Previsão de preços das commodities agrícolas: uma revisão bibliométrica sobre modelos

Autores

DOI:

https://doi.org/10.7769/gesec.v13i3.1380

Palavras-chave:

Previsão de Preços Agrícolas, Método de Previsão Híbrido, Modelo de Previsão, Commodities Agrícolas

Resumo

Objetivo - Identificar a lacuna de pesquisa sobre modelos de previsão aplicados nos preços das commodities agrícolas e mostrar as principais tendências da previsão. Desenho/ metodologia/abordagem - A análise bibliométrica possibilitou identificar a lacuna científica e gerou resultados quantitativos e tendências. Resultados - Os resultados mostraram que as abordagens ARIMA e redes neurais são os modelos mais utilizados na previsão de preços de commodities agrícolas, no entanto, o modelo ARIMA não tem gerado previsões superiores em comparação aos algoritmos de aprendizado de máquina (ML) e modelos híbridos. As redes neurais são mais precisas para prever preços de commodities agrícolas do que os modelos econométricos. Os modelos híbridos de IA geram predições com melhores níveis de acurácia em comparação aos métodos estatísticos tradicionais ARIMA, modelos individuais e redes neurais em que o desempenho de previsão dos modelos híbridos são melhores do que os dos modelos únicos. É uma tendência a abordagem de modelos híbridos para prever preços de commodities agrícolas em pesquisas futuras. Implicações de pesquisa, práticas e sociais - Estes achados permitem discussões sobre modelagem e previsão de preços de commodities agrícolas. Os modelos abordados neste estudo bibliométrico podem fornecer referência para os econometristas do campo da previsão de preços de produtos agrícolas, e a pesquisa aponta as tendências sobre a temática, assim pode fornecer direções de pesquisa para econometristas. Originalidade/Relevância - No estudo bibliométrico realizado nas bases de dados Web of Science e SCOPUS, não foi encontrada uma revisão bibliométrica ou sistemática sobre o tema. Os estudos dedicados à revisão sobre previsão de preços de commodities agrícolas, ainda são poucos como as revisões de literatura (Brandt e Bessler, 1983; Wang, et al., 2020).

Downloads

Não há dados estatísticos.

Referências

Ahumada, H, & Cornejo, M. (2016). Forecasting food prices: The case of corn, soybeans and wheat. International Journal of Forecasting, 32(3), 838–848. https://doi.org/10.1016/j.ijforecast.2016.01.002 DOI: https://doi.org/10.1016/j.ijforecast.2016.01.002

Ahumada, Hildegart, & Cornejo, M. (2016). Out-of-sample testing price discovery in commodity markets: the case of soybeans. Agricultural Economics, 47, 709–718. https://doi.org/10.1111/agec.12267 DOI: https://doi.org/10.1111/agec.12267

Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007 DOI: https://doi.org/10.1016/j.joi.2017.08.007

Brandt, J. A., & Bessler, D. A. (1983). Price forecasting and evaluation: An application in agriculture. Journal of Forecasting, 2(3), 237–248. https://doi.org/10.1002/for.3980020306 DOI: https://doi.org/10.1002/for.3980020306

Bressan, A. A. (2004). Tomada de decisão em futuros agropecuários com modelos de previsão de séries temporais. RAE-Eletrônica, 3(1), 1–20. https://doi.org/https://doi.org/10.1590/S1676-56482004000100005 DOI: https://doi.org/10.1590/S1676-56482004000100005

Camargo, B. V., & Justo, A. M. (2013). IRAMUTEQ: Um software gratuito para análise de dados textuais. Temas Em Psicologia, 21(2), 513–518. https://doi.org/10.9788/tp2013.2-16 DOI: https://doi.org/10.9788/TP2013.2-16

Cas, C. G. (2018). Aplicação do modelo arima para previsão do preço da commodity milho. GEPROS Gestão Da Produção, Operações e Sistemas, 13(1), 263–279. https://doi.org/10.15675/gepros.v13i1.2040

Castro, N. R., Gilio, L., Silva, A. F., & Ozaki, V. A. (2016). Modelos univariados e multivariados aplicados à previsão de valores de exportação: uma análise comparativa para o complexo soja. Revista ESPACIOS, 37(3), 1–13.

