测短期物流需求LTL载体。中小道路运输服务提供了一个有限集合,为小型和大型货物交付服务的地理区域同等面积的报告( 8]。

这项研究的目标是模型的启动和发展一个新成立的卡车运输公司在经济衰退期间,其主要业务是内陆海港集装箱和散货运输。它最终的目的是帮助smt寻找方法提高设备利用率的中短期预测订单和所需的卡车,以及金融危机的影响。我们工作的主要特点是它的使用有限的数据来分析和预测一个小运输公司的业务,因为它开始在一个快速变化的环境。

的上下文模型有两种截然不同的元素:企业启动和短时间序列。显然,大多数企业在初创时期需要拓展业务的经济规模。如果他们不这样做,企业的长期生存可能面临的问题。因此,该模型选择将不得不适应这种增长。第二个元素反映了需要快速评估可能的需求,以便适当的经济战略开发的企业。这个区别启动与lte smt那里可能是长时间系列和更高的性能与宏观经济因素的相关性。建模提出了试图应对这两个元素。

数据涵盖所有的业务订单小卡车运输公司40-month期内(2008年1月至2011年4月)。注册在2007年底,小卡车运输公司目前拥有30辆卡车和30的司机。有些卡车集装箱卡车适合集装箱运输和其他大部分卡车设计的重型长途运输服务。本公司主要提供服务的码头集装箱运输和内陆散装运输。集装箱运输服务主要是提供集装箱进出口企业的客户三个港口位于深圳,也就是说,盐田,蛇口,Mawan。为了利用这些端口的空集装箱,散货运输的一小部分集装箱在集装箱卡车客户一样的价格批量运输。其余的大部分是由大部分卡车为不同的客户。

从这个公司的所有业务订单根据客户行业的类别进行分类(见表 1)。摘要“钱”代表了总收入等于订单单价相乘。客户来自八个行业,和15物流客户贡献资金总额的42.7%,三个机器客户占40.9%的订单和总收入的21.9%,剩下的14个客户从食物,玩具,瓷器,材料,工艺,和电子工业占34.123%的订单和总总收入的35.432%。

进一步分析表明,至于订单缺口,有两种模式规则和不规则的。常规的订单是由要么不断在工作日和周末和假期(如图 1(一))或离散,并定期(如图 1 (b))。不规则的订单是由随机,如图 2(一个)和 2 (b)。定期和不规则的客户订单表中列出 2。

为了找到2008年的经济衰退是否会影响公司的业务,进一步分析每月的订单和资金进行常规和非常规业务。应该注意的是,春节通常在2月下跌时几乎所有的企业都是生产的最低水平。三年的周期从2月开始被认为是和去年1月的第一年。因此,“1”图 3代表2008年2月,“36”是指2011年1月。

不规则的块每月订单和钱图所示 3描述两个因素。(1)不规则业务受经济衰退打击中国在2008年第三和第四季度之间。经济衰退开始于2008年10月。(2)订单下降迅速从2008年10月,最终消失了。

起源于发达国家,经济危机很快蔓延到中国,如图所示的减少订单的数量。这些企业参与海外市场受到影响,在2008年第三季度。纯OEM(原始设备制造商)和过度依赖海外市场的两个主要因素使这些公司失败的迅速衰退。这些企业依靠国内市场受到时滞的影响,由于减少的商业出口型企业和这些公司的下岗工人的购买力下降。

每月定期订单和钱总在图 4可以得出,结论如下。 (1)

有明显的周期性订货和收入。

一些薄弱的公司几乎立即停止交易,但健壮的活了下来。企业集中在那些幸存下来的企业。

事物都有两面性。经济衰退有正面和负面的影响公司的业务。而商业贸易放缓,公司客户的质量是更好的在经济衰退和大量的不规则的企业消失了。图的订单和收入也有类似的形状,因此,定期组织以下工作的重点。

大多数建模和预测方法与有限的数据对快速变化的产业和电影一样,电信、或新产品一个简短的历史 9- - - - - - 13]。他们认为,结合ARIMA和扩散模型可以提高提前一年的预测,特别是在高技术市场。然而,缺点是需要足够的历史数据来创建一个时间序列。判断预测的必要性和数据统计方法讨论了不足( 14]。关键是要实施一个结构等方法调查的意图和期望,判断引导,结构化的类比,和模拟交互。一个案例研究对时尚产品,一般特点是高需求的不确定性,库存成本高,和高报废的风险,建议预订数据和判断可以用来克服缺乏需求预测中的数据。预订单数据可以通过允许一组被选的客户预订打折预览目录。判断可以从采购经理或其他公司获得专家( 15]。

