alex da silva vale · ficha de identificação da obra elaborada pelo autor através do programa de...
TRANSCRIPT
Alex da Silva Vale
AVALIAÇÃO DA NECESSIDADE DE ARMAZENAGEM
ESTÁTICA DE GRÃOS COMO FORMA DE OTIMIZAR A
RECEITA DO AGRONEGÓCIO CATARINENSE
Trabalho Conclusão do Curso de
Graduação em Engenharia de
Produção Elétrica do Centro
Tecnológico da Universidade Federal
de Santa Catarina como requisito para
a obtenção do Título de Bacharel em
Engenheiro Eletricista com habilitação
em Produção.
Orientador: Prof. Carlos Manoel
Taboada Rodrigues PHd.
Coorientador: Marisa Nilson, Msc.
Florianópolis
2018
Ficha de identificação da obra elaborada pelo autor através do
Programa de Geração Automática da Biblioteca Universitária da UFSC.
Alex da Silva Vale
AVALIAÇÃO DA NECESSIDADE DE ARMAZENAGEM
ESTÁTICA DE GRÃOS COMO FORMA DE OTIMIZAR A
RECEITA DO AGRONEGÓCIO CATARINENSE
Este Trabalho de Conclusão de Curso foi julgado adequado e aprovado,
em sua forma final, pelo Curso de Graduação em Engenharia de
Produção Elétrica, da Universidade Federal de Santa Catarina.
Florianópolis, 28 de maio de 2018.
________________________
Prof. Marina Bouzon, Dr.ª
Coordenador do Curso
Banca Examinadora:
________________________
Prof. Carlos Manoel Taboada Rodrigues, PhD.
Orientadora
Universidade Federal de Santa Catarina
________________________
Marisa Nilson, Msc.
Corientadora
Universidade Federal de Santa Catarina
________________________
Prof. Antônio Sergio Coelho, Dr.
Universidade Federal de Santa Catarina
Dedico à Tereza Franklin, por uma
infância privilegiada, pelo amor,
cuidado e ensinamentos.
AGRADECIMENTOS
Agradeço à Geogina Franklin pelo amor incondicional.
Às famílias Franklin, Cezaro e Palmorio pela inspiração deste
trabalho.
À Gerardo e Elizabete Moritz pelo carinho, por aconselhar e
principalmente acreditar que é possível.
À Carlos Taboada, por me ensinar engenharia de verdade, por
tornar-me parte da equipe e transformar minha vida.
À Marisa Nilson por me ouvir, mesmo que eu não diga uma palavra
sequer.
Agradeço ao LDL e toda a equipe pela oportunidade de aplicar
meus conhecimentos, buscar novos caminhos e principalmente aprender.
À Pedro Nishi e Marilda Yamashiro por me mostrar o valor da
disciplina.
À Vinícius Cipullo, engenheiro no real sentido da palavra.
À Luiza Nazário, pelo exemplo de viver.
À República Casa do Nerço, pelo momento ímpar na minha vida.
Aos profissionais do Departamento de Engenharia de Produção
Pedro Cândido Machado Filho (“Pêpê”), Dalto do Nascimento dos
Santos, Carlos Henrique Tavares de Souza, Alexandre Daniel Scheidt e
D. Joana, pela paciência em mostrar onde fica a sala “alocar” ou
simplesmente em dizer “corre lá que você vai conseguir”. Muito
obrigado, eu consegui!
A meus amigos, família que eu pude escolher.
E à Liandra Palmorio, por converter minhas terças feiras mais
cinzentas em manhãs de domingo
Liberdade dada, é a maldição de um escravo.
(G.M.)
RESUMO
Dentre os grandes entraves da eficiência do agronegócio, está a falta de
infraestrutura logística que suporte operações cada vez mais complexas.
Em sistemas modernos de países com economias desenvolvidas, a busca
por otimização e investimentos fazem parte das políticas de médio e longo
prazos. No entanto, no caso de pequenos produtores de países ainda em
desenvolvimento, a estratégia muitas vezes é a simples sobrevivência.
Para que haja investimentos, é necessário a geração de excedentes e
garantias ou mensuração de risco, partindo do pressuposto que melhores
resultados econômico-financeiros podem ser obtidos pela redução de
custos ou aumento de receita. Este estudo, busca então dimensionar a
necessidade de armazenagem estática de grãos em Santa Catarina de
forma que o aumento de custos decorrentes dessa estratégia seja
compensado pelo aumento de receita com ganhos de comercialização nos
períodos de entressafra. Para encontrar o valor mais provável do ganho
de preço para o produtor e a probabilidade de sucesso da estratégia, foi
empregado o método de Monte Carlo para 4 cenários de colheita
(fevereiro, março, abril e maio) com as vendas realizadas nos meses
posteriores a cada mês. Os resultados mostram que, em relação a
necessidade calculada neste estudo e os armazéns cadastrados junto a
Companhia Nacional de Abastecimento (CONAB), existe uma alta taxa
de ocupação da infraestrutura atual, reduzindo as opções dos produtores.
Esta simulação foi realizada para cada mesorregião catarinense, no
entanto, salvo determinados ajustes, pode ser utilizado em escopos
menores como municípios e acercar ainda mais a realidade do
agronegócio.
Palavras-chave: Armazenagem estática de grãos. Custos logísticos.
Simulação de Monte Carlo.
ABSTRACT
Among the major obstacles to agribusiness efficiency is the lack of
logistics infrastructure that supports increasingly complex operations. In
modern systems of countries with developed economies, the search for
optimization and investments is part of the medium and long term
policies. However, in the case of small producers in developing countries,
the strategy is often simply survival. For investments to be made, it is
necessary to generate surpluses and guarantees or risk measurement,
based on the assumption that better economic and financial results can be
obtained by reducing costs or increasing revenues. This study then seeks
to assess the need for static grain storage in Santa Catarina so that the
increase in costs resulting from this strategy is offset by the increase in
revenue from marketing gains in the off-season. In order to find the most
likely value of the producer price gain and the probability of success of
the strategy, the Monte Carlo Method was used for 4 harvest scenarios
(February, March, April and March) with sales made in the months after
every month. The results show that, in relation to the need calculated in
this study and the warehouses registered with the National Company of
Supply (CONAB), there is a high occupancy rate of the current
infrastructure, reducing the options of the producers. This simulation was
performed for each Santa Catarina mesoregion, however, except for
certain adjustments, it can be used in smaller scopes as cities and bring
the reality of agribusiness even closer.
Keywords: Static storage of grains. Logistic costs. Monte Carlo
Simulation.
LISTA DE FIGURAS
Figura 1 - Prokow-C ................................................................... 32 Figura 2 - Resumo da formação do portfólio .............................. 32 Figura 3 - Seleção do banco de dados brutos ............................. 33 Figura 4 - Distribuição da produção de grãos em SC ................. 47 Figura 5 - Distribuição da produção de grãos por mesorregião .. 48 Figura 6 - Análise gráfica da amostra de frete em SC (R$/t.km) 49 Figura 7 - Ajuste à função de distribuição – Arroz .................... 52 Figura 8 - Ajuste à função de distribuição - Milho ..................... 54 Figura 9 - Ajuste à função de distribuição - Soja ....................... 55 Figura 10 - Comercialização Arroz - Norte Catarinense ............ 59 Figura 11- Comercialização Milho - Norte Catarinense ............. 60 Figura 12- Comercialização Soja - Norte Catarinense ............... 62 Figura 13 - Comercialização Arroz - Grande Florianópolis ....... 70 Figura 14- Comercialização Milho - Grande Florianópolis ........ 71 Figura 15 - Comercialização Soja - Grande Florianópolis ......... 72 Figura 16- Comercialização Arroz - Vale do Itajaí .................... 73 Figura 17- Comercialização Milho - Vale do Itajaí .................... 74 Figura 18- Comercialização Soja - Vale do Itajaí ...................... 75 Figura 19- Comercialização Arroz - Serrana .............................. 76 Figura 20- Comercialização Milho - Serrana ............................. 77 Figura 21- Comercialização Soja - Serrana ................................ 78 Figura 22- Comercialização Arroz - Sul Catarinense ................. 79 Figura 23- Comercialização Milho - Sul Catarinense ................ 80 Figura 24- Comercialização Soja - Sul Catarinense ................... 81 Figura 25- Comercialização Arroz - Oeste Catarinense ............. 82 Figura 26- Comercialização Milho - Oeste Catarinense ............. 83 Figura 27- Comercialização Soja - Oeste Catarinense ............... 84
LISTA DE QUADROS
Quadro 1 - Eixos de Pesquisa ..................................................... 29 Quadro 2 - Vantagens e Desvantagens da Simulação................. 42 Quadro 3 - Receitas Esperadas por período - arroz .................... 57 Quadro 4 - Receitas Esperadas por período - milho ................... 58 Quadro 5 - Receitas Esperadas por período - soja ...................... 61 Quadro 6 - Necessidade total de armazenagem .......................... 61 Quadro 7 - Expectativa de ocupação dos armazéns .................... 63 Quadro 8 - Sobretaxas CONAB ................................................. 86
LISTA DE TABELAS
Tabela 1 - Cenários do modelo de referência ............................. 43 Tabela 2 - Custo do frete/saca por mesorregião ......................... 49 Tabela 3 - Resumo de tarifas de armazenagem .......................... 50 Tabela 4 - Resultado do teste KS - Arroz ................................... 51 Tabela 5 - Resultado do teste KS - Milho................................... 53 Tabela 6 - Resultado do teste KS - Soja ..................................... 56 Tabela 7 - Cenários para comercialização .................................. 56 Tabela 8 - Tarifas de armazenagem COBAB ............................. 85 Tabela 9 - Valores Críticos Estatística D .................................... 87
LISTA DE ABREVIATURAS E SIGLAS
CONAB – Companhia Nacional de Abastecimento
CEPEA – Centro de Estudos Avançados em Economia Aplicada
ESALQ - Escola Superior de Agricultura Luiz de Queiroz
FAO - Food and Agriculture Organization of the United Nations
IBGE – Instituto Brasileiro de Geografia e Estatística
PIB – Produto Interno Bruto
SIFRECA - Sistema de Informações de Fretes
SIDRA - Sistema IBGE de Recuperação Automática
SUMÁRIO
1 INTRODUÇÃO ................................................................... 25 1.1 JUSTIFICATIVA .................................................................. 26
1.2 OBJETIVOS ......................................................................... 27
1.3 DELIMITAÇÕES ................................................................. 27
