| Processo: | 18/19571-1 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Data de Início da vigência: | 01 de julho de 2019 |
| Data de Término da vigência: | 30 de setembro de 2021 |
| Área do conhecimento: | Ciências Sociais Aplicadas - Economia - Economias Agrária e dos Recursos Naturais |
| Pesquisador responsável: | Andréa Leda Ramos de Oliveira |
| Beneficiário: | Andréa Leda Ramos de Oliveira |
| Instituição Sede: | Faculdade de Engenharia Agrícola (FEAGRI). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Município da Instituição Sede: | Campinas |
| Pesquisadores associados: | Akebo Yamakami ; Anibal Tavares de Azevedo ; Carlos Eduardo Souza Moreira ; Karina Braga Marsola ; Marlon Fernandes de Souza ; Stanley Robson de Medeiros Oliveira |
| Assunto(s): | Grãos Logística Mineração de dados Transporte |
| Palavra(s)-Chave do Pesquisador: | data mining | Grãos | Logística | Modelos de Predição | Transporte | Logística |
Resumo
O custo de escoamento das safras agrícolas é um dos principais entraves à competitividade do Brasil no cenário internacional. O sistema rodoviário é o principal modal utilizado para o transporte de cargas agrícolas; e muitas vezes, a única opção para movimentação desse tipo de produto. Esta dependência pode levar a crises de desabastecimento em momentos de paralisações e greves. O impacto financeiro com o transporte sentido pelos agentes econômicos que atuam nas cadeias agrícolas poderia ser reduzido com a implementação de um sistema de gestão de fretes. Uma alternativa promissora para lidar com esse desafio é o uso de técnicas de mineração de dados, que são capazes de extrair padrões e tendências em grandes volumes de dados, razão pela qual têm sido cada vez mais utilizadas para dar suporte à decisão de gestores de diversas áreas, em detrimento à intuição, e aos métodos baseados em experiência. Assim, o principal objetivo deste projeto é desenvolver e implementar um sistema inteligente para previsão de preço de fretes rodoviários para grãos agrícolas, que avalia a eficiência de algumas técnicas de mineração de dados, considerando diferentes classes de algoritmos de Aprendizado de Máquina, a saber: Redes Neurais Artificiais, Máquinas de Vetor de Suporte (Support Vector Machine), Árvore de Decisão e Florestas Aleatórias (Random Forest). A destacada participação do modal rodoviário ao longo do processo logístico de distribuição dos grãos faz com que a determinação dos custos de transporte relacionados a esta etapa seja uma importante ferramenta de gestão e tomada de decisão para os gestores do agronegócio. Num segundo momento, espera-se propor um periódico e contínuo refinamento dos modelos para que as previsões de fretes possam auxiliar na negociação de contratos com transportadores/operadores, no apoio ao estabelecimento de uma tabela de fretes mínimos para o setor rodoviário, bem como em decisões estratégicas como a localização de unidades armazenadoras/indústria processadora/terminais de transbordo. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |