universidade federal do paranÁ curso de zootecnia giuliano talys de … · 2016-10-06 · prof....

UNIVERSIDADE FEDERAL DO PARANÁ

CURSO DE ZOOTECNIA

GIULIANO TALYS DE OLIVEIRA

PREVISÃO DE PREÇO DA ARROBA DO BOI GORDO NO ESTADO DO PARANÁ

COM UTILIZAÇÃO DE MODELOS DE REGRESSÃO MULTIPLA

CURITIBA

2012


PREVISÃO DE PREÇO DA ARROBA DO BOI GORDO NO ESTADO DO PARANÁ

COM UTILIZAÇÃO DE MODELOS DE REGRESSÃO MULTIPLA

Trabalho de Conclusão do Curso de Graduação em Zootecnia da Universidade Federal do Paraná, apresentado como requisito parcial à obtenção do título de Bacharel em Zootecnia. Supervisor: Prof. Dr. Paulo Rossi Jr. Orientador: Prof. Dr. João B. Padilha Jr.

CURITIBA

2012

ii

TERMO DE APROVAÇÃO


PREVISÃO DE PREÇO DA ARROBA DO BOI GORDO NO ESTADO DO PARANÁ COM

UTILIZAÇÃO DE MODELOS DE REGRESSÃO MULTIPLA

Trabalho de conclusão de curso aprovado como requisito parcial para obtenção do grau de Bacharel em Zootecnia pela Universidade Federal do Paraná.

BANCA EXAMINADORA

____________________________________________

Prof. Dr. Paulo Rossi Junior

Departamento de Zootecnia da Universidade Federal do Paraná

Presidente da Banca

____________________________________________

Prof. Dr. João Batista Padilha Junior

Departamento de Economia Rural e Extensão da Universidade Federal do

Paraná

____________________________________________

Prof. Dr. Rodrigo de Almeida

Departamento de Zootecnia da Universidade Federal do Paraná

Curitiba

2012

iii

DEDICATÓRIA

Dedico a toda minha família e pessoas

intensamente ligadas a minha vida que,

no período de desenvolvimento desta

fase me auxiliaram, comprovando que

a superação nos momentos mais

árduos é recompensador.

iv

AGRADECIMENTOS

Aos meus pais Reinaldo Maia de Oliveira e Janete Aparecida de Oliveira, não

existe uma forma de demonstrar o quão importante foram nessa caminhada,

gratidão seria pouco, estão em um patamar mais elevado, com eles tenho muito a

aprender.

Agradeço as minhas irmãs Giovanna e Gislaine, são a personificação de

companheirismo e sabedoria, pessoas brilhantes que me dão inspiração, não estaria

concluindo esta fase sem o apoio delas;

A minha família, avô João do Carlos, o privilegio de compartilhar de sua

companhia e os seus ensinamentos, detentor do mais engenhoso raciocínio, aos

meus tios, tias e primos;

A minha, primeiramente colega e no processo namorada, Izabel, atenciosa,

comprometida e profissional, devo gratidão por ter a sua amizade;

Aos meus mentores Paulo Rossi e João Padilha, pela orientação e inúmeros

ensinamentos profissionais e acadêmicos, pela oportunidade de estagiar, pelas

criticas, pelos desafios que me apresentaram, espero ter respondido a altura;

Aos meus colegas de estagio, afamados nelores, uma equipe com grande

potencial, é um piquete de cérebros privilegiados com quem tive o prazer de

conviver e aprender;

Por fim a todos que participaram até aqui desde a Universidade Federal de

Lavras, onde iniciei o caminho para me tornar um zootecnista, até este momento na

Universidade Federal do Paraná.

Obrigado

v

EPÍGRAFE

“Se A é o sucesso, então A é igual a X mais Y mais Z. O trabalho é X; Y é o

lazer; e Z é manter a boca fechada”.

Albert Einstein

vi

LISTA DE FIGURAS

Figura 1. Gráfico de porcentagem da exportação de toneladas carne bovina por

cortes em 2011. .......................................................................................... 6

Figura 2. Relação entre a amostra e a população ou universo de informações. ..... 13

Figura 3. Dendograma da classificação por analise de agrupamento das series

de preços do Indicador LAPBOV/UFPR, SEAB, CEPEA e do Banco

Central. ..................................................................................................... 18

Figura 4. Gráfico dos valores observados do preço da arroba do boi gordo

LAPBOV versus predito pela fórmula de previsão para dois dias

futuros. ..................................................................................................... 22


LAPBOV versus predito pela fórmula de previsão para sete dias

futuros. ..................................................................................................... 24


LAPBOV versus predito pela fórmula de previsão para trinta dias

futuros. ..................................................................................................... 26

vii

LISTA DE TABELAS

Tabela 1. Exportação de carnes bovinas por produtos em 2011 ............................. 5

Tabela 2. Bovinocultura: produção, valor bruto da produção e participação

relativa no Paraná em 2009 e 2010 ......................................................... 7

Tabela 3. Relação de fonte de dados coletados por informante, de acordo com

os diferentes indicadores agropecuários ................................................ 11

Tabela 4. Principais vantagens e desvantagens da análise de regressão como

método de previsão ................................................................................ 12

Tabela 5. Estatística descritiva dos preços do Indicador LAPBOV/UFPR, SEAB,

CEPEA e pelo Banco Central, entre julho de 2009 a maio de 2012 ....... 19

Tabela 6. Soma de quadrados para o modelo de regressão múltipla para dois

dias futuros ............................................................................................. 21

Tabela 7. Soma de quadrados para o modelo de regressão múltipla para sete

dias futuros ............................................................................................. 23

Tabela 8. Soma de quadrados para o modelo de regressão múltipla para trinta

dias futuros ............................................................................................. 25

viii

LISTA DE ABREVIATURAS

ABIEC Associação Brasileira das Indústrias Exportadoras de Carnes

CEPEA Centro de Estudos Avançados em Economia Aplicada

DW Durbin-Watson

GLM Modelo Linear Generalizado

LAPBOV Laboratório de Pesquisas em Bovinocultura

LAPESUI Laboratório de Pesquisas Econômicas em Suinocultura

MAPA Ministério da Agricultura, Pecuária e Abastecimento

SEAB Secretaria de Estado da Agricultura e do Abastecimento

UFPR Universidade Federal do Paraná

VBP Valor Bruto da Produção

ix

SUMÁRIO

1 INTRODUÇÃO ...................................................................................................... 1

2 OBJETIVO ............................................................................................................ 3

