1.

Introduo O agronegcio uma das atividades econmicas desenvolvidas no Brasil que vem recebendo crescente destaque nos meios de comunicao e a ateno de pesquisadores, estudiosos e investidores, mesmo com o atual cenrio de crise econmica mundial. Isto porque, dentre outras coisas, a sua participao na economia brasileira representa valores por volta de 33% na formao do PIB, 42% do volume de exportaes e 37% na gerao de empregos. Alm disso, ele pode ser considerado como uma atividade que melhor desempenha as polticas de interiorizao do desenvolvimento, porque contribui significativamente na diminuio do fluxo migratrio e na reduo da presso populacional nas capitais e regies metropolitanas do pas (ROCHA et al, 2005; NEVES e CONEJERO, 2007). Os diversos motivos que justificariam esta relevante participao das atividades do agronegcio brasileiro nos cenrios nacional e mundial poderiam ser relacionados em apenas trs fatores: (1) o aumento dos preos de venda de algumas principais commodities agrcolas, como acar, lcool, soja e caf Isto acontece devido quebra de safra de importantes concorrentes do Brasil e ao aumento da populao mundial, o que acarreta num maior consumo de alimentos e energia; (2) as melhorias ocorridas na produtividade do agronegcio brasileiro, seja pela capacidade empreendedora adquirida pelos agricultores em utilizar novas tcnicas de gesto empresarial, seja pela assimilao de novas tecnologias de plantio desenvolvidas por centros de pesquisa como a Embrapa; (3) pela magnitude das exportaes de empresas multinacionais com mercados prprios, ou por empresas agroindustriais nacionais em processo de internacionalizao (NEVES e CONEJERO, 2007; SEIBEL, 2007). Neste cenrio tambm merece destaque os nmeros apresentados pela fruticultura. Em 2008, as exportaes de frutas frescas realizadas pelo Brasil alcanaram a marca de 888 mil toneladas (um acrscimo de 10,31% em relao a 2006), totalizando US$(F.O.B.) 724 milhes em vendas de produtos in natura (um aumento de 51,74% em relao a 2006). Do total de dlares que estas exportaes trouxeram para a Balana Comercial brasileira, as vendas de uva ficaram em 1 lugar e as vendas de manga em 3 lugar, contribuindo respectivamente com 23,67% e 16,39% do montante desta receita (IBRAF, 2009). Boa parte deste desempenho decorrente de reas produtivas irrigadas. Dentre tais reas, pode-se destacar o plo Petrolina - Juazeiro, localizado no Vale do Rio So Francisco, regio de clima semi-rido situado entre os Estados da Bahia e de Pernambuco. O plo responsvel aproximadamente por 43% das exportaes de frutas brasileiras e por mais de 90% das exportaes de uva e manga (LOPES et al, 2007). Embora os dados acima apresentados apontem para uma perspectiva (ainda) promissora de expanso do agronegcio brasileiro, notadamente o setor aqui em anlise, importante salientar que o seu desempenho no depende s da aplicao direta de avanos tecnolgicos ocorridos na rea de produo ou gesto, mas tambm sofre influncia de fatores externos at certo ponto imprevisveis ou incontrolveis, tais como: (a) as variaes climticas (afetam na qualidade do produto), (b) o dimensionamento equnime da produo mundial de alimentos nos pases fornecedores (sua ausncia pode provocar o excesso ou a escassez destes produtos) e (c) as variaes cambiais ocorridas durante a comercializao da produo agrcola mundial (afetam a renda do consumidor e a receita do produtor). Os fatores em tela exercem grande influncia no preo final de venda do produto agrcola destinado ao mercado consumidor (CAETANO, 2006; NEVES; CONEJERO, 2007; SEIBEL, 2007) e, por conta justamente de sua imprevisibilidade ou incontrolabilidade, boa parte dos produtores pode sentir dificuldade em estabelecer um preo final adequado. Portanto, compreender como ser o comportamento dos preos agrcolas se torna importante para os produtores rurais nacionais, porque tal varivel consegue resumir, em um

