desperdicio na movimentaÇÃo de cargas a granel...

1

DESPERDICIO NA MOVIMENTAÇÃO

DE CARGAS A GRANEL

AGROINDUNTRIAIS NO TRANSPORTE

AQUAVIÁRIO

Carla Harumi Yoshima (UTFPR )

[email protected]

Yslene Rocha Kachba (UTFPR )

[email protected]

Este estudo apresenta métodos de previsão de demanda portuária

relacionando variáveis explicativas na busca do método de melhor

aderência para obtenção do menor desvio (erro absoluto). Para a

comparação dos erros foram separados em métodos que consideram e

os que não consideram a existência de sazonalidade na demanda

prevista. Após feita a previsão, foi estimado o desperdício vinculado a

tal atividade de acordo com a previsão da demanda.

Palavras-chave: Previsão de demanda, sazonalidade, demanda

portuária

XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil

João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.


João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .

2

1. Introdução

O mercado está cada vez mais dinâmico e globalizado. Toda e qualquer oportunidade

de diferencial frente à concorrência pode ser decisiva para uma ascensão, manutenção ou até

mesmo para o declínio de uma empresa ou setor.

Segundo da Silva et al (2001), o uso de ferramentas de previsão de séries temporais

ainda é pouco utilizado nas organizações em geral, dada a grande instabilidade econômica

pela qual vem passando a economia brasileira nos últimos anos. Mas, ainda assim é possível

buscar padrões ou inferências de diferentes circunstâncias nas demandas estudadas.

Dessa maneira, apresenta-se um grande universo de pesquisa para academia de modo

a, por meio da união das técnicas e teorias desenvolvidas em sua literatura, analisar potenciais

de melhorias e formular propostas para agregar valor e sabedoria para ambas as partes.

Ao trazer tal ideal para a realidade brasileira, tem-se uma grande participação do setor

agrário na riqueza e cultura do país. E, para esse especifico tipo de carga, existe a larga

participação das estruturas de transporte para tornar possível o trânsito e a comercialização

internacional da carga.

Aprofundando-se em tal setor, tem-se, segundo a United Nations Conferenceon Trade

And Development (UNCTAD) (2011), que o setor de granéis sólidos é responsável por pouco

mais de 25% do volume total de cargas transportado por via marítima em âmbito global. E,

em complemento, segundo a Agência Nacional de Transporte Aquaviário (ANTAQ) (2013)

esse mesmo tipo de carga representou em média 60% da carga movimentada no Brasil entre

os anos de 2011-2013.

Consideradas as proporções do setor para a economia do país e as atuais condições da

infraestrutura atuante, é recorrente a necessidade de adaptações em busca da melhor utilização

do que está disponível. Esse cenário caracteriza uma queda na eficiência e na qualidade do

serviço prestado, deixando consequentemente uma gama de pontos a serem estudados e

melhorados em vista do melhor atendimento estrutural.

2. Justificativa

Tomando como foco o estudo do transporte de mercadorias no Brasil, tem-se a

seguinte distribuição.



3

Figura 1: Composição da matriz modal do transporte de carga

Fonte: CNT, 2013

E, pode-se observar que para o transporte interno, a configuração segue muito similar,

como é possível observar na Figura 2.

Figura 2: Distribuição modal da matriz brasileira de transportes regionais de cargas

Fonte: Plano de Logística e transportes, 2011

Cada modal tem características tanto positivas quanto negativas que os tornam mais

ou menos adequados a certo tipo de carga. Quando considerado a característica a ser

priorizada, segundo Nazario in Fleury et al. (2000) apud Ribeiro e Ferreira (2000) a

classificação é descrita na figura 3.



4

Figura 3: Características operacionais.

Fonte: Nazario in Fleury et al, 2000, p. 130 apud Ribeiro e Ferreira, 2000.

No entanto, a decisão quanto ao modal a ser utilizado nem sempre é feita com base

no modal mais indicado a carga em questão. Muitas vezes são ponderados com maior grau

fatores como: qualidade de infraestrutura existente, custos fixos, alcance geográfico do modal,

entre outros.

Como o produto em estudo é considerado de baixo valor agregado (FLEURY, 2005),

tem-se a utilização de seu transporte feito em larga escala. Assim sendo, de acordo com a

classificação previamente apresentada, o modal mais adequado para tal transporte seria o

aquaviário.

