Previsão de demanda por meio do método auto regressivo médias móveis integrado sazonal - SARIMA: Um estudo em uma empresa do segmento autopeças
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
<strong>Previsão</strong> <strong>de</strong> <strong>de</strong>manda <strong>por</strong> <strong>meio</strong> <strong>do</strong> méto<strong>do</strong> <strong>auto</strong> <strong>regressivo</strong> <strong>médias</strong><br />
<strong>móveis</strong> integra<strong>do</strong> <strong>sazonal</strong> - <strong>SARIMA</strong>: <strong>Um</strong> estu<strong>do</strong> <strong>em</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong><br />
<strong>segmento</strong> <strong>auto</strong>peças<br />
Wislley Carly André <strong>de</strong> Almeida<br />
ORIENTADOR: Professor Doutor Aneirson Francisco da Silva<br />
Resumo: Com a crescente complexida<strong>de</strong> e competitivida<strong>de</strong> <strong>do</strong> ambiente <strong>em</strong>presarial, tornamse<br />
cada vez mais valorizadas soluções que enfoqu<strong>em</strong> um diferencial para o crescimento<br />
organizacional. Desta forma, a maioria das <strong>de</strong>cisões que orientarão o futuro das <strong>em</strong>presas<br />
será baseada na previsão <strong>de</strong> <strong>de</strong>manda (PD), sen<strong>do</strong> esta <strong>uma</strong> ferramenta primordial nas<br />
<strong>de</strong>cisões <strong>do</strong>s gestores e também no planejamento estratégico. Este artigo faz <strong>uma</strong> aplicação<br />
da mo<strong>de</strong>lag<strong>em</strong> <strong>auto</strong> regressiva para a previsão <strong>de</strong> <strong>uma</strong> série t<strong>em</strong><strong>por</strong>al utilizan<strong>do</strong> o méto<strong>do</strong> <strong>de</strong><br />
Box Jenkins, ou mo<strong>de</strong>los <strong>SARIMA</strong>, sen<strong>do</strong> feita <strong>uma</strong> aplicação <strong>em</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong> <strong>segmento</strong><br />
<strong>de</strong> <strong>auto</strong>peças, localizada no sul <strong>de</strong> Minas Gerais. Os resulta<strong>do</strong>s da previsão para trinta e seis<br />
meses <strong>por</strong> <strong>meio</strong> <strong>do</strong> <strong>SARIMA</strong> (2,1,3) x (1,1,2) foram confiáveis e a<strong>de</strong>rentes, auxilian<strong>do</strong> os<br />
gestores no <strong>de</strong>senvolvimento <strong>de</strong> planejamento e estratégias <strong>de</strong> produção e vendas.<br />
Palavra-chave: Simulação, <strong>Previsão</strong> <strong>de</strong> D<strong>em</strong>anda, <strong>SARIMA</strong>, Autopeças.<br />
1 Introdução<br />
O papel das previsões, entre elas a previsão da <strong>de</strong>manda, é fornecer subsídios para o<br />
planejamento estratégico da organização. Os planos <strong>de</strong> capacida<strong>de</strong>, vendas, fluxo <strong>de</strong> caixa,<br />
estoques, mão-<strong>de</strong>-obra e compras são to<strong>do</strong>s basea<strong>do</strong>s na previsão <strong>de</strong> <strong>de</strong>manda. Esta permite<br />
que os gestores <strong>de</strong>stas organizações projet<strong>em</strong> o futuro e planej<strong>em</strong> <strong>de</strong> forma mais eficiente suas<br />
ações (TUBINO, 2000).<br />
No caso particular <strong>do</strong> Brasil, a situação econômica, com inflação controlada e relativa<br />
estabilida<strong>de</strong>, permite que as <strong>de</strong>mandas sobre produtos e serviços tenham certo grau <strong>de</strong><br />
previsibilida<strong>de</strong>, principalmente se comparadas aos perío<strong>do</strong>s <strong>de</strong> turbulência e incerteza das<br />
décadas <strong>de</strong> 80 e início <strong>do</strong>s 90 (CAVALHEIRO, 2003).<br />
As mudanças econômicas ocorridas nas últimas décadas têm força<strong>do</strong> as organizações a<br />
adaptar<strong>em</strong>-se continuamente para enfrentar os <strong>de</strong>safios <strong>de</strong> manter<strong>em</strong>-se no merca<strong>do</strong> <strong>de</strong> forma<br />
competitiva. O planejamento da produção t<strong>em</strong> a previsão da <strong>de</strong>manda como um <strong>do</strong>s seus<br />
principais subsídios.<br />
A previsão t<strong>em</strong> a função <strong>de</strong> fornecer informações sobre a <strong>de</strong>manda futura <strong>do</strong>s produtos<br />
para que a produção possa ser planejada com antecedência, permitin<strong>do</strong> que os recursos<br />
produtivos estejam disponíveis na quantida<strong>de</strong>, momento e qualida<strong>de</strong> a<strong>de</strong>quada (QUEIROZ,<br />
2003; DIAS, 1993).<br />
Para Dias (1993), exist<strong>em</strong> três tipos <strong>de</strong> <strong>de</strong>manda: <strong>de</strong>manda regular, que acontece<br />
quan<strong>do</strong> a necessida<strong>de</strong> <strong>de</strong> materiais é constante ao longo <strong>do</strong> t<strong>em</strong>po ou t<strong>em</strong> pequenas oscilações<br />
1
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
<strong>de</strong> tal forma, que se po<strong>de</strong> i<strong>de</strong>ntificar um com<strong>por</strong>tamento regular ao longo <strong>do</strong> t<strong>em</strong>po; <strong>de</strong>manda<br />
crescente ou <strong>de</strong>crescente, que ocorre quan<strong>do</strong> nota-se um crescimento ou <strong>de</strong>créscimo <strong>do</strong><br />
consumo ao longo <strong>do</strong> t<strong>em</strong>po; <strong>de</strong>manda irregular, que ocorre quan<strong>do</strong> há a influência da<br />
<strong>sazonal</strong>ida<strong>de</strong>.<br />
Neste contexto, o objetivo geral <strong>de</strong>sta pesquisa foi utilizar o méto<strong>do</strong> <strong>SARIMA</strong><br />
(Sazonal Auto Regressive Integrated Move Average) Mo<strong>de</strong>lo Auto Regressivo Integra<strong>do</strong> <strong>de</strong><br />
Médias Móveis Sazonal para realizar a previsão da produção <strong>de</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong> <strong>segmento</strong> <strong>de</strong><br />
<strong>auto</strong>peças. O objetivo específico foi projetar a previsão <strong>de</strong> produção <strong>de</strong> um <strong>de</strong>termina<strong>do</strong><br />
produto para os próximos trinta e seis meses.<br />
De acor<strong>do</strong> com a classificação proposta <strong>por</strong> Bertrand e Fransoo (2002), este trabalho é<br />
<strong>uma</strong> pesquisa aplicada, com objetivos <strong>em</strong>píricos <strong>de</strong>scritivos, pois o mo<strong>de</strong>lo <strong>de</strong>senvolvi<strong>do</strong><br />
<strong>de</strong>screve <strong>de</strong> forma a<strong>de</strong>quada as relações causais que po<strong>de</strong>m existir na realida<strong>de</strong>, favorecen<strong>do</strong> a<br />
compreensão <strong>de</strong> processos reais. A forma <strong>de</strong> abordar o probl<strong>em</strong>a é quantitativa, sen<strong>do</strong> o<br />
