有关预测的论文

人力资源规划是现代企业进行科学人力资源管理的一项重要内容。一个合理的人力资源规划是企业平稳快速发展的有利保障。具体地说，人力资源规划是指企业根据自身的发展需要和外部环境的各种因素。从现有的人力资源状况出发对企业未来一段时间的人力资源需求和供给情况做出预测，并制定出符合企业发展自身需要的人力资源计划。它主要包括三个主要步骤：人力资源需求预测、人力资源供给预测和能力平衡。由于经济全球化及信息技术的飞速发展，使得当今企业面临的内外部环境日趋复杂。如今，企业在进行人力资源需求的预测时，考虑的往往不是单个因素的影响，而是多种因素的共同作用和相互影响。因此，将人力资源需求预测方法总体上分为定性和定量两大类，下面介绍介绍几种常用的分析方法。 预测方法1德尔菲法1946年，兰德公司首次用这种方法来进行预测，后来该方法被广泛迅速采用，它适合于对人力资源需求的中长期趋势预测。德尔菲法又称集体预测法，它依据系统的程序，采用匿名发表意见的方式，即专家之间不得互相讨论，不得发生横向联系，经过多轮次调查专家对问卷所提问题的看法，经过反复归纳、征询、修改，最后汇总成专家基本一致的看法，作为预测的结果，这种方法具有广泛的代表性，较为可靠。德尔菲法一般采用问卷调查的形式，具体操作过程是：首先，在企业内外广泛选择各个方面的专家，人力资源管理部门要通过对企业战略定位的审视，确定关键的预测方向、相关变量和难点，然后使用匿名填写问卷等方法，设计一套可以使各位专家自由表达自己观点的预测工具系统。其次，人力资源部门需要在每一轮预测后，将专家提出的意见进行归纳，并将综合结果反馈给他们，然后再进行下一轮预测。最后，通过多次反复以达到在重大问题上取得较为一致意见和看法。在预测过程中，人力资源部门应该为专家们提供充足的信息，以便专家能够作出正确的判断。另外，所提出的问题应尽可能简单，以保证所有专家能够从相同的角度理解相关的概念。德尔菲法的优点是能充分发挥各位专家的作用，集思广益，准确性高；能把各位专家的分歧点表达出来，取各家之长，避各家之短；能够使专家独立地表达自己的意见，不受其他人的干扰。缺点是过程比较复杂，花费时间较长。2现状规划法人力资源现状规划法是一种最简单的预测方法，较易操作。它是假定企业保持原有的生产和生产技术不变，则企业的人资源也应处于相对稳定状态，即企业目前各种人员的配备比例和人员的总数将完全能适应预测规划期内人力资源的需要。在此预测方法中，人力资源规划人员所要做的工作是测算出在规划期内有哪些岗位上的人员将得到晋升、降职、退休或调出本组织，再准备调动人员去弥补就行了。3经验预测法经验预测法就是企业根据以往的经验对人力资源进行预测的方法，简便易行。采用经验预测法是根据以往的经验业进行预测，预测的效果受经验的影响较大。因此，保持历史的档案，并采用多人集合的经验，可减少误差。现在不少企业采用这种方法来预测本组织对将来某段时期内人力资源的需求。企业在有人员流动的情况下，如晋升、降职、退休或调出，等等，可以采用与人力资源现状规划结合的方法来制定规划。4分合性预测法分保性预测方法是一种常用的预测方法，它采取先分后合的形势。这种方法的第一步是企业组织要求下属各个部门、单位根据各自的生产任务、技术设备等变化的情况对本单位将来对各种人员的需求进行综合预测，在此基础上，把下属各部门的的预测数进行综合平衡，从中预测出整个组织将来某一时期内对各种人员的需求总数。这种方法要求在人事部门或专职人力资源规划人员的指导下进行，下属各级管理人员能充分发挥在人力资源预测规划中的作用。5描述法描述法是人力资源规划人员通过对本企业组织在未来某一时期的有关因素的变化进行描述或假设，并从描述、假设、分析和综合中对将来人力资源的需求进行预测规划。