欢迎来到预测的世界！

你好！欢迎来到你 P1 学习旅程中最实用的章节之一。你是否曾经好奇，企业是如何决定圣诞节该采购多少库存，或是夏季大减价期间需要聘请多少员工的吗？他们并非靠猜测，而是利用预测 (Forecasting)。

在本章中，我们将进入 CIMA 课程中“预算与预算控制 (Budgeting and Budgetary Control)”的部分。在我们制定预算（计划）之前，必须先进行预测（预测未来）。试着这样想：预测就像是一份气象报告，告诉你可能会下雨；而预算则是你决定携带雨伞并穿上外套的行动。让我们开始吧！

1. 到底什么是预测？

预测是根据过去和现在的数据来推测未来事件的过程。在管理会计中，我们通常会预测销售量、材料价格或人工时数等项目。

如果刚开始觉得有点复杂，不用担心！大多数的预测其实只是在寻找规律。如果你知道自己在一月卖出的咖啡总是比七月多，其实你已经开始在进行预测了。

2. 时间序列分析 (Time Series Analysis)

时间序列只是一组在特定时间间隔内收集的数据点（例如，过去三年的每月销售额）。当我们观察时间序列时，我们是在寻找构成数据的四个主要“成分”：

A. 趋势 (Trend)

趋势是数据的长期走势。它整体上是上升、下降还是保持平稳？例如：一家科技公司的智能手机销售额在五年内可能呈现稳定的上升趋势。

B. 季节性变动 (Seasonal Variations, SV)

这些是定期重复发生的短期波动。尽管有整体趋势，但在一年内仍会出现高峰和低谷。
例如：一家玩具店在每年十二月（圣诞节）都有巨大的高峰，而在二月则会出现下滑。

C. 循环变动 (Cyclical Variations)

这是由经济环境（如经济衰退或繁荣）引起的长期“波浪”。与一年内发生的季节性变动不同，这些变动通常持续数年。

D. 随机变动 (Random/Residual Variations)

这些是无法预测的“一次性”事件。
例如：突然的暴风雪导致你所有的门店被迫关闭两天。

快速回顾：
• 趋势：长期的发展方向。
• 季节性：规律的短期模式（每日、每周或每月）。
• 随机：不可预测的“噪音”。

3. 找出趋势：移动平均法 (Moving Averages)

有时原始数据在图表上看起来非常“跳跃”。为了观察潜在的趋势，我们使用移动平均法来“平滑化”季节性的跳动。

运作流程：
1. 选定一组期间（例如 4 个季度）。
2. 计算其平均值。
3. 向后移动一个期间，并计算下一组的平均值。
4. 如果期间的数量为偶数（例如 4 个季度），你需要进行“二次中心化 (second centering)”，以确保平均值能精确地对应到特定的时间点。

重点提示：移动平均法能帮助我们剔除季节性起伏的“噪音”，让我们看清企业从长远来看是真的在成长还是萎缩。

4. 处理季节性变动

一旦我们掌握了趋势，我们就会想知道“季节”对数值具体影响了多少。你需要掌握两种模型：

加法模型 (Additive Model)

我们假设季节性变动是一个固定的数值。
公式：\(Actual = Trend + Seasonal Variation\)
如果十二月的趋势是 1,000 个单位，而季节性变动是 +200，则预测值为 1,200。如果一月的变动是 -100，则预测值为 900。

乘法模型 (Multiplicative Model)

我们假设季节性变动是趋势的一个百分比。这通常更符合现实，因为随着企业成长，其季节性高峰通常也会随之变大。
公式：\(Actual = Trend \times Seasonal Variation Factor\)
如果趋势是 1,000，且系数是 1.2（即 120%），预测值为 1,200。如果稍后趋势成长到 2,000，使用相同的系数，预测值将为 2,400。

重要提示：在考试中，如果季节性变动随着趋势增加而变得越来越大，这很可能是乘法模型。

5. 线性回归 (Linear Regression / Least Squares Method)

回归分析是一种找出“最佳拟合线 (Line of Best Fit)”的数学方法。我们使用直线方程：

\(y = a + bx\)

其中：
• \(y\) = 我们试图预测的总数值（例如：总成本）。
• \(a\) = 直线与 y 轴的截距（固定成本）。
• \(b\) = 直线的斜率（单位变动成本）。
• \(x\) = 自变量（例如：生产的单位数量）。

你知道吗？在 P1 考试中，你通常不需要从零开始利用长公式计算 \(a\) 和 \(b\)（尽管公式表中会提供）。你更有可能被要求解释结果，或是利用已知的 \(a\) 和 \(b\) 数值来预测未来的 \(y\)。

常见误区：

千万不要过度外推 (Extrapolate)！外推是指预测范围远远超出你数据的界限。如果你现有的数据范围是 10 到 100 个单位，用回归模型去预测 1,000,000 个单位的成本是非常危险的，因为企业的“规则”可能会在该规模下发生改变！

6. 相关性 (Correlation)：你的预测有多可靠？

画出一条线并不代表它是一条好的拟合线。我们使用两个指标来评估 \(x\) 与 \(y\) 之间的关系强度：

相关系数 (Correlation Coefficient, \(r\))

这衡量了关系的强度与方向。
• \(r = +1\)：完全正相关（两者完全同步变动）。
• \(r = -1\)：完全负相关（一个上升，另一个下降）。
• \(r = 0\)：完全没有相关性（数据只是随机散点）。

判定系数 (Coefficient of Determination, \(r^2\))

这是我最喜欢的指标，因为它非常容易解释。将 \(r\) 平方后得到 \(r^2\)，它告诉我们 \(y\) 的变动中有多少百分比是由 \(x\) 的变动所引起的。

例如：如果 \(r = 0.9\)，则 \(r^2 = 0.81\)（即 81%）。这意味着 81% 的成本变动可以用生产的单位数量来解释，其余的 19% 则是由其他因素引起的。

快速回顾：
• 高 \(r^2\) = 预测非常可靠。
• 低 \(r^2\) = 不太可靠；对预测结果需持保留态度！

7. 关键术语总结

预测 (Forecasting)：利用历史数据推测未来。
趋势 (Trend)：潜在的长期发展路径。
季节性变动 (Seasonal Variation)：短期的、规律重复的模式。
回归 (Regression)：找出 \(y = a + bx\) 关系的数学工具。
相关性 (Correlation, \(r\))：两者之间关系的“紧密”程度。
\(r^2\)：模型对变动的解释力有多大。

最后的鼓励

预测听起来可能充满数学计算，但在 P1 考试中，核心往往在于理解概念。记住：趋势是大局，季节性变动是围绕趋势的“摆动”，而回归只是一种能画出一条穿过所有点的直线的华丽工具。你一定做得到的！