Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34482
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Guindani, Luana Gonçalves | - |
dc.date.accessioned | 2024-08-15T11:59:20Z | - |
dc.date.available | 2024-08-15T11:59:20Z | - |
dc.date.issued | 2024-05-29 | - |
dc.identifier.citation | GUINDANI, Luana Gonçalves. Análise e previsão do resultado financeiro da produção de commodity agrícola. 2024. Dissertação (Mestrado em Engenharia de Produção e Sistemas) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2024. | pt_BR |
dc.identifier.uri | http://repositorio.utfpr.edu.br/jspui/handle/1/34482 | - |
dc.description.abstract | Agriculture is one of the main pillars of the global economy. The activities in the agricultural sector carry risks associated with factors beyond the control of the chain agents. In view of this, mathematical models have been applied that use important variables to predict the financial outcome of the agribusiness sector. In this context, the first part of this dissertation combines bibliometric (systematic) analysis with the Latent Dirichlet Allocation (LDA) method, culminating in a semi-automatic approach for the literary review, while the second part consists of the application of some mapped methodologies. The main objective was to automate the identification of relevant topics and to obtain a final bibliographic portfolio (BP) that covered the period from 2015 to 2022, for the extraction of methodologies used in the articles, as well as other bibliometric analyses. The 30 articles in the BP address issues about the methodologies applied in the temporal analysis of agricultural commodities. The articles that made up the BP were allocated into categories based on the nature of the forecasting models used, classified as: (i) machine learning (ML), (ii) machine learning and artificial neural networks (ML-ANN); (iii) machine learning and ensemble methods (ML-Ensemble); (iv) machine learning and hybrid methods (ML-Hybrid); and (v) statistical methods. Regarding the results, the most prominent topic was called "Forecasting Methods Applied to Agribusiness Time Series." The most used classes were the ML-Hybrid (41.95%) and statistical methods (29.31%), followed by ML-ANN methodologies (14.94%), ML (9.20%), and ML-Ensemble (4.60%). Therefore, there is an opportunity to further explore ensemble methodologies and ML. The second part of this study aimed to investigate the behavior of the variables price, production, production cost, and financial outcome of soybeans. To achieve this goal, time series methods (integrated moving average model, Naïve method, and Holt-Winters method) and machine learning models (artificial neural networks and support vector regression) are used to generate short-term forecasts for the quantity produced, production cost, prices, and financial outcome. The performance of the models is evaluated using mean absolute percentage error, mean absolute error, root mean square error, and standard deviation of errors. This research uses secondary data obtained from government databases (SEAB/DERAL and CONAB). The results indicated that, in general, both support vector regression (SVR) and extreme learning machine (ELM) are capable approaches for generating adequate forecasts for the studied variables. The first is effective in the context of production cost and production forecasts, while the second is more suitable for price and financial outcome forecasts. The theoretical contribution of this study was to identify literature gaps on forecasting methods applied to agribusiness. The practical implication was to identify forecasting methodologies to support decision-making. Finally, the consulted literature showed that the financial outcome has not been the focus of study, representing a good research opportunity. | pt_BR |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Tecnológica Federal do Paraná | pt_BR |
dc.rights | openAccess | pt_BR |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.subject | Agricultura - Previsão | pt_BR |
dc.subject | Agroindústria | pt_BR |
dc.subject | Produtos agrícolas | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.subject | Agriculture - Forecasting | pt_BR |
dc.subject | Agricultural industries | pt_BR |
dc.subject | Farm produce | pt_BR |
dc.title | Análise e previsão do resultado financeiro da produção de commodity agrícola | pt_BR |
dc.title.alternative | Analysis and forecast of the financial result of the production of agricultural commodities | pt_BR |
dc.type | masterThesis | pt_BR |
