1绪论
1.1研究背景及意义
1.1.1研究背景
随着我国经济的发展和人们生活水平显著提高，人们对于食品消费方面的追求已经由传统的单一性转变为多样性、便捷性和安全性。人们对肉制品越来越重视，主要体现在实效性的要求和多样性的要求两方面，由此导致肉制品企业的规模越来越大、种类越来越多、物流周期越来越短。肉制品行业必须为顾客提供高质量、价格低、选择多，柔性大的产品以及更好的服务，基于以上要求，肉制品企业必须保有大量而且多样的产成品库存，库存成本亦是企业物流成本中必不可少组成部分，这就决定了库存管理在肉制品企业中举足轻重的地位。“新鲜”、“味美”是对肉制品的一个重要衡量标准，企业需加强对肉制品的质量管理，肉类产成品在生产、存储过程中对于温度以及库存量的把控有一定的要求，这就对企业的产成品库存提出严格要求，企业不仅要保证肉制品的质量，还要节约库存成本，实现利益最大化。内蒙古旭一牧业有限公司成立于2011年，其所生产的各类肉制品深受内蒙古及北京、上海、天津等地区顾客的喜爱。而近年来，随着行业愈发激烈的竞争，企业的问题出现在库存管理环节中，一方面，库存积压占用大量资金，使得企业资金周转速度过慢，同时库存成本也相应的增加，另一方面，如果部分产成品或者原材料缺货则会直接降低企业对于顾客的订单满足率，同样企业的服务水平和客户的满意度也会受到一定的影响。如何降低食品企业的库存成本是我国很多食品企业发展中所面临的急迫问题，因此，使肉制品产业能够健康平稳的发展，就必须要全面提高企业的库存管理水平。
1.1.2研究意义
本文在现有理论基础上，结合内蒙古旭一牧业的实际情况，指出该企业在产成品库存控制存在的问题，有针对性的在产成品库存控制方面表现出的诸多不合理问题进行分析，应用理论切实提出解决企业产成品库存控制问题的方案。问题研究以内蒙古畜旭一牧业所存在的问题作为出发点，提出合理的解决方案，但不仅局限于解决该企业的产成品库存问题，由于当前对肉制品企业产成品库存控制与优化问题的研究相较于传统工业库存管理而言较少，所以研究肉制品企业产成品的库存控制与优化问题有助于丰富、发展库存管理理论，同时对行业内其他企业的产成品库存控制也有一定借鉴意义。
1.2国内外研究现状
随着科学技术进步越来越快，企业市场环境的竞争也愈发激烈，用户对于需求也越来越严格，如何以最低成本快速高效地满足客户需求是许多公司面临的问题。因此，物流管理已成为提高企业竞争力的关键，而物流管理的核心内容之中就有产成品库存控制。产成品库存优化是指工业企业生产的并经质量检验合格的、已办理入库手续但尚未销售出去的本期末实际产成品库存量，并将产成品和其他资源进行有效的管理和控制，使其库存保持在经济合理的水平。
1.2.1国外研究现状
Matthijs van Bergen和Michiel Steeman(2018)提出未来市场需求预测及库存优化问题，并详细说明了如何构建时间序列模型，利用该模型对问题进行预测及优化，可在实例中得到利用[1]。
Oussama Ben(2017)指出库存问题是现代物流系统的重要组成部分。企业需随机提供需求计划进行的库存优化策略,促进了库存快速流通的实现,控制了企业的成本,将库存积压的威胁控制在合理范围内[2]。
KamBernie(2017)提出了在泊松需求过程中，库存系统是作为基础库存系统运作的,在不服从任何分布情况下，采用需求预测法来预测未来市场对产品的需求量，也可以用来预测间断的产品需求[3]。
Aldrich等人(2016)利用XNASA航空公司的一些历史数据，通过检验17种预测技术的精度，结果表明在预测间断需求时利用加权移动平均法、指数加权平均法、指数平滑的方法较好[4]。
Brandon(2016)在了解企业的背景和需求备件的实际情况，讨论通过对企业建立非固定备件库存管理计划具有重要的意义和价值，还将需求分为两类:紧急需求和普通需求。这一分类大大提高了库存控制的有效性和针对性[5]。
1.2.2国内研究现状
李海玲(2019)从农产品冷链物流的重要性入手，分析农产品冷链物流成本情况，总结出存在的问题，提出优化农产品冷链物流中一些问题的相关策略，并利用用灰色模型对我国冷链物流需求预测优化求解，再将结果进行比较，发现其能更好的实现对未来库存量优化及需求量的预测[6]。杨海民,潘志松,白玮（2019）阐述了时间序列预测方法的一些操作，对于一些问题进行求解的基本步骤及过程[7]。李怡（2017）从ABC分类法的概念定义出发，阐述其在企业管理中的发展以及运用[8]。禹雯（2017）介绍ABC分类法,以企业实例,详细分析了ABC分类法在企业库存管理中的应用,并提出ABC分类法存在的不足之处及改进意见[9]。朱峰、董明和张大力(2015)通过对比研究方，提出了再制造供应链管理策略的有效性[10]。陈湘芝(2015)对需求预测的库存管理技术与系统进行了研发，为企业提供了具有参考价值的方法[11]。韩真真(2014)总结了存货管理的发展历程，评价了存货管理方法的适用性，展望了存货管理的研究方向[12]。陈峰涛(2016)库存管理在制造业企业的发展过程中发挥着重要作用，加强库存管理的能够大大提升企业的市场竞争力，实现可持续发展[13]。郑琰(2019)基于多种群遗传算法的时间序列模型预测精度较高，对电商企业的采购与库存决策具有实际应用价值[14]。刘翠娜(2017)要加强中小企业的库存管理，必须从内部人事制度，集中管理，员工素质和信息管理等方面入手，然后根据企业的实际情况，建立科学化、规范化、信息化的库存管理模式[15]。
1.3研究主要内容和技术路线
1.3.1研究主要内容
本论文共分为五个部分，分别是绪论、相关理论概述、内蒙古旭一牧业产成品库存现状及问题分析、内蒙古旭一牧业产成品库存控制优化、结论。
第一部分绪论。包括研究背景与意义、国内外研究现状、研究思路与方法。针对当前的研究背景进行叙述，明确研究意义，对于国内外学者关于对产成品库存控制与优化的研究内容进行整理学习，并列出本文具体框架，理清行文脉络。
第二部分相关理论概述。首先介对产成品控制优化的理论知识进行概括，然后对ABC分类法及时间序列预测法进行了阐述。
第三部分内蒙古旭一牧业产成品库存现状及问题分析。根据内蒙古旭一牧业产成品库存的基本现状，搜集企业产成品库存有关的的历史数据进行对比分析，找出该企业产成品库存控制与优化过程中存在问题和产生的原因进行研究。
第四部分内蒙古旭一牧业产成品库存控制优化。首先对内蒙古旭一牧业产成品库存中存在的问题进行深入分析，在对相关问题进行分析后，提出具体方法并建立了优化模型进行分析求解，最后对所搜集到的相关数据进行数据验证，得出所研究论证问题的解决方案。
第五部分结论。在总结本论文对于内蒙古旭一牧业产成品库存的相关问题与解决方法的同时，为本文所研究的对象以及拥有同类问题的企业提供借鉴。
1.3.2研究本文的技术路线
为了取得良好的结果，利用理论和实际相结合的研究方法展开。研究方法和论文的主要部分的技术路线如图1-1所示。
图1-1论文具体研究思路及方法
2相关理论综述
2.1产成品库存控制优化概述
产成品库存优化是指工业企业生产的并经质量检验合格的、已办理入库手续但尚未销售出去的本期末实际产成品库存量，并将产成品和其他资源进行有效的管理和控制，使其库存保持在经济合理的水平[16]。企业在保证正常的生产和满足客户需求的前提下，产成品的库存量应当是保持在一种动态平衡当中的，目的是为了可以满足客户需求，降低库存占用，降低库存投入成本占比以及库存的资金占用，这样可以加快企业的资金周转率，再提高公司的市场竞争力。
2.2 ABC分类法概述
ABC分类法又称帕累托分析法，起源于意大利社会学家帕累托对英国人口和收入问题的研究，ABC分类法的核心思想是确定事物的多种因素中区分主要因素和次要因素，确定在事情中起决定作用的几个关键因素，以及对事物影响最小但影响最小的次要因素[17]。ABC分类法的基本原理是使用数学统计方法，这些分为三部分：A、B、C，重要，一般，中等和其他层次的相应管理。与库存管理相对应，ABC分类管理是将物料清单中各种产品的年消耗金额，即为该产品的单价与年消耗量的乘积，年消耗金额较高的产品品类划分为重要的A类，A类产品的金额占所有库存产品总金额的60%-80%；一般重要的B类，B类产品占用品种比A类物资多一些，但所占用的资金比A类产品总金额少一点，约占总金额的15%-25%;不重要的C类，C类产品的品种数目最多，但所占用的资金金额最小，约占总金额的5%-10%，其中ABC三类产品数量所占的比例分别为10%,20%,70%,但上下有一定的浮动空间。企业可根据资金的种类和数量管理和控制不同层次占据。具体分类标准参见表2-l。
表2-1 ABC分类标准（根据所占全部品种数量和全部库存周转量）
| 物料类别 | 品种数量百分比% | 库存周转量百分比% |
| A | 5%-15% | 70%-75% |
| B | 20%-30% | 20%-25% |
| C | 60%-80% | 5%-10% |
2.3时间序列预测概述
时间序列又称动态数列，是指按时间顺序排列的某种统计指标的数值，时间单位可以是分钟、小时、天、周、月、季度、年或若干年，将预测对象的历史数据按照时间顺序排成时间序列，然后通过分析时间序列的变化趋势，来推断预测对象的未来价值[18]。
时间序列构成因素包括：长期趋势（T）在较长时期内由一些基本因素影响引起的总体的变化趋势；季节变化（S）现象随季节变化引起规律的周期性变化；周期性变化（C）现象以年为周期呈现出波浪起伏模式的规律变化；不规则变异（I）是一种不规则变化，包括严格的随机变化和不规则的突发性影响。上述因素影响的结果如图2-1所示。
图2-1时间序列影响因素作用示意图
时间序列预测主要用于预测与时间紧密相关的事件，如库存量，需求或销售额。主要有简单移动平均法、加权移动平均法、简单指数平滑法、趋势平滑法、线性回归法、季节性趋势预测法、市场寿命周期预测法都属于时间序列预测的方法。本文通过已知数据，运用指数平滑法、季节指数法和回归分析预测三种方法来做出企业对未来市场的需求预测。
3内蒙古旭一牧业产成品库存现状及问题分析
3.1内蒙古旭一牧业有限公司简介
内蒙古旭一牧业有限公司成立于2011年，是一家专业从事种牛繁育、肉牛饲养、育肥、屠宰、销售及饲草料生产等于一体的自治区农牧业产业化重点企业。位于巴彦淖尔市杭锦后旗，地理位置，是典型的阴山和黄河交错区(河套平原)。总投资6亿元，建成种牛养殖区占地600亩,肉牛养殖区占地3000亩(乌兰布和沙漠边)，屠宰加工区占地100亩并配套了先进的屠宰、排酸、分割、速冻、冷藏、包装等生产线及设施,现有员工800人，专业技术人员近300人。
为打造肉牛养殖的有机肉牛创造了有力条件，公司引进安格斯、日本和牛、西门塔尔、夏洛莱、秦川红牛等优良品种，目前存栏达30000头。企业产品主要分为：低温出口冷冻肉制品,箱装有机牛羊肉,中式肉酱卤制品,肉制类礼品，四个品类，其所生产的各类肉制品深受内蒙古及北京、上海、天津等地区顾客的喜爱。该企业的肉类产品市场占有率稳居全市第一，肉类产品的业务保持高速增长的态势，内蒙古旭一牧业有限公司肉类产品市场遍及全国，过去两年的年销售额均超过20亿元人民币，近年来，业务量平均年增长率超过40%,在市场上发展趋势良好。
3.2企业组织架构
从内蒙古旭一牧业有限公司的运营现状来看，其业务主要为肉类制品销售以及自主品牌的运营。未来，内蒙古旭一牧业有限公司形成以市场需求为导向，自主品牌设计为龙头，以营销网络拓展为重点，以成为推动肉类制品行业发展和产业升级的领先企业，从而满足了消费者对贵金属工艺品口益增长的投资和收藏等需求。经过近年来的快速发展，该企业已经建成了多渠道、覆盖全国的产业网络。内蒙古旭一牧业有限公司与库存管理相关的管理部门有营销中心、养殖和屠宰加工中心、财务部，其中营销中心下设有采购部、质检部和仓管部。
内蒙古旭一牧业的组织架构与我国的大多数企业一样，主要是传统的职能型企业组织架构，详情见图3-1所示。
图3-1企业组织架构
3.3企业产成品库存现状
内蒙古旭一牧业有限公司的库存类型目前主要分为三类，分别是原材料、在产品和产成品。原材料是指生产过程中使用的各种主要材料、辅助材料、低值易耗品、包装材料、劳动保护用品、设备维修件等;在产品是指在生产工序中待加工的产品;产成品是指经过最终检验合格的待出货的产品，本文主要研究的是企业产成品的库存。在对内蒙古旭一牧业产成品库存现状分析时，主要从公司的基本管理制度、产成品销售和存货的数据来进行说明。
