Series de modelos de previsão do tempo: proposta de suporte logístico aeronáutico para a frota super tucano
DOI:
https://doi.org/10.18667/cienciaypoderaereo.525Palavras-chave:
apoio logístico, demanda, erro residual, inventários, previsão, série temporalResumo
A previsão torna-se indispensável em qualquer organização produtiva, considerando que é a base do planejamento de longo prazo em qualquer área funcional e, portanto, uma ferramenta vital para a tomada de decisões gerenciais. A arte da previsão visa predizer a demanda por um produto ou serviço de tal forma que o sistema produtivo seja eficiente e responda às necessidades em quantidade e oportunidade. Em primeiro lugar, este artigo faz um percurso bibliográfico para descrever o contexto da previsão, então uma revisão documental é realizada em termos de projeções de vários setores industriais e, finalmente, a particularidade da previsão é apresentada na Força Aérea Colombiana, especificamente com uma proposta para a projeção da demanda do suporte logístico aeronáutico da frota da equipe Super Tucano A-29 no Comando Aéreo de Combate Nº 2; concluindo que a metodologia sugerida não está longe das tendências atuais e, pelo contrário, consegue ter maioria deles, selecionando o melhor modelo independentemente para cada componente da frota, fato que garante uma inferência certa e que cumprindo as condições estabelecidas poderia ser extrapolada e padronizada para o apoio logístico aeronáutico da Força Aérea Colombiana, situação essa que, se acontecer, geraria um alto impacto orçamentário para a Força Aérea, para o Ministério da Defesa e, portanto, para as finanças públicas nacionais, porque os custos de apoio logístico refletiriam uma diminuição em relação aos períodos anterioresDownloads
Referências
Anderson David R, S. D. (2005). Estadistica para Administracion y Economia . Mexico DF: Thomson.
Bernanke, & Boivin. (2003). Monetary Policy in a Data-rich Environment. Journal of Monetary Economics, 525-546.
https://doi.org/10.1016/S0304-3932(03)00024-2
Bernanke, B., Boivin, J., & Eliazs, P. (2005). The Quarterly Jorunal of Economics, 387-422.
https://doi.org/10.1162/qjec.2005.120.1.387
Bourgeois, J., & Barnes, J. (1979). Does Advertising Increase Alcohol Consumption? Journal of Advertising Research, 19-29.
Bratina, D., & Faganel, A. (2008). Forecasting the Primary Demand for a Beer Brand Using Time Series Analysis. Organizacija,Volume 41, Number 3,.
https://doi.org/10.2478/v10051-008-0013-7
Brubaker, K., & McCuen, R. (1990). "Level of significance selection in engineering analysis. Journal of Professional Issues in Engineering ASCE Vol. 116 No. 4,, 375-387.
https://doi.org/10.1061/(ASCE)1052-3928(1990)116:4(375)
Chase Richard B., A. N. (2000). Administracion de Produccion . Santa Fe De Bogota: Mc Graw Hill.
Dekimpe, M., & Hannsens, D. (1995). The Persistence of Marketing Effects on Sales. Marketing Science, 1-21.
https://doi.org/10.1287/mksc.14.1.1
Demirov, E., & Pinardi, N. (2002). Simulation of the Mediterranean Sea circulation from 1979 to 1993: Part I. The interannual variability, 33-34, 23-50.
https://doi.org/10.1016/S0924-7963(02)00051-9
Dobricic, S. P. (2006). Daily oceanographic analyses by the Mediterranean basin scale assimilation system. Ocean Sci. Discuss., 3, 1977-1998.
https://doi.org/10.5194/osd-3-1977-2006
Dominick, S. (2009). Microeconomia. Mexico DF: Mc Graw Hill.
Fragkakis, N., Lambropoulos, S., & Pantouvakis, J. (2010). A cost estimate method for bridge superstructures using regression analysis and bootstrap. Organization, technology and management in construction. An international journal, 182-190.
