DOI: 10.5585/ExactaEP.v11n1.

3897

Artigos

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

Application of a SARIMA model in forecasting motorcycle sales

Olga Maria Formigoni Carvalho Walter

Engenheira de Produo, Mestre em Engenharia de Produo e Doutoranda em Engenharia de Produo pela Universidade Federal de Santa Catarina UFSC. Santa Catarina, SC Brasil. olgaformigoni@gmail.com

Elisa Henning
Engenheira Civil, Doutora em Engenharia de Produo, Professora da Universidade do Estado de Santa Catarina UDESC. Santa Catarina, SC Brasil. elisa.henning@udesc.br

Graciela Moro
Licenciatura em Matemtica, Mestre em Matemtica Aplicada , Professora da Universidade do Estado de Santa Catarina UDESC. Santa Catarina, SC Brasil. gracimoro@gmail.com

Resumo A frota nacional de motocicletas sofreu forte expanso na ltima dcada. Todavia, em virtude da variao da demanda a que seu mercado est exposto, intensificou-se a necessidade de previses de vendas mais efetivas que garantam tomadas de decises estratgicas e alocao de recursos das montadoras. Neste artigo, tem-se como objetivo estudar um modelo de previso de vendas, baseado na metodologia Box e Jenkins. Foi utilizada a srie de vendas mensal dos anos de 2006 a 2010 das motocicletas mais comercializadas no Brasil. O modelo selecionado foi um Autorregressivo Integrado de Mdia Mvel Sazonal (SARIMA), tendo como critrio de escolha os valores do erro percentual absoluto mdio, U-Theil e o AIC. Previses de vendas para o ano de 2011 foram realizadas e comparadas com os valores reais, permitindo concluir que o modelo SARIMA uma alternativa vivel para a srie temporal analisada. Palavras-chave: ARIMA. Motocicletas. Previso de vendas. SARIMA.

Robert Wayne Samohyl

Economista, Doutor em Economia, Professor Titular da Universidade Federal de Santa Catarina UFSC. Santa Catarina, SC Brasil. samohyl@yahoo.com

Abstract The national fleet of motorcycles has experienced strong growth over the last decade. However, due to the varying demand to which this market is exposed, there is an increasing need for more effective sales forecasts that can ensure strategic decision making and allocation of resources. This study proposes a model for sales forecasting based on the Box-Jenkins methodology. We used the monthly sales figures of the most widely sold motorcycles in Brazil for the years 2006 to 2010. The selected model was a Seasonal Autoregressive Integrated Moving Average (SARIMA), with the criteria for choosing parameter values being the mean absolute percentage error, Theils U statistic and AIC. Sales forecasts for the year 2011 were performed and compared to the actual values allowing to conclude that the SARIMA model is a viable prediction alternative for the series analyzed. Key words: ARIMA. Motorcycles. Sales forecast. SARIMA.

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

77

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

1 Introduo
A utilizao de modelos formais de previso ajuda as organizaes a dimensionarem a quantidade de bens que iro produzir ou servios que prestaro, de modo que possam atender o mercado da melhor maneira possvel. A previso de demanda parte integrante do processo decisrio, devido a sua importncia na determinao dos recursos necessrios, que so as bases do planejamento estratgico da produo, das vendas e das finanas da gesto empresarial (MAKRIDAKIS; WHEELWRIGHT; TUBINO, 2007). A previso de vendas fundamental para o sucesso de qualquer negcio e seu bom dimensionamento traz benefcios para clientes, fornecedores e fabricantes. Quanto mais acurada for a previso de vendas, melhor para os clientes, que no se decepcionaro com a falta de produtos; assim como para o fabricante e para seus fornecedores, que no perdero vendas por motivo de rupturas e no enfrentaro excesso de estoques por falta de demanda. A indstria de motocicletas passou por uma fase de grande expanso, principalmente na ltima dcada. Esse mercado, que no foi economicamente relevante at a dcada de 1990, sofreu fortes mudanas a partir do processo de liberalizao econmica iniciado em 1994, associado a intensos processos de mudana em escala global. Polticas federais apoiaram a massificao do uso da motocicleta, que passou a ser intensamente utilizada em servios de entrega (VASCONCELLOS, 2008; FIGUEIREDO, 2012). Um dos fatores que impulsionaram as vendas de motocicletas no Brasil foi a possibilidade de financiamento em longo prazo, permitindo pagar mensalmente quase o mesmo valor com que se gasta com o transporte coletivo (LEITE, 2011). Outros fatores que contribuem para essa absoro HYNDMAN, 1998;