méto<strong>do</strong> <strong>de</strong> pesquisa a mo<strong>de</strong>lag<strong>em</strong> e simulação.<br />
O artigo está organiza<strong>do</strong> como segue: na seção 2 têm-se conceitos e méto<strong>do</strong>s <strong>de</strong><br />
previsão; na seção 3 <strong>de</strong>screve-se a aplicação <strong>do</strong> mo<strong>de</strong>lo <strong>SARIMA</strong> para a previsão <strong>de</strong> <strong>de</strong>manda<br />
<strong>de</strong> um produto <strong>de</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong> <strong>segmento</strong> <strong>de</strong> <strong>auto</strong>peças, finalmente estão na seção 4 as<br />
conclusões e sugestões <strong>de</strong> trabalhos futuros, seguidas da bibliografia consultada.<br />
2 <strong>Previsão</strong> <strong>de</strong> <strong>de</strong>manda<br />
Para Rocha (2008), <strong>de</strong>manda po<strong>de</strong> ser representada <strong>por</strong> <strong>uma</strong> quantida<strong>de</strong> <strong>de</strong><br />
produto/insumo possível <strong>de</strong> ser consumi<strong>do</strong> <strong>por</strong> um grupo <strong>de</strong> clientes, <strong>por</strong> um merca<strong>do</strong> ou <strong>por</strong><br />
um processo, num <strong>de</strong>termina<strong>do</strong> t<strong>em</strong>po. A Figura 1 apresenta os el<strong>em</strong>entos das cinco<br />
principais áreas da gestão <strong>de</strong> <strong>de</strong>manda (CORRÊA, GIANESI e CAON, 2009).<br />
Gestão da<br />
D<strong>em</strong>anda<br />
<strong>Previsão</strong> <strong>de</strong><br />
D<strong>em</strong>anda<br />
Influencia<br />
sobre o<br />
merca<strong>do</strong><br />
Comunicação<br />
com o<br />
merca<strong>do</strong><br />
Priorização e<br />
Alocação<br />
Promessa <strong>de</strong><br />
prazos<br />
FIGURA 1 - Principais el<strong>em</strong>entos da gestão <strong>de</strong> <strong>de</strong>manda. Fonte: Corrêa, Gianesi e Caon (2009).<br />
Para Slack, Chambers e Johnston (2009), simplesmente saber que a <strong>de</strong>manda <strong>do</strong>s<br />
produtos ou serviços está aumentan<strong>do</strong> ou diminuin<strong>do</strong> não é suficiente, sen<strong>do</strong> im<strong>por</strong>tante<br />
conhecer a taxa <strong>de</strong> mudança é provavelmente vital para o planejamento <strong>do</strong> negócio.<br />
Há <strong>do</strong>is principais tipos <strong>de</strong> abordagens para a previsão <strong>de</strong> <strong>de</strong>manda: os méto<strong>do</strong>s<br />
qualitativos e os méto<strong>do</strong>s quantitativos. A combinação <strong>do</strong>s méto<strong>do</strong>s qualitativos e<br />
quantitativos é o que se aproxima <strong>do</strong> i<strong>de</strong>al para fazer <strong>uma</strong> boa previsão <strong>de</strong> <strong>de</strong>manda (SLACK,<br />
CHAMBERS e JOHNSTON, 2009).<br />
Os principais méto<strong>do</strong>s qualitativos são: Abordag<strong>em</strong> <strong>de</strong> painel, Méto<strong>do</strong> Delphi,<br />
Planejamento <strong>de</strong> cenário, Suposição educada, Consenso <strong>de</strong> um comitê executivo, Survey da<br />
2
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
força <strong>de</strong> vendas, Análise histórica e Pesquisa <strong>de</strong> Merca<strong>do</strong> (LINSTONE, 1975; SLACK,<br />
CHAMBERS e JOHNSTON, 2009; GAITHER e FRAZIER, 2001; BACCI, 2007).<br />
Os méto<strong>do</strong>s quantitativos se baseiam <strong>em</strong> da<strong>do</strong>s históricos (séries t<strong>em</strong><strong>por</strong>ais) e<br />
assum<strong>em</strong> que informações passadas são relevantes para se prever o futuro (GAITHER e<br />
FRAZIER, 2001; MOREIRA, 2001). Os méto<strong>do</strong>s clássicos <strong>de</strong> séries t<strong>em</strong><strong>por</strong>ais são: Média<br />
Móvel, Ajustamento Exponencial, Tendência Linear, Tendência Não Linear. Estes méto<strong>do</strong>s<br />
exig<strong>em</strong> que a série seja estacionária, ou seja, que as covariâncias e a média entre os perío<strong>do</strong>s<br />
sejam constantes. Neste contexto, há os méto<strong>do</strong>s <strong>auto</strong> <strong>regressivo</strong>s para séries estacionárias,<br />
sen<strong>do</strong> o AR (Auto Regressive) e o ARMA (Auto Regressive Move Average) os mais<br />
indica<strong>do</strong>s, pois geram <strong>uma</strong> previsão mais confiável (MORETTIN e TOLOI, 2006)<br />
Outro efeito crítico nas séries t<strong>em</strong><strong>por</strong>ais é a presença da <strong>sazonal</strong>ida<strong>de</strong>, ou seja, as<br />
oscilações ou perturbações na série que ocorr<strong>em</strong> <strong>em</strong> intervalos regulares <strong>de</strong> t<strong>em</strong>po inferiores a<br />
um ano. Segun<strong>do</strong> Bacci (2007), os mo<strong>de</strong>los quantitativos ARIMA po<strong>de</strong>m <strong>de</strong>screver duas<br />
classes <strong>de</strong> processos: Processos lineares estacionários e Processos lineares não estacionários<br />
homogêneos. Os Processos lineares estacionários utilizam basicamente três tipos <strong>de</strong> mo<strong>de</strong>los,<br />
Processo <strong>auto</strong> <strong>regressivo</strong> <strong>de</strong> or<strong>de</strong>m p (AR (p)); Processo <strong>de</strong> <strong>médias</strong> <strong>móveis</strong> <strong>de</strong> or<strong>de</strong>m q (MA<br />
(q)) e Processo <strong>auto</strong> <strong>regressivo</strong> e <strong>de</strong> <strong>médias</strong> <strong>móveis</strong> <strong>de</strong> or<strong>de</strong>m p e q (ARMA (p, q)). Já os<br />
Processos lineares não estacionários homogêneos supõ<strong>em</strong> que as séries não são estacionárias<br />
<strong>em</strong> nível e/ou inclinação (MORETTIN e TOLOI, 1987). Segun<strong>do</strong> Pindyck e Rubinfeld<br />
(2004), a quantida<strong>de</strong> <strong>de</strong> vezes que a série original t<strong>em</strong> <strong>de</strong> ser diferenciada para que resulte<br />
n<strong>uma</strong> série estacionária é <strong>de</strong>nominada “or<strong>de</strong>m <strong>de</strong> homogeneida<strong>de</strong>”.<br />
Alguns processos aleatórios estacionários (apresente média constante ao longo <strong>do</strong><br />
t<strong>em</strong>po) po<strong>de</strong>m ser mo<strong>de</strong>la<strong>do</strong>s <strong>por</strong> <strong>meio</strong> <strong>de</strong> um processo misto <strong>auto</strong> <strong>regressivo</strong> e <strong>de</strong> <strong>médias</strong><br />
<strong>móveis</strong> ARMA (p, q). Makridakis et al. (1998) diz que, nesse caso, <strong>em</strong> função <strong>do</strong>s valor <strong>de</strong> p<br />
e q, Y t vai <strong>de</strong>pen<strong>de</strong>r <strong>do</strong>s p valores passa<strong>do</strong>s <strong>de</strong> Y e <strong>do</strong>s q valores passa<strong>do</strong>s <strong>do</strong>s erros Θ . Esse<br />
processo está <strong>em</strong> (5):<br />
