Simulador de Cenários Bioeconômicos para Suporte à Decisão no

Transcrição

UNIVERSIDADE FEDERAL DE GOIÁS
ESCOLA DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA E DE COMPUTAÇÃO
Simulador de Cenários Bioeconômicos
para Suporte à Decisão no
Gerenciamento de Fazendas Produtoras
de Gado de Corte
Leandro Rezende Carneiro de Mendonça
Orientador: Prof. Ph.D. Marco Antônio Assfalk de Oliveira
Co-orientador: M.Sc. Luiz Antonio Monteiro
Goiânia
2004
LEANDRO REZENDE CARNEIRO DE MENDONÇA
Simulador de Cenários Bioeconômicos
para Suporte à Decisão no
Gerenciamento de Fazendas Produtoras
de Gado de Corte
Dissertação apresentada ao Curso de
Mestrado em Engenharia Elétrica e de
Computação da Escola de Engenharia
Elétrica e de Computação da Universidade
Federal de Goiás, para obtenção do título
de Mestre em Ciências.
Área de Concentração: Engenharia da
Computação
Orientador: Prof. Ph.D. Marco Antônio
Assfalk de Oliveira
Co-Orientador: M.Sc. Luiz Antonio
Monteiro
Goiânia
2004
i
Universidade Federal de Goiás
Escola de Engenharia Elétrica e de Computação
Coodernação do Programa de Pós-Graduação em
Engenharia Elétrica e de Computação - CPPEEC
FOLHA DE APROVAÇÃO
“Simulador de Cenários Bioeconômicos
para Suporte à Decisão no Gerenciamento
de Fazendas Produtoras de Gado de
Corte”
LEANDRO REZENDE CARNEIRO DE MENDONÇA
Dissertação defendida perante à banca examinadora constituída pelos Senhores:
Prof. Marco Antônio Assfalk de Oliveira, Ph.D. - EEE/UFG
Prof. Roberto D. Sainz, Ph.D. - University of California
Prof. Dr. Wagner da Silva Lima - EEE/UFG
Goiânia, 1 outubro de 2004
ii
Dedicatória
A meus pais e família, pela educação oferecida e suporte sempre contínuo durante
as pesquisas realizadas.
A Michelle, fiel companheira, pelo apoio em minhas decisões e amparo nos momentos difíceis.
iii
Agradecimentos
A Deus por minha existência.
Ao Professor, orientador e amigo PhD. Marco Antonio Assfalk, pelo provimento de
sabedoria durante a execução deste trabalho.
Ao amigo MSc. Luiz Antonio Monteiro, fonte de vasto conhecimento sem o qual
não seria possível a realização deste trabalho.
Aos Professores e amigos, Dr. Cássio Dener Noronha Vinhal, Dr. Gelson da Cruz
Júnior e Dr. Wagner da Silva Lima pelo apoio nas pesquisas e sugestões durante os
cafés.
As amizades construídas no LABSIM, NEPE e UFG.
iv
Epígrafe
O cérebro é um objeto complexo e com vários mapas abstratos, constituídos de vários atributos e métodos encapsulados, havendo troca distribuída e simultânea de mensagens. Os sistemas computacionais são apenas instâncias de mapas isolados, isso é que
torna o cérebro tão misterioso e fascinante.(Leandro Rezende Carneiro de Mendonça,
junho de 2003)
"A verdade matemática não é algo que comprovamos usando meramente um algoritmo. Acredito, ainda, que a consciência é um ingrediente vital na compreensão da verdade matemática".(Matemático
Roger Penrose)
"Não se pode ensinar tudo a alguém, pode-se apenas ajudá-lo a encontrar por si mesmo."(Galileu Galilei)
v
Resumo
A modelagem de sistemas voltados para agropecuária, possui uma alta complexidade, relacionada a abstração e equacionamento matemático de situações reais envolvidas em processos produtivos, pelo fato de se tratar de um modelo bioeconômico que
envolve fatores biológicos, econômicos, meteorológicos e sociais. Este trabalho possui
como objetivo principal, apresentar um software de simulação de cenários bioeconômicos voltado para a pecuária de corte, visa também a comparação de cenários, relacionados com a estratégia adotada em uma propriedade do Brasil central. Os cenários
são submetidos ao software de simulação BCS++, tendo como base científica o modelo
F77(MONTEIRO; GARDNER; CHUDLEIGH, 1979). O modelo F77 foi originalmente
desenvolvido em linguagem Fortran e validado em computadores IBM e Burroughs, já
o BCS++ foi totalmente desenvolvido em ambiente Unix utilizando linguagem C/C++,
juntamente com a biblioteca Qt,1 técnicas e regras foram extraídas de especialistas da
área. Os experimentos realizados com o software BCS++, visam principalmente informar a produção de carne por hectare e a taxa interna de retorno, referentes ao modelo
biológico e econômico respectivamente.
1
Biblioteca baseada na linguagem C++ desenvolvida pela empresa norueguesa Trooltech, que visa
auxiliar o desenvolvimento de aplicações baseadas em janelas. É caracterizada por ser rápida, gratuita,
orientada à objetos e por ser totalmente portável entre várias plataformas como: Windows, Unix, Solaris,
FreeBSD, Linux, Macintosh entre outras.
vi
Abstract
vii
Sumário
Lista de abreviaturas e siglas
xi
Lista de símbolos
xii
Lista de Figuras
xiii
Lista de Tabelas
xvii
1
2
Introdução
1
1.1
A evolução do agronegócio brasileiro . . . . . . . . . . . . . . . . . .
1
1.2
O Brasil central atual . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.3
Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.4
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
Referencial Teórico
9
2.1
Engenharia de Software . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.1.1
Interação na modelagem de um software . . . . . . . . . . . . .
9
2.1.2
Etapas para desenvolvimento de software . . . . . . . . . . . .
9
2.1.3
Metodologias para desenvolvimento de software . . . . . . . .
10
2.1.4
Metodologia utilizada no desenvolvimento do software BCS++
13
Sumário
viii
2.2
Características de um sistema voltado para a agropecuária . . . . . . . .
14
2.3
Processo produtivo da carne bovina . . . . . . . . . . . . . . . . . . .
15
2.4
Modelos Bioeconômicos . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.5
Tomada de decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.6
Engenharia Econômica . . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.6.1
Fluxo de Caixa . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2.6.2
Taxa Mínima de Atratividade . . . . . . . . . . . . . . . . . .
22
2.6.3
Método do Valor Presente Líquido (VPL) . . . . . . . . . . . .
23
2.6.3.1
Critérios para a tomada de decisões . . . . . . . . . .
24
Taxa Interna de Retorno (TIR) . . . . . . . . . . . . . . . . . .
24
2.6.4.1
Única TIR . . . . . . . . . . . . . . . . . . . . . . .
25
2.6.4.2
Múltiplas TIR’s . . . . . . . . . . . . . . . . . . . .
26
2.6.4.3
Critérios para a tomada de decisões . . . . . . . . . .
27
2.6.4.4
Casos em que a TIR não converge . . . . . . . . . . .
28
Sistemas Inteligentes . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
2.7.1
Sistemas Baseados em Conhecimento . . . . . . . . . . . . . .
28
2.7.1.1
Introdução . . . . . . . . . . . . . . . . . . . . . . .
29
2.7.1.2
Características de um SBC . . . . . . . . . . . . . .
29
2.7.1.3
Dado, Informação e Conhecimento . . . . . . . . . .
30
2.7.1.4
Estrutura de um SBC . . . . . . . . . . . . . . . . .
31
2.7.1.5
Processos para a modelagem de um SBC . . . . . . .
32
2.7.1.6
Representação de Conhecimento . . . . . . . . . . .
33
2.6.4
2.7
Sumário
ix
2.7.2
3
Sistemas Especialistas . . . . . . . . . . . . . . . . . . . . . .
34
2.7.2.1
Introdução . . . . . . . . . . . . . . . . . . . . . . .
34
2.7.2.2
A eficácia de um SE . . . . . . . . . . . . . . . . . .
36
2.7.2.3
Principais benefícios da utilização de um SE . . . . .
36
2.7.2.4
Problemas enfrentados pelos SE’s atuais . . . . . . .
37
Referencial Analítico
38
3.1
Modelagem do sistema Bioeconômico . . . . . . . . . . . . . . . . . .
38
3.2
Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
3.2.1
Proporção de Pasto Existente . . . . . . . . . . . . . . . . . . .
42
3.2.1.1
Sistema Tradicional . . . . . . . . . . . . . . . . . .
42
3.2.1.2
Sistema Melhorado . . . . . . . . . . . . . . . . . .
43
3.2.2
Capacidade de Suporte . . . . . . . . . . . . . . . . . . . . . .
44
3.2.3
Atividades Mensais Consideradas no Modelo . . . . . . . . . .
45
Variáveis e estratégias consideradas no software BCS++ . . . . . . . .
46
3.3.1
Controle principal do sistema . . . . . . . . . . . . . . . . . .
46
3.3.2
Características da propriedade . . . . . . . . . . . . . . . . . .
47
3.3.3
Peso do rebanho . . . . . . . . . . . . . . . . . . . . . . . . .
50
3.3.4
Custos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
3.3.5
Controle populacional . . . . . . . . . . . . . . . . . . . . . .
55
3.3.6
Preços unitários . . . . . . . . . . . . . . . . . . . . . . . . . .
56
3.3.7
Estrutura inicial do rebanho . . . . . . . . . . . . . . . . . . .
57
3.3.8
Conversão unidade animal / Equivalência animal . . . . . . . .
58
3.3
Sumário
x
3.3.9
4
59
3.3.10 Taxas de depreciação anuais . . . . . . . . . . . . . . . . . . .
60
Resultados
61
4.1
Sistema Melhorado . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.1.1
Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
4.1.2
Cenário 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
4.1.3
Cenário 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
4.1.4
Cenário 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
4.1.5
Cenário 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
4.1.6
Cenário 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
4.1.7
Cenário 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
4.1.8
Cenário 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
4.1.9
Cenário 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
4.1.10 Cenário 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.1.11 Cenário 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.1.12 Cenário 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
Sistema Tradicional . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
4.2
5
Taxas de Nascimento / Mortalidade / Descarte . . . . . . . . . .
Conclusões
88
5.1
90
Limitações e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . .
Referências
92
xi
Lista de abreviaturas e siglas
AFD
”Autômato Finito Determinístico”
AFND
”Autômato Finito Não Determinístico”
BC
”Base de Conhecimento”
BCS++
”Beef Cattle Simulation”
CPB
”Cadeia Produtiva de Carne Bovina”
NSBC
”Núcleo do Sistema Baseado em Conhecimento”
SBC
”Sistema Baseado em Conhecimento”
SE
”Sistema Especialista”
SGBD
”Sistema de Gerenciamento de Banco de Dados”
TIR
”Taxa Interna de Retorno”
TMA
”Taxa Mínima de Atratividade”
U.M.
”Unidade Monetária”
VPL
”Valor Presente Líquido”
xii
Lista de símbolos
az
Proporção desejada de pastagem cultivada
brach[k][ j]
Capacidade de suporte do pasto tipo 2 no mês j do ano k
culpas[k]
Proporção total de pasto cultivado que existe no ano k
ha
Hectare
hypar[k][ j]
Capacidade de suporte do pasto tipo 3 no mês j do ano k
npa
Número de pastagens
nyear
Anos de simulação
nyinv
Número de anos em que foi investido na fazenda
picpa
Proporção da área total da fazenda em pastagem cultivada no
ano 1(inicialmente)
pnati[k][ j]
Capacidade de suporte do pasto nativo da fazenda no mês j
do ano k
propc[i]
Proporção desejada de diferentes tipos de pastagem cultivada(melhorada) do tipo i
propp[k][i]
Proporção de pasto existente do tipo i no ano k
tarea f
Área total da fazenda em hectares(ha)
tcar[k][ j]
Capacidade total de suporte da fazenda no mês j do ano k
usarea
Proporção de área utilizável da fazenda para Pastagem/Cultivo
xiii
Lista de Figuras
1.1
Fatores influenciando a estrutura da agricultura.(CONGRESS, 1986) . .
5
2.1
Interação na modelagem de um software . . . . . . . . . . . . . . . . .
9
2.2
Modelo Cascata (ROYCE, 1970) . . . . . . . . . . . . . . . . . . . . .
11
2.3
Modelo Cascata com Prototipação . . . . . . . . . . . . . . . . . . . .
12
2.4
Modelo em V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.5
Produção de Bovinos de Corte no Brasil . . . . . . . . . . . . . . . . .
16
2.6
Gráfico do Fluxo de Caixa . . . . . . . . . . . . . . . . . . . . . . . .
22
2.7
Taxa Mínima de Atratividade . . . . . . . . . . . . . . . . . . . . . . .
23
2.8
VPL - Critérios de decisão . . . . . . . . . . . . . . . . . . . . . . . .
24
2.9
Única TIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.10 Múltiplas TIR’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.11 TIR - Critérios de decisão . . . . . . . . . . . . . . . . . . . . . . . . .
28
2.12 Dado, Informação e Conhecimento. . . . . . . . . . . . . . . . . . . .
31
2.13 Estrutura de um Sistema Baseado em Conhecimento . . . . . . . . . .
32
2.14 Processo de desenvolvimento de um SBC . . . . . . . . . . . . . . . .
33
2.15 Regra de Produção . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.16 Sistema Baseado em Conhecimento e Sistema Especialista . . . . . . .
35
3.1
40
Modelo biológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Lista de Figuras
xiv
3.2
Algoritmo: Proporção de Pasto Existente - Sistema Tradicional . . . . .
42
3.3
Algoritmo: Proporção de Pasto Existente - Sistema Melhorado . . . . .
43
3.4
Algoritmo: Capacidade de Suporte . . . . . . . . . . . . . . . . . . . .
44
3.5
Controle principal no software BCS++. . . . . . . . . . . . . . . . . .
47
3.6
Características da propriedade no software BCS++. . . . . . . . . . . .
49
3.7
Peso do rebanho no software BCS++. . . . . . . . . . . . . . . . . . .
51
3.8
Custos considerados no software BCS++ . . . . . . . . . . . . . . . .
52
3.9
Custos unitários considerados no software BCS++ . . . . . . . . . . .
53
3.10 Controle populacional no software BCS++. . . . . . . . . . . . . . . .
55
3.11 Preços unitários considerados no software BCS++. . . . . . . . . . . .
56
3.12 Estrutura inicial do rebanho no software BCS++. . . . . . . . . . . . .
57
3.13 Conversão unidade animal / Equivalência animal no software BCS++. .
58
3.14 Taxas de Nascimento / Mortalidade / Descarte consideradas no software
BCS++ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
3.15 Taxas de depreciação anuais consideradas no software BCS++. . . . . .
60
4.1
Produção Média de Carne(kg/ha.ano) - Cenário 1 . . . . . . . . . . . .
62
4.2
Valor Presente Líquido($ ) - Cenário 1 . . . . . . . . . . . . . . . . . .
63
4.3
Taxa Interna de Retorno(%) - Cenário 1 . . . . . . . . . . . . . . . . .
63
4.4
64
4.5
65
4.6
65
4.7
66
Lista de Figuras
xv
4.8
67
4.9
67
4.10 Produção Média de Carne(kg/ha.ano) - Cenário 4 . . . . . . . . . . . .
68
4.11 Valor Presente Líquido($ ) - Cenário 4 . . . . . . . . . . . . . . . . . .
69
4.12 Taxa Interna de Retorno(%) - Cenário 4 . . . . . . . . . . . . . . . . .
69
70
71
71
72
73
73
74
75
75
76
77
77
78
79
79
4.28 Produção Média de Carne(kg/ha.ano) - Cenário 10 . . . . . . . . . . .
80
4.29 Valor Presente Líquido($ ) - Cenário 10 . . . . . . . . . . . . . . . . .
81
Lista de Figuras
xvi
81
82
83
83
84
85
85
4.37 Produção de Carne(kg/ha) - Sistema Tradicional . . . . . . . . . . . . .
87
xvii
Lista de Tabelas
2.1
Fluxos de caixa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.2
Sistemas Convencionais x Sistemas Baseados em Conhecimento . . . .
30
3.1
Legenda Taxa de Mortalidade - Modelo Biológico . . . . . . . . . . . .
40
3.2
Legenda Taxa de Natalidade - Modelo Biológico . . . . . . . . . . . .
41
3.3
Legenda Taxa de Descarte - Modelo Biológico . . . . . . . . . . . . . .
41
3.4
Legenda Taxa de Compra e Venda - Modelo Biológico . . . . . . . . .
41
3.5
Principais variáveis consideradas no software BCS++ . . . . . . . . . .
46
3.6
Principais estratégias consideradas no software BCS++ . . . . . . . . .
46
3.7
Características da propriedade . . . . . . . . . . . . . . . . . . . . . .
47
3.8
