【摘要】近来来，国际原油价格居高不下，已经对国民经济的发展造成了一定的制约。为了降低成品油批发行业的运营成本及尽可能地避免“油荒”的出现，必须对未来的需求进行准确的预测。本文借鉴传统的指数平滑法和经典时间序列法两种预测模型，结合成品油行业的具体特性对预测结果进行修正和完善，可以较好地预测未来数月的成品油需求问题。
关键词：成品油，需求预测，指数平滑法，经典时间序列法
前言
本论文主要想阐述国内成品油批发行业对未来数月的需求预测问题。一方面由于各公司经营数量庞大且单价较高，过量的库存直接导致资金占用成本和仓储成本居高不下，另一方面由于各种原因又会经常出现缺货而产生失销成本。另外，“油荒”问题也会对国民经济的平稳发展及社会的稳定造成冲击。因此，如何准确预测下游用户的需求数量直接关系到各公司运营成本和利润的高低，也就成为各公司急需解决的问题。
需求预测问题是在做管理决策时经常碰到的问题。在理论研究方面，前人提出了多种可使用的标准化预测方法。这些方法一般可分为三类：定性法、定量法和因果法。每一类方法对长期和短期预测的相对准确性不同，定量分析的复杂程度不同，产生预测方法的逻辑基础也不同（历史数据、专家意见或调查）。下面列出一些常用的预测方法（【5】）。
德尔菲法——以一定顺序的问卷询问一组专家，对一份问卷的回答将用来制作下一个问卷。这样，仅有某些专家掌握的任何信息都会传递给其他专家，使得所有专家都掌握所有的预测信息。该方法剔除掉了跟随多数意见的跟风效应，属于中到长期预测。
销售人员估计法——预测时征求销售人员的意见。因为销售人员接近客户，所以他们能很好地估计客户需求，属于短到中期预测。
移动平均法——时间序列上移动平均的每一点都是一系列连续点的算术平均数或加权平均数。需要选择若干数据点以消除季节性影响或不规律性或前两者的共同影响，属于短期预测。
指数平滑法——类似于移动平均法，只是对更近期的点给与更大的权数。在描述上，新的预测值等于旧的预测值加上过去预测误差的一定比重。两重或三重指数平滑法是基本模型的更复杂版本。解决了时间序列的趋势和季节性变化的影响，属于短期预测。
时间序列分解法——将时间序列分解为季节性、趋势性和规律性因素的方法。在判断转折点时非常有用，是中期（3—12个月）预测的好工具。
回归模型——将需求与其他变量或解释变量联系在一起。变量选择的根据是其统计意义。因为一般都可以得到效果较好的回归计算软件，所以回归模型成为常用的预测技术，属于短到中期预测。
神经网络模型——新数据到来后，模型可以进行学习，属于短期预测。
不同的预测方法有不同的适用情况。在本文中，我们将结合成品油市场需求的特性来探讨如何利用过去的历史数据，综合运用指数平滑法、时间序列分解法来预测未来的需求数据。
模型
根据成品油最近几年需求的季节性分布统计（表1），我们可以看出季节性消费的变动趋势在逐年减少。主要原因是汽车消费和高耗能产业已经成为影响成品油消费的主导因素。但是涉及到具体的某一品种来说，例如柴油和航煤就会因春种秋收、夏季用电高峰和春运的影响而在某些月份出现高峰，具有较明显的月度变化特征。