Metodologia Systens Dynamics

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA
Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Metodologia System Dynamics aplicada às estratégias de

comercialização para propriedades produtoras de soja em Rio
Verde – GO
System Dynamics methodology applied to commercialization strategies

for soybean at properties in Rio Verde – GO
Metodología de la Dinámica de Sistemas aplicada a estrategias de

marketing para propiedades productoras de soja en Río Verde - GO
DOI: 10.55905/oelv22n3-142
Originals received: 02/19/2024

Acceptance for publication: 03/08/2024
Ródney Ferreira Couto

Mestre em Engenharia Agrícola
Instituição: Universidade Estadual de Goiás (UEG)
Endereço: Rodovia BR-153, Quadra Área, Km 99, Anápolis – GO, CEP: 75132-400
E-mail: rodney.couto@ueg.br
Clayton Luiz de Melo Nunes

Doutor em Agronegócio
Instituição: Universidade Federal de Goiás (UFG)
Endereço: Av. Esperança, s/n, Campus Samambaia, Goiânia – GO, CEP: 74690-900
E-mail: cmnunes@ufg.br
José Elenilson Cruz

Doutor em Administração
Instituição: Instituto Federal de Brasília (IFB)
Endereço: Rodovia DF 480 Lote 01, Ponte Alta Norte Gama, Brasília – DF,
CEP: 72429-005
E-mail: jose.cruz@ifb.edu.br
Marcelo Dias Paes Ferreira

Doutor em Economia Aplicada
Instituição: Universidade Federal de Viçosa (UFV)
Endereço: Av. Purdue, s/n, Campus Universitário, Viçosa - MG, CEP: 36570-900
E-mail: marcelo.ferreira@ufv.br
Page 1
REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Odilon José de Oliveira Neto

Doutor em Administração de Empresas
Instituição: Universidade Federal de Uberlândia (UFU)
Endereço: Rua 20, 1600, Campus Pontal, Ituiutaba - MG, CEP: 38304-402
E-mail: odilonoliveira@ufu.br
RESUMO
Nos últimos anos as dificuldades enfrentadas pelos produtores rurais no tocante à
comercialização da produção e, consequentemente, rentabilidade da atividade tornaram-
se complexas, exigindo novas metodologias para resolução de problemas, controle e
avaliação do desempenho dos processos produtivos. Esta pesquisa teve como objetivo
identificar no período de 2013 à 2020, se existiu diferença significativa no resultado
financeiro proveniente da comercialização da produção de soja em três momentos: i)
venda de toda a produção antecipadamente no mês de maio do ano corrente; ii) venda de
parte da produção, necessária para cobrir os custos com o barter em maio do ano corrente
e o restante após a colheita em março, no mês de abril do ano seguinte; e iii) venda de
parte da produção, necessária para cobrir os custos com o barter em maio do ano corrente
e o restante no mês de setembro do ano seguinte levando em consideração os custos pós-
colheita com armazenagem gerados no período. A metodologia utilizada neste trabalho
foi a System Dynamics, complementada por testes estatísticos, teste F e teste Tukey e, por
fim, simulação Monte Carlo. Conclui-se que a comercialização de toda produção no mês
de maio foi a estratégia que demonstrou maior probabilidade de obtenção de uma margem
de comercialização superior aos demais meses analisados nesse estudo.
Palavras-chave: modelagem, margem de comercialização, risco.
ABSTRACT
In recent years, the difficulties faced by rural producers regarding the commercialization
of production and, consequently, profitability of the activity have become complex,
requiring new methodologies for solving problems, controlling and evaluating the
performance of production processes. This research aimed to identify, in the period from
2013 to 2020, whether there was a significant difference in the financial result resulting
from the commercialization of soybean production in three moments: i) sale of all
production in advance in the month of May of the current year; ii) sale of part of the
production, necessary to cover barter costs in May of the current year and the remainder
after the harvest in March, in April of the following year; and iii) sale of part of the
production, necessary to cover barter costs in May of the current year and the remainder
in September of the following year, taking into account post-harvest storage costs
generated in the period. The methodology used in this work was System Dynamics,
complemented by statistical tests, F test and Tukey test and, finally, Monte Carlo
simulation. It is concluded that the commercialization of all production in the month of
May was the strategy that demonstrated the greatest probability of obtaining a higher
commercialization margin than the other months analyzed in this study.
Keywords: modeling, commercial margin, risk.
Page 2

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
RESUMEN
En los últimos años, las dificultades que enfrentan los productores rurales en cuanto a la
comercialización de la producción y, en consecuencia, la rentabilidad de la actividad se
han tornado complejas, lo que requiere nuevas metodologías para la solución de
problemas, el control y la evaluación del desempeño de los procesos productivos. Esta
investigación tuvo como objetivo identificar en el periodo 2013 a 2020, si se presentó una
diferencia significativa en el resultado financiero de la comercialización de la producción
de soja en tres momentos: (i) venta de toda la producción por adelantado en el mes de
mayo del año en curso; (ii) venta de parte de la producción, necesaria para cubrir los
costos con el trueque en mayo del año en curso y el resto después de la cosecha en marzo,
en el mes de abril del año siguiente; y (iii) venta de parte de la producción, necesaria para
cubrir los costos con el trueque en mayo del año en curso y el resto en el mes de
septiembre del año siguiente teniendo en cuenta los costos post-cosecha generados en el
período. La metodología utilizada en este trabajo fue la Dinámica de Sistemas,
complementada con pruebas estadísticas, prueba F y prueba Tukey, y finalmente
simulación Monte Carlo. Se concluye que la comercialización de toda la producción en
mayo fue la estrategia que mostró mayor probabilidad de obtener un mayor margen de
comercialización que los otros meses analizados en dicho estudio.
Palabras clave: modelado, margen de comercialización, riesgo.
1 INTRODUÇÃO
Conforme reportam Borlachenco e Gonçalves (2017), no Brasil os grãos,
principalmente de culturas como soja e milho, testemunharam crescimento rápido da
produção e da produtividade, em razão da expansão geográfica na região Centro-oeste do
país e da adoção e difusão das inovações tecnológicas.
Há mais de vinte anos, Calvazara (1999), ressaltava que o setor agrícola brasileiro
vinha caminhando a passos largos para a modernização, pois o mercado agrícola sofria
com a grande influência e competição de empresas estrangeiras, que ofereciam qualidade
em seus produtos, quantidade e preços mais baixos. Nas décadas passadas a agricultura
brasileira por contar com privilégios governamentais produzia para consumo e venda sem
a preocupação com planejamento e racionalização das atividades dentro e fora da
propriedade.
Um dos maiores desafios da cadeia produtiva da soja é o de administrar a
sazonalidade, característica predominante na maioria dos produtos agrícolas (Ojima,
2006). Conforme ressalta Matos et al. (2014) são muitas as formas para controlar a
Page 3