Capacidade de suporte do pasto . . . . . . . . . . . . . . . . . . . . . .
48
3.9
Peso do rebanho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
4.1
Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
4.2
Cenário 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
4.3
Cenário 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
4.4
Cenário 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
4.5
Cenário 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
4.6
Cenário 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
4.7
Cenário 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
Lista de Tabelas
xviii
4.8
Cenário 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
4.9
Cenário 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
4.10 Cenário 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.11 Cenário 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.12 Cenário 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
1
1
Introdução
As terras do Brasil Central, até a década de 50 eram destinadas principalmente
a produção de bezerros desmamados, e nas regiões de terras melhores a produção de
bois magros, que posteriormente eram transportados à pé principalmente para a região
noroeste de São Paulo onde eram recriados, engordados e abatidos. Isto se devia a
uma conjunção de fatores tais como terras de melhor qualidade, melhores pastagens,
dificuldade de transporte, proximidade dos frigoríficos e dos centros consumidores.
A partir da década de 60, com a tendência de interiorização de nossa economia,
foram construídas estradas, novas cidades, dentre elas Brasília e foram investidos recursos no sentido de possibilitar um melhor aproveitamento de nossas terras, até então
tidas como pouco ou não produtivas.
1.1 A evolução do agronegócio brasileiro
Com a criação da EMBRAPA, no início da década de 70 possibilitou equacionar
vários problemas com relação a cultivos tanto de lavouras quanto de pastagens. Como
exemplo, temos a introdução de novas espécies forrageiras como o gênero Brachiaria e
o conhecimento das necessidades de suplementação alimentar de nosso rebanho bovino,
até então completamente desconhecidas.
O conjunto de fatores (terras fracas, pastagens pobres, desconhecimento das necessidades nutricionais, desconhecimento de técnicas de manejo, nenhuma noção da
economicidade do processo produtivo, nenhum controle de doenças) faziam com que
1.1 A evolução do agronegócio brasileiro
2
um boi estivesse pronto para o abate aos cinco anos de idade e uma vaca iniciasse sua
vida produtiva aos 4 anos e produzisse um bezerro a cada dois anos. Com isso, nosso
rebanho, apesar de ser o maior rebanho comercial do mundo, era também o de menor
produtividade, com taxa de desfrute abaixo de 15 por cento e sem nenhuma possibilidade de participar do mercado externo.
A partir da criação da EMBRAPA, várias frentes de pesquisa foram abertas e tornouse necessário conhecer qual o impacto da introdução de tecnologia em uma propriedade
agropecuária, impacto este, que não pode ser medido isoladamente. Assim, decidiu-se
pela criação de modelos matemáticos1 , que considerassem a adoção das várias tecnologias disponíveis com seus custos e prováveis benefícios para o aumento da produção
e da produtividade. Os primeiros modelos matemáticos de simulação 2 na agricultura
datam do início da década de 70, na Embrapa, no antigo Departamento de Métodos
Quantitativos DMQ, de 1974 a 1977, exemplos bem sucedidos de modelos foram desenvolvidos, como do Anticarcia Gemmatalis na Soja e o de crescimento de rebanho
bovino de corte.
A idéia da criação de modelos seria a de se obter ferramentas que auxiliassem diretamente o produtor rural, na tomada de decisões mais adequadas para sua propriedade,
tanto do ponto de vista de produção física quanto de rentabilidade. No final da década
de 70, o maior entrave à adoção de modelos foi a pouca disponibilidade de recursos
computacionais para a modelagem e execução de sistemas computacionais. A linguagem amplamente utilizada em programas científicos era a linguagem FORTRAN, que
1
São sistemas de equações obtidos da análise e abstração de situações-problema com a escolha devida
das variáveis e suas relações. Diversos tipos de modelos podem ser utilizados na pesquisa de sistemas,
mas uma distinção básica pode ser feita entre aplicações descritivas e normativas (WRIGHT, 1971). Para
propósitos descritivos, o modelo age como uma estrutura básica para a identificação dos componentes do
sistema e suas relações. Os modelos normativos por outro lado, são dedicados à resolução de problemas
e, portanto, requerem o uso de funções objetivas para avaliar regras de decisão. Em termos de análise de
problemas da área das Ciências Biológicas, a modelagem recebe o nome de Biomatemática.
2
São métodos matemáticos(ex: Monte Carlo, Algoritmos Evolutivos, Simulated Annealing entre outros), destinados a resolver problemas cuja solução analítica é difícil ou mesmo impossível. Em geral,
técnicas de simulação não produzem resultados exatos, mas boas aproximações, quando há dificuldade
ou mesmo impossibilidade de se conseguir a solução analítica do problema. Um modelo de simulação
tem um caráter descritivo, com maior ênfase ao desenvolvimento de um sistema que se adapte à realidade
do que a um processo de cálculo que nos leve a um ponto ótimo (SILVA; BERGAMASCO; VENDITE, 1979).
1.2 O Brasil central atual
3
fornecia pouca flexibilidade ao engenheiro de software para a criação de modelos que
agregassem regras heurísticas, sendo ainda a manutenção um processo com custos elevados e pouco produtivo.
Com o avanço da tecnologia no que diz respeito a máquinas, linguagens e paradigmas de programação, tornou-se possível avançar no sentido do desenvolvimento de
sistemas mais complexos que possam simular com mais precisão e facilidade, situações
bioeconômicas bastante próximas da realidade. A evolução constante da computação e
do agronegócio, contribui diretamente para a disseminação de tecnologia no campo e
para o desenvolvimento de sistemas que possam auxiliar o produtor na tomada de decisões, no momento em que o Brasil inicia sua arrancada na direção do mercado externo,
ofertando produtos agropecuários em volume e qualidade crescentes, torna-se imprescindível a utilização de sistemas para a simulação e visualização de cenários futuros.
O Brasil central em especial a região centro-oeste, se destaca por concentrar a maior
parte do rebanho nacional e por possuir as áreas mais adequadas para a criação de gado
de corte. Um produtor rural assume que embora o funcionamento de seu negócio seja
dinâmico, com variáveis exógenas incontroláveis, é fácil memorizar os dados e informações sobre o mesmo. Defendem também a idéia que os números jamais poderão
substituir a intuição ou o discernimento. Toda essa informalidade deixa de lado aspectos relevantes para que o produtor veja a propriedade de forma integral e unificada. Há
muitas variáveis que condicionam o uso possível, de recursos de uma propriedade rural
(VELOSO, 1997). Tais como:
• solos e relevo
• vegetação
• recursos hídrico
4
• disponibilidade de recursos financeiros
• conhecimento técnico/científico
• disponibilidade de mão de obra qualificada
• preços de insumos e produtos
• mercado de insumos e produtos
• estradas, transporte
• energia elétrica
• escolas
• lazer
• serviços de assistência técnica
• serviços bancários financeiros.
O meio ambiente é determinante nos índices de produtividade de uma propriedade
rural. Fatores climáticos como temperatura, volume, época e intensidade das chuvas
podem determinar variações anuais importantes na produtividade. Associado a essas
variações climáticas pode haver mudanças de infra-estrutura e mudanças sociais com
implicações sobre o mercado 1.1. Soluções de problemas e avaliação de oportunidades
de negócio, de qualquer fazenda, requerem dados gerados fora da fazenda e dentro dela.
Em ambos os casos é importante a qualidade e a abrangência dos dados usados para a
tomada de decisão (VELOSO, 1997).
5
Fatores Econômicos
- Taxa de Inflação
- Taxa de Câmbio
- Crescimento da Demanda
- Preferência do Consumidor
Fatores Institucionais
- Instituições Agrícolas
- Instituições de Crédito
- Firmas de Agronegócio
- Pesquisa e Desenvolvimento
- Programas Agrícolas
- Políticas Fiscais
Fatores Técnicos
- Novas tecnologias disponíveis
- Taxa de adoção de tecnologia
- Distribuição de custos de produção
- Capital humano
Estrutura da Agricultura
- Número e tamanho de fazendas
- Acordos contratuais
- Controle de processos gerenciais
Figura 1.1: Fatores influenciando a estrutura da agricultura.(CONGRESS, 1986)
1.3 Motivação
6
1.3 Motivação
A pecuária no Brasil possui grande importância sócio-econômica, destacando-se a
região Centro-Oeste que concentra um terço do rebanho nacional (MORAES, 2001). A
competitividade econômica do Brasil, como um dos maiores exportadores de carne bovina é proporcionada pela produção de carne sob condições naturais de ambiente e tendência de demanda dos mercados mais exigentes. Apesar da grande extensão territorial
produtiva e sendo um dos maiores exportadores de carne bovina, com uma população
bovina estimada 148,1 milhões de cabeças, o Brasil é o país que ainda possui um dos
menores índices de produtividade do mundo no setor da pecuária bovina, predominando
ainda sistemas produtivos de baixa eficiência quanto à produção de carne. Isto devido
as baixas taxas de natalidade, altas taxas de mortalidade, longos intervalos de partos
e elevadas idades para o abate e primeiro parto (falta de precocidade) (COMÉRCIO.,
1995).
O agronegócio brasileiro necessita direcionar-se para o aumento da eficiência econômica, via redução de custos com manutenção, ou incremento, dos atuais níveis de produção. No caso específico da pecuária de corte brasileira, verifica-se que, apesar da
representatividade do rebanho brasileiro (segundo maior do mundo em tamanho), os
índices de produtividade do mesmo ainda são baixos.
Como exemplo, para o ano de 1996, segundo índices da FNP (COMÉRCIO., 1996),
a taxa de abate do rebanho brasileiro (17%) quando comparada à de outros países como
Argentina (23%), Austrália (30%) e EUA (35%), atualmente o maior país exportador
de carne bovina do mundo, se comparado às potencialidades produtivas da pecuária
brasileira, configura um quadro de baixa produtividade à pecuária nacional. Um dos
entraves ao aumento da produtividade do rebanho bovino brasileiro advém das características climáticas do Centro-Sul brasileiro, região que comporta a maior parte do
contingente bovino economicamente explorado no Brasil. Essa região apresenta duas
épocas climaticamente distintas durante o ano: Período das Águas, correspondente a
época quente e chuvosa o que propicia a produção de forragens verdes, abundantes e
1.4 Objetivos
7
de boa qualidade nutricional, potencialmente capaz de garantir ganho de peso do gado
em regime extensivo a pasto; e, Período das Secas, correspondente à época seca e fria,
quando há decréscimo na disponibilidade e qualidade das forragens, resultando em estagnação ou mesmo perda de peso dos animais criados em regime extensivo a pasto
(AGROPECUÁRIO, 1980).
Estas características climáticas distintas em dois períodos ao ano, respondem pela
oscilação de ganho e perda de peso dos bovinos criados em regime exclusivamente a
pasto, ocasionando o aumento do tempo necessário para se produzir o animal pronto
para o abate. Ainda como conseqüência, duas épocas distintas, safra (no primeiro semestre) e entressafra (no segundo semestre), são, normalmente, observadas na oferta
de carne bovina no Brasil, o que resulta em preços reais da carne bovina maiores no
segundo semestre do ano, notadamente entre outubro e novembro, considerados meses
de pico da entressafra.
Com este cenário, verificamos a necessidade da incorporação de tecnologia à pecuária de corte brasileira, para a maximização da produtividade, desenvolvimento de
pesquisas em nutrição animal (nutrição de ruminantes - bovinos), melhoramento genético dos animais para que os mesmos transmitam precocidade, maior eficiência reprodutiva e velocidade no ganho de peso, possibilitando assim a mudança deste cenário.
O aumento da produtividade bovina torna-se ainda mais importante devido ao crescimento populacional constante, conseqüentemente, a crescente necessidade de proteínas
de origem animal (MCDOWELL, 1972).
1.4 Objetivos
O objetivo do presente trabalho consiste em modelar um sistema bioeconômico
(Seção 3.1) e desenvolver um software3 de simulação (Seção: 3.3), com aplicação na
3
Todo o conjunto de programas, procedimentos, dados e documentação associados a um sistema de
computador, e não somente ao programa em si (PFLEEGER, 2004). O software surgiu para automatizar
tarefas consideradas repetitivas e complexas. A finalidade de um software é a de gerar soluções para um
determinado problema. A maioria dos problemas são extensos e difíceis de serem solucionados, para isso
1.4 Objetivos
8
pecuária de corte, visando maximizar a produção de carne (kg/ha.ano) e o retorno financeiro sobre um investimento com o cálculo da taxa interna de retorno, auxiliando
na tomada de decisões sobre um cenário proposto pelo usuário, este trabalho é baseado
no modelo matemático desenvolvido em 1979 na Nova Zelândia (MONTEIRO; GARDNER; CHUDLEIGH, 1981a, 1979; MONTEIRO, 1979; MONTEIRO; GARDNER, 1978;
MONTEIRO; GARDNER; CHUDLEIGH, 1981b).
Buscamos com as simulações realizadas conhecer os efeitos dos seguintes fatores
sobre a rentabilidade:
• Idade da venda de novilhos
• Qual a proporção ideal de pastagens cultivadas
• Em quanto tempo deve-se chegar ao máximo de pastagem cultivada
• Saber se se compra ou não animais para crescer rapidamente o rebanho
• Saber qual a categoria animal deve ser comprada (garrotes ou vacas)
• Qual categoria animal deve ter prioridade no uso de pastagens melhoradas
devemos dividí-lo em partes menores, que sejam de fácil entendimento. A junção das soluções parciais
do sistema irá gerar a solução para todo o problema.
9
2
Referencial Teórico
2.1 Engenharia de Software
2.1.1 Interação na modelagem de um software
Na engenharia de software o aprimoramento deve ser constante para produzirmos
softwares cada vez melhores, para isso deve haver uma interação entre o mundo real e
o mundo formal como ilustrado na figura 2.1
Mundo Matemático, Formal
Mundo Empírico, Real
Sistema relacional
empírico
Medição
Implementação
da solução
Resultados Empíricos
Relevantes
Sistema relacional
formal
Matemática,
Estatística
Interpretação
Resultados
Numéricos
Figura 2.1: Interação na modelagem de um software
2.1.2 Etapas para desenvolvimento de software
No desenvolvimento de software estão envolvidas várias etapas(processos ou atividades), que devem ser executadas segundo um cronograma de projeto, são elas:
10
• Análise e Definição dos Requisitos
• Projeto do Sistema
• Projeto dos Componentes que irão compor o Sistema
• Implementação dos Componentes em uma Linguagem de Programação
• Teste dos Componentes(Unidades)
• Teste de Integração dos Componentes
• Teste do Sistema
• Treinamento de usuários
• Manutenção
2.1.3 Metodologias para desenvolvimento de software
Há inúmeras metodologias para desenvolvimento de software descritas na literatura
de engenharia de software, nesta seção, iremos descrever as principais metodologias