da cultura da motocicleta em todo o pas esto relacionados economia no gasto com combustvel e mobilidade (MATOS, 2008; NUNES et al., 2009; MONTENEGRO, 2010). Todavia, em decorrncia da crise econmica mundial que atingiu fortemente a produo industrial em 2008, vrias foram as expectativas sobre os resultados de volume de vendas divulgadas pela Federao Nacional da Distribuio de Veculos Automotores no Brasil (FENABRAVE), conforme atestam algumas publicaes (ABRACICLO, 2011a; CALDEIRA, 2011; LEITE, 2011; O GLOBO, 2011, OLIVEIRA, 2011; SILVA; CARDOSO; SANTOS, 2011). E, recentemente, determinadas medidas governamentais, como o aumento do Imposto Sobre Operaes Financeiras (IOF) de 1,5% para 3,0% para conter o avano da inflao, tambm tm influenciado a queda nas vendas (INFOMOTO, 2011b). Diante desse contexto de um ambiente de incertezas com relao ao volume de vendas e da escassez de trabalhos nacionais relacionados ao tema, neste estudo, tem-se como objetivo analisar um modelo de previso de demanda por meio da metodologia Box e Jenkins, que melhor se adapte a caracterstica desse mercado. Como esse um setor que busca por inovao tecnolgica e utiliza altos investimentos, necessrio conhecer o comportamento da evoluo de sua demanda para que seja possvel elaborar estratgias competitivas de negcios por parte dos fabricantes (FIGUEIREDO, 2012). Previses na indstria automotiva so obtidas a partir de pesquisas de mercado, tcnicas Delphi, previso ingnua, suavizao exponencial, regresso mltipla, decomposio, e modelos ARIMA, entre outros (SHAHABUDDIN, 2009; WANG; CHANG; TZENG, 2011). No Brasil, poucos trabalhos abordam modelos de previso de sries temporais para a demanda de crescimento da frota de motocicletas. Nunes et al. (2009) aplicam modelos de suavizao expo-

78

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

WALTER, O. M. F. C. et al.

Artigos

nencial em uma concessionria de motocicletas a fim de solucionar problemas de gesto de estoques e planejamento oramentrio. Figueiredo (2012) utiliza o modelo de difuso de Bass para o estudo e previso dos ciclos de difuso de marcas e modelos de motocicletas comercializadas com o intuito de identificar o que tem impacto na sua comercializao. Neste trabalho, as previses geradas a partir do modelo selecionado podero, de certa forma, melhor direcionar as atividades e decises das organizaes envolvidas com a produo e vendas de motocicletas. Alm disso, o modelo pode servir de subsdio para outros estudos, como, por exemplo, no planejamento de transportes. Este trabalho est assim estruturado: na seo 2 so introduzidos os conceitos de sries temporais; na 3, descreve-se a metodologia BoxJenkins; na 4, apresentam-se os procedimentos metodolgicos; na 5, encontram-se os resultados e discusso das propostas avaliadas e, para finalizar, na seo 6 esto as concluses e consideraes finais.

princpio de que a demanda futura ser uma projeo dos valores passados, no sofrendo influncia de outras variveis. Mtodos estatsticos de previso de sries temporais buscam identificar um padro de comportamento da srie e utiliz-lo para prever os valores futuros. Estas sries, em sua grande maioria, apresentam caractersticas repetitivas que podem ser utilizadas no momento de realizar previses. Um modelo clssico para sries temporais supe que a srie possa ser escrita como o agrupamento dos trs seguintes componentes: tendncia, ciclo e sazonalidade; e o processo de construo de valores previstos para a srie realizado por meio da reunificao de cada um desses componentes (SOUZA; SAMOHYL; MIRANDA, 2008). Um modelo uma descrio probabilstica de sua srie temporal e cabe ao usurio definir como aplic-lo, levando em conta seus objetivos (MORETTIN; TOLOI, 2004). Um modelo pode levar a um procedimento de previso; e os procedimentos baseados em sries temporais, deixam os dados falarem por si, para a construo deste. Assim, utilizam unicamente as observaes da prpria srie de dados, no dependendo de nenhuma varivel externa para efetuar as previses. Ressalta-se que a previso no constitui um fim em si, mas apenas um meio de fornecer informaes para uma posterior tomada de decises, visando a objetivos especficos.