Adentrando a essa relação, é possível ver que o modal é importante para o tipo de

produto e que ao mesmo tempo, o setor é de fundamental importância para o modal de

transporte. Conciliando que a movimentação ocorre em âmbito nacional (pequenas, médias e

longas distâncias), mas também em âmbito internacional, o transporte aquaviário torna-se um

modal largamente utilizado para o transporte de granéis.

Segundo dados da Agência Nacional de Transporte Aquaviário (ANTAQ) (2015), o

tipo de carga predominante na movimentação portuária, conforme demonstra a estatística

(Figura 1) a seguir é a do granel sólido. Dessa maneira, o foco desse estudo manipula a carga

de maior representatividade na atividade portuária brasileira, tomando assim caráter ainda

mais significativo.



5

Figura 4: Movimentação portuária ordenada pelo perfil de carga.

Fonte: ANTAQ, 2015.

Já quando se refere ao tipo de carga, o granel sólido, o Porto de Paranaguá também

aparece entre os 3 maiores movimentadores, mas dessa vez em terceiro lugar.

Figura 5: Movimentação de granel sólido nos portos organizados

Fonte: ANTAQ apud Portos do Brasil, 2015

Entendida a importância de tal carga para a economia e de tal modal para o bom

funcionamento da comercialização, buscam-se maneiras de trabalhar em pontos a serem

melhorados. Dessa maneira, em termos de infraestrutura, um ponto chave seria por entender a

demanda a ser tratada.

3. Metodologia

Esta pesquisa foi realizada no Porto de Paranaguá situado na região sul do Brasil,

sendo o principal meio de movimentação portuária de carga a granel deste país. Em sua



6

infraestrutura para movimentação de carga a granel há 6 berços exclusivos para carga a

granel, 11 terminais, 24 silos para o armazenamento destes grãos (capacidade de ensilagem de

1.426.500 toneladas estáticas) e 10 ship loaders com capacidade de movimentação variando

entre 800 e 1.500 t/h (PORTOSDOPARANÁ, 2015).

Para a busca de relações entre indicadores vinculados a movimentação portuária, foi

selecionada quatro variáveis para observação, sendo essas: Produto Interno Bruto (PIB), valor

de mercadorias importadas (descrito em milhões de reais), valor de mercadorias exportadas

(descrito em milhões de reais) e o valor do dólar (descrito em reais).Posteriormente os

métodos selecionados para previsão de demanda foram devidamente aplicados (regressão e

Winter) bem como a redução de desvios por meio de programação linear. Comparando os

resultados dos desvios atrelados a cada método de previsão, pode-se determinar qual foi o

mais adequado e buscar explicações para tal acontecimento.

4. Breve revisão

4.1. Previsão de Demanda

Segundo Proto e Mesquita (2003), as previsões de demanda podem ser utilizadas em

diversas situações como administração de materiais, planejamento da produção, planejamento

da capacidade etc. Para trabalhar em diferentes situações, vários métodos foram

desenvolvidos.

Estes métodos, ainda sob a ótica de Proto e Mesquita (2003), podem ser classificados

em quantitativos e qualitativos.

4.2. Holt-Winter

Segundo Azeredo Barros e Menezes (2012), O modelo de Holt-Winters é baseado em

três equações alisadoras, sendo uma para o nível, uma para tendência e outra para

sazonalidade. A sazonalidade pode ter efeito multiplicativo ou aditivo. Os autores esboçaram

de maneira comparativa essas duas possibilidades para o modelo:

Figura 6: Equações comparativas dos modelos de Holt-Winters multiplicativo e aditivo quanto a Nível,

Tendência, Sazonalidade e Previsão.



7

Fonte: Azeredo Barros e Menezes, 2012.

Onde:

s – comprimento da sazonalidade;

Lt – nível da série;

bt – tendência;

St – componente sazonal;

Ft+m – previsão para o período m e os seguintes;

Yt – valor observado;

α, β, γ – parâmetros do nível, tendência e sazonalidade, respectivamente.