3.3.1基本管理制度现状
内蒙古旭一牧业有限公司对于企业产成品库存管理所制定的相关制度只强调了于库存管理的流程以及人员工作职责，并没有对仓库内的产成品数量和金额进行管控，而且企业也没有一套行之有效的管理制度全面、系统的管控公司的库存。由于企业管理制度的缺失，使得企业在对产成品库存管理方面缺乏理论依据和科学管理的方法。
3.3.2产成品库存现状
通过了解和实地考察，搜集和获取了内蒙旭一牧业近年来产成品的销售数据和仓库存货之间进行对比，内蒙古旭一牧业近五年来的经营状况以及年终的库存情况如表3-1所示（说明：仓库存货包含公司的在产品和产成品，不包含生产所需的原材料）。
表3-1内蒙古旭一牧业近五年销售和仓库存货情况
| 年度 | 2015 | 2016 | 2017 | 2018 | 2019 |
| 销售数量（万件） | 35.31 | 36.43 | 37.26 | 39.73 | 38.11 |
| 销售金额（万元） | 11300 | 12600 | 12740 | 13700 | 13570 |
| 存货数量（万件） | 3.95 | 3.35 | 3.68 | 3.82 | 3.43 |
| 存货金额（万元） | 3127.22 | 3028.39 | 3214.93 | 3316.77 | 3256.27 |
2019年上半年，因受整个肉制品行业以及疫情的影响，内蒙古旭一牧业的生产经营情况并不乐观，并且企业也随之出现了产成品库存积压问题，以下是内蒙旭一牧业各月份销售情况如表3-2所示
表3-2 内蒙古旭一牧业有限公司2019年1-5月份的销售情况（单位：万元）
| 月份 | 1月 | 2月 | 3月 | 4月 | 5月 |
|
销售 金额 |
828.2 （万元） |
687.6 （万元） |
1039.7 （万元） |
1045.0 （万元） |
1183.3 （万元） |
各月份仓库存货情况，如表3-3所示
表3-3 内蒙古旭一牧业有限公司2019年1-5月份仓库存货情况
| 月份 | 1月 | 2月 | 3月 | 4月 | 5月 |
| 产成品存货数量（件） | 292,419 | 360,630 | 372,631 | 363,780 | 350,805 |
| 产成品存货数量（万件） | 1547.63 | 1664,65 | 1676,88 | 1793.06 | 1671,21 |
（续表）
| 存货总金额（万元） | 3047.33 | 3059.76 | 3094.22 | 3260.27 | 3122. |
根据2018-2019销售额与库存增长额数据进行比对分析，如表3-4所示
表3-4 企业销售额与库存增长额数据表（单位：万元）
| 核算内容 | 2018年 | 2019 | ||
| 销售成本 | 入库金额 | 销售成本 | 入库金额 | |
| 1月 | 458.01 | 548.15 | 458.69 | 1099.71 |
| 2月 | 545.91 | 678.17 | 472.96 | 674.88 |
| 3月 | 571.65 | 393.69 | 681.15 | 372.07 |
| 4月 | 584.59 | 315.78 | 744.32 | 520.88 |
| 5月 | 520.26 | 625.27 | 632.41 | 678.94 |
| 6月 | 543.99 | 618.84 | 471.13 | 1002.03 |
| 7月 | 549.47 | 789.86 | 567.01 | 582.16 |
| 8月 | 349.58 | 728.28 | 530.59 | 1014.51 |
| 9月 | 692.74 | 782.67 | 626.71 | 714.71 |
| 10月 | 605.05 | 632.05 | 746.27 | 974.74 |
| 11月 | 719.61 | 863.14 | 958.00 | 1386.25 |
| 12月 | 586.43 | 629.97 | 934.63 | 711.93 |
| 合计 | 6772.29 | 7605.87 | 7823.87 | 9731.79 |
表3-4中的是内蒙古旭一牧业有限公司2018年-2019年两年的销售成本和入库金额，如果把入库金额当做是企业库存增长额，那么销售成本就是与之相对的扣除利润和费用之后的企业相对销售额。从表中很明显可以看到2018年库存增长额比相对销售额多了833.58万元，2019年库存增长额比相对销售额多了1907.92万元，说明2018-2019年内蒙古旭一牧业有限公司的库存总额分别增长了833.58万元和1907.92万元，由此导致内蒙古旭一牧业有限公司2019年底库存总量一直居高不下，库存积压现象开始显现。
据了解，内蒙旭一牧业有限公司在每年的1-5月份的库存周转速度会呈下降趋势，因为1-5月处于全年的销售淡季，这期间会造成大幅下降;其次，企业为了6月份开始到来的小旺季提前备货，入库的货物相对较多，库存总量也会随之上升。在进入6月份后随着企业销量的逐步增加，库存周转速度也开始慢慢回升。到了9月份的时候，企业开始为给11、12月份的年末大旺季进行备货，货物的库变得频繁，就出现了周转速度下降的现象。由此说明了内蒙古旭一牧业有限公司库存的积压问题也越来越严重，2018-2019年产成品库存周转率走势如图3-2所示。
图3-2 2018-2019年产成品库存周转率走势
从表3-5企业产成品的库存账龄方面来看，虽然从占比看，2019年末1年以上库存比2018年末1年以上库存只增加了1.71%，比例变动并不明显，但是从金额来看2019年末1年以上库存比2018年末1年以上的库存多了104.59万元，比2018年的1年以上库存增加了46.28%。以至于到2019年年底，库存积压问题已上升到了企业必须重视的问题。
表3-5 2018-2019年年末内蒙古旭一牧业产成品的库存账龄
| 时 间 | 核算内容 | 3个月内 | 3-6个月 | 6-12个月 | 1年以上 | 小 计 |
| 2018年末 | 金额 | 891.33 | 137.67 | 139.91 | 225.97 | 1394.88 |
| 占比 | 63.90% | 9.87% | 10.03% | 16.20% | 100.00% | |
| 2019年末 | 金额 | 1186.07 | 152.61 | 170.02 | 330.56 | 1839.26 |
| 占比 | 64.49% | 8.30% | 9.24% | 17.97% | 100.00% |
3.4企业产成品存在主要问题及分析
3.4.1库存产成品的分类体系不完善
内蒙古旭一牧业有限公司对于库存产成品没有准确、详尽的分类方法，造成在库产成品十分混乱，由于企业没有这方面相关理论基础，未能及时的对产成品进行合理有效的分类，使得企业在库存控制方面水平较低。
3.4.2库存控制策略不明确
根据内蒙古旭一牧业有限公司的实际情况，该企业对在库所有产成品的库存控制策略都采用定期补货策略，这种策略将所有的产成品周期界限固定为一个周期，是从上一周期末的库存水平检查结束之后开始到本周期期末库存水平检查结束。每个周期的库存产成品补货后的目标库存水平为：
库存水平=，其中为第N个周期的月销售量的预测值(式3-1)
=本期期初的库存水平+本期的生产量-本期的销售预测量
内蒙古旭一牧业有限公司的生产需求计划量(即补货量)，通常是由本期和下个周期的销售量预测值以及初期的库存水平来决定的，如下所示：
补货量=，其中In-1表示本周期初期库存水平(式3-2)
通过上述库存控制表达式可以看出，一方面企业没有全面考虑产成品的价值高低以及对企业真实的影响力，另一方面就是企业对库存目标不明确，没有说明企业周期末的库存水平应该控制在什么范围，如果对在库产成品每个周期补货量的确定存在很大的因素，企业对每个产成品未经合理分类且销售预测值也会受市场影响每个月都会出现波动，所以每一个周期库存的目标也会随之波动，采用这种库存控制策略缺乏针对性。
3.4.3产成品库存积压且预测失准
内蒙古旭一牧业产成品对未来市场的需求预测工作十分重视，但企业内部并没有科学合理的预测方法和流程，该企业在2018年之前一直沿用的就是个人判断法，这种方法给企业带来了许多隐患，一旦判断错误，就会使得企业对市场未来市场需求预测失准，生产出来的产品很容易滞销，久而久之便形成了积压库存。到2018年以后企业开始运用一些方法进行预测，由于企业未对产品进行合理的分类以及理论基础不够，导致企业的工作人员在预测过程中出现预测偏差的问题，销售量预测值大于实际销售量，企业库存依然会产生产成品积压问题；销量预测值若小于实际销售量，则会导致企业出现订单满足率较低的问题。所以企业还是急需科学合理的预测方法。
4内蒙古旭一牧业产成品库存控制优化
根据上章中反映出内蒙古旭一牧业有限公司的产成品库存中存在的问题主要是产成品冗余积压，造成这一问题的原因首先是该公司产成品库存混乱且分类不合理，使得库存控制水平不稳定；其次是现行库存控制策略不够明确，库存控制策略缺乏针对性；最后就是内蒙古旭一牧业有限公司对于未来市场需求量预测的准确度不高，而且缺乏科学合理的预测方法，现行的一些方法给企业带来了诸多的隐患，使得企业生产出来的产成品滞销，形成了积压库存等问题。本章根据内蒙古旭一牧业产成品库存中出现的的问题及成因，结合ABC分类、时间序列预测等方法为企业产成品库存进行控制与优化。
4.1对库存产成品进行ABC分类策略
要提高内蒙古旭一牧业有限公司产成品库存管理的水平，首要任务就是开展规范化管理，对企业的产成品库存进行货品分类。搜集了内蒙古旭一牧业产成品库存明细如表4-1所示。
表4-1内蒙古旭一牧业产成品库存明细表(2019年末盘点数据)
| 产品序号 | 产品名称 | 产成品出库统计(件) | 单 价(元) |
| 1 | 低温冷冻利木赞牛肉 | 2120 | 395 |
| 2 | 低温冷冻杜泊羊肉 | 1741 | 275 |
| 3 | 箱装有机牛柳 | 1399 | 145 |
| 4 | 箱装有机牛领 | 966 | 166 |
| 5 | 箱装有机眼肉 | 2157 | 153 |
| 6 | 箱装有机米龙 | 1813 | 148 |
| 7 | 箱装有机牛肋排 | 1025 | 286 |
| 8 | 箱装有机牛脊骨 | 1778 | 80 |
| 9 | 箱装有机牛上脑 | 828 | 122 |
| 10 | 箱装有机羊肋排 | 1726 | 142 |
| 11 | 箱装有机羊霖肉 | 1510 | 137 |
| 12 | 箱装有机羊里脊 | 1373 | 115 |
| 13 | 箱装有机羊颈肉 | 1324 | 93 |
| 14 | 箱装有机羊腿肉 | 1185 | 183 |
（续表）
| 产品序号 | 产品名称 | 产成品出库统计(件) | 单 价(元) |
| 15 | 牛肉风味火腿 | 1487 | 13 |
| 16 | 旭一酱卤牛肉 | 1159 | 40 |
| 17 | 旭一酱卤牛筋 | 1960 | 35 |
| 18 | 旭一豆豉牛肉酱 | 1994 | 11 |
| 19 | 旭一香菇牛肉酱 | 1296 | 14 |
| 20 | 安格斯牛肉礼盒 | 1697 | 133 |
| 21 | 秦川牛肉礼盒 | 1824 | 108 |
| 22 | 旭一有机牛肉礼盒 | 969 | 124 |
| 23 | 日本和牛肉礼盒 | 1503 | 119 |
| 合计 | 34834 |
（数据来源：内蒙古旭一牧业有限公司内部数据，自行整理）
根据已知数据进行处理计算，将内蒙古旭一牧业有限公司产成品出库统计进行按照大到小的顺序排列，计算结果如表4-2所示
表4-2 数据分析表
|
产品序号 |
产成品 出库统计（件） |
产成品 品种比率% |
占全部品种的累计比率% |
产成品库存 周转量比率% |
占全部周转量的累计比率% |
| 5 | 2157 | 4.3% | 4.3% | 6.2% | 6.2% |
| 1 | 2120 | 4.3% | 8.7% | 6.1% | 12.3% |