nico valor, toda a informao relevante sobre os aspectos micro e macro econmicos que afetam o desempenho da empresa no setor onde est inserida (ELDER apud SACHETIM, 2006). Logo, a descoberta dos movimentos de alta ou de baixa dos preos agrcolas pode permitir a reorganizao do ciclo produtivo, de modo que o momento da comercializao da safra possa coincidir com os maiores valores que o mercado consumidor esteja disposto a pagar. Tal informao contribuiria na maximizao das receitas por safra vendida, principalmente para o pequeno e mdio produtor, fazendo-os evitar os perodos de excedente de oferta. Dessa forma, o presente estudo apresenta uma proposta de previso de preos para as culturas de uva e manga produzidas e comercializadas no Vale do So Francisco, com o intuito de contribuir na elaborao do planejamento da produo da atividade agrcola local. Para isto so empregados dois mtodos largamente utilizados para a realizao de previses o de suavizaes e o auto-regressivo integrado e de mdias mveis - descritos a seguir. 2. Referencial Terico A Anlise de Sries Temporais constitui-se de um mtodo quantitativo de previso que realiza a projeo de valores futuros de determinada varivel, fundamentada eminentemente nas suas observaes passadas e que esto organizadas de forma seqencial e em intervalos de tempo especficos escolhidos pelo analista. Alicerado neste conceito, este mtodo apresenta uma caracterstica peculiar: a de que suas observaes adjacentes so dependentes, ou seja, os elementos que causaram os padres de atividade no passado continuaro a influenci-lo, de maneira semelhante, no futuro. Logo, o modelo matemtico a ser construdo para realizar a previso da srie temporal permitir que os dados analisados falem por si, sem precisar recorrer a uma teoria subjacente especfica para possibilitar a sua interpretao (cf. BOX, JENKINS e REINSEL, 1994; LEVINE et al., 2005; MORETIN e TOLOI, 2006). Dessa forma, de acordo com Moretin e Toloi (2006), ao se empregar a Anlise de Sries Temporais no estudo de uma varivel qualquer vinculada a um instante de tempo t, o pesquisador poder estar interessado em: (1) averiguar o mecanismo causador de sua trajetria; (2) realizar projees de valores da funo amostral em curto ou em longo prazo; (3) delinear o desempenho da srie, procurando identificar a existncia de tendncias, ciclos e variaes sazonais (especialmente em sries econmicas e financeiras) e; (4) buscar periodicidades importantes nos dados, com o intuito de encontrar componentes de freqncia que caracterizem a existncia de um espectro. Dentre os mtodos de previso disponveis, existe uma grande classe que tenta abordar as razes das variaes ocorridas em sries temporais, que a das suavizaes. Sua premissa bsica que os valores extremos encontrados na srie simbolizam casos fortuitos ou randmicos e, realizando a suavizao destes, pode-se encontrar o modelo bsico da srie, discernindo-o de quaisquer rudos que porventura estejam includos nas observaes e, assim, utiliz-lo para calcular os valores futuros da funo amostral (MORETIN e TOLOI, 2006). A suavizao da srie temporal acontece atravs do clculo de mdias mveis exponencialmente ponderadas, o que significa dizer que seus valores mais recentes recebem maior peso de importncia na previso dos valores no futuro. Alm disso, tal procedimento averigua a existncia de uma tendncia linear e de um componente de sazonalidade (SILVA, SAMOHYL e COSTA, 2002). Caso a srie temporal estudada possua estas caractersticas, um dos modelos de suavizao mais indicados na literatura especializada o Holt-Winters (HW). A vantagem de utiliz-lo se deve sua fcil compreenso, ao seu baixo custo, a sua adaptabilidade para sries com modelo de comportamento mais genrico (MORETIN e TOLOI, 2006) e, de acordo com os resultados de estudos empricos, sua preciso compatvel com a de modelos mais complexos, como por exemplo, a abordagem ARIMA (MAKRIDAKIS e HIBON, 2000). Talvez porque estas vantagens possam estar baseadas no

Princpio da Parcimnia (cf. BOX, JENKINS e REINSEL, 1994) que seu modelo vem sendo empregado em alguns estudos de previso de commodities agrcolas (ver SILVA, SAMOHYL e COSTA, 2002; PACHECO e SILVA, 2003; BACCI, REZENDE e MEDEIROS, 2006), na indstria alimentcia (ver QUEIROZ e CAVALHEIRO, 2003; ALBUQUERQUE e SERRA, 2006) ou at mesmo na previso de demanda turstica (ver SERRA, TAVARES e SANTOS, 2005), conseguindo estes pesquisadores resultados satisfatrios de previso de valores futuros. O modelo HW tambm pode ser dividido em dois subgrupos: aditivos e multiplicativos. O primeiro considera que a amplitude da variao da sazonal permanece uniforme ao longo do tempo (i.e. a diferena entre o valor mximo e mnimo fica relativamente estvel) enquanto que no segundo ela muda com o passar do tempo, podendo ascender ou descender conforme for o caso. Para a utilizao deste modelo, necessria a estimao das constantes de amortecimento de Nvel (), de Tendncia () e de Sazonalidade (). O Quadro 1 apresenta as equaes de suavizao e de previso utilizadas segundo a abordagem do modelo HW, onde Yt o valor observado no instante t na srie analisada.
Equao Nvel Tendncia Sazonalidade = = HW Aditivo + 1 + 1 + = = = = HW Multiplicativo + 1 + + 1 + 1 +

+ 1

Previso = + Fonte: adaptado de Moretin e Toloi (2006).

