Aplicação de Séries Temporais para Previsão de Despesas de Energia Elétrica do Tribunal Regional Eleitoral do Rio Grande do Norte / Time Series Application for Forecasting Electricity Expenses at the Rio Grande do Norte Regional Electoral Court

Diego Miranda de Paula, João Carlos Xavier Júnior, Kléber Formiga Miranda

Abstract


Prever antecipadamente despesas possibilita que as instituições consigam alocar recursos em ações e projetos de forma mais planejada, reduzam o trabalho operacional para realocação de recursos não utilizados e reservados para pagamento de despesas que tiveram valor maior ou menor do que o originalmente reservado, possam planejar melhor as contratações pois conseguem definir de forma antecipada como os recursos serão alocados, além de priorizar demandas com maior qualidade, uma vez que os recursos serão alocados antecipadamente e o planejamento não será feito no momento que sobra os recursos decorrentes de subutilização. O objetivo desse trabalho foi analisar, através de uma aplicação prática, o uso dos algoritmos de séries temporais como ferramenta para previsão de despesas de energia elétrica para auxiliar os gestores na elaboração do orçamento e no acompanhamento da execução orçamentária. Por fim, são demonstrados os resultados práticos entre as previsões com e sem a aplicação do algoritmo de séries temporais.


Keywords


Séries temporais, SARIMAX, ARIMA, Regime de competência, Regime de Caixa, Previsão de despesas

References


Brownlee, J. How to Backtest Machine Learning Models for Time Series Forecasting. Machine Learning Mastery. 19 dez. 2016. Disponível em: https://machinelearningmastery.com/backtest-machine-learning-models-time-series-forecasting/. Acesso em: 20 jul. 2020.

Krispin, R. (2019), Hands-On Time Series Analysis with R, Packt Publishing, 1st edition.

Di Agustini, C. A. e Zelmanovits, N. S. (2015), Matemática Aplicada à Gestão de Negócios, Editora FGV, 1a edição.

Downes, J. e Goodman, J. E. (2007), Dicionário de Termos Financeiros e de Investimentos, Editora Nobel, 3a edição.

Richardson, S. A., Sloan, R. G., Soliman, M. T. & Tuna, A. I (2005). Accrual reliability, earnings persistence and stock prices. Journal of Accounting and Economics, 39(2), 437-485.

Lustosa, P. R. B., Fernandes, J. L. T., Nunes, D. M. S. & Araújo, J. B., Jr (2010).. Estimativas contábeis e qualidade do lucro: análise setorial no Brasil. Revista de Educação e Pesquisa em Contabilidade, 4(2), 43-61.

Edwards, E. O.; Bell, P. W. The Theory and measurement of business income. Los Angeles: University of California, 1964.

Iudícibus. S. Teoria da Contabilidade. 10. Ed. São Paulo: Atlas, 2010.

Lopes, A.B.; Martins, E. Teoria da contabilidade: uma nova abordagem. São Paulo: Atlas, 2007.

Martins, E. Contabilidade versus fluxo de caixa. Caderno de Estudos FIPECAFI, v.2, p. 1-15, 1990.

Lazarin, D., Sturaro, V., Silva, G. & Castillo L. (2019). Análise de métodos de previsão de demanda de séries temporais: estudo de caso em uma empresa fabricante de máquinas e equipamentos eletromecânicos. Brazilian Journal of Development, Curitiba, v. 5, n. 12, p. 28479-28492, dec. 2019. ISSN 2525-8761

Barreto, C., Canuto, A., Júnior, J., Neto, A., Lima, D. & Costa, R. (2019). PBIL AutoEns: uma Ferramenta de Aprendizado de Máquina Automatizado Integrada à Plataforma Weka. Brazilian Journal of Development, Curitiba, v. 5, n. 12, p. 29226-29242 dec 2019. ISSN 2525-8761

Calvo, I., Almeida, J., Bispo, P. & Ferreira, W. (2012). Orçamento Empresarial. 1. Ed. Rio de Janeiro: Editora FGV, 2012.

Castro, L. & Ferrari, D. (2016). Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. 1. Ed. São Paulo: Saraiva, 2016.

Sharda, R., Delen, D. & Turban, E. (2019). Business Inteligence e Análise de dados para gestão do negócio. 4. Ed. Porto Alegre: Bookman, 2019.

Machado, F. (2018). Big Data: o futuro dos dados e aplicações. 1. Ed. São Paulo: Érica, 2018.




DOI: https://doi.org/10.34117/bjdv6n11-219

Refbacks

  • There are currently no refbacks.