que contribuíram para o desenvolvimento da engenharia de software.
Um dos primeiros modelos propostos para desenvolvimento de software foi o modelo cascata (ROYCE, 1970). O modelo cascata (Figura 2.2) apesar de ter sido usado
por muitos anos, atualmente sede espaço para outras metodologias como o modelo em
V (Figura 2.4).
11
Análise de Requisitos
Projeto do Sistema
Projeto dos Componentes
Codificação
Testes de Unidade
e de Integração
Teste do Sistema
Teste de Aceitação
Operação e
Manutenção
Figura 2.2: Modelo Cascata (ROYCE, 1970)
A principal desvantagem do modelo cascata (Figura 2.2), está em tratar o desenvolvimento de software como um conjunto de processos(etapas de desenvolvimento)
em que não há nenhuma interação entre mesmos. O sistema também é desenvolvido
de forma linear, onde cada processo só é iniciado após a conclusão total do processo
anterior não havendo realimentação entre os processos.
Temos também o modelo em cascata com o acréscimo de prototipação (Figura 2.3),
que consiste em desenvolver parcialmente o sistema, permitindo aos clientes e desenvolvedores examinarem certos aspectos do sistema proposto, decidindo se os mesmos
são ou não adequados ao projeto. O protótipo ajuda também os desenvolvedores, na
avaliação de estratégias alternativas para o projeto, durante as fases de de análise e pro-
12
jeto, contribuindo para a minimização dos riscos e incertezas envolvidas em um projeto
de software.
Valida
Verifica
Projeto do Sistema
Prototipação
Codificação
Testes de Unidade
e de Integração
Teste do Sistema
Operação e
Manutenção
Figura 2.3: Modelo Cascata com Prototipação
Segundo (BOEHM, 1991) os dez principais ítens de risco, envolvidos em um projeto
de software são:
1. Pessoal insuficiente.
2. Cronogramas e orçamentos que não são realistas.
3. Desenvolvimento errado das funções do software.
13
4. Desenvolvimento de uma interface com o usuário inadequada.
5. Simplificar os requisitos.
6. Fluxo contínuo de modificações nos requisitos.
7. Insuficiência nas tarefas realizadas com empresas terceirizadas (Ex: contratos,
formação de equipe etc.).
8. Insuficiência nos componentes de software desenvolvidos por empresas terceirizadas (Ex: desempenho, compatibilidade etc.).
9. Insuficiência no desempenho em tempo real (Ex: modelagem, construção de protótipos etc.).
10. Exceder a capacidade da ciência da computação (Ex: análise técnica, análise de
custo-benefício etc.).
Tópicos relacionados a análise e gerenciamento de risco no desenvolvimento de
software, não será objeto de estudo neste trabalho.
2.1.4 Metodologia utilizada no desenvolvimento do software BCS++
Para o desenvolvimento do software BCS++, utilizamos a metodologia em V ilustrada na figura 2.4, que torna mais claro as iterações nas fases de análise e projeto, entre
desenvolvedor e cliente, que são ocultas nos modelos cascata.
Diferentemente, do modelo em cascata com prototipação, em que a validação dos
requisitos e a verificação do projeto só ocorrem na fase de teste do sistema, o modelo em
V, permite ao desenvolvedor validar os requisitos e verificar o projeto de forma iterativa,
até que todas incertezas relacionadas ao projeto sejam eliminadas.
O modelo em V, contribui ainda, para a redução dos riscos envolvidos no projeto e
principalmente para a redução dos custos envolvidos durante a fase de codificação, pois
2.2 Características de um sistema voltado para a agropecuária
14
todas as incertezas já foram eliminadas em fases anteriores, evitando assim a criação de
códigos que não atendam as reais necessidades dos clientes.
Operação e
Manutenção
Valida Requisitos
Verifica o Projeto
Projeto do Sistema
Teste do Sistema
Testes de Unidade
e de Integração
Codificação
Figura 2.4: Modelo em V
2.2 Características de um sistema voltado para a agropecuária
Grande parte das decisões dos empresários rurais, ainda são tomadas com base em
regras empíricas, com pouco ou nenhum fundamento econômico racional quantitativo.
Este método simples para a tomada de decisão não permite a realização de simulações
com um grau de precisão adequado. A carência de sistemas de simulação que agreguem
variáveis envolvidas em um processo produtivo, tem levado os empresários rurais ao
uso de regras de decisão inadequadas, no sentido de maximizar seus lucros. Um sistema
para voltado para a pecuária de corte deve possuir as seguintes características:
• Previsão de Lucro
2.3 Processo produtivo da carne bovina
15
• Resultados de produção e de vendas
• Caixa e resultados alcançados
• Custos e Rendas
• Posição de estoques no início e no final de um período
• Desempenho da mão-de-obra
• Produtos e infra-estrutura de produção
• Arquivos de registros financeiros e de operações envolvendo a movimentação de
animais
• Cultivos
• Tendências de séries de preços e produtos
• Alocação de Recursos
Para o auxílio na tomada de decisões, devemos considerar informações financeiras
e biológicas envolvendo operações de manejo, conservação de solo, controle de pragas
e doenças, controle populacional, estratégias adotadas entre outras. O levantamento
destas informações devem ser realizadas com o acompanhamento de especialistas no
assunto, após o levantamento das informações, deve-se abstrair regras, e como elas são
usadas nos processos decisórios da atividade pecuária.
Os alimentos de origem animal representam cerca de um sexto da energia e um
terço das proteínas dos alimentos humanos (LAMPERT, 2002). Os bovinos são capazes
de converter forrageiras, sobras de colheitas em alimentos humanos de alta qualidade,
fornecendo ainda adubo para metade das produções agrícolas do mundo, contribuindo
16
para a sustentação da agricultura. Os seres humanos consomem aproximadamente dois
terços da produção mundial de grãos, enquanto o rebanho leiteiro e de corte e principalmente suínos e aves consomem o restante (MARTIN, 2001). Relacionado a produção de
carne, na década de 80 os países desenvolvidos consumiam um terço da oferta global de
carne, hoje é consumido aproximadamente metade desta oferta, e projeta-se para 2020
o consumo de dois terços da oferta global de carne. O aumento na demanda mundial,
sugere um grande desafio para o setor pecuário em aumentar a produtividade, mantendo
a sustentabilidade ambiental e a segurança alimentar (MARTIN, 2001).
O Brasil possui um grande potencial para a produção e industrialização da carne
bovina, são mais de 180 milhões de hectares de pastagens distribuídas em quase 1,8
milhões de propriedades que empregam cerca de 7 milhões de trabalhadores rurais,
abatendo mais de 30 milhões de cabeças de gado, em mais de 700 indústrias de carne e
derivados (LAMPERT, 2002).
A cadeia produtiva de carne bovina (CPB) no Brasil é dividida em três segmentos:
produção, processamento e distribuição. A fase de produção é caracterizada pelas fases
de cria, recria e terminação de bovinos de corte segundo a figura 2.5, sendo toda a fase
de produção incorporada no software de simulação BCS++.
Fase de Cria
Fase de Recria
Fase de Terminação
Produção de
Bezerros
Boi e Vaca magros
e fêmeas de reposição
Boi e Vaca gorda
Mercado
Figura 2.5: Produção de Bovinos de Corte no Brasil
2.4 Modelos Bioeconômicos
17
A fase de cria compreende a reprodução dos ventres1 , englobando o acasalamento,
gestação, parição e o crescimento do bezerro até a desmama, que ocorre geralmente
entre seis a dez meses de idade. A recria inicia após a desmama e encerra com o início da
reprodução das fêmeas ou início da fase de engorda dos machos. A fase de terminação
é variável de 3 a 8 meses e o produto obtido pode ser animais tardios, precoces ou
superprecoces dependendo do sistema de produção adotado.
A produção de bovinos é realizada de forma extensiva2 ou intensiva3, no presente
trabalho é abordado no sistema de simulação BCS++ a forma extensiva.
Visando suprir as deficiências nutricionais do pasto em cada período do ano tem-se
adotado práticas semi-intensivas4.
A eficiência reprodutiva de carne bovina no Brasil é medida pela quantidade de
carne produzida por ha/ano (LAMPERT, 2002), sendo esta informação a principal saída
do sistema de simulação BCS++, ligada ao modelo biológico implementado.
A expressão modelo bioeconômico é usada por cientistas para expressar a ligação
entre componentes biofísicos e econômicos (BARBIER; CARPENTIER, 2000). Os modelos bioeconômicos são classificados de acordo com o uso ou não, de um framework 5
de otimização.
• Modelos que utilizam um framework de otimização: Utilizam técnicas de modelagem matemática, como programação linear, não linear, dinâmica e estocástica
1
Fêmeas aptas para à reprodução
O rebanho é criado solto no pasto, tendo como fonte de energia somente as pastagens disponíveis na
propriedade
3
O rebanho é criado em regime de confinamento, onde são fornecidos suplementos minerais para um
maior ganho de peso
4
O rebanho é alimentado a base de suplementação múltipla a pasto
5
Conjunto de conceitos, métodos e tecnologias para solução de um problema específico, ou seja, um
componente que possui a finalidade de estender as funcionalidades de um software ou modelo existente.
2
18
para a minimização ou maximização de uma função objetivo sob diferentes restrições. A aplicação na agropecuária é freqüente, mas as dificuldades são imensas,
relacionadas a modelagem de situações biológicas e climáticas envolvidas em um
processo produtivo. Em países de clima temperado tem-se usado intensivamente
modelos de otimização para determinar o comportamento das variáveis envolvidas em um sistema de produção (HAZELL; NORTON, 1986). Já em países tropicais como o Brasil, cientistas tem encontrado dificuldades para a modelagem
matemática, devido a alta complexidade do agro-ecossistema. Geralmente estes
modelos utilizam técnicas de programação linear, mas esta abordagem tem recebido várias críticas da comunidade científica, pois o comportamento das variáveis
envolvidas em um modelo bioeconômico é não linear.
• Modelos que não utilizam técnicas de otimização: São componentes baseados
em regras heurísticas para a solução de problemas específicos, a qualidade dos
componentes quanto à abstração de variáveis bioeconômicas e a interação entre
os mesmos, influencia diretamente na qualidade final do modelo.
Um sistema de produção deve separar claramente os objetivos da produção real,
significando uma expansão total na produção, separada dos objetivos de desenvolvimento político e social. Se a produção real deixa a desejar, o retorno esperado para cada
alternativa proposta precisa ser claramente delineado (MCDOWELL, 1972).
A modelagem de processos bioeconômicos é caracterizada por ter um alto nível de
complexidade, isso pelo fato de todos os processos possuírem um comportamento dinâmico, onde as interações entre os parâmetros e as variáveis que descrevem um processo,
mudam de acordo com o tempo. A principal dificuldade em se modelar e integrar um
modelo biológico e econômico, está na definição do foco para a modelagem e principalmente no nível de detalhamento que o modelo deve tratar.
Modelos de simulação que realizam a predição de saídas biológicas e econômicas,
baseada em observações empíricas(seqüência de eventos), estão limitados aos resultados provenientes da combinação das variáveis abstraídas de forma empírica (BROWN,
2.5 Tomada de decisão
19
2000).
2.5 Tomada de decisão
A tomada de decisão é definida por uma seqüência de passos lógicos:
1. Identificação e definição do problema
2. Busca de dados e alternativas relevantes
3. Escolha da alternativa
4. Implementar a decisão
5. Avaliar resultados
Decidir sobre um conjunto de alternativas não é uma tarefa fácil, devemos compararálas levando-se em consideração as variáveis de decisão, ou seja, aquelas que mais exercem influência sobre o modelo. Tomar uma decisão, é ainda mais complexo quando
o modelo envolve muitas variáveis com comportamentos dinâmicos e que agreguem
incerteza.
"As atitudes dos indivíduos são consideradas na teoria das decisões
como racionais, ou seja, o ordenamento entre a utilidade de alternativas é sempre coerente com as crenças, valores e objetivos de cada
indivíduo."(JÚNIOR, 1993; MOURA, 1995)
Para a tomada de decisão segundo Hummel e Taschner devemos levar em consideração os seguintes aspectos:
• Não existe decisão a ser tomada, considerando-se uma única alternativa: Isso
significa que para se tomar qualquer decisão, devemos analisar mais de uma alternativa.
2.6 Engenharia Econômica
20
• Só podem ser comparadas alternativas homogêneas: As alternativas devem ser
parametrizadas de forma que tenhamos uma homogeneidade dos dados, para que
a comparação se torne possível.
• Apenas as alternativas diferentes são relevantes: Devemos em um processo decisório, analisar apenas as alternativas distintas em um conjunto de alternativas.
• Decisões econômicas devem reconhecer o valor do dinheiro no tempo: Em todas
as alternativas envolvidas no processo decisório, devemos igualar o tempo de vida
do dinheiro para que a decisão econômica seja a mais satisfatória possível.
• Decisões separáveis devem ser tomadas separadamente: Alternativas que não possuem uma relação em comum, aplicável ao mesmo problema, devem ser analisadas separadamente.
• Deve-se sempre atribuir graus de incertezas associados às previsões realizadas: A
consideração formal do grau e do tipo de incerteza, serve para assegurar que a
qualidade da solução seja conhecida e reconhecida pelos responsáveis pelo processo decisório.
• As decisões também devem levar em consideração os eventos qualitativos não
quantificáveis monetariamente: Sendo assim, os dados qualitativos devem ser claramente especificados, para que sejam utilizados no processo decisório.
A engenharia econômica constitui-se em conceitos de matemática financeira, associados a métodos e técnicas para análise de investimentos.
No decorrer deste trabalho, os conceitos de engenharia econômica serão aplicados
em um ambiente "perfeito", onde serão desconsiderados aspectos particulares de cada
economia, como exemplo, taxas de inflação.
21
2.6.1 Fluxo de Caixa
O fluxo de caixa líquido é a relação entre os pagamentos e recebimentos (Equação
2.1), que uma empresa ou pessoa física deverá honrar em um determinado espaço de
tempo. Um fluxo de caixa pode ser expresso graficamente segundo a figura 2.6, onde
são representadas as entradas e as saídas de um projeto em um determinado período.
Os períodos de um fluxo de caixa são representados por uma reta ou escala de tempo
horizontal da esquerda para a direita dividida em pontos, onde cada o espaço entre cada
ponto representa um período de capitalização ou uma unidade de tempo(dia, semana,
mês, semestre, ano etc.). A origem é está na extremidade esquerda, representada pela
data 0 ("zero"), normalmente conhecida como data presente, já o final do fluxo é determinado pelo enésimo(n) período.
As entradas de dinheiro, economias ou receitas em um fluxo de caixa são considerados valores algébricos positivos(> 0), representados por uma seta orientada para cima,
já as saídas de dinheiro, despesas ou desembolsos são considerados valores algébricos
negativos (< 0), sendo representados por uma seta orientada para baixo. A taxa de
juros(i) que será aplicada a cada período deve ser inserida no gráfico do fluxo de caixa.
 n
  n

