XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia Niterói, RJ, Brasil, 19-22 de outubro de 2009 Perspectiva de Produtividade Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o Ano de 2015 1 Diogo da Rocha Vargas, 1Ednilton Tavares de Andrade, 1Ivenio Moreira da Silva, 1Danielle Oliveira de Andrade, 1Leandro Gonçalves Dias 1 Escola de Engenharia - Universidade Federal Fluminense (UFF) Niterói, RJ, Brasil [email protected] m, [email protected], [email protected], [email protected] RESUMO Neste artigo desenvolveu-se o estudo da perspectiva de produção agrícola da região leste fluminense, pois com a instalação do Complexo Petroquímico na região ocorrerá transformação de grande representatividade. Utilizando o software GRETL, foi feita a previsão de produtividade agrícola dos municípios da região que abrangendo os seguintes municípios: Cachoeiras de Macacu, Guapimirim, Itaboraí, Rio Bonito, São Gonçalo e Tanguá. Cada município citado se destaca pela produção de determinada cultura, observando–se no presente estudo que algumas espécies cultivadas terão crescimento significativo enquanto outras manterão seu nível de produção. Palavras-Chave: Produtividade agrícola. Previsão. 1. INTRODUÇÃO Com um grande empreendimento chegando à região leste da Baía de Guanabara, no Estado do Rio de Janeiro, tal região têm se tornado tema de diversos estudos. Estes poderão auxiliar na escolha dos melhores caminhos para o desenvolvimento da região, sendo a produtividade agrícola um dos focos de estudo para programas de melhorias do nível de produção. Os seis municípios em estudos serão as variáveis principais para desenvolver uma opinião futura junto com as suas respectivas culturas plantadas. Assim pode-se estimular o crescimento da região intervindo em pontos cruciais, tendo como base dados préestabelecidos. Segundo Pellegrini & Fogliatto (2000) métodos quantitativos utilizam dados históricos para prever a demanda de períodos futuros. Utilizando técnicas quali ou quantitativas ou ainda, uma mistura de ambas as previsões de demandas são elaboradas. XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia Um dos mais difundidos métodos quantitativos é a metodologia Box-Jenkins, descrita na década de 70. Valores prévios podem ser explicados, a partir do uso da estrutura de correlação temporal que existe, geralmente, entre os valores da série, pelos valores da série (temporal). Segundo Abdel-Aal & Al-Garni (1997), os modelos BoxJenkins têm sido largamente utilizados para modelagem e previsão em aplicações médicas, ambientais, financeiras e de engenharia. Esse estudo tem como objetivo propor uma perspectiva do quanto o complexo petroquímico afetará na produtividade agrícola da região Leste Fluminense. 2. MATERIAL E METODOS Para os municípios que compõem a região, foram extraídos dados do IBGE (Instituto Brasileiro Geografia e Estatística). O método de estimativa foi o de produção por área colhida, produtividade, de cada município em estudo. Assim para cada município foram estudadas as culturas com maior representatividade, mesmo os municípios em que se destacam por produzir diversos produtos, só serão representados pelas suas duas principais culturas. As principais culturas de cada município são: banana e batata doce, Cachoeiras de Macacu, banana e mandioca, Guapimirim, laranja e limão, Itaboraí, laranja e limão, Rio Bonito, laranja e cana de açúcar, São Gonçalo, e coco-baia e laranja, Tanguá. Devido fatores edafoclimáticos os estudos de perspectivas agrícolas são complicados, e por serem variados, influenciam os resultados sob diversos aspectos. Porém, quando se utiliza uma série histórica da região, com um número significativo de amostras, esse resultado tende a tornar-se o mais real possível. A metodologia usada foi a de Box-Jenkins, onde os dados foram inseridos no programa GRETL, que fez a previsão baseada no modelo ARIMA, com o objetivo de apresentar a possível trajetória do nível de produção dos municípios destacados. Além desta introdução, na segunda parte será apresentado o desenvolvimento do modelo ARIMA, suas condições de instabilidade e invertibilidade e o Métodos Box e Jenkins com suas quatro etapas: identificação, estimação, teste de diagnóstico ou checagem e previsão. 