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
produção de uma empresa, desde o modo mais simples de controle feito manualmente até
os mais sofisticados os quais utilizam recursos eletrônicos. Embora as considerações de
Matos et al. (2014) se apliquem às organizações industriais o mesmo raciocínio pode ser
estendido para propriedades agrícolas. No Planejamento e Controle de Produção (PCP)
deve-se considerar as questões inerentes a qualquer atividade agrícola, como clima e
sazonalidade, solo e topografia, disponibilidade de infraestrutura (irrigação, mecanização,
eletrificação e armazenamento) para analisar o status quo operacional da empresa e
promover eventuais adequações futuras.
A sazonalidade exige que se estabeleçam estratégias de comercialização do
produto que maximize o retorno, visando compensar os riscos e incertezas inerentes ao
mercado agrícola (Arantes; Souza, 1993). Atualmente os produtores rurais utilizam-se da
prática comercial conhecida comumente como barter, que conforme Johann, Cunha e
Wander (2017) consistem em operações que remetem ao mais primitivo dos comércios,
o escambo, ou seja, trocar produtos, propriedades, serviços por outros produtos ou
serviços sem usar dinheiro. No entanto, na maior parte das regiões produtoras de grãos o
barter é feito considerando somente os gastos referentes à aquisição de fertilizantes,
sementes e defensivos agrícolas.
A utilização da operação de bater caracteriza-se como um mitigador de riscos e
incertezas. Outras alternativas também podem ser utilizadas para otimizar os resultados
financeiros da atividade agrícola como exemplo os modelos matemáticos desenvolvidos
para maximizar os lucros ou minimizar os custos de produção abordados pela pesquisa
operacional.
De acordo com Andrade (2002), a pesquisa operacional com um enfoque mais
clássico, é definida como a arte de aplicar técnicas de modelagem a problemas de decisão,
por meio de métodos matemáticos e estatísticos buscando encontrar a solução ótima de
maneira sistêmica.
Nas simulações desenvolvidas nos primórdios da Pesquisa Operacional, os
problemas eram resolvidos através da obtenção de resultados ótimos para cada parte
individual do modelo (Gavira et al., 2002). Na área de mecanização agrícola, por
exemplo, alguns autores como Couto et al. (2012) utilizando o aplicativo Microsoft Excel
Page 4

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
e a ferramenta Solver desenvolveram um modelo de programação linear para auxiliar na

seleção das diferentes formas de pulverização agrícola utilizadas na cultura da cana-de-
açúcar, baseado no menor custo horário dos equipamentos.
Entretanto, conforme mencionava Gavira (2003), à medida que a complexidade
dos problemas cresceu, surgiu a necessidade de se utilizar uma abordagem mais sistêmica
e generalista baseados em “System Dynamics” (DYNAMO, STELLA etc). Essa
metodologia (System Dynamics) faz uso do conceito de pensamento sistêmico para a
resolução de problemas e para o estudo de sistemas.
O System Dynamics é uma metodologia utilizada para que se possa entender,
através de modelos quantitativos e qualitativos, como evolui no tempo o comportamento
de um sistema, que é composto por um conjunto de elementos que interagem
continuamente, compondo uma estrutura unificada que apresenta resultados de seu
funcionamento (Coyle, 1996; Masuda; Figueiredo, 2001).
Para se construir um modelo computacional eficiente, a simulação computacional
deve levar em consideração a interdependência, ou seja, a forma como os elementos de
um sistema estão ligados uns aos outros (Wiazóvski; Lírio, 2003). O funcionamento do
modelo desenvolvido baseia-se em cálculos matemáticos e permite que se façam testes
de alterações dos parâmetros relacionados com o modelo, sendo possível constatar-se o
que aconteceria se estas modificações fossem feitas no empreendimento real. Esta
capacidade de se testar o que pode acontecer, permite que se visualize os resultados de
mudanças no sistema atual, possibilitando também que se anteveja o funcionamento de
um projeto a ser implementado, evitando gastos inúteis em equipamentos desnecessários
ou mudanças desfavoráveis (Cassel et al., 2004).
Outro ponto importante quando se cria modelos utilizando a metodologia System
Dynamics refere-se à possibilidade da simulação do mesmo caso em situações diversas
(quantidade produzida, preço, componentes de custos e etc.), podendo-se aperfeiçoar os
resultados que se pretende alcançar. Dentro desse cenário, surge a possibilidade apontada
por diversos pesquisadores de aplicar o método de dinâmica de sistemas no processo
produtivo, visto as possibilidades de simular o relacionamento dinâmico e influências das
Page 5

