1.1 研究動機與目的
近年來全球商業的競爭趨勢改變，已由企業對企業的競爭轉變為供應鏈 (supply chain)對供應鏈的競爭時代。許多的大企業多著重在發揮其核心的優勢領 域，因此將其與運輸、倉儲等相關的物流功能外包(outsource)給專業的物流服務 提供者(Logistics Service Provider ，LSP)。而由於這些 LSP 業者為買賣以外的第 三方，因此其所提供的專業物流服務型態被稱為第三方物流(Third Party Logistics，
3PL)。
物流中心的作業內容繁瑣，包含路線規劃、車輛頻次、人員調派等，這些車 輛設備費用與人員薪資等占物流業者經營成本中一定的比例，所以傳統上物流中 心被視為成本中心(Cost Center)。因此若能有效的經營管理物流中心，將內部作 業成本降低，則物流中心將可由以成本為導向轉變成以利潤為導向的利潤中心 (Profit Center)。
物流中心配送作業的重點是，如何有效的使用車輛在最經濟的配送路線上將 所有的貨物在最短的時間內送達客戶的手中。貨物的運送流程為：寄貨人在集貨 時間內將要運送的貨物交于物流業者，物流業者將所有貨物集中至各地的營業所，
再經由長途運輸到達目的地營業所，然後各營業所再將貨物轉送至收貨人所在地。
貨物的長途運輸時間在深夜凌晨的六、七個小時，貨物需在隔日的配送作業時間 前到達目的地營業所，才可在預計時間內將貨物交到收貨人手中。假若貨物的運 送是由台北到高雄，則貨物運送的行車時間可能就需五至六個小時，而長途運輸 的六、七個小時內還包括了貨物的裝載與卸貨時間，時間可說是相當緊湊，因此 若能準確預估貨運量則可提前進行車輛的安排與路線的規劃，縮短整體的運送時 間。
貨運需求預測(Freight Transportation Demand Forecasting)則是第三方物流業 者本身要進行貨物運送前對貨物運送需求所做出的預測模式，再經由所預估的運 量進行貨物運送車輛派遣、車輛路線規劃、人員安排等的作業流程規劃。因此若 能準確的預測貨運需求量將有助於在車輛與人力方陎做出最有效率的安排，避免 造成車輛與人力派遣的不足或是過剩的現象。目前台灣的運輸預測研究大多為旅 運需求預測，而貨運需求預測的部分則較為少見，因此本研究之目的為準確預測 陸運每日貨運量以利車輛安排。
1.2 研究內容與範圍
本研究以 H 貨運公司為研究對象，H 貨運公司目前並未針對貨運量進行需 求預測，僅在重大節日前貨運量的推估，例如農曆新年、端午、中秋台灣的三大 重大節慶前才會進行特別根據歷史經驗推估貨運量。
H 貨運公司所提供之貨運量資料為 H 貨運公司各營業站所間每日之貨物交 互件數表，其內容為每日各營業站所的發貨量與到貨量資料，資料時間由民國 96 年 2 月到民國 99 年 3 月。由於資料之完整性問題，本研究以農曆年之日期作 為資料分割依據，採用完整三年之資料進行模式之建立與預測，採用資料之時間 為民國 96 年 2 月 3 日到民國 99 年 1 月 29 日。
由於營業站所對營業站所間的貨運量較小，不易觀察貨運量特性，在預測時 選用某營業站所之每日發貨量做預測，因為總體資料會較各起終點之資料偏差小。
因此再進行預測之前，先將起終點資料進行加總轉換成某營業站所之每日發貨量 資料。由於 H 貨運公司之營業站所的營業時間為每周一到周六，周日不營業，
因此每週之天數為 6 天。
貨運量的變化並非僅受星期的影響，當遇到連續假期時也會有高峰的出現，
每日的貨運量預測通常以星期的周期性變化為主要的考量，但若從整年度的資料 來看，連續假日前的貨運量高峰的影響亦不小，若可同時考量多種季節性因子則
可減少預測誤差，因此本研究將納入多重季節因子模式作為預測模型。
本研究總共採用以指數帄滑模式與自我迴歸移動帄均整合模式為基礎之五 種時間序列預測模式進行貨運量需求量預測，其主要研究內容如下：
1. 探討與回顧貨運求相關文獻與各類型之預測方法。
2. 藉由 H 貨運公司之個案資料分析瞭解目前 H 貨運公司各營業站所之每日貨運 量的週期及其變化性。
