Avaliação de modelos de previsão de séries temporais, aplicado às despesas de uma prefeitura no interior do Ceará

Autores
DOI:
https://doi.org/10.47456/bjpe.v11i2.47358
Palavras-chave:
Machine Learning, Previsão, Modelos estatísticos, Planejamento de recursos
Resumo

Para atender às complexas necessidades de planejamento financeiro de municípios com alta volatilidade nos gastos, como os do interior do Ceará, é necessário possuir modelos preditivos capazes de projetar despesas e otimizar recursos de maneira precisa. O comparativo entre os modelos Auto ETS e Auto ARIMA no desempenho de previsões de despesas foi o questionamento central deste estudo, que verificou os resultados usando dados históricos de 2018 a 2023. As métricas de avaliação correspondem a MAE, RMSE, MSE, MAPE, R² e correlação, associação a análises qualitativa de modelos. Os resultados, nesse sentido, apontam a melhor performance do Auto ETS em erros absolutos, com MAE de 21.510.499,88 e RMSE de 27.275.560,60 e explicação da variância com R² de 0,9139. Enquanto isso, o Auto ARIMA apresenta a melhor precisão relativa, com MAPE = 23,63%. No entanto, os dois modelos têm correlação extremamente elevada, acima de 0,97, entre os valores reais e previstos. Ao testar as previsões, os modelos capturaram os padrões históricos, demonstrando alta aderência aos valores reais. Para o intervalo de previsão de 2024 a 2025, as estimativas mantiveram os padrões e variações sazonais em conformidade com o passado; o Auto ETS suavizou os picos mais extremos e se mostrou mais confiável; ao mesmo tempo que o Auto ARIMA lidou melhor com as pequenas variações contribuindo para o planeamento financeiro da cidade.

Biografia do Autor
  1. José Wivo Gomes, Universidade Regional do Cariri – URCA

    Bacharel em Engenharia de Produção Mecânica pela Universidade Regional do Cariri - URCA, Juazeiro do Norte - CE. http://lattes.cnpq.br/2352096386733315

  2. João Evangelista Dantas dos Santos, Universidade Regional do Cariri – URCA

    Possui Doutorado e Mestrado em Engenharia de Transportes pela Universidade Federal do Ceará (UFC), com foco em Planejamento e Operação de Sistemas de Transportes, especialmente nas áreas de Logística e Transporte de Carga, analisando a vulnerabilidade de redes viárias urbanas e as emissões de CO#8322;. É especialista em Engenharia de Segurança do Trabalho pelo Centro Universitário Dr. Leão Sampaio (UNILEÃO) e graduado em Engenharia de Produção Mecânica pela Universidade Regional do Cariri (URCA).Atualmente, é professor e coordenador do curso de Engenharia de Produção Mecânica na URCA e atua como professor e mentor do curso Técnico em Logística no Serviço Nacional de Aprendizagem Industrial (SENAI). Possui experiência como professor e coordenador de cursos de Engenharia e Tecnologia no Centro Universitário Católica de Quixadá (20172020) e na Escola Grau Técnico (20212022), com amplo conhecimento em ensino técnico e superior, além de mentoria acadêmica. http://lattes.cnpq.br/9937814295328408

  3. Rodolfo de Sousa Santos, Universidade Regional do Cariri – URCA

    Doutorado em Engenharia Mecânica pela Universidade Estadual Paulista - UNESP/FEG - Campus de Guaratinguetá na área de Dinâmica dos Corpos Rígidos, Elásticos e Plásticos. Mestrado em Engenharia Mecânica pela Universidade Federal da Paraíba - UFPB na área de Automação e Controle de Sistemas. Graduação em Engenharia Mecânica pela Universidade Federal da Paraíba - UFPB. Atualmente é professor Associado O da Universidade Regional do Cariri (URCA). Tem experiência na área Engenharia Mecânica com ênfase nos seguintes temas: Vibrações Mecânicas, Isolamento de Vibrações, Controle de Processos, Arranjo Físico e Instalação, Dinâmica e controle de sistemas, Manutenção Preditiva e Processamento de Sinais. http://lattes.cnpq.br/1769103030795618

Referências

Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control.

Brockwell, P. J. & Davis, R. A. (Eds.). (2002). Introduction to time series and forecasting. New York, NY: Springer New York.

Vergara, S. H. C. & Almeida, C. V. L. de. (2003). Propostas para uma gestão pública municipal efetiva. FGV Editora.

Chatfield, C. & Xing, H. (2019). The analysis of time series: an introduction with R. Chapman and hall/CRC.

Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.

Denhardt, R. B. & Denhardt, J. V. (2003). The new public service: Serving, not steering (2nd ed.). M.E. Sharpe.

Ferreira, M. T. N., Silva, D. J. V. da, Santos, A. M. N. dos, Henrique, T. G., Tavares, V. H. N. D., & Santana, W. J. de. (2024). Gestão pública e desenvolvimento sustentável. Brazilian Journal of Development, 10(8), e71884-e71884.

Draper, N. R. & Smith, H. (1998). Applied regression analysis (Vol. 326). John Wiley & Sons.

Enders, W. (2008). Applied econometric time series. John Wiley & Sons.

Field, A. (2024). Discovering statistics using IBM SPSS statistics. Sage publications limited.

Hastie, T. (2009). The elements of statistical learning: data mining, inference, and prediction.

Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International journal of forecasting, 20(1), 5-10.

Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/

Hyndman, R. J. & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3). https://doi.org/10.18637/jss.v027.i03

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R. Springer.

Makridakis, S., Spyropoulos, M., Assimakopoulos, V., & Nikolaidis, E. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), 1-26. https://doi.org/10.1371/journal.pone.0194889

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2003). Forecasting methods and applications (3rd ed.). Wiley.

Morettin, P. A. & Toloi, C. M. C. (2006). Análise de séries temporais (2nd ed.). Blucher.

Pereira, L. C. B. (1998). Reforma do Estado para a cidadania: a reforma gerencial brasileira na perspectiva internacional. Editora 34.

Shumway, R. H. & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples (4th ed.). Springer.

Silva, M. C., Santos, P. R., & Almeida, J. F. (2020). Portal de Transparência como ferramenta de controle social: Uma análise do período de 2018 a 2020. Revista Gestão Pública, 12(4), 23-45.

Willmott, C. J. & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79-82.

Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324-342. https://doi.org/10.1287/mnsc.6.3.324

Cover Image
Downloads
Publicado
25.04.2025
Edição
v. 11 n. 2 (2025): N° Regular (Abril - Junho)
Seção
ENGENHARIA ECONÔMICA
Licença

Direitos autorais (c) 2025 José Wivo Gomes, João Evangelista Dantas dos Santos, Rodolfo de Sousa Santos (Autor)

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista; Desde que sejam atribuídos os devidos créditos aos autores e à BJPE como fonte original; Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença. Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico. 🔗 CC BY 4.0

Como Citar

Gomes, J. W., Santos, J. E. D. dos, & Santos, R. de S. (2025). Avaliação de modelos de previsão de séries temporais, aplicado às despesas de uma prefeitura no interior do Ceará . Brazilian Journal of Production Engineering, 11(2), 36-58. https://doi.org/10.47456/bjpe.v11i2.47358