Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3077 
Aplicação de séries temporais na análise de demanda turística no 
estado do Pará usando os modelos de Holt-Winters 
Cláudio Mauro Vieira Serra (UEPA) cmvserra@uepa.br 
Heliton Ribeiro Tavares (UFPA) heliton@ufpa.br 
Julio César Correa Santos (UEPA) jcesar_vongrapp@yahoo.com.br 
Resumo 
Previsões de demanda são informações relevantes para um planejamento operacional e 
estratégico de organizações de diversos setores. O presente trabalho tem como objetivo 
avaliar a aplicação dos modelos de séries temporais Holt-Winters Aditivos e Multiplicativos 
para previsão de demanda turística no estado do Pará. É apresentada uma contextualização 
da importância do turismo no desenvolvimento econômico dos estados. Uma breve revisão 
sobre os modelos adotados nesse artigo bem como a apresentação e análise do estudo de 
caso. 
Palavras-chave: Turismo, Séries Temporais, Previsão. 
1. Introdução 
Recentemente o Governo Federal, através da Embratur, junto com os governos estaduais vem 
incentivando o investimento em turismo nos estados brasileiros através da Política Nacional 
de Turismo, pois o Turismo é uma atividade que impacta 52 segmentos diferentes da 
economia, empregando em sua cadeia, desde mão-de-obra mais qualificada, em áreas que 
utilizam desde alta tecnologia (transportes e comunicação) até as de menor qualificação, tanto 
no emprego formal quanto no informal (OLIVEIRA FILHO, 2003). 
Nesse sentido, o turismo também se configura como uma das bases para o desenvolvimento 
do Estado do Pará. Em 2002 gerou um aumento de 4,14% no número de empregos e ainda 
apresenta enorme potencial de desenvolvimento, dado às novas modalidades como ecoturismo 
e turismo de aventura (PARATUR, 2003). 
Em qualquer atividade o planejamento se faz necessário para se obter resultados satisfatórios. 
A previsão de demanda entre outras estatísticas assume um papel importante no planejamento 
operacional e estratégico para as empresas que atuam no turismo, pois poderiam planejar 
melhor as atividades de infra-estrutura, capacidade, gerenciamento de mão-de-obra (férias, 
contratações); Os órgãos oficiais do estado poderiam incentivar, gerenciar a demanda em 
meses em que houvesse queda no fluxo de turistas, implementar ações para controlar a 
sazonalidade, evitando problemas econômicos no setor e aumentando volume de demanda, 
considerado ainda muito baixo. 
No âmbito geral, o uso da estatística auxilia em importantes tarefas profissionais e procura 
sintetizar e representar de forma compreensível à informação contida num conjunto de dados, 
através de vários métodos para obtenção de conclusões e para tomada de decisões (RUSSO, 
ILGNER & BASSO, 2003). 
Os modelos de séries temporais são ferramentas importantíssimas e têm sido largamente 
utilizadas nos mais diversos campos do conhecimento. Fogliatto (2003) enfatiza que as 
vantagens desta técnica estendem-se desde auxilio ao planejamento de infra-estrutura a 
capacidade, reduzindo riscos inerentes ao processo decisório das atividades. Kotler (2000), 
mostra que as previsões são utilizadas por diversos setores da empresa, entre elas, o 
XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3078 