X  X

F(n) ≡  Ri  − 
Di 
i=0
(2.1)
i=0
onde,
i = período; F(n) = Fluxo de Caixa Líquido no ano n; R(i) = Receita no mês i; D(i) =
Despesa no mês i;
22
F(n) > 0
0
1
2
3
..........
i=%
n-1
n
F(n) < 0
Figura 2.6: Gráfico do Fluxo de Caixa
2.6.2 Taxa Mínima de Atratividade
A taxa mínima de atratividade(TMA) ou taxa de expectativa, representa o mínimo
que um investidor se propõe a ganhar quando realiza um investimento, ou o máximo
que um tomador de dinheiro se propõe a pagar ao fazer um financiamento. A TMA é
formada por três componentes conforme a figura 2.7, que fazem parte do cenário para
tomada de decisão: custo de oportunidade, risco do negócio e liquidez do negócio.
O custo de oportunidade representa a remuneração que seria obtida, caso não fosse
realizado nenhum investimento, como exemplo mais comum, a remuneração advinda da
caderneta de poupança, onde há uma expectativa de ganho mínimo. Risco do negócio
é o risco inerente a adoção de uma nova estratégia, normalmente, mas não obrigatoriamente, poderemos nos valer da máxima de mercado que diz que "quanto maior o risco,
maior a remuneração"ou, ainda, que "o ganho é proporcional ao risco"(PILÃO; HUMMEL, 2004). O terceiro componente da TMA é a liquidez, que consiste na facilidade
ou velocidade em que é realizada uma mudança de estratégia frente ao mercado e ao
próprio negócio.
23
Custo de
oportunidade
Liquidez
do negócio
Risco do
negócio
TMA
Figura 2.7: Taxa Mínima de Atratividade
Não há um algoritmo ou uma fórmula matemática para elaboração da TMA, ela é
determinada de acordo com as regras de negócio aplicadas em um determinado cenário.
2.6.3 Método do Valor Presente Líquido (VPL)
O valor presente líquido(VPL) consiste em deslocar o dinheiro no tempo, mais precisamente para a data zero, onde será realizada a tomada de decisão, conforme a equação
2.2. Este deslocamento é realizado com base em um fluxo de caixa conhecido e uma
TMA, o principal objetivo deste método é calcular em termos de dinheiro de hoje, o
ganho sobre investimento realizado. O método é bastante simples e consiste em uma
somatória dos valores existentes no fluxo de caixa, já descontados os juros embutidos
de cada período (PILÃO; HUMMEL, 2004).
n
X
FCt
− II
V PL =
(1 + k)t
t=1
(2.2)
onde,
V PL = Valor Presente Líquido; FC t = Valor dos fluxos de entrada de caixa no período
t; II = Investimento inicial; t = período; k = Taxa de desconto, retorno exigido, custo
de capital ou custo de oportunidade; (GITMAN, 2001);
24
2.6.3.1 Critérios para a tomada de decisões
Com o método, podemos obter um VPL positivo(+), negativo(-) ou nulo(0), sendo
mais interessantes alternativas onde o VPL é positivo ou nulo.
Figura 2.8: VPL - Critérios de decisão
se VPL > 0 então
Aceitar o projeto
se VPL < 0 então
Rejeitar o projeto
Quando o VPL é positivo a quantidade de dinheiro ganho é superior a quantidade
esperada, ou seja, é desejável o maior valor positivo possível para o VPL. Caso o VPL
seja negativo, significa que a remuneração obtida com o negócio está aquém da expectativa, ou, ainda, que o negócio paga ou não o investimento realizado, não no esperado.
Se o VPL é nulo, significa que o negócio paga exatamente a TMA, portanto, também
pode ser considerado um investimento interessante.
2.6.4 Taxa Interna de Retorno (TIR)
O método da taxa interna de retorno (TIR) nos permite encontrar a remuneração
do investimento em termos percentuais, igualando o VPL a zero, conforme a equação
2.3. Ao igualar o VPL a zero, os juros embutidos nas entradas e saídas de caixa são
extraídos, de tal forma que não sobre ou falte dinheiro, logo, esta será a remuneração
efetiva do cenário analisado em termos percentuais (PILÃO; HUMMEL, 2004).
V PL = 0 =
n
X
t=1
FCt
− II
(1 + T IR)t
(2.3)
Dependendo do fluxo de caixa podemos ter, uma única TIR (Figura 2.9), múltiplas
TIR’s (Figura 2.10), ou ainda, casos em que não é possível o cálculo da TIR, devido a
25
não convergência do método matemático utilizado (THUESEN; FABRYCKY, 1993).
2.6.4.1 Única TIR
Condições necessárias para que haja uma única TIR:
1. F(0) < 0; O fluxo inicial é um desembolso(-);
2. Deve haver uma mudança de sinal na seqüência de fluxos F(0), F(1), F(2), ...,
F(n);
3. A soma de todas as receitas(+) é maior que a soma de todos os desembolsos(-)
A figura 2.9 ilustra um exemplo em que há uma única TIR, e podemos verificar que
a mesma se encontra no intervalo entre 20% e 30%.
VPL($)
500
250
TIR(%)
0
10
20
30
40
-250
Figura 2.9: Única TIR
50
26
2.6.4.2 Múltiplas TIR’s
Para verificarmos a existência de múltiplas TIR’s podemos utilizar a regra dos sinais
de Descartes para um polinômio de grau n, onde, o número de raízes reais positivas
de um polinômio de grau n com coeficientes reais, nunca será maior que o número de
vezes em que os coeficientes mudam de sinal(F(0), F(1), F(2) ... F(n − 1), F(n)). Como
exemplo iremos considerar os seguintes fluxos 2.6.4.2
Ano
0
Tabela 2.1: Fluxos de caixa
A
B
C
D
-2.000 -2.000
0
E
-3.000 -1.500
1
500
-500
-3.000
0
3.500
2
250
-400
500
500
-6.000
3
100
800
400
0
2.500
4
50
500
-300
0
0
5
20
300
200
-1.000
0
Segundo a regra de Descartes, a seqüência de sinais para os fluxos de caixa A e B
mudam uma vez, enquanto a seqüência de sinais para C, D e E mudam 3, 2 e 3 vezes
respectivamente, ou seja, os fluxos A, B, terão uma única raíz real (TIR), já os fluxos
C, D, E terão 3, 2, 3 raízes reais (TIR’s) respectivamente. Fluxos com o valor 0 são
considerados sem sinal para a aplicação da regra dos sinais de Descartes.
A figura abaixo 2.10 ilustra um exemplo em que há 3 taxas (TIR’s), e podemos
verificar que as mesmas se encontram entre 10% e 20%, 30% e 40%, 40% e 50%.
27
VPL($)
500
250
TIR(%)
0
10
20
30
40
50
-250
Figura 2.10: Múltiplas TIR’s
Quando há a existência de múltiplas TIR’s não podemos afirmar qual é a mais apropriada para uma alternativa, pois não estamos levando em consideração uma análise de
risco envolvido na escolha de uma determinada taxa.
"Não há nenhum significado racional para julgar qual TIR é mais apropriada economicamente"(THUESEN; FABRYCKY, 1993)
2.6.4.3 Critérios para a tomada de decisões
A TIR é muito usada para auxílio na tomada de decisões econômicas, do tipo aceitar
ou rejeitar um projeto, os critérios para a tomada de decisões são os seguintes:
2.7 Sistemas Inteligentes
28
Figura 2.11: TIR - Critérios de decisão
se TIR > k então
Aceitar o projeto
se TIR < k então
Rejeitar o projeto
Se a TIR for maior que k(TMA) significa que é rentável o projeto, caso a TIR seja
menor que k(TMA) o projeto gera prejuízos, logo, devemos recusar o projeto.
2.6.4.4 Casos em que a TIR não converge
Há situações em que a TIR não converge, sendo assim devemos observar o VPL
como critário para a tomada de decisões econômicas. Casos em que a TIR não converge:
1. Se os fluxos de caixa são todos positivos não há retorno, pois não houve nenhum
investimento.
2. Se os fluxos de caixa são todos negativos.
3. Se o fluxo de caixa líquido for igual a 0.
2.7.1 Sistemas Baseados em Conhecimento
Um sistema inteligente deve ser capaz de realizar inferências e associações(modo
não linear), de forma eficaz e eficiente em uma grande base de conhecimento, para resolução de problemas reais. Para um sistema ser considerado como "inteligente", o mesmo
deve-se comportar como um ser humano não em toda sua plenitude, mas deve possuir
alguma característica do comportamento humano como: adaptação, organização, encadeamento de conhecimento não-linear, tomada de decisões.
29
2.7.1.1 Introdução
A medida que a complexidade computacional cresce para a solução de algum problema real, o conhecimento associado a regras de inferência, tornam-se mais importantes para minimização da complexidade e resolução em tempo hábil de problemas
NP-completos (CORMEN et al., 2002).
Sistemas Baseados em Conhecimento(SBC) são programas computacionais, que
utilizam explicitamente uma base de conhecimento para a resolução de problemas reais,
que anteriormente eram solucionados apenas por peritos ou especialistas.
2.7.1.2 Características de um SBC
Um sistema baseado em conhecimento para ser classificado como tal, deve possuir
as seguintes características (JACKSON, 1998):
• Interagir com o usuário através de uma interface amigável, para reunir informações de que necessita.
• Efetuar inferências encontrando soluções satisfatórias.
• Capacidade em explicar ao usuário, linhas de raciocínio, seguidas durante um
processo de tomada de decisão.
• Ter um desempenho no mínimo satisfatório, semelhante a um especialista
• Capacidade em administrar possíveis erros, pois como um especialista o sistema
também está suscetível a erros.
Com as características levantadas anteriormente, podemos mostrar na tabela 2.2
as principais diferenças entre sistemas convencionais e sistemas baseados em conhecimento.
30
Tabela 2.2: Sistemas Convencionais x Sistemas Baseados em Conhecimento
Sistemas Convencionais
Sistemas Baseados em Conhecimento
Estrutura de Dados
Representação de Conhecimento
Dados e Relações entre Dados
Conceitos, Relações entre Conhecimento, Regras
Algoritmos são tipicamente um AFD
Algoritmos baseados em um AFND
Dados embutidos no código do programa
Conhecimento separado do programa
Explicação do raciocínio é difícil
Podem e devem explicar seu raciocínio
Um autômato finito determinístico, ou AFD é determinado por um conjunto finito
de estados, símbolos e transições, sendo que para cada entrada, existe um e somente
um estado ao qual o autômato pode transitar a partir de seu estado atual. Já em um
autômato finito não determinístico, a cada entrada, pode haver mais de um estado ao
qual o autômato pode transitar a partir de seu estado atual. Uma aplicação comum de um
AFND seria na busca de informações em um texto (HOPCROFT; ULLMAN; MOTWANI,
2002).
2.7.1.3 Dado, Informação e Conhecimento
Sistemas computacionais possuem algumas vantagens sobre os seres humanos como:
velocidade de processamento e memória de armazenamento permanente, mas para que
estes sistemas tornem-se úteis para o auxílio na tomada de decisões, devemos incorporar conhecimento nos mesmos. Principais diferenças entre dado, informação e conhecimento:
• Dado: É um elemento isolado, quantificável sobre um determinado evento. O
dado não oferece condições para o entendimento de uma situação.
• Informação: É um conjunto de dados analisado, interpretado e contextualizado
em um cenário.
• Conhecimento: Habilidade de se criar um modelo mental(compreensão, análise,
síntese), que descreva um cenário e indique as ações e decisões a serem tomadas.
31
A figura 2.12 ilustra as etapas do raciocínio que levam a tomada de decisões e
geração de novo conhecimento.
Geração de Conhecimento Novo
Síntese
Análise
Processo de
Cognição
Compreensão
Tomada de
Decisões
Conhecimento
Informação
Dados
Figura 2.12: Dado, Informação e Conhecimento.
2.7.1.4 Estrutura de um SBC
Sistemas baseados em conhecimento (SBC) possuem a seguinte estrutura:
• Shell ou Núcleo do Sistema Baseado em Conhecimento (NSBC): Desempenha as
principais funções de um SBC, como mecanismos de inferência, para auxílio na
tomada de decisões.
