Predição da Produção de Etanol nos Estados Brasileiros

• Antonio Mello Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0000-0001-7471-1946
• Diego Carvalho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

DOI: https://doi.org/10.5753/bresci.2024.243818

Resumo

Dois tipos de etanol combustível são produzidos no Brasil: etanol hidratado, usado diretamente como combustível veicular, e etanol anidro, misturado na gasolina na proporção de 27%. Dados da Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) indicaram que a produção brasileira de etanol combustível representou quase 22% do consumo total de combustíveis automotivos no país em 2023. Seis estados são responsáveis por aproximadamente 90% da produção brasileira de etanol, o que apresenta um desafio logístico não só devido à sazonalidade da produção mas também pela necessidade de transporte do etanol das regiões produtoras para as redes de distribuição e revenda. Este estudo visa modelar e prever produção mensal de etanol hidratado e anidro nos principais estados produtores do Brasil. Para isso, empregamos o método ARIMA para previsão de séries temporais. A metodologia proposta apresentou bons resultados para as séries temporais que não apresentaram indícios de pontos de mudança estatísticos significativos.

Palavras-chave: Etanol, Biocombustíveis, ARIMA

Referências

Al-Fattah, S. M. (2020). A new artificial intelligence GANNATS model predicts gasoline demand of Saudi Arabia. Journal of Petroleum Science and Engineering, 194.

ANP (2023a). Production of biofuels. Technical report, [link].

ANP (2023b). Sales of petroleum derivatives and biofuels. Technical report, [link].

Badamchizadeh, S., Latibari, A. J., Tajdini, A., Pourmousa, S., and Lashgari, A. (2021). Modeling Current and Future Role of Agricultural Waste in the Production of Bioethanol for Gasoline Vehicles. BioResources, 16(3):4798 – 4813.

Chicco, D., Warrens, M. J., and Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7:1 – 24.

da Silva, A. L. and Castañeda-Ayarza, J. A. (2021). Macro-environment analysis of the corn ethanol fuel development in Brazil. Renewable and Sustainable Energy Reviews, 135.

Dey, B., Roy, B., Datta, S., and Ustun, T. S. (2023). Forecasting ethanol demand in India to meet future blending targets: A comparison of ARIMA and various regression models. Energy Reports, 9:411 – 418.

Dritsaki, C., Niklis, D., and Stamatiou, P. (2021). Oil consumption forecasting using arima models: an empirical study for greece. International Journal of Energy Economics and Policy, 11(4):214–224.

Figueira, S. R., Burnquist, H. L., and Bacchi, M. R. P. (2010). Forecasting fuel ethanol consumption in Brazil by time series models: 2006-2012. Applied Economics, 42(7):865 – 874.

Fink, R. and Medved, S. (2011). Global perspectives on first generation liquid biofuel production. Turkish Journal of Agriculture and Forestry, 35(5):453 – 459.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3):1 – 22.

Li, Z., Rose, J. M., and Hensher, D. A. (2010). Forecasting automobile petrol demand in Australia: An evaluation of empirical models. Transportation Research Part A: Policy and Practice, 44(1):16 – 38.

Nielsen, A. (2019). Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O’Reilly Media, Inc.

Ogasawara, E., Castro, A., Borges, H., Carvalho, D., Santos, J., Bezerra, E., and Coutinho, R. (2023). daltoolbox: Leveraging Experiment Lines to Data Analytics.

Yu, L., Liang, S., Chen, R., and Lai, K. K. (2022). Predicting monthly biofuel production using a hybrid ensemble forecasting methodology. International Journal of Forecasting, 38(1):3 – 20.