第三节 市 场 预 测所谓市场预测，就是运用科学的方法，对影响市场供求变化 的诸因素进行调查研究，分析和预见其发展趋势，掌握市场供 求变化的规律，为经营决策提供可靠的依据。市场预测的内容十分广泛丰富，从宏观到微观，二者相互联 系、相互补充。具体讲主要包括以下几个内容： 1.预测市场容量及变化。市场商品容量是指有一定货币支付 能力的需求总量。市场容量及其变化预测可分为生产资料市场 预测和消费资料市场预测。生产资料市场容量预测是通过对国 民经济发展方向、发展重点的研究，综合分析预测期内行业生 产技术、产品结构的调整，预测工业品的需求结构、数量及其变 化趋势。消费资料市场容量预测重点有以下三个方面： (1)消费者购买力预测。预测消费者购买力要做好两个预测： 第一，人口数量及变化预测。人口的数量及其发展速度，在很大 程度上决定着消费者的消费水平。第二，消费者货币收入和支 出的预测。 (2)预测购买力投向。消费者收入水平的高低决定着消费结 构，即消费者的生活消费支出中商品性消费支出与非商品性消 费支出的比例。消费结构规律是收入水平越高，非商品性消费 支出会增大，如娱乐、消遣、劳务费用支出增加，在商品性支出 中，用于饮食费用支出的比重大大降低。另外还必须充分考虑 消费心理对购买力投向的影响。 (3)预测商品需求的变化及其发展趋势。根据消费者购买力 总量和购买力的投向，预测各种商品需求的数量、花色、品种、 规格、质量等等。 1632.预测市场价格的变化。企业生产中投入品的价格和产品的 销售价格直接关系到企业盈利水平。在商品价格的预测中，要 充分研究劳动生产率、生产成本、利润的变化，市场供求关系的 发展趋势，货币价值和货币流通量变化以及国家经济政策对商 品价格的影响。 3.预测生产发展及其变化趋势。对生产发展及其变化趋势的 预测，这是对市场中商品供给量及其变化趋势的预测。 市场预测的方法很多，下面我们讨论两种主要的预测方法。 一、时间序列预测法在市场预测中，经常遇到一系列依时间变化的经济指标值， 如企业某产品按年（季）的销售量、消费者历年收入、购买力增长 统计值等，这些按时间先后排列起来的一组数据称为时间序列。 依时间序列进行预测的方法称为时间序列预测法。这里我们只 讨论最基本的平滑预测法。 (一)简单平滑法和加权平滑法 设时间序列为x1,x2,xt， 称平均数xt+1= (9.6)xxx NtttN+ +-+11.为时间序列xt的滑动平均数列,它亦是一个时间序列,叫做平滑 值序列，记为xt,tN。这里N称为平滑值序列的时段长。平滑 的目的主要是平滑数据，消除干扰，使时间序列的趋势变化显 示出来，以用于趋势预测。按上述公式求得平滑值序列并进行 预测的方法，称为简单平滑法。加权平滑法就是在计算滑动平均值时，各序列值xt 不作同 等对待，而是每个序列值乘上一个权因子。加权平滑序列计算 公式为：164xt+1= (9.7)aaa01111xxx NttNtN+ +-+.0,1,N+1 为权因子，并满足条件：i iNN 011现举例说明简单平滑法和加权平滑法的应用。 例：某家电商场的组合音响的逐月销售记录见表9-6，分别以3 和4个月作为平滑时段长进行月销售量预测。计算结果仍见表 9-6。从表中看出，预测值与滑动时段长短有关。N4时，平滑 值比N3时的平滑值的反应速度慢, 这是对干扰的敏感性降 低的结果。造成这种现象的原因，主要是参加平滑的数据一律 平等对待，不分先后。实际上最新数据更能反映销售的趋势。故 而，在实际预测中，要特别强调新数据的影响，突出新数据的作 用时，可采用加权平滑法。仍用前例，取 N3，032，11,212，预测结果见表9-7。 从表9-7的计算结果看出，采用加权平滑法，可以更准确地 反映实际情况。应注意的是此法中的“权数”和“平滑时段N”都 是重要参数，最新数据的权数愈大，其风险也愈大，愈容易受随 机干扰的影响。N愈大可以减少随机干扰的影响，但计算量随 之增大。 表表9-5 简简单单平平滑滑预预测测表表 月实际销 量（部）三个月的平滑预测值 （N=3）四个月的平滑预测值 （N=4） 1 20 预测公式 预测公式 2 21= (xt+xt1+xt2) / 3xt 1 = xt 1165(xt+xt1+xt2+xt3) / 4 3 23 4 24 （20+21+23）/ 3=21.3 5 25 (21+23+24) / 3=22.6(20+21+23+24) / 4=22.0 6 27 (23+24+25) / 3=24.0(21+23+24+25) / 4=23.3 7 26 (24+25+27) / 3=25.3 (23+24+25+27) / 4=24.8 8 25 (25+27+26) / 3=26.0(24+25+27+26) / 4=25.5 9 26 (27+26+25) / 3=26.0(25+27+26+25) / 4=25.8 10 28 (26+25+26) / 3=25.6(27+26+25+26) / 4=26.0 11 27 (25+26+28) / 3=26.3(26+25+26+28) / 4=26.3 12 29 (26=28+27) / 3=27.0(25+26+28+27) / 4=26.5表表9-6 加加权权平平滑滑预预测测表表 月实际销量 （部）三个月的加权平均预测值 (N=3) 1 20 预测公式= xt + 