View
3
Download
0
Category
Preview:
Citation preview
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA AGRÍCOLA
ÂNGELO DOMINGOS BANCHI
IMPACTO DA PRODUTIVIDADE AGRÍCOLA E DA VIDA DOS
EQUIPAMENTOS NA PRODUÇÃO E NO CUSTO DA
COLHEDORA DE CANA-DE-AÇÚCAR
CAMPINAS
2017
ÂNGELO DOMINGOS BANCHI
IMPACTO DA PRODUTIVIDADE AGRÍCOLA E DA VIDA DOS
EQUIPAMENTOS NA PRODUÇÃO E NO CUSTO DA
COLHEDORA DE CANA-DE-AÇÚCAR
Tese apresentada à Faculdade de Engenharia Agrícola
da Universidade Estadual de Campinas como parte dos
requisitos exigidos para a obtenção do título de Doutor,
na área de concentração de Máquinas Agrícolas. Orientador: Prof. Dr. Angel Pontin Garcia
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELO ALUNO ÂNGELO DOMINGOS BANCHI, E ORIENTADA PELO PROF. DR. ANGEL PONTIN GARCIA.
CAMPINAS
2017
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Área de Engenharia e Arquitetura
Elizangela Aparecida dos Santos Souza - CRB 8/8098
Banchi, Ângelo Domingos, 1952-
B16i Impacto da produtividade agrícola e da vida dos equipamentos na
produção e no custo da colhedora de cana-de-açúcar / Ângelo Domingos
Banchi. – Campinas, SP: [s.n.], 2017.
Orientador: Angel Pontin Garcia.
Tese (doutorado) – Universidade Estadual de Campinas, Faculdade de
Engenharia Agrícola.
1. Colheita. 2. Custo operacional. 3. Agricultura - Mecanização - Custo
operacional. I. Garcia, Angel Pontin, 1978-. II. Universidade Estadual de
Campinas. Faculdade de Engenharia Agrícola. III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Impact of agricultural productivity and life of equipment in the
production and cost of the sugar cane harvest
Palavras-chave em inglês: Harvest
Operational cost
Agriculture
Mechanization
Área de concentração: Máquinas Agrícolas
Titulação: Doutor em Engenharia Agrícola
Banca examinadora:
Angel Pontin Garcia [Orientador]
Admilson Írio Ribeiro
Marco Tulio Ospina Patino
Nilson Antonio Modesto Arraes
Leandro Maria Gimenez
Data de defesa: 29-08-2017
Programa de Pós-Graduação: Engenharia Agrícola
Este exemplar corresponde à redação final da Tese de Doutorado defendida por Angelo
Domingos Banchi, aprovada pela Comissão Julgadora em 29 de agosto de 2017, na Faculdade
de Engenharia Agrícola da Universidade Estadual de Campinas.
________________________________________________________________
Prof. Dr. Angel Pontin Garcia – Presidente e Orientador
FEAGRI/UNICAMP
_________________________________________________________________
Prof. Dr. Leandro Maria Gimenez – Membro Titular
ESALQ/USP
_________________________________________________________________
Prof. Dr. Marco Tulio Ospina Patino – Membro Titular
FEAGRI/UNICAMP
_________________________________________________________________
Prof. Dr. Admilson Írio Ribeiro– Membro Titular
UNESP/Sorocaba
_________________________________________________________________
Prof. Dr. Nilson Antonio Modesto Arraes – Membro Titular
FEAGRI/UNICAMP
A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de
vida acadêmica do discente
Aos meus colegas e familiares, destacando a minha esposa
Maria Aparecida e meus filhos Marcos Henrique, Flávio e
André, dos quais furtei muitas horas de nosso convívio.
AGRADECIMENTOS
À Faculdade de Engenharia Agrícola da Universidade de Campinas, pela oportunidade.
Aos nossos professores e colegas de curso, pelo excelente convívio, pela ajuda muitas vezes
recebida e por nos proporcionarem trocas de aprendizado.
Ao Prof. Dr. Antônio José da Silva Maciel, por sua dedicação, orientações e supervisão em todo
o desenvolvimento do trabalho.
Ao Prof. Dr. Marcos Milan da ESALQ/USP, por suas sugestões e orientações.
À empresa Assiste – Assessoria em Sistemas Técnicos, pelo patrocínio e pela permissão à
minha participação neste curso.
Aos nossos colegas profissionais José Roberto Lopes, Valter Aparecido Ferreira, Luís
Guilherme Arruda Favarin, Flavio Sammartino Rocha e Giovanna Marostegan Bego, pelo
fornecimento de informações da área de manutenção.
Aos colegas acadêmicos Cezário B. Galvão, Giancarlo C. Rocco, Marcos Okuno, Nelson
Franco Jr. e demais colegas, pelo apoio nas pesquisas.
Às unidades sucroalcooleiras e às concessionárias de máquinas agrícolas que permitiram o uso
de seus dados e índices.
RESUMO
A agricultura brasileira, juntamente com sua mecanização, tem-se desenvolvido nas últimas
décadas e, em específico, na cultura da cana-de-açúcar. Destaca-se que o custo da mecanização
é em torno de 45% do custo total de produção; assim, requer-se um adequado gerenciamento,
tanto técnico-econômico quanto operacional-logístico e ambiental. Assim, esta pesquisa tem
por objetivo modelar a capacidade operacional da colhedora (COC) em função da vida desses
equipamentos (horas acumulada de uso) e da produtividade agrícola da cultura, sendo este um
indicador gerencial que mede a quantidade de massa vegetal colhida por unidade de tempo.
Também foi modelado o custo operacional da colhedora (CO) em função da COC e, com o
auxílio de ferramentas estatísticas, selecionaram-se as equações que melhor representam cada
um dos indicadores. Em uma faixa de vida das colhedoras variando de 0 a 20.000 horas de uso
e uma produtividade agrícola da cultura variando de 50 a 120 Mg ha-1, a COC tem valores entre
18 a 45 Mg h-1, o que implica discrepâncias operacionais e, consequentemente, econômicas,
visto que o CO da colhedora está na faixa de R$7,58 a R$19,24 por tonelada. A produtividade
agrícola da cultura é diretamente proporcional, mas não linear à COC, já a idade da colhedora
é inversamente proporcional e não linear à COC. O Custo operacional da colhedora é
influenciado pela COC, pela idade da colhedora e pela produtividade agrícola da cultura. Após
essas análises, efetuaram-se aplicações da COC, validando e verificando a abrangência dessas
equações para várias empresas e fabricantes de colhedoras.
Palavras-chave: capacidade operacional; custo operacional; indicadores de desempenho;
gestão de manutenção.
ABSTRACT
Brazilian agriculture, along with its mechanization, has developed in the last decades and,
specifically, in the sugar cane culture. It should be noted that the cost of mechanization is around
45% of the total cost of production; thus, adequate management is required, both technical-
economic and operational-logistic and environmental. This research aims at modeling the
operational capacity of the harvester (COC) according to the life of these equipment
(cumulative hours of use) and the crop’s agricultural productivity, being this a managerial
indicator that measures the amount of vegetal mass harvested per unit of time. It was also
modeled the operational cost of the harvester (CO) as a function of the COC and with the help
of statistical tools, the equations that best represent each indicator were selected. In a harvester
life span varying from 0 to 20,000 hours of use and an agricultural crop yield ranging from 50
to 120 Mg ha-1, the COC has values between 18 to 45 Mg h-1, which implies operational
discrepancies and consequently economic, since the CO of the harvester is in the range of R $
7.58 to R $ 19.24 per ton. The agricultural productivity of the crop is directly proportional but
not linear to the COC, since the age of the harvester is inversely proportional and not linear to
the COC. The operational cost of the harvester is influenced by the COC, the age of the
harvester and the agricultural productivity of the harvester. After these analyzes were made
COC applications, validating and verifying the comprehensiveness of these equations for
several companies and manufacturers of harvesters.
Keywords: operational harvesting capacity; operational cost; performance indicators;
management of maintenance.
LISTA DE FIGURAS
Figura 1 - Evolução da produção de cana-de-açúcar no Brasil. ............................................... 24
Figura 2 - Evolução da colheita da cana-de-açúcar no estado de São Paulo ............................ 25
Figura 3 - Áreas de cana-de-açúcar colhida crua na safra 2006/2007. ..................................... 26
Figura 4 - Áreas de cana colhida crua na safra 2013/2014. ...................................................... 26
Figura 5 - Percentual da colheita mecanizada na região Centro-Sul do Brasil (Safra 13/14). . 27
Figura 6 - Evolução da colheita mecanizada na região Centro-Sul do Brasil .......................... 27
Figura 7 - Comparativo da evolução da colheita mecânica e a produtividade agrícola da cultura
nos canaviais (t/ha). .................................................................................................................. 28
Figura 8 - Participação da mecanização no custo de produção – setor sucroalcooleiro. .......... 29
Figura 9 - Partes de uma colhedora de cana-de-açúcar. ........................................................... 30
Figura 10 - Sistema de colheita de cana-de-açúcar e suas interfaces. ...................................... 31
Figura 11 - Carreta transbordo.................................................................................................. 32
Figura 12 - Caminhão transbordo ............................................................................................. 32
Figura 13 - Corte e carregamento de cana-de-açúcar ............................................................... 32
Figura 14 - Transferência de cana-de-açúcar para o caminhão rodoviário .............................. 33
Figura 15 - Fluxograma do processo de colheita e transporte de cana-de-açúcar .................... 34
Figura 16 - Módulos que integram um sistema de Gestão de Frota. ........................................ 36
Figura 17 - Diagrama das parcelas da composição dos custos. ................................................ 39
Figura 18 - Evolução do CRM (R$) ao longo da vida das colhedoras de cana. ....................... 44
Figura 19 - Evolução do custo com reparos e manutenção acumulado (R$ h⁻¹) ao longo da vida
das colhedoras de cana. ............................................................................................................ 45
Figura 20 - Evolução do custo com reparos e manutenção por tonelada de cana colhida (R$
Mg⁻¹) ao longo da vida das colhedoras. ................................................................................... 45
Figura 21 - 1. Porcentagem dos custos que resultam no Custo Global; 2. Custo com reparo e
manutenção. .............................................................................................................................. 46
Figura 22 - Influência da produtividade agrícola da cultura no canavial em Mg ha-1 (eixo x) e a
capacidade efetiva (CE), em Mg h-1 (eixo y) da colhedora. ..................................................... 49
Figura 23 - Capacidade operacional da colhedora em função da produtividade agrícola. ....... 52
Figura 24 - Capacidade operacional da colhedora em função da vida da máquina .................. 53
Figura 25 - Uso anual das colhedoras de cana em função da vida útil (h). .............................. 57
Figura 26 - Disponibilidade de manutenção das colhedoras em função da vida ...................... 59
Figura 27 - Função transferência .............................................................................................. 61
Figura 28 - Diagrama das parcelas da composição dos custos ................................................. 76
Figura 29 - Uso anual por faixa de vida (idade) da colhedora ................................................. 78
Figura 30 - Diagrama das parcelas da composição dos custos. ................................................ 79
Figura 31 - Composição da matriz de custo por tonelada e célula detalhe. ............................. 81
Figura 32 - Análise do modelo 3 - Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional
em função da produtividade agrícola da cultura. (f) COC observada versus COC calculada. . 86
Figura 33 - Análise do modelo 3 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada. ....................... 86
Figura 34 - Análise do modelo 4 - Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica. ............................................................................................................ 87
Figura 35 - Análise do modelo 4 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada. ....................... 87
Figura 36 - Análise do modelo 7 – Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica. ............................................................................................................ 88
Figura 37 - Análise do modelo 7 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada. ....................... 88
Figura 38 - Superfície de resposta do Modelo 4. (a) COC em função da vida útil da máquina e
da produtividade agrícola da cultura. (b) COC em função da vida da máquina e da produtividade
agrícola da cultura. (c) COC em função da vida útil da máquina em vista lateral. (d) COC em
função da produtividade agrícola da cultura em vista lateral. .................................................. 91
Figura 39 - Capacidade Operacional calculada em função do real. (a) Geral. (b) Unidade G-B.
(c) Unidade G-E. (d) Unidade G-F. (e) Unidade G-G. (f) Unidade G-I. .................................. 93
Figura 40 - Superfície de resposta da simulação do CO - (a) CO em função da vida útil da
máquina e da produtividade agrícola da cultura. (b) CO em função da vida útil da máquina e da
produtividade agrícola da cultura. (c) CO em função da vida útil da máquina em vista lateral.
(d) CO em função da produtividade agrícola da cultura em vista lateral. ................................ 96
Figura 41 - CO em função da COC para diferentes produtividades agrícolas da cultura ........ 97
Figura 42 -. Comparativo da COC entre fabricantes. (a) para uma mesma idade (vida 8.000 h).
(b) para uma mesma produtividade agrícola da cultura (Produtividade agrícola 80 Mg ha-1). 99
Figura 43 - Superfície de resposta do comparativo da COC entre dois fabricantes. (a)
Comparativo da COC entre fabricantes em Função da Produtividade Agrícola da Cultura e da
Vida Útil da Máquina. (b) Comparativo da COC entre fabricantes em Função da Produtividade
Agrícola da Cultura e da Vida Útil da Máquina. (c) Comparativo da COC em função da Vida
Útil da Máquina Vista Lateral. (d) Comparativo da COC em Função da Produtividade Agrícola
da Cultura Vista lateral. .......................................................................................................... 100
Figura 44 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 103
Figura 45 - COC (Mg h-1) em função da produtividade agrícola da cultura (Mg ha-1) para uma
vida média de 7.000 horas das colhedoras. ............................................................................ 105
Figura 46 - COC (Mg h-1) em função da vida útil da máquina (h) para uma produtividade
agrícola da cultura de 70 Mg ha-1. .......................................................................................... 105
Figura 47 - Superfície de resposta do Comparativo da COC. (a) Comparativo da COC em
função da vida útil da máquina e da produtividade agrícola da cultura. (b) Comparativo da COC
em função da vida útil da máquina em vista lateral. (c) Comparativo da COC em função da
produtividade agrícola da cultura em vista lateral. ................................................................. 106
Figura 48. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 124
Figura 49 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 126
Figura 50. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 128
Figura 51. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 130
Figura 52 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 132
Figura 53 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 134
Figura 54 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 136
Figura 55 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 138
Figura 56 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral. ........................................................................................ 140
LISTA DE TABELAS
Tabela 1 - Consumo de combustível de tratores de pneus e colhedoras de cana. .................... 41
Tabela 2 - Avaliação do gasto de lubrificante em relação ao de combustível.......................... 42
Tabela 3 - Resumo dos dados coletados nas unidades sucroalcooleiras (base 2015)............... 71
Tabela 4 - Amostra parcial dos dados utilizados da unidade A................................................ 72
Tabela 5 - Modelos matemáticos analisados (número do modelo e descrição da equação) .... 74
Tabela 6 - Parâmetros dos modelos testados ............................................................................ 84
Tabela 7 - Resumo das análises estatísticas dos modelos ........................................................ 89
Tabela 8 – Parâmetros b e c do modelo 4 para cada unidade sucroalcooleira. ........................ 90
Tabela 9 - Teste da razão de verossimilhança. ......................................................................... 91
Tabela 10 - Matriz da capacidade operacional da colhedora (Mg h-1) em função da vida da
máquina (h) e da produtividade agrícola da cultura (Mg ha-1). ................................................ 92
Tabela 11 - Simulação do CO da colhedora para diferentes combinações de produtividade e
vida da colhedora ...................................................................................................................... 94
Tabela 12 - Parâmetros da equação do custo e suas análises estatísticas. ................................ 95
Tabela 13 - Parâmetros do modelo 4 para cada fabricante ....................................................... 98
Tabela 14 - Teste da razão de verossimilhança ........................................................................ 98
Tabela 15 - Avaliação do uso de equipamentos. .................................................................... 101
Tabela 16 - Parâmetros utilizados em cada unidade. .............................................................. 102
Tabela 17 - Análise estatística da COC, TCH e Vida das colhedoras das unidades. ............. 102
Tabela 18 - Matriz da capacidade operacional da colhedora (Mg h-1) em função da vida da
máquina (h) e da produtividade agrícola da cultura (Mg ha-1). .............................................. 104
Tabela 19 – Características do dimensionamento de uma usina de açúcar. ........................... 107
Tabela 20 - Análise das simulações da composição de um parque de máquinas em uma usina
de açúcar. ................................................................................................................................ 108
Tabela 21 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 125
Tabela 22 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 127
Tabela 23 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 129
Tabela 24 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 131
Tabela 25 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 133
Tabela 26 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 135
Tabela 27 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 137
Tabela 28 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 139
Tabela 29 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1). .......................................................................... 141
LISTA DE ABREVIATURAS E SIGLAS
AIC – Critério de informação de Akaike
ANOVA – Análise de variância
ASABE – American Society of Agricultural and Biological Engineers
BIC – Critério de informação Bayesiano
CEc – Capacidade efetiva de carregadoras
CENEBIO – Centro nacional de referência em biomassa
CRM – Custo com reparo e manutenção
CO – Custo operacional de colheita de cana-de-açúcar
COC – Capacidade operacional de colheita mecânica de cana-de-açúcar
COJ – Capacidade operacional de jornada
COLT – Capacidade operacional de longo termo
CRM – Custo com reparo e manutenção
CS – Centro Sul do Brasil
CTT – Corte, transbordo e transporte
DAP – Diâmetro da árvore à altura do peito
MAPA – Ministério da Agricultura, Pecuária e Abastecimento
MLM – Modelos lineares mistos
MNLM – Modelos não lineares mistos
MV – Máxima verossimilhança
PECEGE – Instituto de pesquisa e educação do meio agrícola – Piracicaba-SP
POL – Porcentagem em massa de sacarose aparente contida em uma solução açucarada.
TCH – Produtividade agrícola da cultura (toneladas colhidas por hectare, Mg ha-1)
TRV – Teste da razão de verossimilhança
UNICA – União da indústria de cana-de-açúcar
SUMÁRIO
RESUMO ............................................................................................................................................... 7
ABSTRACT ........................................................................................................................................... 8
LISTA DE FIGURAS ............................................................................................................................ 9
LISTA DE ABREVIATURAS E SIGLAS ........................................................................................ 15
1. INTRODUÇÃO .......................................................................................................................... 19
1.1. Objetivo ..................................................................................................................................................... 20
1.2. Objetivos específicos ................................................................................................................................ 20
2. REVISÃO BIBLIOGRÁFICA ................................................................................................... 21
2.1. Colheita de cana-de-açúcar – panorama do desenvolvimento ............................................................. 21
2.2. A evolução do setor sucroalcooleiro no Brasil ....................................................................................... 24
2.3. Composição do custo global na produção de açúcar ............................................................................. 28
2.4. Princípios operacionais da colhedora ..................................................................................................... 29
2.5. Processo operacional de colheita mecanizada de cana-de-açúcar ........................................................ 30
2.6. Composição do custo em máquinas agrícolas ........................................................................................ 38
2.6.1. Custo de máquinas agrícolas.............................................................................................................. 39
2.6.2. Referência do custo de equipamentos ................................................................................................ 41
2.6.2.1. Custo de combustíveis ............................................................................................................ 41
2.6.2.2. Custo de lubrificantes ............................................................................................................. 41
2.6.2.3. Custo com Reparo e Manutenção ........................................................................................... 42
2.7. Capacidade operacional da colhedora (COC) ....................................................................................... 47
2.7.1. Capacidade operacional de jornada – COj ......................................................................................... 50
2.7.2. Capacidade operacional de longo termo - COLT ................................................................................ 51
2.7.3. Capacidade efetiva de carregadoras – CEc ......................................................................................... 51
2.7.4. Capacidade Operacional da colhedora em função da produtividade agrícola da cultura e da vida da
colhedora ......................................................................................................................................................... 52
2.7.5. Capacidade operacional de carregadoras de cana-de-açúcar inteira .................................................. 54
2.7.6. Capacidade operacional de colhedoras de cereais ............................................................................. 54
2.7.7. Capacidade operacional de colhedoras de madeira ............................................................................ 54
2.8. Indicadores operacionais e gerenciais dos equipamentos ..................................................................... 56
2.8.1. Utilização das Máquinas Agrícolas ................................................................................................... 56
2.8.2. Eficiência de Disponibilidade Mecânica ........................................................................................... 57
2.9. Modelos matemáticos ............................................................................................................................... 59
2.9.1. Modelos fenomenológicos ................................................................................................................. 60
2.9.2. Modelos empíricos............................................................................................................................. 61
2.9.3. Estimação dos parâmetros ................................................................................................................. 62
2.9.3.1. Método dos mínimos quadrados ordinários ............................................................................ 62
2.9.3.2. Método da máxima verossimilhança ...................................................................................... 63
2.9.4. Análise do ajuste do modelo .............................................................................................................. 64
2.9.4.1. Teste da Razão de Verossimilhança ....................................................................................... 65
2.9.4.2. Critérios de Informação .......................................................................................................... 67
2.9.4.3. Análise dos resíduos ............................................................................................................... 68
3. MATERIAIS E MÉTODOS ...................................................................................................... 70
3.1. Coleta de dados ......................................................................................................................................... 70
3.2. Modelagem matemática da COC e CO .................................................................................................. 73
3.3. Aplicações da COC - Cenários ................................................................................................................ 82
4. RESULTADOS ........................................................................................................................... 84
4.1. Modelagem da capacidade operacional da colhedora (COC) .............................................................. 84
4.1.1. Determinação dos parâmetros do modelo proposto para cada unidade sucroalcooleira da base de dados
90
4.1.2. Análise gráfica e numérica do modelo 4 – Equação selecionada ...................................................... 91
4.1.3. Ajuste do modelo 4 para diferentes unidades sucroalcooleiras .......................................................... 93
4.2. Modelagem do custo operacional da colhedora (CO) ........................................................................... 94
4.3. Aplicações da Capacidade operacional da colhedora ........................................................................... 98
4.3.1. Comparativo da COC para dois fabricantes de colhedoras ................................................................ 98
4.3.2. Gestão dos equipamentos de uma unidade sucroalcooleira ............................................................. 100
4.3.3. Avaliação da COC dentro de um grupo sucroenergético (várias empresas) .................................... 101
4.3.4. Dimensionamento do parque de colhedoras de uma unidade produtora .......................................... 107
4.4. Considerações sobre os resultados ........................................................................................................ 109
5. CONCLUSÕES .......................................................................................................................... 110
6. SUGESTÕES PARA TRABALHOS FUTUROS .................................................................. 111
REFERÊNCIAS ................................................................................................................................ 112
APÊNDICE ....................................................................................................................................... 124
Apêndice A - Unidade A.................................................................................................................................... 124
Apêndice B - Unidade B .................................................................................................................................... 126
Apêndice C - Unidade C.................................................................................................................................... 128
Apêndice D - Unidade D.................................................................................................................................... 130
Apêndice E - Unidade E .................................................................................................................................... 132
Apêndice F - Unidade F .................................................................................................................................... 134
Apêndice G - Unidade G ................................................................................................................................... 136
Apêndice H - Unidade H ................................................................................................................................... 138
Apêndice I - Unidade I ...................................................................................................................................... 140
Apêndice J – Simulação do CO para diferentes produtividades agrícolas da cultura ................................ 142
ANEXOS ........................................................................................................................................... 144
Anexo A – Área plantada e colhida de cana-de-açúcar por ano no Brasil ................................................... 144
19
1. INTRODUÇÃO
A agricultura brasileira tem-se desenvolvido nas últimas décadas e, em específico,
na cultura da cana-de-açúcar, que, segundo o Ministério de Abastecimento, Pecuária e
Agricultura - MAPA (2017), em 1980 e em 2016, foram produzidas, respectivamente, em
milhões de toneladas, 123 e 651 com uma estimativa para 2017 de 635. Nesse período, a
utilização de máquinas agrícolas foi essencial para o aumento das áreas cultivadas; ênfase
especial foi dada ao processo de colheita e, desse modo, está-se cumprindo a exigência legal
atual, quando a queima da cana está proibida (SEVERO e CARDOSO, 2009).