2 Sries temporais
As sries temporais representam um conjunto de observaes ordenadas no tempo e fundamentadas na ideia de que a histria dos acontecimentos, ao longo deste, pode ser usada para prever o futuro. A previso de uma srie temporal o estabelecimento dos valores futuros da srie, sendo uma previso a estimativa acerca da verossimilhana de eventos futuros, baseados na informao atual e histrica. Pressupe a modelagem matemtica do fenmeno, obteno de concluses e avaliao do modelo em termos de preciso (SOUZA; CAMARGO, 2004). Segundo Tubino (2007), as previses de demanda baseadas em sries temporais partem do

3 Modelos ARIMA
O modelo Autorregressivo Integrado de Mdia Mvel Autoregressive Integrated Moving Average (ARIMA) um procedimento popular entre os modelos estatsticos de anlise de sries temporais (LEE; KO, 2011). Esse modelo foi proposto por Box e Jenkins na dcada de 1970 e tem origem nos modelos autorregressivo (AR), mdias

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

79

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

mveis (MA) e da combinao dos modelos AR e MA (ARMA). Alm de incluir modelos no estacionrios (ARIMA) e sazonais (SARIMA). Cada um destes modelos pode modelar uma srie isolada ou combinadamente. No modelo AR(p), o valor atual da srie expresso como um agregado linear de p valores anteriores e um rudo aleatrio. Segundo Box e Jenkings (1976), Morettin e Toloi (2004), Ehlers (2009) e Lee e Ko (2011), um modelo AR(p) dado pela equao Zt = f1 Zt-1 + f2 Zt-2 + + fpZt-p + at
(1)

em que q a ordem de MA(q), 1, , q so os parmetros do modelo MA(q), e q(B) o qual definido por p(B) = 1 1B 2 B2 qBq. Para aumentar a flexibilidade na adaptao de sries temporais as Equaes (2) e (4) so combinadas para obter o modelo ARMA (p, q) que apresenta processos mistos AR(p) e MA(q), dado por fp(B)Zt = q(B)at

(5)

Os modelos AR, MA e ARMA so utilizados quando a srie estacionria, ou seja, suas propriedades estatsticas bsicas, como mdia, varincia e covarincia, permanecem constantes ao longo do tempo (HANKE; WICHERN; REITSCH, 2001; GUJARATI, 2006). Entretanto, quando a srie no estacionria, ela transformada em uma srie estacionria por meio do processo de diferenciao dos dados. Assim, alm dos modelos previamente descritos, utilizada a componente de integrao I(d), resultando no modelo ARIMA(p,d,q) representado por
(2)

em que p a ordem de AR, Zt a srie temporal observada no momento t, at o rudo aleatrio em uma distribuio normal com mdia 0 e varincia igual a 1 e f1, , fp so os parmetros de AR(p). Ao introduzir o operador de defasagem B, que define Zt-1 = BZt; e, consequentemente, Zt-p = BpZt, a Equao (1) pode ser reescrita por fp(B)Zt = at

fp(B)dZt = q(B)at

(6)

em que fp(B) o operador de AR(p), definido por por fp(B) = 1 f1 B f2 B2 fpBp. O modelo MA (q), que explora a estrutura de autocorrelao dos resduos de previso do perodo atual com aqueles ocorridos em perodos anteriores descrito pela equao (BOX; JENKINGS, 1976; MORETTIN; TOLOI, 2004; EHLERS, 2009; LEE; KO, 2011): Zt = at 1 at-1 2 at-2 qat-q
(3)

em que dZt = (1 B)dZt e d a ordem de diferenciao. Muitas sries temporais apresentam padres repetitivos que aparecem regularmente a cada intervalo de tempo. Como o caso das indstrias, em que vendas e produo seguem uma sazonalidade forte em determinados perodos do ano. Para lidar com as sries que apresentam autocorrelao sazonal, Box e Jenkings (1976) generalizaram o modelo ARIMA e definiram o modelo ARIMA sazonal multiplicativo, conhecido como SARIMA(p,d,q)(P,D,Q) e representado por fp(B)Fp(BS)d SDZt = qq(B)QQ (BS)at

e pode ser reescrito pela Zt = q(B)at

(4)

(7)

80

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

WALTER, O. M. F. C. et al.