| 18 | 1994 | 4.3% | 13.0% | 5.7% | 18.0% |
| 17 | 1960 | 4.3% | 17.4% | 5.6% | 23.6% |
| 21 | 1824 | 4.3% | 21.7% | 5.2% | 28.9% |
| 6 | 1813 | 4.3% | 26.1% | 5.2% | 34.1% |
| 8 | 1778 | 4.3% | 30.4% | 5.1% | 39.2% |
| 2 | 1741 | 4.3% | 34.8% | 5.0% | 44.2% |
| 10 | 1726 | 4.3% | 39.1% | 5.0% | 49.1% |
| 20 | 1697 | 4.3% | 43.5% | 4.9% | 54.0% |
| 11 | 1510 | 4.3% | 47.8% | 4.3% | 58.3% |
| 23 | 1503 | 4.3% | 52.2% | 4.3% | 62.6% |
（续表）
|
产品序号 |
产成品 出库统计（件） |
产成品 品种比率% |
占全部品种的累计比率% |
产成品库存 周转量比率% |
占全部周转量的累计比率% |
| 15 | 1487 | 4.3% | 56.5% | 4.3% | 66.9% |
| 3 | 1399 | 4.3% | 60.9% | 4.0% | 70.9% |
| 12 | 1373 | 4.3% | 65.2% | 3.9% | 74.9% |
| 13 | 1324 | 4.3% | 69.6% | 3.8% | 78.7% |
| 19 | 1296 | 4.3% | 73.9% | 3.7% | 82.4% |
| 14 | 1185 | 4.3% | 78.3% | 3.4% | 85.8% |
| 16 | 1159 | 4.3% | 82.6% | 3.3% | 89.1% |
| 7 | 1025 | 4.3% | 87.0% | 2.9% | 92.1% |
| 22 | 969 | 4.3% | 91.3% | 2.8% | 94.8% |
| 4 | 966 | 4.3% | 95.7% | 2.8% | 97.6% |
| 9 | 828 | 4.3% | 100.0% | 100.0% | |
| 合计 | 34834 |
按照数据分析表，观察产成品的品种的累计比率产成品库存周转量的累计比率，依照ABC分类标选择断点，由于企业产成品种类较多，所以要根据产成品所占库存周转量来对内蒙古旭一牧业有限公司的产成品进行分类，如表4-3所示
表4-3 内蒙古旭一牧业有限公司产成品库存的ABC分类
| 物料类别 | 产品序号 |
库存周转量 百分比% |
采购量计算 | 库存检查 |
| A | 5、1、18、17、21、6、8、2、10、20、11、23、15 |
70%-75% |
精细计算 |
经常检查 |
| B | 3、12、13、19、14、16 | 20%-25% | 粗略计算 | 定期检查 |
| C | 7、22、4、9 | 5%-10% | 一般控制 | 年终检查 |
将内蒙古旭一牧业有限公司的库存产成品进行ABC分类，利用这一方法可以有效针对不同等级的产成品来进行分类管理和分配，这样一来不但完善了企业的管理体制，而且也使得企业对产成品的库存在进行管理时可以更加合理、更加优化。
4.2改进产成品库存控制策略
由于内蒙古旭一牧业有限公司的产成品种类较多，我们对其进行了科学有效的分类后，根据不同产成品类别采取不同的库存控制策略，为内蒙古旭一牧业有限公司提出合理的改进策略。目前，内蒙古旭一牧业有限公司对所有产成品的未来市场需求是未知的，一般采用随机型库存控制模型。随机型库存控制模型通常采用的是周期性库存检查策略和连续性库存检查策略来决策何时补货以及补多少货的问题，其中周期性库存检查策略包括（t,S）策略和（t,R,S）策略两种，连续性库存检查包括（Q,R）策略和（R,S）策略两种。
4.2.1企业A类产成品库存控制策略
在对内蒙古旭一牧业A类产成品在库存控制策略的选择上，由于A类产成品属于企业重点的库存管控对象，所以在管控这类产成品的时候，多数情况应选用连续性库存检查中的（R,S）策略，这一补货策略是指连续性检查库存状态，当企业发现库存低于订货点水平R时，开始订货，订货后使得最大库存保持为常量S，若发出订单时库存为I，则其订货量即为S-I，如图4-1所示，该策略较同类的（Q,S）策略的不同之处在于其订货量是按照企业实际库存而定，所以适用于需求量大、缺货费用较高、价值较高的A类产成品。
图4-1（R,S）策略示意图
4.2.2企业B类产成品库存控制策略
根据ABC分类表可知，对B类产成品库存所采用的是定期检查，根据企业的实际情况，可采用周期性库存检查策略中的（t,S）策略。（t,S）策略是定期检查的一次库存，并发出一次订货，订货量可根据企业当前的库存量与最大库存量确定。
企业的仓库管理人员在盘点和检查库存时的库存量为I，为了把现有的库存补充到最大库存水平S，订货量则为S-I。经过一定时间（补货一提前期LT）,库存可得到补充，在经过一个固定检查时期t，又发出一次订货，经过一定时间，企业的库存又将达到新的高度，如图4-2所示
图4-2（t,S策略示意图）
4.2.3企业C类产成品库存控制策略
内蒙古旭一牧业有限公司的C类产成品占全部库存周转率较少，而且这类产成品的市场需求波动不大，相对于A、B两类产成品来说市场需求量比较稳定。由于C类产品的市场需求量、企业仓库的单次补货成本和产成品的单价是已知的，可以对企业的C类产成品库存采用EOQ（经济订货批量）补货策略来进行更好地管控该类商品。
内蒙古旭一牧业有限公司可根据EOQ相关理论进行计算，经济补货批量Q0的计算公式为：
(式4-1)
最佳订货周期T0的计算公式为：
(式4-2)
其中，D表示周需求量（箱/周），RC和HC表示的是每次补货时所需成本与持有单位产成品单位时间的存货成本。
对内蒙古旭一牧业有限公司的C类产成品采用EOQ策略，主要是根据上述计算公式和定货点法，因为采用这种方法不仅可以考虑到企业实际的的存货储囤成本,而且还可以通过计算得出最优成本方案，只有通过合理的订批量才能使企业获得最佳的投资效益，如图4-3所示
图4-2 EOQ定货点法
4.3选择科学完整的方法进行预测
内蒙古旭一牧业有限公司对未来市场的需求预测一直以来沿用都是个人判断法，这种方法给企业带来了许多隐患，一旦判断错误，就会使得企业对市场未来市场需求预测失准，生产出来的产品很容易滞销，久而久之使得企业的产成品形成了积压库存。
由于内蒙古旭一牧业有限公司缺乏相关的理论知识和科学的方式方法，所以最主要的就是改进企业当前的需求预测方法，为企业选择一个科学完整的需求预测方法，进而提高企业对未来市场需求预测的准确性，目前常用需求预测方法主要包括指数平滑法、季节指数法以及回归分析预测法等，本文根据内蒙古旭一牧业有限公司主要存在的问题，选取了该公司2018-2019年部分产成品历史数据，如表4-4所示，通过运用指数平滑法、季节指数法和回归分析预测三种方法来对数据进行计算和标准差验证，同时考虑在企业中的适用性。
表4-4 2018-2019年部分产成品月度销售数据表（单位：件）
| 时间/产成品 | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 2018年1月 | 558 | 792 | 651 | 1230 | 348 | 600 | 402 | 735 | 297 | 294 |
| 2018年2月 | 393 | 246 | 717 | 1527 | 1002 | 537 | 744 | 744 | 249 | 678 |
| 2018年3月 | 717 | 447 | 1356 | 1821 | 789 | 1188 | 906 | 906 | 243 | 702 |
| 2018年4月 | 510 | 360 | 873 | 1365 | 270 | 723 | 1335 | 1335 | 177 | 432 |
| 2018年5月 | 276 | 516 | 894 | 1779 | 1269 | 1794 | 897 | 897 | 189 | 963 |
| 2018年6月 | 522 | 474 | 525 | 2544 | 585 | 990 | 1116 | 1116 | 240 | 837 |
| 2018年7月 | 537 | 423 | 537 | 1572 | 972 | 894 | 1128 | 1128 | 153 | 342 |
| 2018年8月 | 330 | 660 | 423 | 786 | 366 | 882 | 552 | 552 | 90 | 171 |
| 2018年9月 | 483 | 468 | 606 | 1569 | 597 | 480 | 597 | 597 | 111 | 321 |
| 2018年10月 | 663 | 414 | 1245 | 2082 | 777 | 846 | 1185 | 1185 | 192 | 672 |
| 2018年11月 | 585 | 366 | 627 | 1977 | 72 | 807 | 858 | 858 | 168 | 672 |
| 2018年12月 | 639 | 213 | 957 | 1998 | 1047 | 774 | 1047 | 1047 | 300 | 954 |
| 2019年1月 | 474 | 396 | 558 | 1905 | 330 | 948 | 900 | 900 | 147 | 600 |
| 2019年2月 | 780 | 666 | 918 | 1842 | 660 | 888 | 1197 | 1197 | 36 | 513 |
| 2019年3月 | 900 | 1224 | 822 | 2730 | 1026 | 2304 | 1134 | 1134 | 375 | 525 |
| 2019年4月 | 756 | 624 | 684 | 1041 | 816 | 954 | 1284 | 1284 | 165 | 537 |
| 2019年5月 | 768 | 984 | 849 | 2583 | 1155 | 975 | 1542 | 1542 | 504 | 1746 |
| 2019年6月 | 564 | 1389 | 669 | 2262 | 879 | 2724 | 2325 | 2325 | 138 | 1356 |
| 2019年7月 | 387 | 711 | 399 | 2526 | 978 | 1698 | 162 | 1055 | 105 | 876 |
| 2019年8月 | 420 | 405 | 366 | 1266 | 456 | 744 | 132 | 585 | 60 | 663 |
| 2019年9月 | 855 | 1182 | 1365 | 3009 | 630 | 2517 | 273 | 2331 | 171 | 1146 |
| 2019年10月 | 282 | 2055 | 933 | 3192 | 423 | 2925 | 879 | 3216 | 465 | 2664 |
（续表）
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2019年11月 | 714 | 1119 | 1251 | 1935 | 516 | 1206 | 201 | 1080 | 279 | 438 |
| 2019年12月 | 1152 | 1191 | 972 | 1230 | 1029 | 1599 | 189 | 786 | 255 | 492 |
4.3.1指数平滑法
指数平滑法是指通过运用合适的平均方式，有效地消除历史统计序列内产生的一些随机波动情况，进而可以更好的找出其主要发展趋势的一项需求预测方式。这类方法最适用于进行简单的时间序列分析和中、短期预测。
其预测公式为：
(式4-3)
其中：St——时间t的平滑值；Yt——时间t的实际值
α——平滑常数；它的取值范围为[0,1]。