Quadro 1 Equaes de suavizao exponencial sazonal de Holt-Winters

Os contrapontos que a literatura aponta para a utilizao do modelo HW so (1) as dificuldades em determinar os valores mais apropriados das constantes de suavizao e (2) a impossibilidade e/ou dificuldade de se estudar suas propriedades estatsticas, como a mdia, a varincia e o intervalo de confiana da previso (MORETIN e TOLOI, 2006). Embora apresente um grau de complexidade maior, o modelo auto-regressivo integrado e de mdias mveis ARIMA , apresentado por George Box e Gwilym Jenkins, anunciou uma nova gerao de ferramentas de previso de sries temporais, dada a combinao de trs filtros para a estimao dos valores futuros: o auto-regressivo [AR], o de integrao [I] e o de mdias mveis [MA]. Os modelos [AR(p)] estudam o mecanismo de autocorrelao do processo gerador da srie temporal, ou seja, as autocorrelaes acontecem quando se verificam a presena de correlao entre os p valores observados na srie temporal. Os modelos [MA(q)] pesquisam a estrutura de autocorrelao dos resduos de previso. Portanto, tal autocorrelao examinada sempre que existir uma correlao entre a mdia mvel dos q termos de erro sucessivos na srie temporal. Caso a srie apresente ambas as caractersticas, os modelos podem ser combinados criando um processo [ARMA (p, q)]. Por fim, o filtro [I(d)] utilizado quando se observa que a srie temporal noestacionria, ou seja, ela integrada. Assim, aps calcular a diferena entre os valores subjacentes da srie d vezes, possvel torn-la estacionria, de modo que oferea uma base vlida para a previso. O Quadro 2 mostra as equaes empregadas de acordo do modelo ARIMA, onde Yt* o valor calculado, t o coeficiente auto-regressivo, t o coeficiente de mdia mvel, uma constante e t o termo de erro estocstico de rudo branco (BOX, JENKINS e REINSEL, 1994; GUJARATI, 2006).

Mtodo AR(p) MA(q)

Equao = =

ARMA (p, q) = + + + Fonte: adaptado de Moretin e Toloi (2006).

+ +

Quadro 2 Equaes de previso para o modelo ARIMA

Sobre a potencialidade do uso do mtodo ARIMA para a previso de preos agrcolas no Brasil, vale destacar os estudos feitos com o trigo (cf. ARDES e PEREIRA, 2008), o cacau (ver MORAES e ALBUQUERQUE, 2006) e a soja (cf. SILVA, SAMOHYL e COSTA, 2002), onde os resultados obtidos de previso foram estatisticamente satisfatrios. 3. Procedimentos Metodolgicos O presente estudo foi realizado com o intuito de compreender o comportamento da srie de preos da Manga Tommy (MT) e da Uva Itlia (UI) produzidas e comercializadas no Vale do So Francisco, seguindo as orientaes (1), (2) e (3) citadas por Moretin e Toloi (2006). Os preos foram coletados no site da Secretaria de Agricultura, Irrigao e Reforma Agrria do Estado da Bahia (SEAGRI, 2009), relativos praa de comercializao de Juazeiro (BA). A escala de tempo considerada no estudo foi mensal, abrangendo os anos de 2002 a 2008, perfazendo um total de 84 observaes. Foram construdas duas sries mensais MT e UI onde mostram o preo mdio mensal, atualizados pelo IGP-DI da FGV. Para a utilizao do modelo Holt-Winters, primeiro foi necessrio identificar se as sries mensais apresentam tendncia e sazonalidade. Para a tendncia, foi adotado nesta pesquisa o Teste Wald-Wolfowitz. Como os valores de preo distribudos acima (n1) e abaixo (n2) da mediana (m) foram maiores que 20 em todas as sries, foi realizada uma aproximao normal para testar a hiptese H0 (no h tendncia) frente a H1 (h tendncia). Em todas as sries, H0 foi rejeitada (n1=42; n2=42; Z=-9,00; Z ajustado.=8,89; P=0,0001), indicando assim a existncia de tendncia e eliminando a conjectura da aleatoriedade de seus valores. Quanto ocorrncia de sazonalidade, foi utilizado o Teste de Friedman. Para a srie MT (S=45,31; DF=11; P=0,001) foi verificada a existncia de sazonalidade a 1% de significncia. Para a srie UI (S=18,10; DF=11; P=0,079) foi verificada a existncia de sazonalidade a 10% de significncia, possibilitando assim o uso do modelo supracitado. Para avaliar o subgrupo (aditivo ou multiplicativo) que melhor se adapta na predio dos valores de preo futuros, foi utilizado o menor erro quadrtico mdio (MSE) como parmetro. Para a utilizao do modelo ARIMA, primeiro foi aplicado o teste de estacionariedade (ou de raiz unitria). Aqui foi usado o teste Kwiatkowski-Phillips-Schmidt-Shin [KPSS] (KWIATKOWSKI et al., 1992), onde foi testada a hiptese H0 de que as sries observadas so estacionrias. Em serguida, foi feita a anlise dos seus correlogramas, com 28 defasagens (1/4 do tamanho das sries). Gujarati (2006) sugere alguns padres tericos para as funes de autocorrelao (FAC) e autocorrelao parcial (FACP), no intuito de auxiliar a identificao e estimao do modelo para as sries, como descreve o Quadro 3.
Tipo de modelo AR(p) Padro tpico FAC Declina exponencialmente, ou com um padro de onda senide amortecida, ou ambos MA(q) Apresenta picos significativos at q defasagens ARMA(p,q) Diminui exponencialmente Fonte: adaptado de Gujarati (2006). Padro tpico FACP Apresenta picos significativos at p defasagens Declina exponencialmente Diminui exponencialmente

