P. 1
+IV_AP_002_Aplicação+de+modelos+quantitativos+para+previsão+d

+IV_AP_002_Aplicação+de+modelos+quantitativos+para+previsão+d

|Views: 38|Likes:
Published by Felipe Erdmann

More info:

Published by: Felipe Erdmann on May 09, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/09/2011

pdf

text

original

1

18 a 20 de Agosto.
Belém, PA
Aplicação de modelos quantitativos para previsão da demanda de
atendimento de navios no Porto de Vila do Conde em Barcarena –
Pará
Evander Dayan de Mattos Alencar (UEPA) - alencar.eng@gmail.com
Guilherme Freitas Coelho (UEPA) – coelhoxz@gmail.com
Pedro Henrique Borges Petroli (UEPA) – pedropetroli@hotmail.com
Resumo: O presente trabalho utiliza dados mensais (de janeiro de 2000 a dezembro de 2009) de atendimento de
navios por uma empresa atuante no Porto de Vila do Conde para a análise, ajuste de modelos quantitativos e por
fim a obtenção de uma projeção para o ano de 2010 da sua demanda de serviço. A empresa analisada realiza
serviços de rebocagem e movimentação de navios no porto. Tais projeções são importantes, pois podem nortear
a tomada de decisão em relação à compra de material, novos equipamentos ou até expansão da capacidade de
atendimento do porto para, assim, manter ou aumentar o nível do serviço prestado.
Palavras-chave: Previsão de Demanda; Porto de Vila do Conde; Rebocagem de Navios.
1. Introdução
Inaugurado em outubro de 1985, Porto de Vila do Conde foi projetado para servir ao
Complexo de Produção Alumina-Alumínio e ao Distrito Industrial planejado para a área,
podendo receber navios de até 75.000 TPB (tonelada de porte bruto). É um porto público sob
responsabilidade da Companhia Docas do Pará (CDP) e está integrado à malha rodoviária do
estado, com acesso pela chamada Alça Viária, rodovia composta por três pontes e que se
inicia na BR-316, nas proximidades de Belém, a cerca de 40 km (PLANAVE, 2005).
O porto de Vila do Conde movimenta a bauxita proveniente do terminal de Trombetas e com
destino às instalações de uma empresa mineradora, onde o produto é transformado em
alumina. Em 2002, foram embarcadas 7,3 milhões de toneladas de bauxita no terminal de
Trombetas e desembarcadas mais de quatro milhões em Vila do Conde. (LACERDA, 2004).
Neste contexto, considerando-se, principalmente, a importância estratégica do porto de Vila
do Conde e a relevância da realização de previsões de demandas, o presente trabalho realiza a
análise de modelos quantitativos de previsão de séries temporais de modo a utilizá-los para,
com base nos dados históricos, antever a demanda referente ao atendimento de navios por
uma companhia mineradora que exerce, também, atividades logísticas com rebocadores no
Porto de Vila do Conde, localizado em Barcarena-PA.
2. Previsão baseadas em séries temporais
“As previsões têm uma função muito importante nos processos de planejamento dos sistemas
de produção, pois permitem que os administradores destes sistemas antevejam o futuro e
planejem adequadamente suas ações.” (TUBINO, 2000).
A utilização da previsão de séries temporais pode ocorrer em diversas áreas, como mercado
financeiro, detecção de fraude, indústria farmacêutica, medicina, entre outras. Existem vários
modelos que podem ser utilizados para prever uma série temporal. Com isso, selecionar o
modelo mais adequado pode ser uma tarefa difícil, que depende de fatores como o ajuste dos
parâmetros dos modelos candidatos e as características da série (SANTOS, 2006).