departamento de finanças com o objetivo de determinar o caixa da empresa necessário aos 
investimentos, as operações pelo departamento de produção, com o objetivo de estabelecer os 
níveis de capacidade e de produção, departamento de compras visando adquirir suprimentos, 
além do departamento de recursos humanos, contratando funcionários, quando necessário. 
Assim exposto, o objetivo do presente trabalho é avaliar o uso dos modelos de séries 
temporais para analisar a demanda turística no estado do Pará ajudando assim os gestores em 
seus planejamentos. Para tanto, avaliou-se os modelos Holt-Winters multiplicativos e aditivos 
através do uso do software CrystalBall. 
2. Séries temporais 
Uma série temporal consiste em um conjunto de observações ou medidas sob um intervalo de 
tempo. Se estas observações consecutivas são dependentes uma das outras, é possível 
conseguir-se uma previsão (SAMOHYL, ROCHA & MATTOS, 2001) e assim fornecer bases 
para compreender o comportamento do evento ao qual esta se analisando. 
Uma das considerações para o uso de modelos de séries é assumir que os eventos futuros 
terão os mesmos comportamentos dos eventos passados. 
De acordo com Morettin & Toloi (2004), ao se realizar um estudo de séries temporais, pode-
se estar interessado em: 
a) Investigar o mecanismo gerador da série temporal; 
b) Fazer previsões de valores futuros da série; 
c) Descrever apenas o comportamento da série, como tendências e sazonalidades, por 
exemplo; 
d) Procurar periodicidades relevantes nos dados. 
Os mesmos autores ressaltam que os modelos devem ser simples, com o menor número de 
parâmetros possíveis, e sua utilização não deve apresentar dificuldades às pessoas 
interessadas em manipulá-los, entendendo-se por modelos uma descrição probabilística de 
uma série temporal. 
Morettin & Toloi (2004) classificam os modelos de séries temporais em: paramétricos, cuja 
análise é feita no domínio do tempo; e os não paramétricos cuja a análise é realizada no 
domínio da freqüência. 
De acordo com as características dos dados da série e do objetivo da análise, há um conjunto 
de modelos que podem ser usados, variando dos mais simples e intuitivos até os mais 
complexos, que precisam de conhecimentos especializados e softwares mais sofisticados. 
2.1 Modelos de Holt-Winters 
Os modelos de Holt-Winters (HW) descrevem apropriadamente dados de demanda em que 
verifica-se a ocorrência de tendência linear, além de uma componente de sazonalidade 
(PELLEGRINI & FLOGIATTO, 2000). Caso a amplitude da variação sazonal mantenha-se 
constante, diz-se que o modelo é aditivo (figura 1), caso aumente com o tempo, diz-se que o 
modelo é multiplicativo (figura 2). Morettin & Toloi (2004) comentam que as vantagens 
desse modelo são: fácil entendimento, aplicação não dispendiosa, adequados para série com 
padrão de comportamento mais geral. E que as desvantagens são: dificuldades de em 
determinar os valores mais apropriados das constantes de suavização e/ou impossibilidade de 
estudar as propriedades estatísticas, tais como média e variância de previsão e, 
XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3079 
conseqüentemente, a construção de um intervalo de confiança. 
 
