Pontifcia Universidade Catlica do Paran Programa de Mobilizao da Indstria Nacional de Petrleo e Gs - 2008

Estudo comparativo de sries temporais aplicadas previso de demanda de gs cloro em uma empresa de saneamento

Antnio Srgio Neves de Azevedo Programa de Mobilizao da Indstria Nacional de Petrleo e Gs (PROMINP) asnazev22@yahoo.com.br Guilherme E. Vieira, PhD Pontifcia Universidade Catlica do Paran gui.vieira@pucpr.br

Resumo: Este artigo descreve um estudo comparativo de aplicao de alguns modelos matemticos de previso (mdia mvel simples, suavizao exponencial simples e suavizao exponencial de Holt) para estimar o consumo de gs cloro numa estao de tratamento de gua (ETA) pertencente a uma empresa de saneamento da regio metropolitana de Curitiba. So descritos as etapas que envolvem um processo convencional de tratamento de gua, inclusive a fase de desinfeco, onde utilizado o gs cloro neste processo. O estudo mostra qual dos modelos matemticos aplicados tem o melhor desempenho atravs da anlise dos erros de previso. Foi realizado ainda, uma anlise dos dados histricos do produto consumido, indicando que a demanda do produto apresenta tendncia, mas no possui sazonalidade Palavras-chave: Previso de Demanda, Mdia Mvel Simples, Suavizao Exponencial Simples, Suavizao Exponencial de Holt, Erros de Previso.

Introduo
O consumo de gs cloro (Cl2) numa estao de tratamento de gua (ETA) representa um fator crtico quanto ao fornecimento de gua potvel isenta de germes nocivos sade para a populao. Considerando que o produto uma varivel e est sujeito a problemas operacionais de diversas naturezas, por exemplo, falhas no fornecimento de energia eltrica, defeitos das vlvulas dos cilindros, peas gerais e equipamentos, falhas humanas na operao etc. A previso desta substncia contribui para o planejamento gerencial do processo de tratamento da gua, e de quebra, ajuda a diminuir os efeitos das incertezas na produo, manuteno e controle da disponibilidade de gua tratada distribuda de maneira contnua para a populao. Para transformar a gua captada na natureza em gua potvel sem nenhuma contaminao, cheiro e cristalina, o processo de tratamento envolve vrias etapas e alguns critrios, por exemplo, o de

tornar a gua livre de bactrias, protozorios, vrus e outros microorganismos; ter baixo teor de compostos orgnicos; correo eficaz da cor, sabor, odor; reduzido ndice de turbidez, ferro, etc. Um sistema de tratamento de gua convencional composto de adutoras, floculadores, decantadores, filtros e reservatrios e denominado convencional por ser comumente encontrado na maioria das estaes de tratamento de gua, conforme esquema ilustrativo da Figura 1.

Figura 1 Esquema do processo convencional de tratamento de gua. (SAAE, 2006)

As etapas do tratamento de gua so assim resumidas: Captao: a fonte abastecedora de gua com vazo capaz de abastecer a comunidade. Oxidao: oxidar os metais presentes na gua, principalmente o ferro e o mangans, que esto dissolvidos na gua bruta, atravs da injeo de cloro ou produto similar para tornar os metais insolveis na gua para posterior remoo. Coagulao: a adio de sulfato de alumnio ou cloreto frrico para a remoo das partculas de sujeiras atravs da formao de flocos (partculas maiores) para posterior remoo. Para otimizar este processo adiciona-se cal, que mantm o pH da gua no nvel adequado para atuao mais efetiva do coagulante. Decantao: o processo de separao de partculas slidas da gua, pela ao da gravidade, propiciando a sedimentao dessas partculas no fundo dos tanques. Filtrao: Como a gua ainda contm impurezas que no foram totalmente sedimentadas no processo de decantao. Ela encaminhada s unidades filtrantes, passando por filtros constitudos de camadas de areia suportadas por cascalho de diversos tamanhos que retm a sujeira ainda restante. Desinfeco: injetado o cloro para eliminar os germes nocivos sade, garantindo tambm a segurana e a qualidade da gua quando ela for escoada nas redes de distribuio e reservatrios. Numa unidade de tratamento de gua h dois pontos de dosagens, classificados como pr-clorao e clorao final. A pr-clorao ocorre no incio do tratamento e tem por objetivo principal auxiliar a eficincia da coagulao, realizar o controle de algas e microorganismo e reduzir a produo de certos gostos e odores. A clorao final visa garantir total desinfeco e qualidade biolgica da gua a ser distribuda. Detalhe: alm do cloro (Cl2), h a possibilidade de utilizao de outros agentes desinfetantes, por exemplo, o oznio, o cido peractico, a luz ultravioleta, ons de prata, dixido de cloro (ClO2). 2

