Uso de modelos de séries temporais para previsões de safras de milho no estado de Mato Grosso
DOI:
https://doi.org/10.33448/rsd-v9i1.1915Palavras-chave:
Séries temporais; Modelos de previsão; Produção de milho.Resumo
O estado de Mato Grosso é o principal produtor de milho do país e sua produção vem aumentando a cada nova safra. Neste sentido, obter informações futuras da produção de milho se torna de fundamental importância para o adequado planejamento e acompanhamento das safras. Deste modo, o presente trabalho teve como objetivo realizar a comparação dos desempenhos apresentados pelos modelos de previsões de séries temporais e selecionar aquele que melhor se ajustou aos dados históricos para realizar previsões futuras da produção total de milho em Mato Grosso. Para isto, foram obtidos dados históricos das safras juntamente a Companhia Nacional de Abastecimento (CONAB) compreendendo o período de 1976/1977 a 2017/2018. Em seguida, foi analisado o padrão da série temporal, bem como as estatísticas descritivas dos dados obtidos. Posteriormente, foram desenvolvidas planilhas eletrônicas para aplicação e análise dos modelos avaliados. Com os resultados obtidos, verificou-se que o modelo de suavização exponencial com tendência (modelo linear de Holt) foi o que apresentou os menores erros de previsão, sendo selecionado para obter previsões das próximas 7 (sete) safras (2018/2019 a 2024/2025). A previsão obtida por este modelo para o fim do horizonte de previsão, na safra de 2024/2025, indica que a produção total de milho no estado de Mato Grosso terá um aumento de aproximadamente 70% quando comparada com a produção da safra de 2017/2018.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
