Desenvolvimento de um modelo para projeções de preços de polietilenos no mercado petroquímico brasileiro

Abstract

O presente estudo propõe um modelo de projeção de preços de curto-prazo para os polietilenos no mercado petroquímico brasileiro. O modelo foi desenvolvido através de testes com o uso das técnicas de regressão múltipla e de redes neurais artificiais (RNA) como instrumentos de previsão, comparando-se os resultados das mesmas. A seleção das variáveis com capacidade explicativa deu-se através de revisão de literatura, opinião de experts e regressão múltipla. Ficou evidenciada a existência de correlações satisfatórias com as variáveis: preço do petróleo, preço das matérias-primas nafta e eteno no mercado doméstico e preços dos polietilenos no mercado internacional. A base de dados consiste em indicadores mensais relativos ao período de março de 2002 a dezembro de 2005, sendo que a aferição dos resultados foi realizada para o período de janeiro a junho de 2006. Os resultados obtidos pela aplicação da técnica de RNA mostraram um incremento na precisão frente à regressão. O erro relativo médio na aferição com o uso de RNA se situou na faixa de 2,9 a 13,4%, para previsão 6 meses a frente, o que sugere a adoção da mesma na implementação futura do modelo construído.

This study proposes a model for forecasting short-term polyethylene prices in the Brazilian petrochemical market. The model was developed by means of tests using multiple regression techniques and Neural Networks as forecasting instruments, and compared their results. The variables with explanatory capacity were selected by reviewing literature, the opinion of experts, and multiple regression. Satisfactory correlations were found to be existent in the following variables: price of petroleum, price of the raw materials naphtha and ethylene in the domestic market, and polyethylene prices in the international market. The database consists of monthly indicators related to the period of March 2002 to December 2005 and the measuring of the results was carried out from January to June of 2006. The results obtained by applying the Neural Networks technique saw an increase in the precision in comparison with the regression. The average relative error in the measurement when using Neural Networks fell in the range of 2.9 to 13.4% for a forecast of 6 months ahead, which suggests that this should be adopted in the future implementation of the model built.