1 (1.5xt+xt1+0.5xt2) / 3 2 21 3 23 4 24 (1.523+21+0.520) / 3=21.8 5 25 (1.524+23+0.521) / 3=23.21666 27 (1.525+24+0.523) / 3=24.3 7 26 (1.527+25+0.524) / 3=25.8 8 25 (1.526+27+0.525) / 3=26.2 9 26 (1.525+26+0.527) / 3=25.7 10 28 (1.526+25+0.526) / 3=25.7 11 27 (1.528+26+0.525) / 3=26.8 12 29 (1.527+28+0.526) / 3=27.2(二)指数平滑法 前述简单平滑预测和加权平滑预测法中，均受到两方面的约 束：一是必须使用N个历史数据，二是预测值仅包含了这N个 数据的信息，而不能反映更多的历史数据的信息。指数平滑法 较好地克服了以上的不足，用指数平滑法得到的预测值既能较 多地反映最新观察值信息，又能反映大量的历史资料的信息， 且计算量大为减小，每次计算所需数据不多。设有一实测值时间序列xt，t=1,2,n，初始值为x0。又设 xt为平滑序列，若平滑预测值xt由下述公式求得：（9-8）xxxxtttt=+-111a() 则称此预测法为指数平滑法，此处称为平滑常数， 01，(xt1xt1)称为预测误差。 上式经简单处理，可得另一形式：xxttt=+-axa111 ()167(9.9)观察这一公式，可知预测值xt是前期实测值xt1与前期预 测值xt1的加权平均值，其权数分别为和(1-)。 现以某公司的月销售量记录作为指数平滑的预测实例。预 测计算结果见表9-7。 指数平滑法的预测结果依赖于平滑常数的选择。一般来 说，选得小一些，预测值趋向就较平稳；反之，则变化较大。如 果实际图形波动较大，就要求模型的灵敏度高一些，以便迅速 跟上数据的变化，这时应选得大一些。 二、回归预测法1.“回归”的含义。回归是指用于分析、研究一个变量（因变 量）与一个或几个其它变量（自变量）之间的依存关 系，其目的 在于根据一组已知的自变量数据值，来估计或预测因变量的总 体均值。在经济预测中，人们把预测对象（经济指标）作为因变 量，把那些与预测对象密切相关的影响因素作为自变量。根据 二者的历史和现在的 统计资料，建立回归模型，经过统计检验后用于预测。回归预测 有一个自变量的一元回归预测和多个自变量的多元回归预测， 这里仅讨论一元线性回归预测法。2.回归分析的基本条件。应用一组已知的自变量数据去估 计、预测一个因变量之值时，这两种变量需要满足以下两个条 件： 第一，统计相关关系。统计相关关系是一种不确定的函数 关系，即一种因变量（预测变量）的数值与一个或多个自变量的 数值明显相关但却不能精确且不能唯一确定的函数关系，其 中的变量都168表表9-7某某公公司司的的月月销销售售指指数数平平滑滑表表 （= 0.4）月 份实际销 量（千元）上月 实销上月 预测(1) 上月预测本月平 滑预测1 10 112 12 4.0 11 6.6 10.63 13 4.8 10.6 6.36 11.164 16 5.2 11.166.7 11.95 19 6.4 11.9 7.14 13.546 23 7.6 13.548.12 15.727 26 9.2 15.729.43 18.638 30 10.4 18.6311.18 21.859 28 12.0 21.5812.95 24.951018 11.2 24.9514.97 26.17 1116 7.2 26.1715.7 22.91214 6.4 22.9 13.74 20.14是随机变量。经济现象中这种相关关系是大量存在的。例如粮 食亩产量y与施肥量x之间的关系，二者明显相关但不存在严 格的函数关系，亩产量不仅与施肥量有关，还与土壤、降雨量、 气温等多种因素有关，这样亩产量y存在着随机性。 169第二，因果关系。如果一个或几个自变量x变化时，按照一 定规律影响另一变量y，而y的变化不能影响x，即x的变化是 y变化的原因，而不是相反，则称x与y之间具有因果关系，反 映因果关系的模型称为回归模型。 3.一元线性回归模型。所谓一元线性回归模型描述的是只有 一个自变量的、线性的、随机的函数关系：yi=a+bxi+i 式中：yi因变量（预测变量）；xi自变量；i随机干扰的误差项；a,b待定参数。 在统计假设条件下，有：yabx (9.10)这是一个直线方程，属于一元线性回归模型。 在预测实践中，预测者的任务是根据n组历史统计数据或 观察记录(xi，yi)，i=1,2,n，估计出线性回归模型中的参数a,b， 并记它们为a, b。于是将根据有限的统计数据所估计得来的方 程：y=a+bx (9.11) 称为样本回归预测方程，叫做回归系数(或回归参数)。 4.回归系数a,b 的确定。根据样本统计数据求一元线性回归 方程的过程，实际是如何由n组统计数据xi，yi，i=1,2,n，求 a,b的过程。求解方法很多，这里只介绍最小二乘法。 将样本数据xi代入方程式(9.12)，就得到一组相应于样本数 据yi的估计值：y=a+bx (9.12) yi与 之差称为估计误差或残差，以ei记之，yiyiyi = ei 则 ei = yi yi = yiabxi170估计a，b，亦即确定的准