2

18 a 20 de Agosto.
Belém, PA
De acordo com Stevenson (1981), uma série temporal é um conjunto cronológico de
observações. A análise de tais dados tem por objetivo determinar se eles apresentam algum
padrão não-aleatório. Às vezes o que se deseja é localizar estes padrões não-aleatórios para
que possam ser usados para predições quanto ao futuro.
Neste sentido, para Morettin & Toloi (2004), ao se obter uma série temporal podemos estar
interessados em: investigar o mecanismo gerador da série temporal, fazer previsões de valores
futuros da série, a curto ou longo prazo, descrever apenas o comportamento da série e
procurar periodicidades relevantes nos dados.
Freire (2007) afirma a que a abordagem mais simples para análise das séries é decompor as
séries nos seguintes componentes:
a) Tendência – componente que representa o crescimento ou queda dos valores da série em
um período longo de tempo; quando a tendência indica nem crescimento nem decréscimo,
a série é denominada estacionária;
b) Cíclico – componente que caracteriza a flutuação cíclica ou periódica dos valores em
torno da tendência da série, geralmente de longo prazo;
c) Sazonalidade – componente que identifica o padrão de variação que se repete
regularmente no médio prazo, geralmente associado a ciclos anuais;
d) Irregular – componente que mede a variabilidade residual da série após a remoção das
variações explicadas pelos componentes anteriores.
Ressalte-se que, de acordo com Graeml e Peinado (2007), o nível da demanda traduz um
patamar da série temporal do volume das demandas passadas, desconsiderando variações de
sazonalidade e variações aleatórias. O componente de nível pode se apresentar estacionado ou
sofrer alteração ao longo da série temporal que está sendo interpretada.
Diversos modelos podem ser usados para prever uma dada série temporal. A seleção do
melhor modelo deve ser feita com base nas necessidades do usuário e nas características das
séries e dos modelos candidatos à previsão.
De acordo com Fildes (1989) apud Santos (2006), um ganho substancial no desempenho de
previsão pode ser alcançado através da escolha de um modelo adequado de previsão.
3. Método de Holt ou Ajustamento Exponencial para tendência
Método utilizado para analisar séries que apresentam tendência linear. O Método de Holt
oferece refinamentos adicionais na modelagem, à medida que introduz uma constante de
alisamento que afeta a tendência linear da série (CORRAR & THEÓPHILO, 2004).
As funções para previsão, através do método de Holt, são dadas pelas equações a seguir:
(1)
t k t t
Y E kT
+
= +
1 1
(1 )( ) (2)
t t t t
E Y E T o o
÷ ÷
= + ÷ +
1 1
( ) (1 ) (3)
t t t t
T E E T | |
÷ ÷
= ÷ + ÷
0 1, 0 1 o | s s s s


3

18 a 20 de Agosto.
Belém, PA
Onde: Y
t
é o valor observado em uma série temporal; Y
t+k
é o valor estimado para o período k
a partir de um valor observado Yt; E
t
é o valor do nível observado excluído da tendência; T
t

é o valor da tendência no nível observado; e α e β são os parâmetros de suavização.
Tubino (2000) ressalta que para desenvolver a previsão de demanda baseada nesse método,
devem-se estabelecer os valores dos coeficientes de ponderação (parâmetros de suavização)
que corrigirão os erros de previsão. Quanto maiores os valores, menor será a influência de
fatores extraordinários.
4. Modelo de Regressão Linear Simples
Goldstein (2004) diz que a regressão linear é utilizada para aproximar um conjunto de dados
discretos por uma função linear. Tubino (2000) afirma ainda que a equação linear é uma das
técnicas mais importantes que podem ser empregadas para tratar previsões de demanda com
componentes de tendência e possui o seguinte formato:
Y X =| +o (4)
Onde: Y é a previsão de demanda para o período X; o é o coeficiente linear (interceptação no
eixo Y); | é o coeficiente angular (inclinação da curva de tendência); e X é o período;
E seus parâmetros encontrados pelas seguintes fórmulas (GOLDSTEIN, 2004):
N
N
Y X ÷|
o =
¯ ¯
(5)
( )
2
2
N
N
XY X Y
X X
÷
| =
÷
¯ ¯ ¯
¯ ¯


(6)

Onde N =número de períodos observados.
5. Modelo de Regressão Exponencial
Segundo Goldstein (2004), a equação exponencial é representada pela forma:
|
= o
x
y e

(7)
Fazendo ln = Y y deduz-se que ln =| + o Y x , sendo esta uma equação linear, pois ln A o = .
Então se calculam os parâmetros pelo método de regressão linear simples.
N
N
Y x
A
÷|
=
¯ ¯
(8)
( )
2
2
N
N
÷
| =
÷
¯ ¯ ¯
¯ ¯
xY x Y
x x

(9)
6. Medição de erro de previsão
Segundo Tubino (2000), uma forma de acompanhar o desempenho do modelo consiste em
verificar o comportamento do erro acumulado, que deve tender a zero. Uma forma de