2.1. MODELO ARIMA A construção dos modelos de séries temporais univariados é fundamentada na teoria de que existe uma grande quantidade de informação presente na série de dados, sendo estes dados capazes de fornecer estimativas sobre o comportamento futuro da variável. A construção do modelo ARIMA parte da concepção de que as séries temporais envolvidas na análise são geradas por um processo estocástico estacionário. Segundo Morettin (2006) um processo é estacionário quando ele oscila em torno de uma média constante, com variância também constante. Um processo estacionário pode ser fortemente ou fracamente estacionário. Segundo Morettin (2006) diz-se que um processo é fortemente estacionário quando suas medidas de dispersão média e variância são invariantes ao longo do tempo. 2.2.Desenvolvimento do Modelo ARIMA Um modelo de séries temporais univariado, ou seja, que possui apenas uma variável descreve o comportamento de uma variável em termos de seus valores passados. Um modelo de erro auto-regressivo expressa a variação residual em um modelo de regressão construído a partir de uma teoria subjacente elaborada. No caso do modelo ARMA, as condições de estacionariedade são determinadas pela parte auto-regressiva (AR) do modelo. Ele está embasado no postulado de que as XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia séries temporais analisadas são estacionárias, ou seja, possuem média zero, variância constante e covariância não varia com o tempo. Contudo, grande parte das séries econômicas não são estacionárias. Desta forma, estas séries precisam ser defasadas para atingir a condição de estacionariedade. Este processo também é definido como integração. Assim, o número de defasagens d necessárias para a obtenção da estacionariedade determinará o grau de integração da variável. Caso a série seja não-estacionária terá que ser defasada d vezes até se tornar uma série estacionária. Assim, temos a passagem do processo ARMA (p, q) para um modelo auto-regresssivo integrado de médias móveis, ou simplesmente ARIMA (p, d, q). Segundo Johnston e Dinardo (2001) em um processo de médias-móveis puro a variável y é expressa somente em termos de erros ruído branco presente e passado. Em termos práticos, isto significa que no processo MA apenas as propriedades dos processos de ordem pequena são importantes. Contudo, isto contrasta com a condição de estacionariedade, que impõe uma representação de médias móveis infinita, conforme visto acima. Contudo, a invertibilidade não apresenta nenhuma relação com a estacionariedade de um processo. Todo processo de médias móveis com coeficientes finitos são estacionários. Se um processo ARMA é estacionário, esta propriedade está relacionada apenas com a parte auto-regressiva (AR) do modelo. 3. RESULTADOS E DISCUSSÃO Com a utilização do software GRETL, que analisa e faz previsões estatísticas, a série histórica foi inserida, e os resultados de previsões da produtividade para os municípios estudados estão apresentados nas Figuras de 1 a 12. Para que um estudo de produtividade seja realizado deveremos ter em mãos duas variáveis principais que são: produção e área colhida. A razão dessas duas variáveis, produção por área colhida (ton.ha-1), foi obtida por meio do site do IBGE (Instituto Nacional de Geografia e Estatística), sendo tomado como base inicial de nossos estudos. As figuras que têm suas previsões (linha azul do gráfico) tendendo a zero ou negativas, são definidas como ruído branco, pois não se enquadram de acordo com as referências do trabalho. Esse estudo é feito pela análise das médias móveis, e quando há discrepância entre os dados, a tendência é que a previsão aproxime de zero ou até mesmo que o resultado seja negativo. Produzir um estudo de perspectiva com produtos agrícolas pode não ser muito preciso, pois fatores edafoclimáticos influenciam diretamente nos resultados finas, ou seja, quanto maior for o período de previsão, maior será a probabilidade de erro. Município de Cachoeiras de Macacu Nas Figuras 1 e 2, observa-se a produtividade da cultura da banana e da cultura da batata doce. Essas culturas tiveram maior representatividade com relação a produtividade do município, ou seja, por mais que outras culturas possam produzir em maior quantidade, o município de Cachoeiras de Macacu se destaca como um grande produtor dessas duas culturas. XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia Figura 1 - Perspectiva de Produtividade (ton ha-1) da Cultura da Banana para 2015. Figura 2 - Perspectiva de Produtividade (ton ha-1) da Cultura da Batata Doce para 2015. Município de Guapimirim Assim como o município de Cachoeiras de Macacu, o município de Guapimirim tem as mesmas culturas como destaque. Isso nos indica que a Região Leste Fluminense poderá se unir