Quadro 3 Padres tericos das FACs e FACPs

O diagnstico do modelo estimado se deu atravs do teste Breusch-Godfrey (tambm conhecido como teste LM), com o objetivo de verificar a hiptese H0 de no-existncia de correlao serial entre os resduos do modelo. Por fim, a capacidade de previso do modelo foi testada atravs da estatstica U de Theil. Neste aspecto, foi utilizada a equao U2 (1) sugerida por Bliemel (1973), onde Pi e Ai representam, respectivamente, os valores previstos e observados na srie temporal. Os softwares utilizados nesta pesquisa foram o Eviews 6.0, Minitab 14, MS Excel e Statistica 7.0.
=

Equao 1 Estatstica de Theil para medio de qualidade de previso do modelo

4. Anlise e discusso dos resultados 4.1 Previses atravs do mtodo Holt-Winters Nesta etapa do trabalho, so apresentados os resultados referentes aplicao do modelo Holt-Winters para a previso dos valores de preo mdio mensal para as sries pesquisadas. Bliemel (1973) informa que quanto mais prximo de zero for o valor obtido pela estatstica U de Theil, melhor ser a qualidade de previso do mtodo empregado. Em relao Manga Tommy, os resultados encontrados indicam a aplicabilidade do supracitado modelo, como este pode ser utilizado tanto atravs da suavizao exponencial sazonal aditiva (Uaditiva = 0,35767; MSEaditiva = 0,059576) ou pela multiplicativa (Umultiplicativa = 0,35770; MSEmultiplicativa = 0,059587), como ilustra a projeo dos dados descritos pela Figura 1.
R$/Kg 2,00 1,80 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20 0,00 jan-02 jul-02 jan-03 jul-03 jan-04 jul-04 jan-05 jul-05 jan-06 jul-06 jan-07 jul-07 jan-08 abr-02 out-02 abr-03 out-03 abr-04 out-04 abr-05 out-05 abr-06 out-06 abr-07 out-07 abr-08 jul-08 out-08 Resduos 0,80 0,60 0,40 0,20 0,00 -0,20 -0,40 -0,60 -0,80 -1,00

Resduos

Previsto

Realizado

Figura 1 Grfico Real versus Previsto para a Manga Tommy, com suavizao aditiva (2002-2008)

Um entendimento para os resultados da estatstica U de Theil serem to prximos, seja utilizando a suavizao aditiva, seja utilizando a suavizao multiplicativa, ocorre pelo comportamento dos preos da Manga Tommy ao longo do perodo analisado. Se estes forem observados sob a perspectiva de longo prazo, possvel verificar certa estacionariedade entre a amplitude dos valores mximos e mnimos obtidos na srie temporal, o que caracterstica marcante em suavizaes exponenciais aditivas. Por outro lado, se estes forem observados sob a perspectiva de curto prazo, comparando os valores obtidos em cada ano analisado, possvel verificar mudanas relevantes nos patamares das amplitudes dos preos, necessitando dessa forma o emprego de suavizaes exponenciais multiplicativas nas previses.