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
principais variáveis do processo produtivo utilizando de recursos de um software de

computador (Picanço Filho; Figueiredo; Oliveira Neto, 2009).
Esta pesquisa teve como objetivo desenvolver uma modelagem, baseada em
System Dynamics, para identificar no período de 2013 à 2020, se existiu diferença
significativa no resultado financeiro proveniente da comercialização da produção de soja
em três momentos: i) venda de toda a produção antecipadamente no mês de maio do ano
corrente; ii) venda de parte da produção, necessária para cobrir os custos com o barter
em maio do ano corrente e o restante após a colheita em março, no mês de abril do ano
seguinte; e iii) venda de parte da produção, necessária para cobrir os custos com o barter
em maio do ano corrente e o restante no mês de setembro do ano seguinte levando em
consideração os custos pós-colheita com armazenagem gerados no período.
2 METODOLOGIA
Para elaborar um sistema de simulação que reflita os resultados financeiros do
processo de comercialização de grãos aplicável a uma propriedade rural é necessário
monitorar o fluxo de informações da cultura em estudo, desde o plantio até o
armazenamento, possibilitando a programação das atividades que deverão ser executadas,
como plantio, colheita, armazenamento entre outras (Figura 1).
Page 6

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Figura 1 – Diagrama de Forrester para o processo de produção de soja adotado na propriedade.
Fonte: elaborado pelos autores.
Nesse contexto, foi considerado como ponto de partida para construção do modelo
uma propriedade agrícola produtora de soja localizada no município de Rio Verde – GO
e que adquiri fertilizantes, sementes e defensivos agrícolas via barter. Conforme
informações contidas no Censo Agropecuário realizado pelo Instituto Brasileiro de
Geografia e Estatística (IBGE), em 2017, no referido município a área total cultivada com
soja foi de 338.063 ha, em 893 estabelecimentos, o que resulta em uma área média de
378,57 ha/estabelecimento. No mesmo ano a produtividade da cultura naquele município
foi de 58,33 sacas de soja/ha.
Considerou-se que a propriedade possui uma estrutura que assegure atender um
ritmo operacional diário para plantio e colheita de 25,24 ha, necessários para se respeitar
a janela de plantio e possibilitar a utilização da mesma área em segunda safra. Assim, a
semeadura deverá ocorrer até o fim da primeira quinzena de novembro. Logo, serão
necessários 15 dias tanto para plantio quanto para colheita, considerando a escolha de
uma cultivar com Grau de Maturação Relativo (GMR) entre 5,6 e 6,0 que apresentará
ciclo médio, ou seja, 120 dias para seu desenvolvimento pleno. Tais ponderações são
Page 7

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
imprescindíveis para que o modelo desenvolvido consiga determinar do fluxo de plantio

e colheita.
Para o desenvolvimento da modelagem em System Dynamics foi utilizado o
software Stella®, versões Stella® Architect Trial e Stella® Online™ Free, no qual foi
estruturada a dinâmica do processo produtivo da cultura da soja, seus custos e os impactos
nas quantidades do produto destinadas à operação de barter e a comercialização para
obtenção das margens pós barter.
No desenvolvimento da modelagem e simulação foram elaborados diagramas com
fluxos, estoques, conversores (converter’s) e conectores. Conforme reportado por
Picanço Filho, Figueiredo e Oliveira Neto (2009), para facilitar o entendimento e
compreensão dos diagramas, se torna necessário apresentar o significado de cada
componente utilizado nos modelos com base na simbologia adotada pelo software Stella
(Figura 2).
Figura 2 – Componentes empregados na modelagem.

Os estoques: abrangem as variáveis armazenadas de forma potencial para a
utilização por outros componentes da modelagem.
Os fluxos: representam as variáveis responsáveis pela modificação dos esto-

ques.
Os conversores: têm como função definir as equações algébricas dos fluxos,

estoque ou outros auxiliares, mediante operações algébricas.
Os conectores: possuem a função de inter-relacionar todos os componentes do

sistema, com o propósito de formar as equações algébricas.
Fonte: Picanço Filho, Figueiredo e Oliveira Neto (2009) conforme simbologia utilizada pelo Software
Stella 9.
Page 8

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
A utilização dos referidos recursos produtivos resulta em custos, aqui

denominados de custos com o barter1, obtidos nas planilhas de custos de produção –
culturas de 1ª safra, atualizados para maio de cada ano, do período de 2013-2020, para o
município de Rio Verde – GO e disponibilizadas pela Companhia Nacional de
Abastecimento (CONAB, 2019).
A estratégia da propriedade é produzir em toda a área disponível para plantio,
evitando ociosidade, podendo adotar diferentes táticas de comercialização, que consistem
nos seguintes tratamentos: i) venda de toda a produção antecipadamente no mês de maio
do ano corrente; ou ii) venda de parte da produção necessária para cobrir os custos com
o barter no mês de maio do ano corrente e o restante após a colheita no mês de abril do
ano seguinte; e, por fim, iii) venda de parte da produção necessária para cobrir os custos
com o barter no mês de maio do ano corrente e o restante no mês de setembro do ano
seguinte contabilizando os custos pós-colheita com armazenagem gerados no período.
A escolha do mês de setembro ocorreu em virtude de se ter calculado,
preliminarmente, o Índice Sazonal (IS) dado pela razão entre o preço médio de cada mês
e o preço médio no período de 01/2013 a 12/2020. Como visto na Figura 3, o IS para o
mês de setembro foi maior do que 1 e acima dos demais meses do ano. Entretanto, embora
tenha sido encontrado o maior nível de preço no mês de setembro, não se pode afirmar,
de imediato, que o armazenamento da soja para sua venda em setembro seja a decisão
mais viável porque se deve levar em consideração não apenas o nível de preço, mas
também os custos e os riscos do armazenamento.
1
Foram considerados como custos com o barter os gastos para aquisição de fertilizantes, sementes e de-
fensivos agrícolas.
Page 9