4

18 a 20 de Agosto.
Belém, PA
mensurar esse erro é utilizar o Mean Absolute Deviation (MAD) cuja fórmula para o cálculo é
apresentada a seguir:
atual prevista
D D
MAD
n
÷
=
¯


(10)

Onde: D
atual
é a demanda ocorrida no período; D
prevista
é a demanda prevista no período; e n é
o número de períodos.
Ainda segundo o autor, os erros gerados pelo modelo utilizado devem ser analisados segundo
um limite de controle dados por 4 vezes o valor do MAD. Se algum erro estiver fora do limite
estabelecido o problema deve ser identificado e o modelo revisto.
7. Metodologia
Para execução do trabalho foram, primeiramente, obtidos dados de atendimento de navios
com a empresa estudada, referentes ao período de janeiro de 2000 até dezembro de 2009,
totalizando 120 registros.
A partir da série temporal, realizou-se a análise preliminar dos dados. Nesse sentido, efetuou-
se a plotagem do gráfico com os dados da demanda de todos os meses e outro com as
demandas de cada mês, com a finalidade observar em qual nível as observações flutuam, além
de avaliar a série quanto à estacionariedade, tendência, sazonalidade e ciclos que possam ser
visualmente identificados.
O conjunto de dados foi, também, previamente analisado por um gestor representante da
organização, de maneira a evidenciar as possíveis causas de variações ocorridas nas
observações registradas.
Após identificar as características da série, realizou-se a comparação entre três modelos de
previsão de demanda, sendo escolhido um como o mais adequado aos dados e verificou-se o
erro absoluto médio gerado pelo modelo. De posse dos resultados foi feita uma projeção da
série para os seis primeiros meses de 2010.
8. Desenvolvimento
A empresa estudada atua no Porto de Vila do Conde realizando serviços de rebocagem de
navios. Quando um navio precisa atracar no porto, o prático responsável pela embarcação
deve escolher uma empresa que realizará a manobra do navio até o posicionamento correto no
porto. Caso o prático guie o navio por um lugar indevido, novamente ele entrará em contato
com a empresa para que a embarcação possa ser desencalhada ou movida para uma nova
posição. Os dados da demanda de atendimento de navios pela empresa em questão estão
disponibilizados a seguir:
Tabela 1 - Demanda mensal de atendimento de navios
Mês
Anos
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Janeiro 7 12 11 18 17 21 21 30 30 37


5

18 a 20 de Agosto.
Belém, PA
Fevereiro 10 11 13 10 14 14 23 28 33 33
Março 11 10 10 12 19 15 29 33 30 31
Abril 11 12 12 17 14 15 24 28 30 34
Maio 10 12 12 15 15 16 31 26 38 30
Junho 12 11 11 14 16 23 28 30 41 35
Julho 11 12 12 19 17 23 30 31 39 42
Agosto 13 15 15 18 19 15 32 31 41 38
Setembro 11 10 10 16 16 18 32 31 39 45
Outubro 12 13 13 20 16 20 34 30 44 50
Novembro 13 10 10 15 15 20 36 35 45 53
Dezembro 12 13 14 20 19 21 37 33 50 58
Fonte: Empresa analisada
Plotando os dados em um gráfico temos:

Figura 1 - Demanda de navios atendidos ao longo dos anos de 2000 até 2009
8.1. Análise preliminar
Analisando a Figura 1 é perceptível uma tendência de crescimento da demanda,
caracterizando a série como não estacionária. Segundo um representante da empresa, tal fato
decorre principalmente de expansões da fábrica de alumina (Alunorte) em 2003 e 2006,
também situada em Barcarena, que além de aumentar sua capacidade produtiva teve que
garantir maior recebimento de matéria prima (bauxita, carvão, soda cáustica), e
conseqüentemente gerou o incremento na quantidade de navios no porto.
Em 2008, os meses que mais contribuíram para o acréscimo da demanda foram os três últimos
do ano cuja crise econômica mundial já tinha se instalado, entretanto nos dois anteriores,
setembro e agosto, houve um “engargalamento” no porto de Vila do Conde em função de
problemas de operação de carga e descarga, sendo compensado nos três últimos meses do
ano. Somando-se a este fato houve acréscimo na compra de alumina pelos clientes, em função
da queda de preço.
Adite-se que em 2006 e 2008 ocorreram ampliações na capacidade do porto necessárias
devido à crescente demanda, resultando em elevação brusca do aumento no número de
atendimento de navios.