由于这是假定性的描述，因此人力资源需求就有几种备选方案，目的是适应和应付环境与因素的变化。例如，对某一企业今后三年情况的变化的描述或假设有以下几种可能性：①同类产品可能稳定地增长，同行业中没有新的竞争对手出现，在同行业中技术上也没有新的突破；②同行业中出现了几个新的竞争对手，同行业中技术方面也有较大的突破；③同类产品可能会跌入低谷、物价暴跌、市场疲软、生产停滞，但同行业中，在技术方面可能会有新的突破。企业可以根据上述不同的描述和假设的情况预测和制定出相应的人力资源需求备选方案。但是，这种方法由于是建立在对未来状况的假设、描述的基础上，而未来具有很大的不确定性，时间跨度越长，对环境变化的各种不确定性就越难以进行描述和假设，因此，对于长期的预测有一定的困难。 人力资源需求预测的影响因素1企业的人力资源政策 企业人力资源政策特别是薪酬政策对内部和外部人力资源的影响很大，如公司的薪酬政策是否处于同行业的领先水平等，这些对内部和外部人力资源的吸引都有重要的决定意义。2政府方针政策的影响 政府的方针政策对于人力资源需求预测也有较大的影响。如2008年1月1日起颁布实行的新《劳动法》中，强化了对部分弱势员工的强制保护，法律对年龄较大、再就业困难和可能产生职业危害的劳动者，给予了更加强化的保护。作为企业不能再随便与员工解除合同，这一方面充分体现了《劳动法》保护劳动者合法权益的立法宗旨，另一方面企业进行需求分析时应该考虑政府方针政策的影响。3劳动力成本的变化趋势 毋庸置疑，随着我国经济的不断发展，劳动力成本呈逐年上升趋势。这对于企业来讲影响很大，企业会最大限度使用内部员工，尽量不对外招聘新员工，这对企业人力资源需求分析会产生影响。4市场的动态变化 从市场动态看，由于消费者的需求复杂，供求矛盾频繁，加之随着城乡交往、地区间往来的日益频繁，旅游事业的发展，国际交往的增多，人口的流动性越来越大，购买力的流动性、多样性也随之加强，因此，企业要密切注视市场动态，提供适销对路的产品，才能在竞争中立于不败之地。这就要求对企业的人力资源结构进行不断调整，在进行企业人力资源分析时要充分注意市场的变化。5企业的发展阶段 根据企业发展生命周期中的不同阶段，在对人力资源进行预测的时候要考虑不同的策略和不同的要求，同时也要考虑在不同的阶段可能影响人力资源的不同因素。可以说，在企业生命周期的各个阶段企业的人力资源供需始终处在不同的状态，也就是说供需平衡的状况是很少的，而供需的矛盾却是经常的。如在企业的稳定发展阶段，由于内部存在着退休、离职、晋升等问题，内部冗员开始增多，人力资源需求严重不足，这个时期需要做好人力资源的需求分析工作，以确保这些冗员的安置工作，从而能够保障企业渡过难关。6其他因素 除上述因素外，社会安全福利保障、工作时间的变化、追加培训的需求等因素也应该考虑。

不符合规格规格为：①论文主题词和研究方向填三至五个词，以分号“;”隔开;②按要求填写，关键词要够，摘生在一千字以内(否则无法提交)③预答辩:送盲审论文前应先进行预答辩，由导师负责组织预答辩，预答辩专家组由相关学科、专业的三至五名具有副教授或相当专业技术职务以上的专家组成，组长由导师担任。并填写《博士学位论文修改审核表(预答辩)》纸质版，提交盲审论文的同时一并提交注意事项:a)所有上网内容都要进行脱密处理，并注意避免敏感词汇和数据外泄。b)“录入学位论文信息”中的“是否涉密”:指的是涉及国家秘密研究生院自2015年1月开始不再受理研究生涉密学位论文申请，具体详见研函[2015]1号文《关于明确不再审批研究生涉密学位论文的通知》。学术不端检测①检测论文格式:word或PDF;②检测次数一般每人一次:③检测结果需两个工作日，节假日顺延

