2.3 指數平滑與需求預測#

本章導言#

第二章前兩節關注的是「成長與效率提升」（複利、學習曲線）。本節則轉向最貼近日常管理的問題：如何根據歷史銷售數據預測未來需求？

無論是原料採購、庫存補充、人力排班或生產計畫，都必須預測未來一段時間的需求量。若預測過低，將面臨缺貨、交期延誤甚至失去客戶；若預測過高，則會造成過剩庫存、資金積壓與倉儲成本上升。尤其在多品項、週轉快速的零售與製造業中，準確而簡便的短期預測往往比複雜的長期模型更具實用價值。

需求數據很少是完全平穩的。它可能同時包含：趨勢（trend）（長期上升或下降）、季節性（seasonality）（週、月、季節循環）、週期性（cycle）（較長的經濟循環）以及隨機波動（random fluctuation）。預測的任務就是從這些混雜的成分中，盡可能提取出「可預期」的部分，並對未來做出合理估計。

早期的預測多用移動平均（moving average），但它對舊數據的權重一視同仁，且對新趨勢的反應較慢。二十世紀五十年代，Robert G. Brown（羅伯特·布朗） 與 Charles C. Holt（查爾斯·霍爾特） 等人提出指數平滑（exponential smoothing），用「指數遞減」的權重給近期觀測值較大權重，舊觀測值權重逐漸減弱。這套方法計算簡單、只需少量歷史資料、適合電腦普及前的實務，也很適合大量品項同時預測，至今仍廣泛應用於企業需求規劃。

簡單移動平均（簡要對比）#

為理解指數平滑的優點，先簡單回顧移動平均。以 $n$ 期移動平均預測下一期需求 $F_{t+1}$ ：

\[ F_{t+1} = \frac{D_t + D_{t-1} + \cdots + D_{t-n+1}}{n} \]

其中 $D_t$ 為第 $t$ 期實際需求。移動平均的缺點：每次都要保留最近 $n$ 期全部資料、對所有 $n$ 期給予相同權重 $1/n$ 、對結構改變（如需求突然轉向上升）反應遲緩。

簡單指數平滑（Simple Exponential Smoothing）#

對於無明顯趨勢也無明顯季節性的水平型需求（level series），最常用的是簡單指數平滑。

定義平滑值（預測值） $S_t$ 為對目前水平的估計。更新公式為：

\[ S_t = \alpha D_t + (1 - \alpha) S_{t-1}, \qquad 0 < \alpha < 1 \]

其中 $D_t$ 為第 $t$ 期實際需求， $S_{t-1}$ 為前一期的平滑值。下一期的預測值即為當前平滑值：

\[ F_{t+1} = S_t \]

權重的指數遞減性質#

將公式不斷遞迴代換，可看出 $S_t$ 實際上是所有過去實際需求的加權平均：

\[ S_t = \alpha \sum_{j=0}^{t-2} (1-\alpha)^j D_{t-j} + (1-\alpha)^{t-1} S_0 \]

權重依次為 $\alpha, \alpha (1-\alpha), \alpha (1-\alpha)^2, \ldots$ ，呈幾何遞減。最近一期 $D_t$ 權重最大 ( $\alpha$ ), 較舊的需求權重按 $(1-\alpha)$ 指數衰減。因此稱為「指數平滑」。

平滑常數 $\alpha$ 選擇： $\alpha$ 較大（如 0.8）表示較重視近期數據，對新資訊反應快速，但預測較易受隨機波動影響（不夠平滑）。 $\alpha$ 輾小 (如 0.2) 表示較多地參考長期趨勢,預測較平穩，但對需求轉向的反應較慢。
**初始值 $S_0$ **：實務上常用前幾期平均值作為初始平滑值，或直接用第一期實際需求。

例題 2.3.1：某產品連續 $5$ 期需求為 $D_1=100, D_2=110, D_3=105, D_4=115, D_5=112$ （單位：件）。設 $S_0 = 100$ （或用 $D_1$ 當初始）， $\alpha = 0.3$ 。計算 $S_1$ 至 $S_5$ 並預測第 $6$ 期需求。