α决定了时间序列的平滑水平以及实际数值与预测数值所存在的差异以及影响程度，在未来需求预测方面，α的值进行选定对其也具有很大的影响。所以，在接下来将对α的取值在[0,1]之间的所有数据均进行计算、测试与比较。以下是对以α=0.1时的情况下进行计算：
当α=0.1时，(式4-4)
同理可得，如表4-5所示，计算α=0.1时的其他需求预测数据。
表4-5α=0.1时企业的需求预测数据表（单位：件）
| 时间/产成品 | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 2018年1月 | 558 | 792 | 651 | 1230 | 348 | 600 | 402 | 735 | 297 | 294 |
| 2018年2月 | 393 | 246 | 717 | 1527 | 1002 | 537 | 744 | 744 | 249 | 678 |
| 2018年3月 | 717 | 447 | 1356 | 1821 | 789 | 1188 | 906 | 906 | 243 | 702 |
| 2018年4月 | 510 | 360 | 873 | 1365 | 270 | 723 | 1335 | 1335 | 177 | 432 |
| 2018年5月 | 276 | 516 | 894 | 1779 | 1269 | 1794 | 897 | 897 | 189 | 963 |
| 2018年6月 | 522 | 474 | 525 | 2544 | 585 | 990 | 1116 | 1116 | 240 | 837 |
| 2018年7月 | 537 | 423 | 537 | 1572 | 972 | 894 | 1128 | 1128 | 153 | 342 |
| 2018年8月 | 330 | 660 | 423 | 786 | 366 | 882 | 552 | 552 | 90 | 171 |
| 2018年9月 | 483 | 468 | 606 | 1569 | 597 | 480 | 597 | 597 | 111 | 321 |
| 2018年10月 | 663 | 414 | 1245 | 2082 | 777 | 846 | 1185 | 1185 | 192 | 672 |
| 2018年11月 | 585 | 366 | 627 | 1977 | 72 | 807 | 858 | 858 | 168 | 672 |
| 2018年12月 | 639 | 213 | 957 | 1998 | 1047 | 774 | 1047 | 1047 | 300 | 954 |
| 2019年1月 | 474 | 396 | 558 | 1905 | 330 | 948 | 900 | 900 | 147 | 600 |
| 2019年2月 | 780 | 666 | 918 | 1842 | 660 | 888 | 1197 | 1197 | 36 | 513 |
| 2019年3月 | 900 | 1224 | 822 | 2730 | 1026 | 2304 | 1134 | 1134 | 375 | 525 |
| 2019年4月 | 756 | 624 | 684 | 1041 | 816 | 954 | 1284 | 1284 | 165 | 537 |
| 2019年5月 | 768 | 984 | 849 | 2583 | 1155 | 975 | 1542 | 1542 | 504 | 1746 |
| 2019年6月 | 564 | 1389 | 669 | 2262 | 879 | 2724 | 2325 | 2325 | 138 | 1356 |
| 2019年7月 | 387 | 711 | 399 | 2526 | 978 | 1698 | 162 | 1055 | 105 | 876 |
| 2019年8月 | 420 | 405 | 366 | 1266 | 456 | 744 | 132 | 585 | 60 | 663 |
| 2019年9月 | 855 | 1182 | 1365 | 3009 | 630 | 2517 | 273 | 2331 | 171 | 1146 |
| 2019年10月 | 282 | 2055 | 933 | 3192 | 423 | 2925 | 879 | 3216 | 465 | 2664 |
（续表）
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2019年11月 | 714 | 1119 | 1251 | 1935 | 516 | 1206 | 201 | 1080 | 279 | 438 |
| 2019年12月 | 1152 | 1191 | 972 | 1230 | 1029 | 1599 | 189 | 786 | 255 | 492 |
接着根据所有计算出来的预测结果来求出α=0.1时产成品A-05的差平方和，得：
差平方和=(式4-5)
=
同理根据上述公式可得不同α值情况下的差平方和的值，如表4-6所示
表4-6不同α值情况下的差平方和统计表
| α | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 0.1 | 1063733 | 4311627 | 2235804 | 10779840 | 3164487 | 12359007 | 7645582 | 10040109 | 375852 | 7495535 |
| 0.2 | 1086648 | 3762576 | 2297553 | 10002421 | 3049122 | 10927692 | 6966315 | 9248074 | 375969 | 7084752 |
| 0.3 | 1120763 | 3536221 | 2377251 | 10360829 | 3147702 | 10954726 | 6647623 | 9353353 | 389844 | 7302033 |
(续表)
| α | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 0.4 | 1157225 | 3512014 | 2458092 | 10992341 | 3312315 | 11457761 | 6520505 | 9719553 | 409773 | 7673227 |
| 0.5 | 1197079 | 3585611 | 2546601 | 11728382 | 3532218 | 12210402 | 6523210 | 10190971 | 433291 | 8095138 |
| 0.6 | 1243452 | 3707332 | 2651706 | 12527491 | 3815316 | 13139155 | 6620675 | 10710747 | 459890 | 8535409 |
| 0.7 | 1298584 | 3854535 | 2782936 | 13384647 | 4173609 | 14210079 | 6792711 | 11248119 | 490275 | 8985514 |
| 0.8 | 1363487 | 4016405 | 2951343 | 14313025 | 4622358 | 15400062 | 7030973 | 11783387 | 526180 | 9452720 |
| 0.9 | 1438548 | 4187976 | 3170837 | 15343285 | 5181503 | 16687329 | 7338613 | 12304209 | 570364 | 9958483 |
| 1.0 | 1524402 | 4368285 | 3459807 | 16530102 | 5877729 | 18048051 | 7731747 | 12802923 | 626652 | 10536588 |
由此得出α的取值在[0,1]之间时所有产成品的差平方和，所计算出来的差平方和代表的时数据的实际值与预测值之间两者误差大小的偏差平方和，也可称其为误差平方和。误差平方和可以衡量进行数据测试时选用数据的可靠程度，我们选用了企业中相同种类和相同期间范围内的产成品数据来进行比较，通过测试计算发现A-05、A-18以及B-13这三种产成品在α=1时的差平方和最小，A-01和B-12这两种产成品在α=0.4时差平方和最小，剩余的五种产成品是在α=0.2时的差平方和最小。
根据以上测试计算的结果显示，如果内蒙古旭一牧业有限公司选用指数平滑法来对企业未来市场的需求量进行预测，则不同的产成品需要用不同的α来进行预测，但从企业的实际运营情况来考虑，使用这种方法会在一定程度上增加企业对未来市场需求预测的工作量，而且这种方法也不易于掌握。因此，根据内蒙古旭一牧业有限公司的实际情况，若有更加便捷的计算方法的话，不建议内蒙古旭一牧业有限公司选择此种方法来对未来市场的需求进行预测。
4.3.2季节指数法
季节指数法是根据呈现季节变动的时间序列资料，用求算术平均值方法直接计算各月或各季的季节指数，据此通过计算企业的销售量或者市场需求量的季节指数用以对未来市场产成品的供应量、需求量以及价格变动趋势等进行预测的一种方法。
根据所收集的内蒙古旭一牧业有限公司2018-2019年的部分产成品销售数据进行计算预测，以企业A-05产成品为例进行计算,预测步骤如下：
计算1月份销售量的平均数=
计算企业销售量的总平均数=
计算企业1月份的季节指数=以此类推，得出季节指数计算表，如表4-7所示。
表4-7企业季节指数计算表
| 核算内容 | 时间 | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 月平均 | 1月 | 516 | 594 | 605 | 1568 | 339 | 774 | 651 | 818 | 222 | 447 |
| 2月 | 587 | 456 | 818 | 1685 | 834 | 713 | 971 | 971 | 143 | 596 | |
| 3月 | 809 | 836 | 1089 | 2276 | 908 | 1746 | 1020 | 1020 | 309 | 614 | |
| 4月 | 633 | 492 | 779 | 1203 | 543 | 839 | 1310 | 1310 | 171 | 485 | |
| 5月 | 522 | 750 | 872 | 2181 | 1212 | 1385 | 1220 | 1220 | 347 | 1355 | |
| 6月 | 543 | 932 | 597 | 2403 | 732 | 1857 | 1721 | 1721 | 189 | 1097 | |
| 7月 | 462 | 567 | 468 | 2049 | 975 | 1296 | 645 | 1092 | 129 | 609 | |
| 8月 | 375 | 533 | 395 | 1026 | 411 | 813 | 342 | 569 | 75 | 417 | |
| 9月 | 669 | 825 | 986 | 2289 | 614 | 1499 | 435 | 1464 | 141 | 734 | |
| 10月 | 473 | 1235 | 1119 | 2637 | 600 | 1886 | 1032 | 2201 | 329 | 1668 | |
| 11月 | 650 | 743 | 939 | 1956 | 294 | 1007 | 530 | 969 | 224 | 555 | |
| 12月 | 896 | 702 | 965 | 1614 | 1038 | 1187 | 618 | 917 | 278 | 723 | |
| 年平均 | 594 | 722 | 802 | 1907 | 708 | 1250 | 874 | 1189 | 213 | 775 | |
|
季节指数 % |
1月 | 86.8 | 82.3 | 75.3 | 82.2 | 47.9 | 61.9 | 74.5 | 66.4 | 104.3 | 57.7 |