• Base de Conhecimento (BC): Estrutura na qual fica armazenado todo o conhecimento a respeito de um determinado domínio. Sua estrutura, segue formalismos computacionais para armazenamento de conhecimento, e deve ser compatível com o Shell, para que possibilite a realização inferências.
• Memória de Trabalho: Responsável pelo armazenamento temporário de conclusões intermediárias de um processo cognitivo e de informações obtidas através da
interação com o usuário.
• Sistema de Gerenciamento de Banco de Dados(SGBD): O SBC pode interagir
com um SGBD para a obtenção ou armazenamento de dados e ou informações.
32
• Interface: Responsável pela interação com o usuário, apresentação de resultados
e explicações sobre linhas de raciocínio realizadas.
A figura 2.13 ilustra a estrutura de um sistema baseado em conhecimento.
Sistema Baseado em Conhecimento
Interface
Mecanismos
de Inferência
(Shell)
Memória de
Trabalho
Base de
Conhecimento
Banco de
Dados
Figura 2.13: Estrutura de um Sistema Baseado em Conhecimento
2.7.1.5 Processos para a modelagem de um SBC
Várias técnicas de engenharia de software podem ser utilizadas para a modelagem
de sistemas baseados em conhecimento, mas devemos ressaltar que o processo deve ser
iterativo, incluindo sempre novos conhecimentos e conhecimentos já existentes mas que
sofreram refinamentos.
A figura 2.14 mostra os processos a serem seguidos para a confecção de um sistema
baseado em conhecimento (REZENDE, 2003).
33
Fase 1 : Planejamento do SBC
Indentificar o
Domínio
Selecionar a
Equipe
Selecionar
Ferramentas
Fase 4 : Verificação
e Refinamento do
SBC
Fase 2: Aquisição de Conhecimento
Formalização
Conceituação
Identificação
Refinar
Validação e
Verificação
Fase 3: Implementação do SBC
Representar o
Conhecimento
Implementar
interface com
Usuário
Gerar
documentação
do SBC
Figura 2.14: Processo de desenvolvimento de um SBC
2.7.1.6 Representação de Conhecimento
Existe várias técnicas para a representação de conhecimento, sendo que as técnicas
mais utilizadas possuem amplo embasamento na lógica matemática.
"Lógica: conhecimento das formas gerais e regras gerais do pensamento correto e verdadeiro, independentemente dos conteúdos pensados; regras para demonstração científica verdadeira; regras para pensamentos não científicos; regras sobre o modo de expor o conhecimento; regras para verificação da verdade ou falsidade de um pensamento."(Convite à Filosofia, Chauí, 2002)
Como exemplo de algumas técnicas para a representação de conhecimento, temos:
34
• Representação lógica: Esta técnica visa representar o conhecimento segundo os
formalismos da lógica matemática(lógica proposicional e lógica de predicados
mais comumente usadas na Ciência da Computação (SOUZA, 2002)), diferentemente do português que é uma linguagem natural onde imprecisões estão sempre
presentes, a lógica matemática é uma linguagem formal, onde as imprecisões e
ambigüidades são freqüentemente desconsideradas na representação de conhecimento.
• Regras de Produção: Regras de produção expressam relacionamentos lógicos para
simular o raciocínio humano, o conhecimento é modelado com o encadeamento
de regras do tipo se, então 2.15. Esta técnica foi utilizada para a representação de
conhecimento no software BCS++.
Exemplo da estrutura de uma regra de produção simples.
Figura 2.15: Regra de Produção
se Condição então
Ações
2.7.2 Sistemas Especialistas
2.7.2.1 Introdução
Sistemas Especialistas (SE) são sistemas que solucionam problemas que são solucionáveis apenas por pessoas especialistas, que acumularam conhecimento em uma
determinada área:
• Sistema - "Conjunto de elementos, materiais ou idéias, entre os quais se possa
encontrar ou definir alguma relação".
• Especialista - "Pessoa que se consagra com particular interesse e cuidado a certo
estudo. Conhecedor, perito".
35
Um sistema especialista é um subconjunto de um sistema baseado em conhecimento. Podemos dizer que um sistema baseado em conhecimento torna-se um sistema
especialista quando o conhecimento restringe-se a um domínio específico e requer alto
grau de especialização na resolução de problemas do mundo real. A figura 2.16 ilustra um sistema especialista como um subconjunto de um sistema baseado em conhecimento.
Sistemas Inteligentes
Sistemas Baseados em Conhecimento
Sistemas Especialistas
Figura 2.16: Sistema Baseado em Conhecimento e Sistema Especialista
Sistema Convencional é baseado em um algoritmo, emite um resultado final correto
e processa um volume de dados de maneira repetitiva enquanto que um Sistema Especialista é baseado em uma busca heurística e trabalha com problemas para os quais não
existe uma solução convencional organizada de forma algorítmica.
Para tomar uma decisão, um especialista o faz a partir de fatos e hipóteses que formula, buscando em sua memória um conhecimento prévio armazenado durante anos.
Durante o processo de raciocínio, vai verificando qual a importância dos fatos que encontra comparando-os com o conhecimento acumulado sobre esses fatos.
Um Sistema Especialista, além de inferir conclusões, deve ter a capacidade de adquirir novos conhecimentos e, desse modo, melhorar a capacidade em efetuar inferências. Para solucionar problemas os Sistemas Especialistas precisam acessar uma grande
base de conhecimento do domínio da aplicação, portanto o sucesso de um Sistema Especialista depende enormemente da forma de como o conhecimento é representado e
36
dos mecanismos para a exploração deste conhecimento.
2.7.2.2 A eficácia de um SE
Para que um Sistema Especialista seja eficaz, as pessoas devem ser capazes de interagir com ele facilmente. Para facilitar esta interação os sistemas devem ser capazes
de:
• "Explicar seu raciocínio". Conseqüentemente o processo de raciocínio deve proceder em etapas compreensíveis em que o meta-conhecimento suficiente (conhecimento sobre o processo de raciocínio) esteja disponível para que as explicações
dessas etapas possam ser geradas;
• "Adquirir conhecimento novo e modificar o conhecimento antigo". Como o conhecimento pode ser acumulado e/ou alterado, torna-se importante então separar
a base de conhecimento do conjunto de operadores do sistema.
2.7.2.3 Principais benefícios da utilização de um SE
Os principais benefícios relacionados ao uso de sistemas especialistas estão relacionados com:
• Velocidade na determinação dos problemas;
• A decisão está fundamentada em uma base de conhecimento;
• Acumulação de Conhecimento para a tomada de decisões mais precisas;
• Dependência decrescente de pessoal específico;
• Integração de ferramentas;
• Não está suscetível a erros emocionais e psicológicos;
37
2.7.2.4 Problemas enfrentados pelos SE’s atuais
• Fragilidade - Como os Sistemas Especialistas somente têm acesso a conhecimento
altamente específicos do seu domínio não possuem conhecimentos mais genéricos
quando a necessidade surge;
• Falta de meta-conhecimento - Geralmente não possuem conhecimentos sofisticados sobre sua própria operação, portanto não conseguem raciocinar sobre seu
próprio escopo e restrições. A aquisição do conhecimento continua sendo um dos
maiores obstáculos a aplicação de tecnologia dos Sistemas Especialistas a novos
domínios.
• Validação - A medição do desempenho de Sistemas Especialistas é muito difícil
porque não sabemos quantificar o uso de conhecimento.
38
3
Referencial Analítico
3.1 Modelagem do sistema Bioeconômico
Um modelo de simulação inicia-se pela delimitação de um problema do mundo real
que será estudado, identificando os pontos principais do sistema e suas inter-relações,
num mundo esquemático ou quantitativo. O próximo passo, consiste no estudo e caracterização de cada componente identificado no modelo. Variáveis como ganho de
peso, crescimento de pastagens, capacidade de suporte, número e épocas de estações de
monta, técnicas de manejo de pastagens, entre outras, são estudadas visando à compreensão de sua importância e comportamento temporal, pois se conseguirmos selecionar
as variáveis essenciais do fenômeno estudado, o modelo matemático que o simula poderá levar a soluções bastante próximas daquelas esperadas na realidade.
Por se tratar de um sistema complexo, devemos visualizar um modelo bioeconômico (seção 2.4), como sendo constituido de vários componentes, cada componente
voltado para uma característica específica, biológica, econômica ou social. Devemos
tratar cada componente como parte de um todo, onde a comunicação entre as partes
é necessária para o funcionamento global do sistema. Como exemplo de alguns componentes podemos citar: forrageiras (ROTZ; BUCKMASTER; MERTENS, 1989), nutrição (BYWATER; DENT, 1976), reprodução (BONESCHANSCHER; JAMES; STEPHENS,
1982; OLTENACU; MILLIGAN; ROUNSAVILLE, 1980), sanidade (JAMES, 1977), genética (GROEN, 1988), gerenciamento de estratégias (DIJKHUIZEN; STELWAGEN; RENKEMA, 1986; CONGLETON, 1984; SORENSEN, 1989), estratégias relacionadas com
produção e preços (GARTNER, 1981; HERRERO; BERRY, 1982; ARENDONK, 1985).
39
O modelo é baseado em uma fazenda de criação de gado, toda em pastagens naturais (nativas), situada no estado de Mato Grosso do Sul, toda a área é trabalhável com
máquinas, inicialmente dividida e quatro pastos e situada a 250 km da cidade onde reside o proprietário que a visita duas vezes por mês, utilizando uma camionete. Engloba
também as fases de cria, recria e engorda conforme a figura 2.5), incorporando os principais componentes de uma fazenda voltada para a pecuária de corte, tais como: infraestrutura de produção (pastagens, rebanho, cercas externas e internas, currais, casa sede,
casa para empregados, cavalos de serviço e veículo) e estratégias de manejo. O sistema
agrega também custos e receitas, fluxo de caixa e indicadores de eficiência biológica e
econômica. Considerando que o sistema é o melhorado, ou seja, onde há investimentos
em pastagens, consideramos o Valor Presente Líquido (VPL) e Taxa Interna de Retorno
(TIR) para avaliar a viabilidade econômica de um determinado cenário.
Através da modelagem matemática tenta-se simular o que ocorre em uma fazenda,
onde os animais entram no sistema nascendo ou sendo comprados, crescem, engordam,
procriam, morrem ou são vendidos, saindo do sistema. Quando comprados ou vendidos
geram despesas ou receitas, conforme a figura 3.1. Os custos e preços foram aplicados
nas entradas e saídas de modo a avaliar o desempenho biológico ( produção de carne
kg/ha.ano ) e financeiro em termos de entradas e saídas mensais e anuais, medindo o
fluxo de caixa por 10 anos. As atividades da fazenda tais como descarte, desmama,
parição, vendas, vacinações, etc., são predeterminadas para ocorrerem em meses específicos, uma vez que este e o menor período assumido.
A capacidade de lotação da fazenda é baseada na capacidade de suporte mensal
medida em unidade animal por hectare de pastagem e varia mensalmente, de acordo
com o clima (temperatura e umidade). A estação seca do ano e conseqüentemente a
disponibilidade de alimento determinam o número de animais que podem permanecer
no rebanho.
O modelo biológico implementado no software BCS++ é apresentado na figura