3 REVISÃO BIBLIOGRÁFICA ................................................................................. 4

3.1 PANORAMA DA BOVINOCULTURA DE CORTE ......................................................... 4

3.2 PREVISÃO ........................................................................................................ 7

3.3 MODELOS DE PREVISÃO .................................................................................... 8

4 MATERIAL E MÉTODOS ................................................................................... 10

4.1 DADOS .......................................................................................................... 10

4.2 ANÁLISES ....................................................................................................... 11

5 RELATÓRIO DE ESTÁGIO ................................................................................ 14

5.1 PLANO DE ESTÁGIO ......................................................................................... 14

5.2 LOCAL DO ESTÁGIO ......................................................................................... 15

5.3 SETOR ........................................................................................................... 15

5.4 ATIVIDADES DESENVOLVIDAS ........................................................................... 16

6 DISCUSSÃO ....................................................................................................... 18

6.1 PREVISÃO PARA DOIS DIAS FUTUROS ................................................................ 20

6.2 PREVISÃO PARA SETE DIAS FUTUROS ................................................................ 22

6.3 PREVISÃO PARA TRINTA DIAS FUTUROS ............................................................. 24

7 CONCLUSÕES ................................................................................................... 27

8 CONSIDERAÇÕES FINAIS ................................................................................ 28

BIBLIOGRAFIA ................................................................................................... 29

x

RESUMO

A bovinocultura de corte tem uma posição proeminente na economia brasileira,

destacando-se como uma das mais importantes atividades do agronegócio nacional

e um dos maiores rebanhos comerciais do mundo. Contudo, apesar do destaque,

necessita de informações ajustadas com a finalidade de elevar ao máximo os seus

lucros, pois, a atividade está atrelada às intempéries ambientais e econômicas. Uma

ferramenta capaz de minimizar as incertezas na comercialização do boi gordo seria

através da previsão eficaz dos preços da arroba do boi gordo. Portanto, o objetivo

principal deste trabalho consiste em testar diferentes modelos de regressão múltipla

para a previsão, em curto e médio prazo, da cotação do preço da arroba do boi

gordo para o estado do Paraná. As variáveis utilizadas foram os preços da arroba de

boi gordo, preços da arroba de vaca gorda, preço do bezerro por cabeça, saca de 60

Kg de milho comum, saca de 60 Kg de soja industrial, quilo vivo de suíno e frango de

corte e a cotação de venda do dólar e do euro. O trabalho gerou três modelos para

previsão de preços da arroba do boi gordo no estado do Paraná, ferramenta de

analise que pode ajudar a reduzir a incerteza em relação ao preço e busca

remuneratória adequada ao produtor, conforme decisão do momento de venda dos

animais.

Palavras-chave: bovinocultura de corte, indicadores agropecuários, previsão

1

1 INTRODUÇÃO

A bovinocultura de corte é condicionada a uma série de fatores biológicos que

estão fortemente relacionados às condições ambientais; toda a cadeia produtiva

sofre com as variações mercadológicas, é influenciada pela instabilidade de preços,

taxas de juros e comportamento cambial; é, portanto, uma atividade que envolve

risco e incertezas.

As inseguranças incidentes sobre o mercado da carne bovina estão

relacionadas ao conjunto de variáveis que ditam o rumo econômico e,

consequentemente, o preço da arroba de boi gordo tem um ponto crítico na

negociação de dois agentes importantes da cadeia, pecuarista e indústria, porém,

reflete em outros elos dessa cadeia. Esta condição pode ser explicada pelo pequeno

número de dados referentes ao custo de produção, subtraindo o quanto é pago pela

arroba do boi gordo e de quanto vale não obtermos uma resposta segura, porque a

informação de quanto é a rentabilidade, em média, da bovinocultura de corte não

está, mas deveria ser nitidamente estabelecida. Neste contexto torna-se relevante o

estudo do preço recebido pelo produtor, o que, por sua vez, induz o emprego de

ferramentas econométricas na determinação do comportamento de produtos ou de

variáveis a elas relacionadas (PINTO, 2008).

A utilização de previsão de preços do boi gordo é uma excelente ferramenta

para a geração de informação e redução de riscos (GAIO, 2007), com a criação de

um instrumento confiável capaz de agrupar dados que são diariamente coletados,

como: preço da saca de soja e milho; em os comparando ao preço do kg de suíno

vivo e frango, com diferentes indicadores que coletam o preço da arroba de boi

gordo, auxiliar-nos-iam na tomada de decisão dos agentes da cadeia produtiva

levando maior segurança na comercialização e reduzir-se-ia a temeridade em

relação ao mercado, reduzindo assim, prejuízos futuros.

2

Diante da representatividade do agronegócio no Brasil torna-se cada vez mais

importante a sofisticação das análises dos preços agropecuários, na tentativa de

profissionalizar o campo; esta é uma preocupação que o Laboratório de Pesquisa

em Bovinocultura da Universidade Federal do Paraná (LAPBOV-UFPR) prima e

vincula, diariamente, aos indicadores de excelência, fazendo o diferencial de

informações inerentes ao estado do Paraná.

3

2 OBJETIVO

O objetivo principal deste trabalho consiste em testar diferentes modelos de

regressão múltipla para a previsão, em curto e médio prazo, da cotação do preço da

arroba do boi gordo para o estado do Paraná.

4

3 REVISÃO BIBLIOGRÁFICA

3.1 PANORAMA DA BOVINOCULTURA DE CORTE

A bovinocultura é um dos principais destaques do agronegócio brasileiro no

cenário mundial. O Brasil é dono do segundo maior rebanho efetivo do mundo e do

maior rebanho comercial do mundo, com cerca de 209 milhões de cabeças. O

Paraná detêm 4,5% deste rebanho, com pouco mais de 9,5 milhões de cabeças,

sendo que o gado de corte conta com um plantel estimado em 6,5 milhões de

cabeças, e a parte restante é atribuída ao gado leiteiro, segundo dados da

Secretaria de Estado da Agricultura e do Abastecimento (2012a).

Considerando a produção brasileira de carnes (bovina, suína e de aves) em

2010, estimada em 24,5 milhões de toneladas, temos que 75% dessa produção são

consumidas no país. Em 2011, o consumo aparente “per capita” de carnes

aumentou em relação ao ano anterior, chegando a 37,4 kg para carne bovina; 43,9

kg de carne de aves e 14,1 kg de carne suína, refletindo o bom desempenho da

economia brasileira. Também as carnes ovina e caprina, assim como a produção de

leite e seus derivados, são consumidos, majoritariamente, no mercado interno

brasileiro (MAPA, 2012a).

O rebanho bovino brasileiro proporciona o desenvolvimento de dois

segmentos lucrativos: as cadeias produtivas da carne e leite. O valor bruto da

produção desses dois segmentos, estimado em R$ 67 bilhões, aliado à presença da

atividade em todos os estados brasileiros, evidenciam a importância econômica e

social da bovinocultura em nosso país (MAPA, 2012b).

Cerca de 80% do rebanho é composto por animais de raças zebuínas (Bos

indicus), que são animais de comprovada rusticidade e adaptação ao ambiente

predominante no Brasil. Dentre estas raças, podemos destacar o Nelore, com 90%

desta parcela. Os zebuínos podem ser encontrados por toda extensão do

território. A região Sul do Brasil é caracterizada por baixas temperaturas e

pastagens de mais alto valor nutritivo, características estas que permitiram aos Bos

5

taurus (animais de raças taurinas), de origem europeia, se adaptarem,

perfeitamente, a este ambiente (ABIEC, 2012b).

