Resumo

Este artigo discute fontes alternativas de energia que não agridem o meio ambiente tão seriamente que se tornou comum nos últimos anos por países desenvolvidos. Além disso, a preocupação com o esgotamento das fontes de energia atuais também contribui para essa mudança de paradigma. O Brasil dispõe de recursos privilegiados nesse sentido, o que facilitou a aquisição de combustíveis alternativos, como o etanol, que emite menos poluentes. Este estudo tem como objetivo realizar uma análise temporal do cenário do etanol por região do Brasil. A metodologia seguiu os passos descritos pela modelagem Box & Jenkins (modelos ARIMA) envolvendo identificação do modelo, estimativa de parâmetros, diagnóstico de resíduos e previsão. Os modelos ajustados para Centro-Oeste, Norte, Sul e Sudeste foram o SARIMA não diferenciado, com componentes sazonais autorregressivos de ordem 12 (s = 12) e autorregressivos. Na região Nordeste, o autorregressivo 12 e a média móvel sazonal 4 (s = 4). A aplicação do método neste caso permitiu analisar com sucesso os movimentos das séries temporais e fazer previsões de curto prazo da produção de etanol nas regiões brasileiras.

This paper discusses for alternative sources of energy that do not harm the environment so seriously has become common in recent years by developed countries. Besides that, concern about the depletion of current energy sources also contributes to this paradigm shift. Brazil has privileged resources in this regard, which facilitated in the acquisition of alternative fuels, such as ethanol, which emit less pollutant. This study aims to perform a temporal analysis of the ethanol scenario by region of Brazil. The methodology followed the steps described by Box & Jenkins modeling (ARIMA models) involving model identification, parameter estimation, residue diagnosis and prediction. The adjusted models for the Midwest, North, South and Southeast were the non-differentiated SARIMA, with two order 12 seasonal autoregressive (s=12) and autoregressive components. In the Northeast region, the autoregressive 12 and the seasonal moving average 4 (s=4). The application of the method in this case has made it possible to successfully analyze the time series movements and make short-term forecasts of ethanol production in the Brazilian regions.