Modelos computacionais aplicados à decisão: análise de modelos estatísticos na produção de biodiesel

Abstract

A previsão de séries temporais é uma ferramenta essencial no planejamento estratégico de setores produtivos sujeitos à variabilidade econômica, sazonalidade e flutuações de demanda. Entre esses setores, destaca-se a produção de biodiesel no Brasil, atividade que integra políticas de sustentabilidade, segurança energética e desenvolvimento do agronegócio. Diante da importância crescente de ferramentas preditivas na gestão dessa cadeia, este trabalho analisa e compara o desempenho de cinco modelos estatísticos amplamente consolidados: ARIMA, Holt Winters, ETS, TBATS e Facebook Prophet. A série histórica, com dados de 2005 a 2021, passou por tratamento, incluindo interpolação de valores ausentes e remoção de outliers. Para validação, a base foi dividida em conjunto de treinamento (2005–2017) e teste (2018–2021), e as previsões foram avaliadas pelas métricas RMSE, MAE e MAPE. Em seguida, os modelos geraram projeções de longo prazo (2022–2031), permitindo analisar a consistência das tendências. Os resultados mostraram diferenças significativas entre os modelos. Holt-Winters (MAPE = 8,72%) e ETS (MAPE = 8,80%) tiveram melhor desempenho, enquanto Prophet (MAPE = 17,55%) e ARIMA (MAPE = 15,97%) apresentaram maiores limitações, especialmente na representação da sazonalidade e da tendência recente. Conclui-se que a escolha do modelo mais adequado depende do equilíbrio entre precisão, interpretabilidade e sensibilidade aos padrões da série. O estudo reforça a importância da modelagem estatística no apoio à tomada de decisão no setor de biocombustíveis, contribuindo para o planejamento produtivo e o desenvolvimento de políticas públicas baseadas em evidências.