Figura 1 – Modelo aditivo de Holt-Winters. Fonte: Ragsdale (2004) 
 
Figura 2 – Modelo multiplicativo de Holt-Winters. Fonte: Ragsdale (2004) 
Os modelos matemáticos para as variações desse método podem ser vistos abaixo: 
a) HW Multiplicativo: considera-se que o fator sazonal Ft como sendo multiplicativo, 
enquanto a tendência permanece aditiva, ou seja: 
ttttt aTFZ ++= µ , t=1,...,N (1) 
As equações de suavização e previsão são dadas por: 
stFD
tZ
tZDtF −−+


= ˆ)1(ˆ , 0<D<1, t=s+1,…,N (2) 
)1ˆ1ˆ)(1(ˆ −+−−+



−
= tTtZA
stF
tZAtZ , 0<A<1, , t=s+1,…,N (3) 
1ˆ)1()1(ˆ −−+−−= tTCtZtZCtT , 0<C<1, t=s+1,…,N (4) 
shtttt FThZhZ 2ˆ)ˆ()(ˆ −++= , h=s+1,...,2s (5) 
E representam estimativas do fator sazonal, do nível e da tendência, respectivamente, e o 
valor de previsão para a série; A, C e D são as constantes de suavização e são obtidas de 
modo a minimizar alguma quantidade, tal como a soma de quadrados dos erros de 
ajustamentos, ou o erro percentual médio (MAPE); tZ os valores observados da série; tZ é a 
média desses valores. 
b) HW Aditivo: neste caso o fator sazonal Ft também é considerado aditivo junto com o 
efeito da tendência. As equaçõespara esse modelo são dadas abaixo: 
ttttt aTFZ +++= µ , t=1,...,N (6) 
( ) stttt FDZZDF −−+−= ˆ)1(ˆ , 0<D<1 (7) ( ) )ˆˆ)(1(ˆ 11 −−− +−+−= ttsttt TZAFZAZ , 0<A<1 (8) 
1ˆ)1()1(ˆ −−+−−= tTCtZtZCtT , 0<C<1 (9) 
shtttt FThZhZ 2ˆˆ)(ˆ −+++= , h=s+1,...,2s (10) 
XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3080 
3. Metodologia 
Makridakis et. al. (1998) recomendam que um estudo de séries temporais siga os seguintes 
passos: i) definição do problema; ii) coleta de informações; iii) análise preliminar dos dados; 
iv) escolha e ajuste do modelo; v) uso e avaliação do modelo de previsão. 
Nesse sentido, definiu-se como objeto de estudo a demanda turística no estado do Pará, com o 
intuito de fazer previsões futuras dessas demandas, bem como analisar períodos de 
sazonalidade, tendências entre outras estatísticas descritivas. 
Os dados coletados representam o fluxo mensal de turistas nas instituições cadastradas e não 
cadastradas pela agência de turismo do referido estado, a PARATUR, no período que 
compreende os anos de 1993 a 2003. 
Uma vez de posse dos dados, plotou-se a demanda em função dos meses, com a finalidade de 
avaliar o comportamento da série quanto a estacionaridade, tendência de crescimento (ou 
decrescimento), sazonalidade ou ciclos. 
Seguindo a sugestão de Morettin e Toloi (2004), procurou-se modelos simples, porém com 
capacidade de predição significativa, que pudessem ser manipulados pelos técnicos da 
PARATUR através de planilhas eletrônicas. Nesse sentido, os modelos testados foram os 
modelos de Holt-Winters aditivos e multiplicativos, considerados modelos paramétricos. Foi 
utilizado o software Cb-Predictor da CrystalBall Inc. que é um add-in para o Excel. 
Por fim, analisou-se o resultado para validação e escolha dos modelos. O critério adotado foi 
o de menor erro percentual médio (MAPE). 
4. Aplicação 
Os dados da demanda turística no estado do Pará podem ser vistos na tabela abaixo. 
Anos Mês 
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 
Janeiro 11.428 10.844 12.651 12.627 11.529 10.918 12.849 13.54 14.123 13.280 13.292
Fevereiro 9.669 9.847 10.410 10.412 10.480 9.934 11.673 13.900 12.488 11.832 14.033
Marco 13.105 12.295 12.321 12.821 11.956 12.591 13.514 13.776 15.444 15.672 18.374
Abril 11.077 9.938 12.564 12.898 12.428 11.903 13.280 13.331 14.883 14.913 15.601
Maio 12.493 11.838 13.360 14.595 12.025 13.193 14.061 14.913 16.257 16.342 17.568
Junho 10.110 11.080 12.865 13.018 13.423 13.650 14.456 15.916 16.653 15.594 15.900
Julho 12.956 11.570 14.216 13.813 13.346 15.141 14.872 16.015 17.496 17.911 19.148
Agosto 13.443 14.839 14.446 13.539 12.738 16.379 15.359 17.911 17.146 18.116 18.797
Setembro 10.312 13.870 14.677 13.690 15.759 16.227 15.471 15.486 15.933 17.562 17.258
Outubro 13.095 16.522 14.990 14.881 14.780 16.924 16.384 16.679 17.160 17.468 19.396
Novembro 11.846 12.466 13.408 13.810 13.310 15.653 14.307 16.373 16.250 16.736 15.246
Dezembro 11.855 12.491 11.487 12.229 11.495 13.758 13.750 13.989 14.174 15.516 15.705
Fonte: PARATUR (2003) 
Tabela 1 – Demanda mensal de turistas no estado do Pará 
Que pode ser representada graficamente conforme abaixo: 
XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3081 
 