| 2月 | 98.7 | 63.2 | 101.9 | 88.3 | 117.8 | 57.0 | 111.0 | 78.9 | 66.9 | 76.9 | |
| 3月 | 136.0 | 115.7 | 135.7 | 119.3 | 128.1 | 139.7 | 116.7 | 82.9 | 145.2 | 79.2 | |
| 4月 | 106.5 | 68.2 | 97.0 | 63.1 | 76.7 | 67.1 | 149.8 | 106.4 | 80.3 | 62.5 | |
| 5月 | 87.8 | 103.9 | 108.6 | 114.4 | 171.1 | 110.8 | 139.5 | 99.1 | 162.8 | 174.8 | |
| 6月 | 91.4 | 129.0 | 74.4 | 126.0 | 103.4 | 148.6 | 196.8 | 139.8 | 88.8 | 141.5 | |
| 7月 | 77.7 | 78.5 | 58.3 | 107.4 | 137.7 | 103.7 | 73.8 | 129.3 | 60.6 | 78.6 | |
| 8月 | 63.1 | 78.8 | 49.2 | 53.8 | 58.0 | 65.0 | 39.1 | 46.2 | 35.2 | 53.8 | |
| 9月 | 112.6 | 114.3 | 122.8 | 120.0 | 86.6 | 119.9 | 49.7 | 119.0 | 66.2 | 94.7 | |
| 10月 | 79.5 | 171.0 | 139.5 | 138.3 | 84.7 | 150.9 | 118.0 | 178.8 | 154.3 | 215.3 | |
| 11月 | 109.3 | 102.9 | 117.0 | 102.6 | 41.5 | 80.5 | 60.6 | 78.7 | 105.0 | 71.6 | |
（续表）
| 核算内容 | 时间 | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
|
季节指数 % |
12月 | 150.7 | 97.2 | 120.2 | 84.6 | 146.6 | 94.9 | 70.7 | 74.5 | 130.4 | 93.3 |
| 合计 | 1200.1 | 1200.0 | 1199.9 | 1200.0 | 1200.1 | 1200.0 | 1200.2 | 1200.0 | 1200.0 | 1199.9 |
各月的季节指数之和应该为1200，但由于在计算中存在四舍五入等可能使得计算结果产生误差的情况，会造成最后的计算测试结果有一定的偏差，所以要对调整各月的季节指数，步骤如下：
计算出企业1月份调整之后的季节指数= ，以此类推得出调整后的企业各月的季节指数，如表4-8所示。
表4-8 调整后的企业季节指数计算表
| 核算内容 | 时间 | A-05 | A-01 | A-18 | A-17 | A-21 | B-03 | B-12 | A-06 | B-13 | C-07 |
| 季节指数% | 1月 | 86.79 | 82.30 | 75.31 | 82.20 | 47.90 | 61.90 | 74.49 | 66.40 | 104.30 | 57.70 |
| 2月 | 98.69 | 63.20 | 101.91 | 88.30 | 117.79 | 57.00 | 110.98 | 78.90 | 66.90 | 76.91 | |
| 3月 | 136.00 | 115.70 | 135.71 | 119.30 | 128.09 | 139.70 | 116.68 | 82.90 | 145.20 | 79.21 | |
| 4月 | 106.49 | 68.20 | 97.01 | 63.10 | 76.69 | 67.10 | 149.78 | 106.40 | 80.30 | 62.51 | |
| 5月 | 87.79 | 103.90 | 108.61 | 114.40 | 171.09 | 110.80 | 139.48 | 99.10 | 162.80 | 174.81 | |
| 6月 | 91.39 | 129.00 | 74.41 | 126.00 | 103.39 | 148.60 | 196.76 | 139.80 | 88.80 | 141.51 | |
| 7月 | 77.69 | 78.50 | 58.30 | 107.40 | 137.69 | 103.70 | 73.79 | 129.30 | 60.60 | 78.61 | |
| 8月 | 63.09 | 78.80 | 49.20 | 53.80 | 58.00 | 65.00 | 39.09 | 46.20 | 35.20 | 53.80 | |
| 9月 | 112.59 | 114.30 | 122.81 | 120.00 | 86.59 | 119.90 | 49.69 | 119.00 | 66.20 | 94.71 | |
| 10月 | 79.49 | 171.00 | 139.51 | 138.30 | 84.69 | 150.90 | 117.98 | 178.80 | 154.30 | 215.31 | |
| 11月 | 109.29 | 102.90 | 117.01 | 102.60 | 41.50 | 80.50 | 60.59 | 78.70 | 105.00 | 71.61 | |
| 12月 | 150.70 | 97.20 | 120.21 | 84.60 | 146.59 | 94.90 | 70.69 | 74.50 | 130.40 | 93.31 | |
| 合计 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 | 1200.0 |
已知企业2018年1月份产成品A-05的实际销售量是558件，
计算2018年2月份产成品A-05的预测销售量=
计算2018年3月份产成品A-05的预测销售量=
……
根据上述计算步骤以此类推，可以计算出内蒙古旭一牧业2018-2019年的预测销量，如表4-9所示。
表4-9 2018-2019年基于季节预测法下的企业预测销量表（单位：件）
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2018年1月 | 558 | 792 | 651 | 1230 | 348 | 600 | 402 | 735 | 297 | 294 |
| 2018年2月 | 635 | 608 | 881 | 1321 | 856 | 553 | 599 | 873 | 191 | 392 |
| 2018年3月 | 874 | 1113 | 1173 | 1785 | 931 | 1354 | 630 | 918 | 413 | 404 |
| 2018年4月 | 685 | 656 | 839 | 944 | 557 | 650 | 808 | 1178 | 229 | 319 |
| 2018年5月 | 564 | 1000 | 939 | 1712 | 1243 | 1074 | 753 | 1097 | 464 | 891 |
| 2018年6月 | 588 | 1241 | 643 | 1885 | 751 | 1440 | 1062 | 1547 | 253 | 721 |
| 2018年7月 | 499 | 755 | 504 | 1607 | 1000 | 1005 | 398 | 1431 | 173 | 401 |
| 2018年8月 | 406 | 710 | 425 | 805 | 421 | 630 | 211 | 511 | 100 | 274 |
| 2018年9月 | 724 | 1100 | 1062 | 1796 | 629 | 1162 | 268 | 1317 | 189 | 483 |
| 2018年10月 | 511 | 1646 | 1206 | 2069 | 615 | 1463 | 637 | 1979 | 439 | 1097 |
| 2018年11月 | 703 | 990 | 1011 | 1535 | 302 | 780 | 327 | 871 | 299 | 365 |
| 2018年12月 | 969 | 935 | 1039 | 1266 | 1065 | 920 | 381 | 825 | 371 | 475 |
| 2019年1月 | 558 | 792 | 651 | 1230 | 348 | 600 | 402 | 735 | 297 | 294 |
| 2019年2月 | 635 | 608 | 881 | 1321 | 856 | 553 | 599 | 873 | 191 | 392 |
| 2019年3月 | 874 | 1113 | 1173 | 1785 | 931 | 1354 | 630 | 918 | 413 | 404 |
| 2019年4月 | 685 | 656 | 839 | 944 | 557 | 650 | 808 | 1178 | 229 | 319 |
| 2019年5月 | 564 | 1000 | 939 | 1712 | 1243 | 1074 | 753 | 1097 | 464 | 891 |
| 2019年6月 | 588 | 1241 | 643 | 1885 | 751 | 1440 | 1062 | 1547 | 253 | 721 |
| 2019年7月 | 499 | 755 | 504 | 1607 | 1000 | 1005 | 398 | 1431 | 173 | 401 |
| 2019年8月 | 406 | 710 | 425 | 805 | 421 | 630 | 211 | 511 | 100 | 274 |
| 2019年9月 | 724 | 1100 | 1062 | 1796 | 629 | 1162 | 268 | 1317 | 189 | 483 |
| 2019年10月 | 511 | 1646 | 1206 | 2069 | 615 | 1463 | 637 | 1979 | 439 | 1097 |
| 2019年11月 | 703 | 990 | 1011 | 1535 | 302 | 780 | 327 | 871 | 299 | 365 |
（续表）
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2019年12月 | 969 | 935 | 1039 | 1266 | 1065 | 920 | 381 | 825 | 371 | 475 |
4.3.3回归分析预测法
归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，然后根据自变量预测的数量变化情况下来预测因变量的一种重要的市场预测方法。本文为企业针对市场未来发展趋势来进行预测，如果能够准确的为企业找到影响预测对象的主因素，并且可以获得所需的相关数据，就可以通过回归分析预测法进行预测。
按照回归模型内相关关系中自变量的数量不同进行分类，可分为一元回归分析预测与多元回归分析预测两类。其和市场现象通常受到多因素的共同影响，而并非受一个因素影响。因此，回归分析预测法要求对影响市场的多中因素进行全方位的分析，根据分析所结果为企业选择最适用的方法。
（1）一元回归预测法
一元回归预测法[19]是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于内蒙古旭一牧业有限公司所处的市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响，这就存在一个对因变量影响的作用超过其他因素的变量，这样就可以将其当成自变量，然后通过一元回归预测法进行预测。一元回归预测法公式为：(式4-7)
其中，xi表示自变量，表示因变量，a、b为回归系数