2 REVISÃO DE LITERATURA .......................................... 29 3 REFERENCIAL TEÓRICO .............................................. 35 3.1 CUSTOS LOGÍSTICOS ....................................................... 35
3.1.1 Custo de Transporte ........................................................... 36
3.1.2 Custo de Armazenagem ...................................................... 37
3.1.3 Custo de Estoque ................................................................. 39
3.2 SIMULAÇÃO E ANÁLISE ESTATÍSTICA DE DADOS .. 39
3.2.1 Distribuições de probabilidade para variáveis aleatórias
contínuas .............................................................................................. 39
3.2.1.1 Distribuição Normal .............................................................. 40
3.2.1.2 Distribuição Weibull ............................................................. 40
3.2.2 Teste de Aderência .............................................................. 41
3.2.3 Método de Monte Carlo ...................................................... 41
3.2.3.1 Contextualização ................................................................... 41
3.2.3.2 Modelo de Referência ........................................................... 43
3.2.4 Números Aleatórios ............................................................. 44
4 METODOLOGIA ............................................................... 45 4.1 CARACTERIZAÇÃO DA DEMANDA POR REGIÃO DE
SANTA CATARINA ............................................................................ 45
Figura 4 - Distribuição da produção de grãos em SC ...................... 47 4.2 ANÁLISE E SELEÇÃO DOS COEFICIENTES DE CUSTOS
LOGÍSTICOS ....................................................................................... 49
4.2.1 Custo de Transporte ........................................................... 49
4.2.2 Custo de Armazenagem ...................................................... 50
4.2.3 Custo de Estoque ................................................................. 50
4.3 SIMULAÇÃO DE MONTE CARLO ................................... 51
4.3.1 Determinação das distribuições de probabilidade da
variável analisada ................................................................................ 51
4.3.1.1 Arroz ..................................................................................... 51
4.3.1.2 Milho..................................................................................... 52
4.3.1.3 Soja ....................................................................................... 54
4.3.2 Realização dos experimentos ............................................. 56
4.4 SELEÇÃO DO MOMENTO DA VENDA PARA GANHO
ECONÔMICO MÁXIMO .................................................................... 57
4.5 CALCULO DA NECESSIDADE DE ARMAZENAGEM
ESTÁTICA DE GRÃOS ...................................................................... 61
5 ANÁLISE DE RESULTADOS .......................................... 63 6 CONCLUSÕES ................................................................... 65
REFERÊNCIAS .................................................................. 67
APÊNDICE A – Análise Gráfica do ponto de
comercialização da produção ............................................. 70
ANEXO A - Tarifas para unidades armazenadoras de
ambiente natural ................................................................. 85
ANEXO B – TABELA DE SOBRETAXA
CORRESPONDENTE AO PERÍODO DE 01/03/2018 A
15/03/2018 (CENTRO OESTE, SUDESTE E SUL) ......... 86
ANEXO C – Valores críticos de D no teste de Kolmogorov-
Smirnov para uma amostra ............................................... 87
25
1 INTRODUÇÃO
A nova Revolução Industrial, intitulada Indústria 4.0, traz consigo
uma série de mudanças não somente na forma de produzir um bem, mas
também na maneira como iremos interagir com este bem; desde a
concepção até o descarte. Desta forma, a integração da cadeia produtiva
não se apresenta agora como um gerador de vantagem competitiva, mas
como condição sine qua non de operação do sistema.
Embora o termo refira-se a indústria, todos os setores sofrerão
impacto direto ou indireto destas mudanças fazendo surgir a necessidade
de adequação ao novo modo de produção. Com a agricultura não será
diferente. O cultivo em ambiente fechado (estufa) permite quebrar a
sazonalidade de determinados produtos e balancear a oferta ao longo do
ano. Proteção contra pragas, aumento de produtividade (maior resultado
por unidade de área), aumento de qualidade (os insumos são introduzidos
segundo a real necessidade da planta) e maior flexibilidade possibilitam
pequenas unidades produtoras instaladas nas proximidades dos centros de
consumo.
No entanto, pequenos agricultores em países em desenvolvimento
ficam a margem deste processo por falta de políticas e infraestrutura que
lhe permitam ampliar a produção e investir em modernização, fazendo
surgir a necessidade de interversões públicas no sentido de aumentar a
disponibilidade de bens públicos, assessoria rural e apoio a ações
coletivas rurais (FAO, 2017).
Um assunto comum a praticamente todas as regiões agro
produtoras é a deficiência da infraestrutura logística de escoamento da
produção. O transporte rodoviário, adotado como principal modal desde
1950 é um dos fatores que mais contribui para o gargalo no setor de
transportes; uma vez que se apresenta como uma opção de baixo
rendimento para produtos de menor valor agregado deslocados a
distâncias superiores a 150km (DE CASTRO, 2017, p.250). Além dos
altos custos operacionais repassados ao produtor dissidentes da má
qualidade nas estradas, filas nas regiões portuárias e perdas na carga,
ainda há perda de lucratividade por conta dos efeitos da sazonalidade nos
períodos de safra, quando a procura por transporte é maior. Neste
contexto, a armazenagem estática pode se apresentar como uma
alternativa a minimizar tais efeitos.
Gallardo (2010) traz a dificuldade de atualizar o Cadastro Nacional
de Unidades Armazenadoras (CNUA) mesmo com a obrigatoriedade da
Lei 9.973/2000 e Decreto 3.855/2001 e mutirões realizados para
cadastramento. Ainda segundo o autor, a propriedade dos armazéns é 74%
da iniciativa privada, 21% de cooperativas e 5% os restantes pertencem
ao governo. Da capacidade de armazenagem de grãos brasileira, 78% é
ocupada por silos e 22% por armazéns convencionais (sacas, fardos e
produtos). A grande desvantagem desse último, está em custos maiores
com conservação, carga e descarga.
Portanto, de acordo com o cenário exposto, este trabalho versará
sobre como a otimização logística pode aumentar a lucratividade do
agronegócio catarinense, e possibilitar aos produtores em suas respectivas
regiões uma posição mais ativa frente ao mercado e com maior poder de
barganha em relação aos fornecedores e instituições públicas.
1.1 JUSTIFICATIVA
O mercado de commodities opera muito próximo do cenário de
concorrência perfeita, o que diminui as margens de negociação de preço
junto ao cliente. Logo, resta como solução a gestão dos custos dos
processos como forma de aumentar a rentabilidade deste segmento.
A gestão de custos neste caso, tem impacto não somente na
eficiência da unidade produtora, mas na economia como um todo. Uma
vez que as margens insuficientes levam ao baixo investimento em
modernização e serviços com qualidade abaixo do esperado. Como forma
de amortizar o risco associado ao setor, é percebido no agregado da
economia um aumento nos níveis de estoque acima do limite para
segurança e perdas (MARTINS et. al., 2005).
Uma capacidade de armazenagem bem dimensionada pode
conferir vantagem competitiva para o produtor por possibilitar a venda do
produto no momento certo (melhores preços e menores custos de
transporte) e por diminuir o congestionamento nos portos durante os
períodos de safra (GALLARDO, 2010). Quanto aos portos, fica ainda a
questão dos custos de armazenagem mais elevados por conta da alta
demanda nos períodos de safra. A comercialização direta da propriedade
para o porto ocorre normalmente sem programação de recebimento e
empresas beneficiadoras (MARTINS et. al., 2005). Unidades
armazenadoras podem conferir nesse caso, não somente um ganho na
comercialização, mas também um balanceamento nas atividades
relacionadas ao escoamento da produção como estradas, fiscalização,
beneficiamento, portos, entre outros.
Os custos elevados não constituem a única barreira de comércio
para o produtor no momento da safra, os preços mais baixos do grão em
detrimento do excedente de oferta também é um fator que diminui a
lucratividade do produtor e para o segmento. Segundo Pizzato (2014,
27
p.14) “o mercado agrícola é muito dinâmico, podendo sofrer muitas
influências sazonais, o que faz com que o preço das commodities sofra
fortes variações em pequeno espaço de tempo”.
Em comparação à indústria, onde é possível a programação das
atividades e insumos com longos períodos de validade, a produção
agroindustrial se insere numa conjuntura com um conjunto de variáveis
incertas e críticas (MARTINS, 2005). Neste contexto, é notório tanto para
a academia quanto para a sociedade como um todo, que o aumento da
eficiência logística no agronegócio por meio de discussões como neste
estudo, pode resultar num aumento da eficiência na economia de forma
geral.
1.2 OBJETIVOS
Estabelecido o contexto do estudo, o objetivo geral da pesquisa é
avaliar a necessidade de armazenagem estática de grãos de forma a
otimizar o ganho de receita dos produtores catarinenses por mesorregião,
utilizando para tanto a simulação de Monte Carlo.
O atendimento deste objetivo, se dará pela consolidação dos
seguintes objetivos específicos:
a) Calcular os parâmetros da função de distribuição de
probabilidade que melhor se ajusta aos preços mensais.
b) Obter os valores esperados de receita e ganho de receita para cada
situação de armazenagem.
c) Mensurar a necessidade líquida de armazenagem para cada
produto/mesorregião.
1.3 DELIMITAÇÕES
Este trabalho discorrerá sobre os custos logísticos no estado de
Santa Catarina (SC). Para tanto, por conta das características sócio
culturais que impactam diretamente no estilo de produção catarinense,
optou-se por utilizar as mesorregiões como grupamento de análise. As
quais sejam Grande Florianópolis, Norte Catarinense, Vale do Itajaí,
Serrana, Sul Catarinense e Oeste Catarinense.