O processo operacional de colheita de cana-de-açúcar, devido à grande quantidade
de equipamentos, torna a gestão do parque de máquinas complexo, sendo necessário um
monitoramento contínuo da capacidade operacional da colhedora (COC), que é definida como
a quantidade de cana colhida por tempo trabalhado e também do custo operacional (CO),
mensurados em real por tonelada. Esses indicadores auxiliam na tomada de decisão com maior
assertividade, possibilitando alterações nos equipamentos ou nas operações.
Segundo Banchi (2016), o custo da mecanização representa 41 % do custo de
produção de uma saca de açúcar, parcela essa significativa, o que induz a necessidade de gestão
técnica, econômica e operacional dos equipamentos. Gago (1986), Gonçalves (1993) e Banchi
(2012) citam que a eficiência global, ou seja, a relação entre o total de horas produtivas e as
horas disponíveis, para operação das colhedoras, é inadequada, visto que esse valor é inferior a
30 %; Hansen (2006), para equipamentos de uma planta industrial, cita que valores inferiores a
65 % são inaceitáveis.
Este trabalho teve como hipótese que a aplicação da COC permite gerenciar a
operação e o custo operacional da colheita mecanizada de cana-de-açúcar, possibilitando,
assim, as correções e adequações quando necessárias.
Para orientar a tomada de decisões dos profissionais envolvidos com o
gerenciamento do maquinário, elaborou-se uma função matemática que represente a COC em
função da produtividade agrícola da cultura e da vida da colhedora; também se determinou o
CO da colhedora em função da COC.
A COC e o CO da colhedora podem ser descritos por modelos matemáticos, cujas
variáveis independentes são: vida da colhedora (horas de uso do equipamento) e da
produtividade agrícola da cultura nas condições em análise.
20
1.1. Objetivo
O projeto tem como objetivo modelar e analisar a COC e o CO na tomada de
decisões do gerenciamento da colheita mecânica.
1.2. Objetivos específicos
Os objetivos específicos do projeto foram:
Definir e parametrizar o modelo matemático para a COC da colhedora de cana-
de-açúcar; sendo esse índice determinado em caráter geral, ou por unidade
produtora (usina sucroalcooleira), ou por fabricante ou por modelo da colhedora,
em função da produtividade agrícola da cultura e da vida da colhedora;
Definir e parametrizar o modelo matemático do CO em função da COC;
Determinar a evolução da COC e do CO para diferentes produtividades
agrícolas, nos diversos estágios da vida do equipamento;
Efetuar aplicações da COC no gerenciamento das operações, em face de um
padrão pré-estabelecido e também realizar um comparativo entre unidades e
modelos de equipamentos, e o dimensionamento do parque de colhedoras.
21
2. REVISÃO BIBLIOGRÁFICA
Neste capítulo, realizou-se uma revisão bibliográfica para investigar as tecnologias
que são utilizadas e apresentadas no trabalho proposto, sendo que esta foi subdividida em dez
tópicos, que são:
-Colheita de cana-de-açúcar - panorama do desenvolvimento;
-Evolução do setor sucroalcooleiro no Brasil;
-Composição do custo global na produção de açúcar;
-Princípios operacionais da colhedora;
-Processo operacional de colheita mecanizada de cana-de-açúcar;
-Composição do custo nas máquinas agrícolas;
-Capacidade operacional da colhedora (COC);
-Indicadores operacionais e gerenciais dos equipamentos; e
-Modelos matemáticos.
2.1. Colheita de cana-de-açúcar – panorama do desenvolvimento
Atualmente no Brasil, existem três sistemas de colheita, que são denominados
manual, semimecanizado e mecanizado. Historicamente, o primeiro sistema de colheita citado
começou no período colonial, em meados do século XVI. Ripoli e Ripoli (2009) afirmam que,
na colheita manual de cana, todo o processo decorre da mão de obra braçal, desde o corte ao
carregamento.
Já a colheita semimecanizada nasceu durante o século XX, entre 1950 e 1955,
conseguindo trabalhar em topografias com máximo de 25% de declive, atualmente utilizada por
alguns produtores. Esse sistema de colheita é baseado no corte manual, e o carregamento
mecanizado, sendo que a cana geralmente é queimada, para facilitar o corte e o desponte,
fazendo as leiras de cana inteira no chão, para ser carregada nos caminhões canavieiros. Os
produtores que aderem a esse sistema, normalmente, são pequenos ou médios produtores que
convergem para a aproximação da colheita mecânica, porém não possuem todo o recurso
necessário para adotá-la.
O sistema totalmente mecanizado, por sua vez, aconteceu a partir da necessidade
de aumentar o rendimento de todo o processo e diminuir os custos, além da escassez de mão de
obra por que o setor passava. Essa mudança também influenciou positivamente no ritmo da
22
indústria, que era mais acelerado que o da colheita. Outro ponto positivo que a colheita
mecanizada proporcionou foi referente ao meio ambiente, pois, ao adotar esse sistema,
eliminou-se a queima do processo.
De acordo com Paranhos (1974), dado à dificuldade de obtenção de mão de obra
braçal, principalmente para o corte de cana, e também pela ineficiência desse processo, sendo
que todos esses fatos geravam altos custos operacionais, surgiu necessidade de
desenvolvimento de novos tipos de máquinas agrícolas para a cultura de cana-de-açúcar.
Estudos realizados por Ripoli e Ripoli (2009) citam que, em 1906, foi fabricada a
primeira colhedora de cana autopropelida nos Estados Unidos; na Austrália, mais de meio
século depois, em meados de 1960, foi fabricada a colhedora combinada, porém, na agricultura
brasileira, o primeiro modelo de colhedora feito por fábrica nacional só veio aparecer no final
da década de 1950, através da empresa SANTAL. Esse equipamento consistia em implementos
de corte e carregamento de cana montado sobre um trator de esteira Caterpillar, e era específico
para cana inteira, foi chamado de SANTAL SL, mas principalmente ocorreu o uso de tecnologia
proveniente de outros países como Austrália e Alemanha. No ano de 1978, ocorreu a produção
da primeira colhedora nacional motora e autopropelida, conhecida como SANTAL 115.
Costa Neto (2006) cita que o trabalho realizado por uma colhedora de cana equivale
ao esforço realizado por 100 pessoas, convertendo em Mg h-1, assim, pode-se dizer que,
enquanto 1 trabalhador colhe entre 5 e 6 Mg dia-1, uma colhedora faz entre 15 e 20 Mg h-1,
reduzindo, dessa forma, os problemas com escassez de mão de obra ou possíveis problemas
trabalhistas. Com isso, a colheita mecanizada tornou-se altamente viável, acarretando na
crescente mudança desse processo.
Segundo informações na UNICA (2016), 83% dos canaviais do estado de São Paulo
são colhidos de forma mecanizada, ou seja, 4,03 milhões de hectares. Esse aumento drástico
para o sistema de colheita mecanizado aconteceu a partir de 2006, por causa do protocolo
agroambiental. Na safra 2006/2007, o percentual de área colhida mecanicamente no estado era
de 34,2 %; já na safra 2013/2014 esse percentual aumentou para 83,7 %, porém a entidade
destaca que, referindo-se só a usinas do estado, a cana colhida mecanicamente chega a
praticamente 100%.
A combinação de operações permite que o sistema de colheita de cana efetue o
despalhe parcial e tenha maior habilidade de colheita de canaviais com maior incidência de
tombamento, característica essa que possibilitou a esse sistema se prevalecer sobre os outros.
Mesmo assim, esse processo ainda apresenta restrições relacionadas com qualidade e perda de
matéria-prima, compactação de solo, estabilidade em terrenos declivosos e habilidade restrita
23
para recuperação da palha. Diante disso, torna-se necessária uma análise crítica que possa
buscar novas soluções tecnológicas de desenvolvimento de processos de colheita menos
restritivos.
Segundo Ramos (2013), a evolução tecnológica permite que a colheita mecânica,
no seu atual estágio e dentro dos limites de topografia exigidos, seja efetuada a contento. Devido
a esse processo, uma grande quantidade de funcionários foi encaminhada para outras tarefas.
Desse modo, as atuais colhedoras existentes no mercado estão em amplo desenvolvimento,
adquirindo mais tecnologia dia a dia, o que, além de facilitar o procedimento de colheita para o
operador, promove informes que auxiliam no gerenciamento do trabalho realizado no campo.
Com isso, aprimorou o rendimento operacional, gerando uma redução de gastos energéticos,
melhor qualidade de material colhido e, finalmente, a redução de custos. Entretanto, o atual
processo tem sido avaliado em diversas vertentes em relação às alterações necessárias para que
haja ajustes entre os equipamentos que já existem no mercado em face das particularidades dos
canaviais nas unidades produtoras no Brasil.
Benedini e Donzelli (2007) citam que o maior crescimento da colheita mecanizada
acontece nos canaviais que são plantados sob as condições ideais para a colheita mecânica, com
declividades inferiores a 12%. Entretanto, nota-se que áreas com topografias de até 17% podem
suportar colheita mecanizada após sofrerem alguns ajustes técnicos, tais como melhorias na
sistematização da área, proporcionando aumento na capacidade operacional da colhedora e na
manutenção da produtividade agrícola. A sistematização é realizada pelas adequações dos
talhões para evitar o excesso de manobras, apoiado por um espaçamento apropriado entre as
linhas de plantio com um paralelismo na sulcação, evitando, assim, o pisoteio na brota da cana-
de-açúcar.
Ripoli e Ripoli (2009) também descrevem que a sistematização consiste em adaptar
o talhão que será cultivado, tendo como principais itens o nivelamento, o dimensionamento
adequado do talhão, o paralelismo entre as ruas plantadas, a remoção de cascalhos e dejetos de
materiais, no correto mapeamento de estradas e carreadores; desse modo, pode-se obter um
maior rendimento operacional.
Volpato (2001) afirma que, à proporção que os desníveis dos talhões aumentam,
bem como buracos, pedras e tocos, a operação das colhedoras é afetada negativamente,
sucumbindo a perdas de matéria-prima, acréscimo de impurezas vegetais e minerais, além do
aumento da frequência da manutenção das colhedoras.
Segato et al. (2006) afirmam que a disponibilização de recursos, como luz, água e
temperatura ambiente, está diretamente relacionada com a escolha do espaçamento entre as
24
linhas de plantio de cana-de-açúcar, de modo que este atenda as exigências agronômicas e da
mecanização; com esse conjunto de medidas, ocorre o aumento da produção o que possibilita
o aperfeiçoamento das atividades de colheita.
2.2. A evolução do setor sucroalcooleiro no Brasil
Rosa (2013) afirma que a questão ambiental vem incentivando o consumo por
combustíveis vindos de fontes renováveis. Com isso, o Brasil apresenta-se em posição
privilegiada, pois, segundo informações da Unica (2016), é responsável por 16% da produção
de etanol do mundo, que é o principal combustível de fonte renovável. Desse modo, tem
ocorrido um crescimento acelerado de sua produção e também de açúcar, que é suportado por
uma ampla expansão de sua área de cultura, criando o crescimento vertical dos canaviais
brasileiros. Assim, a área cultivada com cana-de-açúcar no país praticamente dobrou nos
últimos 10 anos, aumentando de 4,8 milhões de hectares plantados em 2002 para pouco mais
de 9,1 milhões em 2010. Dentre os estados, há o destaque para São Paulo e Paraná, que, no
período considerado, expandiram cerca de 100%, e para as novas fronteiras agrícolas, como
Goiás e Mato Grosso do Sul, com um crescimento de 300%. É apresentada, na Figura 1, a
evolução da produção de cana-de-açúcar no período de 1980 a 2016.
Figura 1 - Evolução da produção de cana-de-açúcar no Brasil.
Fonte: UNICA – União da indústria de cana-de-açúcar, 2017.
Nota-se, na Figura 1, que a produção de cana-de-açúcar no período de 1980 a 2016
cresceu em torno de 540 %.
25
O estado de São Paulo, por sua facilidade de comunicação, nível tecnógico e
fiscalização mais rigorosa, teve destaque na evolução da colheita mecanizada (Figura 2).
Figura 2 - Evolução da colheita da cana-de-açúcar no estado de São Paulo
Fonte: Secretaria do meio ambiente, 2014.
De acordo com a Figura 2, na safra 2006/2007, o percentual de colheita de cana
crua era de 34,2 % e, na safra 2013/2014, esse percentual passou para 83,7 %, e o restante da
área - 16,3 % - era colhido com a queima do canavial. Além da evolução da recolha de cana
crua, houve um acréscimo de 48 % na área cultivada no mesmo período.
Já as Figuras 3 e 4 mostram uma visão geográfica da evolução do corte mecanizado,
no estado de São Paulo, no período de 2006/2007 até a safra 2013/2014, corroborando a Figura
2.
26
Figura 3 - Áreas de cana-de-açúcar colhida crua na safra 2006/2007.
Fonte: Secretaria do meio ambiente, 2014.
Figura 4 - Áreas de cana colhida crua na safra 2013/2014.
Fonte: Secretaria do meio ambiente, 2014.
Conforme as Figuras 2, 3 e 4, a evolução da colheita mecanizada de cana-de-açúcar
crua no estado de São Paulo passou de 34,2 % para 83,7 % em 7 anos.
Na Figura 5, é mostrado o percentual da colheita mecanizada em diversas regiões
do Brasil na safra 2013/2014.
27
Figura 5 - Percentual da colheita mecanizada na região Centro-Sul do Brasil (Safra 13/14).
Fonte: UNICA – União da indústria de cana-de-açúcar, 2016.
Analisando a Figura 5, nota-se que, na safra de 2013/2014, as regiões com maior
percentual de colheita mecanizada eram as de novas fronteiras agrícolas, como MT, MS, MG e
GO, visto que estas já foram desenvolvidas em uma época com carência de trabalhadores e com
uma sistematização das áreas propícias à mecanização.
Na Figura 6, é apresentada a evolução da colheita mecânica da cana na região
Centro-Sul do Brasil entre os anos de 2008 e 2015.
Figura 6 - Evolução da colheita mecanizada na região Centro-Sul do Brasil
Fonte: UNICA – União da indústria de cana-de-açúcar, 2016.
28
De acordo com a Figura 6, houve um aumento de aproximadamente 100 % da
colheita mecanizada na região Centro-Sul do Brasil no período de 2008 a 2015.
Na Figura 7, são apresentadas a evolução da mecanização na colheita de cana-de-
açúcar e a produtividade agrícola da cultura (t/ha) para a região Centro-Sul do Brasil.
Figura 7 - Comparativo da evolução da colheita mecânica e a produtividade agrícola da cultura
nos canaviais (t/ha).
Fonte: UNICA – União da indústria de cana-de-açúcar, 2016.
Com o aumento da mecanização agrícola, a produtividade agrícola (TCH) oscilou
no período de 2008 a 2015, ressaltando-se que até 2011 houve uma redução e, a partir de 2012,
ocorreu sua recuperação.
2.3. Composição do custo global na produção de açúcar
O custo com a frota de máquinas utilizadas no setor sucroalcooleiro tem atingido
altos valores, sendo que isto se deve ao alto nível de mecanização exigido pela cultura. Banchi
et al. (2016), analisando dados de uma empresa com uma frota de aproximadamente 500
equipamentos motores e 1.000 implementos (equipamentos não motores), que executam 99 %
da colheita mecânica, observaram que a indústria representa 25 % do custo de uma saca de
açúcar; o setor administrativo com as despesas financeiras (juros) representa 8,4 %; e o setor
agrícola, 66,6 %. Na área agrícola, o custo com mecanização representa 41 % do custo global,
logo a mecanização representa a maior parcela do custo de produção (Figura 8).
29
Figura 8 - Participação da mecanização no custo de produção – setor sucroalcooleiro.
Fonte: Banchi et al., 2016.
2.4. Princípios operacionais da colhedora
Neves (2003) exibe o sistema de funcionamento de forma generalizada da
colhedora de cana-de-açúcar de pneus (Figura 9). O corte é realizado na base dos colmos pelo
impacto de cisalhamento das lâminas, que estão a discos rotativos, os quais compõem o
conjunto de cortadores de base; também são separadas as ponteiras da cana e depositadas no
chão pelos cortadores de pontas; logo ocorre a segmentação dos colmos dos facões de rolos
sincronizados dentro da máquina. Ao final do processo, ocorre limpeza da matéria prima, da
seguinte forma: primeiramente, os colmos segmentados passam pelo extrator primário, onde
ocorre a maior parte da limpeza, chegando ao extrator secundário, o qual elimina possíveis
impurezas minerais e vegetais que passaram pelo primeiro extrator.
Esse material é lançado diretamente em caminhões ou carretas (de transbordo), que,
por sua vez, transferem a carga para caminhões ou carretas rodoviárias, para então ser
transportada para a indústria (COELHO, 2009). Em alguns locais, onde ainda é permitida,
perdura em pequenas quantidades (regiões fora do estado de São Paulo) a queima da cana, para
posterior colheita mecanizada (Figuras 3 e 4).
30
Figura 9 - Partes de uma colhedora de cana-de-açúcar.
Fonte: Neves, 2003.
Segundo Magalhaes e Braunbeck (2010), a colheita mecanizada abrange dez
operações básicas realizadas pelas colhedoras autopropelidas: o corte dos ponteiros; o trabalho
com os colmos (levantamento e alinhamento, tombamento, corte de base, levantamento da base,
transporte com separação de parte da terra captada no corte de base e picagem dos colmos em
rebolos); ventilação e limpeza primária da palha; transporte de rebolos através do elevador para
descarga; ventilação e limpeza secundária; e descarga a granel dos rebolos nos veículos de
transbordo.
2.5. Processo operacional de colheita mecanizada de cana-de-açúcar
O aumento em ritmo acelerado da mudança da colheita manual ou semimecanizada
para o sistema mecanizado se deve por três fatores, que são: a carência de mão de obra destinada
ao trabalho na área rural, a necessidade de mitigar custos e melhorar os processos de colheita e
a implantação do protocolo agroambiental, o qual proibe a queima dos canaviais, para áreas que
possibilitam a colheita mecanizada até 2014, enquanto as não mecanizáveis até 2017.
(SEVERO e CARDOSO, 2007).
Gazon (2009) aponta que, sistematizando a área a ser trabalhada, ou seja,
padronizando as linhas de plantio para diminuir o índice de manobra, ocorre o sincronismo
entre colheita e plantio, gerando o maior rendimento da operação e menores custos.
31
Do ponto de vista biofisiológico, a colheita representa o final do ciclo de
crescimento e maturação (RIPOLI e RIPOLI, 2009). Observando sob a vertente operacional,
todos os sistemas de colheita se iniciam no campo, através do corte da cana-de-açúcar, passando
esta pelo transporte e sendo entregue a agroindústria para o processamento (RIPOLI e RIPOLI,
2009). A Figura 10 exemplifica cada processo de colheita.
Figura 10 - Sistema de colheita de cana-de-açúcar e suas interfaces.
Fonte: Ripoli, 2009.
Mundim (2009) mapeia o sistema de colheita mecanizado começando pelo corte de
base, passando pela segmentação dos colmos e limpeza e chegando ao descarregamento desse
material em um veículo, sendo que todos esses processos são feitos pelas colhedoras, seguidos
do transporte da matéria-prima até a agroindústria.