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Figura 3 – Índices sazonais dos preços da soja pagos ao produtor, em Rio Verde-GO, no período de
01/2013 a 12/2019
1,04
1,02
Índice de sazonalidade - IS
1,00
0,98
0,96
0,94
0,92
JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
.Fonte: elaborado pelos autores.
A quantidade de sacas de soja (Qtda) necessárias para cobrir os custos com o

barter foi obtida por meio do produto da estimativa de produção total anual pela razão
entre o custo com o barter e preço da soja (Equação 1). Os custos médios foram
calculados pela CONAB, no período de 2013 à 2020 e atualizados pelo Índice de Preços
ao Produtor Amplo – DI – Origem para Produtos Agropecuários Lavouras Temporárias
(IPA-OG-DI) base dezembro de 2007 e alterado para a base do mês de maio do ano que
antecede a safra em vigor (Equação 2). Habitualmente os produtores da região
considerada colhem a safra em fevereiro/março e adquirem os insumos via trading
company para a próxima safra no mês de maio realizando as tratativas comerciais com o
preço do referido mês.
CMBa
Qtda (sc) = PT × (1)
Pa
Sendo,
Page 10

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
CMBCONAB,k
CMBa = ×100 (2)
IPA base maio,a
Em que:
a representa o mês de maio dos anos de 2013  2019;

PT produção total anual estimada ( 22.082 sacas);
CMB custo médio com o barter (R$/sc);
P é o preço; e
k representa o custo com insumos (sementes, fertilizantes e defensivos) apurados pela CONAB em qualquer
mês dos anos de 2013  2019.
No modelo proposto a margens pós barter (corrigidas) foram calculadas a partir

da multiplicação do preço médio corrigido, de acordo com o mês de venda (abril, maio e
setembro) pela diferença entre a produção total estimada e a quantidade de sacas de grãos
de soja para cobrir os custos com o barter (Equação 3). Os preços foram obtidos
consultando a base de dados do Instituto para o Fortalecimento da Agropecuária de Goiás
(IFAG, 2021), no período de 2013 a 2020, e atualizados pelo (IPA-OG-DI) base
dezembro de 2007 e alterado para a base setembro de 2020 (Equações 4 e 5). Essa
mudança de base no índice foi necessária para atualizar as margens para o mês de
setembro de 2020.
MPBnbase setembro 2020 = Pnbase setembro 2020 × (PT - Qtda ) (3)
Sendo,
Pn
Pn base setembro 2020 = ×100 (4)
IPAnbase setembro 2020
Donde,
Page 11

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
IPAnbase dezembro 2007

IPAn base setembro 2020 = ×100 (5)
IPA setembro 2020base dezembro 2007
Em que:
MPB constitui a margem pós barter;

P é o preço;
IPA é o Índice de Preços ao Produtor Amplo – DI – Origem para Produtos Agropecuários Lavouras
Temporárias (IPA-OG-DI) base dezembro de 2007; e
n representa os meses de abril, maio e setembro do período de 2014 à 2020.
Após obtenção das margens totais pós barter em valores correspondentes ao poder
de compra no mês de setembro de 2020, foi verificado se existe diferença, do ponto de
vista estatístico, entre as estratégias de comercialização analisadas.
A análise estatística foi realizada com o emprego do software Sisvar 5.0 (Ferreira,
2011) e consistiu de um teste de F a 5% de probabilidade e, constatada diferença entre os
tratamentos, utilizou-se o teste de Tukey também a 5% de probabilidade. Posteriormente,
a técnica Monte Carlo foi empregada a fim de determinar as probabilidades de ocorrência
das margens pós barter dentro das estratégias de comercialização consideradas.
3 RESULTADOS E DISCUSSÃO
A estrutura do modelo produtivo de soja (composto de estoques, conversores,
fluxos e conectores) é apresentada na Figura 4. Foram definidos oito estoques
(representado por retângulos): o primeiro estoque “Soja em desenvolvimento” é um
estoque do tipo conveyor, comumente denominado de “esteira rolante”, e que foi inserido
no modelo para representar o desenvolvimento da soja ao longo dos 120 dias; o segundo
estoque, “Soja apta para colheita”, acumula a soja apta para a colheita; o terceiro, “Soja
colhida” acumula momentaneamente o volume de soja colhida diariamente e que será
direcionado para o quarto estoque “Soja barter Maio”, responsável por acumular, a cada
colheita realizada, quantidade de sacas comprometidas com os custos barter até que
ocorra pagamento dos insumos e só depois permitir um fluxo de sacas para o quinto
Page 12

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
estoque “Soja venda Maio ou Abril”, responsável por acumular os grãos destinados à
posterior comercialização no mês de maio ou abril.
Por fim, do sexto ao oitavo estoques ocorre o processo de desconto dos custos
pós-colheita, em sacas. Dessa forma, o converter “Soja venda Setembro” é dado pela
diferença entre os estoques “Soja venda Maio ou Abril” e “Qtd total de sacas para cobrir
custos pós colheita”. Esse último estoque acumula os valores calculados no estoque
denominado “Qtd de sacas por dia para cobrir os custos pós colheita” proveniente do
fluxo de colheita.
Figura 4. Planejamento e controle da produção agrícola de grãos de soja.