6

18 a 20 de Agosto.
Belém, PA
Analisando como se comportam as componentes sazonais, cíclicas e de tendência da série,
pôde-se perceber a presença de tendência na série, caracterizando-a como não-estacionária,
entretanto pode-se perceber, também, a não existência da componente cíclica e de
sazonalidade.
Ainda analisando a Figura 1 é possível perceber que o comportamento da série histórica muda
de modo significativo a partir do ano de 2005, passando de um padrão predominante
estacionário a um padrão com tendência a partir deste ano. Somando-se ao fato das
ampliações ocorridas no porto, optou-se por analisar comparativamente os dados em duas
vertentes: com histórico a partir de 2000 e a partir de 2005.
O ajuste baseado na utilização de todos os dados pode mascarar o resultado final, pois os
baixos erros do passado fazem o resultado parecer melhor do que realmente é no presente.
Sendo assim, a análise comparativa dos modelos utilizados foi feita primeiramente utilizando
todos os anos de informação em seguida somente os últimos cinco anos.
8.2. Seleção das técnicas de previsão
Haja vista que, na análise da série temporal aqui proposta, verificou-se apenas tendência de
crescimento na série, sem sazonalidade definida, os dados foram ajustados aos modelos de
Holt, Regressão Linear Simples e Regressão Exponencial, e comparados em relação ao Erro
Absoluto Médio.
Para o Modelo de Holt, como critério para discriminação dos parâmetros o e | mais
adequados aos dados, utilizou-se o Solver, Add-In do Microsoft Office Excel, de modo a
minimizar o Erro Absoluto Médio, tendo como restrições: 0 1 o s s e 0 1 | s s .
8.3. Análise dos resultados
Os dados foram ajustados aos três modelos supracitados e os resultados podem ser vistos na
Tabela 2. Como pode ser visto, com a utilização dos 5 últimos anos o valor do MAD se torna
maior. Isto é explicado pelo fato de que os dados iniciais da série não apresentam grandes
picos, o que, em contrapartida, começa a acontecer a partir do quinto ano.
Tabela 2 – Comparação entre modelos de previsão
Modelo de Previsão
MAD
(todos os anos)
MAD
(últimos 5 anos)
α β
Modelo de Holt 2,64 3,32 0,56 0,05
Modelo de Holt (últimos 5 anos) - 3,23 0,70 0,22
Regressão linear 3,88 4,64 4,3203 0,3002
Regressão linear (últimos 5 anos) - 4,16 -10,946 0,469
Regressão Exponencial 3,08 4,30 8,7717 0,0135
Regressão Exponencial (últimos 5
anos)
- 4,19 7,1014 0,0159
Fonte: Autores, 2010
O modelo escolhido como o mais adequado foi o Modelo de Holt com a exclusão dos 5
primeiros anos de dados. O valor dos parâmetros α e β do modelo escolhido aumentou em


7

18 a 20 de Agosto.
Belém, PA
relação ao modelo ajustado a todos os anos de dados. Isto é reflexo da maior variabilidade na
metade dos dados, tendo os parâmetros se alterado para a resposta mais rápida do modelo às
variações na demanda.
A Figura 2 representa os erros gerados pelo modelo. É possível perceber que dos 5 anos do
histórico utilizado, somente um dado (janeiro de 2009) encontra-se fora do limite de controle
de 4MAD. Esta discrepância pode ter sido causada por um efeito da Crise Econômica
Mundial, resultando em uma diminuição da demanda de atendimento de navios pelo porto de
modo geral, logo, sendo um caso extraordinário, o modelo continua válido.

