Modelling and forecastng sustainable development tme series via single and combined approaches
Processos estocásticos. Preditor único. Abordadens combinadas. Otimização. Desenvolvimento Sustentável.
As últimas duas décadas do século vinte marcaram o mundo com mudanças nos
campos Social, Econômico e Ambiental. Como resultado, uma das discussões mais notáveis
tem sido a busca pelo desenvolvimento sustentável. De fato, esta nova forma de ver o mundo
e os seres humanos destaca a estreita e complexa relação entre as três dimensões
supracitadas, o chamado triple bottom line para a sustentabilidade. Ademais, o
desenvolvimento de metodologias focadas no monitoramento, previsão e controle de
variáveis subjacentes a essas dimensões tem sido encorajado. Assim, a questão da
modelagem e previsão de séries temporais torna-se primordial. Esta dissertação apresenta
uma estrutura para lidar com séries temporais relacionadas ao desenvolvimento sustentável.
Especificamente, o problema de oferecer previsores parcimoniosos é levado em conta. Três
abordagens individuais (Autoregressivos integrados de média móvel -ARIMA, Suavização
exponencial -ETS e Redes reurais artificiais -ANN) e quatro abordagens combinadas (Média
simples -SA, Mediana Simples -SM, Variância Mínima -MV e Redes neurais combinadas -
cANN) foram utilizadas. Um processo de otimização baseado no Simulated Annealing
simulado (SA) e no critério de informação Bayesiano (BIC) foi desenvolvido para definir as
estruturas das ANN e cANN parcimoniosas. Para testar a abordagem proposta, doze séries
temporais referentes a variáveis do desenvolvimento sustentável, quatro para cada dimensão
do triple bottom line, são investigados. O desmatamento na Amazônia brasileira, o índice
S&P500 e a incidência de caxumba em Nova York são alguns exemplos. Como resultado,
afirma-se que séries temporais envolvendo questões ambientais, econômicas e sociais têm
características diferentes e, portanto, podem exigir formalismos diferentes para exercícios de
modelagem e previsão. Além disso, à primeira vista, modelos individuais não foram os
melhores. Por sua vez, a abordagem proposta para desenvolver modelos parcimoniosos
(ANN e cANN) via SA e a partir da minimização do BIC mostrou bom desempenho tanto
para modelagem simples como combinada.