3.1. As premissas básicas assumidas na construção do modelo, assim como os possíveis resultados obtidos foram validados através de extensas discussões com fazendeiros,
40
extensionistas e pesquisadores não envolvidos com a construção do mesmo.
RR
TM1
TMFD
Novilhas de 1-2 anos
Fêmeas Desmamadas
Fêmeas
TM2
TD1
TMPD
4
TM3
TDV
Nasce Animais
4
1
COV
TMV
TMPD
Fêmeas
Vacas de 4-5 anos
TDV
2
COV
TMV
TMMD
Machos Desmamados
Vacas de 5-6 anos
TDV
3
TMV
TMS1
Vacas de 6-12 anos
Machos de 1-2 anos
Vacas de 12 anos
Machos de 2-3 anos
TDV
TMVV
VMD
VG
TMS2
TDVV
VG
TMS3
Machos de 3-4 anos
Figura 3.1: Modelo biológico
Tabela 3.1: Legenda Taxa de Mortalidade - Modelo Biológico
Rótulo
Significado
TM1, TM2, TM3
Novilhas com 1, 2 e 3 anos
TMV
Vacas adultas
TMVV
Vacas velhas
TMPD
Animais recém nascidos
TMMD, TMFD
Machos e Fêmeas desmamados(as)
TMS1, TMS2, TMS3
Garrotes de 1, 2 e 3 anos
VG
COG
41
Tabela 3.2: Legenda Taxa de Natalidade - Modelo Biológico
Rótulo
Significado
1, 2, 3
Vacas aptas à reprodução
1
Priorizando novilhas de 1 e 2 anos
2
Priorizando vacas de primeira parição
3
Priorizando vacas adultas
4
Taxa de natalidade de machos e fêmeas
RR
Renovação do Rebanho
Tabela 3.3: Legenda Taxa de Descarte - Modelo Biológico
Rótulo
Significado
TD1
Novilhas com 22 meses de idade
TDV
Vacas aptas à reprodução
TDVV
Vacas velhas
Tabela 3.4: Legenda Taxa de Compra e Venda - Modelo Biológico
Rótulo
Significado
COV
Compra vacas aptas à reprodução
VMD
Venda de machos desmamados
COG
Compra de garrotes
VG
Venda de garrotes
Em um rebanho de cria busca-se, o aumento dos níveis de prenhez e maior peso
ao desmame com ganhos contínuos de peso até a maturidade sexual, redução da idade
de acasalamento das novilhas e taxa de mortalidade. Em um rebanho de cria há três
categorias principais de fêmeas:
• Nulíparas: Novilhas que ainda não foram acasaladas, dividindo-se em dois grupos, novilhas que podem ser acasaladas no mesmo ano e novilhas que serão recri-
3.2 Algoritmos
42
adas até adquirirem o peso mínimo necessário para entrarem em reprodução em
outro ano.
• Primíparas: Vacas jovens, que mesmo já tendo produzido um bezerro são muitas
vezes chamadas de novilhas de primeira cria.
• Vacas adultas: Vacas aptas à reprodução.
É limitada a possibilidade de criação de um modelo que abranja todos os aspectos
biológicos envolvidos em um sistema de produção. Por isso, devemos abstrair os principais componentes, facilitando assim o desenvolvimento de pequenas mas importantes
soluções envolvidas em um sistema de produção.
3.2 Algoritmos
3.2.1 Proporção de Pasto Existente
3.2.1.1 Sistema Tradicional
Figura 3.2: Algoritmo: Proporção de Pasto Existente - Sistema Tradicional
culpas[1] = picpa;
propp[1][1] = 1;
i = 2;
enquanto (i <= npa) faça
k = 2;
enquanto (k <= nyear) faça
propp[k][i] = 0.0;
propp[k][1] = 1.0;
culpas[k] = picpa;
k++;
i++;
3.2 Algoritmos
43
3.2.1.2 Sistema Melhorado
Figura 3.3: Algoritmo: Proporção de Pasto Existente - Sistema Melhorado
culpas[1] = picpa;
propp[1][1] = 1;
i = 2;
k = 2;
culpas[k] = picpa;
se ((k - nyinv) <= 0) então
propp[k][i] = propp[k-1][i] + az * (propc[i]/nyinv);
senão
propp[k][i] = az * propc[i];
k++;
i++;
3.2 Algoritmos
3.2.2 Capacidade de Suporte
Figura 3.4: Algoritmo: Capacidade de Suporte
j = 1;
enquanto (j <= 12) faça
tcar[1][j] = tareaf * usarea * pcar[1][j];
pnati[1][j] = tareaf * pcar[1][j] * propp[1][1];
brach[1][j] = 0.0;
hypar[1][j] = 0.0;
j++;
k = 2;
i = 2;
culpas[k] = culpas[k] + propp[k][i];
i++;
propp[k][1] = 1 - culpas[k];
k++;
k = 2;
j = 1;
enquanto (j <= 12) faça
tcar[k][j] = tareaf * usarea * (propp[k][1] * pcar[1][j] + propp[k][2] *
pcar[2][j]);
pnati[k][j] = tareaf * usarea * propp[k][1] * pcar[1][j];
brach[k][j] = tareaf * usarea * propp[k][2] * pcar[2][j];
j++;
k++;
44
3.2 Algoritmos
45
3.2.3 Atividades Mensais Consideradas no Modelo
As atividades consideradas no modelo são executadas em períodos determinados e
ocorrem na seguinte ordem:
1. Envelhecimento;
2. Vacinação;
3. Provimento de sal comum;
4. Venda de garrotes;
5. Compra de vacas velhas;
6. Venda de vacas gordas compradas no último ano;
7. Compra de vacas de cria;
8. Compra de garrotes;
9. Reprodução;
10. Venda de touros;
11. Compra de touros;
12. Venda de bezerros machos;
13. Descarte, seleção de vacas velhas, jovens e outras;
14. Taxa de mortalidade;
15. Equivalência animal mensal;
16. Custos e Rendas mensais;
3.3 Variáveis e estratégias consideradas no software BCS++
46
3.3.1 Controle principal do sistema
A tabela 3.5 ilustra as principais variáveis consideradas no software BCS++ 3.5.
Estas variáveis fazem parte do controle principal do sistema.
Tabela 3.5: Principais variáveis consideradas no software BCS++
Fatores, Parâmetros e Variáveis
Unidade, Valor
Idade de venda de garrotes
9, 22, 34, 46 meses
Período de simulação
10 anos
Período de investimento
1 ano
Proporção de pasto melhorado
5 - 40%
Taxa de desconto(juros/ano)
10%
Investimento inicial
1000 U.M.
A tabela 3.6 ilustra as principais estratégias consideradas no software BCS++ 3.5,
juntamente com os valores decisórios utilizados nas simulações.
Tabela 3.6: Principais estratégias consideradas no software BCS++
Estratégia
Decisão
Sistema adotado na fazenda
Melhorado, Tradicional
Venda de bezerro macho
Vende, Retém
Utilizada na época das águas
Não compra vaca velha para engordar,
Compra vaca velha para engordar
Adotada no crescimento do rebanho
Compra vacas adicionais,
Espera crescer as vacas,
Compra garrote de 1 ano de idade
47
Figura 3.5: Controle principal no software BCS++.
3.3.2 Características da propriedade
Tabela 3.7: Características da propriedade
Unidade, Valor
Tipos de pastagens
nativo, brachiaria
Proporção inicial de pasto(ano 1) cultivado
0%
Área total da fazenda
4000 ha
Proporção de área utilizável para pastagem
100%
Proporção futura de área utilizável
100%
Proporção desejada de pastagem nativa
0%
Proporção desejada de pastagem melhorada(brachiaria)
100%
Tabela 3.8: Capacidade de suporte do pasto
Mês
Nativo Brachiaria
janeiro
0.40
2.0
fevereiro
0.40
2.0
março
0.40
2.0
abril
0.35
2.0
maio
0.30
2.0
junho
0.25
1.0
julho
0.25
1.0
agosto
0.20
1.0
setembro
0.20
1.0
outubro
0.25
1.0
novembro
0.30
2.0
dezembro
0.35
2.0
48
Figura 3.6: Características da propriedade no software BCS++.
49
50
3.3.3 Peso do rebanho
Tabela 3.9: Peso do rebanho
Unidade, Valor
Bezerro na desmama
140 kg
Garrote com 22 meses de idade
280 kg
390 kg
510 kg
Novilhas com 22 meses de idade
250 kg
Outras vacas
300 kg
Vacas velhas(vacas para venda)
300 kg
Ganho de peso das vacas velhas compradas
90 kg
Ganho de peso em touros velhos desde que foram comprados(jovens)
300 kg
Ganho de peso, garrotes vendidos com 22 meses comprados com 1 ano
140 kg
250 kg
370 kg
Figura 3.7: Peso do rebanho no software BCS++.
51
3.3.4 Custos
Figura 3.8: Custos considerados no software BCS++
Foram também considerados os seguintes itens na composição dos custos:
• vacina contra febre aftosa (maio e novembro)
• vacina contra carbúnculo sintomático
• vacina contra brucelose
• vermifugação dos animais até dois anos pelo menos uma vez ao ano
• suplemento mineral
• mão-de-obra (vaqueiros)
• encargos sociais
52
53
• reparo e manutenção de benfeitorias (casas, curral e cercas)
• depreciações de benfeitorias e veículo
• despesas com veículo
• imposto sobre a terra
• contribuição social (calculado sobre receitas)
• touros de reposição
• adubação para manter a capacidade de suporte das pastagens
Figura 3.9: Custos unitários considerados no software BCS++
A mão-de-obra (vaqueiros) foi calculada pelo sistema em função do tamanho do
rebanho. As cercas externas foram estimadas em função da área total, enquanto que as
54
cercas internas, currais e casas para vaqueiros foram calculadas pelo modelo de simulação. Para manter a capacidade de suporte das pastagens cultivadas ao longo do tempo,
atribuiu-se, a cada três anos, um custo de R$ 157,00/hectare de adubação de manutenção
(300 quilos da fórmula 0-20-20).
Embora seja reconhecido que adubação de manutenção não ocorre com freqüência
na prática, optou-se pela adubação ao invés de simular a deterioração da pastagem e suas
respectivas implicações negativas na produção. Pela complexidade do tema, essa pode
ser considerada uma maneira bastante simplificada de enfocar o problema, podendo
levar a vários questionamentos de natureza biológica.
Entretanto, a simulação da degradação das pastagens e suas relações no contexto de
sistema de produção tornariam o trabalho difícil e complexo, agravado pela pouca informação disponível sobre tais relações. É importante ressaltar que não foram incluídos
custos administrativos (exemplo pró-labore) e juros sobre o capital.
3.3.5 Controle populacional
Figura 3.10: Controle populacional no software BCS++.
55
3.3.6 Preços unitários
Figura 3.11: Preços unitários considerados no software BCS++.
56
3.3.7 Estrutura inicial do rebanho
Figura 3.12: Estrutura inicial do rebanho no software BCS++.
57
58
3.3.8 Conversão unidade animal / Equivalência animal
Figura 3.13: Conversão unidade animal / Equivalência animal no software BCS++.
59
3.3.9 Taxas de Nascimento / Mortalidade / Descarte
Figura 3.14: Taxas de Nascimento / Mortalidade / Descarte consideradas no software
BCS++
3.3.10 Taxas de depreciação anuais
Figura 3.15: Taxas de depreciação anuais consideradas no software BCS++.
60
61
4
Resultados
As simulações com o software BCS++ visam principalmente a comparação de cenários bioeconômicos para se conhecer os efeitos dos seguintes fatores sobre o desempenho econômico(rentabilidade):
1. Idade da venda de novilhos.
2. Qual a melhor proporção de pastagens cultivadas.
3. Em quanto tempo deve-se chegar ao máximo de pastagem cultivada.
4. Decidir se compra ou não animais para crescer rapidamente o rebanho.
5. Saber qual a categoria animal deve ser comprada (garrotes ou vacas)
6. Qual categoria animal deve ter prioridade no uso de pastagens melhoradas.
Para a elaboração dos cenários, foram considerados os parâmetros contidos na seção
3.3, sendo que foram avaliados dois sistemas de produção, o melhorado 1 e o tradicional2 .
4.1 Sistema Melhorado
O sistema melhorado consiste em medir o incremento de produção e produtividade
e avaliar os retornos econômicos do ponto de vista do proprietário, quando se faz a
1
2
Sistema onde há investimento financeiro na melhoria de pastagens
Sistema no qual não há nenhum tipo de investimento financeiro
62
introdução de novas tecnologias ao sistema tradicional. O sistema melhorado hipotético
é avaliado em termos de custo e benefícios, medindo-se a taxa interna de retorno e o
valor presente líquido do capital investido ao final do período estudado.
4.1.1 Cenário 1
Tabela 4.1: Cenário 1
Estratégia
Decisão
Vende
Não compra vacas velhas para engordar
Compra vacas adicionais
Produção Média de Carne(kg/ha.ano) - Cenário 1
16
9 meses
22 meses
34 meses
46 meses
Produção Média de Carne(kg/ha.ano)
15.5
15
14.5
14
13.5
13
12.5
12
11.5
11
10.5
10
5
10
15
20
25
30
Proporção de Pasto Melhorado(%)
35
Figura 4.1: Produção Média de Carne(kg/ha.ano) - Cenário 1
40
63
Valor Presente Líquido($) - Cenário 1
1.5e+06
9 meses
22 meses
34 meses
46 meses
1.2e+06
