ANÁLISE ESTATÍSTICA E PREDITIVA DA PRODUÇÃO DE FRANGOS DE CORTE NOS PRINCIPAIS PAÍSES PRODUTORES MUNDIAIS: UMA ABORDAGEM DE SÉRIES TEMPORAIS
DOI:
https://doi.org/10.56238/revgeov17n3-162Palavras-chave:
Produção Avícola, Séries Temporais, Estatística Inferencial, Modelagem ARIMA, Análise AgroeconômicaResumo
A carne de frango é a fonte de proteína animal mais consumida no mundo. Os Estados Unidos, o Brasil e a China respondem por mais de 40% da produção global. Este estudo examina se as trajetórias de produção desses países apresentam crescimento a longo prazo, associação temporal e previsibilidade estatística. O objetivo foi realizar uma análise estatística e preditiva da produção de carne de frango de 1961 a 2022. A metodologia integrou estatística descritiva, análise inferencial e modelagem de séries temporais univariadas baseada em ARIMA, com suporte de médias móveis e decomposição sazonal para avaliação de tendências. Os resultados revelaram forte associação temporal entre o Brasil e a China (r ≈ 0,983) e entre o Brasil e os Estados Unidos (r ≈ 0,991). A análise inferencial não mostrou diferença estatisticamente significativa entre os níveis médios de produção do Brasil e da China (p = 0,618), enquanto uma diferença altamente significativa foi observada entre o Brasil e os Estados Unidos (p < 0,001). Os indicadores descritivos demonstraram maior variabilidade relativa para o Brasil (CV ≈ 97,0%) e a China (CV ≈ 92,4%) em comparação com os Estados Unidos (CV ≈ 57,4%). As projeções baseadas no modelo ARIMA indicam crescimento contínuo da produção nos três países no curto e médio prazo. Os resultados confirmam o crescimento de longo prazo, a forte associação temporal e a previsibilidade estatística, destacando diferenças estruturais em escala e variabilidade.
Downloads
Referências
Bressan, A. A. (2004). Tomada de decisão em futuros agropecuários com modelos de previsão de séries temporais. RAE Eletrônica, 3(1). https://doi.org/10.1590/S1676-56482004000100005
Balthazar, G. R., Silveira, R. M. F., & Silva, I. J. O. (2024). Use of multi-agent systems and the Internet of Things to monitor the environment of commercial broiler poultry houses through specific air enthalpy. Journal of Animal Behaviour and Biometeorology, 12(2), 2024012. https://doi.org/10.31893/jabb.2024012
Castro Junior, S. L., Lamarca, D. S. F., Kraetzer, T. L., Balthazar, G. R., & Canepppele, F. L. (2022). Sistema baseado na lógica fuzzy para diagnóstico da qualidade da água para o cultivo de tilápia-do-Nilo. Research, Society and Development, 11(4), 1–10. https://doi.org/10.33448/rsd-v11i4.26933
Chen, Q., et al. (2020). Comparação dos sistemas chineses de produção de frangos de corte no desempenho econômico e no bem-estar animal. Animals, 10. https://doi.org/10.3390/ani10030491
Food and Agriculture Organization of the United Nations (FAO). (2020). Meat market review: Emerging trends and outlook.
Food and Agriculture Organization of the United Nations (FAO). (2009). The state of agricultural commodity markets 2009.
Franzo, G., et al. (2023). When everything becomes bigger: Big data for big poultry production. Animals, 13(11), 1804. https://doi.org/10.3390/ani13111804
Kleyn, F. J., & Ciacciariello, M. (2021). Future demands of the poultry industry. World’s Poultry Science Journal, 77(2), 267–278.
Kopler, I., et al. (2023). Perspectivas dos agricultores sobre pecuária de precisão. Animals, 13. https://doi.org/10.3390/ani13182868
Kraetzer, T. L., & Balthazar, G. R. (2021). FISHBOARD: An electronic device for analysis of productive data in pisciculture (fish-farming). Brazilian Journal of Development, 7(3), 28513–28533. https://doi.org/10.34117/bjdv7n3-526
Kralik, G., Kralik, Z., Grčević, M., & Hanžek, D. (2018). Qualidade da carne de frango. Pecuária e Nutrição Animal. https://doi.org/10.5772/intechopen.72865
Larson, M. (2006). Descriptive statistics and graphical displays. Circulation, 114, 76–81.
Li, X., Tian, H., & Zhou, Z. (2014). Impact of avian influenza outbreaks on China’s poultry sector. China Agricultural Economic Review, 6(1), 32–50.
Miele, J. F., & Waquil, A. (2016). The integration system in Brazilian poultry. Revista de Economia e Sociologia Rural, 54(2), 237–254.
Mottet, A., & Tempio, G. (2017). Global poultry production: Current state and future outlook. World’s Poultry Science Journal, 73(2), 245–256.
Ngongolo, K., Omary, K., & Andrew, C. (2021). Socio-economic impact of chicken production. Poultry Science, 100(3), 100921.
OECD/FAO. (2021). OECD-FAO agricultural outlook 2021–2030. OECD Publishing.
Ogino, A., Oishi, K., Setoguchi, A., & Osada, T. (2021). Life cycle assessment of sustainable broiler production systems. Agriculture, 11(10), 921.
Pitesky, M., et al. (2020). Data challenges and practical aspects of machine learning in poultry. CAB Reviews, 15, 114–127.
Prabowo, R. E., Sutejo, B., & Murdiyanto, A. (2023). The economic impact of native chicken farming. Dinamika Akuntansi Keuangan dan Perbankan, 12(1), 67–74.
Schaffer, A., et al. (2021). Interrupted time series analysis using ARIMA. BMC Medical Research Methodology.
Sendetska, S. (2017). O estado atual e as perspectivas de desenvolvimento do mercado global de carne de aves. Scientific Messenger.
Smet, S., & Vossen, E. (2016). Meat: The balance between nutrition and health. Meat Science, 120, 145–156. https://doi.org/10.1016/j.meatsci.2016.04.008
Tang, H. (2021). Using machine learning techniques to study economic trends. CMSDA 2021.
United Nations. (2024). World population prospects 2024.
USDA Economic Research Service (USDA-ERS). (2012). Feed outlook: September 2012.
USDA Economic Research Service (USDA-ERS). (2021). COVID-19 working paper: Impacts on U.S. meat and poultry supply chains.
USDA Foreign Agricultural Service (USDA-FAS). (2023). Brazil poultry and products annual report.
Uzundumlu, A. S., & Dilli, M. (2023). Estimating chicken meat productions. Ciência Rural, 53(2).
Zheng, H., et al. (2024). Predicting stocks and economic data using machine learning time series analysis. Preprints.
Zhu, J., Zhao, X., Sun, Y., Song, S., & Yuan, X. (2024). Relational data cleaning meets artificial intelligence: A survey. Data Science and Engineering, 10(2), 147–174. https://doi.org/10.1007/s41019-024-00266-7
