Previsão de preço de alimentos utilizando o método ARIMA e inteligência artificial
DOI:
https://doi.org/10.14488/1676-1901.v23i1.4869Palavras-chave:
Previsão de Preço, Alimentos, Cenoura, ARIMA, RNAResumo
A previsão dos preços dos alimentos desempenha um papel essencial na gestão da segurança alimentar, uma vez que permite aos governos e às empresas planejarem a oferta e procura, com o objetivo de prevenir instabilidade no mercado e assegurar a população tenha acesso aos alimentos. Uma forma considerada eficaz de obter previsões dos preços dos alimentos é por meio da aplicação de métodos de análise de séries temporais, como o modelo Autoregressive Integrated Moving Average (ARIMA), juntamente com técnicas de inteligência artificial. Neste artigo foi realizado uma previsão de preços pagos a produtores pela hortaliça cenoura na cidade de Caxias do Sul, tendo como base de dados o histórico das cotações de 2016 a 2021. Foi verificado também, uma possível relação entre os índices pluviométricos da região e a variação no preço do legume por meio dos métodos de correlação de Pearson e Spearman. Para realizar as previsões foram utilizados dois métodos o (ARIMA) e Redes Neurais Artificiais (RNA). A assertividade das previsões foi mensurada por meio de dois erros: Erro Percentual Absoluto Médio (MAPE) e Erro Médio Absoluto (MAE). Na comparação entre as previsões o método de inteligência artificial RNA se mostrou mais confiável com MAPE de 13,95% enquanto que o ARIMA obteve uma acuracidade de 21,75% nas previsões dos preços de 2021.
Downloads
Referências
ALVES, G. R.; TEIXEIRA, I. R.; MELO, F. R.; SOUZA, R. T. G.; SILVA, A. G. Estimating soybean yields with artificial neural networks. Acta Scientiarum. Agronomy, 40.Estimating soybean yields with artificial neural networks. Acta Scientiarum. Agronomy, v. 40, p. e35250, 2018. DOI: https://doi.org/10.4025/actasciagron.v40i1.35250
BRASIL. Ministério da Agricultura, Pecuária e Abastecimento (MAPA). Projeções do Agronegócio: Brasil 2012/2013 a 2022/2023. Ministério da Agricultura, Pecuária e Abastecimento. Assessoria de Gestão Estratégica. Brasília: Mapa/ ACS, 2013. 96 p. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/todas-publicacoes-de-politica-agricola/projecoes-do-agronegocio/projecoes-do-agronegocio-brasil-2012-2013-a-2022-2023.pdf/view. Acesso em: 27 maio.2023.
CAMELO, H. D. N.; LUCIO, P. S.; LEAL, J. B. V.; DE CARVALHO, P. C. M. Métodos de previsão de séries temporais e modelagem híbrida ambos aplicados em médias mensais de velocidade do vento para regiões do Nordeste do Brasil. Revista Brasileira de Meteorologia, v. 32, p. 565-574, 2017. DOI. https://doi.org/10.1590/0102-7786324005
CAMPOS, P. A. C.; CLEMENTE, A.; DE CORDEIRO, A. A. L. Aplicação do modelo ARIMA para previsão do preço do frango inteiro resfriado no grande atacado do estado de São Paulo. In: CONGRESSO BRASILEIRO DE CUSTOS, 2006, Belo Horizonte, 12., Anais [...]. Belo Horizonte: Associação Brasileira de Custos, 2006. p. 1-16.
CARDOSO, C. A. V.; CRUZ, G. L. Forecasting Natural Gas Consumption using ARIMA Models and Artificial Neural Networks. Ieee Latin America Transactions, v. 14, n. 5, p. 2233-2238, 2016. Institute of Electrical and Electronics Engineers (IEEE). DOI: http://dx.doi.org/10.1109/tla.2016.7530418.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. Boletim do PIB do Agronegócio 2022. Disponível em: https://www.cnabrasil.org.br/publicacoes/apos-alcancar-patamar-recorde-em-2021-pib-do-agronegocio-recua-4-22-em-2022. Acesso em: 25 de abr. 2023.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. Pib do agronegócio alcança participação de 26,6% no Pib brasileiro em 2020. [S.I]: Cepea, 2021. 18 p.
SILVA, D. R.; DOMINGUEZ, D. S.; AMBROSIO, P. E.; IGLESIAS, S. M. Método híbrido de redes neurais e modelo ARIMA na previsão do custo da cesta básica na cidade de Ilhéus. Revista Mundi Engenharia, Tecnologia e Gestão, v. 4, n. 3, 2019.