Soja venda
Maio ou Abril
Qtd de sacas por dia Qtd total de sacas

para cobrir os custos para cobrir o custo
pós colheita pós colheita
Preço
Custo Fluxo para cobrir custo Soja v enda

pós colheita total pós colheita Setembro
DESPESAS DE
Dias para o plantio ARMAZENAGEM Direcionamento para
Soja apta Soja v enda
Fluxo de Soja Fluxo de comercialização
para colheita Soja Colhida Maio ou Abril
plantio amadurecendo colheita em Maio ou Abril
Soja em
desenv olv imento
Sementes
Área Plantada Produtiv idade Custo da operação
Diariamente esperada de barter
Período de
desenv olv imento Cobrir custos Fertilizantes
com o barter
Relação de Troca
Planejamento operação de barter Def ensiv os
colheita
Capacidade de colheita
Preço Produtividade Dias para o plantio Área Plantada

esperada Diariamente
Relação de Troca
Soja barter
operação de barter
Maio
De acordo com a projeção de plantio, 25,24 ha/dia, são necessários 15 dias para
realizar o plantio da área total (378,57 ha). Considerando 120 dias para o desenvolvimento
da soja, os primeiros 25,24 ha semeados estarão aptos para a colheita no 121o dia,
posteriormente serão mais 25,24 ha/dia aptos à colheita até o 136º dia, concluindo o
processo de colheita (Tabela 1).
Page 13

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Tabela 1 – Resultados do modelo de Dinâmica de Sistemas aplicado ao processo produtivo de soja, em

função dos dias transcorridos ao longo do desenvolvimento da cultura
Soja em desenvolvimento
Soja venda em setembro

Soja venda maio do ano
corrente ou em abril do
Soja apta para colheita
Soja barter maio

Fluxo de plantio
do ano seguinte
ano seguinte
Soja colhida
Dias
ha Sacas de 60 kg
0 25,24 0 0 0 0 0 0
1 25,24 25,24 0 0 0 0 0
2 25,24 50,48 0 0 0 0 0


14 25,24 353,36 0 0 0 0 0
15 0 378,60 0 0 0 0 0
16 0 378,60 0 0 0 0 0


120 0 378,60 0 0 0 0 0
121 0 353,36 25,24 0 0 0 0
122 0 328,12 25,24 1.472,25 0 0 0
123 0 302,88 25,24 1.472,25 1.472,25 0 0
124 0 277,64 25,24 1.472,25 2.944,50 0 0

128 0 176,68 25,24 1.472,25 8.833,50 0  0

129 0 151,44 25,24 2.358,94 9.419,05 0
130 0 126,20 25,24 1.472,25 9.419,05 2.358,94 2.358,94
131 0 100,96 25,24 1.472,25 9.419,05 3.831,19 3.090,38
132 0 75,72 25,24 1.472,25 9.419,05 5.303,44 3.325,72
133 0 50,48 25,24 1.472,25 9.419,05 6.775,69 4.618,18
134 0 25,24 25,24 1.472,25 9.419,05 8.247,94 5.910,63
135 0 0 25,24 1.472,25 9.419,05 9.720,19 7.203,09
136 0 0 0 1.472,25 9.419,05 11.192,44 8.495,55
137 0 0 0 0 9.419,05 12.664,69 9.967,80
Fonte: Dados da pesquisa.
No que se refere a operação de colheita, as primeiras 1.472,25 sacas de soja (25,24

ha colhidos diariamente x produtividade de 58,33 sc/ha) estarão aptas a partir do 121º até
o 135º dia e serão direcionadas para a empresa fornecedora dos insumos como forma de
pagamento da operação de barter realizada quando da aquisição dos mesmos (Tabela 1).
Embora a produtividade real seja conhecida somente próximo à época da colheita ou
durante esta operação, é comum os produtores ao realizarem o barter estimarem uma
produtividade mínima e, consequentemente, uma projeção de produção, baseado em
Page 14

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
registros de safras anteriores. Ainda de acordo com a Tabela 1, a partir do 130º até o 137º
dia o produto colhido poderá ser destinado à comercialização em abril ou vendido em
setembro após acréscimo dos custos pós-colheita (armazenamento).
Vale ressaltar que a quantidade de dias de colheita necessários para cobrir os
custos está diretamente relacionada à produtividade. Assim, por exemplo, uma maior
produtividade implicaria em um período menor de colheita necessária para cobrir os
custos com o barter, bem como majorações nos preços da soja, causariam efeito
semelhante.
Os valores atualizados das margens pós barter para cada estratégia de
comercialização, dentro do período de estudo, encontram-se na Tabela 2 e foram
calculados a partir da multiplicação dos preços atualizados para setembro de 2020 pelas
quantidades disponíveis para venda, ou seja, descontando-se as quantidades necessárias
para cobrir os custos com o barter e pós-colheita.
Tabela 2. Indicativo das quantidades disponíveis para os cobrir os custos barter, quantidades disponíveis
para apurar as margens pós barter, preços corrigidos e margens pós barter para os meses de abril, maio e
setembro no período de 2013 à 2020.
2013 2014 2015 2016 2017 2018 2019 2020
Quantidades disponíveis para cobrir custos barter, em sacas (Qtda)
Abril - 6.064,74 7.639,99 8.653,97 7.734,16 9.300,80 9.078,43 9.418,35
Maio 6.064,74 7.639,99 8.653,97 7.734,16 9.300,80 9.078,43 9.418,35 -
Setembro - 7.997,31 9.462,94 11.037,06 10.146,86 11.954,28 11.585,43 12.115,72
Quantidades disponíveis para apurar as margens pós barter, em sacas (PT - Qtda)
Abril - 16.017,26 14.442,01 13.428,03 14.347,84 12.781,20 13.003,57 12.663,65
Maio 16.017,2 14.442,01
13.428,03 14.347,84 12.781,20 13.003,57 12.663,65 -
6
Setembro - 14.084,69 12.619,06 11.044,94 11.935,14 10.127,72 10.496,57 9.966,28
Preço corrigido (Pn) – R$/sc
Abril - 111,71 110,12 96,72 87,88 106,87 103,48 102,80
Maio 95,98 111,67 105,88 106,46 91,59 110,50 103,02 -
Setembro - 111,29 112,08 94,62 97,07 127,85 114,33 136,09
Margens pós barter (MPB) – em milhares de reais R$
Abril - 1.789,25 1.590,29 1.298,71 1.260,83 1.365,87 1.345,55 1.301,78
Maio 1.537,41 1.612,74 1.421,79 1.527,44 1.170,64 1.436,94 1.304,66 -
Setembro - 1.567,51 1.414,37 1.045,09 1.158,60 1.294,84 1.200,05 1.356,31
Fonte: Dados de pesquisa obtidos e calculados a partir da modelagem de dinâmica de sistemas, 2021.
A partir dos dados contidos na Tabela 2, foi realizada uma análise de variância,
fator único, a fim de verificar a existência de diferença significativa quanto as margens
Page 15