利用ARIMA模型进行卷烟销售预测　　时值年末，各卷烟企业在布置来年卷烟销售任务时，对卷烟销售进行预测是十分有必要的。利用ARIMA模型进行卷烟销售预测是一个十分有用的方法。　　ARIMA方法是时间序列预测中的一种有效的方法。为了提高卷烟销售预测准确性，笔者提出了一个基于ARIMA（Auto－Regressive Integrated Moving Average Model，整合自回归移动平均模型）的卷烟销售预测模型，以实现月度、季度卷烟销售总量的预测。经过实证分析，证明该模型能够较好地预测出月度、季度卷烟销售总量。　　一理论前提和模型简介　　卷烟销售具有时间序列二重趋势变化的特点，即整体趋势变动性和季节波动性。二重趋势预测的特点是观察值排列顺序的重要性和前后观察值及其同期比之间的相关性，即预测点与其相距较近的观察点的相关性较强，而与其相距较远的观察点相关性较弱。二重趋势预测通常的方法有线性回归法、神经网络、时间序列分析法等[1]。时间序列分析法能够根据历史数据对卷烟销售进行客观分析，并能实现对卷烟销售的季节性和周期性进行预测。传统的时间序列分析法，如移动平均法和指数平滑法，常因出现滞后误差而影响预测精度。而ARMA模型是描述平稳随机序列的最常用的一种模型，是目前最好的单一变量随机时序预测法。但现实中的时间序列往往是非平稳的，因此，我们经常使用的是时间序列分析的ARIMA模型。　　时间序列分析的ARIMA建模法，也叫做Box-Jenkins法，它是一种以美国统计学家GEPBox和英国统计学家Gwilym MJenkins的名字命名的时间序列预测方法。它主要是在对时间序列进行分析的基础上，选择适当的模型进行预测。ARIMA模型也叫做整合自回归移动平均模型（Auto－Regressive Integrated Moving Average Model）。Box-Jenkins法的基本思想是用时间序列的过去值和现在值的线性组合来预测其未来值。也就是说，将时间推移而形成的系列数据视为一个随机序列，把时间序列作为一组仅依赖于时间t的随机变量，这组随机变量所具有的依存关系或自相关性表现了其所观测对象发展的延续性。而这种相关性一旦被相应的数学模型描述出来，就可以从时间序列的过去值及现在值，去预测其未来值[2]。　　时间序列由长期趋势、季节变动、循环波动和不规则变动4个部分组成。时间序列是相同事物或现象在不同时期形成的数据，反映了事物、现象在时间上的发展变化情况。　　ARIMA模型利用大量的历史数据来建模，经过模型识别、参数估计来确定一个能够描述所研究时间序列的数学模型，最后再由该模型推导出预测模型，进而达到预报的目的。ARMA模型有三种基本形式：自回归模型（autoregressive，AR）、移动平均模型（movingaverage，MA）以及自回归移动平均模型（或混合模型）（auto-regressive Moving Average，ARMA）[3]。　　自回归模型AR（p）　　如果时间序列{yt}满足：　　yt=φ1yt-1+…+φpyt-p+εt了（1）　　其中：{εt}是独立分布的随机变量序列，并且对于任意的t，E（εt）=0，Var（εt）=>0，则称时间序列{yt}服从p阶自回归模型，记为AR（p）。φ1，…，φp称为自回归系数。　　记Bk为k步滞后算子，即Bkyt=yt-1，则模型（1）可表示为：　　yt=（φ1B+…+φpBP）yt+εt　　令φ（B）=1-φ1B-…-φpBP，则模型（1）可以表示为：　　φ（B）yt=εt　　AR（p）平稳的条件是滞后算子多项式φ（B）=1-φ1B-…-φpBP的根均在单位圆外，即φ（B）=0的根大于1。　　