Figura 2 - Erros gerados pelo modelo
A partir dos resultados, foram obtidas previsões para os seis primeiros meses de 2010, sendo
os valores exibidos na Tabela 2.
Tabela 2 - Previsão para os 6 primeiros meses de 2010
(valores arredondados)
Mês Previsão
Janeiro 60
Fevereiro 63
Março 66
Abril 70
Maio 73
Junho 76
Fonte: Autores, 2010
9. Conclusão
A partir dos resultados obtidos pelo modelo de previsão pode-se perceber um crescimento na
demanda de atendimento de navios pela empresa no porto de Vila do Conde. Informação essa
que pode ser utilizada para um melhor planejamento da capacidade de atendimento, alocação
de equipe de trabalho e até verificar a possibilidade de adquirir outros rebocadores e
equipamentos.
A previsão de demanda poderia ser utilizada também pela CDP de modo a auxiliar no
planejamento das instalações do porto na tentativa de atenuar gargalos e restrições que
limitem o desenvolvimento do empreendimento, reduzindo custos operacionais gerados pelo
estoque em trânsito.


8

18 a 20 de Agosto.
Belém, PA
Referências
FREIRE, G. Estudo comparativo de modelos de estoques num ambiente com previsibilidade
variável de demanda. Dissertação (Mestrado) - Escola Politécnica da Universidade de São Paulo.
Departamento de Engenharia de Produção. São Paulo, 2007.
GOLDSTEIN, L. J.; SCHNEIDER, D. I.; LAY, D. C. Matemática Aplicada: Economia,
Administração e Contabilidade.10. ed. Porto Alegre: Bookman, 2004.
LACERDA, S. M. Navegação de Cabotagem: Regulação ou política industrial? In: BNDES
Setorial, Rio de Janeiro, n. 19, p. 49-66, mar, 2004.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 2. ed. São Paulo: Edgard Blücher,
2006.
PLANAVE S.A. Relatório de Impacto Ambiental para a implantação do Terminal Portuário
Graneleiro de Barcarena – Pará. 2005. Disponível em:
<http://www.sectam.pa.gov.br/download/rima_terfronterminalgraneleiro.pdf> Acesso em: 21/04/2010.
SANTOS, P. M. Seleção de modelos de previsão baseada em informações de desempenho.
Dissertação (mestrado) – Centro de Informática, Ciência da Computação. Universidade Federal de
Pernambuco. Recife, 2006.
STEVENSON, W. J. Estatística aplicada à administração. São Paulo: Editora Harbra, 1981.
TUBINO, D. F. Manual de Planejamento e Controle da Produção. 7. ed. São Paulo: Atlas, 2004.

0   1 2 .18 a 20 de Agosto. a curto ou longo prazo. As funções para previsão. para Morettin & Toloi (2004). ao se obter uma série temporal podemos estar interessados em: investigar o mecanismo gerador da série temporal. à medida que introduz uma constante de alisamento que afeta a tendência linear da série (CORRAR & THEÓPHILO. De acordo com Fildes (1989) apud Santos (2006). 3. descrever apenas o comportamento da série e procurar periodicidades relevantes nos dados. geralmente de longo prazo. um ganho substancial no desempenho de previsão pode ser alcançado através da escolha de um modelo adequado de previsão. O componente de nível pode se apresentar estacionado ou sofrer alteração ao longo da série temporal que está sendo interpretada. Às vezes o que se deseja é localizar estes padrões não-aleatórios para que possam ser usados para predições quanto ao futuro. b) Cíclico – componente que caracteriza a flutuação cíclica ou periódica dos valores em torno da tendência da série. 2004). de acordo com Graeml e Peinado (2007). d) Irregular – componente que mede a variabilidade residual da série após a remoção das variações explicadas pelos componentes anteriores. O Método de Holt oferece refinamentos adicionais na modelagem. Método de Holt ou Ajustamento Exponencial para tendência Método utilizado para analisar séries que apresentam tendência linear. fazer previsões de valores futuros da série. Diversos modelos podem ser usados para prever uma dada série temporal. A análise de tais dados tem por objetivo determinar se eles apresentam algum padrão não-aleatório. Belém. PA De acordo com Stevenson (1981). geralmente associado a ciclos anuais. através do método de Holt. A seleção do melhor modelo deve ser feita com base nas necessidades do usuário e nas características das séries e dos modelos candidatos à previsão. Neste sentido. quando a tendência indica nem crescimento nem decréscimo. c) Sazonalidade – componente que identifica o padrão de variação que se repete regularmente no médio prazo. são dadas pelas equações a seguir: Yt k  Et  kTt (1) (2) (3) Et  Yt  (1   )( Et 1  Tt 1 ) Tt   ( Et  Et 1 )  (1   )Tt 1 0    1. o nível da demanda traduz um patamar da série temporal do volume das demandas passadas. Ressalte-se que. Freire (2007) afirma a que a abordagem mais simples para análise das séries é decompor as séries nos seguintes componentes: a) Tendência – componente que representa o crescimento ou queda dos valores da série em um período longo de tempo. desconsiderando variações de sazonalidade e variações aleatórias. a série é denominada estacionária. uma série temporal é um conjunto cronológico de observações.