Sabe-se que valores de frete podem incorrer em grande variação de
preço em determinadas regiões por conta do relevo, condições das
estradas, pedágios e outras particularidades. No entanto, por conta da
carência de séries temporais dos preços praticados em cada mesorregião
catarinense disponíveis nas bases de dados públicas, apenas uma amostra
fornecida por Da Rocha (2018) do Sistema de Informações de Fretes
(SIFRECA) de responsabilidade do Grupo de Pesquisa e Extensão em
Logística Agroindustrial (ESALQ-LOG) foi considerada. Analisada a
distribuição dos dados da amostra, optou-se por utilizar a mediana da série
(R$/t.km), multiplica-la pela distância aproximada das capitais regionais
até o porto de São Francisco do Sul. O custo de frete por tonelada dividido
pelo peso comum da saca (60 kg) leva ao custo unitário em R$/saca
utilizado na simulação. Dessa forma, a utilização de valores estimados,
por mais próximos que sejam dos praticados, imputam à análise um
caráter exploratório do cenário em questão.
Este estudo não avalia o custo de falta, por levar em consideração
a perspectiva do produtor. Neste caso, quanto maior falta na ponta da
cadeia, melhores são os reflexos nos preços praticados pelo produtor.
Tanto os dados mencionados acima, quanto para os de preços dos
grãos no mercado nacional, foram obtidos de bases públicas na internet;
fontes secundárias de informações com metodologias próprias de coleta e
tratamento e que, portanto, podem apresentar erros não avaliados no
escopo deste trabalho.
Na busca da função que melhor se ajusta aos dados de preço,
apenas o milho apresentou resposta satisfatória a uma distribuição
Weibull. Para o arroz e a soja, o coeficiente de variação indica pouca
dispersão dos dados (abaixo de 0,3) embora não tenham passado no teste
de Kolmogorov-Smirnof para ambas as distribuições Weibull e Normal.
Logo, optou-se por utilizar a geração de números aleatórios segundo uma
função de distribuição de probabilidade Weibull para o milho e Normal
para a soja e arroz. Essa aproximação, assim como a primeira delimitação
apresentada nesta seção, impossibilitam a generalização do modelo, mas
indicam um traço estatístico do comportamento estudado.
29
2 REVISÃO DE LITERATURA
Para estruturação do portfólio bibliográfico deste trabalho utilizou-
se a metodologia Proknow-C. Segundo Lacerda et al. (2012), este
instrumento é dividido em 4 etapas como apresentado na Figura 1. Nesta
seção utilizaremos apenas a primeira etapa da metodologia de forma a
constituir a base teórica do trabalho.
Seguindo a metodologia, primeiramente estabelecem-se os eixos
de pesquisa tendo por base o tema dimensionamento da armazenagem
estática de grãos em Santa Catarina, que neste caso são
“dimensionamento” e “armazenagem estática de grãos”. Esses por sua
vez, norteiam a definição das palavras chave que darão início ao processo
de busca. Optou-se por palavras chave na língua inglesa para contemplar
trabalhos realizados em outros países, considerado ainda que mesmo
trabalhos publicados no Brasil devem ter título, resumo e palavras-chave
traduzidos para esse idioma. Logo, as palavras chave e suas variações são
apresentadas no Quadro 1.
Quadro 1 - Eixos de Pesquisa
“Armazenagem Estática de
Grãos”
“Dimensionamento”
“grain storage” “sizing”
“stored grain” “dimensioning”
“static storage” “capacity”
“grain warehousing”
A partir das palavras-chave formulou-se o comando de busca (("grain
storage") OR ("stored grain") OR ("static storage") OR ("grain
warehouse")) AND (("sizing") OR ("dimensioning") OR ("capacity"))
para uma varredura primaria no Portal de Periódicos da Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior (CAPES).
Figura 1 - Prokow-C
Fonte: Adaptado de Ensslin et al. (2014).
31
Inicialmente 1.587.405 resultados foram encontrados e as
seguintes bases de dados apresentaram maior relevância:
Scopus (Elsevier)
Science Citation Index Expanded (Web of Science)
ScienceDirect Journals (Elsevier)
Elsevier (CrossRef)
OneFile (GALE)
Materials Science & Engineering Database
Technology Research Database
Engineering Research Database
Engineering Research Database está contida dentro de Materials
Science & Engineering Database e, portanto, considerou-se apenas a
segunda opção. Scopus (Elsevier), ScienceDirect Journals (Elsevier) e
Elsevier (CrossRef) também consultam a mesma base, então optou-se
pela primeira opção. A próxima etapa foi realizar a busca com a mesma sentença para
título, palavras-chave e resumo em cada base selecionada. Os resultados
obtidos foram:
Scopus (Elsevier): 150
Science Citation Index Expanded (Web of Science): 88
OneFile (GALE): 130
Materials Science & Engineering Database: 1040
Technology Research Database: 1270
Total: 2678
O Próximo passo seria a leitura dos títulos e buscar novas
palavras chave nestes artigos selecionados, caso houvesse aderência
incorporar as novas palavras chave à pesquisa. No entanto, a aderência
primaria foi obtida posterior a análise de duplicidade por meio da leitura
dos resumos. Um esquemático dos resultados até o momento é
apresentado na Figura 2.
Os dados brutos foram exportados para o software EndNote onde
procedeu-se a análise de duplicidade das referências. Nesta etapa, 1.185
artigos foram eliminados, restando 1493 para a leitura do resumo.
Consideradas as palavras-chave do primeiro eixo (“armazenagem
estática de grãos”), o software encontrou 285 artigos cujas palavras
estavam presentes no resumo; para o segundo (“dimensionamento”) 318.
Uma intersecção dos dois eixos, resultou em 185 artigos. A leitura dos
artigos resultantes mostrou que apenas 60 estavam alinhados com a
pesquisa. O seguinte passo é buscar quais destes estavam disponíveis na
íntegra, o que resultou em 14 artigos. No entanto, da leitura completa,
apenas 9 trabalhos estavam de fato alinhados ao tema de estudo.
Para complementar os resultados obtidos pela metodologia
Proknow-C, uma busca exploratória retornou 6 referencias que somadas
aos resultados anteriores compuseram o portfólio bibliográfico do
trabalho com 15 referências. A Figura 3 mostra a evolução do portfólio
com a aplicação da metodologia.
Figura 2 - Resumo da formação do portfólio
Fonte: Elaborado pelo autor (2018)
Dad
os
bru
tos
2.678
Não
Du
plic
ado
s
1.493
PC
no
Res
um
o
185Le
itu
ra d
o R
esu
mo
60
Art
igo
s C
om
ple
tos
14
Alin
had
os
ao t
ema
9 + 5
po
rtfó
lio
15
33
Figura 3 - Seleção do banco de dados brutos
Fonte: Adaptado de Lacerda et al. (2012).
35
3 REFERENCIAL TEÓRICO
Esta seção visa primeiramente dar subsídios ao entendimento
básico do conteúdo sobre custos logísticos de transporte, estoque e
armazenagem. Em seguida, mostra alguns conceitos relativos a
engenharia financeira como taxa mínima de atratividade, custo anual
equivalente e imobilização de capital. A terceira seção, apresenta uma
descrição dos conceitos básicos de probabilidade, simulação e dos
métodos de análise estatística de dados utilizadas para estimativa dos
resultados.
3.1 CUSTOS LOGÍSTICOS
Fleury (2007) discorre sobre o paradoxo da logística – uma
atividade econômica antiga e um conceito gerencial moderno. Sua origem
remonta à origem das atividades econômicas quando o homem passa a
produzir e trocar de forma organizada o que antes coletava da natureza.
Este fato, conduz a geração de excedentes que necessitarão de um
processo de armazenagem e de transporte ao ponto de consumo. No
entanto, mudanças econômicas e evolução tecnológica fazem surgir
novas expectativas e um gerenciamento mais assertivo em relação as
operações logísticas. Dentro desse novo conceito surge também uma mudança na visão
empresarial sobre a logística. Antes vista como uma atividade geradora
de custos, agora passa a ser analisada como forma de vantagem
competitiva. Isto por conta principalmente do nível de complexidade
requerido junto a evolução tecnológica que possibilita uma gestão mais
eficiente e eficaz da informação (FLEURY, 2007).
Ainda de acordo com Fleury (2007) a logística deve ser percebida
como atividade econômica e não somente como ferramenta gerencial. No
caso dos EUA, cerca de 10% do Produto Interno Bruto (PIB) são os gastos
com logística (o equivalente ao PIB brasileiro). No caso brasileiro, cerca
de 17% do PIB são gastos em logística com o transporte responsável por
10% do PIB. Estima-se ainda que cerca de 60% dos custos logísticos são
consumidos pelo processo de transporte (FLEURY, 2007).
Considerado a indústria catarinense, cerca de 13% do faturamento
é dispendido com a logística (citar o relatório). Considerando 8% como margem típica de uma empresa industrial (FLEURY, 2007) percebe-se a
importância da gestão de custos e seus impactos nos resultados
econômicos.
Bowersox et al. (2011) define a competência logística como a
capacidade de coordenar “(1) um projeto de rede; (2) informação; (3)
transportes; (4) estoque; e (5) armazenagem, manuseio de materiais e
embalagem”. Os autores mostram ainda que o maior desafio está no
gerenciamento destes processos de forma simultânea para a atender a
demanda por serviços logísticos.
𝐶𝐿 = 𝐶𝑇 + 𝐶𝐴 + 𝐶𝐸 (𝑅$
𝑠𝑎𝑐𝑎) (1)
A equação 1 apresenta a composição dos custos logísticos totais
(CL) considerados apenas os processos de transporte (CT), estoque (CE)
e armazenagem (CA).
O custo de falta por conta de eventual desabastecimento não será
avaliado por dois fatores; o primeiro pelo fato de o estudo ser avaliado da
perspectiva do produtor que não é diretamente afetado pelas flutuações
na ponta da cadeia, o desabastecimento dissidente de uma sobre demanda
resulta positivamente nos preços a serem praticados; o segundo motivo
está no fato deste custo estar relacionado com o varejo e a disponibilidade
do produto no momento da compra e o escopo deste estudo contempla
uma visão geral do mercado e não somente de ações pontuais.
3.1.1 Custo de Transporte
Como mencionado anteriormente, o custo de transporte é um dos
processos que mais impactam nos custos totais. No caso brasileiro como
um todo, a opção pela modal rodoviário pode ser explicada em parte por
características como alta velocidade, disponibilidade, confiabilidade e
frequência (FLEURY et al, 2007). No entanto, perde em capacidade para
o aquaviário e o rodoviário, mas a falta de infraestrutura não permite
muitas vezes a intermodalidade buscando na busca de soluções
economicamente melhores. Para Bowersox e Closs (2011), a economia de frete é influenciada
por 7 fatores na formação do preço de frete mesmo não estando
explicitados nas tabelas de frete – distância, volume, densidade, facilidade
de acondicionamento, facilidade de manuseio, responsabilidade e
mercado.