移动平均模型MA（q）　　如果时间序列{yt}满足：　　yt=εt–θ1εt-1–…–θqyt-q（2）　　则称时间序列{yt}服从q阶移动平均模型，记为MA（q）。θ1，…，θq称为移动平均系数。　　若用滞后算子Bk表示，令θ（B）=1-θ1B-…-θqBP，则模型（2）可写成：　　yt=θ（B）εt　　任何条件下，MA（q）模型都是平稳的。　　自回归移动平均模型ARMA（p，q）　　如果时间序列{yt}满足：　　yt=φ1yt-1+…+φpyt-p+εt-–θ1εt-1–…–θqyt-q　　则称时间序列{yt}服从（p，q）阶自回归移动平均模型，记为ARMA（p，q）。φ1，…，φp称为自回归系数，θ1，…，θq称为移动平均系数。　　对于ARMA（p，q）模型，当q=0，模型即为AR（p）模型；当p=0时，模型即为MA（q）模型。　　如果用滞后算子Bk表示，则ARMA（p，q）模型可写为：　　φ（B）yt=θ（B）εt　　二基于ARIMA模型的卷烟销售预测框架　　收集数年卷烟销售数据。　　数据序列的平稳化。建立ARMA模型的基本前提是保证时间序列的平稳性。ARIMA建模的过程则是把非平稳时间序列平稳化，再建立ARMA模型。模型中的p和q一旦确定下来，则ARIMA模型便可确定。因此，首先要做的分析工作便是确定p和q的具体取值，然后再对ARMA（p，q）模型进行参数估计及显著性检验。最后利用显著的模型对时间序列进行预测。　　计算自相关和偏相关系数，检验预处理后的数据是否符合ARMA建模要求。　　ARIMA模型的识别。根据自相关系数（AC）及偏相关系数（PAC）的截尾性，初步判别序列属于哪类模型以及模型阶次，应用AIC准则为模型定阶。　　参数估计后，对ARIMA模型的适合性进行检验，即对模型的残差序列进行白噪声检验，如果不能通过，则必须对模型重新进行定阶。　　用ARIMA模型预测月度卷烟销售量，以此数据可以指导烟草公司的月度和季度卷烟的销售。　　三某烟草公司卷烟销售模型分析　　整理数据。　　本文所用数据为某烟草公司近四年多的卷烟销售量，如表1所示。　　表1卷烟历史销售数据　　图1卷烟销售曲线图　　由图1可明显看出，卷烟销售数据具有整体均势变动性和季节波动性，具备时间序列二重趋势变化特点。　　数据序列平稳化　　由图1可看出数据序列有趋势性，为非平稳序列，需对其进行平稳化处理。对数据进行一阶差分后的序列图如图2。　　图2一阶差分后的序列图　　图2可以看出已经消除了趋势性，但仍具有季节性，做季节差分，如图3。　　图3、季节差分后的序列图　　计算自相关和偏相关系数，检验预处理后的数据是否符合ARMA建模的要求。　　一阶差分、季节差分后的序列的相关系数和偏相关系数如图4所示。　　图4、季节差分序列的相关系数和偏相关系数　　由上图可以看到，时间序列的自相关系数基本上都落入了置信区间，且逐渐趋于零。可以判断该时间序列平稳。　　ARMA模型的识别、参数估计及检验：　　以AIC原则定阶。AIC准则称为最小信息的辨识模型阶数准则。该准则的基本思想是，根据模型的预报误差来判断自回归模型的阶数是否合适，如果某个适用的自回归模型是由某一序列拟合得来的，则利用该模型对序列进行一步预测，所得的预测误差必定是最小的。由此得出最优模型为：Log ARIMA（0，1，2）（0，1，1）s NOINT。　　模型Log ARIMA（0，1，2）（0，1，1）s NOINT残差项的ACF、PACF、IACF图如下：　　图5模型Log ARIMA（0，1，2）（0，1，1）s NOINT残差项的ACF、PACF、IACF图　　参数估计和模型拟合后，应对 ARIMA模型的适合性进行检验 ，即对模型的残差序列进行白噪声检验。