4.3. Problema de minimização na Pesquisa Operacional.

Pesquisa operacional pode ser definida pelo uso de modelos matemáticos, estatística e

algoritmos para ajudar a tomada de decisões. É mais frequente o seu uso para análise de

sistemas complexos reais, tipicamente com o objetivo de melhorar ou otimizar a performance

(YOSHIMA et al, 2014).

A otimização trata do problema da busca da melhor alocação de um conjunto limitado

de recursos, escolhendo a alternativa que maximize ou minimize um determinado fator, dentre

todas aquelas que satisfazem certas restrições (DUBEUX, 2005).

5. Coleta de dados

Tabela 1 – Dados levantados de movimentação de carga



8

Fonte: Portos do Paraná (2015)

A partir desses valores, é possível a plotagem de um gráfico para identificação de tendências e

buscar por padrões identificáveis, como os que segue:

Figura 7: Movimentação de carga granel no período de 2012-2015

Fonte: Autoria própria

Figura 8: Movimentação de carga granel no período de Jan-Dez de 2012



9






10



Figura 11: Movimentação de carga granel no período de Jan-Jun de 2015




11

6. Previsão

Primeiramente, o estudo relacionou os dados das variáveis explicativas: PIB, valor de

mercadorias importadas, valor de mercadorias exportadas e valor do dólar com a variável

central de estudo (a demanda), em uma análise trimestral da demanda a granel do Porto de

Paranaguá apresentado na tabela 2.

TABELA 2 – Tabela de movimentação de carga granel do Porto de Paranaguá

Fonte: IBGE e Portos do Paraná (2015)

6.1. Regressão

A partir da tabela de dados 2, foi feita a regressão buscando relacionar a demanda (Y)

com uma série de variáveis independentes (PIB, exportações, importações e dólar) ilustrados

na tabela 3.

TABELA 3 – Dados de regressão

Estatística de regressão

R múltiplo 0,74959332

R-Quadrado 0,561890145

R-quadrado ajustado 0,342835217

Erro padrão 304168,6487

Observações 13 Fonte: autores

A partir dessas estatísticas, segundo Andreasi (2015), o R múltiplo (0,7496) representa

a correlação entre as variáveis independentes e a variável dependente e o R quadrado (0,5618)

descreve o poder de explicação do modelo de regressão apresentado na tabela 4.

TABELA 4 – Dados teste ANOVA



12

gl SQ MQ F F de significação

Regressão 4 9,49E+11 2,37E+11 2,565065 0,119643567

Resíduo 8 7,4E+11 9,25E+10

Total 12 1,69E+12 Fonte: autores.

Já o teste ANOVA busca afirmar se a regressão assume caráter significativo ou não.

Para que a regressão seja significativa, o f de significação deve apresentara-se em valor igual

ou inferior a 0,05. Isso garantiria que a probabilidade de o resultado ser real e não aconteceu

ao acaso é significativa. Neste caso, a regressão resultou como não significativa, não

restringindo a possibilidade de um resultado que não ocorreu ao acaso.

6.2. Holt-Winter

Após buscar por três diferentes meios uma equação que se adequasse aos dados de

carga granel movimentada, foi considerada a possibilidade da existência de sazonalidade nos

dados observados.

Para isso, utilizou-se a metodologia de Winter onde não se considera que todos os

períodos teriam o mesmo comportamento e, após a aplicação das equações 1, 2, 3 e 4 os

resultados para previsão foram ilustrados na tabela 5.

TABELA 5 – Previsão do modelo Holt-Winter

1 Demanda Previsão Erro absoluto Erro quadrático DMAt EPAMt Sat

1 2137205 2332933 195728 38309394514 195727,9 9,16 1,00

2 2747995 2887740 139745 28919039737 167736,5 7,12 2,00

3 3165302 2968295 197007 32216547417 177493,1 6,82 0,78

4 2562746 2360540 202206 34384257485 183671,4 7,09 -0,35

5 2218773 2336418 117645 30275473366 170466,1 6,73 0,32

6 3023761 2897689 126072 27878592075 163067,1 6,30 -0,44

7 2992891 2994404 1512 23896262738 139987,9 5,41 -0,50

8 2402622 2374287 28335 21009591368 126031,3 4,88 -0,79

9 2622498 2341449 281049 27451685492 143255,5 5,53 -2,65

10 2899144 2931263 32119 24809681469 132141,8 5,09 -2,63

11 2774860 3022659 247800 28136500364 142656,2 5,44 -0,70

12 2111201 2387376 276175 32147832291 153782,7 6,07 1,14

13 2095207 2338293 243086 34220384854 160652,3 6,50 2,61

Fonte: autores.