Quanto maiores os valores. e α e β são os parâmetros de suavização. uma forma de acompanhar o desempenho do modelo consiste em verificar o comportamento do erro acumulado.  é o coeficiente linear (interceptação no eixo Y). T t é o valor da tendência no nível observado. Belém. A  N Y   x N N xY   x Y N x 2    x  2 (8) (9) 6. Tubino (2000) afirma ainda que a equação linear é uma das técnicas mais importantes que podem ser empregadas para tratar previsões de demanda com componentes de tendência e possui o seguinte formato: Y  X   (4) Onde: Y é a previsão de demanda para o período X. 4. e X é o período. 5. devem-se estabelecer os valores dos coeficientes de ponderação (parâmetros de suavização) que corrigirão os erros de previsão. Uma forma de 3 . menor será a influência de fatores extraordinários. Et é o valor do nível observado excluído da tendência. pois ln  A . sendo esta uma equação linear. a equação exponencial é representada pela forma: y  ex (7) Fazendo Y  ln y deduz-se que Y  x  ln . Tubino (2000) ressalta que para desenvolver a previsão de demanda baseada nesse método.18 a 20 de Agosto. PA Onde: Yt é o valor observado em uma série temporal. 2004): N Y   X (5)  N N XY   X  Y  (6) 2 N X 2    X  Onde N  número de períodos observados. Modelo de Regressão Exponencial Segundo Goldstein (2004). Yt+k é o valor estimado para o período k a partir de um valor observado Yt. Medição de erro de previsão Segundo Tubino (2000). Modelo de Regressão Linear Simples Goldstein (2004) diz que a regressão linear é utilizada para aproximar um conjunto de dados discretos por uma função linear. Então se calculam os parâmetros pelo método de regressão linear simples. E seus parâmetros encontrados pelas seguintes fórmulas (GOLDSTEIN. que deve tender a zero.  é o coeficiente angular (inclinação da curva de tendência).

também. tendência. realizou-se a análise preliminar dos dados. Belém. de maneira a evidenciar as possíveis causas de variações ocorridas nas observações registradas. Se algum erro estiver fora do limite estabelecido o problema deve ser identificado e o modelo revisto. Caso o prático guie o navio por um lugar indevido. Metodologia Para execução do trabalho foram. De posse dos resultados foi feita uma projeção da série para os seis primeiros meses de 2010. o prático responsável pela embarcação deve escolher uma empresa que realizará a manobra do navio até o posicionamento correto no porto. totalizando 120 registros. PA mensurar esse erro é utilizar o Mean Absolute Deviation (MAD) cuja fórmula para o cálculo é apresentada a seguir: MAD  D atual  Dprevista n (10) Onde: Datual é a demanda ocorrida no período. Quando um navio precisa atracar no porto.18 a 20 de Agosto. Os dados da demanda de atendimento de navios pela empresa em questão estão disponibilizados a seguir: Tabela 1 . com a finalidade observar em qual nível as observações flutuam. primeiramente. referentes ao período de janeiro de 2000 até dezembro de 2009. A partir da série temporal. os erros gerados pelo modelo utilizado devem ser analisados segundo um limite de controle dados por 4 vezes o valor do MAD. novamente ele entrará em contato com a empresa para que a embarcação possa ser desencalhada ou movida para uma nova posição. efetuouse a plotagem do gráfico com os dados da demanda de todos os meses e outro com as demandas de cada mês. sazonalidade e ciclos que possam ser visualmente identificados. Dprevista é a demanda prevista no período. sendo escolhido um como o mais adequado aos dados e verificou-se o erro absoluto médio gerado pelo modelo. O conjunto de dados foi. 7. previamente analisado por um gestor representante da organização.Demanda mensal de atendimento de navios Anos Mês 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 Janeiro 7 12 11 18 17 21 21 30 30 37 4 . 8. Ainda segundo o autor. e n é o número de períodos. obtidos dados de atendimento de navios com a empresa estudada. Nesse sentido. Após identificar as características da série. realizou-se a comparação entre três modelos de previsão de demanda. Desenvolvimento A empresa estudada atua no Porto de Vila do Conde realizando serviços de rebocagem de navios. além de avaliar a série quanto à estacionariedade.