Os fatores volume e densidade permanecem constantes, uma vez
que será avaliado o ganho com a armazenagem unitária do grão (por saca).
Para o tipo de produto em análise, os fatores acondicionamento e
manuseio são relativamente simplificados, e a responsabilidade baixa por
37
se tratar de um produto de baixo valor agregado e periculosidade. O fator
mercado e seu componente de sazonalidade terá seu efeito abrandado por
considerar-se valores médios praticados no estado de Santa Catarina
como um todo como já mencionado nas delimitações deste trabalho.
Neste estudo apenas o parâmetro distância será utilizado na
metodologia, variando desde a origem nas capitais regionais até o destino
no terminal graneleiro do Porto de São Francisco do Sul. O custo de
transporte por tonelada de grão que irá compor a simulação, será formado
unicamente pela parcela de frete. Esta por sua vez, pode ser calculada
segundo as equações 2 e 3:
𝐶𝑇 =𝑋 ̅ . �̅�
𝑃𝑘 (
𝑅$
𝑠𝑎𝑐𝑎) (2)
𝑋 ̅ = {
𝑋(
𝑛+1
2) , 𝑠𝑒 𝑛 é í𝑚𝑝𝑎𝑟
𝑋𝑛
2+𝑋𝑛
2+1
2 , 𝑠𝑒 𝑛 𝑓𝑜𝑟 𝑝𝑎𝑟
(3)
Onde �̅� é a distância média de cada mesorregião até o porto de São
Francisco do Sul, Pk é o peso da saca do grão e 𝑋 ̅é a mediana da série de
preços fornecida pelo SIFRECA de forma a não haver distorções
referentes a valores máximos e mínimos, mas sim a influência da
frequência com que ocorrem.
3.1.2 Custo de Armazenagem
Fleury et al. (2007) retrata que “a maioria dos custos de
armazenagem – aluguel, mão de obra, depreciação de instalações e
equipamentos de movimentação – são fixos e indiretos”. Assim, a medida
de eficiência financeira do armazém está intimamente relacionada com a
taxa de ocupação da unidade. O intuito deste trabalho é avaliar a necessidade de armazenagem
graneleira em cada mesorregião. Não obstante, é preciso avaliar os custos
de instalação das unidades armazenadoras e rateá-las a cada unidade
armazenada (saca). No entanto, a dificuldade de alocação dos custos de
armazenagem, vem levando a escolha do método de rateio baseado em
faturamento e volume; embora essa forma provoque distorções nos
indicadores (FLEURY et al., 2007).
Para o rateio do custo de instalação será calculado o custo mensal
equivalente (CME) e para fins de aproximação, dividido pela capacidade
instalada (sujeito a distorções quando da subutilização do armazém). A
equações 4 e 5 apresentam o equacionamento desta parcela de custo.
𝐶𝑖𝑛𝑠 =𝑖𝑚(1+𝑖𝑚)𝑛
(1+𝑖𝑚)𝑛−1 .
𝐶𝑡
𝑃𝑘
(𝑅$
𝑠𝑎𝑐𝑎) (4)
𝑖𝑚 = (1 + 𝑖)1
𝑚 − 1 (% 𝑎. 𝑚) (5)
Onde Ct é o custo total de instalação, Pk o peso da saca, i a taxa de
juros anual e im a taxa de juros mensal equivalente.
Considerado que a capacidade de armazenagem requerida será
disponibilizada pelo Estado de forma a propiciar custos reduzidos,
considerou-se aqui as tarifas de armazenagem disponibilizadas pela
Companhia Nacional de Abastecimento (CONAB). Dentre os elementos
de custo disponibilizados no Anexo A vigente desde novembro de 2017,
será utilizado no equacionamento a tarifa de armazenagem (Ta), recepção
(Tr), expedição (Te) e secagem (Ts) com até 16% de umidade a gás natural
e sobretaxa (Sk) sobre o preço praticado (Pki) (Equação 6). Quando o
serviço secagem é utilizado, a taxa de limpeza não é cobrada. Os demais
elementos não estão inseridos no escopo deste trabalho. O fator 2 da
multiplicação se dá pelo fato de as tarifas serem quinzenais e o estudo
avaliar os custos mensais.
𝐶𝑎 = (𝑇𝑎+𝑇𝑟+𝑇𝑒+𝑇𝑠
𝑃𝑘) . 2 + 𝑆𝑘. 𝑃𝑘𝑖 (
𝑅$
𝑠𝑎𝑐𝑎) (6)
Por estarem agora na mesma unidade, os custos de instalação e
tarifa de armazenagem podem ser somados linearmente, resultando no
custo total de armazenagem por unidade (CA) - Equação 7.
𝐶𝐴 = 𝐶𝑖𝑛𝑠 + 𝐶𝑎 (𝑅$
𝑠𝑎𝑐𝑎) (7)
As tarifas de armazenagem publicadas pela CONAB apesar de
estarem dividas em categorias (ensacados, granel e enfardados), a
cobrança se dá por tonelada e por esta razão será rateado neste estudo pelo
peso da saca a título de obter-se o valor unitário de armazenagem.
39
3.1.3 Custo de Estoque
O custo de estoque, ao contrário dos custos de armazenagem e
transporte não implica normalmente em desembolso imediato, o que leva
muitas empresas e produtores a negligenciarem sua participação nos
custos totais, computando o gasto como prejuízo apenas no eventual
sinistro. Para Bowersox e Closs (2011) manter estoques acarreta em
riscos associados a imobilização de capital e obsolescência. O primeiro
risco limita as possibilidades de modernização e diversificação de
investimentos, enquanto o segundo está associado a avarias no produto
estocado. Para o caso da produção agrícola objeto deste estudo, apenas o
primeiro risco se torna relevante por se tratar de ganhos econômicos em
detrimento da armazenagem e por isso apenas a custo de imobilização de
capital irá compor os custos totais. O segundo risco associado,
obsolescência, está coberto por títulos garantidos no momento do
depósito (sobretaxa). Portanto, o custo unitário de estoque é dado pela
imobilização do preço praticado Pki, por n períodos a uma taxa de juros im
(equação 8).
𝐶𝐸 = 𝑃𝑘𝑖(1 + 𝑖𝑚)𝑛 (𝑅$
𝑠𝑎𝑐𝑎) (8)
3.2 SIMULAÇÃO E ANÁLISE ESTATÍSTICA DE DADOS
É comum a exposição a situações de natureza estocástica, com
ocorrências aleatórias. Dessa forma, no intuito de se acercar do valor mais
provável de tais variáveis, modela-se a situação pretendida segundo uma
gama de funções de distribuição de probabilidades baseada na frequência
de suas ocorrências. A variável aleatória é dita contínua caso seus valores
se apresentem dentro de um intervalo completo (LEOTTI et al.,2005).
3.2.1 Distribuições de probabilidade para variáveis aleatórias
contínuas
Uma função de distribuição de probabilidade ou função de
densidade de probabilidade f (x) é definida tal que:
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥𝑏
𝑎 𝑠𝑢𝑗𝑒𝑖𝑡𝑎𝑠 à: {
𝑓(𝑥) ≥ 0 , ∀ 𝑥
∫ 𝑓(𝑥)∞
−∞= 1
Assim, a probabilidade de uma variável estar contida num
intervalo [a, b] é numericamente igual a área abaixo de f (x) no intervalo
(DEVORE, 2011). Das muitas possibilidades, este estudo tratará de duas
distribuições em particular – Normal ou Gaussiana e Weibull.
3.2.1.1 Distribuição Normal
Uma das mais utilizadas e importantes distribuições em
probabilidade e estatística, a distribuição normal além de aplicações para
variáveis contínuas, também oferece boas aproximações para diversos
casos práticos de natureza discreta. Não obstante, quando uma variável
não segue exatamente uma distribuição normal, é possível, em
determinadas condições que suas somas e médias se comportem de
natureza normal (DEVORE, 2011). Uma distribuição é dita normal com média (μ) e variância σ2 se sua
função de distribuição for segundo a Equação 9:
𝑓(𝑥; 𝜇, 𝜎) =1
√(2𝜋𝜎) . 𝑒−
(𝑥−𝜇)2
2𝜎2 (9)
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 à: {−∞ < 𝜇 < ∞
0 < 𝜎−∞ < 𝑥 < ∞
Para amostras que não seguem exatamente uma distribuição
normal, toma-se um número suficientemente grande de observações esta
amostra se aproximará da normalidade; em linhas gerais, este é o Teorema
do Limite Central e um dos mais importantes teoremas da probabilidade
segundo (DEVORE, 2011).
3.2.1.2 Distribuição Weibull
Apresentada pelo físico Waloddi Weibull, em 1930 essa função
tem apresentado grande aplicação em séries não centradas como a
Gaussiana. Esta função está definida segundo equação 10, em algumas
situações com alta aderência e para outras apenas para valores específicos
de α (parâmetro de forma) e 𝞫 (parâmetro de escala).
41
𝑓(𝑥; 𝛼, 𝛽) = {𝛼
𝛽𝛼 . 𝑥𝛼−1. 𝑒−(
𝑥
𝛽)
𝛼
, 𝑥 ≥ 0
0 , 𝑥 < 0 (10)
A valor esperado E(X) e a variância E(X²) para esta distribuição
podem ser calculadas por meio das equações 11 e 12 respectivamente.
𝐸(𝑋) = 𝛽𝞒 (𝟏 +𝟏
𝜶) (11)
𝐸(𝑋2) = 𝛽2. {𝞒 (1 +2
𝛼) − [𝞒 (1 +
1
𝛼)
2]} (12)
Onde 𝞒 é uma função gama com 𝞒(n) = (n-1)! Para n inteiro
positivo e 𝞒(0,5) = √𝜋.