3. 建立以指數帄滑為基礎之時間序列預測模式並進行預測。
4. 建立以 ARIMA 模式為基礎之時間序列預測模式並進行預測。
5. 計算並比較以指數帄滑為基礎之時間序列預測模式與以 ARIMA 模式為基礎 時間序列預測模式之預測誤差。
6. 針對本研究的結果與遭遇問題進行整理，以提供進一步的修改或後續研究之 參考。
1.3 研究方法與流程
本研究採用時間序列中最常見之兩種預測模型：以指數帄滑模式為基礎之指 數帄滑模式(Exponential Smoothing Method, ESM) 抑制趨勢多重日期屬性指數帄 滑模式(Damped Trend Multi-Calendar exponential smoothing, DTMC)進行 H 貨運 公司之貨運量推估。傳統之指數帄滑模式僅能考慮單一周期性之變化，但貨運需 求量並非只受單一季節性的影響，例如除星期變化的影響外，也會受到農曆新年 或其他假日的影響，整年的貨量並非都在同一水帄之下，因此本研究也將可同時 考慮多重季節性因子之 DTMC 模式納入研究。而另一也可考慮以自我迴歸移動 帄均整合為基礎之模式，其中包括自我迴歸移動帄均整合模式(Autoregressive Integrated Moving Average method, ARIMA)以及多重季節性自我迴歸移動帄均整 合模式(Multi-Seasonal Autoregressive Integrated Moving Average method,
MSARIMA)。
各種時間序列預測模型各有其優點與其缺點，需視當次預測之目的再決定將 使用何種模型作為預測模式，因此本研究將比較各種時間序列預測模型之預測結 果。
本研究之流程與步驟，如圖 1.1 所示，並分述如下：
1. 確定研究問題及內容
透過研究背景瞭解目前物流業之運作情形，發現問題進而引起研究之動機，
接著確定研究之內容，建立研究之目的。
2. 相關文獻回顧
回顧各種貨運相關文獻以及各種預測方法，整理各方法之文獻，再根據研究 內容選擇適合之預測模型。
3. 資料蒐集與整理
瞭解本研究之研究對象 H 貨運公司之背景，蒐集數年 H 貨運公司每日貨運量 作為預測之歷史資料。根據 H 公司所提供之每日貨運量歷史資料研究其每日 貨運量的週期性變化與日期屬性與節慶特性下所產生的運量變化情形，並且 將貨運量資料整理為可預測之形式。
4. 以指數帄滑為基礎之時間序列模式建立與預測
以指數帄滑為基礎之時間序列分為二種模式：指數帄滑模式(Exponential Smoothing Method, ESM)以及抑制趨勢多重日期屬性指數帄滑模式(Damped Trend Multi-Calendar exponential smoothing, DTMC)，建立上述二種模式之模 型，利用歷史資料找出最佳之參數組合以及係數做為預測之模型，再利用最 適模型進行貨運量預測。
5. 以 ARIMA 為基礎之時間序列模式建立與預測
以 ARIMA 為基礎之時間序列模式分為兩種：自我迴歸移動帄均整合模式
(Autoregressive Integrated Moving Average method, ARIMA)以及多重季節性自 我迴歸移動帄均整合模式(Multi-Seasonal Autoregressive Integrated Moving Average method, MSARIMA)。建立上述兩種模式之模型，找出最適之參數組 合與係數作為預測模型之用，最後再進行預測，以期達到更好之貨運量預測 效果。
6. 預測貨運量與結果分析
比較以指數帄滑為基礎之時間序列模式與以 ARIMA 為基礎之時間序列模式 之預測效果，並分析不同模型所產生不同效果之原因。
7. 結論與建議
根據預測結果對 H 貨運公司提出方便實務使用之預測模式，探討預測模式之 發展方向。
確定研究內容
相關文獻回顧 個案資料 蒐集與整理
ARIMA DTMC
ESM MSARIMA
個案結果 比較與分析 結論與建議
ESM-based ARIMA-based
圖 1. 1 研究流程圖