Os veículos em questão, segundo Araújo et al. (2013), trafegam nas entrelinhas da
cultura com pneus impróprios, causando aumento na densidade do solo, acarretando em
menores produtividades nos anos subsequentes, além de diminuir a longevidade do canavial.
A alternativa encontrada para mitigar o problema da compactação foi adicionar uma
nova etapa no processo, o transbordo. Esta consiste em um implemento chamado transbordo,
que possui pneus de alta flutuação, sendo tracionado por tratores agrícolas ou caminhões
rodoviários adaptados para o tráfego nas entrelinhas. Essa nova etapa é responsável por
acompanhar a colhedora de cana para receber os colmos e levá-los até o caminhão rodoviário,
que aguarda no chamado ponto de transbordamento, fora dos talhões de cana.
O implemento citado está demonstrado nas Figuras 11 e 12. Na Figura 11, observa-
se a carreta transbordo, que é tracionada pelo trator agrícola; e, na imagem subsequente, nota-
se o caminhão transbordo, cuja caçamba é montada sobre o chassi do caminhão.
32
Segundo Mundim (2009), podem-se fazer arranjos de tratores agrícolas tracionando
1, 2 ou 3 carretas transbordos, sendo mais comum a utilização de 2 carretas. Após o
preenchimento, o conjunto trator-implemento desloca-se até o ponto de transbordamento,
fazendo a transferência da carga para o caminhão rodoviário. O mesmo processo é válido para
o caminhão transbordo.
Essas duas modalidades podem ser aplicadas de modo único ou combinadas
(BANCHI e LOPES, 2012b).
Figura 11 - Carreta transbordo
Figura 12 - Caminhão transbordo
Na Figura 13, é mostrada uma representação do corte e sistema de carregamento de
cana-de-açúcar, em que o transbordo se desloca ao lado da colhedora.
Figura 13 - Corte e carregamento de cana-de-açúcar
Como apresentado na Figura 14, para o descarregamento dos transbordos, estes
ficam em paralelo com os caminhões rodoviários a uma distância próxima e, em seguida, são
33
acionados os pistões hidráulicos, que levantam a caçamba e tombam a cana dentro da carroceria
do caminhão rodoviário. Esse processo pode ser considerado contínuo, pois, enquanto um
transbordo está transferindo a cana para o caminhão, outro já se encontra paralelo à colhedora
para receber a que será colhida.
Figura 14 - Transferência de cana-de-açúcar para o caminhão rodoviário
Galvão (2015) afirma que a adição de uma nova etapa no processo de colheita se
justifica pela redução da compactação do solo, acarretando na maior produtividade e
longevidade do canavial. Esses benefícios se explicam pelo uso dos pneus de alta flutuação que
foram desenvolvidos para essa finalidade.
Tendo em vista que, durante o deslocamento do conjunto trator-transbordo, a
colhedora fica com o motor ocioso, Silva (2006) afirma que cada colhedora exige no mínimo
dois conjuntos, para que esta continue em operação durante o descarregamento do primeiro
transbordo. Em algumas situações, pode haver frentes de colheita com duas colhedoras, sendo
assim, podem-se utilizar três conjuntos tratores transbordos, mas sabe-se que este número é
mais elevado, devido a problemas logísticos e administrativos da empresa.
Na execução da colheita mecânica, em unidades sucroalcooleiras, deve-se destacar
que estas ocorrem em locais (canaviais) denominados frentes, que são previamente
programadas e, de modo geral, possuem uma estrutura de apoio. Esta, que pode variar, conta
com colhedoras; tratores ou caminhões, para realizarem o recebimento da cana colhida –
transbordos; um pátio de descarga do transbordo – local em que se transfere a cana picada para
os reboques dos caminhões rodoviários. E esses últimos, por sua vez, transportam a carga para
34
o local de descarregamento das usinas, que são os locais de alimentação da matéria-prima para
o processamento (Figura 15).
Figura 15 - Fluxograma do processo de colheita e transporte de cana-de-açúcar
Fonte: Milan e Rosa, 2015.
Magalhães et al. (2008), estudando perdas de cana por ausência de sincronia e
paralelismo entre máquina colhedora e transbordo, desenvolveram um sistema que auxilia no
sincronismo desses dois equipamentos. Ao final do experimento, os autores concluíram que as
perdas diminuíram em 0,6 t ha-1 quando comparado aos equipamentos sem o dispositivo,
aumentando assim a eficiência de operação de colheita.
Cervi et al. (2015) realizaram estudos utilizando ferramentas para avaliar o
desempenho operacional do corte, carregamento e transporte na colheita de cana-de-açúcar. A
metodologia utilizada foi adaptada da ASABE (2011), MIALHE (1994), RIPOLI e RIPOLI
(2009) e SANTOS (2011). Com isso, foi possível dimensionar a frota utilizada na colheita
(colhedora, tratores e transbordo) e chegar à conclusão que os indicadores de desempenhos
operacionais auxiliam para a otimização do processo da colheita de cana.
Ramos et al. (2014), avaliando a influência da velocidade de labor das colhedoras
nas perdas durante a colheita, para colhedoras com 243 kW, modelo Case IH A8800,
concluíram que velocidade e perda são diretamente proporcionais. Para velocidade de
deslocamento menor que 4,0 km h-1, as perdas foram inferiores a 2,5 %, ao passo que, ao
aumentar a velocidade para 5,5 km h-1, as perdas aumentaram para a faixa de 2,5 a 4,5 %.
Barbosa (2013) orienta que, para a escolha da variedade a ser plantada, devem ser
levados em conta vários fatores, que são: adequação ao ambiente de produção, brotação da
soqueira, maturação, produtividade, adequabilidade da variedade a colheita mecanizada e
35
características tecnológicas que a indústria necessita, tais como POL de cana de açúcar em % e
percentual de fibras.
Os custos com máquinas agrícolas podem atingir quarenta por cento do custo total
de uma propriedade. Com isso, viu-se a necessidade de investir em gerenciamento de máquinas
agrícolas para planejar, executar e controlar as operações, visando diminuir os custos e
aumentar a eficiência, através da utilização racional das máquinas (SICHONANY et al., 2012).
Aoe e Leal (2011) destacam que tem aumentado significativamente o interesse pela
gestão de informação, e a função da informação na eficiência organizacional tem colaborado
para a criação de novos métodos para gerenciá-la. Os autores destacam que empresas que optam
pela adoção de sistemas de gestão de frotas obtêm vantagens competitivas em relação às que
não o fazem, pois, através do correto gerenciamento, é possível otimizar a produtividade e vida
útil dos equipamentos, além de reduzir os custos de reparo e manutenção. Sendo assim, é
razoável dedicar atenção no monitoramento de equipamentos agrícolas em fazendas que são
mecanizadas (SICHONANY et al., 2011).
Dentre as ferramentas existentes para o gerenciamento das amostras de informações
na organização, existe uma que se baseia no sistema de informação do banco de dados (BD).
Ela á baseada em um conjunto de dados integrados aptos a gerenciar, se elaborados e utilizados
de forma apropriada, consideráveis volumes de informação sobre uma determinada aplicação
que possui por finalidade atender um grupo de usuários, servindo de plataforma e que seja
adequado e eficiente para o armazenamento e a recuperação das informações (HEUSER, 2004).
Aoe e Leal (2011) afirmam que, para obter informações relevantes que irão auxiliar
nas tomadas de decisões, acarretando em vantagens competitivas, é necessário utilizar um
SGBD (sistema de gerenciamento de banco de dado), pois essa ferramenta foi desenvolvida
para trabalhar com dados integrados.
Segundo Banchi (2012), um sistema de gestão para operações agrícolas são
ferramentas informatizadas que auxiliam no gerenciamento, no planejamento, na programação
e no monitoramento e intervém se necessário nas operações que já foram pré-estabelecidas,
através da captação de todas as informações relevantes contidas no processo analisado.
Com o advento da intensa mecanização agrícola, que acarreta no aumento do
número de equipamentos, viu-se necessário adoção dos sistemas de gestão, com o objetivo de
minimizar paradas. Para isso, é necessário que as informações sejam transmitidas e analisadas
para a tomada de decisão em tempo real, ou seja, online. Informações que comprovam os
resultados positivos desse sistema se referem ao percentual de horas paradas das colhedoras
36
autopropelidas em relação aos tratores de pneus, pois, mesmo que as colhedoras tenham
infraestrutura mais pesada, possuem menos horas paradas que os tratores de pneus.
Gestão de Frota – Esse termo define o conjunto de atividades para administrar e
gerenciar um complexo de equipamentos motores ou não-motores (tracionados) e, em unidades
sucroalcooleiras, o custo total da frota é significativo; destacando, em específico, que a parcela
agrícola é de 66,6% do custo de produção de uma saca de açúcar. Dado esse valor, é importante
a atuação otimizada das parcelas que compõem esse processo. Assim, as informações desse
sistema devem ser preferencialmente automatizadas, para que haja integração com medidores
de vazões de combustível, computadores de bordo, celulares habilitados à captação de dados e
transferência de informes, afinal, sistemas de gestão de materiais são essenciais para a tomada
de decisão em tempo hábil (BANCHI et al., 2016).
Nos cálculos necessários para uma gestão sobre essas despesas, pode-se e deve-se
atuar em processo preditivo, evitando perdas, ou de modo corretivo, impedindo o aumento de
gastos. Para realização da administração da manutenção, deve-se ter um adequado sistema que
possua diversas funções que devem ser agregadas em módulos, permitindo um crescimento
quando necessário (Figura 16).
Figura 16 - Módulos que integram um sistema de Gestão de Frota.
Fonte: BANCHI et al., 2012c.
37
Descrevendo as funções dos principais módulos, tem-se:
Inventário e cadastros técnicos – Relação detalhada das características técnicas dos
equipamentos motores e não motores, ou seja, implementos tracionados.
Manutenção Básica – Compõe-se do inventário técnico do parque de equipamentos
motores e também suas características relacionadas aos cárteres de óleo e de seus filtros
correspondentes; de seu consumo padrão de combustível – valores esperados. Com base em seu
uso e pelos dados coletados, realiza as programações de suas manutenções primárias como:
substituição dos óleos, de seus filtros, limpeza dos equipamentos. Analisa se estes foram
realizados adequadamente quanto ao período de uso, quantidade de fluido e espécie de produto.
Verifica o horímetro/hodômetro quanto a seu funcionamento, adverte quando houver
problemas; também identifica possíveis excessos no consumo de combustível e mantém
registros (BANCHI et al., 2012 c).
Estoque de Combustível e de Lubrificantes – Mantém a gestão da quantidade dos
produtos analisados, suas entradas (recebimentos), suas saídas (entregas) e seu estoque. Adverte
suas discrepâncias dos valores contabilizados perante as medições físicas. Permite orçar as
quantidades necessárias para períodos futuros. É possível integração com bombas eletrônicas e
medidores automatizados de volume nos tanques.
Implemento – Classifica e mantém um cadastro das características técnicas,
inventário detalhado de todo equipamento não motor, suas tarefas, pertinências e histórico das
manutenções e lubrificações.
Manutenção Preventiva – O sistema mantém a descrição técnica dos serviços que
compõem os planos de manutenção; essas tarefas podem ser programadas tanto em horas para
as máquinas, quanto em quilômetros para veículos e similares ou ainda em dias para qualquer
tipo de equipamento; as paradas são programadas quando forem realizadas solicitações de seus
indicadores; também emite suas Ordens de Serviço e requisita os materiais necessários.
Oficina Mecânica – Não só determina o custo com manutenção por equipamento
como também a controla, que pode ser realizada por oficina própria ou de terceiros; armazena
o histórico de manutenções realizadas por cada equipamento; adverte caso ocorra retrabalho
(repetição de serviços); e, por análises estatísticas, determina críticas quanto ao custo e número
de serviços discrepantes.
Pneus – Gerencia o uso dos pneus, sua localização (equipamento e posição),
manutenções ocorridas, agentes causadores de falhas e seus motivos de eliminação. Para cada
modelo, são determinados sua durabilidade e seu custo tanto por hora quanto por quilômetro.
Identifica os pneus que estão em situação de desgaste excessivo e também com pressões
38
incorretas. Pela análise do desgaste, identifica possíveis problemas mecânicos como
desalinhamento e desbalanceamento. Programa as manutenções adequadas aos pneumáticos,
como: verificações, reaperto de roda, calibragem, medição de sulco, alinhamento,
balanceamento, rodízio. E, pela análise da medição do sulco, são realizados planos de reforma
a cada pneu.
Componentes – Através do acompanhamento de cada um dos elementos, são
determinados tanto sua durabilidade (h/km e dias), como também seu custo. Através da análise
de suas falhas, mantêm o histórico de manutenções críticas. Gerenciam as garantias do produto
e determinam-nas para todos os modelos por tipo de agregado que possui maior período de vida
útil e menor custo.
Laboratório de Óleo – Constitui-se como ferramenta da manutenção preditiva e
armazena o histórico dos diagnósticos por equipamento, compartimento, classe operacional e
medidas tomadas. Os diagnósticos são feitos de acordo com os parâmetros estabelecidos
previamente e permitem uma análise estatística das amostragens, e também análises dentro de
qualquer período.
Licenciamento e Seguros – Administra o vencimento de obrigação administrativa,
tais como seguro e licenciamento. Para cada operador, o sistema controla os seus respectivos
eventos: vencimento de habilitação (período de renovação), de exame médico, pontuação de
multa. Integra os valores despendidos em multa ou licenciamento ao módulo de custo.
Custos – Calcula os valores reais (efetivamente gastos com cada equipamento) e
também estima um orçamento. Faz isso para cada unidade produtora, modelo ou equipamento
e determina os custos das parcelas de recuperação de capital (de depreciação e de juros), taxas
administrativas, salários e encargos sociais dos operadores (tratoristas ou motoristas),
combustíveis, lubrificantes, reparos e rateios pré-definidos por cada empresa (BANCHI et al.,
2012c).
2.6. Composição do custo em máquinas agrícolas
Neste subcapítulo, foram apresentados a composição do custo dos equipamentos
agrícolas e seus valores encontrados na literatura.
39
2.6.1. Custo de máquinas agrícolas
Segundo Silva et al. (2004), para um projeto ser bem-sucedido, é necessário fazer
avaliação prévia, passando por todas as etapas de execução, com a finalidade de maximizar a
produtividade e minimizar o custo de produção. Peloia e Milan (2010) citam que a mecanização
agrícola é um dos principais representantes do custo na agricultura brasileira, perdendo apenas
para a posse de terra. Entretanto, na questão de potencial de redução de custo, observa-se a
mecanização como fator predominante.
Banchi, Lopes e Rocco (2009a) asseguram que, para o correto gerenciamento de
uma frota, é necessário obter o conhecimento de todo o seu custo, pois isso acarreta em uma
potencial redução de custos e auxilia na tomada de decisão.
Banchi, Lopes e Rocco (2009a) apresentam a metodologia tradicional, em que o
custo dos equipamentos é composto por duas parcelas – custos fixo e variável –, e estes são
subdivididos em outras sub-parcelas, como mostra a Figura 17:
Figura 17 - Diagrama das parcelas da composição dos custos.
Fonte: Banchi, Lopes e Rocco, 2009a.
De acordo com Simões e Silva (2012), a relação entre a produtividade e o custo de
produção de máquinas agrícolas são inversamente proporcionais. Em estudo, verificaram que
o custo foi de US$ 131,63, para uma capacidade operacional de campo de 0,20 ha h-1, e de US$
23,93 na faixa de 1,10 ha h-1, faixa essa de melhor condição de operação e com irrigação pós-
plantio de eucalipto no campo. Os mesmos autores afirmam que, para obter confiabilidade nas
estimativas dos custos do setor agroflorestal, é necessário ter conhecimento sobre os critérios
Custo
Fixo
Depreciação Recuperação de capital com
retorno Juros
Taxas
Operador (tratoristas / motoristas)
Variável
Combustível
Lubrificante Materiais (Peças)
Manutenção Mão de obra
Pneus Serviços de terceiros
40
técnicos e econômicos, dessa forma, terá uma maior competitividade de mercado. Peloia &
Milan (2010) reforçam que as organizações líderes, de diversas esferas, possuem como
característica principal medir o próprio desempenho de maneira sistêmica; entretanto, nas
empresas agrícolas, o emprego desse conceito ainda não é comum, mesmo para o setor de
mecanização.
Segundo Simões e Silva (2012), os custos de depreciação, seguro, taxa, juro simples
e abrigos, que são denominados custos fixos, correspondem a 14,95% do custo total, sendo
assim, os custos variáveis, que englobam os reparos e manutenções, lubrificação, combustíveis
e mão de obra, são responsáveis por 85,05% para o setor da silvicultura. Dentre esses custos, o
com maior representatividade foi o gasto com combustível, com 39,56 %, sendo que,
essencialmente, diz respeito a um valor entre 35 e 45 % do custo total de produção (IBAÑES;
ROJAS, 1994); em segundo, tem-se o custo de mão de obra, que está em torno de 35 %.
Santos et al. (2014) realizaram um estudo para definir a eficiência de campo e sua
influência no custo de produção da colheita mecânica de cana e, ao final do estudo, concluíram
que tanto para colhedoras de uma linha, quanto para de duas, uma baixa eficiência de campo
torna o custo inadmissível. Comparando as eficiências de campo de 20 % e 80 % para
colhedoras de uma e duas linhas, sequencialmente, os autores chegaram aos valores de 81,36 e
65,38 R$ t-1, 7,40 e 6,64 R$ t-1 acarretando na diferença de 73,96 e 59,14 R$t-1 respectivamente.
Com isso, conclui que a eficiência de campo influencia na renda líquida da colheita, de maneira
positiva ou negativa.
Camargo Júnior (2013), analisando os forwarders (tratores florestais) com
rendimento 41,63 m³/h e eficiência operacional de 81,93 %, deparou-se com o custo operacional
de US$ 94,55 h-1.
Santos et al. (2015) estudaram o impacto da velocidade na colheita desse produto e
mostraram que baixas velocidades de operação trazem menores perdas de matéria-prima e
proporcionam uma receita bruta mais elevada. No processo de colheita mecanizada, o custo da
colhedora tem uma maior significância em relação às outras parcelas, e o aumento da
velocidade de operação envolve desempenho operacional positivo, mas acarreta em um
aumento na perda e no custo de produção da cana-de-açúcar.
No custo total da operação, as variáveis com maiores influências no custo total da
operação estão: horas efetivas de trabalho, mão de obra, manutenção e reparos, combustível e
depreciação (SANTOS, 2016).
41
2.6.2. Referência do custo de equipamentos
Neste subcapítulo, foram apresentados valores das parcelas de custo obtidos na
literatura, que serviram para fundamentar os valores calculados no capítulo de resultado.
2.6.2.1. Custo de combustíveis
No setor sucroalcooleiro, os gastos com combustível representam uma grande
parcela dos gastos com a mecanização, chegando a níveis de até 28 %, o que corresponde a 13
% do valor total do custo de produção de uma saca de açúcar.
Banchi, Lopes e Rocco (2008) apresentaram os resultados de gastos de
combustíveis (diesel) e os consumos específicos, ou seja, o consumo de combustível pela
unidade de potência do equipamento, para tratores de pneus utilizados em reboque de
transbordo e em colhedoras de cana (Tabela 1).
Tabela 1 - Consumo de combustível de tratores de pneus e colhedoras de cana.
*Classificação do grupo de tratores por faixa de potência
Fonte: Banchi, Lopes e Rocco, 2008.
2.6.2.2. Custo de lubrificantes
Banchi, Lopes e França (2005) ponderam que o consumo de lubrificantes em
equipamentos agrícolas é devido a trocas e remontas de óleo. Na troca de óleo, é feita a
substituição total do fluido, devido à degradação e contaminação prevista do óleo; já na remonta
de óleo, é feita a complementação do fluido que foi perdido devido a vazamento, queima e
degradação.
Uma das maneiras de avaliar o consumo de lubrificante é determinar a proporção
de seu gasto em relação ao combustível, aplicando a Equação 1.
Consumo Médio
± Desvio Padrão
Consumo específico
± Desvio Padrão
(l h-1) (l h-1 cv-1) x 10-2
VII 140 a 170 9,52 ± 3,12 6,00 ± 1,88
VIII 171 a 199 10,33 ± 3,23 5,79 ± 1,79
IX > 199 16,14 ± 4,27 7,39 ± 1,98
Colhedora de Cana 332 a 335 38,19 ± 3,85 11,44 ± 1,15
Trator de Pneu
Classe OperacionalFaixa de
Potência*
Potência
(cv)
42
( 1 )
Onde:
PLC – Proporção do gasto de lubrificante em relação ao gasto com combustível
(R$ R$-1);
CL – Custo de lubrificante (R$);
CC – Custo de combustível (R$).
Na Tabela 2, é mostrada a relação entre os gastos de lubrificantes em relação aos
gastos de combustível de colhedoras e tratores de pneus utilizados para transbordo em usinas.
Tabela 2 - Avaliação do gasto de lubrificante em relação ao de combustível.
Máquina / veículo PLC*
Máxima Média Mínima Desvio Padrão
Colhedora de Cana-de-açúcar 39,32 11,58 2,62 9,0
Trator de Pneu 16,00 9,95 6,56 2,8
Fonte: Banchi, Lopes e Rocco, 2008.
Nota: PLC – Relação do gasto de lubrificante sobre o gasto com combustível.