600000
300000
0
-300000
-600000
-900000
-1.2e+06
-1.5e+06
-1.8e+06
-2.1e+06
5
10
15
20
25
30
35
40
Figura 4.2: Valor Presente Líquido($) - Cenário 1
Taxa Interna de Retorno(%) - Cenário 1
Taxa Interna de Retorno(%)
Valor Presente Líquido($)
900000
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
Figura 4.3: Taxa Interna de Retorno(%) - Cenário 1
35
40
64
4.1.2 Cenário 2
Estratégia
Decisão
Vende
Espera crescer as vacas
12.75
9 meses
22 meses
12.5
12.25
34 meses
46 meses
12
11.75
11.5
11.25
11
10.75
10.5
10.25
5
10
15
20
25
30
35
40
65
1.5e+06
9 meses
22 meses
34 meses
46 meses
1.2e+06
600000
300000
0
- 300000
- 600000
- 900000
- 1.2e+06
- 1.5e+06
- 1.8e+06
- 2.1e+06
- 2.4e+06
5
10
15
20
25
30
35
40
900000
47.5
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
66
4.1.3 Cenário 3
Estratégia
Decisão
Vende
Compra garrotes de 1 ano de idade
12.75
9 meses
22 meses
12.5
12.25
34 meses
46 meses
12
11.75
11.5
11.25
11
10.75
10.5
10.25
5
10
15
20
25
30
35
40
67
1.5e+06
9 meses
22 meses
34 meses
46 meses
1.2e+06
600000
300000
0
- 300000
- 600000
- 900000
- 1.2e+06
- 1.5e+06
- 1.8e+06
- 2.1e+06
- 2.4e+06
5
10
15
20
25
30
35
40
900000
47.5
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
68
4.1.4 Cenário 4
Estratégia
Decisão
Vende
Compra vacas velhas para engordar
52.5
50
9 meses
22 meses
47.5
34 meses
46 meses
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
5
10
15
20
25
30
35
40
69
8.5e+06
9 meses
22 meses
34 meses
46 meses
8e+06
7.5e+06
7e+06
6.5e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
5
10
15
20
25
30
35
40
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
70
4.1.5 Cenário 5
Estratégia
Decisão
Vende
55
52.5
9 meses
22 meses
50
47.5
34 meses
46 meses
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
5
10
15
20
25
30
35
40
71
9e+06
9 meses
22 meses
34 meses
46 meses
8.5e+06
8e+06
7.5e+06
7e+06
6.5e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
5
10
15
20
25
30
35
40
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
72
4.1.6 Cenário 6
Estratégia
Decisão
Vende
55
52.5
9 meses
22 meses
50
47.5
34 meses
46 meses
45
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
5
10
15
20
25
30
35
40
73
9e+06
9 meses
22 meses
34 meses
46 meses
8.5e+06
8e+06
7.5e+06
7e+06
6.5e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
5
10
15
20
25
30
35
40
42.5
40
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
7.5
5
2.5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
74
4.1.7 Cenário 7
Estratégia
Decisão
Retém
10.5
10.25
9 meses
22 meses
10
34 meses
46 meses
9.75
9.5
9.25
9
8.75
8.5
8.25
8
7.75
5
10
15
20
25
30
35
40
75
1.2e+06
9 meses
22 meses
34 meses
46 meses
900000
300000
0
- 300000
- 600000
- 900000
- 1.2e+06
- 1.5e+06
- 1.8e+06
- 2.1e+06
- 2.4e+06
- 2.7e+06
5
10
15
20
25
30
35
40
32.5
9 meses
22 meses
34 meses
46 meses
30
27.5
600000
25
22.5
20
17.5
15
12.5
10
TMA
7.5
5
2.5
0
5
10
15
20
25
30
35
40
76
4.1.8 Cenário 8
Estratégia
Decisão
Retém
9
9 meses
22 meses
34 meses
46 meses
8.75
8.5
8.25
8
7.75
7.5
7.25
7
6.75
6.5
6.25
5
10
15
20
25
30
35
40
77
2e+06
9 meses
22 meses
34 meses
46 meses
1.6e+06
800000
400000
0
- 400000
- 800000
- 1.2e+06
- 1.6e+06
- 2e+06
- 2.4e+06
- 2.8e+06
5
10
15
20
25
30
35
40
140
9 meses
22 meses
34 meses
46 meses
130
120
1.2e+06
110
100
90
80
70
60
50
40
30
20
10
TMA
0
5
10
15
20
25
30
35
40
78
4.1.9 Cenário 9
Estratégia
Decisão
Retém
9
9 meses
22 meses
8.75
34 meses
46 meses
8.5
8.25
8
7.75
7.5
7.25
7
6.75
6.5
6.25
5
10
15
20
25
30
35
40
79
2e+06
9 meses
22 meses
34 meses
46 meses
1.6e+06
800000
400000
0
- 400000
- 800000
- 1.2e+06
- 1.6e+06
- 2e+06
- 2.4e+06
- 2.8e+06
5
10
15
20
25
30
35
40
120
9 meses
22 meses
34 meses
46 meses
110
100
1.2e+06
90
80
70
60
50
40
30
20
10
TMA
0
5
10
15
20
25
30
35
40
80
4.1.10 Cenário 10
Estratégia
Decisão
Retém
45
42.5
9 meses
22 meses
40
34 meses
46 meses
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
5
10
15
20
25
30
35
40
81
7.5e+06
9 meses
22 meses
34 meses
46 meses
7e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
3e+06
2.5e+06
2e+06
1.5e+06
5
10
15
20
25
30
35
40
6.5e+06
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
82
4.1.11 Cenário 11
Estratégia
Decisão
Retém
47.5
45
9 meses
22 meses
42.5
40
34 meses
46 meses
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
5
10
15
20
25
30
35
40
83
8e+06
9 meses
22 meses
34 meses
46 meses
7.5e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
3e+06
2.5e+06
2e+06
1.5e+06
5
10
15
20
25
30
35
40
7e+06
6.5e+06
110
105
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
84
4.1.12 Cenário 12
Estratégia
Decisão
Retém
47.5
45
9 meses
22 meses
42.5
40
34 meses
46 meses
37.5
35
32.5
30
27.5
25
22.5
20
17.5
15
12.5
10
5
10
15
20
25
30
35
40
85
8e+06
9 meses
22 meses
34 meses
46 meses
7.5e+06
6e+06
5.5e+06
5e+06
4.5e+06
4e+06
3.5e+06
3e+06
2.5e+06
2e+06
1.5e+06
5
10
15
20
25
30
35
40
7e+06
6.5e+06
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
9 meses
22 meses
34 meses
46 meses
TMA
5
10
15
20
25
30
35
40
4.2 Sistema Tradicional
86
No sistema tradicional não há nenhum investimento financeiro, o pasto é 100%
nativo e as estratégias utilizadas na época das águas e no crescimento do rebanho são
desconsideradas, sendo assim, só existe duas alternativas de decisão para o produtor
que é a venda ou a retenção de bezerros. Falta de capital tem sido fator limitante para a
recuperação das pastagens. Por outro lado, existem linhas de crédito específicas para tal,
como é o caso do Fundo para o Centro Oeste (FCO). Entretanto, os produtores alegam
que os custos financeiros não são atrativos.
Por ser uma fazenda sem pastagens melhoradas, não se pode recriar os bezerros,
que são vendidos por ocasião da desmama, aos 9 meses de idade. São vendidas ainda
as vacas velhas e 5% das novilhas antes de entrarem em reprodução. O modelo é determinístico e dinâmico, baseado em parâmetros conhecidos.
As atividade da fazenda tais como descarte, desmama, parição, vendas, vacinações,etc. , são predeterminadas para ocorrerem em meses específicos, uma vez que este
e o menor período assumido. A capacidade de lotação da fazenda é baseada na capacidade de suporte mensal medida em unidade animal por hectare de pastagem e varia
mensalmente, de acordo com o clima (temperatura e umidade). A estação seca do ano e
conseqüentemente a disponibilidade de alimento determinam o número de animais que
podem permanecer no rebanho.
A produção de carne em kg/ha para as duas alternativas, são apresentadas para cada
ano de simulação na figura 4.37.
87
Produção de Carne(kg/ha)
Vende
Retém
13
12
Produção de Carne(kg/ha)
11
10
9
8
7
6
5
4
3
2
1
0
1
2
3
4
5
6
Período de simulação(ano)
7
8
9
Figura 4.37: Produção de Carne(kg/ha) - Sistema Tradicional
10
88
5
Conclusões
Pesquisas em modelos e simulação são desenvolvidas na Embrapa desde a década
de 70, mas somente a partir do documento "Estratégia Gerencial da Embrapa - Macroprioridades"de 1997, é que oficialmente as pesquisas em modelos e simulação foram
dirigidas para o desenvolvimento de tecnologias que busquem a eficiência do setor produtivo, visando reduzir custos e tempo na geração de produtos que tenham espaço no
mercado, apoiando-se na inovação dos métodos e meios de transferência de tecnologias,
pesquisa colaborativa e em parcerias institucionais.
Com a constante redução dos custos de computadores, e com a disseminação da
prática e uso de software livre (ver pág.??), a agricultura encontra-se inserida em um
contexto amplamente favorável ao investimento em tecnologia, para auxílio nos processos produtivos ligados à agropecuária. A computação na agropecuária, é uma alternativa
para o aumento da eficiência gerencial das propriedades, bem como alternativa para a
recuperação de informações em tempo real. Sistemas computacionais aplicados à agropecuária podem aumentar não só a eficiência produtiva, mas também podem auxiliar
pesquisadores, extensionistas e produtores rurais na análise e minimização de impactos
ambientais e sociais, gerados pela adoção de tecnologia.
Nos experimentos realizados com o software BCS++, foram comparados dois sistemas de produção, o melhorado e o tradicional, sendo os valores e dados que interessam
para auxiliar à tomada de decisões, são os dados econômicos, biológicos e gerenciais. O sistema tradicional adotado atualmente, corresponde ao melhorado analisado nas
simulações, com uma maior confiabilidade nos índices relativos a produção animal. Fi-
5 Conclusões
89
cando a semelhança apenas no tipo de capim Brachiaria decumbens que é predominante
no sistema tradicional de hoje. Para o sistema melhorado hoje teríamos que levar em
consideração os seguintes aspectos:
• Pastagens adubadas com alta capacidade de suporte, acima de 3 UA/ha.
• Vários tipos de pastagens como capim Tanzânia, Mombaça e Brachiaria brizantha.
• Novilhas parindo até os 24 meses(super precoce), 24 aos 30 meses(precoce), 30
aos 36 meses(normais) e após os 36 meses seriam descartadas, pois não atendem
o padrão de produtividade exigido pelo mercado.
• Índices de fertilidade acima de 85%.
• Abate dos machos no máximo aos 30 meses.
• Desmama de bezerros com 180 Kg à 200 Kg aproximadamente, entre 6 à 8 meses.
• Uso de touros melhoradores com mérito genético.
Para o sistema tradicional hoje as pastagens são em sua grande maioria de Brachiaria Decumbens, sem adubação de manutenção, degradadas ou em estado de degradação.
Índices de fertilidade de 65-70%, idade da primeira parição aos 36 meses, abate dos
machos aos 36-40 meses, desmama de bezerros com 160 Kg aproximadamente, aos 8
meses, uso de touros sem comprovado mérito genético. Todos esses fatores hoje, são os
maiores responsáveis pela descapitalização dos produtores, que por não possuírem metodologias para simulação de cenários bioeconômicos em suas propriedades, trabalham
no prejuízo e desconhecem esta situação. Na pecuária, o que irá explicar os baixos índices de produtividade é justamente a interação entre todas as variáveis consideradas no
modelo, e não a análise isolada de um problema, devemos considerar ainda a existência
de inúmeras técnicas de manejo e possibilidades para a produção de carne em todas as
fases da cadeia produtiva.
5.1 Limitações e Trabalhos Futuros
90
Sendo assim, podemos observar que modelagem de sistemas bioeconômicos não é
uma tarefa simples, pelo contrário, temos a interação de N variáveis, biológicas, econômicas e sociais, o que torna desafiador os processos ligados à engenharia de software.
Pode ocorrer que as variáveis de decisão abstraídas, não coincidam com as consideradas
e trabalhadas no cotidiano pelos agricultores, pecuaristas e extensionistas rurais, devido
a grande diversidade sócio cultural no Brasil. Nesse sentido, podemos considerar a modelagem de sistemas bioeconômicos uma arte, onde devemos levar em consideração os
hábitos e costumes dos usuários finais, sem deixarmos de lado, os benefícios proporcionados pelas pesquisas agropecuárias com a introdução de tecnologia no campo.
Ainda há muito o que abstrair para ser incorporado ao software de simulação BCS++,
uma vez que é praticamente impossível transpor para modelos computacionais, todas as