Somando-se a este fato houve acréscimo na compra de alumina pelos clientes. Segundo um representante da empresa. resultando em elevação brusca do aumento no número de atendimento de navios. sendo compensado nos três últimos meses do ano. houve um “engargalamento” no porto de Vila do Conde em função de problemas de operação de carga e descarga. PA Fevereiro 10 11 13 Março 11 10 10 Abril 11 12 12 Maio 10 12 12 Junho 12 11 11 Julho 11 12 12 Agosto 13 15 15 Setembro 11 10 10 Outubro 12 13 13 Novembro 13 10 10 Dezembro 12 13 14 Fonte: Empresa analisada Plotando os dados em um gráfico temos: 10 12 17 15 14 19 18 16 20 15 20 14 19 14 15 16 17 19 16 16 15 19 14 15 15 16 23 23 15 18 20 20 21 23 29 24 31 28 30 32 32 34 36 37 28 33 28 26 30 31 31 31 30 35 33 33 30 30 38 41 39 41 39 44 45 50 33 31 34 30 35 42 38 45 50 53 58 Figura 1 . os meses que mais contribuíram para o acréscimo da demanda foram os três últimos do ano cuja crise econômica mundial já tinha se instalado. que além de aumentar sua capacidade produtiva teve que garantir maior recebimento de matéria prima (bauxita. setembro e agosto.1. e conseqüentemente gerou o incremento na quantidade de navios no porto. Adite-se que em 2006 e 2008 ocorreram ampliações na capacidade do porto necessárias devido à crescente demanda. Belém. caracterizando a série como não estacionária. carvão. em função da queda de preço. Em 2008. entretanto nos dois anteriores. tal fato decorre principalmente de expansões da fábrica de alumina (Alunorte) em 2003 e 2006.18 a 20 de Agosto. 5 . também situada em Barcarena.Demanda de navios atendidos ao longo dos anos de 2000 até 2009 8. soda cáustica). Análise preliminar Analisando a Figura 1 é perceptível uma tendência de crescimento da demanda.

Regressão Linear Simples e Regressão Exponencial.0159 O modelo escolhido como o mais adequado foi o Modelo de Holt com a exclusão dos 5 primeiros anos de dados.23 Regressão linear 3. Como pode ser visto. também.2. verificou-se apenas tendência de crescimento na série.30 Regressão Exponencial (últimos 5 4. Belém. de modo a minimizar o Erro Absoluto Médio. pôde-se perceber a presença de tendência na série.64 3.7717 7. 8. O valor dos parâmetros α e β do modelo escolhido aumentou em 6 . utilizou-se o Solver. entretanto pode-se perceber. Sendo assim. Tabela 2 – Comparação entre modelos de previsão MAD MAD Modelo de Previsão (todos os anos) (últimos 5 anos) Modelo de Holt 2. Ainda analisando a Figura 1 é possível perceber que o comportamento da série histórica muda de modo significativo a partir do ano de 2005.469 0. cíclicas e de tendência da série. Somando-se ao fato das ampliações ocorridas no porto.16 Regressão Exponencial 3.88 4.22 0. Add-In do Microsoft Office Excel. PA Analisando como se comportam as componentes sazonais. passando de um padrão predominante estacionário a um padrão com tendência a partir deste ano. O ajuste baseado na utilização de todos os dados pode mascarar o resultado final.0135 0. em contrapartida. 2010 α 0.32 Modelo de Holt (últimos 5 anos) 3.08 4.18 a 20 de Agosto. pois os baixos erros do passado fazem o resultado parecer melhor do que realmente é no presente.19 anos) Fonte: Autores.946 8.3002 0. optou-se por analisar comparativamente os dados em duas vertentes: com histórico a partir de 2000 e a partir de 2005. sem sazonalidade definida.3.56 0. Seleção das técnicas de previsão Haja vista que.05 0. caracterizando-a como não-estacionária. a análise comparativa dos modelos utilizados foi feita primeiramente utilizando todos os anos de informação em seguida somente os últimos cinco anos. como critério para discriminação dos parâmetros  e  mais adequados aos dados. começa a acontecer a partir do quinto ano. a não existência da componente cíclica e de sazonalidade.3203 -10. o que. com a utilização dos 5 últimos anos o valor do MAD se torna maior. 8. Para o Modelo de Holt. Análise dos resultados Os dados foram ajustados aos três modelos supracitados e os resultados podem ser vistos na Tabela 2. na análise da série temporal aqui proposta. os dados foram ajustados aos modelos de Holt. Isto é explicado pelo fato de que os dados iniciais da série não apresentam grandes picos. e comparados em relação ao Erro Absoluto Médio.64 Regressão linear (últimos 5 anos) 4. tendo como restrições: 0    1 e 0    1.70 4.1014 β 0.