显著改善非线性时间序列分析(NTSA) 1990年代以来( 16]。通以下列出的五个最有前途的方向:NTSA和混乱之间的界面,非参数和半参数方法,非线性状态空间建模,金融时间序列(在连续时间和离散时间),和非线性建模面板(如空间分布)的时间序列。一个多项式逼近样条函数系数回归模型估计中采用非线性时间序列( 17]。时变系数时间序列模型和时间趋势函数和序列相关错误描述非线性,非平稳,热门现象讨论了( 18]。可以分解为时间序列的趋势,循环,和季节性和随机组件( 19]。移动平均线,隔离季节性因素和季节性调整是常见的方法治疗时间序列的季节性调整。

没有一个模型或模型已被证明比其他组合。为了模型和小卡车运输公司的启动和增长预期经济衰退后从有限的数据中描述的部分 2,相对变量分析和时间序列分析被用来预测订单和营业额。同时,相关分析,多项式和对数曲线模型也被用来找到趋势结合季节性调整预测订单数量和营业额。

简单线性回归和二元线性回归是两个基本的版本提出的广义线性模型(GLM) ( 20.)作为一种统一的各种统计模型,包括线性回归、逻辑回归、泊松回归。

线性回归是用来寻找几个月订单和进出口之间的关系或订单和进出口和GDP季度GDP仅可在季度。线性回归模型的一般形式 (1) y = 一个 + b 我 x 我 + e 我 = 1、2 , … , n , 在哪里 y 是因变量,表示订单。 x 我 ( 我 = 1、2 , … , n ) 的预测变量是下标吗 我 , n 是变量的数量。 e 是噪音。

在统计、信号处理、计量经济学和数学金融时间序列是一个序列的数据点,测量通常在连续时间在统一的时间间隔。时间序列预测是使用一个模型来预测未来值基于先前观察到的值。时间序列分析方法可以分为两类:频域方法和时域方法。前者包括光谱分析,最近,小波分析;后者包括自相关和互相关分析。

我们的时间序列分析开始重组数据,把距离分成五个部分和业务分成两类。第一个模型是多项式,如以下几点: (2) O d 年代 = μ + β 1 t y + β 2 t y 2 + β 3 t y 3 + 年代 我 。

然后另一个对数曲线的回归 (3) O d 年代 = α d 年代 · ( e β d 年代 t 米 1 + e β d 年代 t 米 ) 。

因此,营业额预测作为趋势预报模型如下: (4) 钱 = ∑ d = 1 5 ∑ 年代 = 1 2 V d 年代 · O d 年代 , 在哪里 V d 年代 是遥远的平均价格或价值 d 和类型 年代 , O d 年代 遥远的命令 d 和类型 年代 , 年代 我 噪音, t y 是一年时间,一年,2008年开始,1 =。 α d 年代 和 β d 年代 是物流模型的系数子组的距离 d (= 1、2、3、4、5)和一个类型 年代 (= 1,2)。 t 米 (= 1、2 , … , 36 )代表的时间。

任何时间序列是由系统组件,如一个趋势,循环,和季节性和随机元素,通过定义不可预测的。因此,一组时间序列的数据可以被分解为趋势,循环,和季节性和随机组件。四元素可以合并在一个加法或乘法模型( 19]: (5) X t 米 = T + C + 年代 + R (6) X t 米 = T × C × 年代 × R , 在哪里 X t 米 代表了因变量的订单, T 这一趋势分量, C 季节性因素, R 随机元素。

移动平均线通常用于分离的趋势。然而,我们建议直接从原始数据中提取趋势与多项式和对数曲线模型,然后分解周期和季节性的添加剂的组合模型( 5)。考虑到运输和经济学之间的密切关系,我们可以忽略周期性分量的季节性周期的12个月。循环之前定义为从2月到明年1月,最低的需求通常在2月下降。