Figura 3- Demanda turística no estado do Pará ao longo dos anos de 1993 até 2003 
Pelos dados expostos acima, pode se perceber que existe uma tendência de crescimento de um 
ano para o outro na demanda turística, fato que só não ocorreu no ano de 1997, onde houve 
uma pequena queda de 3,35% na demanda (de 158.342 para 153.269). O crescimento na 
demanda de 1993 até 2003 foi de 29,41%. A taxa de crescimento não é contínua em relação 
ao ano anterior variando em média em 3,37%. Percebe-se ainda, que durante os meses de 
janeiro até outubro existe um crescimento na demanda e após o mês de outubro há um 
decréscimo até o final do ano. Esse comportamento é visto praticamente em todos os anos, a 
exceção seriam os anos de 1993 e 2003, onde os dados oscilam a cada mês. Contudo nesse 
trabalho adotou-se uma sazonalidade de período 12 meses. 
De acordo com as características da série deve-se selecionar os métodos probabilísticos mais 
adequados para se fazer à previsão de demandas futuras. Como um dos objetivos é usar 
métodos mais acessíveis com cálculos auxiliados por planilhas eletrônicas, optou-se por 
trabalhar com os métodos Holt-Winters, seja o Aditivo ou o Multiplicativo. Ressalta-se que o 
modelo SARIMA (auto-regressivos integrados e de médias móveis com sazonalidade) poderia 
apresentar um melhor resultado, todavia precisaria de conhecimentos mais específicos e de 
softwares especializados por parte dos usuários (funcionários da PARATUR e outros órgãos), 
e por isso foi preterido nesse trabalho. 
Assim, com a utilização do software Excel e do Cb-Predictor calculou-se a série. Para efeito 
de análise dos resultados fez-se o cálculo considerando janeiro de 1993 até junho de 2003, 
sendo que os meses de julho a dezembro de 2003 serviram para comparação dos resultados 
previstos do modelo com os dados reais. A tabela abaixo mostra os resultados para os dois 
métodos. 
 
Métodos Rank RMSE MAD MAPE Durbin-Watson Theil’s U Alpha Beta Gamma
Holt-Winter’s 
Aditivo 
2 896.9 691.03 5.104 1.781 0.535 0.267 0.001 0.001 
Holt-Winter’s 
Multiplicativo 
1 864.5 661.71 4.821 1.873 0.519 0.23 0.001 0.001 
Tabela 2 – Resultados da aplicação dos modelos de Holt-Winters Aditivo e Multiplicativo 
XXV Encontro Nac. de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3082 
Verifica-se então que ambos os métodos podem ser considerados adequados, devido aos 
baixos erros percentuais (MAPE) que apresentaram. No caso do modelo Aditivo esse erro foi 
de 5,104% e no caso Multiplicativo o erro foi de 4,82%. 
A estatística U de Theil para ambos os modelos também pode ser considerada satisfatória, 
uma vez que seus valores ficaram abaixo de 1, e de acordo com Markridakis et. al. (1998) 
quando mais próxima de 0 (zero) o valor dessa estatística melhor será a técnica de previsão 
usada. Caso o valor fique acima de 1 (um) é sugerido procurar outro modelo para representar 
a série. 
A figura abaixo mostra o ajuste dos dados reais utilizando o modelo de Holt-Winters 
Multiplicativo, uma vez que esse apresentou o menor erro percentual médio. 
 
Figura 4 – Ajuste da série pelo modelo Holt-Winters Multiplicativo 
Os valores previstos para os meses de julho até dezembro de 2003 podem ser vistos na tabela 
abaixo, para montagem do intervalo de confiança foi considerado um nível de 95%. Verifica-
se, portanto uma boa capacidade de previsão, a única exceção seria no mês de novembro onde 
o valor real (15.246) está abaixo em 5,07% do limite inferior do valor previsto pelo modelo. 
 
Meses Limite inferior (5%) Previsto
Limite superior 
(95%)
Dados 
reais 
Dentro do 
intervalo?
Julho 16510.18 17943.66 19377.14 19148 Sim
Agosto 17323.96 18768.99 20214.03 18797 Sim
Setembro 16706.78 18163.56 19620.35 17258 Sim
Outubro 17954.86 19423.59 20892.31 19396 Sim
Novembro 16060.21 17541.07 19021.94 15246 Não
Dezembro 14446.20 15939.40 17432.61 15705 Sim
Tabela 3 – Comparação dos valores previstos com os dados reais 
5. Conclusão 
Previsões de demanda são importantes para que o gestor possa realizar o planejamento tático 
e até estratégico para a sua empresa. Nesse sentido diversas técnicas vêm sendo desenvolvidas 
ao longo do tempo, dando-se destaque para as técnicas de séries temporais. 
Nesse contexto, aplicou-se o modelo de Holt-Winters Aditivo e Multiplicativo, para analisar a 
demanda turística do estado do Pará. As escolhas desses métodos foram baseadas tanto nas 
XXV Encontro Nac.de Eng. de Produção – Porto Alegre, RS, Brasil, 29 out a 01 de nov de 2005 
 
