Uso de modelos de series temporales para pronósticos de cultivos de maíz en el estado de Mato Grosso
DOI:
https://doi.org/10.33448/rsd-v9i1.1915Palabras clave:
Series de tiempo; Modelos de pronóstico; Producción de maíz.Resumen
El estado de Mato Grosso es el principal productor de maíz en el país y su producción aumenta con cada nuevo ciclo de cultivo. En este sentido, obtener información futura sobre la producción de maíz adquiere una importancia fundamental para la planificación y el monitoreo adecuados de la producción. Por lo tanto, el presente trabajo tuvo como objetivo comparar los rendimientos presentados por los modelos de pronóstico de series de tiempo y seleccionar aquel que muestre el mejor ajuste a los datos históricos para hacer pronósticos futuros de la producción total de maíz en Mato Grosso. Para esto, se obtuvieron datos históricos de las cosechas de la Compañía Nacional de Abastecimiento (CONAB) para el período comprendido entre 1976/1977 y 2017/2018. Luego, se analizó el patrón de la serie temporal, así como las estadísticas descriptivas de los datos obtenidos. Posteriormente, se desarrollaron hojas de cálculo electrónicas para la aplicación y el análisis de los modelos evaluados. Con los resultados obtenidos, se verificó que el modelo de suavizado exponencial de tendencia (modelo lineal de Holt) presentó los menores errores de pronóstico, siendo seleccionado para obtener pronósticos de las próximas 7 (siete) cosechas (2018/2019 a 2024/2025). El pronóstico obtenido por este modelo para el final del horizonte de pronóstico para la cosecha 2024/2025 indica que la producción total de maíz en el estado de Mato Grosso aumentará aproximadamente un 70% en comparación con la producción de cultivo 2017/2018.
Citas
Ali, M. M., Babai, M. Z., Boylan, J. E., & Syntetos, A. A. (2017). Supply chain forecasting when information is not shared. European Journal of Operational Research, 260(3), 984–994.
Bergmeir, C., Hyndman, R. J., & Benítez, J. M. (2016). Bagging exponential smoothing methods using STL decomposition and Box-Cox transformation. International Journal of Forecasting, 32(2), 303–312.
Cas, C. G. (2018). Application of the ARIMA model to forecast the price of the commodity corn. Revista Gestão da Produção Operações e Sistema, 11(1), 263–279.
Conab – Companhia Nacional de Abastecimento. Série histórica das safras: 2019. Acesso em 21 de agosto, em https://www.conab.gov.br/info-agro/safras/serie-historica-das-safras?start=20.
Costa, C. A., Cândido, G. A., & Macedo, L. B. (2016). Análise descritiva e comparativa do programa soja plus no estado de Mato Grosso: uma abordagem a partir da responsabilidade social empresarial. Revista de Administração e Negócios da Amazônia, 8(3), 292–314.
Embrapa - Empresa Brasileira de Pesquisa Agropecuária. Embrapa Milho e Sorgo: 2015. Acesso em 27 de agosto, em https://www.spo.cnptia.embrapa.br/conteudo?p_p_lifecycle=0&
p_p_id=conteudoportlet_WAR_sistemasdeproducaolf6_1ga1ceportlet&p_p_col_count=1&p_p_col_id=column-1&p_p_state=normal&p_r_p_-293187_sistemaProducaoId=7905&p_r_p_9
_topicoId=8668&p_p_mode=view.
Empaer - Empresa Mato Grossense de Pesquisa Assistencia e Extensao Rural. Calendário agrícola: 2019. Acesso em 27 de setembro, em http://www.empaer.mt.gov.br/-/8066843-calendario-agricola?ciclo=
Gil, A. C. (2017). Como elaborar projetos de pesquisa. São Paulo: Atlas.
Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5–10.
Hyndman, R. J., & Athanasopoulos, G. (2014). Optimally Reconciling Forecasts in a Hierarchy. Foresight: The International Journal of Applied Forecasting, (35), 42–48.
Knechtel, M. R. (2014). Metodologia da pesquisa em educação: uma abordagem teórico-prática dialogada. Curitiba: Intersaberes.
Levine, D. M., Stephan, D. F., & Szabat, K. A. (2016). Estatística - Teoria e Aplicações - Usando Microsoft Excel. Rio de Janeiro: LTC.
Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods ans Applications. New York: John Wiley & Sons.
Marchezan, A., & Souza, A. M. (2010). Previsão do preço dos principais grãos produzidos no Rio Grande do Sul. Ciência Rural, 40(11), 2368–2374.
Nomelini, Q. S. S., Ferreira, E. B., Nogueira, D. A., Golynski, A. A., Golynski, A., & Villa, T. E. (2017). Uso de modelagem univariada e multivariada com séries temporais como ferramenta de gestão do agronegócio na cultura de soja do Brasil. Revista Espacios, 38(8).
Prodanov, C. C., & Freitas, E. C. (2013). Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico. Novo Hamburgo-RS: Feevale.
Rosienkiewicz, M., Chlebus, E., & Detyna, J. (2017). A hybrid spares demand forecasting method dedicated to mining industry. Applied Mathematical Modelling, 49, 87–107.
SNA - Sociedade Nacional de Agricultura. Milho é uma das principais fontes de alimento do brasileiro com importância estratégica no agronegócio: 2016. Acesso 25 de setembro, em https://www.sna.agr.br/milho-e-uma-das-principais-fontes-de-alimento-do-brasileiro-comimp
ortancia-estrategica-no-agronegocio/
Silva, R. B. Z., Aires, F. F. C., Oenning, E. J., Porto, A. G., & Ultramari, A. V. (2019). Previsões de indicadores da soja no estado de Mato Grosso a partir de modelos baseados em séries temporais. Brazilian Journal of Production Engineering - BJPE, 5(3), 67–81.
Souza, A. E., Reis, J. G. M., Raymundo, J. C., & Pinto, R. S. (2018). Estudo da produção do milho no Brasil. South American Development Society Journal, 4(11), 182–194.
Sridevi, U. K., Palaniappan, S., & Palanisamy, N. (2018). A profit prediction model with time series analysis for retail store. International Journal of Pure and Applied Mathematics, 119(2), 1931–1940.
Tibulo, C., & Carli, V. (2014). Previsão do preço do milho, através de séries temporais. Scienta Plena, 10, 1–10.
Veiga, C. P., Veiga, C. R. P., Puchalski, W., Coelho, L. S., & Tortato, U. (2016). Demand forecasting based on natural computing approaches applied to the foodstuff retail segment. Journal of Retailing and Consumer Services, 31, 174–181.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