Artigos

em que SDZt = (1 BS)DZt, D a ordem de diferenciao sazonal, Fp(B ) operador sazonal

S

Fase 1: Identificao

AR(p) definido por Fp(BS) = 1 F1(BS) F2(B2S) Fp(BPS); QQ (BS) o operador sazonal MA(q) por QQ (BS) = 1 Q1(BS) Q2(B2S) QQ (BQS), e F1, Fp so parmetros do modelo sazonal AR(p) e Q1, QQ so parmetros do modelo sazonal MA(q).
Fase 2: Estimao e testes

1.1 Preparao dos dados Transformao dos dados para estabilizar a varincia Diferenciar os dados para estacionar a srie 1.2 Seleo do modelo Anlise da srie temporal, FAC e FACP para identificar possveis modelos

2.1 Estimao Estimar parmetros para o possvel modelo Selecionar o melhor modelo usando o critrio adequado 2.2 Diagnsticos Verificar FAC e FACP dos resduos Os resduos tm distribuio normal? Sim

3.1 Etapas da metodologia BoxJenkins

A metodologia Box-Jenkins definida por um ciclo composto de trs etapas iterativas: identificao do modelo, estimativa de parmetros e diagnstico, representadas na Figura 1. Na etapa de identificao do modelo, primeiramente h uma preparao dos dados, em que se realiza a diferenciao para estacionar a srie, se necessrio. Em seguida, tradicionalmente a seleo do modelo ocorre mediante a observao das funes autocorrelao (FAC) e autocorrelao parcial (FACP). Uma vez que um modelo identificado, estimam-se os parmetros. O ltimo passo na construo do modelo a verificao de sua adequao por meio do diagnstico. Procede-se a anlise dos resduos do modelo a fim de identificar seu comportamento como o de uma distribuio normal e como um rudo branco. Se o modelo selecionado no for adequado, um novo deve ser identificado, seguindo as mesmas etapas. Esse processo pode ser repetido vrias vezes at que um modelo satisfatrio seja encontrado. Dessa forma, o modelo final selecionado pode ento ser utilizado para fins de previso.
Fase 3: Aplicao

No

3 Previso Usar o modelo para construir previso

Figura 1: Etapas da construo do modelo de previso via metodologia Box-Jenkins

Fonte: Adaptado de Makridakis, Wheelwright e Hyndman (1998).

quais modelos produzem a melhor estimativa possvel, como, por exemplo, o erro percentual absoluto mdio, , em que et corresponde diferena entre o valor observado xt e o previsto (SOUZA; SAMOHYL; MIRANDA, 2008). Outro ndice utilizado para a seleo dos modelos o critrio de informao de Akaike Akaike Information Criterion (AIC), que definido como AIC = -2log(L) + 2m, sendo L a funo de verossimilhana do modelo ARIMA ajustado; e m, o nmero de parmetros do modelo (EHLERS, 2009). Ao comparar dois ou mais modelos, o escolhido ser aquele que apresentar o menor valor de AIC. Valores menores indicam modelos mais prximos realidade, ou que tm menos perda de informao em relao realidade (GUJARATI, 2006). Uma forma adicional de medir a capacidade preditiva de um modelo comparar seus erros de previso com aqueles do passeio aleatrio. Uma estratgia simples consiste em tomar a observao mais recente como a melhor previso de um valor futuro da srie, ou seja, a previso um passo

3.2 Medidas de erros de previso

Todos os modelos de previso tm uma incerteza associada e para tal necessria a mensurao desta. Existem diversos ndices que medem os erros de previso. Tais ndices auxiliam a verificar

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

81

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

a frente do passeio aleatrio. Isto feito por meio da estatstica U de Theil, definida pela equao (EHLERS, 2009):

Neste trabalho, como medidas de erro de previso, sero utilizados o MAPE (Erro percentual absoluto mdio), o AIC e a estatstica U de Theil. Todo o tratamento estatstico dos dados foi feito com o software R (R DEVELOPMENT CORE TEAM, 2012), com auxlio do pacote forecast (HYNDMAN; KHANDAKAR, 2008).

(8)

Valores para U maiores que 1 (um) so uma indicao de que globalmente os erros de previso tendem a ser grandes em relao ao erros de um passeio aleatrio (EHLERS, 2009).