13

A partir de então tem-se a somatória dos erros absolutos totalizando 2.088.479 e

160.652 de média dos desvios absolutos.

7. Minimização dos desvios

7.1. Solver

Solver consiste em uma ferramenta de teste de hipóteses que encontra um valor ideal

para a célula de destinoalterando o valor das variáveis usadas para calcular tal célula.

7.1.1. Utilização da ferramenta Solver para desenvolver uma equação linear que

minimize o somatório dosdesvios da previsão

Essa ferramenta será aplicada para encontrar os coeficientes de uma equação linear

que minimize o erro da previsão. Então, as variáveis do problema foram exatamente os

coeficientes da equação de previsão e a função a ser minimizada foi a representação do desvio

da previsão em relação a carga efetivamente movimentada.

Os coeficientes então, deram origem a seguinte reta:

Após a aplicação da equação de previsão, pôde-se determinar o valor do desvio que tal

equação gerou para comparação futura a outras ferramentas apresentado na tabela 6.

TABELA 6 – Previsão pela ferramenta solver linear

Carga granel

movimentada Solver Erro Erro %

2012/T1 2.137.205 2.137.203 2 0%

2012/T2 2.747.995 2.789.653 41.658 2%

2012/T3 3.165.302 3.037.769 127.533 4%

2012/T4 2.562.746 2.740.674 177.928 7%

2013/T1 2.218.773 1.820.263 398.510 18%

2013/T2 3.023.761 2.781.713 242.048 8%

2013/T3 2.992.891 2.930.788 62.103 2%

2013/T4 2.402.622 3.156.607 753.984 31%

2014/T1 2.622.498 2.088.154 534.344 20%

2014/T2 2.899.144 2.871.037 28.107 1%

2014/T3 2.774.860 2.985.678 210.819 8%

2014/T4 2.111.201 2.403.910 292.709 14%



14

2015/T1 2.095.207 2.201.807 106.600 5% Fonte: autores

Como parâmetro comparativo, pode-se considerar a soma dos desvios (erro) das

previsões. Para essa equação, o erro total foi de 2.976.345 e a média dos desvios absolutos foi

de 228.950.

7.1.2. Utilização da ferramenta Solver para desenvolver uma equação que considere

a sazonalidade e minimize o somatório dos desvios para o modelo Holt-

Winter.

A partir do modelo de Holt-Winter utilizado previamente, as mesmas equações foram

aplicadas para a determinação dos valores de nível (Eq. 1) e tendência (Eq. 2). A

diferenciação para essa otimização foi no cálculo do coeficiente de sazonalidade, que foi

considerada como a variável do modelo de otimização para a minimização do somatório dos

desvios.

Portanto, a variável do modelo foi a sazonalidade respeitando a repetição do coeficiente

sazonal de um período de 4 trimestres, obtendo-se o seguinte resultado ilustrado na tabela 7.

TABELA 7 – Previsão pela ferramenta solver linear com sazonalidade

Período Demanda Previsão Erro absoluto Erro quadrático DMAt EPAMt Sat

1 2.137.205 2204042 66838 4467283394 66837,7 0,03 1,00

2 2.747.995 2824158 76164 5134102983 71500,8 0,03 2,00

3 3.165.302 2950557 214745 18794525094 119248,8 0,04 -0,60

4 2.562.746 2375617 187129 22850224835 136218,9 0,05 -1,90

5 2.218.773 2218747 27 18280180009 108980,4 0,04 -2,38

6 3.023.761 2849073 174688 20319460193 119931,7 0,04 -3,62

7 2.992.891 2992891 0 17416680166 102798,6 0,04 -4,22

8 2.402.622 2402619 3 15239595146 89949,1 0,03 -4,82

9 2.622.498 2235829 386669 30158840565 122918,0 0,05 -6,67

10 2.899.144 2899143 1 27142956509 110626,3 0,04 -7,41

11 2.774.860 3038722 263862 31004786197 124556,8 0,05 -4,47

12 2.111.201 2429810 318608 36880332561 140727,8 0,05 -1,69

13 2.095.207 2245764 150557 35787032883 141483,9 0,06 -0,62

Fonte: autores

Reordenado de maneira a evidenciar os critérios comparativos utilizados no estudo

tem-se os resultados da tabela 8.