内蒙古旭一牧业有限公司在日常的管理运营中，其产成品的销量很容易受到入库量、市场价格以及季节波动等因素的影响。但企业的产成品价格一般不会有太大幅度的调整，由于2018-2019年产成品受汇率的影响较大，内蒙古旭一牧业做出了一定的价格上的调整。因此，以A-05产品为例，针对销量与汇率、产成品入库量以及季节指数三者的关系来进行研究，以下是2018-2019年产成品销量与汇率变动情况，如表4-11所示。
表4-11 2018-2019年汇率变动表(计量单位：件)
|
时间 |
汇率xi | A-05实际销售量 |
| 2018年1月 | 161.0 | 558 |
| 2018年2月 | 160.5 | 393 |
| 2018年3月 | 160.5 | 717 |
| 2018年4月 | 161.0 | 510 |
| 2018年5月 | 161.0 | 276 |
| 2018年6月 | 161.0 | 522 |
| 2018年7月 | 163.0 | 537 |
| 2018年8月 | 163.5 | 330 |
| 2018年9月 | 164.0 | 483 |
| 2018年10月 | 166.5 | 663 |
| 2018年11月 | 168.5 | 585 |
| 2018年12月 | 176.0 | 639 |
| 2019年1月 | 173.0 | 474 |
| 2019年2月 | 173.0 | 780 |
| 2019年3月 | 173.0 | 900 |
| 2019年4月 | 172.0 | 756 |
| 2019年5月 | 172.0 | 768 |
| 2019年6月 | 167.5 | 564 |
| 2019年7月 | 167.5 | 387 |
| 2019年8月 | 167.5 | 420 |
| 2019年9月 | 168.0 | 855 |
| 2019年10月 | 168.0 | 282 |
| 2019年11月 | 170.0 | 714 |
| 2019年12月 | 183.0 | 1152 |
在确定了自变量的选择范围将汇率作为自变量，结合产成品A-05的实际销售数据，利用Excel的数据分析工具中的回归分析功能，得到以下一系列的回归分析结果，如图
4-3所示。
图4-3将汇率作为自变量时产品A-05的回归结果
根据回归结果中所显示的信息、用途和意义，将回归结果分析主要包括回归分析、方差分析、回归参数与残差输出结果这四个部分。依据图4-3中的数据对汇率作为自变量时的模型进行分析和判断。
由回归参数可得，当xi表示汇率时，截距a=-3603.57,斜率b=25.02311，由此可建立产成品A-05的回归模型为：
在回归统计表中看到，相关系数R=0.66461，而测定系数R2只有0.441706，根据分析结果来看，虽然销售量与汇率之间的相关性较强，但测定系数R2又是作为线性拟合样本数据程度好坏的一个重要的指标，如果将其作为线性拟合实际销售数据时程度和回归效果一般。
方差分析中F值=0.00542<0.05，它是用来表示线性关系的显著性，图中分析数据说明了该模型线性关系显著，与所对应的P值又分别为0.002154和0.00542均小于0.05，则表示为xi的系数显著且不等于0，同时的影响也是显著的。
根据上述分析同理可得，当汇率为xi时其他产成品回归分析中相关检验数据汇总表，主要观测其他几种产成品回归结果分析中的测定系数R2、方差分析的F值以及P（常数、xi）的值如表4-12所示。
表4-12汇率为xi时产成品回归分析中相关检验汇总表
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| R2 | 0.4417 | 0.1131 | 0.0158 | 0.0043 | 0.0245 | 0.0270 | 0.0094 | 0.0038 | 0.0284 | 0.0120 |
| F sig. | 0.0005 | 0.1165 | 0.5666 | 0.7651 | 0.4756 | 0.4534 | 0.6597 | 0.7772 | 0.4309 | 0.6105 |
| P值(常数) | 0.0022 | 0.1843 | 0.8801 | 0.8543 | 0.7210 | 0.6363 | 0.4803 | 0.9889 | 0.6206 | 0.7807 |
| P值(xi) | 0.0005 | 0.1165 | 0.5666 | 0.7651 | 0.4756 | 0.4534 | 0.6597 | 0.7772 | 0.4309 | 0.6105 |
从表4-12可以看出，当汇率为xi进行回归分析时，观测回归分析结果中的相关检验，发现只有产成品A-05的回归模型可以满足条件。由此可知，当汇率开始波动时对A-05以外其他产成品的销售量不存在相关性，所以汇率波动不会对其他产成品产生影响。继续利用上述这种方法，当xi为入库量时观测回归分析结果中的相关检验。
收集企业2018-2019年部分产成品的月度入库数据，具体入库情况如表4-13所示。
表4-13 2018-2019年本分产成品月度入库数据表(计量单位：件)
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2018年1月 | 1350 | 1300 | 950 | 1650 | 750 | 1800 | 1626 | 1750 | 405 | 510 |
| 2018年2月 | 900 | 650 | 1900 | 2475 | 1500 | 900 | 542 | 875 | 270 | 1020 |
| 2018年3月 | 450 | 0 | 475 | 1650 | 1500 | 900 | 1626 | 0 | 405 | 510 |
| 2018年4月 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 875 | 0 | 0 |
| 2018年5月 | 0 | 650 | 950 | 2475 | 1500 | 1800 | 904 | 875 | 135 | 1020 |
| 2018年6月 | 450 | 650 | 950 | 1650 | 750 | 900 | 904 | 875 | 270 | 1020 |
| 2018年7月 | 450 | 1300 | 0 | 1650 | 750 | 900 | 1626 | 875 | 135 | 510 |
| 2018年8月 | 900 | 0 | 950 | 825 | 0 | 0 | 542 | 875 | 135 | 0 |
(续表)
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2018年9月 | 450 | 650 | 950 | 2475 | 750 | 1800 | 542 | 1750 | 135 | 510 |
| 2018年10月 | 900 | 0 | 1900 | 1650 | 750 | 0 | 1626 | 875 | 270 | 1020 |
| 2018年11月 | 450 | 650 | 950 | 3300 | 0 | 1800 | 542 | 875 | 135 | 510 |
| 2018年12月 | 900 | 0 | 0 | 1650 | 750 | 900 | 904 | 875 | 405 | 1020 |
| 2019年1月 | 450 | 650 | 1900 | 3300 | 750 | 900 | 542 | 1750 | 270 | 510 |
| 2019年2月 | 1800 | 1950 | 2375 | 825 | 750 | 2700 | 1626 | 875 | 270 | 1020 |
| 2019年3月 | 900 | 1300 | 0 | 825 | 750 | 1800 | 904 | 875 | 0 | 510 |
| 2019年4月 | 0 | 0 | 0 | 0 | 0 | 0 | 542 | 1750 | 0 | 0 |
| 2019年5月 | 0 | 0 | 475 | 3300 | 1500 | 900 | 1626 | 875 | 540 | 2040 |
| 2019年6月 | 450 | 1300 | 950 | 3300 | 750 | 2700 | 2168 | 2625 | 135 | 1020 |
| 2019年7月 | 5450 | 650 | 475 | 3300 | 750 | 1800 | 542 | 1750 | 135 | 1020 |
| 2019年8月 | 1350 | 0 | 475 | 1650 | 0 | 900 | 542 | 0 | 135 | 1020 |
| 2019年9月 | 450 | 1300 | 950 | 3300 | 750 | 2700 | 0 | 2625 | 135 | 510 |
| 2019年10月 | 0 | 2600 | 1900 | 3300 | 750 | 3600 | 542 | 3500 | 540 | 2550 |
| 2019年11月 | 900 | 650 | 950 | 1650 | 1500 | 900 | 0 | 1750 | 135 | 510 |
| 2019年12月 | 450 | 1300 | 475 | 1650 | 750 | 900 | 542 | 875 | 270 | 510 |
根据表4-13所示数据内容，利用上述方法继续求得回归分析结果中的相关检验数据，当入库量为xi时产成品的相关检验数据如表4-14所示。
表4-14 入库量为xi时产成品回归分析中相关检验汇总表
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| R2 | 0.0211 | 0.4570 | 0.0174 | 0.3269 | 0.3268 | 0.4410 | 0.3504 | 0.5634 | 0.3489 | 0.7480 |
| F sig. | 0.4987 | 0.0003 | 0.5390 | 0.0035 | 0.0037 | 0.0014 | 0.0023 | 0.0000 | 0.0024 | 0.0000 |
| P值(常数) | 0.0000 | 0.00049 | 0.0000 | 0.0000 | 0.0003 | 0.0048 | 0.0100 | 0.0106 | 0.0033 | 0.1392 |
| P值(xi) | 0.4987 | 0.0003 | 0.0035 | 0.0035 | 0.0037 | 0.0014 | 0.0023 | 0.0000 | 0.0024 | 0.0000 |
由表4-14可知，当入库量为xi时，除了产成品A-05与A-01这两种产成品的回归模型不满足条件以外，其他产成品的回归模型都反映出线性关系的显著性特征，从R2来看其线性回归效果也很一般。所以，当入库量为xi时，它的变动对A-05与A-01以外产成品的销售量有显著影响，同理可得出季节指数为xi时产成品回归分析的相关检验数据，如表4-15所示。
表4-15季节指数为xi时产成品回归分析中相关检验汇总表
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| R2 | 0.4700 | 0.2342 | 0.6343 | 0.5699 | 0.8054 | 0.3493 | 0.6033 | 0.4269 | 0.5331 | 0.5110 |
| F sig. | 0.0002 | 0.0166 | 0.0000 | 0.0000 | 0.0000 | 0.0024 | 0.0000 | 0.0005 | 0.0001 | 0.0001 |
| P值(常数) | 0.9697 | 0.9985 | 0.9995 | 0.9997 | 0.9998 | 0.9978 | 0.9997 | 0.8521 | 0.9981 | 0.9932 |
| P值(xi) | 0.4987 | 0.0003 | 0.0035 | 0.0035 | 0.0037 | 0.0014 | 0.0023 | 0.0000 | 0.0024 | 0.0000 |