 Tanque de Contato: o recipiente onde se processa a desinfeco final. Muito mais do que ser um ponto de dosagem de cloro, o tanque de contato tem a funo de homogeneizar a ao do cloro na gua. Suas dimenses e caractersticas permitem que todas as parcelas de gua no sistema possuam total desinfeco. Correo de pH: efetuada atravs da adio de produtos qumicos para que a gua no se torne excessivamente cida. A acidez possibilita a corroso de tubulaes e equipamentos. No entanto, gua excessivamente alcalina pode provocar incrustaes na parede da tubulao da rede de distribuio. Para ajuste do pH, utilizam-se dois produtos distintos, que variam suas utilizaes de acordo com as caractersticas da gua a serem dosadas, o carbonato de sdio (Barrilha) e cal hidratada. Fluoretao: Finalmente a gua fluoretada atravs de compostos base de flor (fluossilicato de sdio). A aplicao destes compostos na gua de abastecimento pblico contribui para a reduo da incidncia de crie dentria, especialmente no perodo de formao dos dentes. Neste contexto, o presente artigo tem como objetivo prever a demanda mensal do consumo de gs cloro numa estao de tratamento de gua, pertencente a uma empresa de saneamento da regio metropolitana de Curitiba, atravs da aplicao de algumas metodologias de sries temporais. Podendo servir dessa forma, como uma ferramenta de apoio aos gerentes desses sistemas de tratamento de gua, como forma de facilitar o planejamento, operao e controle da aquisio desse produto, a fim de diminuir custos e produzir servios com qualidade em termos de produo e disponibilidade na forma de distribuio de gua contnua para a populao. Os dados utilizados neste trabalho foram obtidos de relatrios de consumo de produtos qumicos de uma estao de tratamento de gua pertencente a uma empresa de saneamento da regio, que atende a Capital e regio metropolitana do Estado do Paran, durante o perodo de janeiro a dezembro de 2007. Porm, para poder determinar se o produto em questo tinha ou no sazonalidade, foram analisados ainda em conjunto os dados histricos do ano de 2005 a 2007. Este artigo encontra-se organizado em cinco tpicos, incluindo a introduo. No segundo tpico, aborda-se um resumo dos modelos de previso baseados em sries temporais. No terceiro tpico, apresentada a anlise dos erros de previso. No quarto tpico, trata dos modelos implementados e resultados das anlises feitas. No quinto, tm-se as consideraes finais, em seguida os agradecimentos e por fim, uma relao de referncias bibliogrficas utilizadas para desenvolver o trabalho.

1. Modelos de Previso baseados em Sries Temporais Segundo Chopra e Meindl (2004), o objetivo de qualquer modelo de previso prever o componente de demanda futura, pois so essenciais para os processos de deciso e planejamento da cadeia de suprimento conduzidos pelos gerentes. As sries temporais utilizam o histrico da demanda passada para fazer a previso da demanda futura. Para Heizer e Render (2001), uma srie temporal qualquer conjunto de observaes ordenadas no tempo (semanalmente, mensalmente, trimestralmente, etc). Nesses modelos de previso, h sempre um elemento aleatrio que no pode ser explicado pela demanda atual, pelos padres