Franke, G., & Wilcox, G. (1987). Alcoholic Beverage Advertising & Its Impact on Model Selection. Applied Mathematics & Computation 34 (November), 22-30.
https://doi.org/10.1080/00913367.1987.10673082
Franses, P. (1991). Primary Dem& for Beer in The Netherl&s: An Application of ARMAX Model Specification. Journal of Market research 28, 240-245.
https://doi.org/10.1177/002224379102800212
Gouviea N. and Fletcher T. (2000). Time series analysis of air pollution and mortality: Effects by cause, age and socioeconomic status. J. Epidemiol. Commun. H., 54, 750-755.
https://doi.org/10.1136/jech.54.10.750
Gujarati, D. (1999). Essentials of Econometrics. New York: Irwin Mc Graw Hill.
Hegazy, T., & Ayed, A. (1998). Neural network model for parametric cost estimation of highway projects. Journal of Construction Engineering and Management, Vol. 124 No.3, 210-218.
https://doi.org/10.1061/(ASCE)0733-9364(1998)124:3(210)
Herzberg, A., & Frew, L. (2003). Can public policy be influenced? Environmetrics, 14, 1-10.
https://doi.org/10.1002/env.556
Hoyos Gomez, F. (Mayo de 2014). Presentacion PASLO CACOM-2 2014. Apiay, Meta, Colombia.
Keane, M. (1997). Modeling Heterogeneity & State Dependence in Consumer Choice Behaviour. Journal of Bussiness & Economic Statistics, 310-327.
https://doi.org/10.1080/07350015.1997.10524709
Klemm, O., & Lange, H. (1999). Trends of air pollution in the Fichtelgebrige Mountains, Bavaria. Environ Sci. &Pollut, 193-199.
https://doi.org/10.1007/BF02987325
Konstantinidis, D., & Maravas, A. (2003). Egnatia Motorway concrete bridges statistics. ASECAP Study and Information Days proceedings of the international conference in Portoroz Slovenia, 92-109.
Kyriakidis, J. (2001). Stochastic modeling of atmospheric pollution: a spatial time series framework. Part II: application to monitoring monthly sulfate deposition over Europe. Atmos Environ 35, 2339-2348.
https://doi.org/10.1016/S1352-2310(00)00540-9
Lanteri, L. (2010). Economia Vol XXXIII, No. 66.
Lee, C. k. (2002). Multifractal characteristics in air pollutant concentration time series. Water Air Soil Poll. 135, 389-409.
https://doi.org/10.1023/A:1014768632318
Leeflang, & Van Dujin, J. (1982). The Use of Regional Data in Marketing Models:The Dem& for Beer in The Netherl&. European Research 10, (January): 29-40.
Litterman, R. (1985). Forecasting with Bayesian Vector Autoregressions-five Years of Experience. Minneapolis: Federal Reserve Bank of Minneapolis.
Lucas, R. (1976). Econometric Policy Evaluation: a critique. New York: En Brunner K y A Meltzer.
https://doi.org/10.1016/S0167-2231(76)80003-6
Lucas, y. S. (1979). After Keynesian Macroeconomics. Minneapolis: Federal Reserve Bank of Minneapolis..
McKee, D. (1993). Health effects associated with ozone and nitrogen dioxide exposure. . Water Air Soil Poll, 11-35.
https://doi.org/10.1007/BF00480811
Mobley, K. (1999). Root Cause and failure analysis. United of States of America: Butterworth-Heinemann.
Modarres, R., & Khosravi Dehkordi, A. (2005). Daily air pollution time series analysis of Isfahan City. Int. J. Environ. Sci Tech, 259-267.
https://doi.org/10.1007/BF03325885
Murphy, A. (1988). Skill score based on the mean square error and their relation to mthe correlation coefficient. Monthly weather review, 2417-2424.
https://doi.org/10.1175/1520-0493(1988)116<2417:SSBOTM>2.0.CO;2
Murphy, A. (1993). What is a good forecast? Weather forecasting, 281-293.
https://doi.org/10.1175/1520-0434(1993)008<0281:WIAGFA>2.0.CO;2
Pinardi, N. A. (2003). The Mediterranean ocean Forecasting System: First Phase of implementation (1998-2000).
https://doi.org/10.5194/angeo-21-3-2003
Geophisicae, vol.21, 189-204.
