中国快递包裹总量的预测-基于SARIMA模型

国家邮政局发布的数据显示，2015年4月底，快递业务量完成15亿件，同比增长50.9%。目前，快递业务量增速已连续50个月超过50%，尤其是网购旺季（双十一、双十二等），我国快递包裹在当月的总量在世界范围内没有任何国家可以相比。 电子商务的兴盛有效带动快递行业的高速发展，反之，快递行业的提升也为电子商务的增长提供配套支撑。

不过，快递业在迅猛发展的同时，也让行业“亚健康”的现状越发凸显。业内人士表示，虽然国内快递行业仍在高速增长，但目前运营“压力山大”，比如人员、车辆、场地等问题。

国家统计局网站公布的快递包裹量数据可以看作是标准的时序数据，但与普通时序数据不同的是，它的数值变化存在明显的季节性波动。处理季节性时间序列只用ARMA方法是不够的。描述这类序列的模型之一是季节时间序列模型(Seasona ARIMA Model)，用SARIMA表示。

本文旨在通过SARMA模型研究中国快递包裹总量变化情况，并测算合理参数构建模型用于预测，以帮助有关部门提前了解快递量需求，做好相应对策。从国家统计局网站下载2003年1月至2014年12月的快递量-当期值(万件)，首先，通过时间序列图对快递包裹量变化情况作一个直观判断。

上代码，R语言实现：

install.packages("forecast")

library(tseries)

#加载时间序列程序包

library(forecast)

require(graphics)

#快递包裹量（国家统计局数据）

ts.plot(exp)

#作这个时间序列的图,通过图作一个直观判断

从上图可以看出，从2008年开始，我国快递包裹量呈级数增长，并且存在明显的周期性变化，快递行业在此期间飞速发展。这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的。这类序列称为季节性序列。在快递包裹运输领域中，季节性影响是不可避免的。处理季节性时间序列只用ARMA方法是不够的。描述这类序列的模型之一是季节时间序列模型(Seasonal ARIMA Model)，用SARIMA表示。

par(mfrow=c(1,2))

acf(exp)

#查看自相关图

pacf(exp)

#查看偏相关图

经过图形观察，可以初步判断出：

1.我国快递包裹量有明显呈级数增长趁势；

2.包裹量的变化存在季节性因素；

3.通过自相关-偏自相关图可以看出，应该使用MA（）模型来拟合。

接下来使用R软件时间序列包的decompose函数对包括时序数据进行分解，分别为随机、趋势、季节。

x<-decompose(exp)

#通过decompose 进行分解：随机、趋势、季节

plot(x)#作图查看

通过随机、趋势、季节三张图可以看出，我国快递包裹量呈级数增长；包裹量的变化存在季节性因素；时序随机性变化平稳。

plot(x$seasonal)

通过以上分析，选择ARIMA(0,1,1)(0,1,1)[12]模型拟合数据效果最好，下面进行模型定阶检验：

exp.fit <- arima(exp,order=c(0,1,1), seasonal=list(order=c(0,1,2), period=12))nobs(exp.fit)

## [1] 131

tsdiag(exp.fit)

模型预测

arimafit<-auto.arima(exp)

plot(forecast(arimafit,h=20))

exp.forecast <- forecast(exp,4)

#给出80%，95%置信度下的置信区间，向前预测12期，默认情况下24期

plot.forecast(exp.forecast)

b=exp.forecast$mean #2015年预测值

a=c(144570.40,81779.50,142537.80,151483.90)

#2015年真实值

(b-a)/a

#误差

## Jan Feb Mar Apr

## 2015 0.7768333 1.3146107 0.8487638 0.6584730

除了二月份，其余三个月的预测值可以说非常准。二月份之所以不准，主要原因是赶上春节假期，全国休假，包裹量骤降是必然的。

综上所诉，针对带有季节波动性的时序数据，SARIMA模型明显优于ARIMA模型。通过SARIMA模型的预测结果可以看出，今后几年，我国快递行业将保持持续快速发展态势。

全国还有将近一半的乡镇不通快递。在这些乡镇，人们网购还不像北上广等大城市居民那样方便。还有很多农民盼望着快递企业可以帮助他们利用网络打开市场。因此，中国快递市场增长空间仍然十分巨大。