O clima tropical e a extensão territorial do Brasil permitem a criação

da maioria do gado em pastagens, e, além disso, o investimento em tecnologia e

capacitação profissional; o desenvolvimento de políticas públicas que permitem que

o animal seja rastreado do seu nascimento até o abate; o controle da sanidade

animal e segurança alimentar contribuíram para que o País atendesse às exigências

dos mercados rigorosos e conquistasse espaço no cenário mundial (MAPA, 2012b).

A grande variedade de sistemas produtivos em um território tão vasto também

reflete na diversificação dos produtos. O Brasil, hoje, pode atender a qualquer

mercado do mundo, sejam nichos específicos, com carnes mais nobres (carne

gourmet ou culinária) até cortes de menor valor, com carne ingrediente que sejam

mais magras ou com maior teor de gordura, sob qualquer demanda de volume

(ABIEC, 2012b).

Em 2011 o Brasil exportou 1,1 milhões de toneladas de carne bovina, 11% a

menos que no comparativo com 2010. A Rússia, mesmo com embargo com alguns

estados, manteve a liderança como principal destino da carne brasileira, com total

de 229 mil toneladas. Na segunda posição, os iranianos importaram 130,4 mil

toneladas de carne bovina e na terceira posição os egípcios negociaram com o

Brasil cerca de 97 mil toneladas. Na Tabela 1, temos os dados da exportação de

carne bovina por produtos (ABIEC, 2012a).

Tabela 1. Exportação de carnes bovinas por produtos em 2011

Produtos (US$ Milhões) Tonelada US$/Ton.

In Natura 4.167,49 819.924,00 5.083,00

Industrializada 643,31 104.322,00 6.167,00

Tripas 271,68 69.621,00 3.902,00

Miúdos 267,35 99.324,00 2.692,00

Salgadas 25,76 4.119,00 6.255,00

Total 5.375,61 1.097.310,00 4.899,00

Fonte: ABIEC (2012)

6

A Figura 1 ilustra a porcentagem da exportação por produto em 2011, os

produtos in natura são claramente os mais exportados, mostrando que o

beneficiamento deste produto é feito no exterior tirando do Brasil um potencial de

possíveis empregos e a rentabilidade do valor diferencial do produto processado.

Figura 1. Porcentagem da exportação de carne bovina por produtos em 2011

Fonte: Baseado nos dados da ABIEC (2012)

Os abates no Paraná se distribuem ao longo do ano todo, embora ocorra um

ligeiro aumento nos meses de abril e maio que coincidem com o início da estiagem e

do frio, quando diminuem a quantidade e a qualidade dos pastos. De acordo com as

estatísticas oficiais que se referem apenas aos abates controlados pelo Serviço de

Inspeção Federal (SIF), em 2011, foram abatidas 939 mil cabeças, totalizando,

aproximadamente, 212 milhões de quilos (SEAB, 2012b).

Segundo o ranking brasileiro de 2010, divulgados pela SEAB (2012b), o

Paraná está em 9º lugar no ranking de abates de bovinos. O Mato Grosso estaria em

1º lugar, seguido de São Paulo, 3º Mato Grosso do Sul, 4º Goiás, 5º Minas Gerais,

6º Pará, 7º Rio Grande do Sul, 8º Roraima.

Segundo dados do Departamento de Economia Rural da Secretaria de Estado

da Agricultura e Abastecimento (SEAB/DERAL, 2012a), o Valor Bruto da Produção

(VBP) da bovinocultura no Paraná, no período 2010, ultrapassou R$ 3,7 bilhões,

0% 6%

9%

10%

75%

EXPORTAÇÃO POR PRODUTOS

Salgadas Tripas Miúdos Industrializadas In Natura

7

correspondendo a 8,53% do Produto Interno Bruto agrícola do Estado. O abate e os

preços apresentaram variação positiva de 16,8% superior ao de 2009. A

comercialização de animais vivos rendeu 33% da renda do setor, com aumento de

35,9% no número de cabeças comercializadas, em comparação com o ano anterior.

Não estão contabilizados os valores agregados no processamento industrial. A

Tabela 2 mostra a produção bovina e o VPB desta atividade no Paraná.

Tabela 2. Bovinocultura: produção, valor bruto da produção e participação relativa no Paraná em 2009 e 2010

Produto Abates/Comercialização

(Milhares)

VBP

(R$ Milhões)

Participação

(%)

2009 2010 Variação 2009 2010 Variação Grupo Total

Bovinos * 1.633,46 1.813,81 10,47% 1.840,52 2.177,19 16,80% 57,59% 4,92%

Garrotes 514,82 573,29 10,76% 386,90 428,41 10,19% 11,33% 0,97%

Bezerros 562,41 664,31 16,65% 326,90 389,80 17,60% 10,31% 0,88%

Novilhas 314,68 398,45 23,60% 224,67 281,49 22,55% 7,45% 0,64%

Vaca Cria 219,71 231,65 5,29% 253,42 256,97 1,39% 6,8% 0,58%

Bezerras 329,45 387,20 16,15% 161,11 182,72 12,59% 4,83% 0,41%

Touros 38,67 28,29 -31,24% 76,61 56,79 -29,93% 1,50% 0,13%

Outros 20,79 36,19 55,46% 6,93 6,85 -1,18% 0,18% 0,02%

Total geral 3.277,06 3.780,24 14,28% 100% 8,53%

*Animais abatidos

Fonte: SEAB/DERAL (2012)

3.2 Previsão

A tentativa de se antecipar às adversidades do mercado é uma estratégia que

possui uma função cada vez mais importante em uma propriedade agropecuária; os

métodos de previsão são usados para planejamento de produção, controle de custos

e para investimento financeiro em projetos. A previsão está no centro da função de

planejamento das organizações, por auxiliar nas tomadas de decisões (MEDEIROS,

2006).

Os modelos de séries temporais, no domínio do tempo, podem ser

empregados para ajuste da série do preço da arroba do boi gordo e,

consequentemente, para previsão de valores futuros (NOGUEIRA, 2000).

8

A previsão fornece uma ferramenta de análise para o mercado e commodities

agrícolas, na medida em que demonstram a tendência dos preços para um horizonte

de curto prazo, servindo de auxílio à tomada de decisão de agentes que

transacionam estas commodities (PINTO, 2008).

3.3 Modelos de previsão

Os modelos são organizados em dois grupos (Quadro 1), um com métodos

qualitativos e outro com métodos quantitativos que são divididos em univariáveis,

aqueles que consideram somente a série temporal em estudo no estabelecimento do

modelo de previsão e outro com modelos multivariados, aqueles que buscam

explicar o comportamento futuro da série em estudo através de análise conjunta de

outras séries temporais. Os modelos de previsão desempenham um papel cada vez

mais importante na função do processo de previsão, esses modelos podem ser

classificados de várias formas, contudo a mais empregada é em relação às

características dos dados (MEDEIROS, 2005).