ENEGEP 2005 ABEPRO 3083 
características da série, entre elas tendência de crescimento e sazonalidade, quanto na 
facilidade de operação por parte dos técnicos que iriam utilizar o modelo. 
Ambos os métodos apresentaram um baixo erro percentual médio (MAPE), e foram 
considerados satisfatórios para serem utilizados em previsões futuras da demanda turística. 
Contudo, foi utilizado o modelo de Holt-Winters Multiplicativo para realizar tais previsões, 
pois este apresentou o menor erro percentual médio (4,82%). 
Os dados reais da demanda de julho a dezembro de 2003 foram comparados com os dados 
previstos por esse modelo, e chegou-se a conclusão que dos seis meses, cinco estão dentro do 
intervalo de confiança previsto pelo modelo, o que, portanto confirma que o método tem boa 
capacidade de previsão. 
A utilização desse modelo para previsão para os anos de 2005 e 2006, por exemplo, poderia 
gerar discrepâncias significativas, principalmente se no ano de 2004 a demanda tenha se 
comportado tal qual a de 2003 ou diferente dos anos anteriores (crescimento até outubro e 
decrescimento até dezembro). Daí a importância de uma coleta/processamento de informações 
mais rápido pela PARATUR, órgão do estado do Pará responsável pelo planejamento 
turístico, pois até a presente data ainda não havia consolidado as demandas mensais do ano de 
2004. 
A parceria entre universidade, empresas e governo poderia ser um caminho na elaboração de 
um sistema de informação que pudesse consolidar os diversos dados relacionados à cadeia 
turística, em prol de informações que ajudem o desenvolvimento operacional e estratégico do 
setor ajudando o desenvolvimento econômico do estado. 
Referências 
RUSSO, S.; ILGNER, N. & BASSO, E. (2003) - Análise através de séries temporais do número de pessoas que 
realizam a travessia nos portos - porto Xavier/San Javier e porto Mauá/Alba Posse. Disponível em 
http://www.urisan.tche.br/~gep/projetos.php. Acessado em 10.04.2005. 
 FOGLIATTO, F. (2003) – Previsão de Demanda. Curso de graduação em Engenharia de Produção e Transporte 
(apostila). Porto Alegre. 
KOTLER, P. (2000) – Administração de Marketing: a edição do novo milênio. Prentice Hall. São Paulo. 
MAKRIDAKIS, S.; WHEELWRIGHT, S. & HYNDMAN, R.J. (1998) – Forecasting Methods and Applications. 
John Wiley & Sons. 3a Edição. New York. 
MORETTIN, P.A. & TOLOI, C.M. (2004) – Análise de Séries Temporais. Edgar Blucher Ltda. São Paulo. 
PARATUR. (2003) – Relatórios internos de indicadores turísticos do estado do Pará. Belém. 
PELLEGRINI, F.R. & FOGLIATTO, F. (2000) - Estudo comparativo entre modelos de Winters e de Box-
Jenkins para a previsão de demanda sazonal. Revista Produto & Produção. Vol. 4, número especial, p.72-85. 
RAGSDALE, C. (2004) – Spreadsheet modeling & decision analysis. Thompson. 4a edição. Cincinnati. 
SAMOHYL, R.W; ROCHA, R. & MATTOS, V.L.D de. (2001). Utilização do método de Holt-Winters para 
previsão do leite entregue às indústrias catarinenses. XXI Encontro Nacional de Engenharia de Produção. 
Salvador. 
OLIVEIRA FILHO, J.B de. (2003) – Organização de redes de microempresas e proprietários rurais para o 
desenvolvimento turístico regional. XXIII Encontro Nacional de Engenharia de Produção. Ouro Preto.

Mais conteúdos dessa disciplina