Ainda sobre este tpico possvel notar que, ao longo do primeiro semestre de cada ano, o preo mdio da MT tende a subir, alcanando seus valores mximos aproximadamente entre os meses de junho e julho, para em seguida inverter sua tendncia e decair para em torno dos valores mnimos histricos observados, que normalmente acontecem entre novembro e dezembro em cada ano. Por fim, os coeficientes de amortizao estimados para a srie aditiva foram =0,765, =0,000, =0,000, para a srie multiplicativa foram =0,915, =0,000, =0,000, e os valores iniciais para as equaes de recorrncia foram S0=0,6046 e T0=-0,001.
R$/ cx 7 Kg 25,00 20,00 15,00 10,00 5,00 0,00 jan-02 abr-02 jul-02 out-02 jan-03 abr-03 out-03 jan-04 abr-04 out-04 jan-05 abr-05 out-05 jan-06 abr-06 out-06 jan-07 abr-07 jul-07 out-07 jan-08 abr-08 jul-08 out-08 jul-03 jul-04 jul-05 jul-06 Resduos 4,00 3,00 2,00 1,00 0,00 -1,00 -2,00 -3,00 -4,00

Resduos

Previsto

Realizado

Figura 2 Grfico Real versus Previsto para a Uva Itlia, com suavizao aditiva (2002-2008)

Em relao aos resultados obtidos para a Uva Itlia, estes indicam tambm o emprego do modelo HW, mas apontam para a preferncia do uso de suavizao exponencial sazonal aditiva (Uaditiva = 0,0822; MSEaditiva = 1,2348) em vez da multiplicativa (Umultiplicativa = 0,0878; MSEmultiplicativa = 1,4084), mesmo com seus valores de U bem prximos (Figura 2). Dessa forma, pode-se dizer que, embora seu preo de venda esteja numa tendncia de alta, este pode estar assumindo, ao longo de cada ano, um padro estacionrio, tendo em vista que a amplitude da variao sazonal poderia estar se estabilizando. Assim, se vista em longo prazo, a srie sugere ser multiplicativa dada s mudanas nos patamares de suas amplitudes; mas se vista em curto prazo dentro do prprio ano a srie aparenta estar estacionria em torno de sua linha de tendncia, demandando, portanto, a suavizao aditiva. Para a UI, os coeficientes de amortizao estimados para a srie aditiva foram =0,974, =0,000, =0,000, para a srie multiplicativa foram =0,968, =0,102, =0,000, e os valores iniciais para as equaes de recorrncia foram S0=7,986 e T0=0,1129. 4.2 Previses atravs do mtodo ARIMA Neste tpico so apresentados os resultados obtidos para as sries temporais da MT e da UI segundo os preceitos da metodologia ARIMA. O primeiro item analisado foi a estacionariedade das sries, com o intuito de se verificar a necessidade de calcular as primeiras diferenas e assim retirar sua raiz unitria. No caso da srie MT, aps aplicar o teste KPSS sem realizar a diferenciao entre os valores observados, foi constatado que a mesma estacionria [I(0)], no rejeitando, portanto, H0. Em relao srie UI, aps aplicar as mesmas condies acima descritas, foi obtida a rejeio de H0. Nesta situao, o teste foi refeito com o objetivo de averiguar se UI um processo estacionrio em tendncia. O resultado final indica que UI estacionria em sua tendncia, isto , embora sua mdia no seja constante, a sua varincia , no sendo necessria a diferenciao de seus valores. A Tabela 1 mostra os resultados do teste KPSS para as sries MT e UI.

Srie Variveis exgenas Bandwidth (Newey-West com Bartlett kernel) Teste KPSS (LM-stat.) Valores crticos assintticos 1% 5% 10% Varincia Residual (sem correo) Varincia HAC corrigida (Bartlett kernel)

MT Intercepto 4 0,096906 0,739000 0,463000 0,347000 0,115452 0,273589 Intercepto 6 1,112024 0,739000 0,463000 0,347000 7,806556 39,97337

UI Intercepto; Tendncia Linear 5 0,061139 0,216000 0,146000 0,119000 2,322630 6,442879

Tabela 1 Teste de estacionariedade KPSS para MT e UI

O segundo item verificado foi a identificao do modelo a partir da anlise de suas funes de autocorrelao e autocorrelao parcial (Figuras 3 e 4, vide Anexo). De acordo com o comportamento dos correlogramas referentes s sries MT e UI e, comparando-os com os padres tericos sugeridos no Quadro 3, estes sugerem que ambas as sries sigam, pelo menos, um processo AR(p). Em seguida, para cada srie, foram realizadas a estimao dos seguintes modelos: AR(1), AR(2), MA(1), MA(2), ARMA(1, 1), ARMA(1,2), ARMA(2,1) e ARMA(2,2), todos com intercepto, j que os correlogramas no apontam p e q maiores que duas defasagens. A Tabela 2 ilustra o desempenho dos modelos a partir de um conjunto de critrios fundamentados tanto na importncia das variveis como na no-existncia de correlao serial entre os resduos (teste LM), ambos ao nvel de 5% de significncia.
Srie Modelo AR(1)* AR(2) MA(1) MA(2) ARMA(1, 1) ARMA(1, 2) MT Todos os termos Existe correlao do modelo so serial entre os significativos? resduos? SIM SIM. 2 = 0,0116 SIM SIM SIM NO. MA(1). P=0,0917 NO. AR(1). P=0,1006. MA(2). P=0,0917 SIM* SIM. 2 = 0,0001 SIM. 2 = 0,0005 SIM. 2 = 0,0001 NO. NO. UI Todos os termos do modelo so significativos? SIM* SIM SIM SIM NO. MA(1). P=0,4414 NO. MA(1). P=0,3063 NO. AR(1). P=0,2565. AR(2). P=0,6095. MA(1). P=0,4442 NO. Const. P=0,5195. MA(2). P=0,0647 Existe correlao serial entre os resduos? NO* = 0,6877 SIM. 2 = 0,0001 SIM. 2 = 0,0001 SIM. 2 = 0,0001 SIM. 2 = 0,0406
2