Os modelos viabilizam uma forma de tornar mínimo o risco da atividade, por

meio da previsão dos preços a serem recebidos pela arroba do boi gordo, portanto a

escolha do melhor modelo de previsão é uma tarefa árdua devido à falta de

consistência entre erros de previsão de uma serie para a outra, pois um erro pode

ser menor em relação a uma delas e maior em relação a outra (ROCHA, 1997).

Os métodos qualitativos dependem exclusivamente do expertise ou feeling dos

previsores, sendo geralmente mais caros e trabalhosos que os métodos

quantitativos de previsão. São ideais para situações onde não há séries históricas

disponíveis e/ou o julgamento humano é imprescindível, sendo desenvolvidas por

meio de pesquisas de mercado, painéis ou reuniões de especialistas no setor. Os

métodos quantitativos dividem-se em dois grupos principais: séries temporais e

modelos causais. As técnicas de séries temporais utilizam dados históricos de

demandas como base para determinação de padrões que podem se repetir no

futuro. Exemplos de técnicas de séries temporais são as médias móveis, o

alisamento exponencial e a decomposição de séries temporais. Já os modelos

causais buscam relacionar as demandas (variável dependente) com outros fatores

9

tais como PIB, inflação, clima, perfil de população, denominadas variáveis

independentes. Para isso são utilizadas técnicas de regressão linear e não-linear

como apresentado por Pacheco (2003) e Medeiros (2006). (PACHECO, 2003); (MEDEIROS,

2006).

10

4 MATERIAL E MÉTODOS

A metodologia utilizada fundamenta-se na construção de um modelo

multivariado de previsão de preços com base em dados de séries temporais. Há

uma grande variedade de modelos aplicáveis a estudos desta natureza. Para os fins

desta pesquisa, optou-se por selecionar o modelo de regressão múltipla.

4.1 Dados

As variáveis utilizadas foram os preços da arroba de boi gordo, preços da

arroba de vaca gorda, preço do bezerro por cabeça, saca de 60 Kg de milho comum,

saca de 60 Kg de soja industrial, do quilo vivo de suíno, do quilo vivo de frango de

corte e a cotação de venda do dólar e do euro conforme a Tabela 3. A base de

dados corresponde aos indicadores de preço coletados, diariamente,

correspondentes ao período entre primeiro de junho de 2009, data da primeira

publicação do indicador do boi gordo e da vaca gorda LAPBOV-UFPR, a 15 de maio

de 2012.

O banco de dados resultante da coleta diária passou por padronização,

mantendo-se apenas os dias onde todos os preços foram observados.

Sequencialmente as variáveis descritas foram deflacionadas pelo Índice Geral de

Preços – Disponibilidade Interna (IGP-DI) mensal, de abril de 2012, com base nos

preços coletados entre os dias 1º e 30 do mês de referência, da Fundação Getúlio

Vargas, com base 100 em dezembro de 2009, por meio da fórmula: Preço Real =

[índice base/índice de cada período] x preço nominal (HOFFMANN, 1991). Assim,

eliminando-se o efeito da inflação, os dados podem ser comparados a qualquer

tempo, evitando que a previsão seja afetada por uma fonte adicional de variação.

11

Tabela 3. Relação de fonte de dados coletados por informante, de acordo com os diferentes indicadores agropecuários

Fonte LAPBOV/UFPR SEAB-PR CEPEA Banco central

Boi gordo (R$/@) X X X

Vaca gorda (R$/@) X X

Bezerro (R$/cabeça) X

Suínos (R$/Kg vivo) X

Frango (R$/Kg vivo) X

Milho (R$/Sc de 60 Kg) X

Soja (R$/Sc de 60 Kg) X

Dólar (Cotação de venda) X

Banco central (Cotação de venda) X

Fonte: O autor (2012)

4.2 Análises

As variáveis foram submetidas a análise de regressão múltipla por mínimos

quadrados ordinários (MQO), este método modela a relação entre uma variável

dependente e muitas variáveis independentes. O preço a vista e deflacionado da

arroba do boi gordo LAPBOV foi a variável dependente do modelo. Os dados foram

analisados no programa STATGRAPHICS versão 15.2.11 (2005), através do Modelo

Linear Generalizado (GLM).

A série de dados da variável, independente, relaciona-se com as outras séries

conforme o período de previsão, portanto, para a previsão de dois dias o preço da

arroba do boi gordo, LAPBOV-UFPR, foi atrasado dois dias em relação às outras

séries de preço e assim para a previsão de uma semana e um mês, este

procedimento possibilita predizer o preço da arroba de boi gordo no futuro através

da relação de preços coletados no presente de outros produtos agropecuários.

A regressão passo-a-passo é uma ferramenta bastante conhecida, utilizada

para verificar quais os melhores preditores para um determinado preditando, levando

em conta apenas a dependência linear entre as variáveis (GUARNIERI, 2006),

porem possui algumas desvantagens conforme a Tabela 4.

12

Tabela 4. Principais vantagens e desvantagens da análise de regressão como método de previsão

Vantagens Desvantagens

Habilidade de relacionar uma variável

dependente simples a uma ou mais

variáveis independentes.

Para prever o valor de Y, valores futuros das

variáveis independentes precisam ser conhecidos.

Habilidade de encontrar possíveis

relações causais que, além de explicar,

também podem produzir o valor da

variável dependente.

Embora seja possível ajustar um modelo causal

usando análise de regressão, é muito difícil confirmar

que um modelo real de causa e efeito tenha sido

identificado.

Fonte: MEDEIROS (2006) (MEDEIROS, 2006)

O caso geral de modelo de regressão múltipla significa que existem várias

variáveis Xi explicativas da variação em outra (Yi). Assim, escreve-se o modelo de

regressão múltipla a k variáveis ou parâmetros:

Yi = β0 + β1 X1i + β2 X2i + ... + βk Xki + εi

Onde:

i = 1,2,…, N β1, β2, ... βk são os coeficientes parciais da regressão. Y = variável a ser prevista ou idependente; β0 = constante; X = variáveis explicativas ou independentes; εi = variável aleatória, é normalmente distribuída com média zero e com variância σ2.

A teoria da Regressão permite que se estabeleçam relações entre variáveis

que se inter-relacionam cujas informações estão disponíveis (dados pré-coletados),

relações às quais se associam os modelos de regressão. Dessa forma, os

economistas e os administradores procuram compreender a natureza e o

funcionamento de sistemas econômicos que são descritos por meio dessas

variáveis. Uma vez estabelecida essa relação pelo modelo de regressão, é preciso

avaliar a confiança que nela se pode colocar, realizando testes estatísticos. Temos

dois tipos básicos de informação a considerar:

13

(1) Informação descrevendo as mudanças assumidas por uma variável

através do tempo (dados de séries temporais)

(2) Informação descrevendo as atividades de pessoas, firmas etc. num dado

instante de tempo (dados de corte transversal)

Para esses dois tipos de informação é possível estabelecer relações que

descrevem as situações observadas por meio de modelos de regressão. Ou seja,

dado um conjunto finito de observações X e Y, por meio do modelo de regressão é

buscado estabelecer relações entre X e Y. Esse conjunto finito de observações

corresponde a uma amostra representativa do universo de informações ou

população, a qual permitiria estabelecer a verdadeira relação entre X e Y (Figura 2).