Ceretta, P. S., Righi, M. B., & Schlender, S. G. (2010). Previsão do preço da soja: uma comparação entre os modelos ARIMA e redes neurais artificiais. Informações Econômicas, 40(9), 16–27.

David, S. A., R.Trevisan, L., Lopes, A. M., Machado, J. A. T., & Jr, C. M. C. I. (2017). Dynamics of Commodities Prices : Integer and Fractional Models. Fundamenta Informaticae, 151, 389–408. https://doi.org/10.3233/FI-2017-1499 DOI: https://doi.org/10.3233/FI-2017-1499

de Souza, C. C., de Andrade, J. O., Lemes, L. H. B., Viganó, H. H. da G., & Kazama, A. S. (2018). Análise do padrão estacional e previsão dos preços da soja aos produtores do estado de São Paulo, Brasil. Extensão Rural, 25(1), 78–92.

Degiannakis, S., Filis, G., Klein, T., & Walther, T. (2020). Forecasting realized volatility of agricultural commodities. International Journal of Forecasting, 2–23. https://doi.org/10.1016/j.ijforecast.2019.08.011 DOI: https://doi.org/10.2139/ssrn.3446748

Deng, H. L., & Sūn, Y. Q. (2019). Soybean Price Pattern Discovery Via Toeplitz Inverse Covariance-Based Clustering. International Journal of Agricultural and Environmental Information Systems, 10(4), 1–17. https://doi.org/10.4018/IJAEIS.2019100101 DOI: https://doi.org/10.4018/IJAEIS.2019100101

Drachal, K. (2019). Analysis of Agricultural Commodities Prices with New Bayesian Model Combination Schemes. Sustainability, 11(5305), 2–23. https://doi.org/10.3390/su11195305 DOI: https://doi.org/10.3390/su11195305

Fan, X., Wang, L., & Li, S. (2016). Predicting chaotic coal prices using a multi-layer perceptron network model. Resources Policy, 50, 86–92. https://doi.org/10.1016/j.resourpol.2016.08.009 DOI: https://doi.org/10.1016/j.resourpol.2016.08.009

FAO. (2010). Price volatility in agricultural markets: Evidence, impact on food security and policy responses (p. 2). Economic and Social Development Department, Food and Agriculture Organization of the United Nations (FAO). http://www.fao.org/docrep/013/am053e/am053e00.pdf

Feliciani, A. V., Souza, A. M., & Souza, F. M. (2015). Modelos estocásticos de previsão dos preços da soja no Brasil. Custos e @gronegócio Online, 11(1), 263–280.

Ferreira, L., Moura, G. L. de, Borenstein, D., & Fischmann, A. A. (2011). Utilização de Redes Neurais Artificiais como Estratégia de Previsão de Preços no Contexto de Agronegócio. RAI – Revista de Administração e Inovação, 8(4), 6–26. https://doi.org/10.5773/rai.v8i4.475

Jha, G. K., & Sinha, K. (2012). Time-delay neural networks for time series prediction: an application to the monthly wholesale price of oilseeds in India. Neural Computing and Applications, 24(3), 1–9. https://doi.org/10.1007/s00521-012-1264-z DOI: https://doi.org/10.1007/s00521-012-1264-z

Jha, G. K., & Sinha, K. (2013). Agricultural Price Forecasting Using Neural Network Model: An Innovative Information Delivery System. Agricultural Economics Research Review, 26(2), 229–239. https://doi.org/10.22004/ag.econ.162150

Kitworawut, P., & Rungreunganun, V. (2019). Corn Price Modeling and Forecasting Using Box-Jenkins Model. Applied Science and Engineering Progress, 12(4), 264–276. https://doi.org/10.14416/j.asep.2019.02.007 DOI: https://doi.org/10.14416/j.asep.2019.02.007