2.6.2.3. Custo com Reparo e Manutenção
Banchi, Lopes e Zago (2008a), através de estudos com frotas do setor
sucroalcooleiro, asseguram que o CRM (custo de reparo e manutenção) contribui
significativamente com o custo total dos equipamentos, aproximadamente 35 %. Os autores
aconselham que o cálculo do CRM seja feito através da soma de 3 fatores: materiais, mão de
obra e serviços com terceiros. Vale ressaltar que um dos principais conhecimentos desse tema
se refere ao comportamento da evolução do CRM em função da vida útil do equipamento, sendo
assim, constata-se que esse comportamento não apresenta característica estática, ou seja, ele
aumenta com o decorrer da vida. A determinação do equacionamento do CRM se dá através de
equações empíricas e é determinado por regressões lineares e não lineares (curvas de tendência).
Os reparos e manutenções do setor automotivo nas unidades sucroalcooleiras são
realizados com recursos próprios, pois elas possuem oficinas de reparos automotivos e
funcionários (mecânicos) exclusivos para essa finalidade, sendo apenas uma parte desse serviço
realizada em empresas contratadas.
43
Lips (2012) afirma que tanto a idade quanto a utilização anual influenciam
significativamente nos custos anuais de reparação e manutenção. Além disso, as análises de
regressão mostram que as variáveis específicas da máquina também são importantes e devem
ser levadas em consideração ao analisar os custos de reparo e manutenção.
Oliveira (2000) atribui às máquinas uma grande parcela do custo de produção das
culturas agrícolas, podendo atingir até 30 %. Alcock (1986), citado por Oliveira (2000), cita
que a área de máquina tem um grande potencial, ou seja, oportunidade de redução de custo,
acarretando em um menor custo de produção da cultura. Já Larson (1977), citado por Oliveira
(2000), comenta que os custos de parada das máquinas, devido às quebras, podem atingir
valores exorbitantes. Teixeira (1995), citado por Oliveira (2000), considera que a motivação
para manter o gasto com reparo e manutenção consiste na maior disponibilidade mecânica dos
equipamentos.
Bowers (1970), em um estudo entre a relação da confiabilidade da máquina e a sua
idade, chegou à conclusão que, quanto maior o tempo de uso, menos confiável o equipamento
se torna, concluindo também que a manutenção inadequada é um sério agravante para a
confiabilidade da máquina. O autor propôs um método subjetivo, que leva em consideração os
custos de lubrificante, reposição de peças e serviços mecânicos como “manutenção e reparos”,
e o seu valor é calculado com base no preço de uma máquina nova, vida útil, tempo de uso
acumulado e tipo da máquina.
Teixeira (1995), a fim de determinar equações para estimativas dos custos de
reparos e manutenções, estudou 80 tratores com média anual de uso de 1.227 horas e comparou,
estatisticamente, diversos tipos de regressões (linear, exponencial, logarítmica, potencial,
polinomial de 2° e 3° grau). Dentre eles, o que melhor se ajustou foi regressão potencial.
Noronha, Mialhe e Duarte (1991), em exemplo que simula o custo total de uma
mecanização, utilizaram um trator que opera 987 horas ano-1 em atividades típicas do setor
sucroalcooleiro, tais como gradagem pesada, gradagem niveladora, aração, subsolagem e
sulcação-adubação, durante dez anos, acumulando um custo total de reparos e manutenções de
US$ 14.651,30, representando 9,74% do custo total ou 69,40% do custo de aquisição do modelo
novo. Os pesquisadores citados apresentaram a Equação 2 para estimativa do custo com reparos
e manutenções:
44
( 2 )
Onde:
Y = custo acumulado de reparos e manutenções, em dólares, até X horas;
X = Vida (horas acumuladas).
Uma classe operacional importante de equipamentos agrícolas é a que efetua a
colheita de cana, as colhedoras mecânicas. Noronha, Mialhe e Duarte (1991) citam que os
custos com reparo e manutenção (CRM) representam 31,67 % em relação ao custo total,
variando de um custo mínimo de 13,38 % a um máximo de 47,89 %; desse modo, verifica-se a
importância dessa parcela. Outro fator que não pode ser desconsiderado é que esses custos são
crescentes em função do período de uso do equipamento; em outras palavras, os gastos com
manutenção ampliam-se com a idade da frota. Desse modo, Banchi, Lopes e Zago (2008a)
efetuaram um levantamento detalhado dos gastos em função da vida do equipamento em
análise, visando determinar a evolução dos custos.
De acordo com metodologia desenvolvida pela ASABE (2011) – American Society
of Agricultural and Biological Engineers, para estudo do gasto com reparo e manutenção dos
equipamentos agrícolas, a determinação dos custos utiliza inicialmente um tipo de gráfico que
relaciona o gasto acumulado com reparo e manutenção (CRM em R$), com a vida do
equipamento (h) (Figura 18). Ao se derivar a equação do CRM em função do tempo de uso,
tem-se o custo por hora com manutenção - CRM em R$ h-1 (Figura 19).
Figura 18 - Evolução do CRM (R$) ao longo da vida das colhedoras de cana.
Fonte: Banchi, Lopes e Zago, 2008b.
45
Derivando a equação citada na Figura 18, tem-se a Figura 19.
Figura 19 - Evolução do custo com reparos e manutenção acumulado (R$ h⁻¹) ao longo da vida
das colhedoras de cana.
Fonte: Banchi, Lopes e Zago, 2008b.
A mesma análise do custo por hora pode ser feita por tonelada (Figura 20).
Shimosakai (2015) concluiu que existe uma correlação entre o CRM acumulado das
colhedoras de cana e suas horas de atividade, indicando crescimento potencial do CRM em
função da sua idade.
Figura 20 - Evolução do custo com reparos e manutenção por tonelada de cana colhida (R$
Mg⁻¹) ao longo da vida das colhedoras.
Fonte: Banchi, Lopes e Zago, 2008c.
46
A Figura 21 apresenta a decomposição do Custo Global e do Custo com Reparo e
Manutenção (CRM) de uma colhedora.
Figura 21 - 1. Porcentagem dos custos que resultam no Custo Global; 2. Custo com reparo e
manutenção.
Fonte: Banchi, Lopes e Zago, 2008a.
Na Figura 21, observa-se que 33 % do custo global são fixos, sendo este a soma das
parcelas relativas a depreciação, taxas, salários e rateio administrativo. Portanto o custo
variável, ou seja, com combustível, lubrificante e CRM, representa 67 % do global. Dentre itens
que compõem o CRM, as peças ocupam 62 % dos custos, sendo um componente que pode fazer
diferença na hora da compra.
A apresentação dessas subdivisões em parcelas (%) do custo global e do custo com
reparo e manutenção serve para respaldar processos de terceirização parciais – cenários em que
o acordo não compreende todo o CRM e sim parte dele, tais como apenas peças ou mão de
obra.
Galvão (2015), estudando o custo com reparo e manutenção de dois modelos de
implementos de transbordo de cana-de-açúcar, com capacidade de carga diferente (8,5 e 10,5
toneladas), concluiu que o custo com reparo e manutenção entre eles não teve variação
significativa.
47
2.7. Capacidade operacional da colhedora (COC)
Segundo a ASABE (2011), Mialhe e Carraro Neto (1993), Furlani Neto et al. (1977)
e Mialhe e Ripoli (1976), a capacidade da colhedora foi definida com várias propriedades que
caracterizam a aptidão para a execução da tarefa, em condições operacionais específicas, sendo
elas: desenvoltura no tratamento do produto, adequabilidade mecânica e fluxo de massa do
produto.
De acordo com Ripoli e Ripoli (2009), a capacidade operacional da colhedora é o
fluxo de trabalho (massa) que o equipamento é capaz de realizar por unidade de tempo, e são
divididas em teórica, efetiva e operacional. Como o nome diz, a primeira se refere ao nível de
análise teórica, ou seja, análises sob condições ideais de trabalho. As demais são análises
realizadas a campo, envolvendo as intempéries do ambiente de trabalho. A análise de
capacidade de colheita efetiva e operacional se difere, pois, a capacidade efetiva desconsidera
os tempos de parada, como manobras de cabeceira, paradas para manutenção, entre outras. Essa
análise também recebe mais duas subdivisões, em bruta e líquida. A capacidade efetiva bruta
não leva em conta as perdas existentes no processo de colheita, enquanto a líquida considera
todas as perdas de matéria-prima possíveis de contabilizar. Já a capacidade de colheita
operacional apresenta o cenário mais realista possível, pois leva em conta todas as paradas da
colhedora, contendo, assim, todo o histórico do equipamento no cálculo. Em outras palavras,
leva em conta o tempo real de trabalho contabilizando todos os períodos de parada que ocorrem
em uma jornada de trabalho.
Bochtis et al. (2014), em um estudo de ferramentas de gestão para a mecanização
agrícola, citam cinco tarefas de gerenciamento de máquinas agrícolas, sendo elas planejamento
de capacidade (nível estratégico), planejamento de tarefas (nível tático), agendamento
(operacional), planejamento de rota (nível operacional) e avaliação de desempenho (nível de
avaliação). O estudo da COC pode ser classificado como avaliação de desempenho, e seu
resultado tem influência no nível estratégico e tático.
Segundo Witney (1988), o desempenho de uma máquina agrícola pode ser
estabelecido pela taxa pela qual uma operação/atividade é cumprida e pela qualidade de seu
produto. O significado de tais medidas de desempenho nas fazendas difere daquele das
indústrias de manufatura. A taxa de trabalho é importante por causa da sazonalidade das
operações no campo e por causa das variações no tempo climático (estado atmosférico). A
natureza deteriorável e frágil dos produtos do campo também enfatiza a necessidade de cuidado
na operação da máquina, para evitar danos ao produto.
48
Esses fatores determinam o limite superior para a taxa de desempenho da máquina,
seu projeto, a capacidade ou a taxa de projeto de tal máquina. A sua capacidade é especificada
como uma quantidade por unidade de tempo e inclui:
Capacidade da área;
Capacidade de produção do item (commodity); e
Capacidade total de produção.
Para Witney (1988), analisar a capacidade de produção em toneladas por hora de
produto é um indicador geral melhor do desempenho da máquina porque ele contempla a
variável do rendimento (quantidade colhida). A capacidade de produção da commodity,
entretanto, só leva em conta a porção vendável do produto no desempenho da máquina. A
capacidade total de produção, novamente em toneladas por hora, é usada para indicar o
desempenho em termos do fluxo total através da máquina.
As capacidades operacionais de um equipamento de corte e carregamento de cana
são expressas pelas Equações 3 e 4:
( 3 )
Ou
( 4 )
Sendo:
área = área colhida (L²)
q = massa de matéria-prima [M];
TM = tempo de máquina [TM].
Na Equação 3, tem-se a capacidade operacional em função da área trabalhada.
Para as operações em que é possível medir seu volume ou massa, pode-se calcular
a sua capacidade operacional pela Equação 4, em que a variável q é a massa ou o volume
operado.
49
A produtividade agrícola da cultura pode interferir na velocidade de deslocamento
da colhedora, consequentemente alterando sua capacidade operacional. Segundo Ripoli e Ripoli
(2009), altas produtividades agrícolas da cultura da cana, como exemplo, a variação de 100 a
110 Mg ha-1, diminuem a capacidade de colheita decorrente da menor velocidade de trabalho,
como mostrado na Figura 22.
Figura 22 - Influência da produtividade agrícola da cultura no canavial em Mg ha-1 (eixo x) e a
capacidade efetiva (CE), em Mg h-1 (eixo y) da colhedora.
Fonte: Ripoli e Ripoli, 2009.
Ramos (2013) estudou a capacidade operacional efetiva da colhedora e o gasto de
combustível em função da velocidade de operação e rotação do motor. As velocidades
pesquisadas foram 4,0 km h-1 e 5,5 km h-1, também se associaram três rotações do motor (1800,
1950 e 2100 rpm). Analisando os resultados, concluiu-se que, quando a velocidade de
deslocamento e a rotação do motor aumentaram, elevou-se o consumo de combustível por hora
trabalhada, entretanto por tonelada colhida obteve o melhor resultado para a velocidade de
trabalho de 5,5 km h-1 com 1800 rpm. Estatisticamente, em uma significância de 5 %, as médias
de capacidade operacional efetiva, levando em conta a velocidade de trabalho a 4,0 km h-1, são
iguais. Já para a velocidade de 5,5 km h-1, a maior rotação do motor proporcionou a maior
capacidade operacional efetiva de 95,53 Mg h-1. Os valores mais representativos referentes à
capacidade operacional efetiva foram obtidos na velocidade de 5,5 km h-1, corroborando Molina
Júnior et al. (2000) citados por Santos (2011), que, estudando o desempenho operacional de
colhedoras, para diferentes velocidades de deslocamento, concluíram que, ao aumentar a
velocidade de trabalho, a capacidade efetiva também aumentara.
Produtividade Agrícola (Mg ha-1)
Cap
acid
ade
Efe
tiva
(Mg h
-1)
50
Outros exemplos de trabalhos, por exemplo, o de Santos (2011), estudaram e
avaliaram o desempenho da colhedora Santal Amazón em cana queimada e cana crua com TCH
de 87,6 Mg há-1. Os números mostraram que a capacidade operacional real bruta em canaviais
de cana crua foi menor, com 57,8 Mg ha-1. Em canaviais com queima prévia, observou-se que
o aumento de 18,36 % na velocidade gera 15,6 % de aumento na capacidade de colheita.
Ripoli et al. (2001) também realizaram experimentos com cana crua e as variações
de velocidade nesse caso 4. Os resultados mostraram que o aumento de velocidade gerou uma
maior capacidade em Mg ha-1.
Carvalho Filho (2000) estudou o desempenho operacional em função das
velocidades, em um canavial com média de produtividade de 176,26 Mg ha-1 com entrelinhas
de 1,4 m, em cana crua. A colhedora utilizada foi de 213 kW de potência, com capacidade de
colheita em fileira única de até 1,5 m ou dupla de 1 m. As velocidades consideradas variaram
de 1,5 a 7,0 km h-1. O pesquisador chegou à conclusão que a capacidade operacional tem
diferença estatística nas velocidades 1,5 e 3,0 km h-1, e também nas mais altas, 5,0 e 7,0 km h-
1. Em relação ao consumo de combustível em l t-1, o menor foi na maior velocidade, 7 km h-1;
e o maior, na de 1,5 km h-1, concluindo que as baixas velocidades e baixas eficiências elevam
os custos por tonelada colhida de cana crua. Os mesmos resultados foram comprovados por
Nery (2000).
Os resultados encontrados por Santos (2011), considerando um cenário básico com
uma Usina Padrão de área própria de 22.000 ha, produtividade agrícola da cultura média de 80
Mg ha-1 e espaçamento entre linhas de 1,5 m e aplicando o modelo desenvolvido, representa o
valor de 75 % dos custos de produção. Também concluiu que o aumento da velocidade das
colhedoras acarreta positivamente no desempenho operacional de colheita, porém aumenta os
custos e perdas na produção. O aumento da produtividade contribui para um menor custo de
produção, porém é necessário estar atento ao consumo de combustível, uma das variáveis de
maior impacto nos custos do sistema.
2.7.1. Capacidade operacional de jornada – COj
Segundo Ripoli et al. (2001), a Capacidade Operacional de Jornada refere-se a
medida da massa de cana colhida e o tempo operacional de uma jornada de trabalho (Equação
5), em que são considerados o tempo de execução da colheita e os tempos de manobras de
cabeceira, de troca de veículo, de transporte, de desembuchamento, de abastecimento e
manutenção de um talhão para outro na área da frente de colheita.
51
( 5 )
Sendo:
Qj = quantidade de cana colhida em um dia de trabalho [M];
Tj = duração da jornada da máquina [T].
2.7.2. Capacidade operacional de longo termo - COLT
De acordo com Ripoli et al. (2001), é chamado de Capacidade Operacional de
Longo Termo toda a cana colhida e tempo considerado ao longo de um ano agrícola. (Equação
6).
( 6 )
Sendo:
Qs = quantidade de cana colhida em uma safra [M];
Ds = número de dias na safra agrícola considerada [T];
Tj = duração da jornada da máquina [T].
2.7.3. Capacidade efetiva de carregadoras – CEc
Ripoli et al. (2001) determinaram que a carregadora de cana (Cec ) é capaz de,
efetivamente, obter um rendimento expresso pela relação de massa total subtraída ( C ) pela
matéria estranha contida nesse total (IT), resultando somente em matéria-prima que será
utilizada. Essa diferença é dividida pelo período de tempo (H) apresentado em horas, em que a
máquina se encontra efetivamente trabalhando, posteriormente multiplicado pela Eficácia de
manipulação (EM%). Assim, tem-se a Equação 7:
( 7 )
Sendo:
CEc = Capacidade Efetiva [t h-1];
C = matéria-prima [t];
52
IT = matéria estranha total [t];
H = tempo [h];
EM = Eficácia de manipulação [%].
A Capacidade Efetiva é determinada sob condições de ensaio, é diferente do que
ocorre na prática, ou seja, Capacidade Efetiva Bruta, pois, no cálculo da capacidade efetiva
bruta, não leva em consideração a eficácia de manipulação.
2.7.4. Capacidade Operacional da colhedora em função da produtividade agrícola da
cultura e da vida da colhedora
Banchi et al. (2012a) estudaram 72 colhedoras e mostraram que a capacidade
operacional é função da produtividade agrícola da cultura (Figura 23) e da vida da máquina
(Figura 24), que impactam na produção agrícolas e influem no custo do próprio negócio e nos
processos de terceirização.
Figura 23 - Capacidade operacional da colhedora em função da produtividade agrícola.
Fonte: Banchi et al., 2012a.
Identifica-se, ao analisar os pontos na Figura 23, que a capacidade operacional da
colhedora é crescente em relação à produtividade agrícola da cultura, ou seja, quanto maior a
quantidade de cana disponível, maior a sua capacidade de colheita, entretanto observa-se que,
ao longo da faixa da capacidade operacional, a variação é de 80 % dentro de uma mesma
produtividade agrícola.
53
Ao se analisar a capacidade operacional em função da vida da máquina na Figura
24, pode-se identificar uma curva com tendência decrescente.
Figura 24 - Capacidade operacional da colhedora em função da vida da máquina
Fonte: Banchi et al., 2012b.
Na Figura 24, nota-se que ocorre uma queda na capacidade operacional da
colhedora de acordo com o envelhecimento da frota; esse fato deve-se a problemas mecânicos
de alinhamento, balanceamento e falhas crônicas. Semelhante à Figura 23, a variação da COC
atinge 80 % de oscilação para uma mesma vida da máquina. Desse modo, pode-se concluir que,
embora exista uma tendência entre a capacidade operacional da colhedora, a vida da máquina
e a produtividade agrícola, essas equações devem ser melhoradas com o incremento de mais
variáveis.
Oliveira (2002) citou que uma colhedora de cana-de-açúcar pode obter entre 500 e
1000 toneladas por dia, dependendo da produtividade agrícola da cultura e do seu desempenho.
A topografia do talhão, bem como a produtividade da cultura, são fatores que
influenciam no rendimento das colhedoras, pois trabalhar com esses equipamentos em áreas
que não estão sistematizadas acarreta em um menor rendimento. Os fabricantes afirmam que
os equipamentos são projetados para trabalhar a velocidades de até 9 km h-1, porém, na prática,
as velocidades são limitadas na faixa de 4 a 6 km h-1, provavelmente pela falta de sistematização
dos canaviais. Desse modo, é razoável afirmar que a velocidade de trabalho das colhedoras é
influenciada pelas características dos talhões. (RIPOLI; RIPOLI, 2009).
54
2.7.5. Capacidade operacional de carregadoras de cana-de-açúcar inteira
Entre as décadas de 1960 a 90, no processo semimecanizado de cana-de-açúcar,
eram utilizadas carregadoras mecânicas, sendo que, para esses equipamentos, um dos índices
avaliadores era a capacidade operacional. Esse indicador era utilizado para comparar a evolução
e a modernização na carregadora mecânica tradicional com a carregadora com rastelo rotativo.
Neste trabalho, compararam-se as capacidades operacionais potencial e real, que utilizava Mg
h-1 como unidade de medida (BRAUNBECK; PINTO, 1986).
2.7.6. Capacidade operacional de colhedoras de cereais
A capacidade operacional das colhedoras (ha h-1) tem influência de diversas
variáveis, sendo estes referentes a condições de trabalho, administração, gerência e
planejamento, e também de ordem das máquinas. Seki (2007), para a colheita de milho, avaliou
o comportamento energético e também operacional, com 33 % (grãos úmidos) e com 15,4 %
de teor de água (secos). Quando a colheita foi realizada para os grãos com maior umidade,
obteve-se o consumo por horário de 15,31 l h-1, e por área de 13,59 l ha-1, enquanto a capacidade
operacional efetiva foi de 1,12 ha h-1, para a velocidade de 3,27 km h-1. Quando a colheita foi
realizada para a umidade de 15,4 %, os resultados foram melhores, com a capacidade
operacional efetiva de 1,25 ha h-1, 10 % superior ao grão úmido. Em relação ao consumo de
combustível, horário e por área, os resultados foram 12,64 l h-1 e 10,14 l ha-1, acarretando em
resultados 17 e 25 % inferiores em relação ao consumo com os grãos úmidos, respectivamente.
Lima (2008), em experimento que analisava perdas na colheita de milho para duas
diferentes umidades, verificou que, com grau de umidade de 16 %, as perdas na separação e
limpeza durante a colheita de milho foram inferiores às com os grãos a 22 % de umidade.
2.7.7. Capacidade operacional de colhedoras de madeira
No Brasil, a colheita mecanizada de madeira pode ser dividida em dois tipos: no
primeiro sistema, denominado de “toras curtas”, o corte é realizado no canteiro; e, no segundo
sistema, denominado de “toras longas”, o desgalhe é feito no local de colheita e, posteriormente,
a madeira é levada até o carreador (SEIXAS, 1998).