Figura 2. Relação entre a amostra e a população ou universo de informações


As equações de regressão apresentam cerca de 95% da variação do preço

da arroba de boi gordo sendo explicada pela equação.

Amostra

População (verdadeira relação entre X e Y)

14

5 RELATÓRIO DE ESTÁGIO

5.1 Plano de estágio

- Coleta de dados da pecuária de corte paranaense que possibilitem

caracterizar os fatores que influenciam a formação de preços do boi gordo;

- Levantamento diário de preços de arroba do boi gordo com pecuaristas,

frigoríficos e escritórios de compra e venda de gado de cada uma das mesorregiões

do estado, para que ao final do dia seja divulgado o indicador de preços da arroba

do boi gordo no Estado do Paraná;


caracterizar os fatores que influenciam a formação de preços do bezerro;

- Levantamento semanal de preços do bezerro com leiloeiras localizadas em

todo o Estado do Paraná para que toda semana seja divulgado o Indicador de

preços de bezerro LAPBOV/UFPR;


caracterizar os fatores que influenciam a formação de preços do Novilho Precoce;

- Levantamento semanal de preços do Novilho Precoce com cooperativas,

alianças mercadológicas e associações localizadas em todo o Estado do Paraná

para que toda semana seja divulgado o Indicador de preços do Novilho Precoce

LAPBOV/UFPR;

- Levantamento mensal dos preços dos principais insumos utilizados na

pecuária de corte em estabelecimentos que vendem produtos agropecuários de

cada uma das mesorregiões do estado para que todo mês seja divulgado um

Boletim sobre os Custos de Produção da Pecuária de Corte Paranaense;

- Avaliar as relações de troca entre os preços da arroba do boi gordo, preços

de animais de reposição (boi magro e bezerro) e dos principais insumos utilizados

15

na pecuária de corte do Estado do Paraná para verificar a evolução da rentabilidade

do produtor.

Objetivos: Promover a interação do graduando com atividades voltadas para a

área de Economia Rural, como: formação de preços, composição de custos de

produção e estudos de impacto financeiro e tomadas de decisão dentro da atividade

pecuária.

5.2 Local do estágio

O estágio curricular supervisionado foi realizado no período de 30 de janeiro a

25 de maio de 2012, no Laboratório de Pesquisas em Bovinocultura da Universidade

Federal do Paraná (LAPBOV/UFPR) pertencente ao Departamento de Zootecnia da

UFPR, situado na Rua dos Funcionários, 1540, Setor de Ciências Agrárias da

Universidade Federal do Paraná, Curitiba/PR, sob orientação do Prof. Dr. João

Batista Padilha Junior e supervisão do Prof. Paulo Rossi Junior.

5.3 Setor

O Laboratório de Pesquisas em Bovinocultura tem como objetivo aperfeiçoar

as atividades de ensino e pesquisa da bovinocultura de corte, nutrição de

ruminantes, economia rural e comercialização agropecuária. Foi criado para

aproximar todos os agentes envolvidos com a bovinocultura de corte, tornando-se

um meio de produção, divulgação e transferência de conhecimento, consolidando a

parceria entre Universidades e Instituições privadas, para o desenvolvimento de

diversos projetos. Atualmente, suas atividades vêm se expandindo também para a

suinocultura paranaense através do novo Laboratório de Pesquisas Econômicas em

Suinocultura (LAPESUI).

http://www.lapesui.com.br/web/index.php?pag=noticia&id_noticia=726&id_menu=32

http://www.lapesui.com.br/web/index.php?pag=noticia&id_noticia=726&id_menu=32

16

5.4 Atividades desenvolvidas

No período de estágio participei da formação diária, do Indicador de preços da

arroba do boi gordo e da vaca gorda, dos indicadores semanais de preços do

bezerro, do novilho precoce, da bolsa de fretes, do indicador do kg de suíno vivo, do

indicador de preço de carcaça de suíno e do indicador do preço de varejo do estado

do Paraná. Diariamente eram feitas ligações para os informantes dos projetos

(frigoríficos, pecuaristas, escritórios de compra e venda de animais, leiloeiras, entre

outros) e coletados dados de volume de abate por sexo, preço pago, prazo de

pagamento e se havia ou não sido descontado o imposto CESSR (Contribuição

Especial da Seguridade Social Rural), ex-Funrural.

Para os bezerros e os novilhos precoces eram coletadas também as

informações sobre idade, peso e raça, sempre dados do dia anterior à ligação. Após

coletar todas as informações, os valores eram transformados para valores à vista e

livres do CESSR. Posteriormente, os dados eram analisados em planilha eletrônica

sendo efetuadas as devidas análises estatísticas. Os Indicadores LAPBOV/UFPR

eram então divulgados por meio eletrônico, através do site do Laboratório

(www.lapbov.ufpr.br), juntamente com a divulgação de notícias importantes sobre a

agropecuária paranaense.

Acompanhei ainda a confecção da agenda dos leilões no Paraná, valores de

fretes e estudos para determinação de custos de produção da bovinocultura de corte

paranaense.

Trabalhei na formação da metodologia e na confecção da planilha eletrônica

de análise de dados dos indicadores do kg de suíno vivo, carcaça de suíno, de

preços de cortes suínos, no varejo, bem como, na reformulação da metodologia de

planilhas eletrônicas do indicador da arroba do boi e da vaca gorda.

O Laboratório realiza ainda um trabalho de análise de carcaças bovinas

abatidas na região metropolitana de Curitiba, conta com dados de sexo, idade,

conformação, peso de carcaça quente, acabamento de carcaça, partes

machucadas, partes condenadas desde primeiro de março de 2012, neste projeto

realizei a revisão dos novos dados que são recebidos mensalmente, na inclusão

17

destes no banco de dados, da analise estática mensal e formação dos relatórios que

são enviados mensalmente aos colaboradores. Este projeto possibilitou a

composição de um resumo científico aceito na 49ª Reunião Anual da Sociedade

Brasileira de Zootecnia (SBZ), que acontecerá de 23 a 26 de julho de 2012 em

Brasília.

18

6 RESULTADOS E DISCUSSÃO

A análise de agrupamento ou “cluster analysis” é uma variedade de técnicas e

algoritmos, cujo objetivo é encontrar e separar objetos em grupos similares

(GIMENES, 2003). Os processos de classificação objetivam agrupar as séries em

conjuntos que evidenciem aspectos marcantes da amostra. Assim, dados um

conjunto de observações conhecidas somente por uma listagem de suas

características, objetiva-se encontrar a melhor maneira de descrever seus padrões

de similaridade.