histricos ou pela sazonalidade. Portanto, toda demanda observada desmembra-se em um componente sistemtico: valor da demanda futura que consiste em: nvel (demanda atual dessazonalizada), tendncia (taxa de crescimento ou declnio da demanda) e sazonalidade (flutuaes sazonais); e um componente aleatrio: parte da previso desviada da parte sistemtica que estimado com base no erro de previso (Chopra e Meindl, 2004): Demanda Observada = Componente Sistemtico + Componente Aleatrio Para Ballou (2006), uma srie de tempo tem seu fundamento na filosofia de que pode ser decomposta em quatro categorias: 1. Tendncia: verifica o sentido de deslocamento da srie ao longo de vrios anos. 2. Sazonalidade: diz respeito aos altos e baixos normais na srie de tempo que se repetem de tempos em tempos por perodos inferiores h um ano. Associada, na maioria dos casos, a mudanas climticas. 3. Ciclos: movimento ondulatrio que ao longo de vrios anos tende a ser peridico. 4. Variao Residual (Rudo aleatrio ou Erro): compreende a variabilidade intrnseca aos dados e no pode ser modelado. Na Tabela 1 em seguida, so relacionados alguns modelos temporais de previso em contraponto com as situaes com as quais so geralmente aplicados: Erro! Vnculo no vlido. Tabela 1 Modelos de previso x aplicabilidade (Adaptado de Chopra e Meindl, 2004) De acordo com Trautwein Jr. (2004), existem vrios mtodos de previso de demanda e podem ser agrupados em mtodos quantitativos (so mtodos analticos baseados em um modelo matemtico) e mtodos qualitativos (so mtodos no analticos, baseados em julgamento, intuio, entrevistas com especialistas, pesquisa de mercado entre outros). A Figura 2 relaciona alguns dos inmeros modelos existentes na literatura para a previso de demanda.

Figura 2 Alguns mtodos para previso de demanda.

2. Modelo de Mdia Mvel Simples (MMS)

O mtodo da Mdia Mvel Simples (MMS) amplamente usado pela sua facilidade de implementao e manuteno e pela necessidade de poucos dados histricos para a sua aplicao (Lemos, 2006). Esse mtodo indicado para previses de curto prazo e dados histricos irregulares, onde a demanda no apresenta tendncia e nem sazonalidade, pois a previso para um novo perodo envolve sempre a adio de novos dados e desconsidera os dados anteriores. Uma alternativa a graduao ponderada dentro da mdia (Mdia Mvel Ponderada). Nesse modelo, estima-se o nvel (Lt) no perodo t pela mdia da demanda durante os perodos n mais recentes, segundo Chopra e Meindl (2004): Lt = 1 x (Dt + Dt-1 + + Dt-n+1)
n

(1)

A previso (Ft) atual para todos os perodos futuros a mesma e baseia-se na estimativa de nvel atual: Ft+1 = Lt e Ft+n = Lt (2) Logo, para computar a nova Mdia Mvel Simples, simplesmente adiciona-se a demanda mais recente e descarta-se a mais antiga. A Mdia Mvel revisada serve para a prxima previso. Lt+1 = 1 x (Dt+1 + Dt + + Dt-n+2) , Ft+2 = Lt+1
n

(3)

2.1 Modelo de Suavizao Exponencial Simples (SES) Segundo Lemos (2006), a Suavizao Exponencial o modelo de previso mais popular e com o melhor custo/benefcio entre os mtodos de extrapolao. A SES uma mdia ponderada que d pesos menores valores antigos, eliminando uma das desvantagens da MMS (Baco, Lima e Paiva/2006). Porm, um modelo adequado quando a srie no possui tendncia ou sazonalidade. Neste caso, a estimativa inicial de nvel Lo feita com a mdia de todos os dados histricos, porque se supem que a demanda no apresenta tendncia ou sazonalidade (Chopra e Meindl, 2004): Lo = 1_ x Di
n i=1 n

(1)

A previso atual para todos os perodos futuros igual estimativa atual do nvel: Ft+1 = Lt e Ft+n = Lt (2)

Aps a observao da demanda, Dt+1, para o perodo t+1, revisa-se a estimativa do nvel para: Lt+1 = . Dt+1 + (1-)Lt (3)