considerações e variáveis encontradas no mundo real. Portanto levamos em consideração situações mais abrangentes do problema, caracterizando claramente quais são as
premissas, as restrições e as limitações do modelo a ser investigado, com o uso de regras
adquiridas de especialistas.
O modelo implementado no software BCS++, pressupõe que as taxas de juros não
variam durante a vida econômica do investimento, o que evidentemente não é uma realidade. Utilizamos uma única taxa como sendo a TMA, entretanto, para que o modelo
seja mais fiel a realidade devemos considerar taxas dinâmicas, que expressem melhor
as questões econômicas envolvidas em um determinado período. O uso de séries temporais para expressar as variações de preço, custos, receitas, desempenho do rebanho e
outras questões envolvidas em sistemas dinâmicos, seria bastante útil para maximizar a
qualidade das previsões realizadas.
Somente a TIR foi utilizada para se calcular o retorno econômico, e há casos em
que a TIR não converge, sendo assim, deveríamos incorporar no modelo outras formas
para se calcular o retorno econômico como a ROI descrita na seção ??. Verificamos
91
também ao longo das pesquisas, a necessidade de se realizar uma análise de risco, tanto
do ponto de vista biológico quanto econômico, para que seja levada em consideração na
tomada de uma decisão.
92
Referências
AGROPECUÁRIO, I. (Ed.). RESULTADOS DO ACOMPANHAMENTO DO
PROGRAMA DE PRODUÇÃO INTENSIVA DE CARNE BOVINA., v. 6. Belo
Horizonte, MG: [s.n.], 1980.
ARENDONK, J. A. M. V. A model to estimate the performance, revenues and costs of
dairy cows under different production and price situations. Agricultural systems, v. 10,
p. 157–187, 1985.
BARBIER, B.; CARPENTIER, C. The conditions for sustainability of tropical
agriculture: Bioeconomic models applied to five contrasting farming systems.
International Association of Agricultural Economists, Berlin, 2000.
BOEHM, B. W. Software risk management: Principles and practices. In: IEEE
Software. [S.l.: s.n.], 1991. v. 8, n. 1, p. 32–41.
BONESCHANSCHER, J.; JAMES, A. D.; STEPHENS, A. J. The cost and benefits of
pregnancy diagnosis in dairy cows: A simulation model. Agricultural systems, v. 9, p.
29–34, 1982.
BRONOWSKI, J. AS ORIGENS DO CONHECIMENTO E DA IMAGINAÇÃO. [S.l.]:
UNB, 1997.
BROWN, D. R. A review of bio-economic models. Cornell African Food Security and
Natural Resource Management, Cornell University, p. 1–7, 2000.
BYWATER, A. C.; DENT, J. B. Simulation of the intake and partition of nutrients by a
dairy cow: Management control in the dairy enterprise, philosophy and general model
construction. Agricultural systems, v. 1, p. 245–260, 1976.
COMÉRCIO., F. C. E. (Ed.). ANUALPEC 95: AnuÁrio estatÍstico da produÇÃo
animal. São Paulo, SP: [s.n.], 1995.
COMÉRCIO., F. C. E. (Ed.). ANUALPEC 96: AnuÁrio estatÍstico da produÇÃo
animal. São Paulo, SP: [s.n.], 1996.
Referências
93
CONGLETON, W. R. J. Dynamic model for combined simulation of dairy management
strategies. Dairy Science, v. 67, p. 644–660, 1984.
CONGRESS, U. Public policy, and the changing struture of american agriculture: A
special report for the 1985 farm bill. Office of Technology Assessment, Washington,
v. 14, p. 27–31, 1986.
CORMEN, T. H. et al. Algoritmos. 2. ed. [S.l.]: Campus, 2002.
CORRÊA, E. S.; COSTA, F. P.; CEZAR, I. M. Sistema semiintensivo de produÇÃo de
carne de bovinos nelores no centro-oeste do brasil. In: EMPRESA BRASILEIRA DE
PESQUISA AGROPECUÁRIA. Campo Grande - MS: Centro Nacional de Pesquisa de
Gado de Corte, 2000. p. 51.
DIJKHUIZEN, A. A.; STELWAGEN, J.; RENKEMA, J. A. A stochastic model
for simulation of management decisions in dairy herds, with special reference to
production, reproduction, culling and income. Prev. Vet. Medicine, v. 4, p. 27–289,
1986.
ELECTRICAL, I. of; ENGINEERS, I. E. (Ed.). Engineering Applications of Fuzzy
Logic, v. 83. [S.l.: s.n.], 1995. Special Issue of Fuzzy Logic with Engineering
Applications.
ELECTRICAL, I. of; ENGINEERS, I. E. (Ed.). Intelligent Systems, v. 11. [S.l.: s.n.],
1996. Special Issue of Fuzzy Logic with Engineering Applications.
FOX, C. R. D.; BAKER, M. Beef cowherd. In: Animal Science Mimeograph Series.
Department of Animal Science New York State College of Agriculture and Life
Sciences at Cornell University Ithaca NY 14853: Cornell University, 1999.
GARTNER, J. A. Replacement policy in dairy herds on farms where heifers compete
with the cows for grassland: Model construction and validation. Agricultural systems,
v. 7, p. 289–318, 1981.
GITMAN, L. J. Princípios de Administração Financeira. 2. ed. Porto Alegre:
Bookman, 2001.
GROEN, A. F. Derivation of economic values in cattle breeding: A model at farm level.
Agricultural systems, v. 27, p. 195–213, 1988.
HAZELL, P. B. R.; NORTON, R. D. Mathematical programming for economic analysis
in agricultural. 1. ed. New York: MacMillian Publishing Company, 1986.
Referências
94
HERRERO, J. A.; BERRY, S. Modelo matemático y programa de computadora para la
evaluación econômica de sistema de doble propósito de producción de leche y becerros
destetados. Producción Animal Tropical, v. 7, p. 152–175, 1982.
HOPCROFT, J. E.; ULLMAN, J. D.; MOTWANI, R. Introdução à Teoria de
Autômatos, Linguagens e Computação. 2. ed. São Paulo: Campus, 2002.
JACKSON, P. Introduction to Expert Systems. 3. ed. England: Addison-Wesley, 1998.
JAMES, A. D. Models of animal health problems. Agricultural systems, v. 2, p.
183–187, 1977.
JÚNIOR, A. G. D. S. Sistema de Suporte à Decisão Integrado a Sistemas Especialistas:
Uma aplicação para o gerenciamento de fazendas produtoras de leite. Dissertação
(Mestrado) — Universidade Federal de Viçosa, Viçosa-MG, Julho 1993.
LAMPERT, V. D. N. Sistema de Apoio às Decisões Econômicas no Manejo de Novilhas
de Corte. Dissertação (Mestrado) — Universidade Federal de Viçosa, Viçosa-MG,
2002.
LEE, R. C.; TEPFENHART, W. M. UML e C++: Desenvolvimento orientado a objeto.
1. ed. [S.l.]: Makron Books, 2002.
MARTIN, M. A. O futuro do sistema mundial de alimentos. novembro 2001.
Disponível em: <http://www.congressomundialdacarne.com.br>. Acesso em: 15 nov.
2001.
MCDOWELL, R. E. Improvement of Livestock Production in Warm Climates. 1. ed.
[S.l.]: W. H. Freeman and Company, 1972. Cornell University.
MONTEIRO, L. A. Modelo populacional simulado num rebanho de cria de bovinos
de corte. In: GARDNER, A. L.; FILHO, K. E. (Ed.). A Aplicação de um Enfoque de
Sistemas na Pesquisa de Produção Animal. Campo Grande - MS: Centro Nacional de
Pesquisa de Gado de Corte, 1979. p. 71–81. Pesquisa Biológica em Sistemas.
MONTEIRO, L. A.; GARDNER, A. L. Modelação de um sistema de produção de
carne. In: GARDNER, A. L. (Ed.). Ecologia e Manejo de Pastagens Nativas na Área
de Sistemas de Produção de Carne. Campo Grande - MS: Centro Nacional de Pesquisa
de Gado de Corte, 1978. p. 33–44. Sistemas de produção de carne.
MONTEIRO, L. A.; GARDNER, A. L.; CHUDLEIGH, P. Bio-economic analysis of
ranch improvement schemes and management strategies for beef production in the
cerrado region.: Research in beef cattle. EMBRAPA, Campo Grande - MS, july 1979.
Referências
95
MONTEIRO, L. A.; GARDNER, A. L.; CHUDLEIGH, P. Beef production in the
cerrado region of brazil: A bioeconomic analysis of ranch improvement schemes.
World Animal Research, p. 37–44, janeiro 1981. Bioeconomic Model.
MONTEIRO, L. A.; GARDNER, A. L.; CHUDLEIGH, P. Investment analysis of ranch
improvement schemes and management strategies for beef production in the cerrado
region of brazil. Empresa Brasileira de Pesquisa Agropecuária - Centro Nacional de
Pesquisa de Gado de Corte, Campo Grande - MS, 1981.
MORAES, S. D. S. IMPORTÂNCIA DA SUPLEMENTAÇÃO MINERAL PARA
BOVINOS DE CORTE. 114. ed. Campo Grande, MS, dezembro 2001.
MOURA, A. D. D. Sistema Inteligente de Apoio à Decisão Aplicado ao Gerenciamento
da Produção de Frangos de Corte. Dissertação (Mestrado) — Universidade Federal de
Viçosa, Viçosa-MG, Fevereiro 1995.
OLTENACU, P. A.; MILLIGAN, R. A.; ROUNSAVILLE, T. R. Modelling
reproduction in a herd of dairy cattle. Agricultural systems, v. 8, p. 193–205, 1980.
PANNELL, D. Introduction to Practical Linear Programming. New York: Wiley
Interscience, 1997. ISBN 0-471-51789-5.
PETER, C.; YOURDON, E. ANÁLISE BASEADA EM OBJETOS. 2. ed. [S.l.]: Editora
Campus, 1992.
PFLEEGER, S. L. Engenharia de Software Teoria e Prática. 2. ed. São Paulo: Pearson
Education, 2004.
PILÃO, N. E.; HUMMEL, P. R. V. Matemática Financeira e Engenharia Econômica:
A teoria e a prática de análise de projetos de investimentos. São Paulo: Pioneira
Thomson Learning, 2004.
PRESSMAN, R. ENGENHARIA DE SOFTWARE. 3. ed. [S.l.]: Editora McGrawHill,
1995.
RATEY, J. J. O CÉREBRO: Como aumentar a saÚde, agilidade e longevidade de nossos
cÉrebros atravÉs das mais recentes descobertas cientÍficas. 1. ed. [S.l.]: Objetiva, 2002.
REZENDE, D. A.; ABREU, A. F. D. TECNOLOGIA DA INFORMAÇÃO: Aplicada a
sistemas de informaÇÃo empresariais. 2. ed. [S.l.]: Atlas, 2001.
REZENDE, S. O. Sistemas Inteligentes: Fundamentos e aplicações. 1. ed. Barueri, SP:
Manole, 2003.
Referências
96
ROSS, T. J. Fuzzy Logic With Engineering Applications. [S.l.]: McGraw-Hill, Inc.,
1997.
ROTZ, C. A.; BUCKMASTER, D. R.; MERTENS, D. R. Dafosym: A dairy forage
system model for evaluating alternatives in forage conservation. Dairy Science, v. 72,
p. 3050–3063, 1989.
ROYCE, W. W. Managing the development of large software systems: Concepts and
techniques. In: Proceedings of Wescon. [S.l.: s.n.], 1970. Primeira Publicação que
menciona o Modelo Cascata.
SILVA, F. C. D.; BERGAMASCO, A. F.; VENDITE, L. L. Simulation models to
analysis an support decision in agrisystems. Campo Grande - MS, july 1979.
SORENSEN, J. T. A model simulating the production of dual purpose replacement
heifers. Agricultural systems, v. 30, p. 15–34, 1989.
SOUZA, J. N. D. Lógica para Ciência da Computação: Fundamentos de linguagem,
semântica e sistemas de dedução. 2. ed. Rio de Janeiro: Campus, 2002.
TERANO, T. Fuzzy Systems Theory and ITS Applications. [S.l.]: Academic Press, Inc.,
1992.
THUESEN, G. J.; FABRYCKY, W. J. Engineering Economy. 8. ed. [S.l.]: Prentice
Hall, 1993. ISBN 0-13-279928-6.
VELOSO, R. F. Planejamento e gerência de fazenda: Princípios básicos para avaliação
de sistemas agrossilvipastoris nos cerrados. Cadernos de Ciência e Tecnologia,
Brasília, v. 14, p. 155–177, 1997.
WRIGHT, A. Farming systems, models and simulation. In: DENT, J. B.; ANDERSON,
J. R. (Ed.). Systems Analysis in Agricultural Management. Sidney - Austrália: John
Wiley & Sons, 1971. p. 17–33.

Simulador de Cenários Bioeconômicos para Suporte à Decisão no

Transcrição

Documentos relacionados

Eucalipto glóbulos de Semente Seleccionada

INTERNACIONAL - 01.02.11: EUA: rebanho menor

uruguai - Belo Horizonte

How Cows (Grass-Fed Only) Could Save the Planet

a temperatura das vacas recém-paridas pode indicar

A Ténia do Porco Saiba como se cuidar

EVENTOS - 08.08.16: Munters apresentará

CARNE ASSADA - Manual de Instruções

Osso buco com massa SEJA RESPONSÁVEL. BEBA COM

L`entrecote de Paris em Curitiba