Lang, D., & Chien, G. (2018). Package wordcloud2: Create Word Cloud by “htmlwidget” (0.2.1; pp. 2–7). Comprehensive R Archive Network CRAN. https://github.com/lchiffon/wordcloud2

Lima, F. G., Kimura, H., Neto, A. A., & Perera, L. C. J. (2010). Previsão de preços de commodities com modelos ARIMA-GARCH e redes neurais com ondaletas: velhas tecnologias – novos resultados. Revista de Administração, 45(2), 188–202. https://doi.org/10.1016/S0080-2107(16)30537-4 DOI: https://doi.org/10.1016/S0080-2107(16)30537-4

Marchezan, A., & Souza, A. M. (2010). Previsão do preço dos principais grãos produzidos no Rio Grande do Sul. Ciência Rural, 1–7. https://doi.org/10.1590/S0103-84782010001100019 DOI: https://doi.org/10.1590/S0103-84782010001100019

Mitra, D., & Paul, R. K. (2017). Hybrid time-series models for forecasting agricultural commodity prices. Model Assisted Statistics and Applications, 12(3), 255–264. https://doi.org/10.3233/MAS-170400 DOI: https://doi.org/10.3233/MAS-170400

Nomelini, Q. S. S., Ferreira, E. B., Nogueira, D. A., Goynski, A. A., Golynski, A., & Villa, T. E. de. (2017). Uso de modelagem univariada e multivariada com séries temporais como ferramenta de gestão do agronegócio na cultura de soja do Brasil. Revista ESPACIOS, 38(8), 1.

Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Bergmeir, C., Bessa, R. J., Boylan, J. E., Browell, J., Carnevale, C., Castle, J. L., Cirillo, P., Clements, M. P., Cordeiro, C., Oliveira, F. L. C., De Baets, S., Dokumentov, A., Fiszeder, P., Franses, P. H., … Ziel, F. (2020). Forecasting: theory and practice (1st ed.). preprint arXiv:2012.03854 Cornell University. http://arxiv.org/abs/2012.03854

Pinheiro, C. A. O., & Senna, V. de. (2016). Previsão de Preços Através da Análise Espectral Multivariada: Evidências para Commodities da BM&Fbovespa. Brazillian Business Review, 13(5), 133–162. https://doi.org/10.15728/bbr.2016.13.5.6 DOI: https://doi.org/10.15728/bbr.2016.13.5.6

Pinheiro, C. A. O., & Senna, V. de. (2017a). Aplicacao de analise multivariada e redes neurais para previsao de precos no mercado agricola brasileiro. Ciência Rural, 47(1), 2–7. https://doi.org/10.1590/0103-8478cr20160077

Pinheiro, C. A. O., & Senna, V. de. (2017b). Previsão de preços através de redes neurais e análise espectral: evidências para o mercado futuro das commodities açúcar e soja. Custos e @gronegócio Online, 13(4), 103–128.

Pinheiro, C. A. O., Senna, V. de, & Matsumoto, A. S. (2016). Price forecasting for future contracts on agribusiness through neural network and multivariate spectral analysis. Revista de Gestão, Finanças e Contabilidade, 6(3), 98–124. https://doi.org/10.18028/2238-5320/rgfc.v6n3p98-124 DOI: https://doi.org/10.18028/2238-5320/rgfc.v6n3p98-124

Puchalsky, W., Ribeiro, G. T., Veiga, C. P., Freire, R. Z., & Coelho, L. dos S. (2018). Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal of Production Economics, 203, 174–189. https://doi.org/doi.org/10.1016/j.ijpe.2018.06.010 DOI: https://doi.org/10.1016/j.ijpe.2018.06.010

Quevedo-Silva, F., Santos, E. B. A., Brandão, M. M., & Vils, L. (2016). Bibliometric study: Guidelines on its application. Revista Brasileira de Marketing, 15(2), 246–262. https://doi.org/10.5585/remark.v15i2.3274 DOI: https://doi.org/10.5585/remark.v15i2.3274

Ribeiro, C. D. O., Sosnoski, A. A. K. B., & Oliveira, S. M. de. (2010). Um modelo hierárquico para previsão de preços de commodities agrícolas. Revista Produção Online, 10(4), 719–733. https://doi.org/10.14488/1676-1901.v10i4.225 DOI: https://doi.org/10.14488/1676-1901.v10i4.225