Y<br />
t<br />
Y<br />
1 t1<br />
<br />
Y<br />
2 t2<br />
<br />
<br />
pYt<br />
p<br />
<br />
<br />
t<br />
1<br />
t1<br />
1<br />
t2<br />
<br />
<br />
q<br />
tq<br />
(5)<br />
Para o processo <strong>em</strong> (5) ser estacionário a soma<br />
<strong>de</strong>ve ser menor<br />
que 1 (PINDYCK e RUBINFELD, 2004). Segun<strong>do</strong> Pindyck e Rubinfeld (2004) e Fava<br />
(2000), séries não-estacionárias po<strong>de</strong>m ser transformadas <strong>em</strong> séries estacionárias quan<strong>do</strong> suas<br />
observações são diferenciadas <strong>uma</strong> ou mais vezes.<br />
A primeira diferenciação <strong>do</strong>s da<strong>do</strong>s está <strong>em</strong> (6):<br />
(6)<br />
sen<strong>do</strong>:<br />
Y t = observação Y, no perío<strong>do</strong> t da série Y t s<strong>em</strong> diferenciação;<br />
Y t-1 = observação Y, no perío<strong>do</strong> t-1 da série Y t s<strong>em</strong> diferenciação;<br />
∆Y t = Z t = observação Z, no perío<strong>do</strong> t, pertencente à série Z t com da<strong>do</strong>s da série Y t<br />
diferencia<strong>do</strong>s pela primeira vez.<br />
Os da<strong>do</strong>s da série serão diferencia<strong>do</strong>s a primeira vez da seguinte forma: o valor <strong>do</strong><br />
segun<strong>do</strong> da<strong>do</strong> será diminuí<strong>do</strong> <strong>do</strong> primeiro; o terceiro será diminuí<strong>do</strong> <strong>do</strong> segun<strong>do</strong>; o quarto <strong>do</strong><br />
3
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
terceiro e assim <strong>por</strong> diante. Com esse processo, a série diferenciada pela primeira vez, Z t , terá<br />
menos <strong>uma</strong> observação (n-1 observações) <strong>do</strong> que a série original Y t .<br />
A segunda diferenciação <strong>do</strong>s da<strong>do</strong>s po<strong>de</strong> ser representada <strong>por</strong> (7):<br />
Segun<strong>do</strong> Bacci (2007), a série Y t diferenciada <strong>uma</strong> segunda vez, ou a série Z t<br />
diferenciada <strong>uma</strong> vez, dão orig<strong>em</strong> a série W t .<br />
Os da<strong>do</strong>s da série Z t diferencia<strong>do</strong>s <strong>uma</strong> vez são obti<strong>do</strong>s da seguinte forma: o valor da<br />
segunda observação diminuí<strong>do</strong> da primeira observação forma a primeira observação, o valor<br />
da terceira diminuída da segunda dá orig<strong>em</strong> a segunda e assim <strong>por</strong> diante.<br />
A série diferenciada duas vezes (W t ) terá n-2 observações <strong>em</strong> comparação à série<br />
original Y t . Com isso, após <strong>uma</strong> ou mais diferenciações da série Y t , para torná-la estacionária,<br />
produz-se a série estacionária W t , que po<strong>de</strong> agora ser mo<strong>de</strong>lada como um processo ARMA (p,<br />
q).<br />
De acor<strong>do</strong> com Pindyck e Rubinfeld (2004), a série inicial Y t é um processo <strong>auto</strong><br />
<strong>regressivo</strong> integra<strong>do</strong> e <strong>de</strong> <strong>médias</strong> <strong>móveis</strong> (Moving Average - MA) <strong>de</strong> or<strong>de</strong>m (p, d, q), da<strong>do</strong><br />
<strong>por</strong> (8):<br />
sen<strong>do</strong>:<br />
; com d = or<strong>de</strong>m da série estacionária W t , ou seja, o número <strong>de</strong> vezes que a<br />
série não estacionária Y t foi diferenciada até se tornar à série estacionária W t ;<br />
= opera<strong>do</strong>r <strong>auto</strong> <strong>regressivo</strong>;<br />
= opera<strong>do</strong>r <strong>de</strong> <strong>médias</strong> <strong>móveis</strong>;<br />
, sen<strong>do</strong> que o opera<strong>do</strong>r impõe <strong>uma</strong> <strong>de</strong>fasag<strong>em</strong> no t<strong>em</strong>po <strong>de</strong> um perío<strong>do</strong><br />
cada vez que ele é aplica<strong>do</strong> a <strong>uma</strong> variável Y t .<br />
A construção <strong>de</strong> um mo<strong>de</strong>lo ARIMA é baseada <strong>em</strong> um ciclo com as seguintes etapas<br />
(MORETTIN e TOLOI, 1987):<br />
<br />
<br />
<br />
<br />
<br />
I<strong>de</strong>ntificação <strong>de</strong> <strong>uma</strong> classe geral <strong>de</strong> mo<strong>de</strong>los que será analisada;<br />
Especificação <strong>do</strong> mo<strong>de</strong>lo, com base na análise <strong>de</strong> <strong>auto</strong> correlações, <strong>auto</strong><br />
correlações parciais e outros critérios;<br />
Estimação <strong>do</strong>s parâmetros <strong>do</strong> mo<strong>de</strong>lo;<br />
Verificação <strong>do</strong> mo<strong>de</strong>lo ajusta<strong>do</strong>, que é realizada <strong>por</strong> <strong>meio</strong> <strong>de</strong> <strong>uma</strong> análise <strong>de</strong><br />
resíduos para medir sua a<strong>de</strong>quação para realizar a previsão;<br />
Se o mo<strong>de</strong>lo não for a<strong>de</strong>qua<strong>do</strong>, o ciclo se repete a partir da i<strong>de</strong>ntificação <strong>do</strong><br />
mo<strong>de</strong>lo.<br />
Segun<strong>do</strong> Morettin e Toloi (2006), não há, <strong>em</strong> princípio, nenh<strong>uma</strong> dificulda<strong>de</strong> adicional<br />
na i<strong>de</strong>ntificação, estimação e verificação <strong>de</strong> mo<strong>de</strong>los sazonais. A diferença é que t<strong>em</strong>os que<br />
diferenciar a série com respeito a ∆ e ∆ 12 (<strong>por</strong> similarida<strong>de</strong>, estamos consi<strong>de</strong>ran<strong>do</strong> só series<br />
(7)<br />
(8)<br />
4
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
mensais com perío<strong>do</strong>s s = 12), a fim <strong>de</strong> produzir estacionarieda<strong>de</strong>. Com isto obt<strong>em</strong>os valores<br />
para P e D que, na maioria das vezes, assume valores no máximo iguais a 2.<br />
Depois, inspecionar o fac (função <strong>de</strong> <strong>auto</strong>correlação) e facp (função <strong>de</strong> <strong>auto</strong>correção<br />
parcial) amostrais da série a<strong>de</strong>quadamente diferençada nos “lags” 1, 2, 3, ..., n para obter<br />
valores <strong>de</strong> p e q e nos “lags” 12, 24, 36, ..., N para obter valores <strong>de</strong> P e Q, selecionan<strong>do</strong>-se<br />
<strong>de</strong>sse mo<strong>do</strong>, um mo<strong>de</strong>lo tentativo. Em seguida, estima-se os valores <strong>do</strong>s parâmetros<br />
i<strong>de</strong>ntifica<strong>do</strong>s, utilizan<strong>do</strong> estima<strong>do</strong>res <strong>de</strong> máxima verossimilhança. Finalmente, para verificar<br />
se o mo<strong>de</strong>lo proposto é a<strong>de</strong>qua<strong>do</strong>, utilizamos os testes <strong>de</strong> <strong>auto</strong>correlação residual, Box-Pierce<br />
e perio<strong>do</strong>grama acumula<strong>do</strong>.<br />