No sistema de toras pequenas, a “harvester” é o equipamento mais utilizado para
corte e processamento de árvores, que se compõem por descascamento, desgalhamento e corte
55
em comprimentos de toras pré-definidos, deixando prontas para o carregamento. O “harvester”
é uma máquina autopropelida de alta mobilidade e estabilidade, possui um braço hidráulico e
um cabeçote para corte e processamento de material (AMABILINI, 1991).
Como o trabalho desse equipamento está sob forte influência de intempéries, o seu
rendimento é influenciado por diversos fatores, tanto ambientais como técnicos, porém
principalmente ambientais, como clima, capacidade de suporte de carga do solo e relevo,
características volumétricas e geométricas das árvores, além da sua densidade e qualidade
(SEIXAS, 1998).
De acordo com a Equipe Técnica da Duratex (1999b), o rendimento da colheita é
diretamente proporcional ao volume das árvores, considerando que este esteja entre 0,08 e 0,15
m3 com casca. Holtzscher e Lanford (1997) corroboram a afirmação feita pela Duratex e
aprofundam o estudo no custo e produtividade da colheita mecanizada. Os autores encontraram
forte correlação entre o diâmetro médio da árvore e custos operacionais, sendo esses dois fatores
inversamente proporcionais, ou seja, quanto maior foi o diâmetro da árvore, menor foram os
custos operacionais encontrados. Vale ressaltar que os custos operacionais estão intimamente
ligados ao rendimento operacional, e a relação entre diâmetro da árvore e rendimento
operacional são diretamente proporcionais.
A produtividade da floresta também interfere na extração da madeira, seja por meio
do arraste (VALVERDE et al., 1996), ou através do baldeio (SANTOS et al., 1995),
apresentando, assim, o fator dominante nos custos finais da silvicultura.
Santos & Machado (1995), durante estudos com processadores mecânicos no
desgalhamento e toragem em eucalipto, notaram que a produtividade da máquina aumenta à
medida que crescia o volume por árvore, até atingir o pico aos 0,34 m³ por árvore; após esse
volume, a capacidade operacional diminuía. O processamento teve custo com comportamento
inverso. Também foi provado que o custo operacional do equipamento é composto por 42,6%
de peça e mão de obra da oficina.
Analisando os rendimentos das “harvesters” em áreas de no máximo 65 % de
declividade, Salmeron e Ribeiro (1997), avaliando toras de 2,2 a 5,7 m de comprimento,
alcançaram rendimentos de 13,39 e 19,17m3 h-1, respectivamente. Tiburcio et al. (1995)
analisaram vários sistemas de corte, processamento e baldeio de eucalipto com 5,7 anos, obteve
produtividade de 23,6 m3 h-1 para o “harvester”, trabalhando simultaneamente com três linhas
de plantio, e 25m3 h-1, trabalhando com cinco linhas de plantio. Segundo os autores, o sistema
de três linhas é considerado o mais viável, quando levado em consideração a segurança
operacional.
56
Bramucci (2001), utilizando modelos de regressão simples, atestou que a variável
que melhor explica isoladamente a produtividade dos “harvesters” é o volume médio das
árvores. Também existem variáveis pertinentes que influenciam na produtividade do
equipamento como: diâmetro médio à altura do peito, altura média da árvore e volume por
hectare.
Vanbeveren et al. (2017) estudaram três sistemas de colheita de biomassas lenhosas
para bioenergia, sendo a colheita com corte e trituração de ciclo único, corte e armazenamento
em ciclo duplo e o corte e enfardamento da biomassa, com um custo de colheita variando de 6
a 99 € Mg-1. A capacidade efetiva média de colheita obtida na técnica de corte e trituração foi de
30 Mg h-1, já na técnica de corte e armazenamento obtiveram-se 19 Mg h-1 e, na técnica de corte
e enfardamento, 14 Mg h-1, para uma produtividade da cultura de 5 a 157 Mg ha-1,
2.8. Indicadores operacionais e gerenciais dos equipamentos
Neste subcapítulo, foram mostrados os indicadores de uso anual e a disponibilidade
de manutenção em função da vida da colhedora, indicadores esses que, juntamente com a COC,
variável mensurada no tempo efetivo de trabalho, influem na produção agrícola.
2.8.1. Utilização das Máquinas Agrícolas
A estimativa do período de trabalho (anual ou mensal) de um equipamento
(colhedora) é calculada pela soma das horas determinadas pelas diferenças de leituras dos
horímetros, no momento das manutenções ou abastecimento de combustível. Caso os
medidores de período (horímetro) não estejam funcionando, o sistema de gerenciamento tem a
capacidade de estimar, com razoável precisão, o período de trabalho com base na quantidade
abastecida e no consumo médio do equipamento na tarefa que está realizando.
Sua variação anual dentre as empresas mostra a utilidade ou não dos
equipamentos/modelos analisados e pode mostrar possíveis erros: no dimensionamento da
frota; na inadequação ao uso de determinados equipamentos; nos problemas mecânicos; na falta
de eliminação de equipamentos já esgotados economicamente; e na não existência de planos de
renovação de frota com base em parâmetros econômicos.
As colhedoras de cana-de-açúcar têm grande significância no custo da
mecanização, desse modo, torna-se importante determinar a quantidade de horas possíveis de
serem utilizadas. Nas unidades produtoras estudadas, observou-se a média de uso anual (horas)
57
em função de sua vida (anos de trabalho ou horas de uso). Visando realizar a análise para os
vários anos de um contrato, definiu-se uma equação empírica e obtiveram-se os seguintes
resultados (Figura 25).
Figura 25 - Uso anual das colhedoras de cana em função da vida útil (h).
Fonte: Banchi, Lopes e Zago, 2008c.
A Figura 25 mostra que o uso anual de colhedoras varia entre 2.300 e 3.300 horas,
para máquinas com vida útil de até 15.000 h. A média de uso utilizada nas simulações é de
3.000 horas, valor próximo ao utilizado nos contratos de terceirização. A curva de tendência
mostra uma equação linear decrescente, sendo este fato causado principalmente pelo desgaste
mecânico dos equipamentos. O uso de 3000 horas foi adotado como base para as simulações
nos casos em análise. Esse parâmetro alimenta o modelo econômico utilizado e é de
fundamental uso no cálculo do custo fixo na parcela “recuperação uniforme de capital com
retorno” (substituto do custo fixo mais juros).
2.8.2. Eficiência de Disponibilidade Mecânica
Um equipamento agrícola, em seus vários processos de trabalho, requer constante
manutenção, fato que acarreta o uso de um significativo intervalo de tempo para essa atividade
e que fatalmente influenciará sua eficiência operacional. Desse modo, torna-se importante o
cálculo dessa eficiência.
A eficiência de disponibilidade de manutenção é definida por Banchi, Lopes e
Rocco (2009d) como um processo de quantificação do desempenho do setor de manutenção,
58
pois tal índice fornece o percentual de tempo que um equipamento está disponível para a área
operacional em um determinado período. Para melhor descrever esse conceito, é necessário
definir inicialmente a Indisponibilidade de manutenção, que é a relação entre o tempo em que
o equipamento permanece parado em manutenção e o total de tempo no período analisado (total
de horas incluindo todos os dias do calendário). O complemento da indisponibilidade, na base
de 100 %, define a disponibilidade de manutenção. Esses valores podem ser demonstrados pelas
fórmulas descritas nos parágrafos seguintes.
Visando facilidades didáticas, descreve-se, inicialmente, o conceito de Eficiência
de Indisponibilidade Mecânica, que representa o tempo que os equipamentos se mantêm
parados devido ao fato de estarem em reparos, em relação ao tempo de calendário para trabalhar,
sendo mostrado pela Equação 8:
( 8 )
Quanto à Disponibilidade Mecânica, esta pode ser considerada um complemento
da indisponibilidade.
Para a determinação desse índice, utiliza-se a Equação 9:
( 9 )
Onde:
EIM = Eficiência de indisponibilidade de manutenção (%);
ED = Eficiência de disponibilidade de manutenção (%);
TP = Tempo parado em manutenção (h);
ND = Número de dias em análise;
NE = Quantidade numérica de equipamentos;
24 = Horas disponíveis por dia.
Um dos objetivos da manutenção é aumentar a disponibilidade da frota, para se ter
um maior potencial de uso, preservando sua vida. Portanto, conhecer esse parâmetro permite a
determinação da real e possível carga horária disponível para a realização das atividades da
frota. Além disso, auxilia na definição dos planos de metas, na implementação de medidas
59
otimizadoras e na avaliação de resultados, bem como fornece subsídio aos critérios de
premiação.
Na área agrícola, em específico no ramo sucroalcooleiro, a eficiência de
disponibilidade mecânica tem sido bastante referenciada, mas, para ser corretamente utilizada,
deve-se considerá-la não como um parâmetro estático e único da vida útil dos equipamentos e
sim como um índice que varia em função da idade da frota. O uso das máquinas impõe uma
diminuição em seus valores comerciais. Na realidade, a eficiência de disponibilidade pode ser
representada por uma função matemática decrescente, que varia com o tempo de uso dos
equipamentos (BANCHI, LOPES e ROCCO, 2009d).
Ainda segundo esses autores, na avaliação das máquinas motoras, pode-se e deve-
se utilizar a eficiência de disponibilidade mecânica como critério de medição de desempenho.
Um estudo específico da eficiência de disponibilidade de manutenção e eficiência
de uso foi feito por Banchi, Lopes e Zago (2008c), a fim de definir os parâmetros que norteiam
o desempenho operacional dessa espécie de equipamento (Figura 26).
Figura 26 - Disponibilidade de manutenção das colhedoras em função da vida
Fonte: Banchi, Lopes e Zago, 2008c.
2.9. Modelos matemáticos
Modelagem matemática é a representação real de um sistema, indicando de forma
real os detalhes de uma medição. (BEZERRA, 1994).
60
Segundo Bassanezi (1988), o ato de modelar ou modelagem pode ser aplicado a
diversos problemas, podendo ser utilizado em estudos da análise ambiental, modelagem
mecânica, sistema econômico, estudos agrícolas, estudo populacional e estudo físico.
A modelagem matemática permite entender o problema de uma forma mais
simplificada e até descrever este mais completamente, representando de forma precisa o mundo
real.
Um modelo é a representação formal das inter-relações entre diversas variáveis,
simplificando o mundo real ou uma forma apropriada para trabalhar com situações do cotidiano.
As características principais da realidade devem constar no modelo, de modo que o modelo
represente de forma igual ou similar o sistema real, ou seja, um modelo matemático é um
conjunto de equações que representam, as premissas utilizadas na definição do modelo, as quais
se balizam no sistema real.
Segundo Bertalanffy (1973), equações que compõem um modelo matemático são
utilizadas para interpretar as hipóteses, levando em conta o ponto de vista quantitativo,
deduzindo, assim, consequências e mostrando detalhes que podem ser aceitos ou recusados.
Os modelos matemáticos são divididos em dois grupos, sendo eles os
Fenomenológicos e os Empíricos.
2.9.1. Modelos fenomenológicos
Segundo Sodré (1987), os modelos fenomenológicos descrevem os principais
fenômenos implicados no processo, utilizando como ferramenta os princípios básicos de
conservação de energia, massa e movimento. Podem ser classificados em três classes, sendo
eles os de natureza das variáveis, os de dependência com variável no tempo e os de natureza
das equações resultantes.
O primeiro, devido à natureza das variáveis, pode ser de modelos determinísticos,
que são obtidos através de uma variável ou parâmetro associado a um número fixo definido,
em que a solução fornece resultados exatos para a variável de resposta. Modelos estocásticos
fornecem a probabilidade de um determinado valor ocorrer para uma variável, em que a solução
é uma probabilidade e não um valor exato.
Os que são devidos à dependência com a variável tempo dividem-se em modelos
estacionários e de estado dinâmico. No caso dos estacionários, não há variação com o tempo e
são utilizados para estudos de operações unitárias, enquanto, no de estado dinâmico, há variação
com o tempo e são usualmente utilizados em controle de processos.
61
Já os que são devidos à natureza das equações resultantes, estes se dividem nos
modelos representados pelas equações algébricas, os representados por equações diferenciais
ordinárias e os que se definem pelas equações diferenciais parciais.
2.9.2. Modelos empíricos
Os modelos empíricos são vistos como uma “caixa-preta”, sendo que, se o
mecanismo de causa/efeito entre as variáveis independentes e dependentes são desconhecidos,
essas variáveis serão correlacionadas empiricamente por meio das funções de transferência
(Figura 27), (SODRÉ, 1987).
Figura 27 - Função transferência
Funções de transferência mais utilizadas são as de modelos polinomiais,
exponenciais e de redes neurais.
Um modelo empírico é criado a partir de observações experimentais, obtidas
através de técnicas de regressão. Esses modelos são utilizados em situações em que não existe
teoria para as fundamentações a respeito da relação entre as variáveis existentes do sistema.
Nesses casos, os dados experimentais é que vão ditar o comportamento e a forma do modelo.
O estudo da COC é baseado em um modelo semiempírico, visto que suas variáveis
independentes estão relacionadas com a produção.
Nos modelos empíricos, encontram-se constantes, chamadas de parâmetros do
modelo, que caracterizam e definem o sistema que está sendo analisado e estudado. Como os
parâmetros são desconhecidos, eles devem ser estimados a partir de observações experimentais.
Existem diferentes técnicas de regressão para estimar os parâmetros de um modelo. Entre elas,
estão a regressão linear, a regressão linear através de transformação de variáveis, a regressão
não linear e a regressão a partir de estruturas latentes. Cada um desses métodos apresenta
vantagens e desvantagens e, portanto, ao construir um modelo, deve-se estar apto a escolher a
ferramenta mais apropriada para a situação em questão.
62
2.9.3. Estimação dos parâmetros
A estimação de parâmetros é fundamental no processo de construção de modelos
empíricos e semiempíricos (fenomenológicos). Os seus métodos mais utilizados são os de
mínimos quadrados e o da máxima verossimilhança em modelos empíricos não lineares.
Geralmente, a metodologia dos mínimos quadrados mostra pequenas variações através da
suposição da estrutura da matriz de variâncias e da matriz de covariâncias do processo em
análise.
Dependendo do método de estimação utilizado, não é necessário supor o tipo de
distribuição para as observações, bastando que algumas condições de regularidade sejam
satisfeitas e, assim, os estimadores serão consistentes e assintoticamente normais (BRANDÃO,
1996).
A seguir, estes métodos são apresentados com maiores detalhes.
2.9.3.1. Método dos mínimos quadrados ordinários
Foi atribuído, em 1974, a Carls Friedrich Gauss, o desenvolvimento do método dos
mínimos quadrados, entretanto Adrien-Marie Legendre foi o primeiro a publicá-la em 1806,
em seu tratado “Nouvelles méthodes pour la détermination des orbites des comètes”, publicado
em Paris. A publicação dos resultados obtidos por Gauss ocorreu somente em 1809, em
Hamburgo. Ambos utilizaram o método aplicado a problemas de astronomia e física
(CHIACCHIO, 1993; BUSSAB; MORETTIN, 2004).
Segundo Brandão (1996), este é o método de estimação mais simples e talvez, por
esse fato, seja o mais utilizado. Os erros são variáveis aleatórias independentes e identicamente
distribuídas (i.i.d.) com:
( 10 )
Em geral, quando as medidas são feitas repetidamente ao longo do tempo nas
mesmas unidades experimentais, essas suposições não são satisfeitas. Denota-se por bβMQO a
estimativa de mínimos quadrados ordinários de β = [β1, . . . , βp], ou seja, bβMQO contém os
valores de β que minimizam a soma de quadrados dos erros, S(β) (HARTLEY; BROOKER,
1965; DRAPER; SMITH, 1998; MAZUCHELI; ACHCAR, 2002)
63
( 11 )
Logo, para a determinação dos estimadores de mínimos quadrados bβ MQO, deve-
se derivar (11) com relação a cada βk (k = 1, ... , p) e igualar as equações a zero. Procedendo
dessa forma, determina-se um sistema de equações não lineares.
Brandão (1996) descreve que os estimadores de mínimos quadrados são não
viciados, distribuídos, com variância mínima e possuem propriedades similares às ótimas de
modelos lineares, e os valores de previsões que utilizam tais estimadores são mais precisos.
Contudo, Draper e Smith (1998) ressaltaram que, no caso da regressão não linear, as
propriedades dos estimadores dos parâmetros são válidas apenas assintoticamente, isto é, para
grandes amostras.
Medidas de não linearidade indicam o seu grau de não linearidade, para justificar a
utilização dos resultados usuais da teoria dos modelos lineares como aproximação para os não
lineares (GUTTMAN; MEETER, 1965). Beale (1960 citado por CHIACCHIO, 1993) foi o
pioneiro a questionar essa validade, propondo uma “medida de não linearidade intrínseca do
modelo”, que indica se a curvatura da superfície de estimação é acentuada ou não nas
proximidades do mínimo. Diversos autores estudaram a não linearidade e propuseram medidas
para a sua quantificação. As abordagens de Beale (1960), Bates e Watts (1980) quantificam a
não linearidade do modelo, baseando-se no local da solução, enquanto as abordagens de Box
Boxcox (1971) e Ratkowsky (1983) fizeram uso de medidas associadas aos parâmetros
estimados. Outras afirmações sobre essas medidas de curvatura podem ser encontradas em
Zeviani (2009), dentre outros.
2.9.3.2. Método da máxima verossimilhança
O método da verossimilhança foi definido por Fisher em 1922 com o objetivo de
identificar valores dos parâmetros que maximizem a sua função. É considerado intensivo, cujos
estimadores têm propriedades assintóticas ótimas, entretanto, para poder utilizá-la, é preciso
conhecer a distribuição conjunta de εi no modelo:
yi = f (xi, β) + εi ( 12 )
64
Suponha que εi sejam independentes e identicamente distribuídos (i.i.d.) com
distribuição Np (f (xi, β), Iσ2), então a equação de verossimilhança L é:
( 13 )
Logo, o estimador de máxima verossimilhança, bβEMV , de β é, por definição, o
valor de β que maximiza a função de verossimilhança L(β). Sob a suposição de normalidade
dos erros, tem-se que os estimadores de máxima verossimilhança (MV) são idênticos aos de
MQO, pois maximizar a função de verossimilhança é igual a minimizar a soma de quadrados
de resíduos (CHIACCHIO, 1993).
De acordo com Brandão (1996) e Ogliari (1998), no caso de se utilizarem outras
estruturas de covariâncias, os métodos de estimação mais utilizados são os de MQG e o de MV.
Devido à necessidade de se estimar também a matriz de covariâncias, estes métodos tornam-se
mais complicados computacionalmente que o de MQO.
Na prática, a estimação dos parâmetros de um modelo não linear pode ser obtida de
forma semelhante aos modelos lineares. Contudo, a determinação dos parâmetros numéricos no
modelo não linear pode ser difícil e problemática (SOUZA, 1998; RITZ e STREIBIG, 2008),
não chegando a solução explícita, sendo necessário o uso de método iterativo de resolução para
equações não lineares” (BATES; WATTS, 1988; RATKOWSKY, 1983; PEDDADA;
HASEMAN, 2005).
2.9.4. Análise do ajuste do modelo
Vonesh et al. (1996) definiram a bondade de ajuste de um modelo como sendo o
grau no qual um valor predito concorda com um valor observado. Vários aspectos podem ser
levados em conta para avaliação do ajuste dos modelos não lineares, como:
a) A convergência do processo iterativo e o número de iterações necessárias para a
sua convergência.
b) O coeficiente de determinação ajustado, R², que é definido por:
( 14 )
65
O p é o número de parâmetros; n é o número de amostras; SQReg é a somatória dos
quadrados de regressão; SQTotal é a somatória do quadrados total; e SQRes é a soma de
quadrados do resíduo. Este coeficiente é obtido apenas quando se usam os métodos de
estimação de mínimos quadrados, sendo adequado para muitas aplicações, particularmente
aqueles envolvendo dados contínuos.
c) O valor do quadrado médio do resíduo (QMRes), que é a estimativa da variância
(σ2), quando se usam os métodos de estimação de mínimos quadrados.
d) O erro de predição médio (EPM) representa a média de todos os erros da
predição executada (BRACCINI-NETO et al., 1996), isto é:
( 15 )
O sinal de cada valor do EPM indica se a função subestimou (+) ou superestimou
(−) o valor observado (SOARES, 2007);
e) O erro padrão das estimativas.
2.9.4.1. Teste da Razão de Verossimilhança
Quando os tratamentos (ou grupos) correspondem a níveis crescentes de um fator
quantitativo (como a vida, ou a porcentagem de um determinado componente), os
procedimentos de comparações de médias não são indicados. Uma forma de comparar esses
tratamentos envolve a realização de testes sobre a igualdade de cada um dos parâmetros das
equações que descrevem o comportamento das respostas médias dos diversos tratamentos. A
identificação de modelos de regressão não linear e a igualdade de qualquer subconjunto de
parâmetros são verificadas por meio do teste da razão de verossimilhanças (GALLANT, 1975;
REGAZZI, 2003; SOARES, 2007).
O TRV é um teste baseado na comparação dos valores das funções dos estimadores
de máxima verossimilhança (MV) para dois modelos aninhados.
A hipótese que deve ser testada no TRV é:
H0: O modelo elaborado com restrição (menos parâmetros) é melhor;
H1: O modelo de referência (mais parâmetros) é melhor.
A equação 16 mostra a estatística do teste:
( 16 )
66
Em que L1 e L2 representam a verossimilhança de um modelo aninhado e do
modelo de referência, respectivamente. Sob condições específicas de regularidade, L segue
assintoticamente a distribuição χ2r, sendo r o número de graus de liberdade obtido, subtraindo
o número de parâmetros do modelo aninhado do número de parâmetros do modelo de
referência. Logo, rejeita-se H0 quando L ≥ χ2 (r;α), sendo α o nível de significância
considerado.