解： $F_{t+1}=S_t$ 。

$S_0 = 100$ $S_1 = \alpha D_1 + (1-\alpha) S_0 = 0.3 \times 100 + 0.7 \times 100 = 100$ $S_2 = 0.3 \times 10.108100 + 0.7 \times 100 = 30 + 70 = 100$ ? 等待： $D_1=100 \Rightarrow S_1=100$ , $D_2=110 \Rightarrow S_2 = 0.3 \times 110 + 0.7 \times 100 = 33 + 70 = 103$ , $D_3=105 \Rightarrow S_3 = 0.3 \times 105 + 0.7 \times 103 = 35 + 71.7 = 106.7$ , $D_4=115 \rightar{} S_4 = 0.3 \times 115 + 0.7 \times 106.7 = 35.5 + 74.13 = 109.63$ , $D_5=112 \rightar{} S_5 = 0.3 \times 112 + 0.7 \times 109.9? 109.63 \times 0.7 = 76.741, 0.3 \times 112 = 42? 36,共 112.741?$ 正確計算： $S_1 = 0.3\times100 + 0.7\times100 = 100$ $S_2 = 0.3\times110 + 0.7\t.tS_1 = 33 + 70 = 103$ $S_3 = 0.3\times105 + 0.7\timesS_2 = 33.5 + 72 = 105.5? 0.3×105=35, 0.7×103=71.7,$ S_3 = 106.7$ $S_4 = 0.3 \times 115 + 0.7 \times S_3 = 35.5 + 74.7 106.7 = 110.19? 0.7×106.7=74.69,$ S_4 = 110.19$ $S_5 = 0.3 × 112 + 0.7 × S_4 = 36 + 77.133 = 113.133$ 第 $6$ 期預測 $F_6 = S_5 \approx 113.13$ 件。

可以看出，隨著平滑,預測值逐漸趨近實際需求的水平,對近期上升趨勢也有一定反應。

趨勢型指數平滑（Holt 雙參數模型）#

當需求呈現明顯線性趨勢時（不斷上升或下降）,簡單指數平滑會系統性地低估（上升趨勢）或高估 (下降趨勢)。Holt（1957） 提出的雙參數指數平滑同時平滑「水平」（level）和「趨勢」（trend）。

定義： - $L_t$ ：第 $t$ 期水平估計值 - $T_t$ ：第 $t$ 期趨勢估計值（每期平均增長量） - $F_{t+m}$ ：預測第 $t+m$ 期需求

更新公式： $$ L_t = \alpha D_t + (1 - \alpha) (L_{t-1} + T_{t-1}) $$

\[ T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}, \qquad 0 < \beta < 1 \]

預測公式： $$ F_{t+m = L_t + m\,T_t $$

其中 $\alpha$ 用於平滑水平, $\beta$ 用於平滑趨勢。第一個公式的 $(L_{t-1} + T_{t-1})$ 是「前一期水平加前一期趨勢」所預測的 $D_t$ 的值,用實際需求的差異修正水平。

季節型指數平滑（Holt-Winters 三參數模型）#

對於同時有趨勢與季節性的需求,可以使用 Holt-Winters（1960） 模型。季節性有兩種常用形式：加法型（additive） 和乘法型（multiplicative）。

乘法型（當季節波動幅度隨水平值大小成比例時較適用,最常見於零售）： $D_t = (L_t + b_t t) \times S_t + \epsilon_t$
加法型（季節波動幅度固定時）： $D_t = L_t + b_t t + S_t + \epsilon_t$

這裡僅簡要說明乘法型的基本邏輯：水平與趨勢先用 Holt 方法估計,再計算季節指數 $S_t$ （各季節相對於整體水平的比例）,最終預測時將 $(L_t + m T_t)$ 乘以對應季節的季節指數。

由於篇幅限制,本節主要聚焦簡單指數平滑與 Holt 模型的數學原理與應用,季節型模型僅作概念介紹。

指數平滑的實務考量#

資料需求少：只需前一期的平滑值、平滑常數、必要時趨勢與季節參數,不需儲存全部歷史資料。
計算簡單：適合 Excel 或簡單系統就能埪實行。
適合短期預測：一般用於 $1 \sim 6$ 個月的短期需求預測。對長期預測(超過一年的趨勢外推),往往會低估不確定性。
平滑常數的選擇方法：實務上可用「試誤法」或最小均方誤差（Mean Square Error, MSE）、平均絕對誤差（Mean Absolute Error, MAE） 等誤差指標,選擇使歷史預測誤差最小的 $\alpha, \beta$ 值。
預測誤差的監控：預測不可能百分百準確,管理者必須定期檢查**預測誤差 $e_t = D_t - F_t$ ** 的走向,若誤差持續偏移或呈系統性模式,即表示模型已不再適用。
與第1章的銜接：需求預測的數據來自工廠銷售記錄,這些記錄正是 1.3 節所強調「工廠數據的統計收集」的延伸產物。