Enquanto que no méto<strong>do</strong> ARIMA (p, d, q) t<strong>em</strong>-se, os p filtros <strong>auto</strong> <strong>regressivo</strong>s, d<br />
diferenciações e os q filtros <strong>de</strong> média, sen<strong>do</strong> utilizada para séries t<strong>em</strong><strong>por</strong>ais anuais. Em outras<br />
palavras, o ARIMA não mo<strong>de</strong>la o efeito da <strong>sazonal</strong>ida<strong>de</strong> (MORETTIN e TOLOI, 2006).<br />
Neste contexto, criou-se o <strong>SARIMA</strong> (p, d, q) x (P, D, Q), sen<strong>do</strong> que, há única diferença <strong>em</strong><br />
relação ao ARIMA é que t<strong>em</strong>-se os filtros, P, D e Q que mo<strong>de</strong>lam o efeito da <strong>sazonal</strong>ida<strong>de</strong> na<br />
série t<strong>em</strong><strong>por</strong>al investigada.<br />
Cabe mencionar que o efeito da <strong>sazonal</strong>ida<strong>de</strong> é cont<strong>em</strong>pla<strong>do</strong> nas séries t<strong>em</strong><strong>por</strong>ais<br />
inferiores a um ano, ou seja, séries diárias, s<strong>em</strong>anais, quinzenais, mensais, <strong>de</strong>ntre outras.<br />
3 Aplicação <strong>do</strong> Mo<strong>de</strong>lo <strong>SARIMA</strong> na previsão da <strong>de</strong>manda <strong>em</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong><br />
<strong>segmento</strong> <strong>de</strong> <strong>auto</strong>peças<br />
Para condução <strong>de</strong>sta pesquisa a<strong>do</strong>tou-se as etapas <strong>de</strong> i<strong>de</strong>ntificar o probl<strong>em</strong>a, coletar os<br />
da<strong>do</strong>s, mo<strong>de</strong>lag<strong>em</strong> <strong>do</strong> probl<strong>em</strong>a, solução <strong>do</strong> mo<strong>de</strong>lo e validação <strong>do</strong>s resulta<strong>do</strong>s, conforme<br />
<strong>de</strong>scrito na sequência, conforme Figura 2.<br />
FIGURA 2 – Etapas da pesquisa. Fonte: Silva, Marins e Montevechi (2013).<br />
Etapa (a) I<strong>de</strong>ntificação <strong>do</strong> probl<strong>em</strong>a: Como prever a <strong>de</strong>manda da produção <strong>por</strong> <strong>meio</strong> <strong>do</strong><br />
méto<strong>do</strong> <strong>SARIMA</strong>?<br />
5
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
Etapa (b) Coleta <strong>do</strong>s da<strong>do</strong>s: A coleta <strong>do</strong>s da<strong>do</strong>s foi feita <strong>por</strong> <strong>meio</strong> <strong>de</strong> da<strong>do</strong>s disponibiliza<strong>do</strong>s<br />
pela <strong>em</strong>presa. Durante o <strong>de</strong>senvolvimento da mo<strong>de</strong>lag<strong>em</strong> consi<strong>de</strong>rou-se a produção no<br />
perío<strong>do</strong> estuda<strong>do</strong> entre julho <strong>de</strong> 2000 e julho <strong>de</strong> 2012, conforme Tabela 1.<br />
TABELA 1- Da<strong>do</strong>s <strong>de</strong> vendas <strong>de</strong> 2000 até 2012.<br />
Meses 2000 2001 2002 2003 2004 2005 2006<br />
Janeiro - 349 265 1.015 1.461 1.588 1.809<br />
Fevereiro - 106 291 20 1.103 856 1.512<br />
Março - 297 392 1.049 2.069 2.449 2.690<br />
Abril - 189 371 853 1.258 1.325 1.218<br />
Maio - 207 0 1.220 747 1.869 1.892<br />
Junho - 210 641 770 3.333 1.693 1.623<br />
Julho 55 182 427 1.209 3.439 1.308 2.303<br />
Agosto 32 263 509 1.099 411 1.620 1.655<br />
Set<strong>em</strong>bro 41 195 569 1.084 1.032 1.645 1.431<br />
Outubro 33 94 545 1.080 867 1.552 1.845<br />
Nov<strong>em</strong>bro 12 277 317 998 973 1.072 1.791<br />
Dez<strong>em</strong>bro 0 223 567 925 1.318 1.741 2.286<br />
Meses 2007 2008 2009 2010 2011 2012<br />
Janeiro 2.801 3.020 3.392 7.010 5.183 3.754<br />
Fevereiro 2.119 3.275 3.298 2.287 4.221 2.222<br />
Março 2.399 4.378 4.663 9.389 3.968 4.614<br />
Abril 2.403 1.519 3.733 5.752 6.004 4.367<br />
Maio 2.195 5.127 4.778 3.736 3.540 5.045<br />
Junho 3.119 2.671 3.986 2.927 4.592 5.129<br />
Julho 2.093 3.006 3.210 3.314 3.829 5.347<br />
Agosto 2.371 4.094 3.043 4.593 4.453 -<br />
Set<strong>em</strong>bro 2.527 3.309 4.001 4.760 6.162 -<br />
Outubro 2.239 1.662 5.235 5.424 2.901 -<br />
Nov<strong>em</strong>bro 2.513 2.899 5.671 5.683 5.842 -<br />
Dez<strong>em</strong>bro 3.747 4.181 5.355 5.976 3.187 -<br />
Etapa (c) Mo<strong>de</strong>lag<strong>em</strong>: Utilizou-se o software livre Gretl na versão 1.9.12.<br />
Etapa (d) Solução <strong>do</strong> mo<strong>de</strong>lo: Ao se analisar <strong>uma</strong> série t<strong>em</strong><strong>por</strong>al, o primeiro passo é a<br />
construção <strong>do</strong> gráfico <strong>de</strong> séries t<strong>em</strong><strong>por</strong>ais <strong>do</strong> consumo ao longo <strong>do</strong> t<strong>em</strong>po, assim é possível<br />
visualizar características como tendência, <strong>sazonal</strong>ida<strong>de</strong>, variabilida<strong>de</strong>, outliers, entre outras. A<br />
série <strong>de</strong> da<strong>do</strong>s, representada pela Figura 3 e Tabela 1, será <strong>de</strong>nominada como série original Δ t .<br />
Para Davis, Aqualiano e Chase (2001), a observação da linha <strong>de</strong> tendência é o ponto<br />
<strong>de</strong> partida para o <strong>de</strong>senvolvimento <strong>de</strong> <strong>uma</strong> previsão. De acor<strong>do</strong> com a Figura 3, po<strong>de</strong>-se notar<br />
que há um forte crescimento na produção a partir <strong>de</strong> 2006. Contu<strong>do</strong>, tal efeito só po<strong>de</strong>rá ser<br />
confirma<strong>do</strong> com o gráfico <strong>de</strong> perio<strong>do</strong>grama. Conforme Morettin e Toloi (1987), as previsões<br />
<strong>do</strong>s antilogaritmos <strong>do</strong>s da<strong>do</strong>s transforma<strong>do</strong>s são estima<strong>do</strong>res vicia<strong>do</strong>s que introduz<strong>em</strong> um erro<br />
6
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
<strong>de</strong> previsão. Por isso, para o méto<strong>do</strong> <strong>de</strong> previsão utiliza<strong>do</strong> nesse trabalho, nenhum da<strong>do</strong> foi<br />
altera<strong>do</strong>.<br />
FIGURA 3 – Com<strong>por</strong>tamento da série t<strong>em</strong><strong>por</strong>al original.<br />
Para o uso <strong>do</strong> <strong>SARIMA</strong> há a necessida<strong>de</strong> <strong>de</strong> se diferenciar a série original Δ 12 , para<br />
isso, <strong>de</strong>ve-se verificar se a série é estacionária e, se t<strong>em</strong> o efeito <strong>de</strong> <strong>sazonal</strong>ida<strong>de</strong> significativo.<br />
Conforme se po<strong>de</strong> notar na Figura 4, o perio<strong>do</strong>grama indica que há um efeito significativo da<br />
<strong>sazonal</strong>ida<strong>de</strong>, pois t<strong>em</strong>-se um pico isola<strong>do</strong> <strong>de</strong> crescimento. Desta forma, é necessário realizar<br />
<strong>uma</strong> diferencial <strong>sazonal</strong>, sen<strong>do</strong> que, <strong>por</strong> ser tratar <strong>de</strong> séries mensais, cada diferenciação<br />