NO. SIM. 2 = 0,0192

ARMA(2, 1)*

NO.* = 0,9998
2

ARMA(2, 2)

NO. MA(2).P=0,9594

NO.

NO.

Tabela 2 Diagnstico dos modelos ARIMA para as sries MT e UI

Os resultados da Tabela 2 mostram que para a srie MT, o modelo que melhor se ajustou foi o ARMA (2,1) [ou ARIMA (2,0,1)], e para a srie UI, o modelo selecionado foi o

AR(1) [ou ARIMA(1,0,0)], cujas respostas atendem aos padres tericos esperados. Como anteriormente fora identificado que a srie UI um processo estacionrio em tendncia, tambm foi estimado um modelo ARIMA(1,0,0) com remoo desta tendncia. As Tabelas 3, 4 e 5 mostra os resultados estatsticos para os modelos acima calculados.
Manga Tommy Coeficiente Erro Padro Estatstica t Probabilidade Critrio de informao de Akaike Critrio de informao de Schwarz Constante 0,585986 0,037040 15,820440 0,000000 AR(1) AR(2) 1,498471 -0,697126 0,126815 0,091550 11,816170 -7,614709 0,000000 0,000000 0,006716 0,124117 MA(1) -0,730474 0,151630 -4,817469 0,000000

Tabela 3 Estatstica para o modelo ARIMA(2,0,1) para a srie MT Uva Itlia Coeficiente Erro Padro Estatstica t Probabilidade Critrio de informao de Akaike Critrio de informao de Schwarz Constante AR(1) 14,657270 0,909513 1,711543 0,049760 8,563775 18,278010 0,000000 0,000000 3,280561 3,338847

Tabela 4 Estatstica para o modelo ARIMA(1,0,0) para a srie UI Uva Itlia Coeficiente Erro Padro Estatstica t Probabilidade Critrio de informao de Akaike Critrio de informao de Schwarz Constante 9,225007 0,821967 11,223080 0,000000 AR(1) 0,674888 0,016415 5,998715 0,000000 3,174499 3,261927 t 0,098470 0,084564 7,980761 0,000000

Tabela 5 Estatstica para o modelo ARIMA(1,0,0) para a srie UI com tendncia

A ltima etapa do modelo ARIMA a anlise da qualidade de previso dos dados a partir das equaes calculadas. As Figura 5, 6 e 7 (vide Anexo) mostram, respectivamente, a projeo dos valores observados e previstos para a srie Manga Tommy com o modelo ARIMA(2,0,1), da srie Uva Itlia com o modelo ARIMA(1,0,0) e ARIMA(1,0,0) com tendncia. A estatstica U de Theil apresentou o resultado de U = 0,335140, demonstrando um desempenho melhor que os modelos de suavizao exponencial nesta srie. Quanto srie Uva Itlia, a estatstica U de Theil retornou o valor U = 0,0898 para o modelo ARIMA(1,0,0), e U = 0,0841 para o modelo ARIMA(1,0,0) com tendncia. Neste caso, o modelo de suavizao aditiva apresentou um desempenho melhor que os modelos ARIMA estimados, mas o modelo ARIMA(1,0,0) com tendncia teve uma performance melhor que o modelo de suavizao exponencial multiplicativa. 5. Consideraes finais O presente estudo procurou contribuir na apresentao de uma proposta de previso de preo para a produo de uva e manga oriunda do Vale do So Francisco, de modo que auxilie no planejamento da atividade agrcola local, atravs da anlise de modelos de Sries Temporais. J que as situaes econmicas e de negcios mudam ao longo do tempo, os produtores rurais devem utilizar tcnicas que monitorem as implicaes que essas mudanas causaro no desempenho dos resultados de sua organizao.