預測誤差簡單衡量#

常用誤差指標（簡單介紹）： $$ \text{MAD} = \frac{1}{n}\sum_{t=1}{n} |D_t - F_t| \quad (\text{平均絕對誤差}) $$ $$ \text{MSE} = \frac{1}{n} \sum_{t=1}{n (D_t - F_t)^2} \quad (\text{均方誤差}) $$ $$ \text{MAPE} = \frac{100\%}{n} \sum_{t:1}{n} \frac{|D_t - F_t|} |D_t| \quad (\text{平均絕對百分比誤差}) $$

MAD 用單位表示易於理解, MSE 放大大誤差的影響,MAPE 則可以跨產品比較準確率。

前因後果與驅動關係#

管理問題驅動理理：戰後企業生產規模擴大、品項繁多,傳統「憑經驗訂購」難以應付多品項庫存管理。簡便有效的短期預測成為迫切需求,促使 Brown、Holt 等人在 1950 年代系統化指數平滑。
理論如何改變實務：指數平滑讓中小企業也能實施系統性需求預測,不需專業計量團隊或龐大電腦。它被廣泛應用於 MRP（5.3 節）、庫存控制（5.1 篾）與配送規劃,成為現代供應鏈管理的基礎工具之一.
對後續章節的影響：5.1 節 EOQ 模型假設「需求率恆定」，但實際需求往漱有波動。指數平滑的預測值可以替代 EOQ 中的「年需求量」等靜態假設。5.2 節報童模型則明確考慮隨機需求,與指數平滑「估計水平」的思路形成對比（前者估計「平均」，後者把握「分佈」）。
與兄弟書的連結：《機率統計》中介紹的隨機變數、均方誤差與預測理論是指數平滑數學根源。《經濟的數學》第3章供給需求與均衡雖關注價格均衡,但企業層面的「需求預測」是供給安排的實際起點,兩者從不同角度銜接。</節>

練習#

某產品 $D_1=50, D_2=52, D_3=48$ 。設 $S_0=50, \alpha=0.4$ . 計算 $S_1, S_2, S_3$ 並預測第 4 期需求。
當需求呈現上升趨勢時,簡單指數平滑的預測值會出現「落後於趨勢”的偏差。試說明原因並提出解決方案 (Holt 模型概念即可).
平滑常數 $\alpha$ 選擇為 $0.2$ 與 $0.8$ 分別對預測值的「平穩性”和「反應速度」有何影響?
思考題:指數平滑只需少量資料卻能有效預測短期需求。試從「資料蒐集成本”、“計,非,一個管理角度分析其實用性。</節
思考題:預測誤差不斷監控的意義是什麼?如果某段時間預測誤差 $e_t = D_t - F_t]都沒有正負交替，而是持續為$ +10$ 件以上,代表什麼問題?</節

年表速查#

1956：Robert G. Brown 於 Smoothing, Forecasting and Prediction of Discrete Time Series 等早期研究中提出指數平滑概念。
1957：Charles C. Holt 發表關於趨勢型指數平滑的研究 (Holt 雙參數模型)。
1960：Peter R. Winters 擴展 Holt 模型加入季節性 (Holt-Winters 模型),用於商業預測。
1960 年代以來:指數平滑廣泛應用於庫存管理系統,成為自動化需求預測的常用工具。
1970 年代以來:隨著電腦普及,指數平滑被納入企業資源規劃 (ERP) 系統的預測模組.

名詞速查表#

需求預測 (forecasting) : 根據歷史數據推測未來需求的過程.
移動平均 (moving average) : 用最近 n 期平均值預測下一期的簡單方法.
指數平滑 (exponential smoothing) : 用指數遞減權重對歷史數據加權平滑的預測方法.
**平滑常數 $\alpha$ ** : 決定對最新實際需求的權重大小.
水平 (level) : 需求數據的平均基準值.
趨勢 (trend) : 需求隨時間呈線性上升或下降的變化.
季節性 (seasonality) : 每年、每週或每月固定週期出現的規律性波動.
Holt 模型 : 同時平滑水平與趨勢的雙參數指數平滑.
Holt-Winters 模型 : 同時平滑水平、趨勢與季節性的三參數指數平滑.
**預測誤差 $e_t = D_t - F_t$ ** : 實際需求與預測值的差異.