我们以加性模型,( 5),重写它 (7) X t 米 - - - - - - T = 年代 + R 。

让 年代 R ( = 年代 + R ) 是季节性的组合和随机组件,然后分裂 年代 R 的趋势 T 季节性的比率 年代 c (包括随机)。因此,季节性因素可以通过平均三个比率组件(2008年2月到2009年1月,2009年2月到2010年1月和2010年2月到2011年1月)为每个月 年代 - - - - - - c , c = 1、2 , … , 12 。例如,对于2月,平均季节比率 年代 - - - - - - c 如下: (8) 年代 - - - - - - 1 = 1 3 ( X t 米 - - - - - - T T | t 米 = 1 + X t 米 - - - - - - T T | t 米 = 13 + X t 米 - - - - - - T T | t 米 = 25 ) , 在哪里 t 米 (= 1,2,…,36)代表月从一开始的系列。现在的预测价值 X t 米 可以获得的 (9) X ^ t 米 = T + 年代 + R = T ( 1 + 年代 - - - - - - c ) t 米 = 1、2 , … , 36 ; c = 1、2 , … , 12 。 然后总订单( 10)和( 4应该改变了 (10) 订单 = ∑ d = 1 5 ∑ 年代 = 1 2 O d 年代 t r ( 1 + 年代 - - - - - - c ) (11) 钱 = ∑ d = 1 5 ∑ 年代 = 1 2 V d 年代 · O d 年代 t r ( 1 + 年代 - - - - - - c ) 。 O d 年代 t r 由多项式或物流趋势预测模型。

首先,采取简单线性回归分析模型之间的关系国家出口和进口和订单。结果在图给出 5。

预计每月定期订单 = - - - - - - 148.296 + 0.330 * 国家 进口 & 出口 。

然后订单的二元线性回归和进口&出口和GDP每季度呈现在图 6。

预计每季度定期订单 = - - - - - - 560.432 + 1.076 * 国内生产总值 + 0.158 * 进口 & 出口 。

随着相对甚至不能给出令人满意的结果直观地分析,我们将时间序列分析。整个常规业务是隔开距离和卡车类型时,选择时间序列分析。距离是分为五类根据利率和运输时间,和集装箱和散货是两种类型的服务。变量 d 代表的不同分割距离见表 3。类型变量 年代 = 1 代表容器和 年代 = 2 大部分。

结果表明,几乎所有的集装箱运输订单包含在距离组1、2和3,只有一个7755普通集装箱订单从2008年2月到2011年1月在容器组4。大多数散装运输订单是包含在距离组1,3,5。批量组2和3的数据建模的不足,我们合并批量组1,2,3成一个新的批量组1和散货组4和5成新的散货组2。

因此, O 41 = O 51 = O 32 = O 42 = O 52 = 0 ,只剩下五组需要估计。多项式模型和季节性趋势比率的结果表 4列出在下面所示的计算和数据吗 7和 8: (12) O 11 = ( - - - - - - 55.7778 + 91.58333 t y ) · ( 1 + 年代 - - - - - - c 11 ) O 21 = ( 10 + 27.45833 t y ) · ( 1 + R - - - - - - c 21 ) O 31日 = ( 4.9444 + 9.08333 t y ) · ( 1 + R - - - - - - c 31日 ) O 12 = ( - - - - - - 1.98967 + 2.961088 t y 2 - - - - - - 0.38809 t y 3 ) · ( 1 + R - - - - - - c 12 ) O 22 = ( - - - - - - 43.6667 + 58.0833 t y - - - - - - 13.5833 t y 2 ) · ( 1 + R - - - - - - c 22 ) 。

预测订单所有组的数据 7和 8。

把( 12)( 11)我们可以计算钱(营业额)。结果表明,(1)集装箱和散装的线性和二次趋势,分别和(2)的结果是可以接受的,直到2011年3月,但线性趋势增加和二次趋势突然减少后2011年4月,这并不符合实际情况。

因此,一个可选的物流模式是必要的。方程( 3)是假定趋势函数的订单。让( 10)和( 11总订单和资金的预测公式。

order-prediction模型给出了( 13),第二个散货组展示一个多项式趋势: (13) O 11 = 10.638 × e 0.95 + 0.104 我 1 + 0.0519 e 0.95 + 0.104 我 · ( 1 + R - - - - - - c 11 ) O 21 = 1.51 × e 0.95 + 0.104 我 1 + 0.0169 e 0.95 + 0.104 我 · ( 1 + R - - - - - - c 21 ) O 31日 = 3.96 × e 0.95 + 0.104 我 1 + 0.145 e 0.95 + 0.104 我 · ( 1 + R - - - - - - c 31日 ) O 12 = 12.823 × e - - - - - - 1.605 + 0.1643 我 1 + 0.164 e 0.95 + 0.104 我 · ( 1 + R - - - - - - c 12 ) O 22 = ( - - - - - - 43.6667 + 58.0833 t y - - - - - - 13.5833 t y 2 ) · ( 1 + R - - - - - - c 22 ) 。