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
pós barter obtidas segundo as diferentes estratégias de comercialização, em função dos

meses, utilizando o teste F a 5% de significância. Observou-se que embora exista
diferença nos valores absolutos das margens (Tabela 3), não houve diferença significativa
do ponto de vista estatístico (Fcrítico = 3,55 > Fcal = 1,403; p-value > 0,05).
Tabela 3 - Teste de Tukey para as médias das margens pós barter, em reais, apurados para os meses de
abril, maio e setembro
Mês de Comercialização Margens pós barter (R$)
Abril 1.421.753,18 a
Maio 1.430.231,18 a
Setembro 1.290.967,05 a
Médias seguidas de mesma letra não diferem entre si pelo teste de Tukey (P < 5%).
DMS = R$ 238.052,26 | Erro padrão = R$ 65.922,51
Sendo assim, o teste de comparação de médias das margens evidencia que a

estratégia de comercialização após a operação do barter, vendendo toda a produção em
maio ou somente o excedente após a colheita em abril ou armazenando as sacas de soja
para sua posterior venda no mês de setembro, na cidade de Rio Verde – GO, foi pouco
eficaz uma vez que a diferença mínima significativa (DMS) esperada entre as margens
teria que ser superior à R$ 238.052,26. Isto porque os preços praticados nos referidos
meses não apresentaram uma volatilidade necessária que justificasse à adoção dessas
estratégias (Figura 5).
Page 16

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Figura 5 – Volatilidade dos preços da soja ao longo das safras 2013/2014 a 2019/20 em Rio Verde – GO.
140,00
Preço pago ao produtor - R$/sc
130,00
120,00
110,00
100,00
90,00
80,00
70,00
60,00
2013 2014 2015 2016 2017 2018 2019 2020
Período
Maio Abril Setembro
Conforme contraste visual observado nas séries de preços pagos ao produtor de

soja, na região de Rio Verde - GO, o preço de comercialização em maio de 2013 foi
inferior comparado com as vendas da safra em abril ou setembro de 2014 (Figura 5).
Para a safra 2014/2015 o preço de comercialização em maio foi maior que o preço
de abril, mas menor que o preço de setembro de 2015.
Todavia, para as safras 2015/2016 e 2016/2017, a estratégia de negociar o
excedente da operação de barter em setembro de 2016 e 2017, com a incidência dos
custos de armazenagem e uma quantidade menor a ser vendida, possibilitou menor
retorno financeiro comparado às vendas com o preço de maio de 2015 e 2016,
respectivamente.
Na safra 2017/2018, as vendas em setembro de 2018 proporcionaram melhores
preços do que maio de 2017 ou em abril de 2018. Conforme estudo elaborado pelo Centro
de Estudos Avançados em Economia Aplicada (CEPEA), em parceria com a
Confederação da Agricultura e Pecuária do Brasil (CNA), a safra 2017/2018 foi marcada
por um cenário bastante apertado de receitas e custos, uma vez que os custos de produção
foram altos e o preço de maio de 2017 inferior ao das safras anteriores.
Page 17

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
Imediatamente, na safra 2018/2019, o preço em maio de 2018 foi maior quando

comparado ao mês de abril de 2019, porém menor quando comparado ao mês de setembro
de 2019, embora tenha apresentado uma menor margem pós barter em função do custo
de carregamento da safra (Tabela 2).
Finalmente, para a safra 2019/2020 a venda em setembro foi melhor, motivada
pelo cenário externo favorável para as commodities e em virtude da demanda chinesa em
abastecer seus estoques de soja no decorrer da pandemia de SARS-Cov-2, COVID-19.
Em relação à análise da rentabilidade sob condição de risco, foram obtidas as
distribuições de probabilidade de ocorrência dos preços e das margens, a partir do método
de Monte Carlo, em diferentes níveis de produtividade, custos (sementes, fertilizantes e
defensivos) comprometidos com a operação de barter e, também, preço de venda para
cada estratégia de comercialização.
De acordo com a Tabela 4, o preço de setembro possui 74,24% de probabilidade
de ser maior do que o preço de maio, elevando-se para 75,71% de probabilidade quando
comparado ao preço de abril. Por fim, o preço de abril apresentou 46,69% de
probabilidade de ser maior que o preço de maio.
Tabela 4 – Probabilidade de ocorrência dos preços pagos aos produtores de soja, em Rio Verde – GO, e
das margens nas três estratégias de comercialização analisadas no período de 2013-2019
Pset Pset Pabril MPBmaio MPBabril MPBmaio
> > > > > >
Pmaio Pabril Pmaio MPBset MPBset MPBabril
Valores em porcentagem, %
74,24 75,71 46,69 61,83 61,09 51,00
Embora as probabilidades do preço de setembro foram maiores do que os preços

de maio e abril, isto não foi observado para a variável margem pós barter, indicando que
as despesas pós-colheita com armazenamento comprometeram a margem para o referido
mês. Assim sendo, para o período de análise (safra 2013/14 até safra 2019/20),
comercializar toda produção no mês de maio, indica uma probabilidade de apresentar
melhor resultado financeiro quando comparado à setembro e abril (Tabela 4).
Page 18