<strong>sazonal</strong> a série reduz <strong>em</strong> 12 perío<strong>do</strong>s ou Δ 12 .<br />
FIGURA 4- Perio<strong>do</strong>grama da série original.<br />
A Figura 5 cont<strong>em</strong>pla o gráfico da série t<strong>em</strong><strong>por</strong>al com <strong>uma</strong> diferenciação <strong>sazonal</strong>,<br />
sen<strong>do</strong> necessário verificar se com esta diferenciação, o efeito da <strong>sazonal</strong>ida<strong>de</strong> foi atenua<strong>do</strong> ou<br />
elimina<strong>do</strong>.<br />
7
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
FIGURA 5- Com<strong>por</strong>tamento da série t<strong>em</strong><strong>por</strong>al, diferenciada <strong>uma</strong> vez Δ 12 .<br />
A Figura 6 cont<strong>em</strong>pla o gráfico <strong>do</strong> perio<strong>do</strong>grama para a série Δ 12 , percebe-se, que não<br />
há picos isola<strong>do</strong>s <strong>de</strong> crescimento, ou seja, o efeito da <strong>sazonal</strong>ida<strong>de</strong> foi atenua<strong>do</strong> com apenas<br />
<strong>uma</strong> diferenciação <strong>sazonal</strong>, <strong>de</strong>sta maneira, o valor <strong>do</strong> filtro D será 1.<br />
FIGURA 6- Perio<strong>do</strong>grama da série t<strong>em</strong><strong>por</strong>al ∆ 12 .<br />
I<strong>de</strong>ntifican<strong>do</strong> que com a séria Δ 12 o efeito da <strong>sazonal</strong>ida<strong>de</strong> foi atenua<strong>do</strong>, <strong>de</strong>v<strong>em</strong>-se<br />
i<strong>de</strong>ntificar os filtros P e Q. Para i<strong>de</strong>ntificar o filtro P <strong>de</strong>ve-se examinar o facp da série Δ 12 ,<br />
conforme Tabela 2. Neste caso é necessário calcular o fator <strong>de</strong> referência que é da<strong>do</strong> <strong>por</strong>:<br />
, a escolha é tomada com base no último valor que foi acima <strong>do</strong> fator <strong>de</strong><br />
referência, sen<strong>do</strong> assim, <strong>de</strong>finiu-se que o filtro P será igual a 2.<br />
8
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
Para <strong>de</strong>terminar o filtro Q <strong>de</strong>ve-se examinar o valor da fac, sen<strong>do</strong> que, a escolha é<br />
dada pelo primeiro valor que foi inferior ao fator <strong>de</strong> referência. Desta forma, o valor <strong>do</strong> filtro<br />
Q será 3, ten<strong>do</strong> assim, <strong>SARIMA</strong> (p, d, q) x (2, 1, 3).<br />
TABELA 2- Função <strong>de</strong> <strong>auto</strong>correlação série produção.<br />
Função <strong>de</strong> <strong>auto</strong>correlação para sd_PRODUÇÃO<br />
Defas. FAC FACP Estat. Q [p-valor]<br />
1 -0,0479 -0,0479 0,3239 [0,569]<br />
2 0,2365 *** 0,2347 *** 8,2686 [0,016]<br />
3 0,0191 0,0414 8,3211 [0,040]<br />
4 0,0845 0,0335 9,3508 [0,053]<br />
5 0,0912 0,0875 10,5590 [0,061]<br />
6 0,0162 -0,0035 10,5975 [0,102]<br />
7 0,0303 -0,0138 10,7328 [0,151]<br />
8 -0,0780 -0,0932 11,6368 [0,168]<br />
O próximo passo é <strong>de</strong>finir os filtros p, d, q, para tal é necessário verificar se a série<br />
original é ou não estacionária, vi<strong>de</strong> Tabela 3.<br />
TABELA 3 - Função <strong>de</strong> <strong>auto</strong>correlação série original.<br />
Função <strong>de</strong> <strong>auto</strong>correlação para VENDAS<br />
Defas. FAC FACP Estat. Q [p-valor]<br />
1 0,7615 *** 0,7615 *** 88,7452 [0,000]<br />
2 0,7944 *** 0,5105 *** 185,9594 [0,000]<br />
3 0,7569 *** 0,2319 *** 274,8234 [0,000]<br />
4 0,7292 *** 0,0789 357,8630 [0,000]<br />
5 0,7194 *** 0,0794 439,2342 [0,000]<br />
6 0,7022 *** 0,0660 517,3015 [0,000]<br />
7 0,6880 *** 0,0450 592,7800 [0,000]<br />
8 0,6840 *** 0,0642 667,9051 [0,000]<br />
9 0,6956 *** 0,1295 746,1396 [0,000]<br />
10 0,6864 *** 0,0787 822,8722 [0,000]<br />
11 0,6629 *** -0,0346 894,9479 [0,000]<br />
12 0,6730 *** 0,0384 969,7874 [0,000]<br />
13 0,6417 *** -0,0263 1.038,3121 [0,000]<br />
14 0,5770 *** -0,2294 *** 1.094,1173 [0,000]<br />
15 0,6107 *** 0,0393 1.157,1099 [0,000]<br />
16 0,5567 *** -0,0284 1.209,8331 [0,000]<br />
17 0,5628 *** 0,0065 1.264,1333 [0,000]<br />
18 0,5634 *** 0,0620 1.318,9606 [0,000]<br />
19 0,5400 *** -0,0068 1.369,7191 [0,000]<br />
20 0,5846 *** 0,1661 ** 1.429,6552 [0,000]<br />
21 0,4757 *** -0,2966 *** 1.469,6551 [0,000]<br />
22 0,5259 *** 0,0087 1.518,9233 [0,000]<br />
23 0,4415 *** -0,1376 * 1.553,9194 [0,000]<br />
24 0,4766 *** 0,0967 1.595,0260 [0,000]<br />
25 0,4162 *** -0,0930 1.626,6228 [0,000]<br />
26 0,3977 *** -0,0219 1.655,7054 [0,000]<br />
9
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
TABELA 3 - Função <strong>de</strong> <strong>auto</strong>correlação série original (continuação).<br />
Função <strong>de</strong> <strong>auto</strong>correlação para VENDAS<br />
Defas. FAC FACP Estat. Q [p-valor]<br />
27 0,3896 *** 0,0137 1.683,8365 [0,000]<br />
28 0,3796 *** -0,0253 1.710,7699 [0,000]<br />
29 0,3576 *** -0,0346 1.734,8667 [0,000]<br />
30 0,3624 *** 0,0004 1.759,8244 [0,000]<br />
31 0,3308 *** -0,0007 1.780,7885 [0,000]<br />
32 0,3317 *** 0,0042 1.802,0498 [0,000]<br />
33 0,3231 *** 0,0981 1.822,3886 [0,000]<br />
47 0,0474 -0,0119 1.905,6067 [0,000]<br />
48 0,0657 -0,0026 1.906,5715 [0,000]<br />
49 0,0447 0,1210 1.907,0220 [0,000]<br />
50 0,0343 -0,0178 1.907,2895 [0,000]<br />
51 0,0209 -0,0791 1.907,3905 [0,000]<br />
52 0,0024 -0,0260 1.907,3918 [0,000]<br />
53 -0,0042 -0,0385 1.907,3960 [0,000]<br />
54 -0,0110 0,0947 1.907,4247 [0,000]<br />
55 -0,0227 -0,0847 1.907,5487 [0,000]<br />
56 -0,0478 0,0020 1.908,1031 [0,000]<br />
57 -0,0395 0,0837 1.908,4864 [0,000]<br />
58 -0,0552 -0,0689 1.909,2405 [0,000]<br />
59 -0,0816 0,0025 1.910,9085 [0,000]<br />
60 -0,0826 -0,0978 1.912,6349 [0,000]<br />
61 -0,1232 -0,0848 1.916,5221 [0,000]<br />
62 -0,1231 -0,0552 1.920,4458 [0,000]<br />
63 -0,1258 0,0589 1.924,5921 [0,000]<br />
64 -0,1257 0,0489 1.928,7812 [0,000]<br />
65 -0,1475 * -0,0084 1.934,6165 [0,000]<br />
66 -0,1324 -0,0179 1.939,3737 [0,000]<br />
67 -0,1751 ** -0,0731 1.947,8000 [0,000]<br />
68 -0,1514 * 0,0160 1.954,1711 [0,000]<br />
69 -0,1513 * 0,0475 1.960,6187 [0,000]<br />
70 -0,1905 ** -0,0401 1.970,9568 [0,000]<br />
71 -0,2123 *** -0,0864 1.983,9642 [0,000]<br />
72 -0,2180 *** 0,0006 1.997,8557 [0,000]<br />
73 -0,2276 *** 0,0418 2.013,1928 [0,000]<br />
74 -0,2306 *** -0,0387 2.029,1448 [0,000]<br />
75 -0,2393 *** -0,0182 2.046,5512 [0,000]<br />
76 -0,2453 *** -0,0267 2.065,0932 [0,000]<br />
77 -0,2454 *** -0,0279 2.083,8989 [0,000]<br />
Para a série ser consi<strong>de</strong>rada estacionária, à medida que o coeficiente <strong>de</strong> <strong>auto</strong>correlação<br />
se aproxima <strong>de</strong> zero (fac) os <strong>de</strong>mais coeficientes abaixo <strong>de</strong>veriam permanecer próximo a zero<br />
ou s<strong>em</strong> tendência <strong>de</strong> crescimento (ruí<strong>do</strong> branco).<br />
10