Onde, a constante de suavizao, sendo que 0 < < 1. Quanto mais o valor de se aproximar de 1, maior ser o ajuste do erro na previso anterior, ou seja, valoriza demandas recentes e portanto, mais sensvel a mudanas. Quanto mais prximo de 0 o valor de , menor ser o

ajuste. Dessa forma, o modelo aborda as demandas histricas mais uniformemente, gerando previses mais estveis. (Lemos, 2006) 2.2 Suavizao Exponencial de Holt (SEH) A metodologia de Suavizao Exponencial Linear de Holt tambm conhecida como mtodo de Suavizao Exponencial Dupla, porque a estimativa da mdia e a estimativa da tendncia so ambas amortecidas (Geigher e Frazier, 2002). Este mtodo expande o mtodo de Suavizao Exponencial Simples para previses com dados que apresentam tendncia linear, mas que no apresentam sazonalidade (Lemos, 2006). Segundo Baco, Lima e Paiva (2006), a nica diferena desse modelo com os anteriores, a presena da componente Tt que representa a tendncia dos dados, para evitar que os valores reais sejam subestimados ou super estimados. Neste caso, a estimativa inicial de nvel e de tendncia pode ser obtida por regresso linear, utilizando ferramenta de anlise do Excel, entre a demanda (D) e o perodo de tempo (t), de acordo com Chopra e Meindl (2004): Dt = at + b (1)

A constante b mede a estimativa de demanda no perodo t=0 e uma estimativa do nvel inicial Lo. A inclinao a mede a taxa de mudana na demanda por perodo e a estimativa inicial de tendncia To. Logo, a previso para todos os perodos futuros : F t+1 = Lt + Tt e F t+n = Lt + nTt (2)

A previso (Ft) obtida com o uso de duas constantes de suavizao, (constante de suavizao para o nvel, 0<<1) e (constante de suavizao para a tendncia, 0<<1). Portanto, as estimativas de nvel e de tendncia para o este modelo so: L t+1 = . D t+1 + (1 ).(Lt + Tt) T t+1 = . (L t+1 Lt) + (1 ).Tt 3. Anlise dos Erros Segundo Chopra e Meindl (2004), qualquer demanda possui um componente aleatrio e, um bom modelo de previso deve captar o componente sistemtico da demanda, mas no o componente aleatrio. O componente aleatrio a prpria manifestao do erro de previso. Para Alvim (2005), o erro da previso deve ser mensurado antes de poder ser utilizado para revisar a previso, ou para auxiliar no planejamento. Os erros de previso possuem informaes valiosas e devem ser analisados com cuidado, pois se a anlise de um erro indicar que ele est alm das estimativas histricas, essa descoberta pode indicar que o modelo adotado deixou de ser adequado e medidas corretivas devem ser colocadas em prtica (Chopra e Meindl, 2004). (3) (4)

H vrias maneiras de mensurar o erro, mas uma freqentemente utilizada o EAMP e o DAM. O DAM a mdia do desvio absoluto em todos os perodos. Pode ser usado para estimar o desviopadro do componente aleatrio, supondo que o componente aleatrio seja distribudo normalmente. Ou ainda, o vis da previso (VP) e a razo de vis (TS) so muito usados para estimar se a previso consistentemente superestima ou subestima a demanda (Moreira, 2007). De acordo com Chopra e Meindl (2004), as seguintes frmulas de erros de previso foram objetos de anlise neste trabalho: Erro de previso para o perodo t: Et = Ft Dt Erro Quadrtico Mdio (estima a variao do erro de previso): EQMn = 1 x E2t
n t=1 n

(1)

(2)

Desvio Absoluto (valor absoluto do erro no perodo t): At = Et (3) Desvio Absoluto Mdio: DAMn = 1 x At
n t=1 n

(4)

Desvio-padro do componente aleatrio : = 1,25. DAM

(5)

Erro Absoluto Mdio Percentual (como porcentagem de demanda): EAMPn = 1 x Et .100 n t=1 Dt Vis de Previso (VP): visn = Et
t=1 n n

(6)

(7)

Razo de vis (TS): TSt = vist DAMt (8)

Segundo com Chopra e Meindl (2004), se o TS em qualquer perodo estiver fora da faixa 6, isso significa que a previso est enviesada e que pode estar sub (razo de vis abaixo de -6) ou superestimada (razo de vis acima de +6). Uma razo de vis negativa acontece quando a demanda tem uma tendncia de crescimento e o gerente est usando um modelo de previso como a MMS: uma vez que a tendncia no est includa, a mdia da demanda histrica ser sempre menor que a demanda futura. A razo de vis negativa detectar que o modelo de previso est consistentemente subestimando a demanda e alertar o gerente.