DAL BO, G.; CORSO, L. L. Aplicação de aprendizado de máquina para aumento de precisão de um sistema automatizado de nutrição de suínos. Revista Produção Online, v. 22, n. 1, p. 2428-2451, 2022. DOI: http://dx.doi.org/10.14488/1676-1901.v22i1.4586. Disponível em: https://www.producaoonline.org.br/rpo/article/view/4586. Acesso em: 13 maio. 2023.
ALMEIDA CUNHA, A. R. A.; BELIK, W. A produção agrícola e a atuação das Centrais de Abastecimento no Brasil. Segurança Alimentar e Nutricional, v. 19, n. 1, p. 46-59, 2012.
LIMA, D.; CORSO, L. L. Aplicação de Inteligência Artificial e Modelos Matemáticos para Previsão de Demanda em uma indústria do ramo plástico. Scientia cum Industria, Caxias do Sul, v. 8, n. 2, p. 24-29, 2020.
OLIVEIRA, E. F. T.; ALVES, B. H. Cosseno de Salton, Índice de Jaccard e Correlação de Pearson: comparando índices normalizados e absolutos em análise de cocitação de autores. Em Questão, v. 23, p. 235, 27 jan. 2017. DOI. http://dx.doi.org/10.19132/1808-5245230.235-253
SOUZA, W. M.; RIBEIRO, A. J. A.; DA SILVA, C. A. U. Uma abordagem alternava para obtenção da classificação de solos da AASHTO usando redes neurais arficiais. Transportes, v. 1, n. 1, p. 41-54, abr. 2021. Disponível em: https://www.revistatransportes.org.br/anpet/article/view/2176/877. Acesso em: 03 dez. 2021.
FOOD AND AGRICULTURE ORGANIZATIONS OF THE UNITED NATIONS – FAO DATABASE. Disponível em: https://www.fao.org/documents/card/en/c/eb978434-dac0-4cd0-bcb3-f1f6f01. Acesso em: 13 maio. 2023.
FOOD AND AGRICULTURE ORGANIZATIONS OF THE UNITED NATIONS – FAO DATABASE. Disponível em: http://aguasdobrasil.org/downloads/pdf/Revista-Aguas-do-Brasil-12.pdf. Acesso em: 13 maio. 2023.
FRACALOSSI, M. R. Covid-19 e medidas legais de distanciamento social: tipologia de políticas estaduais e análise do período de 13 a 26 de abril de 2020. Nota Técnica nº18, abril de 2020. Instituto de Pesquisa Econômica Aplicada – IPEA. Disponível em: https://portalantigo.ipea.gov.br/agencia/images/stories/PDFs/nota_tecnica/200429_nt18_covid-19.pdf. Acesso em: 27 maio. 2023.
GOLMOHAMMADI, A.; HASSINI, E. Capacity, pricing and production under supply and demand uncertainties with an application in agriculture. European Journal Of Operational Research, v. 275, n. 3, p. 1037-1049, 2019 . DOI: http://dx.doi.org/10.1016/j.ejor.2018.12.027
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. A review of the use of convolutional neural networks in agriculture. The Journal Of Agricultural Science, p. 312-322.
LIMA JUNIOR, J. A.; PEREIRA, G. M.; GEISENHOFF, L. O.; SILVA, W. G. D.; VILAS BOAS, R. C., SOUZA, R. J. D. Desempenho de cultivares de cenoura em função da água no solo. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 16, p. 514-520, 2012.
LUCENA, J.; SOUZA, B. I.; MOURA, M.; DE OLIVEIRA LIMA, J. Análise da variabilidade da precipitação pluviométrica como subsídio para o planejamento agrícola em Caicó/RN. Revista Brasileira de Climatologia, v. 10, n. 8, p. 1-15, jun. 2012.
LUDOVICO, S. N.; SALGADO, R. M.; BEIJO, L. A.; MIGUEL, E. C.; REZENDE, M. L. Agricultural commodity price prediction via machine learning algorithms. Sigmae, v. 11, n. 2, p. 45-69, jan. 2023.
MILANI, C. R. Solidariedade e Interesse: Motivações e Estratégias Na Cooperação Internacional Para o Desenvolvimento. 1 ed. Curitiba, PR: Appris, 2018.
MONTOYA, M. A.; FINAMORE, E. B. Os recursos hídricos no agronegócio brasileiro: uma análise insumo-produto do uso, consumo, eficiência e intensidade. Centro de Pesquisa e Extensão da Feac, Passo Fundo, v. 1, n. 1, p. 1-22, out. 2019.
