alex da silva vale · ficha de identificação da obra elaborada pelo autor através do programa de...

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


________________________

Prof. Antônio Sergio Coelho, Dr.


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$


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$


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$


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$


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$


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


Figura 5 - Distribuição da produção de grãos por mesorregião


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


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


Safra (normal) 0.170752 0.0489158

Entressafra (normal) 0.108928 0.0455107

Safra (weibull) 0.0468059 0.0489158

Entressafra (weibull) 0.0614295 0.0455107


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


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


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


Safra (normal) 0.0753613 0.0488212

Entressafra (normal) 0.120253 0.0454344

Safra (weibull) 0.104864 0.0488212

Entressafra (weibull) 0.161856 0.0454344


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


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


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


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


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


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%


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.


Milho: preços. Disponível em: < http://www.cepea.esalq.usp.br >.

Acessado em 17/05/2018b.


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.

https://www.conab.gov.br/institucional/publicacoes/outras-publicacoes/item/7694-calendario-agricola-plantio-e-colheita

https://www.conab.gov.br/institucional/publicacoes/outras-publicacoes/item/7694-calendario-agricola-plantio-e-colheita

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.

mailto:[email protected]

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


71

Figura 14- Comercialização Milho - Grande Florianópolis


Figura 15 - Comercialização Soja - Grande Florianópolis


73

Figura 16- Comercialização Arroz - Vale do Itajaí


Figura 17- Comercialização Milho - Vale do Itajaí


75

Figura 18- Comercialização Soja - Vale do Itajaí


Figura 19- Comercialização Arroz - Serrana


77

Figura 20- Comercialização Milho - Serrana


Figura 21- Comercialização Soja - Serrana


79

Figura 22- Comercialização Arroz - Sul Catarinense


Figura 23- Comercialização Milho - Sul Catarinense


81

Figura 24- Comercialização Soja - Sul Catarinense


Figura 25- Comercialização Arroz - Oeste Catarinense


83

Figura 26- Comercialização Milho - Oeste Catarinense


Figura 27- Comercialização Soja - Oeste Catarinense


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)

alex da silva vale · ficha de identificação da obra elaborada pelo autor através do programa de...

Documents