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
Veja que na 52º posição (Tabela 3) o coeficiente t<strong>em</strong> o valor <strong>de</strong> 0,0024, <strong>de</strong>sta forma,<br />
para que a série original fosse estacionária as <strong>de</strong>mais posições abaixo <strong>de</strong>veriam ficar próximas<br />
<strong>de</strong> zero, contu<strong>do</strong>, isso não ocorre o que corrobora com a afirmativa que a série original não é<br />
estacionária.<br />
Cabe mencionar, que os coeficientes <strong>de</strong>v<strong>em</strong> ser consi<strong>de</strong>ra<strong>do</strong>s <strong>em</strong> termos absolutos.<br />
Como a série original não é estacionária foi necessário diferenciá-la <strong>uma</strong> vez Δ 1 , conforme<br />
Tabela 4.<br />
Conforme Morettin e Toloi (2006) para a série ser consi<strong>de</strong>rada estacionária a medida<br />
que o coeficiente <strong>de</strong> <strong>auto</strong>correção se aproxima <strong>de</strong> zero, abaixo <strong>de</strong>sta posição não <strong>de</strong>ve haver<br />
nenh<strong>uma</strong> tendência <strong>de</strong> crescimento. Na série Δ 1 na 6º posição o valor <strong>do</strong> coeficiente foi <strong>de</strong> -<br />
0,0012, e os valores abaixo não apresentaram <strong>uma</strong> tendência significa <strong>de</strong> crescimento, <strong>de</strong>sta<br />
forma, difiniu-se para o filtro d um valor 1, ten<strong>do</strong> <strong>uma</strong> <strong>SARIMA</strong> (p, 1, q) x (2, 1, 3).<br />
Para <strong>de</strong>terminar o valos <strong>do</strong>s filtros p, q recorre-se ao facp e fac, respectivamente. Neste<br />
contexto, o valor <strong>do</strong> fator <strong>de</strong> referência é da<strong>do</strong> <strong>por</strong><br />
, sen<strong>do</strong> que, a escolha <strong>do</strong> p é<br />
com base no último valor que ficou acima <strong>do</strong> fator <strong>de</strong> referência, <strong>de</strong>sta forma, a<strong>do</strong>tou-se o<br />
valor 2 para o filtro p. Já a escolha <strong>do</strong> filtro q é da<strong>do</strong> pela posição <strong>em</strong> que o coeficiente foi<br />
menor que o fator <strong>de</strong> referência, logo a<strong>do</strong>tou-se o valor 3 para o filtro q, ten<strong>do</strong> assim, um<br />
<strong>SARIMA</strong> (2,1,3) x (2,1,2).<br />
TABELA 4 - Função Autocorrelação série Δ 1 (continuação).<br />
Função <strong>de</strong> <strong>auto</strong>correlação para d_PRODUÇÃO<br />
Defas. FAC FACP Estat. Q (p-valor)<br />
1 - 0,5930 -0,5930 53,4502 (0,000)<br />
2 0,1627 -0,2913 57,5026 (0,000)<br />
3 -0,0459 -0,1585 57,8276 (0,000)<br />
4 -0,0235 -0,1514 57,9131 (0,000)<br />
5 0,0037 -0,1446 57,9153 (0,000)<br />
6 -0,0012 -0,1222 57,9155 (0,000)<br />
7 -0,0248 -0,1473 58,0128 (0,000)<br />
8 -0,0247 -0,2189 58,1099 (0,000)<br />
9 0,0412 -0,1926 58,3829 (0,000)<br />
10 0,0633 -0,0200 59,0315 (0,000)<br />
11 -0,0960 -0,0822 60,5330 (0,000)<br />
12 0,0994 -0,0108 62,1555 (0,000)<br />
13 0,0396 0,2109 62,4155 (0,000)<br />
14 -0,1828 -0,0020 67,9826 (0,000)<br />
15 0,1515 0,0287 71,8330 (0,000)<br />
16 -0,1111 -0,0027 73,9258 (0,000)<br />
17 0,0194 -0,0559 73,9899 (0,000)<br />
18 0,0432 0,0030 74,3104 (0,000)<br />
19 -0,1384 -0,2302 77,6232 (0,000)<br />
20 0,3106 0,1983 94,4485 (0,000)<br />
21 -0,3297 -0,0634 113,5538 (0,000)<br />
22 0,2930 0,0844 128,7638 (0,000)<br />
23 -0,2741 -0,1511 142,1822 (0,000)<br />
24 0,1999 -0,0000 149,3781 (0,000)<br />
25 -0,0900 -0,0291 150,8464 (0,000)<br />
11
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
26 -0,0201 -0,0763 150,9200 (0,000)<br />
27 0,0117 -0,0296 150,9451 (0,000)<br />
TABELA 4 - Função Autocorrelação série Δ 1 (continuação).<br />
Função <strong>de</strong> <strong>auto</strong>correlação para d_PRODUCAO<br />
Defas. FAC FACP Estat. Q (p-valor)<br />
28 0,0261 0,0033 151,0717 (0,000)<br />
29 -0,0413 -0,0239 151,3918 (0,000)<br />
30 0,0906 0,0087 152,9443 (0,000)<br />
31 -0,0942 -0,0066 154,6351 (0,000)<br />
32 0,0044 -0,1928 154,6389 (0,000)<br />
A Tabela 5 cont<strong>em</strong>pla o mo<strong>de</strong>lo gera<strong>do</strong> pelo <strong>SARIMA</strong> (2,1,3) x (2,1,2). Repare que<br />
este mo<strong>de</strong>lo não ficou estatisticamente significativo, pois há coeficientes com o p-valor acima<br />
<strong>de</strong> 0,05 (nível <strong>de</strong> significância α = 5%). Desta maneira, foi necessário executar <strong>uma</strong> nova<br />
simulação, ten<strong>do</strong> como critério a r<strong>em</strong>oção das variáveis que apresentaram os maiores p-valor.<br />
Portanto, serão r<strong>em</strong>ovi<strong>do</strong>s as constante (const) e a variável Phi 2, que correspon<strong>de</strong> ao filtro<br />
<strong>auto</strong> <strong>regressivo</strong> <strong>sazonal</strong> <strong>de</strong> 2º or<strong>de</strong>m.<br />
TABELA 5 – <strong>SARIMA</strong> (2,1,3) x (2,1,2).<br />
Mo<strong>de</strong>lo 2: Arima usan<strong>do</strong> as observações 2001:02 -2012:06 (T=137)<br />
Estima<strong>do</strong> usan<strong>do</strong> X-12-Arima (máxima verossimilhança exata)<br />
Variável <strong>de</strong>pen<strong>de</strong>nte: (1-L) (1-LS) PRODUCAO<br />
Coeficiente Erro padrão Z P-valor<br />
Const -0,1675730 3,6415600 -0,04603 0,9633<br />
Phi_1 -0,6053530 0,0496320 -12,20000 3,21e-034 ***<br />
Phi _2 -0,9246610 0,0424511 -21,78000 3,45e-105 ***<br />
Phi_1 0,2916220 0,3083640 0,94570 0,3443<br />
Phi_2 0,0318676 0,1072230 0,29720 0,7663<br />
Theta_1 -0,2836450 0,0621304 -4,56500 4,99e-06 ***<br />
Theta_2 0,5019530 0,0529411 9,48100 2,51e-021 ***<br />
Theta_3 -0,8423250 0,0573932 -14,68000 9,13e-049 ***<br />
Theta_1 -0,2137400 0,3038520 -3,99400 6,48e-05 ***<br />
Theta_2 0,2137380 0,3109680 0,68730 0,4919<br />
Media var. <strong>de</strong>pen<strong>de</strong>nte 16,49635 D.P. var <strong>de</strong>pen<strong>de</strong>nte 1.743,1580<br />
Média <strong>de</strong> inovação -0,293356 D. P. das inovações 868,6384<br />
Log da verossimilhança -1.136,449 Critério <strong>de</strong> Akaike 2.294,8970<br />
Critério <strong>de</strong> Schwarz 2.327,017 Critério Hannan -Quinn 2.307,9500<br />
A Tabela 6 correspon<strong>de</strong> ao novo mo<strong>de</strong>lo <strong>SARIMA</strong> (2, 1, 3) x (1, 1, 2). Percebe-se, que<br />
este mo<strong>de</strong>lo apresentou to<strong>do</strong>s os p-valor inferiores ao nível <strong>de</strong> significância <strong>de</strong> 5%, sen<strong>do</strong><br />
assim, estatisticamente significativo.<br />
12
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
TABELA 6 – <strong>SARIMA</strong> (2,1,3) x (1,1,2).<br />
Mo<strong>de</strong>lo 4: ARIMA usan<strong>do</strong> as observações 2001:02 -2012:06 (T = 137)<br />
Estima<strong>do</strong> usan<strong>do</strong> X-12-Arima (máxima verossimilhança exata)<br />
Variável <strong>de</strong>pen<strong>de</strong>nte: (1-L) (1-LS) PRODUCAO<br />
Coeficiente Erro padrão Z P-valor<br />