A Anlise de Sries Temporais um ramo da Econometria que permite a estimao, com a maior preciso e o menor nmero de termos possveis, o valor do preo futuro destes produtos agrcolas. Uma das vantagens que esta metodologia pde apresentar neste estudo foi a sua capacidade de ilustrar, a partir da elaborao de projees o resultado do embate econmico que envolve os interesses de vendedores e compradores de frutas, especialmente manga Tommy e uva Itlia. Logo, a modelagem matemtica dos dados passados pode ajudar a indicar momentos de reverso de tendncias de preo, antecipando a informao do surgimento de um novo cenrio que venha a favorecer os objetivos de determinado agente econmico, o que facilitaria a deciso do produtor rural quanto poca de comercializao e o valor a ser cobrado pela safra produzida. Portanto, os resultados obtidos neste estudo so satisfatrios quanto aplicabilidade de ambos os modelos para o acompanhamento da evoluo do preo da manga Tommy e da uva Itlia, produzidas e comercializadas no contexto do Vale do So Francisco. Neste nterim, vale salientar que, embora o mtodo Holt-Winters tenha sido validado em ambas as sries temporais, os valores encontrados apontam para um melhor poder de predio do modelo na srie de preos da uva Itlia. Alm disso, tambm foi identificada a propenso de estacionariedade da trajetria de ambas as funes amostrais, posicionando-se entre os valores mximos e mnimos de preos recentes. Quanto ao modelo ARIMA, este apresentou um melhor desempenho na predio dos valores da Manga Tommy. Assim, tendo em vista o comportamento invertido das sries de preos estudadas, sugere-se aos produtores o investimento em ambas as culturas aqui analisadas como forma de diversificao. Para estudos futuros, recomenda-se a aplicao de modelos complexos de previso de sries temporais, como a metodologia de Vetores Auto-Regressivos (VAR) ou de mtodos heterocedsticos, como ARCH e GARCH, no intuito de comparar seus resultados com os aqui alcanados. Outra recomendao procurar determinar, atravs de procedimentos economtricos determinsticos como a Anlise de Regresso, as variveis econmicas que podem influenciar na estimao do preo futuro dos produtos agrcolas aqui estudados alm da varivel tempo, o que contribuiria para a ampliao do arcabouo terico, metodolgico e prtico de gesto de fruticultura irrigada na regio do Vale do So Francisco. Bibliografia
ALBUQUERQUE, J. C. S.; SERRA, C. M. V. Utilizao de modelos de Holt-Winters para a previso de sries temporais de consumo de refrigerantes no Brasil. In: XXVI ENEGEP, Fortaleza, Anais... Rio de Janeiro: ABEPRO, 2006. ARDES, A. L.; PEREIRA, M. W. G. Potencialidade da utilizao de modelos de sries temporais na previso do preo do trigo no Estado do Paran. Rev. de Economia Agrcola, So Paulo, v. 55, n. 1, p. 63-76, jan./jun. 2008. BACCI, L. A.; REZENDE, M. L.; MEDEIROS, A. L. Combinao de mtodos de sries temporais na previso da demanda de caf no Brasil. In: XXVI ENEGEP, Fortaleza, Anais... Rio de Janeiro: ABEPRO, 2006. BLIEMEL, F. Theils forecast accuracy coefficient: a clarification. Journal of Marketing Research, v.10, p.444446, 1973. BOX, G. E. P; JENKINS, G. M; REINSEL, G. C. Time series analysis: forecasting and control. 3.ed. New Jersey: Prentice Hall, 1994. CAETANO, J.R. O ponto vulnervel da agricultura. Exame, So Paulo, 02. mai. 2006. Disponvel em: <http://portalexame.abril.com.br/revista/exame/edicoes/0866/economia/m0081647.html>.Acesso em: 20/07/2006. GUJARATI, D. Econometria Bsica. 4. ed. Rio de Janeiro: Elsevier, 2006. INSTITUTO BRASILEIRO DE FRUTAS. Comparativo das exportaes brasileiras de frutas frescas 2008 2007-2006. Disponvel em:< http://www.ibraf.org.br/estatisticas/est_frutas.asp>. Acesso em: 27 abr. 2009.