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
4 CONSIDERAÇÕES FINAIS
A metodologia System Dynamics demonstrou ser uma ferramenta útil a ser
utilizada na construção de modelos capazes de auxiliar os produtores no planejamento e
controle da produção, fomentando a tomada de decisão sob a perspectiva de descrição das
etapas do processo produtivo da cultura de soja, permitindo, dessa forma, a otimização
dos recursos produtivos e acesso à segunda safra.
No entanto, fica reconhecido que, com um singelo modelo aplicado à uma
propriedade agrícola produtora de soja, foi possível examinar os efeitos de alterações nas
suposições básicas (preços dos insumos e da soja, em diferentes épocas de
comercialização) e simular os efeitos de mudanças no planejamento do agricultor, para
compreender como essas alterações podem influenciar nas decisões de comercialização
e, consequentemente, no plantio de segunda safra. Em uma situação real, uma experiência
semelhante seria longa, dispendiosa, arriscada e em muitos casos impossível.
O teste de comparação de médias das margens calculadas para o período que
compreende as safras 2013/14 até 2019/20, evidenciou que a estratégia de
comercialização após a operação do barter, ou seja, vendendo toda a soja em maio ou o
excedente após a colheita em abril ou armazenando as sacas de soja para sua posterior
venda no mês de setembro foi pouco eficaz uma vez que a diferença mínima significativa
(DMS) entre as margens pós barter foi inferior à R$ 238.052,26.
De acordo com os resultados obtidos na análise de risco, com o emprego da
simulação Monte Carlo, conclui-se que a comercialização de toda produção no mês de
maio foi a estratégia que demonstrou maior probabilidade de obtenção de uma margem
de comercialização superior aos demais meses analisados nesse estudo. De fato, embora
a soja seja uma commodity agrícola cuja formação do seu preço é definida pelo mercado
internacional (CBOT – Chicago Board of Trade), o que resulta em baixa volatilidade do
preço ao longo do ano, o mesmo não ocorre com os custos pós-colheita,
especificadamente de armazenagem, que oscilam em função de outras variáveis como
aumentos de energia elétrica, manutenção dos equipamentos, inseticidas para controle de
pragas em grãos armazenados entre outros.
Page 19

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
REFERÊNCIAS
ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para a

análise de decisões. Rio de Janeiro: LTC, 2002.
ARANTES, N.E.; SOUZA, P.I.M. Cultura da soja nos cerrados. Piracicaba:

POTAFOS, 1993. 535p.
BORLACHENCO, N.G.C.; GONÇALVES, A.B. Expansão agrícola: Elaboração de

indicadores de sustentabilidade nas cadeias produtivas de Mato Grosso do
Sul. Interações, Campo Grande, v.18, n.1, p.119-128, 2017.
CALVAZARA, O. Planejamento da atividade agrícola na dinâmica da mudança. In:

CONGRESSO BRASILEIRO DE SOJA, 1999, Londrina-PR. Anais... Londrina:
Empresa Brasileira de Pesquisa Agropecuária – EMBRAPA, 1999. p.159-164.
CASSEL, R.A.; KLIPPEL, M.; JÚNIOR, J.A.V.A. Considerações críticas acerca da

relação do mecanismo da função - Produção e a simulação computacional – um estudo
de caso. In: Anais do XXIV Encontro Nacional de Engenharia de Produção – ENEGEP,
24., 2004, Florianópolis. Anais... Florianópolis: ENEGEP, 2004.
CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA);

CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL (CNA). Com
margem apertada, safra 2017/18 de soja pode não pagar custos totais. Custos Trimestrais
Grãos, v.10, n.23, p.1-9, 2017.
COMPANHIA NACIONAL DE ABASTECIMENTO – CONAB. Planilhas de custos

de produção - culturas de 1ª safra | 2019. Disponível em:
<https://www.conab.gov.br/info-agro/custos-de-producao/planilhas-de-custo-de-
producao/itemlist/category/406-planilhas-de-custos-de-producao-culturas-de-1-safra>.
Acesso em 05 de junho de 2020.
COUTO, R.F.; CUNHA, J.P.B.; REIS, E.F. Modelo de programação linear para seleção
de diferentes formas de pulverização agrícola para cana-de-açúcar. Revista Engenharia
na Agricultura, Viçosa, v.20, n.6, p.529-536, 2012.
COYLE, R.G. System dinamics modelling: a pratical approach. Londres: Chapman &
Hall/CRC, 1996. 432p.
FERREIRA, D.F. Sisvar: a computer statistical analysis system. Ciência e

Agrotecnologia, Lavras, v.35, n.6, p.1039-1042, 2011.
FORRESTER, J.W. Industrial Dynamics. Portland: Productivity Press, 1961. 464p.
Page 20

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
FUNDAÇÃO GETÚLIO VARGAS - FGV. INSTITUTO BRASILEIRO DE

ECONOMIA. FGVDados. Disponível em: <https://extra-
ibre.fgv.br/IBRE/sitefgvdados/default.aspx>. Acesso em 05 de dezembro de 2020.
GAVIRA, M.O. Simulação computacional como uma ferramenta de aquisição de

conhecimento. 2003. 150p. Dissertação (Mestrado em Engenharia de Produção) - Escola
de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2003.
GAVIRA, M.O.; TAVARES, C.G.; ROVERI, E.; BELHOT, R.V. O emprego de System
Dynamics no ensino e treinamento. In: XXX CONGRESSO BRASILEIRO DE ENSINO
DE ENGENHARIA, 2002, Piracicaba - SP, 2002, CD-ROM. 10 páginas.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. Censo Agro-

pecuário 2017. Disponível em: < https://sidra.ibge.gov.br/pesquisa/censo-agropecua-
rio/censo-agropecuario-2017>. Acesso em 15 de outubro de 2020.
INSTITUTO PARA O FORTALECIMENTO DA AGROPECUÁRIA DE GOIÁS -