Regazzi e Silva (2010) utilizam o TRV com aproximações F e quiquadrado,
testando a identidade de modelos de regressão não linear. Por meio de simulações, foi possível
chegar à conclusão que, para um total de amostras suficientemente grande, ambas as
aproximações são equivalentes; contudo, em se tratando de observações pequenas, a
aproximação dada pela estatística F possui melhores resultados, uma vez que a taxa de erro tipo
I é sempre menor do que da estatística quiquadrado, independentemente do número total de
observações.
No geral, os testes de hipóteses em regressão não linear mais utilizados são o de
Wald, o Razão de Verossimilhanças ou o Teste de Rao (ou dos Multiplicadores de Lagrange).
Seber e Wild (2003) ressaltam que os três são equivalentes assintoticamente, entretanto, cada
um apresenta vantagens e desvantagens. O teste de Wald possui o atrativo da facilidade de
cálculo da estatística do teste, porém não é invariante com relação a reparametrizações do
modelo ou da hipótese testada, isto é, diferentes formas de expressar o mesmo modelo podem
levar a valores diversos da estatística do teste. Os outros dois testes exigem a estimação do vetor
de parâmetros sob as restrições estabelecidas pela hipótese testada, o que os torna mais
trabalhosos.
O teste da razão de verossimilhanças (TRV) aplicado aos modelos não lineares
(MNL) (REGAZZI, 2003; REGAZZI; SILVA, 2010) pode também ser usado para comparar os
modelos não lineares mistos (MNLM) aninhados.
Quando for utilizado o método da MVR para estimação dos parâmetros, o TRV
pode ser aplicado desde que os modelos a serem comparados tenham os mesmos parâmetros de
efeito fixo, e ambos os modelos tenham sido ajustados pelo mesmo método, no caso, o da MVR
(PINHEIRO; BATES, 2000, p. 83). Portanto, o TRV pode ser empregado para testar hipóteses
sobre os parâmetros de covariâncias ou parâmetros de efeito fixo.
West, Welch e Galecki (2007) recomendam a utilização do TRV para os parâmetros
de covariância, incluindo os MNLM com estruturas de efeitos aleatórios aninhados. Já as
hipóteses referentes aos efeitos fixos podem e devem ser testadas usando os testes t e F, porque
o TRV tende a ser não conservativo.
67
O TRV foi utilizado por Pinheiro e Bates (2000) na avaliação da importância dos
efeitos aleatórios em diferentes modelos aninhados, cujas estruturas de covariâncias saíram da
mais complexa para a mais simples.
2.9.4.2. Critérios de Informação
Outras ferramentas que servem como medida de comparação da qualidade de ajuste
de modelos são os critérios de informação. Como nos modelos lineares mistos MLM, o Critério
de Informação de Akaike (AIC) e o Critério de Informação Bayesiano (BIC) são usados para
comparar MNLM (PINHEIRO; BATES, 2000). Tais medidas admitem determinar qual modelo
melhor se ajusta e quão mais ajustado é cada modelo, sendo o seu cálculo e interpretação bem
fáceis de serem realizados (MOTULSKY e CHRISTOPOULOS, 2003). Os critérios são
fundamentados no logaritmo da função de verossimilhança (MV ou MVR), estes são
dependentes do número de amostras e de parâmetros do modelo estudado. É independente do
conceito de significância estatística e p-valores, cabendo em aplicações de modelos alinhados
ou não alinhados.
O AIC foi proposto por Akaike (1974) e é calculado por:
( 17 )
Em que θ é o vetor de parâmetros de componentes de variância; l (bβ, bθ, bσ) é o
valor do logaritmo da função de verossimilhança do modelo, calculado com as estimativas
obtidas no processo de maximização; e d representa o número total de parâmetros de efeitos
fixos e aleatórios. O valor do AIC pode ser positivo ou negativo (SAKAMOTO, ISHIGURO e
KITAGAWA, 1986).
Bozdogan (1987) sugeriu uma correção para o AIC:
( 18 )
Sendo n o número de observações usadas na estimação do modelo em estudo. Seu
uso é recomendado quando se tem amostras grandes.
O BIC foi proposto por Schwarz (1978), que penaliza os modelos com mais
parâmetros; o seu uso é recomendado quando se trabalha com pequenas amostras. É calculado
por:
68
( 19 )
Onde n é definido como anteriormente. O modelo que apresentar o menor valor de
AIC, de AICc e/ou de BIC é considerado representativo por ter um melhor ajuste. Vale observar
que todos os critérios penalizam a verossimilhança pelo número de parâmetros, mas, para
grandes amostras, o BIC penaliza mais severamente a verossimilhança do que o AIC.
2.9.4.3. Análise dos resíduos
A análise de resíduos é um passo muito importante para verificar as pressuposições
de qualquer modelo proposto e também para encontrar possíveis pontos influentes e/ou
outsiders. Uma ou mais observações são ditas discrepantes (outliers) se seus resíduos são muito
grandes (em valor absoluto) em relação aos demais (DRAPER e SMITH, 1998). Já os pontos
influentes são observações que, embora não apresentem resíduos grandes, podem alterar
significativamente as estimativas dos parâmetros do modelo escolhido. Para detectar a presença
de pontos influentes ou de outsiders, técnicas gráficas, como diagramas paralelos de dispersão
e semivariogramas empíricos podem ser utilizados para avaliar a média marginal e a estrutura
de covariâncias (ATKINSON, 1985).
De modo geral, utiliza-se o conjunto de técnicas que compõem análise dos resíduos
para verificar a adaptabilidade no modelo de regressão linear com base nos resíduos. Se o
modelo for apropriado, os resíduos devem refletir as propriedades impostas pelo termo de erro
do modelo. As suposições são:
I. 𝜀𝑖 e 𝜀𝑗 são independentes para todo 𝑖 ≠ 𝑗, ou seja, 𝑐𝑜𝑣(𝜀𝑖,𝜀𝑗) é diferente de 0.
De acordo com Rencher (2008), tem que se construir um gráfico de dispersão dos
resíduos versus a ordem de coleta dos dados, possibilitando identificar alguma correlação entre
os erros. Caso o gráfico de dispersão dos resíduos versus a ordem de coleta mostre uma
aleatoriedade dos pontos em torno de uma faixa horizontal centrada em 𝜺 = 0,
consequentemente não existe indicações da influência do tempo ou da ordem de coleta no
conjunto de dados.
II. 𝑉𝑎𝑟(𝜀𝑖) = 𝜎2 (Constante).
Para verificar a homoscedasticidade do modelo, isto é, 𝜎2 constante, faz-se
necessária a construção de um gráfico dos resíduos versus valores ajustados. O padrão para esse
tipo de gráfico é uma distribuição aleatória de média zero e amplitude constante.
69
III. 𝜀𝑖 ∼ 𝑁(0, 𝜎2) (Normalidade).
Segundo Weisberg (2005), o gráfico normal de probabilidade destaca-se por duas
identificações: da distribuição originária dos dados e de valores que se destacam no conjunto.
De acordo com Lilliefors (1967), o teste de Kolmogorov - Smirnov é utilizado na avaliação
das hipóteses:
{𝐻0: 𝑂𝑠 𝑑𝑎𝑑𝑜𝑠 𝑠𝑒𝑔𝑢𝑒𝑚 𝑢𝑚𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜 𝑛𝑜𝑟𝑚𝑎𝑙 𝐻1: 𝑂𝑠 𝑑𝑎𝑑𝑜𝑠 𝑛ã𝑜 𝑠𝑒𝑔𝑢𝑒𝑚 𝑢𝑚𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜 𝑛𝑜𝑟𝑚𝑎𝑙
Esse teste analisa a diferença absoluta máxima entre a função de distribuição
acumulada assumida para os dados, ou seja, a Normal, e a função de distribuição empírica dos
dados. Tem-se como critério a comparação dessa diferença com um valor crítico, a um dado
nível de relevância.
IV. Gráfico dos valores ajustados pelo modelo em relação aos valores
observados da variável resposta.
Os pontos do gráfico devem estar ao redor da linha em que y = x, indicando que os
números ajustados estão próximos dos observados (TADANO, 2007).
70
3. MATERIAIS E MÉTODOS
Este capítulo descreve a origem dos dados utilizados na pesquisa e a metodologia
aplicada, detalhando as variáveis coletadas (atributos) das bases de dados das empresas
pesquisadas.
3.1. Coleta de dados
Os informes foram coletados durante quatro anos em oito unidades sucroalcooleiras
localizadas na região centro-sul do Brasil, que possuem diferentes níveis de informatização,
qualidade de manutenção, metodologias de colheita e capacidades de moagem
(processamento). Essas unidades utilizam o SISMA® Sistema de Manutenção de Frota, da
Assiste Engenharia de Softwares Técnicos. O sistema foi desenvolvido na linguagem Delphi e
Progress, utiliza os bancos de dados Oracle, SQL e também Progress, com uma organização
uniforme no aspecto lógico de seus dados.
Os apontamentos começam no campo ou dentro das oficinas onde são captados,
passam por um processamento e geram relatórios que servem para auxiliar nas tomadas de
decisões.
O fluxo das informações pode ser registrado por diversos processos que variam de
simples papéis informativos (boletos) até mídias eletrônicas, como coletores de dados,
celulares, tabletes, net books, notebooks ou outros aparelhos. Em geral, a coleta de informações
começa quando ocorre a colheita e, simultaneamente, a colhedora efetua sua transferência para
o transbordo (carreta ou caminhão). Após completar sua carga, é realizado um apontamento do
registro da colhedora que atuou no processo, bem como a identificação do transbordo
(caminhão ou trator) e de suas carretas. Uma vez isto carregado e anotado (fisicamente ou por
processo eletrônico), o transbordo desloca-se para o pátio de descarga (em campo). A carga é
transbordada para a carroceria (semirreboque ou plataforma do caminhão rodoviário) para esta
deslocar-se até o pátio de descarga da unidade industrial e, antes da entrada, o caminhão é
pesado para a determinação de sua carga líquida (balança oficial), que foi colhida, transbordada
e transportada. Encerrado o basculamento, o apontamento, quando manual, é entregue ao
motorista e este o deposita na balança.
É importante destacar que, eventualmente, mais de uma colhedora é utilizada para
complementar a carga de um caminhão ou semirreboque, sendo que a carga é atribuída para
uma das colhedoras, sem estabelecer um critério de rateio, e isso pode acarretar erro.
71
Os dados foram importados do SISMA® e transferidos para planilhas eletrônicas
(Excel®). Todos os atributos (informes coletados), como os fabricantes de máquinas motoras
(colhedoras de cana-de-açúcar), os modelos e as unidades sucroalcooleiras, foram codificados.
Estudaram-se dois modelos de colhedoras de diferentes fabricantes, com ano de fabricação
variando de 2010 a 2015, com vidas variando de 0 a 21.000 horas de uso, todas com o sistema
rodante de esteiras e de uma linha de corte, com potência do motor variando de 342 a 358 cv.
Devido à grande quantidade de informações (16 mil) coletadas em campo e
informações inconsistentes (apontamentos errôneos, talhões pequenos, falta de sistematização
dos talhões etc.), foi necessário expurgar alguns outliers. Foram estudadas duas faixas de
exclusão de pontos 0 e 50 % e, posteriormente, foram feitas as análises estatísticas dos dados.
Na Tabela 3, é mostrado um resumo das características agronômicas e dos
equipamentos utilizados nas oito áreas de produção (unidades) no ano de 2015: produtividade
agrícola do canavial, produção anual e situação técnica das suas frotas (quantidade de
colhedoras por fabricante, idade média em horas das máquinas e anos de estudo).
Tabela 3 - Resumo dos dados coletados nas unidades sucroalcooleiras (base 2015).
Unidade
Nº Equipamentos Vida
Média (h)
Anos de
Estudo
Área
(ha)
Produção
Anual (Mg)
Produt.
(Mg ha-1) Fabric.
1
Fabric.
2 Total
A 21 17 38 6.548 2,0 38.578 3.421.874 88,7
B 10 16 26 6.525 2,0 27.931 2.135.049 76,4
C 20 6 26 6.591 2,0 28.290 2.481.611 87,7
D 14 13 27 10.457 4,0 30.907 2.700.000 87,4
E 17 27 44 7.767 4,0 41.276 3.482.881 84,4
F 17 8 25 7.260 4,0 24.404 2.047.533 83,9
G 22 11 33 8.488 4,0 39.032 2.849.302 73,0
H 31 26 57 10.161 4,0 63.095 5.300.000 84,0
Média 152 124 276 7.350 4,0 304.847 24.418.250 80,1
Nota: Produt. – Produtividade agrícola da cultura (Mg ha-1).
Fabric. – Fabricante.
Têm-se os seguintes dados:
UNIDADE: refere-se à unidade sucroalcooleira (usina). No estudo, teve apenas
designações através de letra para manter o necessário sigilo.
FABRICANTE 1 e FABRICANTE 2: referem-se à marca e modelo dos
equipamentos (colhedoras). No estudo, tiveram apenas designações através de
número, também para manter os fabricantes em sigilo.
72
VIDA MÉDIA: idade média dos equipamentos em horas (uso acumulado).
PRODUÇÃO ANUAL: quantidade total de matéria-prima (cana-de-açúcar) colhida
por ano, pelas colhedoras na unidade sucroalcooleira.
PRODUTIVIDADE: quantidade de cana-de-açúcar colhida por hectare (Mg ha-1).
De acordo com a Tabela 3, a base de dados possui 276 colhedoras de dois
fabricantes distintos, cujos equipamentos têm uma vida média de 7.350 h. As unidades de
produção têm uma moagem anual variando de 2 a 5,3 milhões de toneladas, com produtividade
agrícola do canavial variando de 73 a 89 Mg ha-1.
Na Tabela 4, é apresentada parte do rol de dados da unidade A, visto que foram
coletados mais de 16.000 informes (linhas) entre todas as unidades produtoras, cujas variáveis
necessárias para o estudo foram: unidade de produção, modelo do equipamento, número da
frota, ano e mês do informe, vida acumulada do equipamento, uso mensal, produção e
rendimento mensal do equipamento.
Tabela 4 - Amostra parcial dos dados utilizados da unidade A.
Modelo Frota Mês/Ano Vida
(h)
Uso
Mensal (h)
Produção
(Mg)
Produt.
(Mg ha-1)
Rendimento
(Mg h-1)
1 110 06/2012 49,1 411,0 16618,7 78,7 40,4
1 110 07/2012 493,1 442,0 20753,4 93,3 47,0
1 110 08/2012 874,1 381,0 11253,7 68,3 29,5
1 110 09/2012 1163,1 284,0 9412,9 60,6 33,1
1 110 10/2012 1515,1 352,0 9468,0 56,3 26,9
1 110 05/2013 2111,6 316,0 11537,1 73,9 36,5
1 110 06/2013 2436,8 325,2 12736,0 78,6 39,2
1 110 07/2013 2847,5 410,7 14465,5 78,8 35,2
1 111 09/2012 1294,8 314,0 9609,8 60,6 30,6
1 111 11/2012 1702,8 79,0 2278,5 52,8 28,8
1 111 05/2013 2239,6 307,3 9564,8 73,9 31,1
1 111 06/2013 2584,4 344,8 11608,7 78,6 33,7
1 111 07/2013 2988,5 404,1 15189,2 78,8 37,6
1 111 09/2013 3529,7 305,2 10010,3 61,9 32,8
1 111 10/2013 3813,3 283,6 7307,5 56,9 25,8
1 111 11/2013 4169,4 356,1 7955,2 57,0 22,3
2 127 09/2012 730,6 372,0 12252,0 60,6 32,9
2 127 10/2012 848,6 118,0 3606,0 56,3 30,6
2 127 05/2013 2026,8 490,2 16961,5 73,9 34,6
2 127 07/2013 2775,8 450,0 13823,2 78,8 30,7
2 127 09/2013 3484,2 450,5 13321,8 61,9 29,6
2 127 11/2013 3743,1 144,5 3250,8 57,0 22,5
2 128 10/2012 1410,9 386,0 10720,4 56,3 27,8
2 128 09/2013 3436,6 342,7 10374,4 61,9 30,3
2 128 11/2013 4036,0 251,1 5583,4 57,0 22,2
Nota: Produt. – Produtividade agrícola da cultura (Mg ha-1).
73
Têm-se os seguintes dados:
UNIDADE: refere-se à usina sucroalcooleira estudada.
MODELO: refere-se à marca e ao modelo do equipamento (colhedora em estudo).
FROTA: é o número identificador do equipamento na frota da empresa.
ANO: é o ano em que foi apurado o conjunto de informações.
MÊS: é o mês em que foi apurado o conjunto de informações.
VIDA ACUMULADA: idade do equipamento em horas (uso acumulado no período
referido).
USO MENSAL: uso em horas de cada colhedora no mês.
PRODUÇÃO: quantidade de matéria-prima (cana-de-açúcar) colhida no mês.
PRODUT.: quantidade de cana-de-açúcar colhida por hectare (Mg ha-1).
RENDIMENTO: quantidade de cana-de-açúcar colhida por hora (Mg h-1).
Analisando os dados coletados, nota-se que existe uma variabilidade da
produtividade agrícola da cultura em determinadas frentes ou fazendas de cada unidade
sucroalcooleira, onde foram registradas produtividades em torno de 140 Mg ha-1 e outras com
50 Mg ha-1. Essa amplitude é explicada por diferentes potenciais produtivos e por diversas
eficiências administrativas.
3.2. Modelagem matemática da COC e CO
Ripoli e Ripoli (2009) citam que a COC é função da disponibilidade de manutenção
dos equipamentos, velocidade de operação, gestão do sistema, mas principalmente da
produtividade agrícola da cultura (Mg ha-1) e da idade da colhedora (anos de uso ou horas de
trabalho acumuladas – vida). Neste estudo, propõe-se um modelo matemático, cujas variáveis
dependentes são a vida da máquina e a produtividade agrícola da cultura. Como resposta,
obteve-se um modelo matemático, que representa a COC (Mg h-1) em função da vida da
colhedora e da produtividade agrícola da cultura.
Existem infinitos modelos matemáticos para representar um fenômeno e, para o
presente estudo, foram analisados quatorze (equações semiempíricas), que melhor se ajustaram
a variável independente COC, com análise dimensional [M T-1], e assumiram-se as unidades
(Mg) para massa [M] e (h) para o tempo [T]; como variável dependente, a produtividade
agrícola da cultura (Mg ha-1) e a vida da colhedora (h).
A nomenclatura utilizada em todas as equações, para essas variáveis, foram:
74
𝑍 = COC − Capacidade operacional da colhedora (Mg h-1);
𝑥 = 𝑉𝑖𝑑𝑎 − vida da máquina (h) − uso acumulado;
𝑦 = 𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 − Produtividade agrícola da cultura (Mg ha-1).
Com a base de dados das usinas em estudo e com o uso do software Matlab®, foram
gerados os parâmetros das equações em análise. Através do software R®, os modelos
matemáticos foram avaliados e testados estatisticamente para a seleção do modelo (equação)
mais adequado para representar a COC.
A Tabela 5 apresenta os modelos matemáticos analisados. Para cada um, foram
colocados os dois fatores: vida do equipamento (h) – parâmetro x – e produtividade agrícola da
cultura (Mg ha-1) – parâmetro y; sendo que esses dois fatores atuam concomitantemente e que
ambos não são lineares e também não diretamente proporcionais (BANCHI et al., 2012a).
Tabela 5 - Modelos matemáticos analisados (número do modelo e descrição da equação)
Modelo Equação Número
1 ( 20 )
2 ( 21 )
3 ( 22 )
4 ( 23 )
5 ( 24 )
6 ( 25 )
7 ( 26 )
8 ( 27 )
9 ( 28 )
10 ( 29 )
11 ( 30 )
12 ( 31 )
13 ( 32 )
14 ( 33 )
Nota: a, b, c, d, e, f – parâmetros a serem determinados em cada conjunto de informes.
75
No modelo 4, substitui-se o parâmetro “a” do modelo 3 por uma constante que
representa a capacidade operacional máxima da colhedora (condições ótimas de produtividade
agrícola e alta velocidade). Na Equação 34, tem-se a modelagem do parâmetro “a”, em que este
é função da produtividade agrícola, da velocidade, da largura de corte e da eficiência de
elevador, eficiência essa devido aos tempos perdidos (manobra, deslocamento improdutivo,
etc).
(34)
Onde:
V = Velocidade média potencial (km h-1);
TCH = Produtividade agrícola potencial da cultura (Mg ha-1);
L = Largura de trabalho (m);
E = Eficiência de elevador (%);
De acordo com os históricos dos computadores de bordo das colhedoras, históricos
das usinas e conhecimentos práticos de campo, adotou-se como velocidade máxima de operação
5,5 km h-1, produtividade agrícola potencial da cultura de 140 Mg ha-1, largura de corte de 1,5
m e eficiência de elevador ou operacional de 55 %, visto que a colhedora perde tempo fazendo
manobras, tempo esse não considerado para o tempo efetivo de colheita, substituindo na
equação 40 o a vai ser igual 63,5.
A partir dos 14 modelos matemáticos, por critérios estatísticos, selecionou-se o que
melhor se ajusta aos dados da COC. Feita a seleção do modelo, calculou-se o custo operacional
da colhedora (CO) para diferentes faixas de vida dos equipamentos e produtividades agrícolas
da cultura, fatores esses que influenciam na COC e, por consequência, influenciam no CO.