3.2.2 Teste de Aderência
Para realizar a análise estatística de dados e poder utilizar as
funções de densidade mencionadas, é preciso validar seu ajuste ou
aderência a cada uma delas. Este estudo fará uso do teste Kolmogorov-
Smirnov por conta da versatilidade para aderência da amostra com
diferentes funções de densidade. Neste modelo, a estatística resultante Di
é comparada com o valor crítico Dc. A hipótese é rejeitada com (1-α)%
de confiança caso Di seja maior que o valor de referência Dc apresentado
no Anexo C (VIVIALI, 2008) deste trabalho.
3.2.3 Método de Monte Carlo
3.2.3.1 Contextualização
Quando se fala em simulação é comum a mentalização de
processos digitais e computadores de alto desempenho. No entanto, a
origem da simulação remonta a 5000 anos atrás com os jogos de guerra
na China e mais tarde (1780) aperfeiçoados pelos prussianos em
treinamentos militares. A simulação de Monte Carlo foi desenvolvida por
John von Neumann no Laboratório Científico Los Alamos com intensão
de analisar processos físicos mais complexos ou caros para experimentar manualmente (RENDER et al., 2010).
Frente a possibilidade de simular um experimento em detrimento
de fazê-lo de forma física seria natural que esta opção fosse dominada em
relação as outras. No entanto, ela também apresenta vantagens e
desvantagens colocando muitas vezes o decisor em situação de trade-off.
O Quadro 2 mostra algumas dessas características.
Quadro 2 - Vantagens e Desvantagens da Simulação
Vantagens Relativamente direta e flexível
Facilidade de operação de pacotes
computacionais de simulação
Possibilidade de avaliação de sistemas
grandes e complexos
Elaboração de cenários
O resultado não interfere na situação real
Avaliação do impacto das variáveis na
função objetivo
Diminuição da escala de tempo
Possibilidade de inserção de perturbações
controladas
Desvantagens Dependendo do escopo do projeto, os
custos podem se tornar elevados e com
duração relativamente longa
Não garante otimalidade da solução
A modelagem é personalizada não
podendo, salvo certas circunstâncias, ser
transferida à outras situações.
Fonte: Render et al. (2010)
Andrade (1990) divide o método de Simulação de Monte Carlo em
2 etapas básicas:
1) Dada a função de distribuição de probabilidade pega-se um
número gerado aleatoriamente no intervalo [0,1];
2) Com este número, usando a função cumulativa de probabilidade
determina-se o valor da variável em questão.
Neste estudo adotou-se o procedimento metodológico de Render et al. (2010). O autor divide a simulação de Monte Carlo em 5 etapas:
43
1) Determinação das distribuições de probabilidade da variável
analisada;
2) Construir uma distribuição de probabilidade para a variável em
questão;
3) Estabelecer o intervalo de números aleatórios;
4) Gerar os números aleatórios;
5) Simular os experimentos.
Nesse último modelo, será utilizado o pacote computacional aberto
(open source) Scipy em linguagem de programação Python. Dessa forma,
as etapas 2, 3 e 4 estarão implícitas no processo e será descrito em mais
detalhes apenas as etapas 1 e 5.
3.2.3.2 Modelo de Referência
Segundo Da Rocha et al. (2017) a armazenagem pode conferir
ganhos de natureza econômica quando a receita líquida futura excede a
receita líquida no ato da colheita. No modelo proposto pelo mesmo autor,
a receita no período de safra é dada pela diferença entre o preço corrente
e o custo de frete; já a receita futura é dada pela diferença preço futuro
descontados os custos de frete, armazenagem e estoque abordando 3
cenários possíveis para a comercialização da soja (Tabela 1).
Tabela 1 - Cenários do modelo de referência
Cenário Mês da
colheita
Possibilidades de comercialização
analisadas
Cenário 01 Janeiro Venda da produção nos meses de janeiro,
fevereiro, março, abril, maio, junho e
julho
Cenário 02 Fevereiro Venda da produção nos meses de
fevereiro,
março, abril, maio, junho e julho
Cenário 03 Março Venda da produção nos meses de março,
abril, maio, junho e julho
Fonte: Da Rocha (2017)
Da Rocha et al. (2017) avalia ainda o risco associado a cada opção.
Dado que o valor esperado da opção é VE, seu valor é calculado pelo
produto do ganho g pela probabilidade p de ocorrência do ganho. Se p >
0, representa o percentual de vezes em que o produtor obteve ganhos; e
caso p<0, representa o percentual de vezes em que o produtor obteve
prejuízo. Portanto VE é expresso segundo a equação 13:
𝑉𝐸 = 𝑔 . 𝑝 (13)
3.2.4 Números Aleatórios
Segundo Andrade (1990) a geração de números aleatórios é um
dos elementos necessários a simulação pelo método de Monte Carlo
descrito na seção 3.2.3. O autor mostra ainda as 3 formas de obter
números aleatórios para simulação:
a) Com a utilização de uma tabela de números aleatórios.
b) Por meio de rotinas ou programas computacionais.
c) E métodos aritméticos recursivos.
Este trabalho contemplará a opção b com programação em
linguagem Python elaborada pelo autor com uso da biblioteca de código
aberto (open source) Scipy.
45
4METODOLOGIA
Por conta da interdisciplinaridade requerida na Engenharia de
Produção, em especial na área de Logística, é relativamente difícil a
definição clara do tipo de abordagem de pesquisa. Este estudo está
ancorado em técnicas de simulação de forma a investigar um
comportamento real. No entanto, suas fronteiras abordam um estudo de
campo pelo fato de buscar-se aqui uma explicação para os efeitos da
decisão da disponibilidade atual de armazenagem estática de grãos em
Santa Catarina.
Por conta das características sócio culturais que impactam
diretamente no estilo de produção catarinense, optou-se por utilizar as
mesorregiões como grupamento de análise. As quais sejam Grande
Florianópolis, Norte Catarinense, Vale do Itajaí, Serrana, Sul Catarinense
e Oeste Catarinense Propõe-se desta maneira o seguinte roteiro metodológico:
a) Caracterização da demanda por região de Santa Catarina;
b) Análise e seleção dos coeficientes de custos logísticos;
c) Simulação de Monte Carlo propriamente dita;
d) Seleção do ponto de venda para máximo ganho econômico;
e) Calculo da necessidade de armazenagem estática de grãos
4.1 CARACTERIZAÇÃO DA DEMANDA POR REGIÃO DE SANTA
CATARINA
Segundo dados publicados pela Federação das Indústrias de Santa
Catarina (FIESC), o estado participou em 2012 com R$ 177 bilhões no
Produto Interno Bruto nacional, ocupando a 6ª posição no indicador.
Destes, 4,3% são provenientes do setor primário (FIESC, 2015). A Epagri, Empresa de Pesquisa Agropecuária e Extensão Rural de
Santa Catarina, aponta que a agropecuária catarinense é composta em sua
maioria de pequenas propriedades familiares (96,48 % das empresas) e
emprega mais de 42 mil pessoas diretamente segundo o mesmo relatório.
Um indício desse comportamento, está nos contratos de crédito tomados
pelos produtores; em 2015 70% foram solicitados via Pronaf (Programa
Nacional de Fortalecimento da Agricultura Familiar) (EPAGRI, 2016).
Segundo Epagri (2016) a agricultura catarinense foi responsável
por mais de R$ 14 bilhões em valor bruto de produção, dos quais 35,7%
somente das lavouras de grãos. Demonstrado o impacto para a economia
do Estado e a importância de buscar soluções que melhorem o
desempenho não somente para o produtor, mas para a cadeia como um
todo
Utilizado dados do Instituto Brasileiro de Geografia e Estatística –
IBGE disponíveis na plataforma SIDRA (Sistema IBGE de Recuperação
Automática), A Figura 4 mostra como essa produção se distribui por
produto e a variação das ocorrências históricas a partir de 1974. Poder-se-
ia discutir aqui o fato da modernização da agricultura e o seu ganho de
escala nos últimos anos, no entanto, situações de seca ou pragas atuais
poderiam conduzir à níveis de produção menores e, portanto, optou-se por
manter a série completa para que ambos os cenários – otimista e
pessimista – possam ser contemplados. É perceptível o destaque para os
produtos arroz, milho e soja. Desta maneira, a simulação contemplará
apenas esses 3 itens uma vez que seu volume de produção ratifica
sobremaneira a necessidade de armazenagem mesmo que para pequenos
períodos de tempo.
Por questões técnicas referentes a pluviosidade, relevo, altitude e
fatores culturais, existe uma regionalização da produção agropecuária em
Santa Catarina, no caso dos graneleiros não é diferente. A Figura 5 mostra
como a produção de cada um dos produtos analisados neste trabalho se
dividem em cada grupo com os seguintes destaques:
Grande Florianópolis e Vale do Itajaí: arroz e milho;
Norte, Serrana e Oeste: soja e milho;
Sul Catarinense: arroz.
Embora os destaques acima, esta análise envolverá os 3 produtos
para cada uma das 6 mesorregiões por conta de os valores mínimos não
serem nulos e também representarem uma oportunidade de ganho
conjunto com os demais itens.
47
Figura 4 - Distribuição da produção de grãos em SC
Fonte: Elaborado pelo autor (2018)
Figura 5 - Distribuição da produção de grãos por mesorregião
Fonte: Elaborado pelo autor (2018)
49
4.2ANÁLISE E SELEÇÃO DOS COEFICIENTES DE CUSTOS
LOGÍSTICOS
4.2.1 Custo de Transporte
Esta parcela dos custos logísticos será composta, como já
mencionado na seção 3.1.1, pela mediana da série de preços fornecidas
pelo SIFRECA. A amostra é composta por 51 observações e distribuídas
como mostra a Figura 6.
Figura 6 - Análise gráfica da amostra de frete em SC (R$/t.km)
Fonte: Elaborada pelo autor (2018).
Utilizando a equação 2 para pesos das sacas do milho, arroz e soja
respectivamente em 60, 50 e 60 kg. As distâncias médias consideradas
são apresentadas na Tabela 2 bem como as parcelas de custo por saca de
determinado produto.
Tabela 2 - Custo do frete/saca por mesorregião
Origem Distância Custo de Transporte (R$/saca)
Mesorregião Cidade km Arroz Milho Soja
Grande Florianópolis Tijucas 140 0,2466 0,2055 0,2055
Norte Catarinense Canoinhas 300 0,5286 0,4405 0,4405
Vale do Itajaí Blumenau 130 0,2290 0,1908 0,1908
Serrana Lages 400 0,7048 0,5873 0,5873
Sul Catarinense Criciúma 380 0,6694 0,5578 0,5578
Oeste Catarinense Chapecó 600 1,0572 0,8810 0,8810
Fonte: Elaborada pelo autor (2018).