由表4-15可知，当季节指数为xi时，所有产成品的回归模型都反映出线性关系的显著性，而且从R2也可以看出线性回归的效果要比xi为汇率和入库量时的效果要好。
但通过观察回归分析中常数项的P值时发现，这里的P值出现较大的现象并且无限趋近于1，因此我们可以将其认为常数项为零，我们在回归分析的过程中，将常数项为零这一条件添加进行分析计算，得出相关检验数据如表4-16所示。
表4-16季节指数为xi且常数项为零时产成品回归分析中相关检验数据
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| R2 | 0.9428 | 0.8925 | 0.9659 | 0.9810 | 0.9585 | 0.8433 | 0.9006 | 0.8800 | 0.8961 | 0.8457 |
| F sig. | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 |
| P值(xi) | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0001 |
从测算结果上看，相比较当xi为汇率和入库量时，将季节指数作为xi时，所有的产成品都呈现出了线性关系的显著性以及相关性，而且线性拟合企业实际销售数据的程度较高。通过对这三种方法进行比较之后，应选择季节指数为xi时的一元回归方程来作为企业产成品的一元回归模型。产成品的一元回归方程如表4-17所示。
表4-17企业部分产成品一元回归方程
| 产品 | b | 一元回归方程 |
| A-05 | 5.94 |
 |
| A-18 | 7.20 |
 |
| A-01 | 8.02 |
 |
| A-06 | 19.07 |
 |
| A-08 | 7.08 |
 |
（续表）
| 产品 | b | 一元回归方程 |
| B-03 | 12.50 |
 |
| B-12 | 8.74 |
 |
| A-15 | 11.83 |
 |
| B-13 | 2.13 |
 |
| C-07 | 7.75 |
 |
根据表4-17，利用一元回归预测模型对内蒙古旭一牧业有限公司展开需求预测，计算得出所预测的需求数据如表4-18所示。
表4-18 企业2018-2019年基于一元回归预测法下的预测销量表
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2018年1月 | 516 | 590 | 604 | 1568 | 339 | 774 | 651 | 808 | 222 | 447 |
| 2018年2月 | 587 | 450 | 818 | 1684 | 834 | 713 | 970 | 950 | 142 | 596 |
| 2018年3月 | 808 | 833 | 1089 | 2275 | 907 | 1746 | 1020 | 995 | 309 | 614 |
| 2018年4月 | 633 | 487 | 778 | 1203 | 543 | 839 | 1310 | 1261 | 171 | 484 |
| 2018年5月 | 522 | 747 | 871 | 2182 | 1211 | 1385 | 1220 | 1179 | 346 | 1354 |
| 2018年6月 | 543 | 931 | 597 | 2403 | 732 | 1857 | 1720 | 1640 | 189 | 1096 |
| 2018年7月 | 462 | 562 | 468 | 2048 | 975 | 1296 | 645 | 1521 | 129 | 609 |
| 2018年8月 | 375 | 564 | 395 | 1026 | 411 | 813 | 342 | 580 | 75 | 417 |
| 2018年9月 | 669 | 823 | 985 | 2289 | 613 | 1498 | 434 | 1404 | 141 | 734 |
| 2018年10月 | 473 | 1237 | 1119 | 2638 | 600 | 1886 | 1032 | 2081 | 328 | 1668 |
| 2018年11月 | 650 | 740 | 939 | 1957 | 294 | 1006 | 530 | 948 | 224 | 555 |
| 2018年12月 | 896 | 698 | 965 | 1613 | 1038 | 1186 | 618 | 900 | 278 | 723 |
| 2019年1月 | 516 | 590 | 604 | 1568 | 339 | 774 | 651 | 808 | 222 | 447 |
| 2019年2月 | 587 | 450 | 818 | 1684 | 834 | 713 | 970 | 950 | 142 | 596 |
| 2019年3月 | 808 | 833 | 1089 | 2275 | 907 | 1746 | 1020 | 995 | 309 | 614 |
| 2019年4月 | 633 | 487 | 778 | 1203 | 543 | 839 | 1310 | 1261 | 171 | 484 |
（续表）
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2019年5月 | 522 | 747 | 871 | 2182 | 1211 | 1385 | 1220 | 1179 | 346 | 1354 |
| 2019年6月 | 543 | 931 | 597 | 2403 | 732 | 1857 | 1720 | 1640 | 189 | 1096 |
| 2019年7月 | 462 | 562 | 468 | 2048 | 975 | 1296 | 645 | 1521 | 129 | 609 |
| 2019年8月 | 375 | 564 | 395 | 1026 | 411 | 813 | 342 | 580 | 75 | 417 |
| 2019年9月 | 669 | 823 | 985 | 2289 | 613 | 1498 | 342 | 1404 | 141 | 734 |
| 2019年10月 | 473 | 1237 | 1119 | 2638 | 600 | 1886 | 1032 | 2081 | 328 | 1668 |
| 2019年11月 | 650 | 740 | 939 | 1957 | 294 | 1006 | 530 | 948 | 224 | 555 |
| 2019年12月 | 896 | 698 | 965 | 1613 | 1038 | 1189 | 618 | 900 | 278 | 723 |
根据表4-18，计算差平方和，如表4-19所示。
表4-19 基于一元回归预测法下差平方和的情况
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 差平方和 | 544422 | 3435518 | 721859 | 3624394 | 449367 | 7598250 | 2430612 | 4109107 | 145325 | 3245151 |
（2）多元回归分析预测法
多元回归分析预测法[20]是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。
上面说到一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，而我们在研究现实问题中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。利用多元回归分析法来进行预测时的公式为：
(式4-8)
其中， 表示因变量，x1、x2、… xn表示为不同的自变量，a、b1、b2…bn均为回归系数。
根据上述对一元回归模型进行分析和预测过程中，发现了入库量和季节指数对销售量有较为显著的影响，所以我们在使用多元回归模型进行分析和预测的时候，将入库量和季节指数作为自变量xi，销售量预测为 ，回归系数为a、b1、b2。继续利用上述方法中Excel的回归数据分析工具来进行测算，测算出产成品的相关检验数据如表4-20所示。
表4-20 产成品相关检验数据汇总表
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| R2 | 0.6946 | 0.4559 | 0.6683 | 0.4023 | 0.3353 | 0.4728 | 0.5214 | 0.6359 | 0.3685 | 0.7622 |
| F sig. | 0.0341 | 0.00168 | 0.0079 | 0.0045 | 0.0137 | 0.0012 | 0.0044 | 0.0001 | 0.0080 | 0.0001 |
| P值(常数) | 0.0001 | 0.0001 | 0.0001 | 0.0001 | 0.0023 | 0.0077 | 0.0076 | 0.0134 | 0.0148 | 0.0281 |
| P值(x1) | 0.0174 | 0.0505 | 0.0182 | 0.0192 | 0.0324 | 0.0451 | 0.0473 | 0.0344 | 0.0095 | 0.0333 |
| P值(x2) | 0.0484 | 0.0006 | 0.0495 | 0.0035 | 0.0038 | 0.0003 | 0.0002 | 0.0001 | 0.0048 | 0.0001 |
从表4-20中可以看出，当入库量与季节指数为xi时，所有产成品的回归模型都反映出了线性关系的显著性，而且模型回归的效果要比一元回归模型好。所以，将入库量与季节指数作为自变量时，可以建立企业产成品的二元回归模型，具体二元回归模型如表4-21所示。
表4-21 企业部分产成品二元回归方程
| 产品 | a | b1 | b2 | 二元回归方程 | ||||
| A-05 | 600.52 | 0.07 | -0.03 |
 |
||||
| A-18 | 363.61 | 0.45 | 0.43 |
 |
||||
| A-01 | 738.46 | 0.08 | 0.06 |
 |
||||
| A-06 | 1301.45 | -0.03 | 0.33 |
 |
||||
| A-08 | 406 | 0.32 | 0.36 |
 |
||||
| B-03 | 604.15 | 0.19 | 0.50 |
 |
||||
| B-12 | 427.54 | -0.08 | 0.59 |
 |
||||
| A-15 | 441.93 | 0.23 | 0.60 |
 |
||||
| B-13 | 71.53 | 0.46 | 0.43 |
 |
||||
| C-07 | 129.63 | 0.47 | 0.78 |
 |
||||
根据表4-21中的二元回归模型可得出企业产成品需求预测数据，如表4-22所示。
表4-22 企业2018-2019年基于二元回归预测法下的预测销量表
| 时间/产成品 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 2018年1月 | 692 | 983 | 823 | 1279 | 664 | 977 | 335 | 886 | 300 | 413 |
| 2018年2月 | 585 | 658 | 862 | 2112 | 978 | 1079 | 740 | 990 | 223 | 954 |
| 2018年3月 | 598 | 424 | 778 | 1840 | 988 | 1081 | 1368 | 469 | 282 | 594 |
| 2018年4月 | 612 | 411 | 744 | 1299 | 426 | 619 | 422 | 999 | 120 | 167 |
| 2018年5月 | 612 | 680 | 806 | 2122 | 986 | 1542 | 948 | 997 | 174 | 999 |