dc.description.resumo | A agricultura é um dos principais pilares econômicos mundiais. As atividades do setor agrícola contêm riscos associados a fatores incontroláveis pelos agentes da cadeia. Em vista disso, foram aplicados modelos matemáticos que utilizam variáveis importantes para a previsão do resultado financeiro do setor do agronegócio. Neste contexto, a primeira parte da presente dissertação combina a análise bibliométrica (sistemática) com o método Latent Dirichlet Allocation (LDA) culminado em uma abordagem semiautomática para o levantamento literário, já a segunda parte consiste da aplicação de algumas metodologias mapeadas. O objetivo principal foi automatizar a identificação dos tópicos relevantes e obter um final no portifólio bibliográfico (PB) o qual abrangeu o período 2015-2022, para a extração das metodologias utilizadas nos artigos, bem como, outras análises bibliométricas. Os 30 artigos do PB abordam questões sobre as metodologias aplicadas na análise temporal das commodities agrícolas. Os artigos que compuseram o PB foram alocados em categorias quanto a natureza dos modelos de previsão utilizados, sendo classificados em: (i) aprendizado de máquina (do inglês, machine learning, ML), (ii) aprendizado de máquina e redes neurais artificiais (do inglês, machine learning - artificial neural networks, ML – NN); (iii) aprendizado de máquina e conjunto estatístico (do inglês, machine learning - Ensemble, ML – Ensemble); (iv) aprendizado de máquina e híbrido (do inglês, machine learning- hybrid, ML- híbrido) e (v) estatísticos. Em relação aos resultados, o tópico que mais se destacou foi denominado “Métodos de previsão aplicados a séries temporais do agronegócio”. As classes que foram mais utilizadas foram as ML-híbridas (41,95%) e as do tipo estatística (29,31%), e na sequência as metodologias do tipo ML-NN (14,94%), ML (9,20%) e ML-Ensemble (4,60%). Portanto, verifica-se a oportunidade de se explorar mais as metodologias ensemble e as ML. A segunda parte do presente estudo, como teve objetivo averiguar o comportamento das variáveis preço, produção, custo de produção e resultado financeiro da soja. Para atingir este objetivo, métodos de séries temporais (modelo integrado de médias móveis, Naïve e método de Holt-Winters) e modelos de aprendizado de máquina (redes neurais artificiais e regressão por vetores suporte) são utilizados para gerar previsões de curto prazo para a quantidade produzida, custo de produção, preços e resultado financeiro. O desempenho dos modelos é avaliado por meio do erro percentual médio absoluto, erro médio absoluto, raiz quadrada do erro médio e desvio padrão dos erros. Esta pesquisa utiliza dados secundários, obtidos em bases de dados governamentais (SEAB/DERAL e CONAB). Os resultados indicaram que de forma geral, tanto os modelos regressão por vetores suporte (do inglês, support vector regression, SVR) quanto a máquina de aprendizado extremo (do inglês, Extreme Learning Machine, ELM) são abordagens capazes de gerar previsões adequadas para as variáveis estudadas. A primeira mostra-se eficaz no contexto das previsões do custo de produção e produção, enquanto a segunda é mais adequada para previsão do preço e resultado financeiro. A contribuição teórica do presente estudo foi encontrar lacunas literárias sobre métodos de previsão aplicados ao agronegócio. Já a implicação prática foi identificar as metodologias de previsão para suporte à tomada de decisão. Por fim, a literatura consultada mostrou que o resultado financeiro não tem sido foco de estudo, sendo essa uma boa oportunidade de pesquisa. | pt_BR |
dc.degree.local | Pato Branco | pt_BR |
dc.publisher.local | Pato Branco | pt_BR |
dc.creator.ID | https://orcid.org/0000-0002-6293-2781 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/8913560998822691 | pt_BR |
dc.contributor.advisor1 | Lima, José Donizetti de | - |
dc.contributor.advisor1ID | https://orcid.org/0000-0001-5260-9035 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1633959881315804 | pt_BR |
dc.contributor.advisor-co1 | Ribeiro, Matheus Henrique Dal Molin | - |
dc.contributor.advisor-co1ID | https://orcid.org/0000-0001-7387-9077 | pt_BR |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/2531836774466938 | pt_BR |
dc.contributor.referee1 | Rodrigues, Erick Oliveira | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/8017652065657796 | pt_BR |
dc.contributor.referee2 | Lima, José Donizetti de | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/1633959881315804 | pt_BR |
dc.contributor.referee3 | Kleina, Mariana | - |
dc.contributor.referee3ID | https://orcid.org/0000-0001-8108-8793 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/2745872488816219 | pt_BR |
dc.contributor.referee4 | Ribeiro, Matheus Henrique Dal Molin | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/2531836774466938 | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia de Produção e Sistemas | pt_BR |
dc.publisher.initials | UTFPR | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | pt_BR |
dc.subject.capes | Engenharia/Tecnologia/Gestão | pt_BR |
Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia de Produção e Sistemas |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
analiseprevisaocommodityagricola.pdf | 3,36 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons