ESTUDO DE MÉTODOS PARA PREVISÃO DA PRODUÇÃO DE GRÃOS NO BRASIL VIA SÉRIES TEMPORAIS

Autores

  • Simone Beatriz Wolfart Universidade Tecnológica Federal do Paraná - UTFPR Pato Branco – PR
  • José Donizetti de Lima Universidade Tecnológica Federal do Paraná - UTFPR Pato Branco – PR
  • Gilson Adamczuk Oliveira Universidade Tecnológica Federal do Paraná - UTFPR Pato Branco – PR
  • Armenio Fritsch Neto Universidade Tecnológica Federal do Paraná - UTFPR Pato Branco – PR

DOI:

https://doi.org/10.12957/cadest.2020.57913

Palavras-chave:

Produção de grãos, Previsões, Séries Temporais

Resumo

DOI: 10.12957/cadest.2020.57913

A previsão é uma ferramenta fundamental para se posicionar estrategicamente frente aos negócios futuros. O objetivo deste artigo é estudar a previsão da produção de grãos no Brasil, utilizando os dados históricos disponibilizados pela CONAB, no período de 1976/1977 a 2018/2019, via análise de séries temporais. Foi utilizado o método Box & Jenkis para realizações das previsões. A definição do melhor modelo foi por meio da avaliação dos erros de previsão calculados para cada modelo e escolhido o que melhor representa a série analisada. O modelo que mais se adequou foi o ARIMA (1,1,2), com MAPE de 7,1% (validação) e 5,4%(teste) com AIC 18,05. Com os resultados obtidos na previsão da produção, percebeu-se que o modelo escolhido atendeu a expectativa da previsão, pois gerou resultados dentro dos limites inferiores e superiores de variação com 95% de confiança.

Referências

AKAIKE, H. (1976). Canonical correlation analysis of time series and the use of an information criterion, in Systems Identification: Advances and Case Studies (eds. R. K. Mehra and D. G. Lainiotis), Academic Press, New York, pp. 27-96.

BAYER, F. M.; SOUZA, A. M. Wavelets e modelos tradicionais de previsão: Um estudo comparativo. Revista Brasileira de Biometria, São Paulo. v.28, p.40-61, 2010.

BREALEY, R. A. Princípios de finanças corporativas [recurso eletrônico] Richard A. Brealey, Stewart C. Myers, Franklin Allen. tradução: Celso Roberto Paschoa ; revisão técnica: João Carlos Douat. – 10. ed. – Dados eletrônicos. – Porto Alegre : AMGH, 2013.

CARNEIRO, D. M.; DUARTE, S. L.; COSTA, S. A. da. Determinantes dos custos da produção de soja no Brasil, Custos e @gronegócio on line - v. 15, n. 1, Jan/Mar - 2019.

CASTRO, E. R. de. Teoria dos Custos. In: SANTOS, Maurinho Luiz dos et al. Microeconomia Aplicada. Visconde do Rio Branco: Suprema, 2009.

CONAB - Companhia Nacional de Abastecimento. Custos de produção agrícola: a metodologia da Conab. -- Brasília : Conab, 2010.

CONAB. Companhia Nacional de Abastecimento. Série histórica das safras. Disponível em: <https://www.conab.gov.br/info-agro/safras/série-historica-das-safras?start=10> acesso em 28/09/2019.

DUARTE. E. M.; FONSECA, J. S. A .da A análise da volatilidade do índice PSI-20 baseado em modelos ARCH E GARCH. Estudos de gestão. Portuguese Journal of Management Studies, 2003.

EHLERS, R. S. Análise de Séries Temporais. 5. ed. 2009. Disponível em: <http://www.icmc.usp.br/~ehlers/stemp/stemp.pdf>. Acesso dia 26/10/2019.

EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária Ministério da Agricultura, Pecuária e Abastecimento. VISÃO 2030, O Futuro da Agricultura Brasileira. Brasília, DF, 2018. Disponível em: <https://www.embrapa.br/visao/o-futuro-da-agricultura-brasileira>. Acesso em 05/10/2019.

FERRO, W.A.; LIMA, J.D. de; TRENTIN, M.G. Combinações de Métodos Quantitativos na Previsão de Demanda de Vendas de Eletrodomésticos. GEPROS. Gestão da Produção, Operações e Sistemas, v. 14, n. 5, p. 67 - 88, 2019.

GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 4. ed. - São Paulo: Atlas, 2002.

HYNDMAN, R.; ATHANASOPOULOS, G. Forecasting: principles and practice. O Texts, Monash University, Australia, 2018.

IBGE. Instituto Brasileiro de Geografia e Estatística. Censo Agropecuário 2017. Rio de Janeiro, 2019. Disponível em: < https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/21814-2017-censo-agropecuario.html?=&t=publicacoes> Acesso em 03/11/2019.

LIMA, J. D. de; BATISTUS, D. R.; ADAMCZUK, G. O.; TRENTIN, M. G.; POZZA, C. B. A study of the performance of individual techniques and their combinations to forecast urban water demand. Espacios, v.37, n.22, p.5, 2016.

Mancuso; A. C. B.; Werner, L. A comparative study on combinations of forecasts and their individual forecasts by means of simulated series. Acta Scientiarum, Technology, v. 41, e41452, 2019.

MAPA - Ministério da Agricultura, Pecuária e Abastecimento. Projeções do Agronegócio. Brasília, 2019.

MAPA - Ministério da Agricultura, Pecuária e Abastecimento. Projeções do Agronegócio. Brasília, 2020.

MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to Time Séries Analysis and Forecasting. Hoboken: John Wiley & Sons, Inc., 2008.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. São Paulo: Edgar Blucher, 2006.

PELLEGRINI, F.R.; FOGLIATTO, F.S. Metodologia para Implantação de Sistemas de Previsão de Demanda – técnicas e estudo de caso. Anais do XXI ENEGEP – Encontro Nacional de Engenharia de Produção – CD-ROM. Salvador, 2001.

STATGRAPHICS CENTURION XVI. Version 16.1.11. User’s Guide. 2020.

WERNER, L.; RIBEIRO J. Modelo Composto para Prever Demanda Através da Integração de Previsões. Produção, Vol.16, n. 3, p.493-509, 2006.

ZOU, H.F.; XIA, G.P.; YANG, WANG, H.Y. An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing. v. 70. 2007. p. 2913–2923.

Downloads

Publicado

2021-09-27

Como Citar

Wolfart, S. B., Lima, J. D. de, Oliveira, G. A., & Fritsch Neto, A. (2021). ESTUDO DE MÉTODOS PARA PREVISÃO DA PRODUÇÃO DE GRÃOS NO BRASIL VIA SÉRIES TEMPORAIS. Cadernos Do IME - Série Estatística, 49, 17. https://doi.org/10.12957/cadest.2020.57913

Edição

Seção

Artigos Serie Estatística