| 2018年6月 | 598 | 682 | 809 | 1842 | 718 | 1077 | 945 | 1010 | 250 | 964 |
| 2018年7月 | 598 | 953 | 745 | 1842 | 712 | 1083 | 1371 | 981 | 188 | 554 |
| 2018年8月 | 585 | 392 | 804 | 1571 | 423 | 615 | 740 | 973 | 150 | 146 |
| 2018年9月 | 598 | 692 | 807 | 2111 | 716 | 1526 | 735 | 1398 | 183 | 557 |
| 2018年10月 | 585 | 399 | 871 | 1840 | 722 | 620 | 1367 | 992 | 268 | 995 |
| 2018年11月 | 599 | 690 | 806 | 2383 | 439 | 1517 | 738 | 978 | 165 | 575 |
| 2018年12月 | 586 | 431 | 747 | 1840 | 705 | 1085 | 949 | 980 | 278 | 983 |
| 2019年1月 | 599 | 680 | 864 | 2384 | 704 | 1066 | 740 | 1504 | 217 | 575 |
| 2019年2月 | 559 | 1240 | 892 | 1570 | 706 | 1985 | 1375 | 990 | 223 | 954 |
| 2019年3月 | 586 | 980 | 748 | 1569 | 716 | 1534 | 945 | 991 | 109 | 594 |
| 2019年4月 | 612 | 411 | 744 | 1299 | 426 | 619 | 739 | 1521 | 120 | 167 |
| 2019年5月 | 612 | 403 | 777 | 2384 | 986 | 1089 | 1371 | 997 | 347 | 1791 |
| 2019年6月 | 599 | 960 | 809 | 2384 | 718 | 1982 | 1685 | 2055 | 193 | 964 |
| 2019年7月 | 586 | 676 | 775 | 2385 | 712 | 1536 | 736 | 1504 | 188 | 951 |
| 2019年8月 | 572 | 392 | 774 | 1842 | 423 | 1068 | 740 | 451 | 150 | 939 |
| 2019年9月 | 599 | 969 | 807 | 2383 | 716 | 1979 | 418 | 2023 | 183 | 557 |
| 2019年10月 | 612 | 1509 | 871 | 2382 | 722 | 2431 | 732 | 2559 | 383 | 2184 |
| 2019年11月 | 586 | 690 | 806 | 1840 | 982 | 1065 | 421 | 1501 | 165 | 575 |
| 2019年12月 | 627 | 990 | 786 | 1280 | 700 | 823 | 424 | 689 | 250 | 441 |
根据表4-22，计算差平方和，如表4-23所示。
表4-22 基于多元回归预测法下差平方和的情况
| 内容 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
|
差平方 方和 |
396166 | 3002625 | 715615 | 3223062 | 437930 | 6842420 | 2364256 | 4732422 | 145331 | 3119053 |
通过利用这些方法不难发现，无论运用何种方法在测算过程中都会存在一定的误差，下面将季节指数、一元回归分析和多元回归这三种方法进行差平方和的情况进行汇总，如表4-23所示。
表4-23 三种方法的差平方和汇总比较表
| 差平方和 | A-05 | A-18 | A-01 | A-06 | A-08 | B-03 | B-12 | A-15 | B-13 | C-07 |
| 季节指数 | 544422 | 3435518 | 721859 | 3624394 | 449367 | 7598250 | 2430612 | 4109107 | 145325 | 3245151 |
| 一元回归 | 604149 | 4973714 | 822005 | 7923203 | 458714 | 9692762 | 5659540 | 5550099 | 288453 | 5330421 |
| 多元回归 | 396166 | 3002625 | 715615 | 3223062 | 437930 | 6842420 | 2364256 | 4732422 | 145331 | 3119053 |
从表4-23可以看出，通过采用季节指数法、一元回归预测法和多元回归预测法这三种方法对内蒙古旭一牧业有限公司部分产成品进行分析预测，并对它们的差平方和做了比较，发现采用多元回归预测法所得到的结果在产品记过中相对较小，因此，建议内蒙古旭一牧业有限公司在对未来市场需求预测时应采用多元回归分析法来进行测算，可以保证所得结果相对可靠且偏差较小。
5结论
伴随着科技的发展和进步，市场需求的不断变化以及企业之间竞争的加强，内蒙古旭一牧业有限公司作为现代肉制品生产企业也同样面临着机会与挑战。肉制品生产企业中库存控制的重要性越来越高，库存控制在食品生产企业中的地位举足轻重，它不但制约着整条供应链的运作性能，还影响着企业的综合效益。所以，如何优化控制到一个合理的库存，使企业能够在激烈的竞争中立于不败之地，是每一家企业都亟待去研究的。本文对内蒙古旭一牧业有限公司产成品库存优化控制进行了研究。
首先，在文章的开头叙述了库存优化控制的理论知识以及意义。然后，以内蒙古旭一牧业有限公司为例，结合企业的产成品库存控制现状，指出相应的问题为库存产成品的分类体系不完善、库存控制策略不明确、预测失准且缺乏科学合理的预测方法等等，本文最后提出了相应的库存控制优化方法。结合内蒙古旭一牧业有限公司产成品库存管理中存在的问题，提出了对库存产成品实施ABC分类库存控制；然后我们对其库存产成品进行了科学有效的分类后，根据不同产成品类别采取不同的库存控制策略；在对未来市场需求进行预测时，为企业选择一套科学合理的预测方法，基于需求预测的产成品库存优化控制，运用指数平滑法、季节指数法和回归分析预测三种方法实施预测，考虑各个方法在企业中的适用性，并做了比较，选择了多元回归预测分析法来进行测算，可以保证企业在对未来市场预测时所得结果相对可靠且偏差较小。
由于库存类问题的复杂性，本文仅仅是对内蒙古旭一牧业有限公司产成品库存优化控制的基本问题进行了一些研究，企业在日常生产运营还有很多问题需要作进一步的研究。随着肉制品生产加工企业不断的兴起和发展，现代的库存控制技术对一个企业来说非常重要，要想让企业在未来具备更大的市场竞争能力，企业的库存控制技术对企业来说十分重要，因此对库存类问题这一块在今后还有很大的研究意义。
致谢
在本文的撰写过程中，自始至终得到xxx老师的悉心指导，从本文的选题，到论文思路的引导、文字的组织、结构的安排、资料的收集和整理，再到论文的修改她治学严谨，倾注了大量的心血，才得以使我顺利地完成本文的写作，也正是由于她在百忙之中多次审阅全文，对细节进行修改，并为本文的撰写提供了许多中肯而且宝贵的意见，本文才得以成型，在此我由衷地感谢xxx老师对我指导和关怀。最后也要感谢所有传授我知识的老师，正是他们的认真负责使我能够很好的掌握和运用专业知识，才使我的的论文得以顺利完成。
参考文献
[1]Matthijs van Bergen,Michiel Steeman.Supply Chain Finance Schemes in the Procurement of Agricultural Products[J].2018(17):12-25.
[2]Oussama Ben,Salah Bahramara,Farid Adabi,Sayyad Nojavan.Interval multi-objective optimization of hydrogen storage based intelligent parking lot of electric vehicles under peak demand management[J].Journal of Energy Storage,2020,27.
[3]KamBernie.Cost accounting methods and periodic-review policies for serial inventory systems[J].Computers and Operations Research,2020,118.
[4]Aldrich,Gökhan Hekimoğlu,V.V.Tyagi.Low cost and eco-friendly wood fiber-based composite phase change material:Development,characterization and lab-scale thermoregulation performance for thermal energy storage[J].Energy,2020,195.
[5]Brandon;Prince Mohammad Bin Fahd University Researchers Report on Findings in Wind Energy(Cost of wind energy generation should include energy storage allowance)[J].Energy Weekly News,2020.
[6]李海玲.基于灰色模型的我国冷链物流需求预测研究[J].中国集体经济,2019(28):108-109.
[7]杨海民,潘志松,白玮.时间序列预测方法综述[J].计算机科学,2019,46(01):21-28.
[8]李怡.ABC分类法在企业库存管理的应用分析[J].现代商贸业,2017(27):125-126.
[9]禹雯.基于ABC分类的库存管理方法[J].科技展望.2017(03):47-53.
[10]朱锋,董明,张大力.再制造供应链的库存管理策略[J].上海交通大学学报,2015,49(04):558-563.
[11]陈湘芝.基于需求预测的库存管理技术与系统研发[J].哈尔滨工业大学,2015,(13):77-85.
[12]韩真真.存货管理发展历程研究[J].商业会计,2014(07):105-107.
[13]陈峰涛.当前制造业库存管理存在的问题及应对策略研究[J].财会学习,2016(22):181-182.
[14]郑琰.基于时间序列的商品需求预测模型研究[J].重庆理工大学学报(自然科学),2019,33(9):217-222.
[15]刘翠娜.ABC分类法的安全库存控制策略[J].中国集体经济,2017(12):30-45.
[16]李晓森,刘学成.企业库存控制方法[J].内蒙古科技与经济,2015(10):40-41.
[17]王秀武,王施权.探讨ABC分类法在企业库存管理的应用[J].石化技术,2018,26(11):218+217.
[18]张镪,马元魁,张建生.时间序列分析在我国农业总产值预测中的应用[J].数学建模及其应用,2018,8(03):13-21.
[19]刘梦园,张付涛.基于一元回归的价格的预测[J].北方经贸,2017(02):68-69.
[20]罗森.基于多元回归模型的消费品零售总额预测[J].现代商业,2019(01):3-5.
下载提示：
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：写文章小能手，如若转载，请注明出处：https://www.447766.cn/chachong/15175.html,