Phi_1 -0,608539 0,0437463 -13,91 5,46e-044 ***<br />
Phi _2 -0,939293 0,0417277 -22,51 3,31e-112 ***<br />
Phi_1 0,556798 0,1545160 3,603 0,0003 ***<br />
Theta_1 -0,276618 0,0633513 -4,366 1,26e-05 ***<br />
Theta_2 0,506105 0,0549615 9,208 3,31e-020 ***<br />
Theta_3 -0,850771 0,0584815 -14,55 6,04e-048 ***<br />
Theta_1 -1,472360 0,1558870 -9,445 3,55e-021 ***<br />
Theta_2 0,472363 0,1492600 3,165 0,0016 ***<br />
Media var <strong>de</strong>pen<strong>de</strong>nte 16,49635 D.P. var <strong>de</strong>pen<strong>de</strong>nte 1.743,1580<br />
Média <strong>de</strong> inovação -2,155764 D. P. das inovações 866,5567<br />
Log da verossimilhança -1.136,423 Critério <strong>de</strong> Akaike 2.290,8460<br />
Critério <strong>de</strong> Schwarz 2.317,126 Critério Hannan -Quinn 2.301,526<br />
O próximo passo foi realizar a previsão para trinta e seis meses, conforme Figura 12.<br />
Percebe-se, que o mo<strong>de</strong>lo <strong>SARIMA</strong> (2, 1, 3) x (1, 1, 2) apresentou <strong>uma</strong> boa a<strong>de</strong>rência aos<br />
da<strong>do</strong>s observa<strong>do</strong>s, geran<strong>do</strong> valores preditos confiáveis para prever o com<strong>por</strong>tamento da<br />
<strong>de</strong>manda <strong>de</strong>ste produto. As linhas <strong>em</strong> vermelho são os valores reais, e as linhas <strong>em</strong> azul os<br />
valores preditos, já as linhas <strong>em</strong> ver<strong>de</strong> são os intervalos <strong>de</strong> confiança (95%) para a previsão.<br />
13
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
FIGURA 7 - <strong>SARIMA</strong> (2,1.3) x (1,1,2) previsão para 36 meses.<br />
A Figura 8 cont<strong>em</strong>pla o com<strong>por</strong>tamento <strong>do</strong> mo<strong>de</strong>lo quan<strong>do</strong> compara<strong>do</strong> com os da<strong>do</strong>s<br />
amostrais utiliza<strong>do</strong>s para a realização da previsão. D<strong>em</strong>onstran<strong>do</strong> assim, a boa acuracida<strong>de</strong> <strong>do</strong><br />
mo<strong>de</strong>lo <strong>SARIMA</strong> (2, 1, 3) x (1, 1, 2) para realizar a previsão vinculada aos produtos <strong>de</strong> <strong>uma</strong><br />
<strong>em</strong>presa <strong>do</strong> <strong>segmento</strong> <strong>de</strong> <strong>auto</strong>peças.<br />
FIGURA 9- <strong>SARIMA</strong> (2,1.3) x (1,1,2) a<strong>de</strong>rência aos da<strong>do</strong>s amostrais.<br />
Para validar o mo<strong>de</strong>lo proposto utilizou-se os da<strong>do</strong>s reais <strong>de</strong> <strong>de</strong>manda <strong>de</strong> Julho <strong>de</strong><br />
2012 até Agosto <strong>de</strong> 2013, conforme Tabela 1 e Figura 9.<br />
Deste mo<strong>do</strong>, percebe-se, que o mo<strong>de</strong>lo proposto gerou <strong>uma</strong> previsão confiável e com<br />
boa a<strong>de</strong>rência aos valores reais <strong>de</strong> <strong>de</strong>manda. Destaque que apenas para o meses <strong>de</strong> fevereiro e<br />
julho houveram valores fora <strong>do</strong> intervalo <strong>de</strong> confiança da previsão, que segun<strong>do</strong> informações<br />
<strong>do</strong>s gestores da <strong>em</strong>presa, foram causa<strong>do</strong>s pelas Férias Coletivas da <strong>em</strong>presa no perío<strong>do</strong> <strong>de</strong><br />
14
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
<strong>de</strong>z<strong>em</strong>bro <strong>de</strong> 2012 a janeiro <strong>de</strong> 2013(aleatorieda<strong>de</strong>) e um aumento <strong>do</strong>s preços <strong>do</strong>s produtos<br />
que estavam congela<strong>do</strong>s a mais <strong>de</strong> 12 meses, respectivamente. Contu<strong>do</strong>, tal fato é <strong>de</strong>vi<strong>do</strong> a<br />
fatores aleatórios, <strong>de</strong>monstran<strong>do</strong> assim, a robustez <strong>do</strong>s mo<strong>de</strong>los <strong>SARIMA</strong> para a realização da<br />
previsão.<br />
TABELA 7 - Validação da previsão.<br />
Meses <strong>Previsão</strong> Limite Inferior 95% Limite Superior 95% Real<br />
jul/07 5080,88 3382,46 6779,3 5347<br />
ago/07 3909,79 2200,21 5619,37 3658<br />
set/07 6052,03 4301,98 7802,08 5782<br />
out/07 5046,29 3280,89 6811,7 4014<br />
nov/07 4958,42 3186,63 6730,22 4485<br />
<strong>de</strong>z/07 5197,03 3394,12 6999,94 5574<br />
jan/08 5127,28 3299,75 6954,82 5371<br />
fev/08 4768,39 2934,87 6601,91 2620<br />
mar/08 5449,84 3596,21 7303,47 4327<br />
abr/08 4889,52 3005,23 6773,8 4161<br />
mai/08 5283,67 3390,67 7176,67 3555<br />
jun/08 5470,63 3565,47 7375,78 3791<br />
jul/08 5720,95 3754,93 7686,98 2.660<br />
ago/08 4466,13 2484,31 6447,96 3.683<br />
15
Vendas<br />
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
8000<br />
7000<br />
Variable<br />
<strong>Previsão</strong><br />
Limite Inferior 95%<br />
Limite Superior 95%<br />
Real<br />
6000<br />
5000<br />
4000<br />
3000<br />
2000<br />
jul/07<br />
ago/07<br />
set/07<br />
out/07<br />
nov/07<br />
<strong>de</strong>z/07<br />
jan/08<br />
fev/08<br />
Meses<br />
mar/08<br />
FIGURA 9 - <strong>SARIMA</strong> (2,1.3) x (1,1,2) validação da previsão.<br />
abr/08<br />
mai/08<br />
jun/08<br />
jul/08<br />
ago/08<br />
Para assegurar que o <strong>SARIMA</strong> (2, 1, 3) x (1, 1, 2) é realmente estatisticamente<br />
confiável foi necessário verificar se os resíduos possu<strong>em</strong> <strong>sazonal</strong>ida<strong>de</strong>, conforme Figura 10.<br />
Desta forma, percebe-se, que não há nenhum pico isola<strong>do</strong>, concluin<strong>do</strong> que, não há a presença<br />
da <strong>sazonal</strong>ida<strong>de</strong> residual.<br />
FIGURA 10 - Sazonalida<strong>de</strong> residual.<br />
Também foi necessário testar a presença da <strong>auto</strong>correlação residual, conforme<br />
Tabela 8. Verificou-se, que a maioria <strong>do</strong>s coeficientes possu<strong>em</strong> p-valor acima <strong>de</strong> 0,05, ou<br />
seja, <strong>de</strong>monstran<strong>do</strong> assim, que não há a presença da <strong>auto</strong>correlação residual.<br />
Neste contexto, o mo<strong>de</strong>lo <strong>SARIMA</strong> (2, 1, 3) x (1, 1, 2) é estatisticamente confiável.<br />
16
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
TABELA 8 – Autocorrelação residual.<br />
Função <strong>de</strong> <strong>auto</strong>correlação <strong>do</strong>s resíduos<br />
Defas. FAC FACP Estat. Q [p-valor]<br />
1 0,0097 0,0097 0,0132 [0,909]<br />
2 0,0925 0,0925 1,2213 [0,543]<br />
3 -0,0561 -0,0584 1,6693 [0,644]<br />
4 -0,0743 -0,0826 2,4695 [0,652]<br />
5 -0,0084 0,0041 2,4707 [0,781]<br />
6 -0,1458 -0,1364 5,5618 [0,474]<br />
7 -0,0037 -0,0098 5,5639 [0,591]<br />
8 -0,0154 0,0052 5,5989 [0,692]<br />
9 0,1245 0,1126 7,9061 [0,544]<br />
10 0,1310 0,1145 10,4781 [0,400]<br />
11 0,1717 ** 0,1578 * 14,9352 [0,185]<br />
12 -0,0834 -0,1187 15,9955 [0,191]<br />
13 0,0764 0,0805 16,8916 [0,204]<br />