foram obtidas previsões para os seis primeiros meses de 2010. logo. o modelo continua válido. A Figura 2 representa os erros gerados pelo modelo. tendo os parâmetros se alterado para a resposta mais rápida do modelo às variações na demanda. Esta discrepância pode ter sido causada por um efeito da Crise Econômica Mundial. Figura 2 . Belém. PA relação ao modelo ajustado a todos os anos de dados. sendo um caso extraordinário.18 a 20 de Agosto. Informação essa que pode ser utilizada para um melhor planejamento da capacidade de atendimento. resultando em uma diminuição da demanda de atendimento de navios pelo porto de modo geral. alocação de equipe de trabalho e até verificar a possibilidade de adquirir outros rebocadores e equipamentos. Tabela 2 . Conclusão A partir dos resultados obtidos pelo modelo de previsão pode-se perceber um crescimento na demanda de atendimento de navios pela empresa no porto de Vila do Conde.Previsão para os 6 primeiros meses de 2010 (valores arredondados) Mês Previsão Janeiro 60 Fevereiro 63 Março 66 Abril 70 Maio 73 Junho 76 Fonte: Autores. A previsão de demanda poderia ser utilizada também pela CDP de modo a auxiliar no planejamento das instalações do porto na tentativa de atenuar gargalos e restrições que limitem o desenvolvimento do empreendimento. Isto é reflexo da maior variabilidade na metade dos dados. somente um dado (janeiro de 2009) encontra-se fora do limite de controle de 4MAD.Erros gerados pelo modelo A partir dos resultados. 7 . 2010 9. reduzindo custos operacionais gerados pelo estoque em trânsito. sendo os valores exibidos na Tabela 2. É possível perceber que dos 5 anos do histórico utilizado.

Análise de séries temporais. A. Navegação de Cabotagem: Regulação ou política industrial? In: BNDES Setorial.18 a 20 de Agosto. Administração e Contabilidade. Ciência da Computação. P. 2005. 2007. Belém. F.pa. D.sectam. 7. Estudo comparativo de modelos de estoques num ambiente com previsibilidade variável de demanda. 2004. Departamento de Engenharia de Produção. Seleção de modelos de previsão baseada em informações de desempenho. ed. J. C. TUBINO. M. L. 2006. C. STEVENSON. São Paulo: Editora Harbra. Relatório de Impacto Ambiental para a implantação do Terminal Portuário Graneleiro de Barcarena – Pará. 19.pdf> Acesso em: 21/04/2010. LACERDA. Porto Alegre: Bookman. Dissertação (mestrado) – Centro de Informática. MORETTIN. 1981. M. D. S. 8 . SCHNEIDER.. São Paulo: Edgard Blücher. ed.A. LAY. mar. W. G. 2006. Manual de Planejamento e Controle da Produção.Escola Politécnica da Universidade de São Paulo. p. Rio de Janeiro. Estatística aplicada à administração. P. GOLDSTEIN. D. I. 2004. n. Disponível em: <http://www. TOLOI. M. 49-66.br/download/rima_terfronterminalgraneleiro... PA Referências FREIRE. C. Universidade Federal de Pernambuco. PLANAVE S. São Paulo: Atlas. Matemática Aplicada: Economia. 2004. ed.gov. SANTOS. São Paulo. Recife. Dissertação (Mestrado) . J.10. 2.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->