TABELA 8 – Ordenação de previsão pela ferramenta solver linear com sazonalidade



15

Período Demanda Fator Sazonal Previsão Erro absoluto Erro %

1 2.137.205 0,81 2.204.042 66.838 3%

2 2.747.995 1,05 2.824.158 76.164 3%

3 3.165.302 1,09 2.950.557 214.745 7%

4 2.562.746 0,88 2.375.617 187.129 7%

5 2.218.773 0,81 2.218.747 27 0%

6 3.023.761 1,05 2.849.073 174.688 6%

7 2.992.891 1,09 2.992.891 0 0%

8 2.402.622 0,88 2.402.619 3 0%

9 2.622.498 0,81 2.235.829 386.669 15%

10 2.899.144 1,05 2.899.143 1 0%

11 2.774.860 1,09 3.038.722 263.862 10%

12 2.111.201 0,88 2.429.810 318.608 15%

13 2.095.207 0,81 2.245.764 150.557 7%

Fonte: autores

Assim sendo, nesse cenário obteve-se o somatório dos erros absolutos totalizando

1.839.290,75 e a média dos desvios com o valor de 141.484.

7.2. Lingo

Lingo é uma ferramenta projetada construção e resolução de problemas linear, não

linear e programação inteira.

7.2.1. Utilização da modelagem no software Lingo para desenvolver uma equação

linear que minimize o somatóriodos desvios da previsão

Através da modelagem que tem como variáveis os coeficientes da equação para a

previsão de demanda e função objetivo a minimização da somatória dos desvios (módulo da

diferença entre a previsão e o real valor de carga movimentada), obteve-se a equação:

Após a aplicação da equação de previsão, pôde-se determinar o valor do desvio que tal

equação gerou para comparação futura a outras ferramentas apresentado na tabela 9.

TABELA 9 – Previsão pela ferramenta lingo para equação linear

Carga granel movimentada Previsão Erro Erro %

2012/T1 2.137.205 2.421.545 284.340 13%

2012/T2 2.747.995 2.747.829 166 0%

2012/T3 3.165.302 3.116.940 48.362 2%

2012/T4 2.562.746 2.872.358 309.612 12%

2013/T1 2.218.773 2.218.778 5 0%



16

2013/T2 3.023.761 3.023.761 0 0%

2013/T3 2.992.891 2.982.087 10.804 0%

2013/T4 2.402.622 3.129.498 726.876 30%

2014/T1 2.622.498 2.382.547 239.951 9%

2014/T2 2.899.144 2.661.639 237.505 8%

2014/T3 2.774.860 2.774.856 4 0%

2014/T4 2.111.201 2.363.143 251.942 12%

2015/T1 2.095.207 2.095.207 0 0% Fonte: autores

E, como resposta a função objetivo e critério comparativo tem-se a soma dos módulos

dos desvios totalizando 2.109.567 e a média desses valores totalizando 162.274.

8. Análise dos resíduos gerados na atividade

A documentação obtida junto a APPA que possui dados relacionados ao tema estudado

resumiu-se ao Plano de Gerenciamento de Resíduos Sólidos da APPA (PGRS). A análise do PGRS,

por sua vez mostrou-se relativamente restrita considerando que a APPA teve a implantação em Março

de 2012, e não disponibilizado nenhum relatório sobre resultados obtidos e ações desenvolvidas a

partir do PGRS.

A principal proposta do plano de gerenciamento de resíduos sólidos da APPA é a segregação e

a destinação final adequada para cada tipo de resíduos. Entre eles destaca-se o resíduo de varredura,

composto principalmente por restos de cereais (soja, milho, etc), açúcar e fertilizantes.

As principais propostas, entretanto, para a destinação desses resíduos é a criação de uma

comissão de gestão de resíduos, de ilhas de coleta, definição dos coletores mais apropriados para cada

tipo de resíduo e a realização do controle efetivo da quantidade de resíduos gerada. Desta forma,

foram definidas metas para a redução da geração de resíduos sólidos, e sugestões de educação

ambiental para reduzir, reutilizar e reciclar. Porém essas medidas não dão enfoque aos resíduos a

granel sólidos.