4.2.2 Custo de Armazenagem
Pizzato (2014) estima os custos de instalação de um armazém com
capacidade para 400.000 sacas de 60 kg, ou 24 000 toneladas, em R$
10.833.092,00. Embora a unidade avaliada pelo autor supracitado esteja
localizada no município de Tabaporã, no estado do Mato Grosso,
considerou-se para fins de aproximação para este estudo por conta da
principal diferença estar no preço do terreno para instalação. Para o investimento nas instalações, propõe-se a linha de crédito
do Programa para Construção e Ampliação de Armazéns – PCA, com taxa
de juros 6,5% a.a. e prazo de 15 anos. Utilizando a Equação 4 a parcela
referente ao investimento foi de R$ 0.0780/saca para o arroz e de R$
0.0651 para soja e milho.
Para os custos operacionais de armazenagem será utilizada a tabela
de tarifas cobradas pela CONAB vide anexo A. Um resumo destas tarifas
constantes no escopo deste trabalho é apresentado na Tabela 3. Para as
sobretaxas calculadas sobre o preço corrente, o percentual de 0,3% deve
ser corrigido segundo os índices constantes no Anexo B e passam a
representar 0,1956%, 0,1395% e 0,3316% para o arroz, milho e soja
respectivamente.
Tabela 3 - Resumo de tarifas de armazenagem
Tarifa Preço (R$/t)
Armazenagem 2.49
Recepção 1.49
Expedição 1.49
Secagem 11,23
Fonte: Elaborados pelo autor (2018).
4.2.3 Custo de Estoque
Este custo representa a perda de rendimentos em outras
oportunidades por parte do produtor em detrimento de futuros ganhos de
preço. A Taxa Mínima de Atratividade (TMA) utilizada na composição
deste custo é, segundo Casarotto e Kopittke (2000), “a taxa a partir da qual o investidor considera que está obtendo ganhos financeiros. É uma
taxa associada ao baixo risco, ou seja, qualquer sobra de caixa pode ser
aplicada, na pior das hipóteses, na TMA”. A imobilização de capital será
realizada segundo uma TMA igual a taxa básica de juros Sistema Especial
51
de Liquidação e de Custódia (SELIC) referente ao mês de abril de 2018
anunciada em 0,52% a.m.
4.3 SIMULAÇÃO DE MONTE CARLO
Seguindo as etapas propostas no referencial teórico, esta seção
explanará a primeira e a última etapa da proposta, uma vez que as etapas
intermediárias estarão implícitas nas operações realizadas pelo pacote
computacional utilizado.
4.3.1 Determinação das distribuições de probabilidade da variável
analisada
As séries históricas de preço obtidas em CEPEA (2018) foram
submetidas primeiramente ao teste de aderência para as funções de
distribuição de probabilidade apresentadas no referencial teórico deste
estudo – Normal e Weibull – pelo teste de Kolmogorov-Smirnof (KS).
Esta seção mostra como as séries de preços para cada produto se ajustam
ou tendem ao ajuste de determinada função.
4.3.1.1 Arroz
No caso do Arroz, a série não apresentou ajuste a ambas funções
de distribuição. No entanto, por conta do coeficiente de variação da série
(medido pela relação entre desvio padrão da série e a média amostral)
possuir valor menor que 0,3, é possível inferir uma tendência de
normalidade embora os resultados do KS apresentados na Tabela 4
estarem distantes dos valores de referência.
Tabela 4 - Resultado do teste KS - Arroz
Descrição Estatística D Referência
Safra (normal) 0,144616 0,0485405
Entressafra (normal) 0,145013 0,0420306
Fonte: Elabora pelo autor (2018).
Dessa forma, optou-se pela geração de números aleatórios para o
arroz segundo uma distribuição de probabilidade normal com: média
34,48 e desvio padrão 7,33 para os períodos de safra; e de média 35,99 e
desvio padrão 7,46 para os períodos de entressafra. O resultado gráfico,
obtidos com dados de CEPEAD (2018c), é mostrado na Figura 7.
Figura 7 - Ajuste à função de distribuição – Arroz
Fonte: Elaborado pelo autor (2018)
4.3.1.2 Milho
Dentre os 3 produtos, o milho apresentou melhor ajuste a uma
função de distribuição de probabilidade com dados de CEPEAD (2018b).
Da Tabela 5, nota-se que a amostra aceitou a hipótese nula de que a série segue uma função Weibull para a safra e rejeita para Entressafra. Quanto
ao teste de normalidade, ambas as séries foram rejeitadas para a hipótese
nula.
53
Tabela 5 - Resultado do teste KS - Milho
Descrição Estatística D Referência
Safra (normal) 0.170752 0.0489158
Entressafra (normal) 0.108928 0.0455107
Safra (weibull) 0.0468059 0.0489158
Entressafra (weibull) 0.0614295 0.0455107
Fonte: Elabora pelo autor (2018).
A análise gráfica mostrada na Figura 8 evidencia os resultados da
Tabela 5. Nota-se um ajuste mais significativo da função Weibull em
relação a Normal, justifica a utilização desta função embora a estatística
rejeite a hipótese nula para a mesma distribuição com a série de
Entressafra. Optou-se por esta função representando a geração de
números aleatórios para o produto desta seção.
Figura 8 - Ajuste à função de distribuição - Milho
Fonte: Elaborado pelo autor (2018)
4.3.1.3 Soja
Gallardo (2010) mostra que o relacionamento das tradings com os
produtores prevê a compra da produção segundo cotação na BM&F
(Bolsa de Mercadorias e Futuros). O autor menciona que estes momentos
normalmente ocorrem durante a safra quando o preço do grão é menor. O
autor cita que, estruturas de mercado nestes termos podem diminuir os
riscos para o produtor para a próxima safra e gerar subsídios para a
produção. No entanto, diminuem suas chances de negociação por preços
melhores. Normalmente, os produtores apresentam certa aversão ao risco
e preferem garantir a venda a um preço conhecido; suas margens
diminuem, também diminui seu poder de investimento em unidades
armazenadoras para aguardar um momento melhor para a venda.
55
Figura 9 - Ajuste à função de distribuição - Soja
Fonte: Elaborado pelo autor (2018)
Dos produtos analisados neste estudo, a soja é o mais suscetível a
esse efeito por conta da grande demanda internacional. No caso
catarinense, os demais produtos apresentam um caráter de consumo local
ou beneficiamento para o mercado nacional. A estabilidade da série e a
tendência de normalidade são evidentes na Figura 9, obtida com dados do
CEPEAD (2018a), e nos baixos coeficientes de variação indicando baixa
dispersão dos dados (0,17 para safra e 0,16 para entressafra)
No entanto, o número elevado de ocorrências de valores nas
extremidades das funções de distribuição testadas, não permitem o ajuste
esperado para normalidade como percebe-se pela análise gráfica. Uma
alternativa seria a filtragem da série, mas optou-se aqui por não a realizar
sob pena de perda de informação do mês a ser analisado. Dar-se-á a
geração de números aleatórios segundo uma função de distribuição
normal para a soja. O resumo dos resultados para o teste KS é apresentado
na Tabela 6.
Tabela 6 - Resultado do teste KS - Soja
Descrição Estatística D Referência
Safra (normal) 0.0753613 0.0488212
Entressafra (normal) 0.120253 0.0454344
Safra (weibull) 0.104864 0.0488212
Entressafra (weibull) 0.161856 0.0454344
Fonte: Elabora pelo autor (2018).
4.3.2 Realização dos experimentos
Tabela 7 - Cenários para comercialização
Cenário Mês da
colheita
Possibilidades de comercialização
analisadas
Cenário 01 Fevereiro Venda da produção nos meses de
fevereiro, março, abril, maio, junho, julho,
agosto, setembro
Cenário 02 Março Venda da produção nos meses de março,
abril, maio, junho, julho, agosto, setembro
Cenário 03 Abril Venda da produção nos meses de abril,
maio, junho, julho, agosto, setembro
Cenário 04 Maio Venda da produção nos meses de maio,
junho, julho, agosto, setembro
Fonte: Adaptado de Da Rocha (2017)
A Tabela 7 apresenta os cenários de simulação utilizados neste
estudo. Segundo o calendário agrícola CONAB (2018), a safra do arroz
ocorre durante os meses de janeiro a maio, do milho de fevereiro a junho
e a da soja de fevereiro a maio. Logo, considerado que o intervalo no qual
todos os produtos citados estarão em plena competição pelos serviços
logísticos começa em fevereiro e vai até maio, estes foram os períodos
selecionados para o início da simulação. No tocante ao horizonte
simulado, optou-se por finalizar no mês de setembro por conta deste
período ser considerado normalmente estação de plantio, acarretando em
necessidade de investimentos por parte do produtor.
57
4.4 SELEÇÃO DO MOMENTO DA VENDA PARA GANHO
ECONÔMICO MÁXIMO
Como já mencionado, a inexpressão de determinados produtos em
determinadas regiões não isenta sua participação na análise por conta de
suas ofertas não serem completamente nulas. As figuras 13, 14, e 15 (vide
Apêndice A) mostram o caso do Norte Catarinense como exemplo, uma
vez que a parametrização do modelo proporciona ganhos e probabilidades
similares para cada produto, no entanto, em detrimento da variação nos
custos de transporte suas receitas se diferenciam entre si como
apresentado no Quadro 3.