14 -0,2283 *** -0,2066 ** 24,9616 [0,035]<br />
15 -0,0107 0,0241 24,9794 [0,050]<br />
16 -0,1788 ** -0,1488 * 30,0106 [0,018]<br />
17 -0,0226 0,0378 30,0915 [0,026]<br />
18 0,0329 -0,0211 30,2644 [0,035]<br />
19 0,0620 0,0903 30,8847 [0,042]<br />
20 0,2721 *** 0,1605 * 42,9295 [0,002]<br />
21 -0,1764 ** -0,2209 *** 48,0477 [0,001]<br />
22 0,1085 0,0497 49,9960 [0,001]<br />
17
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
23 -0,1553 * -0,1076 54,0236 [0,000]<br />
24 -0,1065 -0,1038 55,9366 [0,000]<br />
4 Consi<strong>de</strong>rações finais e recomendações para futuras pesquisas<br />
Para se atingir o objetivo <strong>do</strong> trabalho foi utiliza<strong>do</strong> o méto<strong>do</strong> <strong>SARIMA</strong> já existente na<br />
literatura, ou seja, um mo<strong>de</strong>lo científico já <strong>de</strong>fini<strong>do</strong>. Com isso, <strong>de</strong>finiu-se que a melhor or<strong>de</strong>m<br />
(p, d, q) x (P, D, Q) para o <strong>SARIMA</strong> seria (2, 1, 3) x (1, 1, 2). Assim, viu-se que a produção<br />
<strong>de</strong>ste produto <strong>de</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong> <strong>segmento</strong> <strong>de</strong> <strong>auto</strong>peças continuará com forte presença da<br />
<strong>sazonal</strong>ida<strong>de</strong>. Num primeiro momento a série Δ t não era estacionária, foi necessária<br />
diferenciar a mesma <strong>uma</strong> vez, chegan<strong>do</strong> assim na série Δ 1 e essa sim se confirmou<br />
estacionária. Também foi necessário diferenciar a série <strong>de</strong> forma <strong>sazonal</strong> Δ 12 , pois a série<br />
original tinha um efeito significativo da <strong>sazonal</strong>ida<strong>de</strong>.<br />
De posse <strong>de</strong>sses da<strong>do</strong>s foi possível fazer a previsão <strong>de</strong> <strong>de</strong>manda para a produção <strong>de</strong><br />
um produto <strong>de</strong> <strong>uma</strong> <strong>em</strong>presa <strong>do</strong> <strong>segmento</strong> <strong>de</strong> <strong>auto</strong>peças, e constatar que a produção continuará<br />
num ótimo crescimento pelos próximos 36 meses, também verificou que a mo<strong>de</strong>lag<strong>em</strong> da<br />
<strong>sazonal</strong>ida<strong>de</strong> é <strong>de</strong> fundamental im<strong>por</strong>tância, pois possibilita a predição mais confiável e<br />
robusta.<br />
Os resulta<strong>do</strong>s foram valida<strong>do</strong>s com o apoio <strong>do</strong>s gestores da <strong>em</strong>presa, e eles mostraram<br />
se propensos a utilizar <strong>de</strong> tal mo<strong>de</strong>lo <strong>auto</strong> <strong>regressivo</strong> para prever o com<strong>por</strong>tamento da<br />
<strong>de</strong>manda <strong>do</strong>s <strong>de</strong>mais produtos, visto que atualmente utilizam <strong>de</strong> méto<strong>do</strong>s não tão eficazes e<br />
confiáveis quanto o proposto neste trabalho.<br />
Como proposta para futuras pesquisas, sugere-se combinar outros méto<strong>do</strong>s <strong>de</strong> previsão<br />
com o <strong>SARIMA</strong>, visan<strong>do</strong> <strong>de</strong>ixar a previsão mais a<strong>de</strong>rente e confiável à realida<strong>de</strong> <strong>de</strong>sta<br />
<strong>em</strong>presa <strong>do</strong> setor <strong>de</strong> <strong>auto</strong>peças.<br />
Referências bibliográficas<br />
BACCI, L. A. Combinação <strong>de</strong> méto<strong>do</strong>s <strong>de</strong> séries t<strong>em</strong><strong>por</strong>ais para a previsão da <strong>de</strong>manda <strong>de</strong> café no Brasil. Tese<br />
<strong>de</strong> mestra<strong>do</strong> UNIFEI, 2007.<br />
BERTRAND, J. W. M.; FRANSOO, J. C. Operations manag<strong>em</strong>ent research metho<strong>do</strong>logies using quantitative<br />
mo<strong>de</strong>ling. International Journal of Operation & Production Manag<strong>em</strong>ent, Bradford, v.22, n.2, p.241-264, feb.<br />
2002.<br />
CAVALHEIRO, D. Méto<strong>do</strong> <strong>de</strong> <strong>Previsão</strong> <strong>de</strong> D<strong>em</strong>anda Aplicada ao Planejamento da Produção <strong>de</strong> Indústrias <strong>de</strong><br />
Alimentos: Programa <strong>de</strong> Pós-Graduação <strong>em</strong> Engenharia Mecânica: Florianópolis: Universida<strong>de</strong> Fe<strong>de</strong>ral <strong>de</strong> Santa<br />
Catarina, 2003. 130p. Dissertação (Mestra<strong>do</strong> <strong>em</strong> Engenharia Mecânica).<br />
CORRÊA, L. H.; GIANESI, I. G. N.; CAON, M. Planejamento, Programação e Controle da Produção. 5º ed.,<br />
Editora Atlas 2009.<br />
DAVIS, M. M.; AQUALIANO, N. J.; CHASE, R. B. Fundamentos da administração da produção. 3. ed. Porto<br />
Alegre: Bookman, 2001.<br />
DIAS, M. A. P. Administração <strong>de</strong> Materiais: <strong>uma</strong> abordag<strong>em</strong> logística. São Paulo: Ed. Atlas, 1993.<br />
FAVA, V. L. Meto<strong>do</strong>logia <strong>de</strong> Box-Jenkins para mo<strong>de</strong>los univaria<strong>do</strong>s. In: Vasconcellos, M. A. S.; Alves, D.<br />
Manual <strong>de</strong> econometria: nível intermediário. São Paulo: Atlas, 2000.<br />
18
Trabalho <strong>de</strong> Conclusão <strong>de</strong> Curso<br />
Engenharia <strong>de</strong> Produção<br />
2013<br />
GAITHER, N.; FRAZIER, G. Operations manag<strong>em</strong>ent. Ohio: South-Western, 2001.<br />
LINSTONE, H. A.; TUROOF, M. The Delphi method: techniques and applications. Addison-Wesley, 1975.<br />
MAKRIDAKIS, S; WHEELWRIGT, S. C.; HYNDMAN, R. J. Forecasting: methods and applications. 3. ed.<br />
New York: John Wiley & Sons, 1998.<br />
MORETTIN, P. A; TOLOI, C. M. C. <strong>Previsão</strong> <strong>de</strong> séries t<strong>em</strong><strong>por</strong>ais. 2. ed. São Paulo: Atual editora, 1987.<br />
MORETTIN, P. A; TOLOI, C. M. C. Análise <strong>de</strong> Séries T<strong>em</strong><strong>por</strong>ais - 2ª Edição Revista e Ampliada. 2. ed. São<br />
Paulo: Editora Edgar Blucher, 2006.<br />
PINDYCK, R. S.; RUBINFELD, D. L. Econometria: mo<strong>de</strong>los e previsões. ed. 4. São Paulo: Campus - Elsevier,<br />
2004.<br />
QUEIROZ, A. A.; CAVALHEIRO, D. Méto<strong>do</strong> <strong>de</strong> <strong>Previsão</strong> <strong>de</strong> D<strong>em</strong>anda e Detecção <strong>de</strong> Sazonalida<strong>de</strong> para o<br />
Planejamento da Produção <strong>de</strong> Indústrias <strong>de</strong> Alimentos: XXIII Encontro Nacional <strong>de</strong> Engenheiros <strong>de</strong> Produção -<br />
Ouro Preto, MG, Brasil, 21 a 24 <strong>de</strong> outubro <strong>de</strong> 2003. 1p.<br />
ROCHA, D. R. Gestão da Produção e Operações. Editora Ciência Mo<strong>de</strong>rna 2008.<br />
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. 3º ed., Editora Atlas 2009.<br />
TUBINO, D. F. Manual <strong>de</strong> Planejamento e Controle da Produção. São Paulo: Atlas, 2000.<br />
19