Prescott, E. (1977). Should Control Theory be usde for Economic Stabilization. New York: Brunner, K y A Meltzer.
https://doi.org/10.1016/0167-2231(77)90017-3
Roberts, S. (2003). Combining data from multiple monitors in air pollution mortality time series studies. Atmos. Environ., 37, 3317-3322.
https://doi.org/10.1016/S1352-2310(03)00289-9
Salcedo, R., Alvim Ferraz, M., Alves, C., & Martins. (1999). Time series analysis of air pollution data. Atmos. Environ., 33, 2361-2372.
https://doi.org/10.1016/S1352-2310(99)80001-6
Schwartz, J., & Marcus, A. (1990). Mortality and air pollution in London: a time series analysis. Am. J. Epidem., 131, 85-194.
https://doi.org/10.1093/oxfordjournals.aje.a115473
Seetharaman, P. (1999). Investigating Household State Dependence Effects across categories. Journal Of Market Research, 488-500.
https://doi.org/10.1177/002224379903600407
Sims, C. (1992). Interpreting the Macroeconomic Time Series Facts: the effects of monetary policy. European Economic Review, 975-1000.
https://doi.org/10.1016/0014-2921(92)90041-T
Skamris, M., & Flyvbjerg, B. (1997). Inaccuracy of traffic forecasts and cost estimates on large transport projects. Transport Policy, Vol. 4 No. 3, 141-146.
https://doi.org/10.1016/S0967-070X(97)00007-3
Theil, H. (1971). Principles of Econometrics. Nueva York: J. Wiley.
Tonani, M. (2007). A high resolution free surface model on the Mediterranean Sea. Ocean Sci. Discuss.
https://doi.org/10.5194/osd-4-213-2007
Tonani, M., Pinardi, N., Fratianni, C., & Dobricic, S. (2007). Forecast and analysis assessment through skill scores. Oceans Science Discussions, 189-212.
https://doi.org/10.5194/osd-4-189-2007
Touloumi G., A. R. (2004). Analysis of health outcome time series data in epidemiological studies. Environmetrics, 101-117.
https://doi.org/10.1002/env.623
Voigt, K., & Bruggemann, R. (2004). Data analysis of environmental air pollutant monitoring systems in Europe. Environmetrics, 15, 577-596.
Downloads
Publicado
Edição
Seção
Licença
Declaração de cessão de direitos autorais à revista
O autor cede exclusivamente à Revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, no todo ou em parte, em todos os formatos e modalidades de exploração presentes ou futuros, em todas as línguas, por todo o período de vida da obra e pelo mundo inteiro.
Todo o conteúdo publicado na revista científica Ciencia y Poder Aéreo está sujeito à licença de reconhecimento internacional Creative Commons 4.0, cujo texto completo pode ser encontrado em http://creativecommons.org/licenses/by/4.0/
A licença permite que qualquer usuário baixe, imprima, extraia, arquive, distribua e comunique publicamente este artigo, desde que seja dado o devido crédito aos autores: ao(s) autor(es) do texto e a Ciencia y Poder Aéreo, Revista da Escola de Pós-Graduação da Força Aérea Colombiana. Exceto quando for indicado o contrário, o conteúdo deste site será licenciado sob uma licença Creative Commons Attribution 4.0 Internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
Licença Creative Commons
Os autores concedem à revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, inteira ou parcialmente, em todos os formatos e modalidades de exploração presentes ou futuras, em todas as línguas, por todo o período de vida da obra e no mundo inteiro.
Todos os conteúdos publicados na revista científica Ciencia y Poder Aéreo estão sujeitos à licença de reconhecimento 4.0 4.0 Internacional de Creative Commons, cujo texto completo pode-se consultar em http://creativecommons.org/licenses/by/4.0/
A licença permite a qualquer usuário baixar, imprimir, extrair, arquivar, distribuir e comunicar publicamente um artigo, desde que seja dado crédito aos autores do trabalho: aos autores do texto e a Ciencia y Poder Aéreo, Revista Científica da Escola de Pós-Graduação da Força Aérea Colombiana. Salvo onde for indicado o contrário, o conteúdo deste site é licenciado sob uma licença Creative Commons Atribución 4.0 internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