Ainda há mudanças e melhorias que possam ser implementadas, como a reavaliação de

coletores adequados, pois alguns materiais ainda ficam em coletores sem cobertura. Isso

permite a exposição a intempéries, o acesso a vetores e dificultando o processo de

reaproveitamento deste material. A verificação se realmente todos os materiais recolhidos na

varredura, composto principalmente por grãos e farelos, são destinados a compostagem e

agricultura, e encontrar outra forma que agregue mais valor a este material desperdiçado.



17

9. Resultados e discussões

Tendo em vista o tratamento dos dados de maneira linear ou considerando certa

sazonalidade, a comparação dos resultados pode ser feita de diferentes maneiras.

i. Como primeiro critério avaliativo, pode-se considerar o somatório dos módulos dos desvios

para cada modelo de previsão. Assim sendo, é observado a seguinte ordenação, partindo do

melhor resultado até o menos vantajoso:

1. Ferramenta Solver considerando a sazonalidade;

2. Método Holt-Winter;

3. Modelagem no software Lingo com a obtenção de uma função linear;

4. Ferramenta solver com a obtenção de uma função linear.

ii. Um segundo critério para avaliação dos resultados pode ser a média dos desvios absolutos

encontrados. Nesse método, a seguinte ordenação é composta, partindo da menor média (mais

vantajoso) até a opção menos vantajosa:

1. Ferramenta Solver considerando a sazonalidade;

2. Método Holt-Winter;

3. Modelagem no software Lingo com a obtenção de uma função linear;

4. Ferramenta solver com a obtenção de uma função linear.

iii. O terceiro parâmetro para classificação avaliativa dos resultados pode ser a quantidade de

períodos que um método foi superior aos demais. Assim determinado, a disposição

comparativa se configurou na tabela 10.

TABELA 10– Previsão de carga movimentada geral

Período Método superior por período Previsão Desperdício

2016/T1 Ferramenta solver com a obtenção de uma

função linear 2.137.203 5.343

2016/T2 Modelagem no software Lingo com a obtenção

de uma função linear 2.747.829 6.870



2016/T4 Ferramenta solver com a obtenção de uma

função linear 2.375.617 5.939





2017/T3 Ferramenta Solver considerando a sazonalidade 2.992.891 7.482



18











Fonte: autores.

Dado os três critérios avaliativos estabelecidos no estudo, observa-se nos dois

primeiros a superioridade dos métodos que consideram a sazonalidade da demanda em seu

modelo de previsão. No entanto, ao observar o quadro de superioridade por período de cada

método, existe a predominância de uma função linear em 10 dos 13 trimestres observados.

10. Conclusão

Através da utilização de ferramentas de otimização na busca de minimização do

somatório dos desvios (erros) das previsões, a obtenção de novas equações e metodologias

para descrever o comportamento da demanda obteve resultados satisfatórios.

Partindo de modelos clássicos e aprimorando os resultados com o auxílio da

ferramenta de otimização, foi possível a obtenção das melhores soluções presentes no estudo.

A partir critérios generalizados (em relação aos desvios), a superioridade foi imediatamente

percebida no método que altera um modelo sazonal.

Por outro lado, considerando critérios isolados como a análise da superioridade do

método em cada período, a maior incidência foi da modelagem que buscava o menor desvio

de uma equação linear que relacionava variáveis explicativas à demanda em questão.

Fato é que, independentemente do método utilizado, com as características dinâmicas

de comércio as quais essas demandas estão inseridas, é de suma importância que exista a

preocupação de buscar a infraestrutura necessária para atender, de maneira eficiente, essa

demanda que está por vir e evitar desperdícios desta carga que ocasionam problemas

ambientais.