IFAG. Cotações Agropecuárias do Estado de Goiás (Soja Balcão (sc)). Disponível em:
< http://ifag.org.br/>. Acesso em 25 de novembro de 2020.
JOHANN, A.R.G.; CUNHA, C.A.; WANDER, A.E. Operações de barter para

financiamento da produção de soja e milho em Goiás e Mato Grosso, Brasil. Revista
SODEBRAS, v.12, n.143, p.73-79, 2017.
MATOS, A.C.; REIS, Z.C.; NODARI, C.H.; GANZER, P.P.; CALIARI, R.B.;
PRODANOV, C.C.; OLEA, P. M.; DORION, E.C. Planejamento e Controle da Produção:
Um Estudo em Uma Empresa de Pequeno Porte do Setor Metalúrgico. In: XIV Mostra
de Iniciação Científica, Pós-graduação, Pesquisa e Extensão, 14., 2014, Caxias do Sul.
Anais... Caxias do Sul: Universidade de Caxias do Sul – UCS, 2014.
MASUDA, G.B.; FIGUEIREDO, R.S. Desenvolvimento de um simulador dinâmico

manual de uma cadeia de distribuição para estudar um sistema submetido ao arquétipo
denominado “crescimento e sub-investimento”. In: Anais do XXI Encontro Nacional de
Engenharia de Produção – ENEGEP, 21., 2001, Salvador. Anais... Salvador: ENEGEP,
2001; p.02.
OJIMA, A.L.R.O. Impactos da sazonalidade na safra de soja. Análises e Indicadores do

Agronegócio, v.1,n.2, p.1–5, 2006.
PICANÇO FILHO, A.F; FIGUEIREDO, R.S; OLIVEIRA NETO, O.J. Aplicação da

metodologia system dynamics na avaliação da sustentabilidade econômico-financeira da
bovinocultura de corte no município de Parintins – Estado do Amazonas. Custos e
@gronegócio on line, Recife, v.5, n.2, p.33-58, 2009.
Page 21

Curitiba, v.22, n.3, p. 01-22. 2024.
ISSN: 1696-8352
WIAZÓVSKI, B.A.; LÍRIO, V.S. Productive chain of slaughter beef: a systemic analysis
of its competitiveness. In: IV Congresso Internacional de Economia e Gestão de Redes
Agroalimentares, 4., 2003, Ribeirão Preto. Anais... Ribeirão Preto: USP, 2003.
Page 22

Metodologia Systens Dynamics

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Metodologia Systens Dynamics

Enviado por

Direitos autorais:

Formatos disponíveis

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA

Curitiba, v.22, n.3, p. 01-22. 2024.

Metodologia System Dynamics aplicada às estratégias de

System Dynamics methodology applied to commercialization strategies

Metodología de la Dinámica de Sistemas aplicada a estrategias de

Originals received: 02/19/2024

Ródney Ferreira Couto

Clayton Luiz de Melo Nunes

José Elenilson Cruz

Marcelo Dias Paes Ferreira

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Odilon José de Oliveira Neto

Palavras-chave: modelagem, margem de comercialização, risco.

Keywords: modeling, commercial margin, risk.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Palabras clave: modelado, margen de comercialización, riesgo.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

e a ferramenta Solver desenvolveram um modelo de programação linear para auxiliar na

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

principais variáveis do processo produtivo utilizando de recursos de um software de

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Figura 1 – Diagrama de Forrester para o processo de produção de soja adotado na propriedade.

Fonte: elaborado pelos autores.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

imprescindíveis para que o modelo desenvolvido consiga determinar do fluxo de plantio

Figura 2 – Componentes empregados na modelagem.

Os fluxos: representam as variáveis responsáveis pela modificação dos esto-

Os conversores: têm como função definir as equações algébricas dos fluxos,

Os conectores: possuem a função de inter-relacionar todos os componentes do

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

A utilização dos referidos recursos produtivos resulta em custos, aqui

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

A quantidade de sacas de soja (Qtda) necessárias para cobrir os custos com o

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

a representa o mês de maio dos anos de 2013  2019;

No modelo proposto a margens pós barter (corrigidas) foram calculadas a partir

MPBnbase setembro 2020 = Pnbase setembro 2020 × (PT - Qtda ) (3)

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

IPAnbase dezembro 2007

MPB constitui a margem pós barter;

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Figura 4. Planejamento e controle da produção agrícola de grãos de soja.

Qtd de sacas por dia Qtd total de sacas

Custo Fluxo para cobrir custo Soja v enda

Preço Produtividade Dias para o plantio Área Plantada

Fonte: elaborado pelos autores.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Tabela 1 – Resultados do modelo de Dinâmica de Sistemas aplicado ao processo produtivo de soja, em

Soja venda em setembro

Soja barter maio

128 0 176,68 25,24 1.472,25 8.833,50 0  0

No que se refere a operação de colheita, as primeiras 1.472,25 sacas de soja (25,24

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

pós barter obtidas segundo as diferentes estratégias de comercialização, em função dos

Sendo assim, o teste de comparação de médias das margens evidencia que a

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Maio Abril Setembro

Fonte: elaborado pelos autores.

Conforme contraste visual observado nas séries de preços pagos ao produtor de

REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.22, n.3, p. 01-22. 2024.

Imediatamente, na safra 2018/2019, o preço em maio de 2018 foi maior quando

Embora as probabilidades do preço de setembro foram maiores do que os preços