基于時間序列季節(jié)性分解模型的科技查新課題量預(yù)測研究

孟婷婷++賈寶平

DOI：10.16660/j.cnki.1674-098X.2017.23.145

摘 要：本文采用時間序列的季節(jié)性分解模型，利用IBM SPSS Statistics軟件對科技查新課題量統(tǒng)計數(shù)據(jù)進(jìn)行分析，建立了乘法預(yù)測模型。并對其預(yù)測值和實際值進(jìn)行了曲線擬合和相關(guān)性檢驗，發(fā)現(xiàn)該的模型能較好的對科技查新課題量進(jìn)行預(yù)測，從而為科技查新工作安排提供了參考依據(jù)。

關(guān)鍵詞：時間序列 季節(jié)性分解 科技查新 預(yù)測

中圖分類號：TM614 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）08（b）-0145-03

Abstract：This paper， the seasonal decomposition model of time series is used， and the IBM SPSS Statistics software is used to analyze the statistical data of sci-tech novelty retrieval， and a multiplicative prediction model is established. We also make a curve fitting and correlation test between the predicted value and the actual value， and find that the model can better predict the amount of scientific and technological novelty search， thus providing a reference for the arrangement of sci-tech novelty search work.

Key Words： Time sequence； Seasonal decomposition； Innovation of science and technology； Prediction

科技查新工作通過幾十年的發(fā)展，在科研課題立項、科技成果鑒定、報獎評估等方面的作用也越來越重要，已成為科研單位、高校、企業(yè)科研工作的重要支撐和評價工具。對查新未來發(fā)展主要業(yè)務(wù)的數(shù)據(jù)進(jìn)行科學(xué)的趨勢分析與預(yù)測是實行科學(xué)管理的主要手段之一，是科技查新制定發(fā)展規(guī)劃與決策的前提條件[1]。通過對查新課題量的變化規(guī)律進(jìn)行分析研究，根據(jù)統(tǒng)計預(yù)測結(jié)果提前做好工作安排和人員配置，可以有效減少工作的主觀性和盲目性，對于全面提升科技查新管理水平，合理安排查新工作的人力、物力、財力上的資源配置具有十分重要的意義。

1 資料與方法

1.1 數(shù)據(jù)資料來源

本文所采用的數(shù)據(jù)來源于黑龍江省科技情報研究院科技查新中心2013—2016年的國內(nèi)查新課題統(tǒng)計數(shù)據(jù)。數(shù)據(jù)如表1所示。

1.2 預(yù)測方法選擇

時間序列預(yù)測法就是通過編制和分析時間序列，根據(jù)時間序列所反映出來的發(fā)展過程、方向和趨勢，進(jìn)行類推或延伸，借以預(yù)測下一段時間或以后若干年內(nèi)可能達(dá)到的水平[2]。從表1我們可以看出，本次進(jìn)行預(yù)測分析的數(shù)據(jù)為典型的時間序列型數(shù)據(jù)，因此，適于采用時間序列分析模型的相關(guān)方法進(jìn)行分析預(yù)測。

通過繪制時間序列圖，可以觀察到國內(nèi)科技查新課題量表現(xiàn)出明顯的季節(jié)性（周期性），都是每一年度都是第一季度最高，然后逐漸下降，每年的第三季度達(dá)到最低谷。因此，適用時間序列預(yù)測法中的季節(jié)時間序列分解模型。

傳統(tǒng)的時間序列季節(jié)分解模型認(rèn)為，時間序列的變化受許多因素的影響，可以概括為四種：長期趨勢、季節(jié)變動因素、周期變動因素和不規(guī)則變動因素。這四個因素相結(jié)合提供了一個時間序列的確切值。然而在實際分析過程中，人們發(fā)現(xiàn)沒有固定周期的循環(huán)變動與長期趨勢的影響很難嚴(yán)重格區(qū)分開來，而有固定周期的循環(huán)波動和季節(jié)性變化又很難嚴(yán)格分解開。因此，近年來研究人員將此方法進(jìn)行了改進(jìn)，將時間序列分解為三大因素的綜合影響：