5 Anlise e discusso dos resultados

A aplicao foi realizada de acordo com as etapas da Figura 1. Para a identificao do modelo, inicialmente, construiu-se um grfico da srie original (Figura 2) e, na Tabela 2, apresentamse suas medidas descritivas. A srie temporal utilizada na estimao do modelo composta por 60 observaes (janeiro de 2006 a dezembro de 2010), possuindo uma mdia estimada Z = 110938.
Tabela 2: Anlise descritiva da srie N Mdia Desvio-padro Mnimo Mximo Amplitude Curtose Coefiente de variao
Fonte: Os autores.

4 Materiais e mtodos
A srie temporal estudada apresentada na Tabela 1 e corresponde a 72 observaes do registro mensal de vendas no Brasil de motocicletas de 101 a 150 cilindradas de marcas diversas, entre o perodo de janeiro de 2006 e dezembro de 2011. Essa faixa de cilindradas foi escolhida devido ao fato de ser a mais comercializada no pas (ABRACICLO, 2011b). Dados de 2011 foram reservados para comparao com as previses.
Tabela 1: Vendas mensais de motocicletas de 101 cc a 150 cc (em quantidade)
Ms/Ano Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Total 2006 73.895 87.688 97.433 86.091 105.762 88.494 67.453 104.526 91.406 101.985 104.611 65.548 2007 107.134 88.925 108.838 103.640 109.834 95.057 72.536 138.227 110.278 132.764 125.081 61.835 2008 142.144 125.023 139.411 144.561 139.966 140.697 122.470 146.910 152.310 102.148 93.500 84.492 2009 82.013 79.969 108.789 142.022 131.724 110.760 97.793 120.272 119.783 117.367 99.954 83.052 2010 104.777 96.092 146.714 124.370 137.019 116.104 122.749 135.204 143.966 135.517 144.329 93.294 2011 134.014 134.840 142.584 144.727 157.976 127.242 132.285 165.326 143.394 141.690 142.293 77.361

60 110.938 23.887,80 6.835 152.310 90.475 1,49502 21,53%

No grfico da srie (Figura 2), no possvel identificar se ela ou no estacionria. Assim, parte-se para a observao dos correlogramas (Figura 3). A partir do grfico da funo de autocorrelao amostral (FAC) da Figura 3a, verifica-se que a srie pode no ser estacionria, optando-se por um teste especfico para avaliar a estacionareidade. A estacionariedade da srie confirmada pelo teste de hiptese de Dickey Fuller. A hiptese

1.074.892 1.254.149 1.533.632 1.293.498 1.500.135 1.643.732

Fonte: Abraciclo (2012).

82

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

WALTER, O. M. F. C. et al.

Artigos

60000 80000 100000 120000 140000

Vendas (Unidades)

2006

2007

2008 Perodo

2009

2010

2011

Figura 2: Vendas de motocicletas de 100 cc a 150 cc entre o perodo de janeiro/2006 a dezembro/2010

Fonte: Os autores.

nula de que a srie no estacionria foi rejeitada (p-valor = 0,03865). J o grfico da funo de autocorrelao parcial (FACP) da Figura 3b revela um comportamento aproximadamente senoidal, e o da funo de autocorrelao (FAC) mostra a primeira defasagem significativa, sugerindo a possibilidade de ser um modelo MA. Quanto sazonalidade, o grfico da Figura 2 no traz informaes muito claras, mas sugere um comportamento sazonal, uma vez que as vendas apresentam quedas em perodos especficos do ano. O grfico sazonal da Figura 4 refora esse comportamento, indicando quedas de venda nos meses de janeiro, julho e dezembro. A Tabela 3 apresenta os modelos preliminares identificados. O modelo identificado foi escolhido mediante forma automtica por meio do pacote forecast disponvel no software R. O pacote retornou um modelo SARIMA (1,0,1) (1,0,1)12 . Todavia, seria interessante verificar um modelo que inclusse uma diferena sazonal, por conta do comportamento da FACP. Assim, aproximou-se um modelo SARIMA (1,0,1)(2,1,0)12 . O desempenho de cada um dos modelos apresentados, tanto dentro quanto fora da amostra, pode ser visualizado na Tabela 3. Por meio da Tabela 3, observa-se que o modelo 2 o melhor, uma vez que apresentou menores valores de AIC, MAPE e U-Theil. Assim, efetuouFigura 3: Correlograma das funes de autocorrelao (a) e de autocorrelao parcial (b)
Fonte: Os autores.

se a anlise dos resduos para avaliar a adequao deste. Os resduos do modelo no apresentam autocorrelao (conforme Figuras 5a e 5b). Para a verificao da normalidade, foi construdo um

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

83

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

Figura 4: Grfico das vendas por ms

Fonte: Os autores.