Na Figura 3 o dendograma resultante da classificação de agrupamento,

possibilitou avaliar a relação das variáveis utilizadas na regressão para previsão do

preço da arroba do boi gordo, como esperados os indicadores monetários; ficaram

muito próximos, no mesmo grupo os produtos agropecuários que possuem maior

dependência do câmbio, frango e soja, os indicadores do bezerro e do suíno ficam

mais distantes, cada um deles possui característica particular com sazonalidade

diferente do último grupo, onde ficaram próximos os indicadores de boi gordo e vaca

gorda.

Figura 3. Dendograma da classificação por analise de agrupamento das series de preços do Indicador LAPBOV/UFPR, SEAB, CEPEA e do Banco Central


Dis

tânci

a

Dendograma

Nearest Neighbor Method,Squared Euclidean

0

200

400

600

800

1000

1200

Vaca_G

ord

a_LA

PB

OV

Boi_

Gord

o_C

EP

EA

Boi_

Gord

o_S

P_à_vis

ta

Boi_

Gord

o_S

EA

B

Vaca_G

ord

a_S

EA

B

Milh

o_C

om

um

_S

EA

B

Soja

_In

dustr

ial_

SE

AB

Bezerr

o_C

EP

EA

Suín

o_S

EA

B

Fra

ngo_S

EA

B

Dola

r_B

C

Euro

_B

C

19

As fórmulas de regressões geradas por este trabalho podem ser utilizadas

para o estado do Paraná e para outras regiões, deve ser feita uma nova análise

estatística. Na análise de regressão, um valor de Y não poderá ser legitimamente

estimado, se o valor de X estiver fora do intervalo de valores que serviam de base

para a equação de regressão. Se a predição de Y envolve um resultado que ainda

não ocorreu, os dados históricos que serviram de base para a equação de regressão

podem não ser relevantes para futuros eventos. Uma correlação significante não é,

necessariamente, uma correlação importante.

Tabela 5. Estatística descritiva dos preços do Indicador LAPBOV/UFPR, SEAB, CEPEA e pelo Banco Central, entre julho de 2009 a maio de 2012

Indicadores Média ± DESVPAD Máximo Mínimo

Boi Gordo LAPBOV (R$/@) 93,54 ± 6,67 111,94 83,36

Vaca Gorda LAPBOV (R$/@) 85,63 ± 6,65 103,15 75,05

Boi Gordo CEPEA (R$/@) 99,30 ± 7,84 125,92 85,73

Boi Gordo SP – à vista CEPEA (R$/@) 98,15 ± 8,04 125,16 84,54

Boi Gordo SEAB (R$/@) 93,74 ± 6,46 112,33 84,40

Vaca Gorda SEAB (R$/@) 86,25 ± 6,30 105,66 76,87

Milho Comum SEAB (R$/Sc 60Kg) 20,48 ± 3,21 26,08 14,71

Soja Industrial SEAB (R$/Sc 60Kg) 45,02 ± 5,15 56,36 34,98

Bezerro CEPEA (R$/cabeça) 753,08 ± 34,98 836,83 682,89

Suíno SEAB (R$/Kg vivo) 2,35 ± 0,22 3,15 1,85

Frango SEAB (R$/Kg vivo) 1,80 ± 0,10 2,08 1,59

Dólar BC (cotação de venda) 1,92 ± 0,19 2,41 1,60

Euro BC (cotação de venda) 2,64 ± 0,31 3,36 1,74


A construção dos modelos foi realizada a partir das séries de dados

caracterizado na Tabela 5, ao rodar o GLM no STATGRAPHIC obteve-se os

modelos de previsão para dois, sete e trinta dias, que foram definidos através da

análise dos componentes de variância resultantes de cada um deles,

separadamente.

O primeiro item analisado foi o coeficiente de correlação (ou coeficiente de

correlação múltipla – R2). Esse indicador é útil na interpretação da proporção da

variância considerada em relação às variáveis independentes, portanto, o preço

recebido pela arroba de boi gordo pode ser explicado pelas variáveis independentes

usadas, o que demonstra o bom ajuste entre a variação do preço e as regressões.

20

O próximo item a ser analisado foi a estatística F, que testa a significância do

modelo de regressão. Este, muitas das vezes, associa-se à análise de variância,

(ANOVA) portanto, a significância da regressão, nesse caso, pode ser identificada

através da análise do P-value. As variáveis consideradas representam uma parte

significante da variação em Y (preço da arroba de boi gordo), o P-value mostra que

a variação do preço estão, linearmente, relacionados.

O passo seguinte foi testar os coeficientes individuais de regressão para cada

um dos regressores através da estatística de DW vai de 0 a 4, com um valor

intermediário igual a 2. Muitas vezes, ela não indica auto correlação pura, mas sim,

um viés de especificação ou um efeito ARCH que comumente é apresentado em

previsões de séries temporais financeiras (MEDEIROS, 2006). A auto correlação

pode ser causada pela volatilidade do mercado financeiro.

As equações de regressão apresentam cerca de 95% da variação do preço

da arroba de boi gordo, portanto pode ser explicada pela equação o preço predito.

6.1 Previsão para dois dias futuros

Ao executar o GLM do STATGRAPHIC , a equação de regressão obtida foi a

seguinte:

Y = – 39,62 + 0,087*X1 + 0,39*X2 – 0,654*X3 + 0,64*X4 + 1,85*X5 – 0,17*X6 +

0,05*X7 – 0,01*X8 – 0,64*X9 – 1,63*X10 – 1,78*X11 + 0,01*X12 – 0,01*X13

Onde:

Y = Preço previsto da arroba do boi gordo

LAPBOV-UFPR

X1 = Vaca Gorda LAPBOV (R$/@) X2 = Boi Gordo CEPEA (R$/@) X3 = Boi Gordo SP à vista CEPEA (R$/@) X4 = Boi Gordo SEAB (R$/@) X5 = Vaca Gorda SEAB (R$/@) X6 = Milho Comum SEAB (Saca 60Kg)

X7 = Soja Industrial SEAB (Saca 60Kg) X8 = Bezerro CEPEA (R$/cabeça) X9 = Suíno SEAB (R$/Kg vivo) X10 = Dólar BC (cotação de venda) X11 = Euro BC (cotação de venda) X12 = (Boi Gordo SP à vista)^2 (R$/@) X13 = (Vaca Gorda SEAB)^2 (R$/@)

21

No caso da equação para dois dias futuros, o coeficiente de correlação

múltipla – R2 foi 98,38% com um erro médio igual a 0,8552, para chegar neste ajuste

observou-se um comportamento quadrático das séries do preço da Vaca Gorda

SEAB e Boi Gordo SP à vista CEPEA, e todas as variáveis tiveram significância na

regressão, nesse caso, pode ser identificada através da análise do P-value conforme

observado na Tabela 6, o valor do DW encontrado foi de 1,1396, indicando que os

erros são aleatórios.