Banchi, Lopes e Rocco (2009a) apresentaram que o custo dos equipamentos é
composto por duas parcelas – fixa e variável –, e estes são subdivididos em algumas outras sub-
parcelas. Com o intuito de obter o custo operacional da colhedora (CO) R$ Mg-1, parâmetro
esse que depende da COC, definiram-se os parâmetros que compõem os custos de um
equipamento e, posteriormente, calculou-se o CO, que representa o custo da colhedora por
produção (quantidade de cana-de-açúcar colhida por ano) durante 6 anos, idade essa
considerada como ponto máximo de utilização desses equipamentos. Na Figura 28, é mostrada
a estrutura das parcelas dos custos de uma colhedora.
76
Figura 28 - Diagrama das parcelas da composição dos custos
Fonte: Banchi, Lopes e Rocco (2009a).
Os custos fixos são definidos como custos de propriedade, que independem do uso
da máquina e que engloba recuperação de capital (depreciação mais juros), taxas e custos com
operadores (salários).
Custos com Recuperação de Capital com Retorno – essa parcela representa a
depreciação devido ao uso do equipamento e, neste método, estão embutidos os valores
referentes à depreciação dos equipamentos e juros sobre o capital (FABRYCKY e THUESEN,
1980).
Para o cálculo da recuperação do capital, utilizou-se a Equação 35.
(35)
Onde:
CCR = Custos com recuperação de capital com retorno (R$ ano-1);
VI = Valor aquisição (R$);
VR = Valor residual (R$);
TX = Taxa de atratividade (%);
n = Número de anos estimados de vida.
Através de uma cotação de mercado, obteve-se como valor de aquisição (VI) de R$
950.000,00 por equipamento e valor residual (VR) de R$ 95.000,00 depois de 6 anos de uso do
Custos
Fixo
Depreciação
Recuperação de capital com
retorno Juros
Taxas
Salário Operador (tratoristas / motoristas)
Variável
Combustível
Lubrificante Materiais (Peças)
Manutenção
(CRM)
Mão de obra
Serviços de terceiros
77
equipamento. A taxa de atratividade utilizada foi de 12 % ao ano, taxa essa praticada no setor
sucroalcooleiro.
Custos com Taxas – Para as máquinas agrícolas, a parcela referente a taxas é
insignificante e, muitas vezes, inexistente até o presente momento. Nota-se, nos últimos 5 anos
– após o ano de 2012 –, uma pequena alteração nesse cenário, porém ainda não é expressiva,
pois algumas empresas têm, eventualmente, utilizado serviços de seguro para algumas classes
operacionais de máquinas.
Custos com Salários – são contabilizados os salários e a totalidade de encargos
trabalhistas. Para o cálculo dos custos com salários, utilizou-se a Equação 36.
(36)
Onde:
CSAL = Custos com salários (R$ ano-1);
QOP = Quantidade de operadores;
SM = Salário mínimo (R$);
NSAL = Número de salário por operador;
ENC = Encargos trabalhistas (%).
A partir de um levantamento realizado em usinas de cana-de-açúcar no ano de 2016,
em seus recursos humanos (RH), adotaram-se R$ 880,00 como salário mínimo e que, para cada
equipamento, são necessários 3,6 operadores e cada operador recebe 3 salários mínimos. Em
média, os encargos trabalhistas em usinas de açúcar são de 100 %.
Para o cálculo dos custos variáveis (combustível, lubrificante e manutenção), foi
necessário determinar seus valores em toda a vida útil do equipamento e, para melhor análise
desse parâmetro, foi importante verificá-lo anualmente, pois, com o tempo, o uso anual (h)
decresce, devido à diminuição da disponibilidade mecânica do equipamento (Figura 29).
78
Figura 29 - Uso anual por faixa de vida (idade) da colhedora
Através da Figura 29, pode-se observar que o uso anual do equipamento diminuiu
com a evolução da sua idade, ou seja, quando o equipamento é novo, ele tem um potencial de
uso de 3.200 h por ano e, quando velho, depois de 6 anos, esse potencial cai para 2.120 h por
ano.
Na categoria custos variáveis, são considerados os custos com combustíveis,
lubrificantes e manutenções (CRM – Custos com Reparos e Manutenção). Esses custos são
contabilizados quando a máquina se encontra em uso e sofrem influência de diversos fatores,
como a potência do equipamento, a regulagem da máquina, o plano de manutenção, a idade da
máquina, o local de operação e a habilidade do operador.
Custos com combustíveis – são determinados pela Equação 37:
(37) Onde:
CC = Custos com combustíveis (R$ ano-1);
CONS = Consumo de combustível por hora (l h-1);
USO = Uso médio anual (h)
PC = Preço combustível (R$ l-1).
Em se tratando dos custos com combustíveis, tem-se que a média de consumo das
colhedoras é de 39,8 l h-1, o uso médio anual foi obtido através da Figura 29 e o preço médio
do diesel no estado de São Paulo em 2017 foi de 2,80 R$ l-1.
79
Custos com lubrificantes - representam as despesas pertinentes aos fluídos
aplicados na lubrificação, cujo uso advém tanto da troca quanto da remonta (complementação),
e são determinados pela Equação 38:
(38)
Onde:
CL = Custos com lubrificantes (R$ ano-1);
CONS = Consumo de lubrificante por hora (l h-1);
USO = Uso médio anual (h)
PL = Preço de lubrificantes no mercado (R$ l-1).
A média de consumo de lubrificantes das colhedoras foi de 1,12 l h-1, o uso médio
anual foi considerado o da Figura 29 e o preço médio dos lubrificantes em 2017 no estado de
SP foi de 5,50 R$ l-1.
Custos com reparos e manutenção (CRM) – Banchi, Lopes e Rocco (2009a)
classificam o custo com manutenção, como sendo a somatória de 6 parcelas (custos com peças
diretas, rateio de peças, mão de obra, rateio de mão de obra, peças e mão de obra realizadas por
terceiros) conforme a Figura 30.
Figura 30 - Diagrama das parcelas da composição dos custos.
Segundo Banchi, Lopes e Zago (2008a), existe uma evolução do CRM da colhedora
em função da idade (vida) do equipamento. Desse modo, verifica-se que essa parcela não é
estática durante sua utilização, sendo assim, os autores definiram uma equação empírica que
Custo com reparo
e manutenção
(CRM)
Peças
Próprias
Peças Diretas
Rateio de Peças
Mão de obra
Própria
Mão de Obra
Rateio de Mão de obra
Reparos Realizados
Por Terceiros
Peças
Mão de obra
80
representa a evolução do CRM em função da vida da colhedora. Atualizando a equação de
Banchi, Lopes e Zago (2008a) para valor presente, tem-se a Equação 39.
( 39 )
Onde:
CRM = Custos com reparos e manutenção (R$ ano-1);
USO= Uso anual médio (h).
X= Vida do equipamento (h).
O valor da vida (X) e do uso anual foi definido de acordo com a Figura 29 para cada
ano de estudo.
Somando os custos com recuperação de capital, salário dos operadores,
combustível, lubrificantes e CRM de cada ano e posteriormente dividindo-os pela produção do
respectivo ano, tem-se o CO da colhedora definido pela Equação 40.
Custo Operacional (CO) – esse valor representa a somatória dos custos pela
quantidade de cana-de-açúcar colhida pelos equipamentos em análise (R$ Mg-1).
(40)
Onde:
CO = Custo operacional (R$ Mg-1);
CCR = Custos com recuperação de capital com retorno (R$ ano-1);
CSAL = Custos com salários (R$ ano-1);
CC = Custos com combustíveis (R$ ano-1);
CL = Custos com lubrificantes (R$ ano-1);
CRM = Custos com reparos e manutenção (R$ ano-1);
Prod = Produção anual (Mg).
Para o cálculo da quantidade de matéria-prima colhida (Prod), utilizou-se a Equação
41, que leva em consideração a COC.
81
(41)
Onde:
Prod = Quantidade de matéria-prima colhida (Mg);
COC = Capacidade operacional da colhedora (Mg h-1);
USO = Uso médio anual (h).
Para o cálculo da produção, levou-se em conta o uso anual médio por ano (Figura
29) e os valores da COC por ano (safra). Os valores da COC foram simulados de acordo com a
produtividade agrícola e a vida da colhedora no ano referido, utilizando-se o modelo 4 (Equação
23).
A variação de fatores que influenciam os custos, tais como condições de exploração,
qualidade das máquinas ou relações de preços, faz com que os coeficientes utilizados nos
cálculos não sejam universais, mas diferentes entres as regiões e países estudados
(LORENCOWICZ, 2015).
Com o objetivo de se ter o CO para várias faixas de vida e produtividade agrícola
da cultura, montou-se uma matriz variando-se a vida da colhedora durante seis safras (colunas)
e a produtividade agrícola da cultura (linhas), em que, para cada combinação de produtividade
agrícola e vida, tem-se um valor de COC e, consequentemente, um CO diferente. Em destaque
na Figura 31, uma célula com produtividade agrícola da cultura de 60 Mg ha-1, em uma faixa
de vida de 6.183 a 8.907 h da colhedora com uma COC de 28,13 Mg h-1.
Figura 31 - Composição da matriz de custo por tonelada e célula detalhe.
82
Após a tabulação da simulação do CO para diferentes produtividades agrícolas da
cultura e vida da colhedora, gerou-se um modelo matemático que representa o CO em função
da produtividade agrícola da cultura e da vida do equipamento (Equação 42).
( 42 )
Onde:
CO = Custo operacional (R$ Mg-1);
X = Vida da máquina (h);
Y = Produtividade agrícola da cultura (Mg ha-1);
a = Parâmetro constante – custo mínimo inicial;
b = Parâmetro relativo à vida da máquina;
c = Parâmetro relativo à produtividade agrícola da cultura.
A definição dos parâmetros foi feita através de regressão não linear múltipla com
auxílio do software Matlab®.
Após a elaboração prévia dos modelos matemáticos da COC e do CO, fizeram-se
as análises estatísticas recomendadas por Montgomery e Runger (2009), utilizando o software
R, em que consta a Tabela ANOVA, mostrando o teste de hipótese “Teste F”, o gráfico dos
resíduos, o coeficiente de correlação, R, o coeficiente de determinação, R2, o AIC e o BIC, que
fornecem elementos para a análise dos modelos adotados.
3.3. Aplicações da COC - Cenários
A capacidade operacional da colhedora tem várias aplicações dentro da gestão das
usinas sucroalcooleiras. Neste trabalho, foram mostrados quatro dessas aplicações, sendo elas:
Comparativo da COC para dois fabricantes de colhedoras; Gestão dos equipamentos de uma
unidade sucroalcooleira; Avaliação da COC dentro de um grupo sucroenergético;
Dimensionamento do parque de colhedoras de uma unidade produtora.
No comparativo da COC entre dois fabricantes, foram avaliados se existia diferença
entre a COC de dois fabricantes/modelo de colhedora e se esta era significativa estatisticamente.
Na gestão dos equipamentos de uma unidade sucroalcooleira, usando dados diários
da operação, avaliaram-se os dados da COC real versus a COC calculada pelo modelo 4 com
os parâmetros da média das usinas estudadas.
83
Na avaliação da COC dentro de um grupo sucroenergético, verificou-se a diferença
da COC entre nove empresas.
No dimensionamento do parque de colhedoras de uma unidade produtora, com base
na demanda diária de moagem da indústria e da COC, dimensionou-se o número de colhedoras
necessárias para realização da colheita prevista.
84
4. RESULTADOS
4.1. Modelagem da capacidade operacional da colhedora (COC)
Utilizando a base de dados de todas as unidades sucroalcooleiras descritas nas
Tabelas 3 e 4, aplicaram-se quatorze modelos matemáticos (equação 20 a 33) descritos no
capítulo Materiais e Métodos, com o uso do software de regressão não linear (Matlab), assim,
geraram-se os parâmetros de todos os modelos matemáticos. Tanto os parâmetros obtidos de
cada modelo quanto a análise estatística são mostrados na Tabela 6.
Tabela 6 - Parâmetros dos modelos testados
Md. Parâmetros
Homog.
(p-valor)
Shapiro-
Wilk
(p-valor)
R²
(%) AIC BIC
a b C D E f
1 83,07 0,1553 792,14 5,861 -0,77 1,29E-08 1,90E-05 28,0 6.873 6.902
2 83,07 0,1553 792,14 5,861 0,77 1,29E-08 1,90E-05 28,3 6.873 6.902
3 63,88 0,3017 1300,0 3,60E-01 2,30E-02 59,4 5.853 5.872
4 63,50 0,3075 1188,0 5,50E-02 4,40E-02 66,8 4.087 4.114
5 17,25 -0,0005 0,236
1,51E-01 5,23E-06 37,6 6.684 6.704
6 -3,69 -0,0007 0,0001 0,642 0,002 -1,5E-05 4,33E-05 7,59E-05 40,3 6.637 6.674
7 22,96 0,3000 0,725 1,55E-01 1,76E-01 50,2 5.676 5.696
8 55,36 1,0010 -0,001 4,46E-01 6,36E-05 39,2 6.656 6.676
9 2526 0,2822 0,788 4,92E-02 1,60E-05 36,9 6.701 6.721
10 80,28 3,3077 1469,3 5,05E-02 4,69E-07 37,2 6.692 6.712
11 -39,72 0,2851 -19,325 1,22E-01 8,56E-07 38,0 6.681 6.701
12 144,46 3,2411 365,15 4,46E-02 5,52E-06 37,1 6.693 6.713
13 4,92 0,0957 48,990 5,05E-02 2,20E-16 34,6 -587 -567
14 1,46 0,9150 -0,639 3,49E-02 2,20E-16 33,7 -574 -554
Nota: Md. = modelo; Homog. = homogeneidade.
Têm-se os seguintes dados:
- Modelo: Equação matemática em teste;
- Parâmetros: Variáveis dependentes e independentes;
- p-Valor da homogeneidade: Índice estatístico;
- p-Valor da normalidade (Shapiro-Wilk): Índice estatístico;
- R²: coeficiente de determinação;
- AIC: critério de informação de Akaike;
- BIC: critério de informação bayesiano.
85
Utilizando o coeficiente de determinação (R²), AIC e BIC, escolheram-se os três
melhores modelos, sendo eles os 3, 4 e 7, ressaltando que o modelo 4 foi o que melhor se
ajustou, com um R² de 66,8 e um menor AIC e BIC sendo respectivamente 4.087 e 4.114, e
atendeu o teste de Homogeneidade; o modelo 3 e 7 também apresentaram resultados
satisfatórios, porém necessitam de um parâmetro a mais para ser determinado, o que requer um
software e uma análise mais avançada.
Além da análise estatística numérica dos modelos matemáticos, efetuou-se também
uma análise estatística visual dos três modelos que melhor se ajustaram, sendo assim, utilizou-
se um conjunto de técnica para pesquisar a adequabilidade do modelo, sendo elas os testes de
homocedasticidade, independência e normalidade, que se baseiam na análise dos resíduos.
Para análise dos testes e considerando a natureza dos dados, isto é, informes reais
captados no campo, que trazem uma margem grande de erros que podem ser considerados
ocasionais e, muitas vezes, relacionados com particularidade de cada empresa (áreas de colheita
com grande diversidade geográfica, desenhos diferentes de talhões, com diversos
comprimentos, fatores esses não considerados na modelagem, além de, como era muito
importante para o experimento, diferentes produtividades agrícolas da cultura e máquinas em
vários níveis de idade e uso, definindo, dessa maneira, um grande espaço amostral), foi
necessário expurgar alguns outliers no banco inicial de dados.
Como é desejado obter uma equação que represente uma normalidade, efetuaram-
se vários níveis de exclusão de pontos discrepantes (outliers), buscando ter equações que
representem a normalidade da cultura. Visto que é esperado encontrar situações anormais, uma
equação-padrão, quando utilizada, estaria mostrando situações que devem ser corrigidas ou
aceitas para, no futuro, serem eliminadas.
Desse modo, foram realizados três níveis de simulações com diferentes percentuais
de exclusão de pontos, sendo eles 0% e 50% para cada um dos 3 modelos pré-selecionados (3,
4 e 7), de acordo com as Figuras 32 a 37.
86
Figura 32 - Análise do modelo 3 - Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional
em função da produtividade agrícola da cultura. (f) COC observada versus COC calculada.
Figura 33 - Análise do modelo 3 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada.
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
(d) (e) (f)
87
Figura 34 - Análise do modelo 4 - Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica.
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
Figura 35 - Análise do modelo 4 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada.
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
(d) (e) (f)
88
Figura 36 - Análise do modelo 7 – Sem exclusão de pontos (0 % de eliminação) - (a) Resíduo
versus valores ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada
versus função empírica.
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
Figura 37 - Análise do modelo 7 – 50 % exclusão de pontos - (a) Resíduo versus valores
ajustados. (b) Resíduo versus ordem da coleta dos dados. (c) Função acumulada versus função
empírica. (d) Capacidade operacional versus Vida. (e) Capacidade operacional em função da
produtividade agrícola da cultura. (f) COC observada versus COC calculada.
TESTE DE
HOMOCEDASTICIDADE
(a)
TESTE DE INDEPENDÊNCIA
(b)
TESTE DE NORMALIDADE
(c)
(d) (e) (f)
Analisando estatisticamente as Figuras 32 a 37, observou-se que os modelos 3 e 7
atendem parcialmente os testes de homocedasticidade e independência, porém atende o teste de
normalidade, já o modelo 4 atende todos os testes conforme resumo mostrado na Tabela 7.
89
Tabela 7 - Resumo das análises estatísticas dos modelos
Modelos 0% de exclusão de pontos 50% de exclusão de pontos
Homoc. Indep. Norm. Homoc. Indep. Norm.
3 Não Atende
(Fig. 32.a)
Não Atende
(Fig. 32.b)
Atende
(Fig. 32.c)
Parcial
(Fig. 33.a)
Parcial
(Fig. 33.b)
Atende
(Fig. 33.c)
4 Parcial
(Fig. 34.a)
Não Atende
(Fig. 34.a)
Atende (Fig.
34.c)
Atende
(Fig. 35.a)
Atende
(Fig. 35.b)
Atende
(Fig. 35.c)
7 Não Atende
(Fig. 36.a)
Não Atende
(Fig. 36.b)
Atende
(Fig. 36.c)
Parcial
(Fig. 37.a)
Parcial
(Fig. 37.b)
Atende
(Fig. 37.c)
Nota: Homoc. – Homocedasticidade; Indep. – Independência; Norm. – Normalidade.
Na análise dos testes do modelo 4, observou-se que o padrão do gráfico de
homocedasticidade não segue uma distribuição aleatória de média zero e amplitude constante,
ou seja, a suposição de homogeneidade de variância é atendida; no teste de independência,
verificou-se que não há influência da ordem da coleta no conjunto de dados, ou seja, a suposição
de que os erros são independentes está sendo atendida e há uma pequena diferença de
comportamento entre as distribuições empírica e teórica, ou seja, há evidências de que os
resíduos seguem uma distribuição normal.
Dadas as análises dos modelos apresentados, optou-se pelo modelo 4 para
representar a COC, visto ter um melhor coeficiente de ajuste R² (67 %) quando eliminados 50
% dos pontos; e os testes de resíduo versus valores ajustados (homocedasticidade), resíduo
versus ordem da coleta dos dados (independência), função teórica versus função empírica
(normalidade), estes foram mais satisfatórios. Desse modo, o modelo que melhor representa a
COC é descrito a seguir (Equação 43).
( 43 )
Onde:
COC = Capacidade operacional da colhedora (Mg h-1);
63,5 = constante relativa ao potencial máximo de capacidade operacional da
colhedora, para cuja obtenção consideraram-se uma velocidade de 5,5 km h-1, uma
produtividade de 140 Mg ha-1 e uma eficiência de colheita de 55 %;
𝑥 = vida da máquina (h);
b = parâmetro relativo à vida da máquina;
c = parâmetro relativo à produtividade agrícola da cultura;
𝑦 = produtividade agrícola da cultura (Mg ha-1)
90
4.1.1. Determinação dos parâmetros do modelo proposto para cada unidade
sucroalcooleira da base de dados
Utilizando o software MATLAB, e suas ferramentas de modelagem matemática,
obtiveram-se os parâmetros b e c do modelo 4 para cada unidade sucroalcooleira da base de
dados, de modo que, em negrito, são mostrados os menores e maiores valores observados
(Tabela 8).
Tabela 8 – Parâmetros b e c do modelo 4 para cada unidade sucroalcooleira.
Unidade Parâmetros
Homog.
(p-valor)
Shapiro-
Wilk
(p-valor)
R²
(%) AIC BIC
b c
A 0,2890 1.354 0,0123 0,2542 67,7 1.230 1.240
B 0,3188 1.372 0,0436 0,5182 81,0 301 307
C 0,3298 1.040 0,0986 0,0032 61,4 871 880
D 0,3341 645 0,0033 0,0831 63,0 421 428
E 0,2767 1.876 0,0230 0,0950 52,5 560 590
F 0,2713 2.047 0,7069 0,4477 71,8 121 125
G 0,2848 1.434 0,2668 0,7775 59,1 116 119
H 0,2956 1.232 0,2633 0,9801 57,0 882 891
Média 0,3075 1.188 0,0550 0,0440 53,6 4.087 4.114
Nota: Homog. = Homogeneidade; Média – uso dos pontos de todas as unidades.
Analisando os parâmetros b e c, pode-se concluir que a produtividade agrícola da
cultura tem uma maior influência na COC do que a vida da colhedora, visto que a variação do
parâmetro c tem 217 % e a do b, 23 %. A variação do parâmetro c é justificada devido à grande
variabilidade do ambiente produtivo brasileiro, onde se tem solos com altas e baixas
produtividades agrícolas, variando de 40 a 140 Mg ha-1. Além da produtividade agrícola, a
gestão e a sistematização de uma usina para outra são distintas, fatores esses que influenciam
nos parâmetros do modelo da COC.