Tabela 3: Medidas dos erros de previso Modelos Erros MAPE AIC U-Theil
Fonte: Os autores.

A equao do modelo 2, resultante da equao (7), sumarizada por:

1 - SARIMA (1,0,1)(1,0,1)12

2 - SARIMA (1,0,1)(2,1,0)12

Dentro Dentro Fora da Fora da da da amostra amostra amostra amostra 12,4501 1.362,12 0,8227 13,0334 8,9428 1.090,17 0,5409 9,5380

(9)

As previses geradas para o ano de 2011, a partir do modelo 2, podem ser visualizadas na Tabela 5. Estas se mostram razoveis com relao aos dados reais, apresentando maiores variaes no segundo semestre. Todos os valores observados esto contidos no intervalo de previso. Para 2011, a projeo de vendas da Abraciclo era de crescimento de 11% baseado no ano anterior. Na previso gerada pelo modelo 2, esse valor ficou em torno de 10%, e o aumento real alcanou 8,7%. Verifica-se que as maiores variaes ocorreram no segundo semestre de 2011, sobretudo, nos dois ltimos meses do ano.

histograma (Figura 6a), um grfico de probabilidade normal (Figura 6b) e aplicado o teste Jarque Bera, ao nvel de 5%. A anlise destes indica que resduos seguem uma distribuio normal. Os parmetros estimados para o modelo 2 so apresentados na Tabela 4.
Tabela 4: Estimativa de parmetros do modelo 2 SARIMA(1,0,1)(2,1,0)12 Coeficiente Estimativa Erro-padro
Fonte: Os autores.

f1 0,9448 0,0647

1 0,1322

F1 0,1320

F2 0,1525

uma caracterstica sazonal da srie estudada a queda nas vendas no ms de dezembro, tendo apresentado oscilao nesse perodo em todos os anos.

-0,6104 -0,6722 -0,5927

84

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

WALTER, O. M. F. C. et al.

Artigos

Figura 5: Grficos da FAC (a) e da FACP (b) dos resduos do modelo SARIMA(1,0,1)(2,1,0)12
Fonte: Os autores.

Figura 6: Histograma e grfico de probabilidade normal dos resduos do modelo SARIMA(1,0,1) (2,1,0)12
Fonte: Os autores.

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

85

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

Tabela 5: Previso para os prximos 12 perodos (intervalo de confiana de 95%) Perodo Jan/2011 Fev/2011 Mar/2011 Abr/2011 Mai/2011 Jun/2011 Jul/2011 Ago/2011 Set/2011 Out/2011 Nov/2011 Dez/2011
Fonte: Os autores.

Previso de Vendas 143.956 129.758 156.187 153.629 153.355 144.436 133.997 153.612 158.947 125.593 121.347 97.346

Limite Inferior 112.029 96.094 121.046 117.219 115.849 105.978 94.709 113.598 118.295 84.381 79.641 55.204

Limite Superior 175.882 163.422 191.328 190.039 190.861 182.894 173.285 193.627 199.599 166.806 163.054 139.489

Valor observado 134.014 134.840 142.584 144.727 157.976 127.242 132.285 165.326 143.394 141.690 142.293 77.361

Erro de previso (unid.) 9.942 -5.082 13.603 8.902 -4.622 17.194 1.712 -11.714 15.553 -16.096 -20.946 19.985

Erro de previso (%) 7,42 -3,77 9,54 6,15 -2,93 13,51 1,29 -7,09 10,85 -11,36 -14,72 25,83

Para complementar, a Figura 7 contempla um grfico com os valores reais de vendas, juntamente com os valores ajustados pelo modelo selecionado. Pode-se verificar que as previses geradas pelo modelo fornecem estimativas de vendas razoveis.

6 Concluso e consideraes finais

Neste trabalho, teve-se como objetivo a aplicao da metodologia Box-Jenkins na previso de vendas de motocicletas. A utilizao de um mto-

Figura 7: Grfico com os valores reais e ajustados pelo modelo SARIMA(1,0,1)(2,1,0)12

Fonte: Os autores.