Quadro 3 - Receitas Esperadas por período - arroz Receitas Esperadas (R$/saca)
Colheita
Grande
Florianópolis
Vale
do
Itajaí
Norte
Catarinense
Sul
Catarinense Serrana
Oeste
Catarinense
Fevereiro 42,3 42,3 42 41,9 41,8 41,5
Março 41 41 40,7 40,6 40,5 40,2
Abril 40,1 40,1 39,8 39,7 39,7 39,3
Maio 40,9 40,9 40,6 40,5 40,4 40,1
Fonte: Elaborada pelo autor (2018)
O ponto de comercialização do arroz para máximo ganho
econômico por parte dos produtores catarinenses ocorre em julho para
colheitas realizadas nos meses de fevereiro, março e abril com ganhos e
probabilidades dadas respectivamente por (R$ 0,8/saca - 57%), (R$
1,4/saca – 63%) e (R$ 0,9/saca – 59%) em relação aos preços nos períodos
de safra (Figura 13). Nestes casos, se a comercialização ocorrer nos meses
posteriores a possibilidade de ganhos em relação a colheita começa a
diminuir por conta principalmente das baixas nos preços próximo das
colheitas. Não obstante, em algumas situações ainda é possível obter
ganhos não muitos expressivos embora superiores aos obtidos no período da colheita. A partir do mês de maio a possibilidade de prejuízo é
substancial caso o momento da venda ocorra posterior a colheita. Dessa
maneira, as 3 primeiras safras deveriam ser armazenadas para que o
produtor obtenha ganho de preço na saca.
Para o milho (Figura 14), o mês de julho proporciona ganhos e
probabilidades de (R$ 2,90/saca - 57%), (R$ 1,6/saca – 63%), (R$
2,2/saca – 59%) e (R$ 1,5/saca – 59%) para as safras que vão
respectivamente de fevereiro a maio. Resultando em uma necessidade de
armazenagem estática para as 4 safras ou todo o período de colheita
adotado neste estudo.
Para as receitas líquidas esperadas para o milho em cada região, o
Quadro 4 traz um resumo dos possíveis cenários.
Quadro 4 - Receitas Esperadas por período - milho
Receitas Esperadas (R$/saca)
Colheita
Grande
Florianópolis
Vale
do
Itajaí
Norte
Catarinense
Sul
Catarinense Serrana
Oeste
Catarinense
Fevereiro 42,3 42,3 42 41,9 41,8 41,5
Março 41 41 40,7 40,6 40,5 40,2
Abril 40,1 40,1 39,8 39,7 39,7 39,3
Maio 40,9 40,9 40,6 40,5 40,4 40,1
Fonte: Elaborada pelo autor (2018)
A Figura 15 mostra a análise gráfica para os cenários da soja na
região Norte, sendo que a análise gráfica pode aqui ser estendida as
demais regiões por similaridade, como é possível perceber para os demais
gráficos incluídos no Apêndice A deste estudo, para cada produto em cada
região produtora. Dessa forma é possível notar que somente se obtém
vantagem com a armazenagem da produção dos meses de fevereiro e
março ((R$ 1,4/saca – 58%) e (R$ 1,7/saca – 59%)). O prejuízo provável
dos demais períodos faz com que este produto deva ser armazenado
apenas por 2 primeiros meses de safra. Para os meses de abril e maio a
comercialização deve ser imediata por conta da alta taxa de insucesso na
comercialização posterior. Um resumo das receitas líquidas para a soja
nas regiões de estudo também é apresentado no Quadro 5.
59
Figura 10 - Comercialização Arroz - Norte Catarinense
Fonte: Elaborada pelo autor (2018
Figura 11- Comercialização Milho - Norte Catarinense
Fonte: Elaborada pelo autor (2018)
61
Quadro 5 - Receitas Esperadas por período - soja
Receitas Líquidas (R$/saca)
Colheita Grande Florianópolis Vale do Itajaí Norte Catarinense Sul Catarinense Serrana Oeste Catarinense
Fevereiro 77,6 77,6 77,4 77,2 77,2 76,9
Março 76,2 76,2 76 75,8 75,8 75,5
Abril 77,2 77,2 77 76,8 76,8 76,5
Maio 77,1 77,1 76,8 76,7 76,7 76,4
Fonte: Elaborada pelo autor (2018)
4.5 CALCULO DA NECESSIDADE DE ARMAZENAGEM
ESTÁTICA DE GRÃOS
Considerado a produção média mensal em cada região e o número
de períodos, em meses, requeridos para armazenagem de cada safra no
sentido de aumentar as margens de lucro para produtores de grãos em
cada mesorregião no estado de Santa Catarina, chegou-se ao Quadro 6
que demonstra a demanda média de cada produto e o número máximo de
safras a serem armazenadas.
Quadro 6 - Necessidade total de armazenagem Região Demanda
média Arroz
(t)
Safras
Armazenadas
Demanda
média Milho
(t)
Safras
Armazenadas
Demanda
média
Soja (t)
Safras
Armazenadas
Necessidade
(t)
Grande
Florianópolis
6.924,06 3 9.368,75 4 3,75 2 58.254,68
Norte
Catarinense
36.351,67 3 112.822,45 4 61.885,51 2 684.115,83
Vale do Itajaí 50.447,76 3 97.265,55 4 1.490,59 2 543.386,66
Serrana 355,11 3 96.740,19 4 45.242,59 2 478.511,27
Sul 136.275,43 3 27.681,23 4 36,48 2 519.624,17
Oeste
Catarinense
1.926,00 3 512.903,62 4 130.343,02 2 2.318.078,52
Fonte: Elaborada pelo autor (2018)
Do Quadro 6, temos que a necessidade total de armazenagem por
mesorregião é dada pelo produto da demanda média pelo número de
safras armazenadas para cada produto, sendo esse último o número
máximo de safras sobrepostas.
Figura 12- Comercialização Soja - Norte Catarinense
Fonte: Elaborada pelo autor (2018)
63
5 ANÁLISE DE RESULTADOS
Como estimado no início deste estudo, a armazenagem de grãos
como possibilidade para o aumento de receita dos produtores nas
mesorregiões de Santa Catarina é uma possibilidade real. O Quadro 6 leva em consideração os armazéns cadastrados junto a
CONAB até o momento, tanto na modalidade convencional quanto
bateria de silos, uma vez que este trabalho leva em consideração que a
produção graneleira estaria ensacada; o que não refuta a possibilidade de
serem armazenadas a granel. Dos resultados apresentados, e pelo fato de
ter se considerado apenas 3 dos diversos itens produzidos no estado, a
taxa de ocupação no estado seria de 98,60% para a estratégia proposta. O
caso é ainda mais evidente para regiões com vocações agropecuárias
como é o caso da região Serrana e Oeste Catarinense com taxas de
ocupação 81,36% e 98,60% (Quadro 7).
Quadro 7 - Expectativa de ocupação dos armazéns
Região Necessidade (t) Disponibilidade (t) Taxa de Ocupação
Grande Florianópolis 58.254,68 39.240,00 148,46%
Norte Catarinense 684.115,83 1.256.520,00 54,45%
Vale do Itajaí 543.386,66 358.775,00 151,46%
Serrana 478.511,27 588.160,00 81,36%
Sul 519.624,17 1.161.828,00 44,72%
Oeste Catarinense 2.318.078,52 2.351.054,00 98,60%
Santa Catarina 4.601.971,13 5.755.577,00 98,60%
Fonte: Elaborada pelo autor (2018)
Para Martins et. al. (2005, p. 56) “o preço pago ao produtor, além
de determinante da cotação internacional, sofre forte influência dos custos
de armazenagem e frete”. Trazendo ainda um comparativo entre os
Estados Unidos e o Brasil, onde no primeiro, um mix entre armazenagem
estática na propriedade e transporte via ferrovia-hidrovia maximizam a
lucratividade; no segundo, apenas os grandes produtores possuem
condições de fazê-lo. Aos pequenos e médios produtores, resta a venda
no momento da colheita ou arcar com custos extras de limpeza e secagem
em armazéns terceirizados.
Assim, é preciso considerar que “falta de capacidade estática para
armazenar a produção forçará a comercialização simultânea do produto
concentrada na safra, acarretando em uma demanda maior por caminhões,
refletindo assim em maiores custos” (PIZZATO, 2014).
O relatório da Confederação Nacional de Transportes (CNT, 2015)
mostra que a prática de armazenar e esperar melhores preços não é
utilizada com frequência e segundo o documento, “a justificativa, em
geral, reside no fato de que o mercado oscila muito e as valorizações e
desvalorizações do produto não apresentam comportamento constante ou
previsível no decorrer do ano” (CNT, 2015, p.78). A CONAB tem o
Programa Nacional de Armazenagem em andamento com R$ 25 bilhões
disponíveis para construção de armazéns por produtores e cooperativas
com juros baixos e carências e prazos elevados. O mesmo relatório
relaciona a eficiência no setor agrícola com os investimentos para
aumento da infraestrutura logística, com planos para criação e
modernização de armazéns estratégicos, levando em consideração qual
tipo de armazém se adequa melhor a realidade de cada local, de forma a
gerar vantagens na comercialização para produtores e embarcadores.No
entanto, o programa não inclui o planejamento e análise de viabilidade
dos empreendimentos a serem construídos.
Gallardo (2010) mostra que o Brasil possuía uma capacidade
estática de armazenagem de 120Mt para uma produção de 160 Mt de
grãos produzidas em 2007. Santa Catarina possui 971 unidades
armazenadoras da CONAB em 167 municípios, com uma capacidade
instalada de 5.671.167 toneladas; contra uma safra de 6.062.964 toneladas
dos principais grãos (arroz, feijão, milho, soja, trigo, triticale) em 2016 e
6.587.918 toneladas em 2017 segundo dados do Instituto Brasileiro de
Geografia e Estatística (IBGE). Nos níveis atuais de produção, os
armazéns públicos de Santa Catarina podem armazenar apenas 86% da
produção.
A Food and Agriculture Organization of the United Nations
(FAO) recomenda capacidade estática de armazenagem de 1,2 vezes em
relação a produção anual e, portanto; o nível brasileiro seria de 190 Mt e
o catarinense somente para os produtos citados acima 7,9 Mt
aproximadamente (para o atual nível de produção). No entanto, esta taxa de ociosidade de 20% nos armazéns é mensurada levando em
consideração países com estrutura logística relativamente diferentes da
estrutura brasileira.
65
6 CONCLUSÕES
O objetivo deste estudo foi dimensionar a necessidade de
armazenagem estática para os principais grãos produzidos em Santa
Catarina (arroz, milho e soja), agrupados por mesorregião.
Para tanto, por conta das oscilações dos preços de mercado para os
itens avaliados, é preciso avaliar qual o ganho esperado por parte do
produtor de cada região por armazenar e esperar o melhor momento para
comercialização; além desta informação, é preciso informar ao produtor
qual a sua taxa de sucesso em cada cenário. Por conta principalmente da
carência e qualidade dos dados obtidos de bases públicas, optou-se aqui
por simular 4 cenários possíveis de comercialização (método de Monte
Carlo) para colheitas em fevereiro, março, abril e maio.