4. Modelos implementados e resultados das anlises feitas A primeira anlise feita neste estudo diz respeito verificao da sazonalidade. A sazonalidade refere-se aos picos e vales regulares que se repetem anualmente. Foram analisados os dados histricos dos ltimos trs anos (2005 a 2007) para determinar se o produto em questo tinha ou no sazonalidade. Os resultados obtidos esto ilustrados na Grfico 1. Verifica-se que a demanda do produto no possui sazonalidade. Portanto, o padro de consumo no se repete todo ano.
140000 120000

100000

80000

Demanda (Dt)/2007 Demanda (Dt)/2006 Demanda (Dt)/2005

60000

40000

20000

0 1 2 3 4 5 6 7 8 9 10 11 12 M eses

Grfico 1 Identificao da sazonalidade. A segunda anlise do estudo teve por objetivo verificar a se o consumo do produto tinha ou no tendncia. O efeito de tendncia confere a demanda uma tendncia de crescer ou decrescer com o tempo. Logo, os resultados obtidos indicaram que o padro de consumo do produto tinha tendncia, conforme Grfico 2, mas no sazonalidade.
80000 70000 60000 50000 40000 30000 20000 10000 0 1 2 3 4 5 6 7 8 9 10 11 12 13

M eses

Grfico 2 Identificao de tendncia (2007).

A terceira anlise deste estudo, foi implementao dos modelos utilizando a ferramenta de anlise do Excel. O primeiro modelo ser implementado foi a MMS, os valores obtidos esto descritos na Tabela 2. O mtodo da MMS amplamente utilizado pela sua facilidade de implementao e pela pouca necessidade de dados histricos para a sua aplicao. Porm, este mtodo no correspondeu muito bem, por exemplo, o valor do EAMP12=23,34% foi o maior dos trs mtodos considerados, alm de ter apresentado um DAM12=12515,63, consideravelmente grande em relao ao tamanho da previso. E, ter apresentado valores de TS12 (-7,46 a -1,00), que indicam que a previso estava enviesada.

Tabela 2 Valores obtidos com MMS. O segundo mtodo implementado foi a Suavizao Exponencial Simples, e os valores obtidos esto descritos na Tabela 3. Verifica-se que o mtodo de SES teve um desempenho melhor que a MMS, porm, apresentou um DAM12 de 7667,90 e um EAMP12 de 16,16%. Logo, a estimativa de desvio-padro de erro de previso usando-se o mtodo de SES 1,25 x 7667,90 = 9584,87. Um valor de desvio-padro de erro de previso consideravelmente grande em relao ao tamanho da previso e uma razo de vis TS12 significativo, de -3,65 a 3,80.

Tabela 3 Modelo de SES. O ltimo modelo implementado foi a SEH. Os valores obtidos, Tabela 4, indicou que esse mtodo apresentou o melhor desempenho comparado com os anteriores. Por exemplo, apresentou valores da razo de vis (TSt) que demonstram que a previso no estava enviesada. Valores DAM12 de 6626,89 e o EAMP12 de 13,85% mais baixos. Desvio-padro de 8283,62, menor que os modelos anteriormente analisados. Ou seja, foi o modelo que apresentou o melhor desempenho.

Tabela 4 Modelo de Holt.

OBS:
t = Perodo Dt = Demanda Lt=Nvel Tt=Tendncia Ft=Previso Et=Erro At=Erro Absoluto EQM=Erro Quadrtico Mdio DAM=Desvio Absoluto Mdio EP=Erro Percentual EAMP=Erro Absoluto Mdio Percentual TS=Razo de Vis DP=Desvio-Padro

Dessa forma, atravs das metodologias implementadas, foi possvel comparar os modelos aplicados, Grfico 3, e obter os seguintes valores para a previso do gs cloro: 1. MMS: F13= F14= F15=58500 (Kg) 2. SES: F13= F14= F15=58920,61 (Kg) 3. SEH: F13= L12+nT12=59434,46+(1)x2223,85 = 61658,31 (Kg) F14= L12+nT12=59434,46+(2)x2223,85 = 63882,16 (Kg) F15= L12+nT12=59434,46+(3)x2223,85 = 66106,02 (Kg)

10

Com parao dos Modelos 80000 Demanda (Kg) 60000 40000 20000 0 1 3 5 7 9 11 13 15 Meses t D SH SES MMS

Grfico 3 Comparao dos valores obtidos.

