universidade federal do paranÁ curso de zootecnia giuliano talys de … · 2016-10-06 · prof....
TRANSCRIPT
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
GIULIANO TALYS DE OLIVEIRA
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
GIULIANO TALYS DE OLIVEIRA
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
Figura 5. Gráfico dos valores observados do preço da arroba do boi gordo
LAPBOV versus predito pela fórmula de previsão para sete dias
futuros. ..................................................................................................... 24
Figura 6. Gráfico dos valores observados do preço da arroba do boi gordo
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
Fonte: O autor (2012)
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;
- Coleta de dados da pecuária de corte paranaense que possibilitem
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;
- Coleta de dados da pecuária de corte paranaense que possibilitem
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).
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
Fonte: O autor (2012)
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
Fonte: O autor (2012)
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
Fonte: O autor (2012)
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
Fonte: O autor (2012)
6.2 Previsão para sete dias futuros
Ao executar o GLM do STATGRAPHIC , a equação de regressão obtida foi a
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
Vaca Gorda LAPBOV (R$/@) 8,30 1 8,30 6,12 0,0134
Boi Gordo CEPEA (R$/@) 10,11 1 10,11 7,45 0,0063
Boi Gordo SP à vista CEPEA (R$/@) 33,79 1 33,79 24,91 0,0000
Boi Gordo SEAB (R$/@) 202,74 1 202,74 149,47 0,0000
Milho Comum SEAB (R$/Sc 60Kg) 30,39 1 30,39 22,41 0,0000
Soja Industrial SEAB (R$/Sc 60Kg) 6,36 1 6,36 4,69 0,0303
Bezerro CEPEA (R$/cabeça) 9,59 1 9,59 7,07 0,0078
Frango SEAB (R$/Kg vivo) 8,37 1 8,37 6,17 0,0130
Dólar BC (cotação de venda) 56,54 1 56,54 41,68 0,0000
Euro BC (cotação de venda) 13,69 1 13,69 10,10 0,0015
(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
Fonte: O autor (2012)
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
Fonte: O autor (2012)
6.3 Previsão para trinta dias futuros
Ao executar o GLM do STATGRAPHIC , a equação de regressão obtida foi a
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
Plotagem do preço da arroba do boi gordo
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
Vaca Gorda LAPBOV (R$/@) 62,40 1 62,40 12,68 0,0004
Boi Gordo CEPEA (R$/@) 258,33 1 258,33 52,47 0,0000
Boi Gordo SP à vista CEPEA (R$/@) 84,96 1 84,96 17,26 0,0000
Boi Gordo SEAB (R$/@) 430,34 1 430,34 87,41 0,0000
Vaca Gorda SEAB (R$/@) 46,26 1 46,26 9,40 0,0022
Milho Comum SEAB (R$/Sc 60Kg) 87,11 1 87,11 17,69 0,0000
Soja Industrial SEAB (R$/Sc 60Kg) 181,13 1 181,13 36,79 0,0000
Bezerro CEPEA (R$/cabeça) 280,42 1 280,42 56,96 0,0000
Suíno SEAB (R$/Kg vivo) 234,32 1 234,32 47,59 0,0000
Dólar BC (cotação de venda) 216,95 1 216,95 44,07 0,0000
Euro BC (cotação de venda) 47,10 1 47,10 9,57 0,0020
(Boi Gordo CEPEA)^2 (R$/@) 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
Fonte: O autor (2012)
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
Fonte: O autor (2012)
Plot of Boi_Gordo_LAPBOV_UFPR_Real
81 91 101 111 121
predicted
81
91
101
111
121
observ
ed
Plotagem do preço da arroba do boi gordo
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.