OLIVEIRA, A. A.; SIQUEIRA, P. H.; NISGOSKI, S.; MUNIZ, G. B. D.; FERREIRA, J. H. Identificação de madeiras utilizando a espectrometria no infravermelho próximo e redes neurais artificiais. TEMA, São Carlos-SP, v. 16, p. 81-95, 2015. DOI: https://dx.doi.org/10.5540/tema.2015.016.02.0081
PARISOTO, G. J.; GUIMARÃES, V. D. A. Análise da cadeia da cenoura: um estudo de caso no estado do paraná. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE ECONOMIA, ADMINISTRAÇÃO E SOCIOLOGIA RURAL, 57., 2019, Ilhéus. Biodiversidade, Meio Ambiente e Desenvolvimento Sustentável. [S.L.]: Editora Conhecimento Livre, 2020. p. 1-19.
PAULUS, D.; MOURA, C. D. A.; SANTIN, A.; DALHEM, A. R.; NAVA, G. A.; RAMOS, C. E. Produção e aceitabilidade de cenoura sob cultivo orgânico no inverno e no verão. Horticultura Brasileira, v. 30, n. 3, p. 446-452, set. 2012. DOI: http://dx.doi.org/10.1590/s0102-05362012000300015
PEROBELLI, F. S.; BETARELLI, A. A.; VALE, V. D. A.; CUNHA, R. G. Impactos Econômicos do Aumento das Exportações Brasileiras de Produtos Agrícolas e Agroindustriais para Diferentes Destinos. Revista de Economia e Sociologia Rural, v. 55, n. 2, p. 343-366, 2017. DOI: http://dx.doi.org/10.1590/1234-56781806-94790550208
PRAVEEN, B.; SHARMA, P. Climate variability and its impacts on agriculture production and future prediction using autoregressive integrated moving average method (ARIMA). Wiley, v. 156, n. 3, p. 1-12, 2019.
PUCHALSKY, W.; RIBEIRO, G. T.; DA VEIGA, C. P.; FREIRE, R. Z.; DOS SANTOS COELHO, L. Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal Of Production Economics, p. 174-189, 2018. Disponível em: www.elsevier.com/locate/ijpe. Acesso em: 14 abr. 2021.
RUBY-FIGUEROA, R.; SAAVEDRA, J.; BAHAMONDE, N.; CASSANO, A. Permeate flux prediction in the ultrafiltration of fruit juices by ARIMA models. Journal Of Membrane Science, v. 524, p. 108-116, fev. 2017. DOI: http://dx.doi.org/10.1016/j.memsci.2016.11.034
SCHABARUM, J. C.; TRICHES, R. M. Aquisição de Produtos da Agricultura Familiar em Municípios Paranaenses: análise dos produtos comercializados e dos preços praticados. Revista de Economia e Sociologia Rural, v. 57, n. 1, p. 49-62.2019. DOI: http://dx.doi.org/10.1590/1234-56781806-94790570103
SINGH, V. K.; RAJANNA, G. A.; PARAMESHA, V.; UPADHYAY, P. K. Agricultural Water Footprint and Precision Management. Sustainable Agriculture Systems and Technologies, p. 251-266, 2022. DOI: https://doi.org/10.1002/9781119808565.ch11
SZNITOWSKI, A. M. Fontes de conhecimento/tecnologia para o agronegócio da soja em Mato Grosso. Revista UNEMAT de Contabilidade, v. 6, n. 11, 2017.
TAYLOR, D. H. Demand management in agri‐food supply chains. The International Journal Of Logistics Management, v. 17, n. 2, p. 163-186, DOI: http://dx.doi.org/10.1108/09574090610689943
THIELE, C. C.; ADAMI, A. G. Previsão de séries temporais financeiras: modelo baseado em redes neurais artificiais. Revista Brasileira de Computação Aplicada, v. 8, n. 2, p. 113, 1, 2016. DOI: http://dx.doi.org/10.5335/rbca.v8i2.5638
ONU. Disponível em: https://brasil.un.org/pt-br/114718-onu-17-de-todos-os-alimentos-dispon%C3%ADveis-para-consumo-s%C3%A3o-desperdi%C3%A7ados. Acesso em: 12 maio. 2023.
VARGAS, V. B.; CORSO, L.; VALLEJOS, R. V. Markov chains to determine the probability of climate change for planting selection in the city of Caxias do Sul. Ciência Rural, v. 52, n. 4, p. 1-7, 2021.
WANG, W.; CHEN, Y.; BECKER, S.; LIU, B. Linear trend detection in serially dependent hydrometeorological data based on a variance correction Spearman rho method. Water, v. 7, n. 12, p. 7045-7065, 2015 DOI: http://dx.doi.org/10.3390/w7126673
WORLD WATER COUNCIL. Disponível em: https://www.worldwatercouncil.org/en/daegu-gyeongbuk-2015. Acesso em: 12 maio. 2023.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Revista Produção Online
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.