No que refere-se aos desperdícios vinculado a atividade em questão, realizou-se um

estudo de valoração dos resíduos de varredura, compostos por cereais e farelo, para

demonstrar o valor econômico dos resíduos perdido com o desperdício deste material. Com



19

base nos dados das quantidades desse resíduo apresentados pelo PGRS da APPA, encontrou-

se um total de 5 mil toneladas de cereais e farelo que foram perdidos, no ano de 2012, dentro

dos limites territoriais dos portos de Paranaguá e Antonina. Isso representa um total de

0,029% do total da carga movimentada com estes produtos e representa mais de 11,6% do

valor proposto por Anes (2003) apud Deliberador et al., (2013), 0,25%, do total desperdiçado

neste tipo de carga em toda a cadeia de transportes.

Considerando-se a composição dos resíduos na mesma proporção das cargas

movimentadas (milho, trigo, soja e farelo de soja, para o ano de 2012) e com a cotação dos

mesmos na bolsa de valores para exportação (para o período de setembro de 2015), chegou-se

ao valor anual de aproximadamente R$ 4.300.000,00 que foram perdidos com o desperdício

no transporte e transbordo dentro do porto.

REFERÊNCIAS

ANTAQ – Agência Nacional de Transporte Aquaviário 2013. Disponível em:

http://www.antaq.gov.br/Portal/Anuarios/Anuario2013/Tabelas/AnaliseMovimentacaoPortuaria.pdf. Acesso em:

15/08/2015.

AZEREDO BARROS, Victor Freitas; MENEZES, José Elmo. Análise da relação entre a produção e o

consumo de água na grande goiânia utilizando o método estatístico de previsão de holt-winters. Revista

Eletrônica em Gestão, Educação e Tecnologia Ambiental, v. 7, n. 7, p. 1272-1282, 2012.

DA SILVA et al. Previsões de demanda turística no Brasil através da metodologia BOX & JENKINS.

DELIBERADOR, Lucas R.; REIS, José Gilberto M.; MACHADO, Sivanilza T.; OLIVEIRA, Rone V.

Análise de soluções para eliminação das perdas no transporte de soja. In IX Congresso de nacional

de excelência em gestão. Rezende, 2013. Anais Eletrônicos...Rezende, 2013. Disponível em:

http://www.excelenciaemgestao.org/portals/2/documents/cneg9/anais/t13_0626_3561.pdf. Acesso em:

31 jul. 2014.

DUBEUX, Veranise Jacubowski Correia. Técnicas de Programação Não Linear para Otimização de Grande

Porte. 2005. Tese de Doutorado. UNIVERSIDADE FEDERAL DO RIO DE JANEIRO.

FLEURY, Paulo Fernando. A infraestrutura e os desafios logísticos das exportações brasileiras. 2005.

GARCIA, Fabiane Tubino. Análise de séries temporais das internações por doenças respiratórias no

hospital universitário de Santa Maria, RS, 2010.

Portos do Brasil 2014. Disponível em http://www.portosdobrasil.gov.br/home-1/estatisticas/desempenho-do-

complexo-portuario-brasileiro-em-2013. Acesso em: 29/08/2015.

PROTO,L. O. Z.; MESQUITA,M. A. Previsão de demanda para planejamento da capacidade de empresa

do setor cimenteiro. XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasil, 21 a 24 de out de

2003.

RIBEIRO, Priscilla Cristina Cabral; FERREIRA, Karine Araújo. Logística e transportes: uma discussão sobre

os modais de transporte e o panorama brasileiro. XXII Encontro Nacional de Engenharia de Produção, 2002.



20

SANTANA, Lêda Valéria Ramos; RUSSO, Suzana Leitão; FIGUEROA, Manuel Luiz. Aplicação da

Metodologia Box-Jenkins na Previsão da Produção da Cana-de-Açúcar. Anais do Congresso de Matemática

Aplicada e Computacional, 2012.

UNCTAD (United Nations Conferenceon Trade And Development) – Review of Maritime Transport. (2011).

Disponível em: http://unctad.org/en/docs/rmt2011_en.pdf. Acesso em: 04/09/2015.

YOSHIMA, CarlaHarumi; SALVADOR, R. ; MOREIRA, M. ; POZZOBON, J. Y. S. . Otimização da

produção em uma fabrica de joias a partir da programação MULTIOBJETIVO. Encontro Nacional de

Engenharia de Produção, Proceedings International Conference on Production Engineering and Operations

Management, v. 1, p. abepro.org.br, 2014.

desperdicio na movimentaÇÃo de cargas a granel...

Documents