KWIATKOWSKI, D.; PHILLIPS, P. C. B.; SCHMIDT, P.; SHIN, Y. Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, v.54, p.159-178, 1992. LEVINE, D. M; STEPHAN, D; KREHBIEL, T. C; BERENSON, M. L. Estatstica: teoria e aplicaes usando o Microsoft Excel em portugus. 3.ed. Rio de Janeiro: LTC, 2005. LOPES, F. F; CASTRO, L.T; NEVES, M.F; CALDEIRA, M.A. O Vale do So Francisco: lies para o planejamento estratgico de uma regio. In: NEVES, M. F (org.). Agronegcios e desenvolvimento sustentvel: uma agenda para a liderana mundial na produo de alimentos e bioenergia. So Paulo: Atlas, 2007, p.128138. MAKRIDAKIS, S; HIBON, M. The M3-Competition: results, conclusions and implications. International Journal of Forecasting, v. 16, p. 451-476, 2000. MORAES, M. C.; ALBUQUERQUE, A. P. Previso para o preo futuro do cacau atravs de uma srie univariada de tempo: uma abordagem utilizando o mtodo ARIMA. In: XXX EnANPAD, Salvador, Anais... Rio de Janeiro: ANPAD, 2006. MORETTIN, P. A; TOLOI, C. M. C. Anlise de sries temporais. 2.ed. So Paulo: Edgard Blcher, 2006. NEVES, M. F; CONEJERO, M. A. Cenrio econmico da produo de alimentos, fibras e bioenergia. In: NEVES, M. F (org.). Agronegcios e desenvolvimento sustentvel: uma agenda para a liderana mundial na produo de alimentos e bioenergia. So Paulo: Atlas, 2007, p.11-19. PACHECO, R. F; SILVA, A. V. F. Aplicao de modelos quantitativos de previso em uma empresa de transporte ferrovirio. In: XXIII ENEGEP, Ouro Preto, Anais... Rio de Janeiro: ABEPRO, 2003. QUEIROZ, A. A; CAVALHEIRO, D. Mtodo de previso de demanda e deteco de sazonalidade para o planejamento da produo de indstrias de alimentos. In: XXIII ENEGEP, Ouro Preto, Anais... Rio de Janeiro: ABEPRO, 2003. ROCHA, F.D; OLIVEIRA, D.F; LACERDA, T.S; SILVEIRA, V. N. S. Estratgias de financiamento do capital de giro em empresas do setor alimentcio. In: XII SIMPEP, Bauru, Anais... Bauru: UNESP, 2005. SACHETIM, H. M. Anlise Tcnica: estudo da confiabilidade dos principais indicadores de Anlise Tcnica, aplicados s aes mais negociadas na Bovespa no perodo de 1995-2005. Curitiba, 2006. 130 p. Dissertao (Mestrado em Administrao) Centro de Pesquisa e Ps-Graduao em Administrao, Universidade Federal do Paran. SECRETARIA DE AGRICULTURA, IRRIGAO E REFORMA AGRRIA. Cotao agrcola. Disponvel em:<http://www.seagri.ba.gov.br/cotacao.asp>. Acesso em: 03 abr. 2009. SEIBEL, F. O novo salto do agronegcio. Anurio Exame do agronegcio 2007-2008, So Paulo, 14 jun. 2007. Disponvel em: < http://portalexame.abril.com.br/static/aberto/anuario_agronegocio/edicoes_0895/ m0131023.html >. Acesso em: 25 jul. 2007. SERRA, C. M. V; TAVARES, H. R; SANTOS, J. C. C. Aplicao de sries temporais na anlise de demanda turstica no Estado do Par usando os modelos de Holt-Winters. In: XXV ENEGEP, Porto Alegre, Anais... Rio de Janeiro: ABEPRO, 2005. SILVA, W.V; SAMOHYL, R.W; COSTA, L. S. Comparao entre os mtodos de previso univariados para o preo mdio da soja no Brasil. In: XXII ENEGEP, Curitiba, Anais... Rio de Janeiro: ABEPRO, 2002.

Anexos

Figura 3 Correlograma Serie Manga Tommy

Figura 4 Correlograma Srie Uva Itlia

R$/Kg 2,00 1,80 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20 0,00 jan-02 jun-02 nov-02 abr-03 set-03 jul-04 dez-04 mai-05 out-05 mar-06 ago-06 jan-07 jun-07 nov-07 abr-08 fev-04 set-08

Resduos 1 0,8 0,6 0,4 0,2 0 -0,2 -0,4 -0,6 -0,8

Resduos

Realizado

Previsto

Figura 5 Grfico Real versus Previsto para a Manga Tommy, ARIMA(2,0,1) (2002-2008)

Anexos (continuao)
R$/ cx 7 Kg 25,00 20,00 15,00 10,00 5,00 0,00 jan-02 jun-02 jul-04 mai-05 jan-07 nov-02 mar-06 ago-06 jun-07 abr-03 set-03 out-05 nov-07 abr-08 fev-04 dez-04 set-08 Resduos 5 4 20,00 15,00 10,00 5,00 0,00 jan-02 jun-02 abr-03 out-05 jan-07 jun-07 nov-02 dez-04 mai-05 mar-06 ago-06 nov-07 abr-08 set-03 fev-04 jul-04 set-08 3 2 1 0 -1 -2 -3 Resduos 5 4 3 2 1 0 -1 -2 -3 -4

Resduos

Realizado

Previsto

Figura 6 Grfico Real versus Previsto para a Uva Itlia, ARIMA(1,0,0) (2002-2008)

R$ / cx 7 Kg 25,00

Resduos

Realizado

Previsto

Figura 7 Grfico Real versus Previsto para a Uva Itlia, ARIMA(1,0,0) com tendncia (2002-2008)