Tabela 6. Soma de quadrados para o modelo de regressão múltipla para dois dias futuros

Fonte Soma de Quadrados

GL Quadrado médio

F-Ratio P

Vaca Gorda LAPBOV (R$/@) 5,36 1 5,36 7,33 0,0068

Boi Gordo CEPEA (R$/@) 8,72 1 8,72 11,92 0,0006

Boi Gordo SP à vista CEPEA (R$/@) 7,59 1 7,59 10,38 0,0013

Boi Gordo SEAB (R$/@) 104,59 1 104,59 142,99 0,0000

Vaca Gorda SEAB (R$/@) 23,12 1 23,12 31,61 0,0000

Milho Comum SEAB (R$/Sc 60Kg) 26,13 1 26,13 35,72 0,0000

Soja Industrial SEAB (R$/Sc 60Kg) 10,26 1 10,26 14,03 0,0002

Bezerro CEPEA (R$/cabeça) 5,02 1 5,02 6,87 0,0088

Suíno SEAB (R$/Kg vivo) 5,03 1 5,03 6,87 0,0087

Dólar BC (cotação de venda) 5,39 1 5,39 7,38 0,0066

Euro BC (cotação de venda) 24,48 1 24,48 33,47 0,0000

(Boi Gordo SP à vista)^2 R$/@) 5,30 1 5,30 7,25 0,0071

(Vaca Gorda SEAB)^2 R$/@) 24,49 1 24,49 33,47 0,0000

Residual 494,48 676 0,73

Total 30597,20 689


Os dados preditos resultantes do modelo de previsão de dois dias obtiveram

baixa variação em relação aos valores observados conforme a Figura 4, este

comportamento pode ser explicado devido ao pequeno período de previsão, ou seja,

o mercado em dois dias não sofre uma queda ou uma alta brusca de preços,

tornando a previsão, por análise de regressão múltipla, para este período, segura.

22

Figura 4. Gráfico dos valores observados do preço da arroba do boi gordo LAPBOV versus preditos pela fórmula de previsão para dois dias futuros


6.2 Previsão para sete dias futuros


seguinte:

Y = – 195,59 + 0,10*X1 + 0,42*X2 – 1,51*X3 + 6,70*X4 – 0,19*X5 + 0,039*X6 –

0,01*X7 + 2,71*X8 – 5,10*X9 – 1,75*X10 + 0,015*X11 – 0,03*X12

Onde:

Y = Preço previsto da arroba do boi gordo LAPBOV-UFPR

X1 = Vaca Gorda LAPBOV (R$/@) X2 = Boi Gordo CEPEA (R$/@) X3 = Boi Gordo SP à vista CEPEA (R$/@) X4 = Boi Gordo SEAB (R$/@) X5 = Milho Comum SEAB (Saca 60Kg) X6 = Soja Industrial SEAB (Saca 60Kg) X7 = Bezerro CEPEA (R$/cabeça) X8 = Frango SEAB (R$/Kg vivo) X9 = Dólar BC (cotação de venda) X10 = Euro BC (cotação de venda) X11 = (Boi Gordo SP à vista)^2 (R$/@) X12 = (Boi Gordo SEAB)^2 (R$/@)

Plot of Boi_Gordo_LAPBOV_UFPR_Atrasado

83 88 93 98 103 108 113

predicted

83

88

93

98

103

108

113o

bserv

ed

Plotagem do preço da arroba do boi gordo

LAPBOV-UFPR o

bse

rva

do

predito

23

A equação para sete dias futuros obteve o coeficiente de correlação múltipla –

R2 de 97,01% com um erro médio igual a 1,1645, para se chegar neste ajuste

observou-se um comportamento quadrático das séries do preço do Boi Gordo SEAB

e Boi Gordo SP à vista CEPEA, as variáveis Vaca Gorda SEAB e Suíno SEAB não

tiveram significância na regressão, nesse caso, o P-value das outras variáveis que

tiveram significância para este modelo podem ser identificados na Tabela 7, o valor

do DW encontrado foi de 0,5998, mostra um indicativo de auto correlação positiva,

nos resíduos.

Tabela 7. Soma de quadrados para o modelo de regressão múltipla para sete dias futuros

Fonte Soma de Quadrado

GL Quadrado Médio

F-Ratio P


Boi Gordo CEPEA (R$/@) 10,11 1 10,11 7,45 0,0063


Boi Gordo SEAB (R$/@) 202,74 1 202,74 149,47 0,0000




Frango SEAB (R$/Kg vivo) 8,37 1 8,37 6,17 0,0130



(Boi Gordo SP à vista)^2 (R$/@) 44,16 1 44,16 32,55 0,0000

(Boi Gordo SEAB)^2 (R$/@) 200,78 1 200,78 148,02 0,0000

Residual 911,50 672 1,36

Total 30424,70 684


Os dados preditos resultantes do modelo de previsão de sete dias como no

modelo de dois dias também obteve baixa variação em relação aos valores

observados, porém, começa a indicar que em altas de preços da arroba de boi

gordo, o valor predito começa a se distanciar do observado conforme a Figura 5, isto

pode estar relacionado ao curto período em que o preço da arroba do boi gordo

permanece em alta, o que ocorre no período de entressafra, nos meses de inverno,

dificultando a previsão desse período, tornando importante um conhecimento prévio

24

da série de preço da arroba, para se arbitrar se os valores preditos estão de acordo

com a tendência do mercado.

Figura 5. Gráfico dos valores observados do preço da arroba do boi gordo LAPBOV versus preditos pela fórmula de previsão para sete dias futuros


6.3 Previsão para trinta dias futuros


seguinte:

Y = – 420,19 + 0,29*X1 + 3,21*X2 + 1,19*X3 – 1,32*X4 + 0,40*X5 + 0,33*X6 +

0,22*X7 + 1,01*X8 – 45,50*X9 – 10,10*X10 – 2,65*X11 – 0,018*X12 –

0,001*X13 + 10,423*X14

Plot of Boi_Gordo_LAPBOV_UFPR_Real_atras

82 87 92 97 102 107 112

predicted

82

87

92

97

102

107

112

observ

ed


LAPBOV-UFPR

ob

se

rva

do

predito

25

Onde:

Y = Preço previsto da arroba do boi gordo LAPBOV-UFPR X1 = Vaca Gorda LAPBOV (R$/@) X2 = Boi Gordo CEPEA (R$/@) X3 = Boi Gordo SP à vista CEPEA (R$/@) X4 = Boi Gordo SEAB (R$/@) X5 = Vaca Gorda SEAB (R$/@) X6 = Milho Comum SEAB (Saca 60Kg) X7 = Soja Industrial SEAB (Saca 60Kg)

X8 = Bezerro CEPEA (R$/cabeça) X9 = Suíno SEAB (R$/Kg vivo) X10 = Dólar BC (cotação de venda) X11 = Euro BC (cotação de venda) X12 = (Boi Gordo CEPEA)^2 (R$/@) X13 = (Bezerro CEPEA)^2 (R$/cabeça)

X14 = (Suíno SEAB)^2 (R$/Kg vivo)

A equação para trinta dias futuros, o coeficiente de correlação múltipla – R2 foi

89,16% com um Erro médio igual a 2,2188, para se chegar neste ajuste, observou-

se um comportamento quadrático das séries do preço do Boi Gordo CEPEA,

Bezerro CEPEA e Suíno SEAB, a variável Frango SEAB não teve significância na

regressão, nesse caso, o P-value das outras variáveis que tiveram significância para

este modelo podem ser identificados na Tabela 8, o valor do DW encontrado foi de

0,2984, mostra um indicativo de auto correlação positiva nos resíduos.

