3) метод Exponential smoothing & forecasting (экспоненциальное сглаживание и прогнозирование) – позволяет учитывать результат прогноза, сделанного на предыдущем шаге;

4) прогнозирование по модели Бокса-Дженкинса – ARIMA – процесс (ARIMA & autocorrelation functions) позволяет привести временной ряд к стационарному виду.

Одним из наиболее перспективных направлений исследования и прогнозирования одномерных временных рядов считаются адаптивные методы.

При обработке временных рядов, как правило, наиболее ценной бывает информация последнего периода, так как необходимо знать, как будет развиваться тенденция, существующая в данный момент, а не тенденция, сложившаяся в среднем на всем рассматриваемом периоде. Адаптивные методы позволяют учесть различную информационную ценность уровней временного ряда, степень «устаревания» данных.

Важнейшее достоинство адаптивных методов – построение самокорректирующихся моделей, способных учитывать результат прогноза, сделанного на предыдущем шаге [43].

Благодаря отмеченным свойствам адаптивные методы особенно удачно используются при оперативном краткосрочном прогнозировании.

У истоков адаптивных методов лежит модель экспоненциального сглаживания. Экспоненциальное сглаживание – это пример самообучающейся модели. К ее безусловным достоинствам относится чрезвычайная простота вычислений, выполняемых итеративно, причем массив прошлой информации уменьшен до единственного значения S_>t-1.

Часто экономические показатели, представленные временными рядами, имеют настолько сложную структуру, что моделирование таких рядов путем построения моделей тренда, сезонности и применения других традиционных подходов не приводит к удовлетворительным результатам. Во временном ряду ошибок остаются зависимости, которые можно моделировать.

Наиболее распространенные модели стационарных рядов – модели авторегрессии и модели скользящего среднего [43].

Руководству предприятий (фирм, компаний) необходимо оценивать работу организации в перспективе и принимать решения с точки зрения возможных изменений в будущем. Все это и позволяют сделать методы статистического прогнозирования.

Однофакторный дисперсионный анализ позволяет определить выявить и статистически оценить зависимость между производственной себестоимостью и видом изделия.

Работу на аналитическом этапе можно считать законченной после формулирования основных выводов, на основе которых принимается решение по выдвижению идей и вариантов технических решений.

Задача творческого этапа – на основе использования статистических методов, приведенных на предыдущем этапе выработка предложений по совершенствованию изделия. На данном этапе выявляется и формулируется как можно большее количество идей решения определенных задач. Среди выдвинутых идей отбираются наиболее реальные с точки зрения реализации. Работа на творческом этапе заканчивается, когда количество альтернативных вариантов представляется достаточным для выбора оптимальных решений [61].

Задача исследовательского этапа – отбор оптимальных вариантов решений, которые после соответствующей проработки можно представить в качестве предложений-рекомендаций ФСА [148]. Прежде чем приступить к решению главной задачи, необходимо:

– предварительно оценить выдвинутые варианты, применяя сравнительный анализ вариантов;

– выявить факторы, влияющие на себестоимость, затраты, расходы и издержки.

Применение эвристического метода способствует получению оценок вероятности надежности использования производственных мощностей, инфляции и выделению значимых факторов, не включенных в анкеты экспертов, но влияющих на формирование себестоимости, затрат, расходов, издержек.