86

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

WALTER, O. M. F. C. et al.

Artigos

do adequado para prever as flutuaes desse produto essencial, uma vez que apesar de esse ser um mercado em expanso, ainda apresenta constante flutuao de demanda. Assim, mediante as previses geradas, acredita-se que ser possvel dimensionar melhor a organizao de recursos para sua produo e comercializao. Os modelos de sries temporais baseados na metodologia Box e Jenkins podem ser uma boa alternativa para a previso de vendas de motocicletas. Dentre os modelos identificados, um modelo sazonal, SARIMA (1,0,1)(2,1,0)12 , foi selecionado e mostrou-se apropriado. Uma das desvantagens dessa metodologia que mais de um modelo pode ser adequado, exigindo uma anlise mais complexa. Ainda sem procurar variveis explicativas, podem-se citar os modelos de suavizao exponencial, redes neurais, algoritmos genticos ou a lgica fuzzy. J os modelos explicativos, como regresso mltipla ou dinmica, tambm so opes para investigaes em trabalhos futuros. Comparando os resultados das previses geradas neste trabalho com os nacionais correlatos (NUNES et al., 2009; FIGUEIREDO, 2012), verifica-se que nenhum deles utiliza a metodologia Box e Jenkins. Entretanto, os resultados observados indicam que a metodologia Box e Jenkins um modelo apropriado para previso de demanda de motocicletas na indstria brasileira. Com relao contribuio deste artigo, pode-se afirmar que este um dos primeiros trabalhos nacionais que procura investigar a previso de vendas de motocicletas por meio da metodologia Box e Jenkins. Como se trata de um estudo inicial, possvel consider-lo como ponto de partida para pesquisas subsequentes na rea. Esperase que este trabalho tambm contribua para a indstria fabricante de motocicletas no que tange ao planejamento de recursos de produo e otimizao de seus processos estratgicos.

Referncias
ABRACICLO Associao Brasileira dos Fabricantes de Motocicletas, Ciclomotores, Motonetas Bicicletas e Similares. Dados do setor motocicletas vendas. Disponvel em: <http://www.abraciclo.org.br/images/ stories/dados_setor/motocicletas/vendas/2011%20 vendas%20dezembro.pdf>. Acesso em: 23 fev. 2012. ABRACICLO. Setor duas rodas leva trs anos para superar crise: 2011 finalmente alcana melhor momento histrico. Disponvel em: <http://www.abraciclo.org. br/index.php?option=com_content&view=article&i d=726:setor-duas-rodas-leva-tres-anos-para-superarcrise-2011-finalmente-alcanca-melhor-momentohistorico&catid=7:releases-de-2010>. Acesso em: 15 dez. 2011a. ABRACICLO. Dados do setor segmentao por CC. Disponvel em: <http://www.abraciclo.org.br/index. php?option=com_content&view=article&id=8%3Asegm entacao-por-cc&catid=6%3Amotocicletas&Itemid=37>. Acesso em: 4 mar. 2011b. BOX, G. E. P.; JENKINS, G. M. Time series analysis forecasting and control. San Francisco: H. Day, 1976. CALDEIRA, A. Vendas de motos podem chegar a 2 milhes de unidades em 2008. Disponvel em: <http://noticias.uol.com.br/carros/ultnot/2007/12/10/ ult5498u24.jhtm>. Acesso em: 30 abr. 2011. EHLERS, R. S. Anlise de sries temporais. 2009. Disponvel em: <http://www.icmc.usp.br/ ehlers/stemp/ stemp.pdf>. Acesso em: 22 fev. 2012. FIGUEIREDO, J. C. B. Modelo de difuso de Bass: uma aplicao para a indstria de motocicletas no Brasil. Gesto Industrial, v. 8, n. 1, p. 38-59, 2012. GUJARATI, D. Econometria bsica. Rio de Janeiro: Elsevier, 2006. 812 p. HANKE, J. E.; WICHERN, D.; REITSCH, A. Business forecasting. 7. ed. New Jersey: Prentice Hall, 2001. HYNDMAN, R. J.; KHANDAKAR, Y. Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, v. 27, n. 3, p.1-22, 2008. INFOMOTO Agncia de Notcias. Vendas e produo de motos registraram crescimento. Disponvel em: <http://www.infomoto.com.br/noticia_ver.aspx?No ticiaID=640&Noticia=Vendas e produo de motos registraram crescimento>. Acesso em: 20 jun. 2011a. INFOMOTO Agncia de Notcias. Segmento de duas rodas apresenta crescimento sustentado. Disponvel em: <http://www.infomoto.com.br/noticia_ ver.aspx?NoticiaID=675&Noticia=Segmento de duas rodas apresenta crescimento sustentado>. Acesso em: 3 jun. 2011b.