5. Comentrios Finais Com base nas informaes obtidas, o modelo matemtico que apresentou melhor desempenhou para previso do produto foi o modelo de Holt. Isto j era de se esperar, uma vez que, conforme descrito anteriormente, a srie analisada apresenta tendncia (de crescimento) e, portanto, tanto a MMS quanto a SES no so mtodos adequados para este tipo de cenrio. Alm do mais os valores obtidos da razo de vis (TS12) para o SEH indicou que a previso ficou dentro da faixa de 6, portanto no est nem super e nem subestimada. Para os valores obtidos do TS12 da MMS, houve um estourou, subestimando a previso para este modelo. O que no causou surpresa, j que a anlise dos dados histricos indicou que a demanda possui tendncia, mas no tem sazonalidade, como dito anteriormente. Por fim, razovel sugerir para trabalhos futuros a aplicao de outros modelos matemticos de previso com o auxlio de softwares especficos, para contrapor aos valores alcanados utilizando a ferramenta de anlise do Excel.

6. Agradecimentos Aos colegas Srgio, Jackson, Juvenlio e Rosane, que disponibilizaram os relatrios de consumo do material para que o estudo pudesse ser feito; A PUC, a Petrobras, ao Prominp e seus parceiros que disponibilizaram os recursos e as ferramentas para a qualificao profissional; A Professora Liara e ao Professor Guilherme que orientaram este artigo, proporcionando total apoio, liberdade e dicas para a sua confeco.

11

Referncias Bibliogrficas GAITHER, Norman; FRAZIER, Greg. Administrao da Produo e Operaes. So Paulo, Editora Pioneira Thomson Learning, 2002. HEIZER, Jay; RENDER, Barry. Administrao de Operaes: Bens e Servios. 5 Edio, Trad. Dalton Alencar, LTC Editora, Rio de Janeiro, 2001. BACO, Samuel B.; LIMA, Renato S.; PAIVA, Anderson P.. Comparao de modelos de sries temporais para a previso de demanda de matria prima na fabricao de anis de pisto. XXVI ENEGEP, Fortaleza, CE, Brasil, Out/2006. BALLOU, Ronald H.. Gerenciamento da Cadeia de Suprimentos/Logstica Empresarial. Editora Bookman, 5 Edio, Porto Alegre, 2006. CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da Cadeia de Suprimentos: Estratgia, Planejamento e Operaes. Editora Pearson Education, 1 Edio, So Paulo, 2004. PELLEGRINI, Fernando R. Metodologia para implementao de Sistemas de Previso de Demanda. Dissertao. 2000 (Mestrado em Engenharia de Produo) Programa de ps-graduao em Engenharia de Produo, Ufrgs, Porto Alegre. SAAE-Servio Autnomo de gua e Esgoto. Sistemas de Tratamento de gua, Aracruz, 2006. PELLIGRINI, Fernando R.; FOGLIATTO, F. Estudo comparativo entre modelos de Winters e de Box-Jenkins para a previso de demanda sazonal. Revista Produto & Produo, v.4, nmero especial, p. 72-85, abril 2000. LEMOS, Fernando O. Metodologia para seleo de mtodos de previso de demanda. Dissertao. 2006 (Mestrado em Engenharia de Produo) Programa de ps-graduao em Engenharia de Produo, Ufrgs, Porto Alegre. MOREIRA, Daniel A. Administrao da Produo e Operaes. Editora T. Pioneira, 2007. TRAUTWEIN JR., Breno. Mtodos para previso de consumo de gua para curtssimo prazo: um estudo de caso em empresa de saneamento. 2004 (Mestrado em Engenharia de Produo e Sistemas) Programa de ps-graduao em Engenharia de Produo, PucPR, Curitiba. ALVIN, Silvio Luiz. O efeito da propagao de erros da previso de demanda na cadeia de suprimentos globalizada: estudo de caso de uma indstria eletroeletrnica. 2005 (Mestrado em Engenharia Civil) Programa de ps-graduao em Engenharia Civil, Unicamp, Campinas.

12