長期趨勢（包含長期趨勢和無固定周期的循環(huán)波動）、季節(jié)性因素（包括了所有具有固定周期的循環(huán)波動）和隨機(jī)波動（包括了去除了長期趨勢和季節(jié)性變化后，其余因素的綜合影響）。

2 時間序列分析

2.1 具體步驟：

（1）首先開打IBM SPSS Statistics 20，在數(shù)據(jù)視圖中粘入原始數(shù)據(jù)，并在變量視圖中將其名稱改為“觀測值”，小數(shù)位改為0。

（2）在SPSS的菜單欄中選擇【數(shù)據(jù)】菜單下的【定義日期】命令，選中“年份，季度”，在年和季度文本框中分別輸入2013和1。數(shù)據(jù)視圖見“表2”的前四列。

（3）【分析】【預(yù)測】【季節(jié)性分解】將“觀測值”選入變量，模型類型選擇“乘法”，移動平均權(quán)重選擇“結(jié)束點按0.5加權(quán)”。結(jié)果見“表2”第5至第8列。其中，“ERR_1”為隨機(jī)誤差，“SAS_1”為去除季節(jié)性因素后的序列，“SAF_1”為季節(jié)性因素，“STC_1”為序列趨勢。

（4）我們對“STC_1”列進(jìn)行曲線擬合，擬合圖如圖2所視。從表三我們可以看出，三次曲線擬合結(jié)果非常的好，R值和R2值分別為0.962和0.926。從表3我們可以得到“STC_1”的三次曲線方程為：y=35.338x-6.998x2+0.339x3+3493647。

（5）通過“STC_1”的曲線方程我們對長期趨勢值進(jìn)行預(yù)測，其結(jié)果見“表2”第9列。

（6）對隨機(jī)波動“ERR_1”采用移動平均法進(jìn)行預(yù)測，其結(jié)果見“表2”第10列。

（7）將“SAF_1”值、“STC_1預(yù)測”值、“ERR_1預(yù)測”值相乘，得到最終預(yù)測結(jié)果，見“表2”第11列。

（8）對表2的“觀測值”和“預(yù)測值”進(jìn)行相關(guān)性檢驗。其相關(guān)性到達(dá)0.958，擬合程度非常高。其擬合圖見圖3所示。

3 結(jié)語

通過查新課題量時間序列分析，可以深入研究查新用戶需求季節(jié)特征的表現(xiàn)形式，有利于科技查新管理部門對相關(guān)工作進(jìn)行提前部署及相應(yīng)對策的制定。需要注意的是，預(yù)測是基于歷史數(shù)據(jù)的趨勢對未來情況進(jìn)行的推斷，但現(xiàn)實情況是在不斷變化的，精準(zhǔn)的預(yù)測是需要對外部環(huán)境如政治、經(jīng)濟(jì)、市場以及競爭對手等因素加以綜合考慮，采用定性定量相結(jié)合的方式進(jìn)行，并需要不斷改善的連續(xù)過程。

參考文獻(xiàn)

[1] 張珊珊.中醫(yī)醫(yī)院門診工作量的季節(jié)性分析及預(yù)測研究[J].數(shù)理醫(yī)藥學(xué)雜志，2013，26（6）：675-678.

[2] 張美英.時間序列預(yù)測模型研究綜述[J].數(shù)學(xué)的實踐與認(rèn)識，2011，41（18）：189-195.

[3] 王燕.應(yīng)用時間序列分析[M].北京：中國人民大學(xué)出版社， 2005.

[4] 百度百科.科穩(wěn)序列[EB/OL].[2017.02.21].http：//baike.baidu.com/link？url=Ltwx15FJ9CNJYMGL89PDOWnA7MbBnfMn6pJz0DjZ4yYwvFCVB979mzRnmlYe69Vj39MbYGJM4OFBu--fEbDL4cQshsTFI8O2cYGRDUT1OaRcNPoUtw-yhdVzfcBiyky1.endprint