季节比率计算的结果展示在表 5。

物流模型的结果如图 9和 10。只有一组 O 22 不能安装的物流模式。

多项式和物流模型的结果比较图 11。给出的预测两个模型目前不是很不同但是物流的趋势将在未来更重要。

总之,最初的建模命令不能立即占需求的出口和进口或国内生产总值。多项式趋势不给一个声音样本预测,和物流建模的订单似乎是适当的。图中给出的预测总资金 12。

模型选择主要取决于两个方面。一个是预测的样本。第二个是预测的样本。突然多项式模型的预测减少了样本和物流在这方面有更好的表现。因此物流模型优于多项式模型的样本。

现在让我们转向的分析样本。有一些具体的标准,如确定系数 R 2 和 F 以及,测量模型的拟合优度,歧视比其他人对线性回归模型。这不是与非线性回归模型(NLRMs),然而。根据( 20.),我们不能使用 t 以及(来测试一个人的重要性系数)或 F 以及(测试的整体意义估计回归)因为我们不能获得误差方差的无偏估计 σ 2 从估计的残差。此外,残差(实际的区别 y 值和估计 y 值NLRM)不一定总和为零,ESS和RSS TSS不一定增加,因此 R 2 = ESS / TSS 可能不是一个有意义的描述性统计等模型。一个替代的伪 R 广场 R - - - - - - 2 是提出的 21)如下: (14) R - - - - - - 2 = 1 - - - - - - ∑ 我 = 1 n u ^ 我 2 ∑ 我 = 1 n ( y 我 - - - - - - y - - - - - - ) 2 , 在哪里 n 是观察数, y =回归, u ^ 我 = y 我 - - - - - - y ^ 我 ,在那里 y ^ 我 是估计的 y 值NLRM(安装)。结果如表所示 6。

从表 6的值, R - - - - - - 2 订单预测的两个模型几乎是相同的。收入预测,时的价值 R - - - - - - 2 物流模型的多项式模型稍有优势。如前所述,物流模型比多项式预测性能的一个样本。样本的比较显示,然而,表演的两个模型非常相似。不过,总的说来,物流比多项式模型。

介绍一个小卡车运输公司的初创企业,其主要业务是码头的容器和少数长途散货运输业务。我们试图阐明如何分析导致SMTE所有者有用的信息。建模的预测订单数量的两种企业和总营业额有助于建立公司的战略投资和运营。

初始建模命令的简单回归和二元回归模型不能立即占需求的出口或国内生产总值。结果表明,公司的业务肯定是受到国家宏观经济因素如GDP和进出口,和这种效应滞后的一到两年运输服务需求是派生需求。订单的季节性波动,然而,更戏剧性的国家GDP和进出口总额。这可能是主要原因在预测回归模型没有执行好。竞争环境因素如客户和竞争者对smt直接影响性能。

有客户和竞争对手的数据不足以支持简单的回归模型。因此,时间序列分析是必然选择。我们分段数据由业务和运输距离得到一组时间序列的数据。多项式和物流趋势模型加上额外的季节性组件是用来适应不同部分的数据。安装示例数据都很好,但多项式趋势并不给声音预测样本的快速下降趋势。从多项式趋势模型拟合优度的角度来看,仍然是可以接受的。

我们不得不说,预测在未来显然不现实。一方面,小型运输公司并不一定会继续成长为大公司因为冷漠营销和缺乏规模经济。另一方面,大多数小型运输公司可以生存一个相对长时间由于灵活的运行方式。通常一个多项式趋势模型并不适合无限制的增加或减少的趋势,高阶系数是积极的还是消极的,分别。的原因之一的物流建模命令适当似乎是,它给了商业的上限。可接受的拟合优度和预测性能只能提供的物流模式,即使两个模型在样本的性能几乎相同的解决问题。

出乎意料,分析了金融危机对smt的影响的过程。首先,不规则的业务立即消失危机出现;同时,常规业务增加而不是减少,然后减慢一到两年的滞后,这是建立物流模型。有效距离内的卡车运输、交通总需求相对稳定,市场竞争力或可争的。大多数中小型运输企业的增长速度将会放缓后快速增长时期,有一个上限的业务规模。

我们的方法可以应付不同的动力smt的增长和金融压力的时期。金融压力的人会期望在更短的时间然后增长对smt可能更快但不一定,他们将继续快速增长。进一步的数据可以探讨后smt可能更良性的经济发展环境。然而,我们认为,该模型仍将达到一个合理的健康。