Neste processo, foi possível perceber que o tempo de
armazenagem requerido para máximo ganho de comercialização por saca
para cada produto foi diferente; 3, 4 e 2 meses para arroz, milho e soja
respectivamente. Este resultado, confere ao produtor uma expectativa dos
seus custos de armazenagem e informações para negociar prazos de
financiamento. Como foi demonstrado neste estudo, a negociação em
mercado futuro é realizada no sentido de assegurar uma receita ao
produtor uma vez que os prazos de financiamento agrícola, coincidem
muitas vezes com o final do ciclo produtivo.
Com as necessidades de armazenagem calculadas por mesorregião
e para cada produto, avaliou-se a taxa de ocupação dos armazéns caso os
produtores adotassem a estratégia de armazenagem para ganhos de
comercialização. Deste fato, percebe-se claramente a necessidade de
investimentos em infraestrutura, em virtude das altas taxas de ocupação
obtidas para apenas 3 itens dos diversos produzidos no estado de SC.
Em detrimento das dificuldades e limitações deste trabalho,
enumerou-se um conjunto de sugestões para estudos futuros que
poderiam complemente-lo e melhorar a precisão dos resultados obtidos:
a) Agrupamento e análise para armazéns tipo granel e
convencional. Por conta deste estudo levar em
consideração uma capacidade única de armazenagem
utilizando o pior caso (convencional), é possível explorar
ganhos maiores nos armazéns tipo silo. b) Avaliação da localização e da implantação das unidades
armazenadoras, explorando a redução de custos com a
consolidação de carga.
c) Análise de viabilidade econômico-financeira das unidades
instaladas em Santa Catarina. Neste estudo foi utilizado
uma proposta de armazém instalado no estado do Mato
Grosso e, portanto, não representa de forma fidedigna a
realidade catarinense.
d) Análise do impacto da sazonalidade dos preços de frete
em cada região. Embora a amostra utilizada neste trabalho
tenha sido coletada em diversos pontos do estado de SC,
algumas informações intrínsecas as mesorregiões podem
ser perdidas por utilizar um valor absoluto de preço de
frete.
e) O impacto da armazenagem no balanceamento das
operações portuárias e nas estradas.
67
REFERÊNCIAS
ANDRADE, Eduardo Leopoldino de. Introdução à pesquisa operacional:
Métodos e modelos para a análise de dicisão. Rio de Janeiro: LTC,
1990.
BOWERSOX, Donald J.; CLOSS, David J. Logística Empresarial: O
processo de integração da cadeia de suprimentos. São Paulo: Atlas,
2011.
BRASÍLIA. Entraves logísticos ao escoamento de soja e milho. Brasília:
CNT, 2015.
CASAROTTO FILHO, Nelson; KOPITTKE, Bruno Hartmut. Análise
de investimentos. São Paulo: Atlas, 2000.
CEPEA - Centro de Estudo Avançados em Economia Aplicada. 2017.
Arroz: preços. Disponível em: < http://www.cepea.esalq.usp.br >.
Acessado em 17/05/2018c.
CEPEA - Centro de Estudo Avançados em Economia Aplicada. 2017.
Milho: preços. Disponível em: < http://www.cepea.esalq.usp.br >.
Acessado em 17/05/2018b.
CEPEA - Centro de Estudo Avançados em Economia Aplicada. 2017.
Soja: preços. Disponível em: < http://www.cepea.esalq.usp.br >.
Acessado em 17/05/2018c
CONAB – Companhia Nacional de Abastecimento. 2018. Calendário
agrícola (plantio e colheita). Disponível em: <
https://www.conab.gov.br/institucional/publicacoes/outras-
publicacoes/item/7694-calendario-agricola-plantio-e-colheita>.
Acessado em 17/05/2018.
DA ROCHA, Fernando Vinícius; JOÃO, Abner Matheus; caixeta filho,
José Vicente. A armazenagem como estratégia de comercialização para o
produtor: uma análise utilizando simulação de Monte Carlo. 2017.
DA ROCHA, Fernando Vinícius. Séries de Preços de Frete. [mensagem
pessoal] Mensagem recebida por [email protected] em
16/03/2018.
DE CASTRO, César Nunes. O agronegócio e os desafios da
infraestrutura de transporte na região Centro-Oeste. Desenvolvimento
regional no Brasil: políticas, estratégias e perspectivas. Rio de Janeiro:
IPEA, p. 277-305, 2017.
DEVORE, Jay L. PROBABILIDADE E ESTATÍSTICA PARA
ENGENHARIA E CIÊNCIAS. Cengage Learning Edições Ltda., 2011.
em: < http://www.cepea.esalq.usp.br >. Acessado em 17/05/2018a.
LACERDA, R. T. O.; ENSSLIN, L.; ENSSLIN, S. R. Uma análise
bibliométrica da literatura sobre estratégia e avaliação de desempenho.
Gestão & Produção, v. 19, n. 1, 2012.
EPAGRI, GOVERNO DO ESTADO DE SANTA. CATARINA,
EMPRESA DE AGRICULTURA DE SANTA CATARINA. Síntese
anual da agricultura de Santa Catarina. Florianópolis: Instituto CEPA,
2016.
ESALQ-LOG – Escola Superior de Agricultura Luiz de Queiroz. 2017.
Soja: preços. Disponível em: < http://www.cepea.esalq.usp.br >.
Acessado em 17/05/2018c
FAO, THE STATE OF FOOD AND AGRICULTURE Leveraging food
Systems for inclusive rural transformation. Food and Agriculture
Organization of the United Nations: Rome. Italy, 2017.
FIESC, CATARINA, SANTA. Santa Catarina em Dados. Florianópolis:
Federação das Indústrias de Santa Catarina, 2015.
FIGUEIREDO, Kleber Fossati; FLEURY, Paulo Fernando; WANKE, Peter. Logística empresarial: a perspectiva brasileira. São Paulo: Atlas, 2007.
GALLARDO, A. P. et al. Avaliação da capacidade da infra-estrutura de
armazenagem para os granéis agrícolas produzidos no Centro-Oeste
brasileiro. São Paulo: POLI, USP, 2010.
69
LEOTTI, Vanessa Bielefeldt; BIRCK, Alan Rodrigues; RIBOLDI, João.
Comparação dos Testes de Aderência à Normalidade Kolmogorov-
smirnov, Anderson-Darling, Cramer–Von Mises e Shapiro-Wilk por
Simulação. Anais do 11º Simpósio de Estatística Aplicada à
Experimentação Agronômica, 2005.
MARTINS, R. S. et al. Decisões estratégicas na logística do agronegócio:
compensação de custos transporte-armazenagem para a soja no
estado do Paraná. Revista de Administração Contemporânea, v. 9, n. 1,
p. 53-78, 2005.
PIZZATTO, Jonas et al. Diagnóstico da produção e armazenamento
de grãos de milho e soja para implantação de uma unidade
armazenadora no município de Tabaporã-MT. 2014.
RENDER, Barry; STAIR JR, Ralph M.; HANNA, Michael E. Análise
Quantitativa para a Administração: com Excel e POM-QM para
Windows. Bookman, 2010.
SIDRA, I. B. G. E. Disponível em:<
https://sidra.ibge.gov.br/pesquisa/pam/tabelas>. Área plantada, área
colhida, quantidade produzida, rendimento médio e valor da produção
das lavouras temporárias. Acesso em: 17/05/2018.
VIVIALI, Lorí. Tabelas para testes paramétricos e não paramétricos.
Porto Alegre: 2008. Disponível em: <
http://www.mat.ufrgs.br/~viali/estatistica/mat2282/material/apostilas/Ta
belas.pdf>. Acesso em: 19 maio. 2018.
APÊNDICE A – Análise Gráfica do ponto de comercialização da produção
Figura 13 - Comercialização Arroz - Grande Florianópolis
Fonte: Elaborada pelo autor (2018)
71
Figura 14- Comercialização Milho - Grande Florianópolis
Fonte: Elaborada pelo autor (2018)
Figura 15 - Comercialização Soja - Grande Florianópolis
Fonte: Elaborada pelo autor (2018)
73
Figura 16- Comercialização Arroz - Vale do Itajaí
Fonte: Elaborada pelo autor (2018)
Figura 17- Comercialização Milho - Vale do Itajaí
Fonte: Elaborada pelo autor (2018)
75
Figura 18- Comercialização Soja - Vale do Itajaí
Fonte: Elaborada pelo autor (2018)
Figura 19- Comercialização Arroz - Serrana
Fonte: Elaborada pelo autor (2018)
77
Figura 20- Comercialização Milho - Serrana
Fonte: Elaborada pelo autor (2018)
Figura 21- Comercialização Soja - Serrana
Fonte: Elaborada pelo autor (2018)
79
Figura 22- Comercialização Arroz - Sul Catarinense
Fonte: Elaborada pelo autor (2018)
Figura 23- Comercialização Milho - Sul Catarinense
Fonte: Elaborada pelo autor (2018)
81
Figura 24- Comercialização Soja - Sul Catarinense
Fonte: Elaborada pelo autor (2018)
Figura 25- Comercialização Arroz - Oeste Catarinense
Fonte: Elaborada pelo autor (2018)
83
Figura 26- Comercialização Milho - Oeste Catarinense
Fonte: Elaborada pelo autor (2018)
Figura 27- Comercialização Soja - Oeste Catarinense
Fonte: Elaborada pelo autor (2018)
85
ANEXO A - Tarifas para unidades armazenadoras de ambiente
natural
Tabela 8 - Tarifas de armazenagem COBAB
Fonte: CONAB (2018)
ANEXO B – TABELA DE SOBRETAXA CORRESPONDENTE AO PERÍODO DE 01/03/2018 A 15/03/2018
(CENTRO OESTE, SUDESTE E SUL)
Quadro 8 - Sobretaxas CONAB
Fonte: CONAB(2018)
87
ANEXO C – Valores críticos de D no teste de Kolmogorov-Smirnov
para uma amostra
Tabela 9 - Valores Críticos Estatística D
Fonte: Vivialli (2008)