Ribeiro, M. H. D. M., & Coelho, L. dos S. (2020). Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series. Applied Soft Computing Journal, 86, 2–17. https://doi.org/10.1016/j.asoc.2019.105837 DOI: https://doi.org/10.1016/j.asoc.2019.105837

Sabu, K. M., & Kumar, T. K. M. (2020). Predictive analytics in Agriculture: Forecasting prices of Arecanuts in Kerala. Procedia Computer Science, 171, 699–708. https://doi.org/10.1016/j.procs.2020.04.076 DOI: https://doi.org/10.1016/j.procs.2020.04.076

Santos Felipe, I. J. dos, Mól, A. L. R., Almeida, V. de S. e, & Brito, M. C. de. (2012). Application of ARIMA models in soybean series of prices in the north of Paraná. Custos e @gronegócio Online, 8(SPL), 78–91.

Silva, M. R. da, Hayashi, C. R. M., & Hayashi, M. C. P. I. (2011). Análise bibliométrica e cientométrica: desafios para especialistas que atuam no campo. InCID: Revista de Ciência Da Informação e Documentação, 2(1), 110–129. https://doi.org/10.11606/issn.2178-2075.v2i1p110-129 DOI: https://doi.org/10.11606/issn.2178-2075.v2i1p110-129

Souza, C. C. de, Andrade, J. O. de, Lemes, L. H. B., Viganó, H. H. da G., & Kazama, A. S. (2018). Análise do padrão estacional e previsão dos preços da soja aos produtores do estado de São Paulo, Brasil. Extensão Rural, 25(1), 78–92. DOI: https://doi.org/10.5902/2318179626646

Tibulo, C., & Carli, V. (2014). Previsão do preço do milho, através de séries temporais. Scientia Plena, 10(10), 1–10. DOI: https://doi.org/10.18226/35353535.v2.2013.18

Triantafyllou, A., Dotsis, G., & Sarris, A. H. (2015). Volatility Forecasting and Time-varying Variance Risk Premiums in Grains Commodity Markets. Journal of Agricultural Economics, 66(2), 329–357. https://doi.org/10.1111/1477-9552.12101 DOI: https://doi.org/10.1111/1477-9552.12101

Wang, D., Yue, C., Wei, S., & Lv, J. (2017). Performance Analysis of Four Decomposition-Ensemble Models for One-Day-Ahead Agricultural Commodity Futures Price Forecasting. Algorithms, 10(108), 2–25. https://doi.org/10.3390/a10030108 DOI: https://doi.org/10.3390/a10030108

Wang, J., Wang, Z., Li, X., & Zhou, H. (2019). Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting. https://doi.org/10.1016/j.ijforecast.2019.08.006

Wang, L., Feng, J., Sui, X., Chu, X., & Mu, W. (2020). Agricultural product price forecasting methods: research advances and trend. British Food Journal, 122(7), 2121–2138. https://doi.org/10.1108/BFJ-09-2019-0683 DOI: https://doi.org/10.1108/BFJ-09-2019-0683

Zhang, D., Zang, G., Li, J., Ma, K., & Liu, H. (2018). Prediction of soybean price in China using QR-RBF neural network model. Computers and Electronics in Agriculture, 154, 10–17. https://doi.org/10.1016/j.compag.2018.08.016 DOI: https://doi.org/10.1016/j.compag.2018.08.016

Zou, H. F., Xia, G. P., Yang, F. T., & Wang, H. Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16–18), 2913–2923. https://doi.org/10.1016/j.neucom.2007.01.009 DOI: https://doi.org/10.1016/j.neucom.2007.01.009

Downloads

Publicado

2022-11-18

Como Citar

Porto , B. M. . (2022). Previsão de preços das commodities agrícolas: uma revisão bibliométrica sobre modelos. Revista De Gestão E Secretariado, 13(3), 881–912. https://doi.org/10.7769/gesec.v13i3.1380