若残差序列不是白噪声序列 ，意味着残差序列还存在有用信息没被提取，需要对模型重新进行识别。　　图6模型Log ARIMA（0，1，2）（0，1，1）s NOINT残差项的白噪声和单位根检验图　　从上面图中可以看出，模型残差项为白噪声，信息提取充分。　　模型拟合统计量如下：　　图7模型Log ARIMA（0，1，2）（0，1，1）s NOINT拟合统计量　　模型统计参数如下：　　图8模型Log ARIMA（0，1，2）（0，1，1）s NOINT统计参数　　利用ARIMA模型预测2009年11月份-2010年12月份的销售数据　　2009年11月份-2010年12月份的销售趋势预测图如下：　　图9 2009年11月份-2010年12月份的销售预测图　　对2009年11月份-2010年12月份销售量的预测及预测区间如下表。　　综上所述，利用ARIMA法建立卷烟销售预测模型能够较好地预测出规格卷烟月销售总量值变化趋势，能够实现对卷烟销售季节性、周期性和随机性特点的有效模拟，预测数据可以作为卷烟月度和季度销售的参考。　　[参考文献]　　[1]罗艳辉、吕永贵、李彬，基于ARMA的混合卷烟销售预测模型，计算机应用研究[J]7　　[2]阮敬，SAS统计分析从入门到精通[M]，人民邮电出版社2009　　[3]徐国强，统计预测和决策[M]，上海财经大学出版社2008

以下是我在中国知网给你查找的文献已经下载下来并发到你QQ邮箱里了,你查收,要下载CAJ软件才可以看的序号 文献标题 来源 年期 来源数据库 1 江门市经济预测与决策支持系统设计 五邑大学学报(自然科学版) 2004/03 中国期刊全文数据库 2 经济预测与决策——农民每年纯收增200元探讨 柳州师专学报 2000/03 中国期刊全文数据库 3 《经济预测与决策方法》课程的几个问题 湖北大学成人教育学院学报 1999/01 中国期刊全文数据库 4 刍议保险企业的经济预测与决策 社会科学论坛 1995/05 中国期刊全文数据库 5 插值法在经济预测与决策中的应用 内江师范学院学报 1991/04 中国期刊全文数据库 6 立意精深 雅俗共赏——评《经济预测与决策技术》 武汉大学学报(人文科学版) 1991/04 中国期刊全文数据库 7 立意精深 雅俗共赏——评《经济预测与决策技术》 武汉大学学报(哲学社会科学版) 1991/04 中国期刊全文数据库 8 具有较高学术水平的一本好教材——评《经济预测与决策技术》 数量经济技术经济研究 1991/02 中国期刊全文数据库 9 插值法在经济预测与决策中的应用 内江师范学院学报 1991/04 中国期刊全文数据库 10 立意精深 雅俗共赏——评《经济预测与决策技术》 武汉大学学报(人文科学版) 1991/04 中国期刊全文数据库 希望对你有帮助了

ARIMA方法是时间序列预测中的一种有效的方法。为了提高卷烟销售预测准确性，笔者提出了一个基于ARIMA（Auto－Regressive Integrated Moving Average Model，整合自回归移动平均模型）的卷烟销售预测模型，以实现月度、季度卷烟销售总量的预测。经过实证分析，证明该模型能够较好地预测出月度、季度卷烟销售总量。

1；首先要有书籍学习，熟悉各种技术指标。2；熟悉其中一个就可以3；依据MACD指标，KDJ，和均线系统。4；了解公司基本面，财务各项数据，主要是现金流，毛利率，增长率。有没有新的增长点5；按趋势投资理论进行阐述仅供参考