PREVISÃO DE SÉRIES TEMPORAIS NA PRODUTIVIDADE AGRÍCOLA BRASILEIRA

uma abordagem com machine learning

Abstract

A agricultura é peça-chave na dinâmica econômica brasileira, uma vez que confere
ao setor competitividade, inovação e possibilidades de inversões em outras áreas.
Neste sentido, a produtividade total dos fatores está diretamente atrelada à
competitividade apresentada pelo setor. Logo, o seu aprimoramento e crescimento
são essenciais tanto para o desenvolvimento agrícola, como para o crescimento
continuado do setor. Diante de tamanha relevância, a literatura tem considerado
realizar previsões de produtividade como forma de nortear políticas públicas e
tomadas de decisão dos produtores. Nesse sentido, o presente trabalho objetivou,
por meio da utilização do modelo tradicional de previsão de séries temporais
Autoregressive Integrated Moving Average (ARIMA) e dois modelos de machine
learning, Support Vector Regression (SVR) e Decision Tree Regression (DTR),
prever as séries temporais de produtividade agrícola brasileira no recorte temporal
de 2012 a 2023, em trimestres. Os principais resultados obtidos apontam que o SRV
e o DTR obtiveram melhor desempenho na previsão da produtividade agrícola
brasileira, sendo que o primeiro apresentou menor erro. Ademais, a projeção para o
ano de 2024 revela que a produtividade deve manter a mesma tendência dos anos
anteriores, com pico no primeiro trimestre, seguido por uma redução nos demais.