Análise estatística e modelos de machine learning na produção agrícola brasileira: tendências temporais e eficiência produtiva ao longo de quatro décadas (1980-2019)

Abstract

A pesquisa apresentada aborda a produção agrícola no Brasil ao longo de quatro décadas, destacando a importância do setor para a economia do país e a necessidade de técnicas avançadas para análise e previsão. Utilizando dados da Organização das Nações Unidas para a Alimentação e a Agricultura (FAO), o estudo avalia as tendências de longo prazo e a eficiência produtiva de diferentes culturas entre 1980 e 2019. Os objetivos primordiais incluem a análise da produção total de itens agrícolas, a avaliação da área colhida e a proporção de produção por área colhida, além de identificar mudanças significativas nos itens mais produzidos usando o Gráfico de Pareto e testar a normalidade dos dados com o teste Shapiro-Wilk. A metodologia aplicada envolve técnicas estatísticas e de Machine Learning, como Random Forest e Support Vector Machines (SVM), para prever a produção agrícola e identificar padrões complexos nos dados históricos. Os principais resultados indicam um crescimento robusto na produção de itens como cana-de-açúcar e oleaginosas, refletindo a expansão do agronegócio e a adoção de tecnologias modernas. Em contraste, a produção de cereais apresentou flutuações significativas. A análise da eficiência produtiva mostrou um aumento na proporção de produção por área colhida, especialmente após 2000, atribuível a melhorias nas práticas agrícolas e uso de tecnologias avançadas. No entanto, os modelos de Machine Learning apresentaram desempenho preditivo limitado, com altos valores de MSE e R² negativos, ressaltando a necessidade de abordagens mais robustas e integração de dados adicionais, como informações climáticas. Esses resultados destacam a importância de políticas agrícolas sustentáveis, investimentos contínuos em tecnologia e estratégias de gestão de riscos para promover a sustentabilidade e eficiência no setor agrícola brasileiro a longo prazo.