Tabela 8. Soma de quadrados para o modelo de regressão múltipla para trinta dias futuros

Fonte Soma de Quadrados

GL Quadrado Médio

F-Ratio P


Boi Gordo CEPEA (R$/@) 258,33 1 258,33 52,47 0,0000


Boi Gordo SEAB (R$/@) 430,34 1 430,34 87,41 0,0000

Vaca Gorda SEAB (R$/@) 46,26 1 46,26 9,40 0,0022




Suíno SEAB (R$/Kg vivo) 234,32 1 234,32 47,59 0,0000



(Boi Gordo CEPEA)^2 (R$/@) 659,46 1 659,46 133,94 0,0000

(Bezerro CEPEA)^2 (R$/cabeça) 288,72 1 288,72 58,64 0,0000

(Suíno SEAB)^2 (R$/@) 279,79 1 279,79 56,83 0,0000

Residual 3229,71 656 4,92335

Total 29798,01 670


26

O modelo de previsão de trinta dias indica que os preços altos observados da

arroba de boi gordo começaram a se distanciar dos preditos, conforme a Figura 6,

isto pode estar relacionado ao médio prazo de previsão, conforme discutido no item

6.2, eles ocorrem no período de entressafra somado a dificuldade de realizar com

uma boa precisão valores preditos, em um mês de previsão futura.

Figura 6. Gráfico dos valores observados do preço da arroba do boi gordo LAPBOV versus preditos pela fórmula de previsão para trinta dias futuros


Plot of Boi_Gordo_LAPBOV_UFPR_Real

81 91 101 111 121

predicted

81

91

101

111

121

observ

ed


LAPBOV-UFPR

ob

se

rva

do

predito

27

7 CONCLUSÕES

O trabalho gerou três modelos para previsão de preços da arroba do boi

gordo do estado do Paraná, eficientes e que podem ajudar a reduzir o risco em

relação ao preço, buscando remunerar, adequadamente, o produtor, conforme a

decisão do momento da venda dos animais.

O modelo definiu as variáveis que deveriam ser usadas conforme o tempo de

previsão. Medidas alternativas poderão ser adaptadas para viabilizar seu uso

comercialmente, reduzindo gastos e tempo.

A partir deste trabalho, sugere-se a utilização desta metodologia pelo

LAPBOV/UFPR, ela disponibiliza uma nova informação para a cadeia produtiva da

bovinocultura de corte paranaense, uma vez que mostrou-se hábil na previsão de

preços. Os preços previstos podem servir de balizador para verificar as informações

coletadas, diariamente, pelo laboratório.

28

8 CONSIDERAÇÕES FINAIS

O estágio supervisionado no LAPBOV me fez aprender muito sobre diversos

aspectos da bovinocultura de corte e suas principais particularidades em relação ao

mercado. Todos os conhecimentos relacionados à zootecnia acumulados ao longo

do período de aprendizagem serviram de ferramenta para obter um bom

desempenho durante o estágio e compreender as especificidades da pecuária de

corte.

Esta experiência me fez visualizar as possibilidades de inserção no mercado

de trabalho e solidificar os conceitos necessários para o bom desempenho

profissional.

29

REFERÊNCIAS

ABIEC (Associação Brasileira das Indústrias Exportadoras de Carnes). Exportações Brasileiras de Carne Bovina. Disponível em <http://www.abiec.com.br/download /2011_Site%20total.pdf > Acesso em: 27 de maio de 2012a.

______. Pecuária Brasileira. Disponível em < http://www.abiec.com.br/ 3_pecuaria.asp#> Acesso em: 27 de maio de 2012b.

GAIO, L. E. Pevisão de preço futuro do boi gordo na BM&F: Uma comparação entre modelos de séries temporais e redes neurais. Organizações Rurais & Agroindustriais, Lavras, v. 9, n. 2, p. 272-288, 2007.

GIMENES, F. M. P. Reflexões sobre uma proposta de integração assimétrica alca – mercosul pela análise de cluster. VIII Congreso Internacional de Costos, 2003.

GUARNIERI, R. A. Emprego de redes neurais artificiais e regressão linear múltipla no refinamento das previsões de radiação solar do modelo ETA. Instituto Nacional de PEsquisas Espaciais. [S.l.]. 2006.

HOFFMANN, R. Estatística para economistas. 2ª Edição - Revista e ampliada. ed. [S.l.]: Biblioteca Pioneiora de Ciências sociais, 1991. 426 p.

MEDEIROS, A. L. Modelagem da equação de previsão do preço da arroba de boi gordo através da regressão linear múltipla. XII SIMPEP, 2005.

MEDEIROS, A. L. Regressão múltipla e o modelo arima na previsão do preço da arroba do boi gordo. Universidade Federal de Itajubá. [S.l.], p. 124. 2006.

MAPA (Ministério da Agricultura, Pecuária e Abastecimento). Mercado Interno. Disponível em < http://www.agricultura.gov.br/animal/mercado-interno > Acesso em: 27 de maio de 2012a.

______. Bovinos e Bubalinos. Disponível em < http://www.agricultura.gov.br/ animal/especies/ bovinos-e-bubalinos> Acesso em: 27 de maio de 2012b.

NOGUEIRA, D. A. Previsão de prços na bovinocultura de corte. Revista de Administração da UFLA, v. 2, p. 22-31, 2000.

PACHECO, R. F. Aplicação de modelos quantitativos de previsão em uma empresa de transporte ferroviário. XXIII Encontro Nac. de Eng. de Produção, out 2003.

PINTO, P. A. L. D. A. Aplicação do modelo de ARIMA à previsão do preço das commodities agrícolas brasileiras. Sociedade Brasileira de Economia, Administração e Sociologia Rural, 2008.

ROCHA, E. C. D. Métodos automaticos de previsão para series temporais multivariadas. Revista Brasileira de Estatistica, v. 58, p. 105-146, 1997.

SEAB/DERAL (Departamento de Economia Rural da Secretária de Estado da Agricultura e do Abastecimento do Paraná). Valor Bruto da Produção 2010.

30

Disponível em <http://www.agricultura.pr.gov.br/arquivos/File/deral/ vbp_2010.pdf > Acesso em: 27 de maio de 2012a.

______. Números da pecuária paranaense. Disponível em < http://www.agricultura.pr. gov.br/arquivos/File/ deral/nppr.pdf> Acesso em: 27 de maio de 2012b.

universidade federal do paranÁ curso de zootecnia giuliano talys de … · 2016-10-06 · prof....

Documents