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

87

Aplicao de um modelo SARIMA na previso de vendas de motocicletas

LEE, Cheng-Min; KO, Chia-Nan. Short-term load forecasting using lifting scheme and ARIMA models. Expert Systems with Applications, v. 38, p. 5902-5911, 2011. LEITE, J. Frota de motos triplica em dez anos. Disponvel em: <http://clipping.cservice.com.br/cliente/ visualizarmateria.aspx?materiaId=11788774&canalId= 17395&clienteId=a3rcamjqKfo=&end>. Acesso em: 30 abr. 2011. MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods and applications. 3. ed. New York: John Wiley, 1998. MATOS, R. H. F. Estudo exploratrio das relaes de trabalho como fator de influncia do comportamento humano no trnsito: caso do motofrete. 2008. 153 f. Dissertao (Mestrado em Transportes)Faculdade de Tecnologia, Universidade de Braslia, Braslia, 2008. MONTENEGRO, M. M. S. Mortalidade de motociclistas traumatizados em acidentes de transporte no Distrito Federal, no perodo de 1996 a 2007. 2010. 80 f. Dissertao (Mestrado em Sade Coletiva) Programa de Ps-Graduao em Sade Coletiva, Faculdade de Cincias Mdicas da Santa Casa de So Paulo, So Paulo, 2010. MORETTIN, P.; TOLOI, C. M. C. Anlise de sries temporais. So Paulo: Edgard Blcher, 2004. 535 p. NUNES, C. E. C. B. et al. Aplicao dos conceitos de previso de demandas baseadas em sries temporais em uma concessionria de motocicletas (estudo de caso). In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUO, 29. Salvador. Anais Salvador/BA: Enegep, 2009. O GLOBO. Concessionrias reduzem previso para venda de motos. Disponvel em: <http://oglobo.globo. com/economia/mat/2010/07/01/concessionariasreduzem-previsao-para-venda-de-motos-917041085. asp>. Acesso em: 19 jun. 2011.

OLIVEIRA, W. Motos recuperam vendas. Dirio do Grande ABC Santo Andr SP Automveis 13/04/2011. Disponvel em: <http://clipping.cservice. com.br/cliente/visualizarmateria.aspx?materiaId=11818 602&canalId=17395&clienteId=a3rcamjqKfo=&end>. Acesso em: 30 abr. 2011. R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2012. Disponvel em: <http://www.R-project.org>. Acesso em: 10 dez. 2012. SHAHABUDDIN, S. Forecasting automobile sales. Management Research News, v. 32, n. 7, p. 670-682, 2009. SILVA, E. R.; CARDOSO, B. C.; SANTOS, M. P. S. O aumento da taxa de motorizao de motocicletas no Brasil. Rev. Bras. de Administrao Cientfica, v. 2, n. 2, p. 51- 63, 2011. SOUZA, G. P.; SAMOHYL, R. W.; MIRANDA, R. G. Mtodos simplificados de previso empresarial. Rio de Janeiro: Cincia Moderna, 2008. 181 p. SOUZA, R. C.; CAMARGO, M. E. Anlise e previso de sries temporais: os modelos ARIMA. 2. ed. Rio de Janeiro: Regional, 2004. TUBINO, D. F. Planejamento e controle da produo. So Paulo: Atlas, 2007. 190 p. VASCONCELLOS, E. A. O custo social da motocicleta no Brasil. Revista dos Transportes Pblicos-ANTP, v. 30, p. 127-142, 2008. WANG, F. K.; CHANG, K.; TZENG, C. Using adaptive network-based fuzzy inference system to forecast automobile sales. Expert Systems with Applications, v. 38, n. 8, p. 10587-10593, 2011.

Recebido em 11 set. 2012 / aprovado em 3 jan. 2013 Para referenciar este texto WALTER, O. M. F. C. et al. Aplicao de um modelo SARIMA na previso de vendas de motocicletas. Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.

88

Exacta EP, So Paulo, v. 11, n. 1, p. 77-88, 2013.