e tornar-se mais expressiva na produção agrícola no decorrer dos anos. Figura 3 - Perspectiva de Produtividade (ton ha-1) da Cultura da Banana para 2015. Figura 4 - Perspectiva de Produtividade (ton ha-1) da Cultura da Mandioca para 2015. Município de Itaboraí No município onde será instalado o COMPERJ (Complexo Petroquímico do Estado do Rio de Janeiro), as duas culturas que mais se destacam, no que diz respeito a produtividade, podem não ter bom desempenho num futuro próximo. Devido a implantação do complexo petroquímico diversos fatores podem exercer variação dos resultados de produtividade. XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia Figura 5 - Perspectiva de Produtividade (ton ha-1) da Cultura da Laranja para 2015. Figura 6 - Perspectiva de Produtividade (ton ha-1) da Cultura do Limão para 2015. Município de Rio Bonito Nesse município, como no anterior, as culturas com maior representatividade são as culturas da Laranja e do Limão. As Figuras 7 e 8 ilustram uma perspectiva muito semelhante para as duas culturas, sendo explicado pelo histórico de dados também semelhantes. Figura 7 - Perspectiva de Produtividade Figura 8 - Perspectiva de Produtividade (ton ha-1) da Cultura da Laranja para (ton ha-1) da Cultura do Limão para 2015. 2015. Município de São Gonçalo Região que se destaca no estado do Rio de Janeiro por ser cidade “dormitório” de muitos trabalhadores da metrópole, São Gonçalo é um município que não possui grande produção agrícola. Dados que são comprovados pelas Figuras 9 e 10. A primeira cultura, a laranja, sofre a influência das cidades vizinhas, seguindo a tendência da produção. Já a segunda cultura, a cana-de-açúcar, se destaca, pois há na região uma significativa criação de bovinos que utiliza a cana como alimento para o rebanho. XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia Figura 9 - Perspectiva de Produtividade Figura 10 - Perspectiva de Produtividade (ton ha-1) da Cultura da Laranja para (ton ha-1) da Cultura da Cana-de-Açúcar 2015. para 2015. Município de Tanguá As Figuras 11 e 12 apresentam duas culturas distintas da região, porém destacadas, no que diz respeito a produtividade. Figura 11 - Perspectiva de Produtividade (ton ha-1) da Cultura do Coco-Baia para 2015. Figura 12 - Perspectiva de Produtividade (ton ha-1) da Cultura da Laranja para 2015. A primeira, a cultura do coco, é favorecida pelos seus dados históricos, pois no modelo ARIMA, dados que tiveram tendência de crescimento significante tendem a estimar positivamente. E a segunda cultura, da laranja, é tradicional na região, tendo, inclusive, uma festa em seu nome, “Festa da Laranja”, a qual mobiliza a cidade, os produtores e exportadores de suco de laranja que utilizam a produção in-natura para beneficiar, agregar valor e conseqüentemente exportar. 4. CONCLUSÕES Pelos resultados conclui-se que haverá um incremento na produtividade agrícola dos municípios que envolvem o COMPERJ, e com isto na produção da região. Assim, serão necessárias medidas que promovam o manejo adequado dos solos e dos recursos hídricos. Dentre as medidas necessárias, pode-se citar: Manejo adequado da irrigação, plantio de culturas em nível e estudo de aptidão agrícola. Sugere-se que tais ações sejam difundidas nas comunidades agrícolas, por meios dos órgãos de pesquisa e extensão ligados ao setor, bem como a iniciativa privada, que busca levar ao campo os seus produtos e serviços. XI Semana de Engenharia da UFF VI Seminário Fluminense de Engenharia 5. AGRADECIMENTOS Ao Programa Petrobrás Ambiental pelo suporte financeiro que viabilizou o desenvolvimento deste trabalho. 6. REFERÊNCIAS IBGE – Instituto www.ibge.gov.br. Brasileiro de Geografia e Estatística, 2006. Disponível em: EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária, 2008. Disponível em: www.embrapa.br. MOREIRA JÚNIOR, Fernando de J. Modelos Box-Jenkins e forecasting qualitativo. [S. l.: s.n.], [2002]. MORETTIN, Pedro A; TOLOI, Clélia M. C. Análise de séries temporais. 2ª ed. São Paulo: Edgar Blucher, 2006. PELLEGRINI, F. R.; FOGLIATTO, F. Estudo comparativo entre modelos de Winters e de Box-Jenkins para a previsão de demanda sazonal. Revista Produto & Produção, v. 4, número especial, p. 72-85, abr. 2000. ABDEL-AAL, R. E.; AL-GARNI, Z. Forecasting monthly electric energy consumption in eastern Saudi Arabia using univariate time-series analysis. Energy, v. 22, n. 11, p. 10591069, nov. 1997. http://terrabrasil.softonic.com/ie/56922/Gretl para obter o software livre utilizado no estudo.