Na Tabela 9, é mostrado o teste da Razão de Verossimilhança, em que se verificou
que os parâmetros ajustados para cada unidade de produção não se encontram dentro do mesmo
espaço paramétrico, ou seja, não há igualdade nos parâmetros e, portanto, cada unidade
produtora deve ter os seus.
91
Tabela 9 - Teste da razão de verossimilhança.
Tipo Hipótese b c Nº de
Parâmetros AIC BIC p-valor
Unidade Reduzida
2 5.089 5.104 2,2E-16
Unidade Completa
Diferentes Diferentes 16 4.903 4.974
Nota: b e c - Parâmetros do modelo 4.
Unidade Reduzida: Utilizar um parâmetro b e c para representar todas as unidades
sucroalcooleiras.
Unidade Completa: Utilizar um parâmetro b e c para cada unidade sucroalcooleira.
De acordo com o teste de hipótese, em que o p-valor foi de 2,2-16, pode-se concluir
que a hipótese H0 é rejeitada, ou seja, aceita-se a hipótese H1, em que se deve utilizar um
parâmetro b e c para cada unidade sucroalcooleira. Desse modo, recomenda-se que sejam
determinados para cada unidade os seus próprios parâmetros, utilizando-se, com restrições, a
média dos parâmetros somente na sua inexistência para a unidade em estudo.
4.1.2. Análise gráfica e numérica do modelo 4 – Equação selecionada
Com a média de todos os parâmetros das unidades sucroalcooleiras, gerou-se uma
superfície de resposta do modelo 4 (Figura 38), considerando-se a capacidade operacional da
colhedora, em função da vida útil da máquina e da produtividade agrícola do canavial:
Figura 38 - Superfície de resposta do Modelo 4. (a) COC em função da vida útil da máquina e
da produtividade agrícola da cultura. (b) COC em função da vida da máquina e da produtividade
agrícola da cultura. (c) COC em função da vida útil da máquina em vista lateral. (d) COC em
função da produtividade agrícola da cultura em vista lateral.
(a)
(b)
𝑐𝑢=𝑐 𝑏𝑢=𝑏 𝐻0
𝐻1
92
Analisando a Figura 38, observa-se que a COC é diretamente proporcional à
produtividade agrícola da cultura e inversamente proporcional à vida da máquina, em ambos os
casos, são não lineares.
Utilizando o modelo 4 e os parâmetros b = 0,3075; c = 1188 da Tabela 8 (média das
usinas), efetuou-se uma simulação que relaciona a capacidade operacional da colhedora em
função da vida útil do equipamento e da produtividade agrícola da cultura, gerando-se uma
matriz (Tabela 10).
Tabela 10 - Matriz da capacidade operacional da colhedora (Mg h-1) em função da vida da
máquina (h) e da produtividade agrícola da cultura (Mg ha-1).
A variação da COC (Mg h-1) está entre 17 e 44, com uma vida útil entre 0 e 26.000
horas de uso acumulado; e a produtividade agrícola da cultura entre 50 e 130 (Mg ha-1), citando
50 60 70 80 90 100 110 120 130 Média
2.000 29,4 33,3 36,2 38,3 39,9 41,3 42,3 43,2 44,0 38,7
4.000 26,9 30,9 33,7 35,8 37,5 38,8 39,9 40,8 41,5 36,2
6.000 25,2 29,2 32,0 34,1 35,8 37,1 38,2 39,1 39,8 34,5
8.000 23,9 27,8 30,7 32,8 34,4 35,8 36,8 37,7 38,5 33,2
10.000 22,8 26,7 29,5 31,7 33,3 34,6 35,7 36,6 37,4 32,0
12.000 21,8 25,7 28,6 30,7 32,3 33,7 34,7 35,6 36,4 31,1
14.000 20,9 24,9 27,7 29,8 31,5 32,8 33,9 34,8 35,5 30,2
16.000 20,1 24,1 26,9 29,0 30,7 32,0 33,1 34,0 34,7 29,4
18.000 19,4 23,4 26,2 28,3 30,0 31,3 32,4 33,3 34,0 28,7
20.000 18,7 22,7 25,5 27,6 29,3 30,6 31,7 32,6 33,3 28,0
22.000 18,1 22,1 24,9 27,0 28,7 30,0 31,1 32,0 32,7 27,4
24.000 17,5 21,5 24,3 26,4 28,1 29,4 30,5 31,4 32,1 26,8
26.000 17,0 20,9 23,7 25,9 27,5 28,8 29,9 30,8 31,6 26,2
Média 21,7 25,6 28,5 30,6 32,2 33,5 34,6 35,5 36,3 30,9
COC - COLHEDORA DE CANA (Mg h-1
) Vida - x
(h)
Produtividade - y (Mg ha-1)
(c)
(d)
93
um valor médio de 34,1 Mg h-1 para a COC com vida de 6.000 h das colhedoras e produtividade
agrícola da cultura de 80 Mg ha-1.
4.1.3. Ajuste do modelo 4 para diferentes unidades sucroalcooleiras
A fim de verificar e ajustar o modelo matemático 4, simulou-se a capacidade
operacional calculada em função da capacidade operacional real de 5 outras unidades
sucroalcooleiras distintas da base de dados (Figura 39).
Figura 39 - Capacidade Operacional calculada em função do real. (a) Geral. (b) Unidade G-B.
(c) Unidade G-E. (d) Unidade G-F. (e) Unidade G-G. (f) Unidade G-I.
(a)
(b)
(c)
(d)
(e) (f)
94
Avaliando a Figura 39, observa-se que existe relação entre a COC calculada pelo
modelo 4 com a média dos parâmetros das unidades sucroalcooleiras e a COC real, visto que o
coeficiente de determinação (R²) está entre 74 e 56 %.
De acordo com a análise estatística do modelo 4 para cada unidade sucroalcooleira,
recomenda-se que cada unidade tenha seus próprios parâmetros b e c, mas, na ausência desses,
pode-se utilizar a média dos parâmetros, pois o coeficiente de determinação (R²) está entre 74
e 56%.
4.2. Modelagem do custo operacional da colhedora (CO)
Através da metodologia de cálculo do custo operacional definido no capítulo
matérias e métodos, determinou-se o custo da colhedora por tonelada em diferentes cenários,
variando a produtividade agrícola da cultura e a vida das colhedoras.
As parcelas utilizadas para o cálculo do CO foram: recuperação de capital com
retorno, custo do operador, elementos considerados fixos; também combustível, lubrificante e
manutenção, elementos considerados variáveis. Desse modo, efetuaram-se simulações em
diferentes produtividades agrícolas da cultura (50 a 130 Mg ha-1) e para sete safras e, em cada
uma delas, com seus respectivos usos anuais e vida das colhedoras, tendo como principal
resultado o custo por tonelada colhida, fator esse necessário na área de gestão, permitindo
valorizar o ganho ou a perda devido à variação da COC (Tabela 11). No apêndice J, tem-se a
Tabela 11 expandida, em que é possível observar o memorial de cálculo.
Tabela 11 - Simulação do CO da colhedora para diferentes combinações de produtividade e
vida da colhedora
A COC é inversamente proporcional ao custo da colhedora, ou seja, quanto maior
for a COC (Mg h-1), menor será o custo da colhedora (R$ Mg-1).
Faixa Média 50 60 70 80 90 100 110 120 130
0 - 3.200 1.600 10,75 9,50 8,77 8,29 7,96 7,71 7,51 7,36 7,23 8,85
3.201 - 6.182 4.691 13,82 12,01 10,99 10,32 9,86 9,52 9,26 9,05 8,88 11,16
6.183 - 8.907 7.545 16,57 14,24 12,94 12,11 11,53 11,11 10,79 10,53 10,33 13,21
8.908 - 11.414 10.161 19,17 16,32 14,76 13,76 13,08 12,58 12,20 11,90 11,66 15,14
11.415 - 13.720 12.567 21,67 18,30 16,47 15,32 14,54 13,96 13,52 13,18 12,90 16,98
13.721 - 15.841 14.781 24,07 20,19 18,10 16,80 15,91 15,26 14,77 14,39 14,07 18,74
15.842 - 17.900 16.871 26,43 22,03 19,68 18,23 17,24 16,52 15,98 15,55 15,20 20,46
18,93 16,08 14,53 13,55 12,87 12,38 12,00 11,71 11,47 14,93Média
CO (R$ Mg-1)
MédiaProdutividade Agrícola (Mg ha-1)Vida (h)
95
O custo operacional da colhedora tem ampla variação: atingindo de R$ 7,23 a R$
26,43, com uma vida útil entre 0 e 26.000 horas de uso acumulado e com a produtividade
agrícola da cultura variando de 50 a 130 Mg ha-1. Em condições médias de 80 Mg ha-1 de
produtividade agrícola da cultura e 6.000 horas de uso das colhedoras, o custo fica em torno de
10,90 R$ Mg-1.
Para melhor análise do custo operacional das colhedoras, foi desenvolvido um
modelo matemático estimado pelo software MATLAB®, que tem como variável dependente a
vida da colhedora e a produtividade agrícola da cultura, com a finalidade de estimar o CO da
colhedora, para uma vida e produtividade agrícola da cultura diferentes da Tabela 11.
O modelo matemático que representa o CO em função da produtividade agrícola da
plantação e da vida da colhedora é mostrado na Equação 44.
( 44 )
Onde:
CO = Custo operacional da colhedora (R$ Mg-1);
X = Vida da máquina (h);
Y = Produtividade agrícola da cultura (Mg ha-1);
Os parâmetros e as análises do modelo do CO são mostrados na Tabela 12.
Tabela 12 - Parâmetros da equação do custo e suas análises estatísticas.
Parâmetros Homogeneidade
(p-valor)
Shapiro-
Wilk
(p-valor)
R²
(%) AIC BIC
a b c
4,539 0,000664 210700 0,774 0,0591 96,3 -468 -460
Variando-se os valores de X de 0 a 15.000 h e o Y de 50 a 130 Mg ha-1, simulou-se
a equação 44. Na Figura 40, é mostrada a superfície de resposta da simulação do CO.
96
Figura 40 - Superfície de resposta da simulação do CO - (a) CO em função da vida útil da
máquina e da produtividade agrícola da cultura. (b) CO em função da vida útil da máquina e da
produtividade agrícola da cultura. (c) CO em função da vida útil da máquina em vista lateral.
(d) CO em função da produtividade agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
Na Figura 40, nota-se que a vida da colhedora e a produtividade agrícola da cultura
influem no custo operacional por tonelada (R$ Mg-1), visto que o custo tem uma variação de
7,23 a 26,43 R$ Mg-1.
Com o objetivo de verificar a evolução do CO em função da produtividade agrícola
e da COC em diferentes idades da colhedora (6 safras), plotou-se o gráfico da Figura 41.
97
Figura 41 - CO em função da COC para diferentes produtividades agrícolas da cultura
Nota: 1, 2, 3, 4, 5, 6 = número da safra
Nota-se que o custo da colhedora (R$ Mg-1) é inversamente proporcional à COC.
O envelhecimento de uma colhedora (e também do avanço das safras) implica um aumento no
custo de produção dentro de uma mesma faixa de produtividade agrícola da cultura.
Observa-se, também, que existe um limite do aumento da produtividade agrícola da
cultura influenciando o custo por tonelada, isso se deve à limitação mecânica da colhedora.
Destaca-se que, quando a produtividade agrícola é baixa, a diferença do CO é maior
nas variações do COC.
A Figura 41 mostra que a cada safra, numa sequência de cortes no mesmo plantio,
aumenta-se o custo de produção ano a ano, pela diminuição da produção agrícola, dada a perda
de vitalidade da cana remanescente e também do envelhecimento da frota (diminuição da COC).
Outra contribuição potencial da equação do Custo Operacional desenvolvida é a de
servir para calcular contratos de terceirização de serviços agrícolas nas usinas, visto que os
índices auxiliares para definição de contratos são escassos e, além disso, o custo operacional
tem grande influência na definição da saúde econômica, tanto da usina como para a empresa
contratada.
98
4.3. Aplicações da Capacidade operacional da colhedora
Neste subcapítulo, foram analisadas 4 aplicações da COC que são utilizadas na
gestão agrícola das usinas sucroalcooleiras brasileiras. Os estudos realizados foram:
Comparativo da COC para dois fabricantes de colhedoras, Gestão dos equipamentos de uma
unidade sucroalcooleira, Avaliação da COC dentro de um grupo suco energético, Avaliação do
dimensionamento do parque de colhedoras de uma unidade produtora.
4.3.1. Comparativo da COC para dois fabricantes de colhedoras
Por meio da base de dados, geraram-se os parâmetros do modelo 4 para cada
fabricante de colhedora e estes foram codificados em fabricante 1 e 2 (Tabela 13).
Tabela 13 - Parâmetros do modelo 4 para cada fabricante
Fabricante Parâmetros
Homogeneidade
(p-valor)
Shapiro-
Wilk
(p-valor)
R²
(%) AIC BIC
B c
Fabricante 1 0,3097 1.180 0,0128 0,3700 55,4 2.555 2.567
Fabricante 2 0,3067 1.198 0,0751 0,0178 60,3 2.414 2.426
Média 0,3075 1.188 0,0550 0,0440 53,6 4.087 4.114
Os parâmetros da equação foram analisados estatisticamente pelo Teste da Razão
de Verossimilhança para verificar se, quando o modelo (equação) escolhido é ajustado
individualmente para cada modelo/fabricante de colhedora, os seus parâmetros se encontram
dentro do mesmo espaço paramétrico, ou seja, existe igualdade nos parâmetros e, portanto,
podem ser representados por um modelo aninhado (com menos parâmetros), conforme Tabela
14.
Tabela 14 - Teste da razão de verossimilhança
Tipo Hipótese b c Nº de
Parâmetros AIC BIC p-valor
Fabricante reduzido
2 5.089 5.104 0,7877
Fabricante completo
Diferentes Diferentes 4 5.093 5.117
𝑏𝑢=𝑏 𝑐𝑢=𝑐 𝐻0
𝐻1
99
Onde:
Fabricante Reduzido: Utilizar um parâmetro b e c para representar todos os
fabricantes.
Fabricante Completo: Utilizar um parâmetro b e c para cada fabricante.
Através do teste de hipótese, cujo p-valor foi de 0,7877, conclui-se que a hipótese
H0 é aceita, ou seja, aceitam-se utilizar os mesmos parâmetros para representar todos os
fabricantes.
É possível verificar, pelos testes da razão de verossimilhança realizados, que as
duas marcas de colhedora estudadas possuem comportamentos semelhantes, pois seus
parâmetros estão dentro do mesmo espaço paramétrico, podendo ser representados pelos
mesmos parâmetros b e c.
Para visualizar essa semelhança, foi simulado a COC para uma mesma idade do
equipamento, ou seja, com a mesma vida 8.000 h (Figura 42.a) e para uma mesma produtividade
agrícola da cultura de 80 Mg ha-1 (Figura 42.b).
Figura 42 -. Comparativo da COC entre fabricantes. (a) para uma mesma idade (vida 8.000 h).
(b) para uma mesma produtividade agrícola da cultura (Produtividade agrícola 80 Mg ha-1).
(a)
(b)
Analisando a Figura 42, observa-se que não existe diferença significativa entre os
dois fabricantes, visto que as curvas estão sobrepostas e o p-valor foi de 0,7877 no teste de
hipótese em que se aceita utilizar os mesmos parâmetros para representar os dois fabricantes.
Em outra forma de visualização, elaborou-se o mesmo comparativo entre
fabricantes em um formato de superfície de resposta (Figura 43).
100
Figura 43 - Superfície de resposta do comparativo da COC entre dois fabricantes. (a)
Comparativo da COC entre fabricantes em Função da Produtividade Agrícola da Cultura e da
Vida Útil da Máquina. (b) Comparativo da COC entre fabricantes em Função da Produtividade
Agrícola da Cultura e da Vida Útil da Máquina. (c) Comparativo da COC em função da Vida
Útil da Máquina Vista Lateral. (d) Comparativo da COC em Função da Produtividade Agrícola
da Cultura Vista lateral.
(a)
(b)
(c)
(d)
Analisando visualmente a Figura 43, pode-se gerar uma interpretação errônea, visto
que, visualmente, o fabricante 2 tem predominância sobre o fabricante 1, fato esse não
comprovado numérica e estatisticamente.
4.3.2. Gestão dos equipamentos de uma unidade sucroalcooleira
A determinação da equação matemática que define a Capacidade Operacional da
Colhedora em função de sua vida (uso acumulado) e da produtividade agrícola da cultura
permite analisar uma colhedora individual perante o padrão como também uma empresa perante
101
a outra, e ainda uma empresa perante seu grupo proprietário. Essa análise permite uma avaliação
em uma aplicação específica, isto é: local e período determinado.
Utilizando-se os parâmetros da média das usinas, avaliou-se a capacidade
operacional de cinco equipamentos individuais (Tabela 15):
Tabela 15 - Avaliação do uso de equipamentos.
Colhedora Vida
Acum. (h)
TCH
(Mg ha-1)
COC (Mg h-1) Diferença
Real Calculado Valor Percentual
7521 5.320 84,0 37,5 36,7 0,8 2,1
3550 12.700 92,0 27,2 33,9 -6,7 -24,7
4530 2.870 88,3 31,8 39,7 -7,9 -24,8
5540 3.261 90,0 38,3 39,4 -1,1 -2,9
6450 2.870 83,0 42,0 38,8 3,2 7,6
Nota: Vida Acum. = Vida acumulada (h); TCH = Produtividade agrícola do canavial.
A Tabela 15 permite verificar que as colhedoras de número 7521 e 5540
apresentam um desvio inferior a 5 %. Desse modo, pode-se considerar seu desempenho
adequado (razoável). Já para os equipamentos de número 3550 e 4530, notaram-se perdas
significativas em seu rendimento, que se situam em torno de 25 %. Para a colhedora de número
6450, observou-se um acréscimo no rendimento de 7,6 %. Essa situação deve ser mantida e
externada a toda a empresa, mas ainda requer análises in loco, pois se pode utilizar de excesso
de velocidade, que aparentemente pode ser vantajoso, mas com perdas significativas na
manutenção, devido ao excesso de falhas, que acarretam altos custos.
4.3.3. Avaliação da COC dentro de um grupo sucroenergético (várias empresas)
Utilizando-se os dados de um grupo do setor agroindustrial (não pertencente à base
de dados de referência da tese), que explora a cultura de cana-de-açúcar, foram realizadas
análises de sua Capacidade Operacional da Colhedora. Esse grupo é composto de nove unidades
(representadas pelas G-A a G-I) instaladas no Brasil. Para cada unidade, foram gerados os
parâmetros b e c (Tabela 16 e 17).
102
Tabela 16 - Parâmetros utilizados em cada unidade.
Un. Parâmetros
R² COC
(Mg h-1)
TCH
(Mg ha-1)
N°
Equip.
Vida
(h)
N° Pts
Utiliz.
% Pts
Utiliz. Anos
Área
(ha)
Produção
Anual
(Mg) b c
G-A 0,282 -1964 33,6 30,5 87,8 13 4394 90 40 2 26.672 1.432.000
G-B 0,250 -1662 67,0 24,0 56,4 29 10283 487 70 4 30.717 1.683.000
G-C 0,237 -1886 50,0 30,1 73,4 29 5427 216 40 3 37.442 2.505.000
G-D 0,307 -1908 66,2 21,6 69,4 38 5925 387 50 4 47.053 2.642.000
G-E 0,252 -1612 76,0 30,2 65,0 26 4807 234 60 3 43.865 1.930.000
G-F 0,300 -1250 55,0 28,2 64,4 15 10126 270 60 3 37.862 1.398.000
G-G 0,309 -1497 50,0 25,3 63,9 28 6060 269 50 4 44.253 1.897.000
G-H 0,327 -1216 62,0 25,5 57,9 30 5724 377 60 3 58.495 3.151.000
G-I 0,284 -1550 57,0 26,6 63,1 50 6978 562 50 3 80.748 3.741.000
Média 0,288 -1557 67,3 27,6 66,8 258 6643 2671 50 4 407.107 20.379.000
Nota: Un. = Unidade; COC = Capacidade operacional da colhedora; TCH = Produtividade agrícola do canavial;
N° Equip. = Número de equipamentos; Vida = Vida média das colhedoras em horas; N° Pts Utiliz. = número de
pontos utilizados; % Pts Utiliz. = porcentagem de pontos utilizados; anos = quantidade de anos estudados.
O parâmetro b sofreu variação de 38 % e o c, 61 %, valores esses de menor escala
quando comparados com as usinas da base de dados, onde a variação do parâmetro a foi de
23% e a do b, 217%, valores esses que corroboram o fato de que, quando a gestão é uniforme
entre as usinas, a variação dos parâmetros é menor, visto que a sistematização e a qualidade da
produção são semelhantes entre as unidades.
Na Tabela 17, foi elaborada uma análise estatística dos informes da Tabela 16.
Tabela 17 - Análise estatística da COC, TCH e Vida das colhedoras das unidades.
Parâmetros Mín. Média Medi. Máx. Desvio
Padrão
Coef. Variância Assim Kurt Ampl.
Var.
COC (Mg h-1) 21,6 26,9 26,6 30,5 3,1 11,5 9,6 -0,2 -1,5 8,9
TCH (Mg ha-1) 56,4 66,8 64,4 87,8 9,4 14,1 88,7 1 0 31,4
VIDA (h) 4.394 6.636 5.925 10.283 2.153 32,5 4.637.525 0,8 -1,1 5.889
Nota: Mín. = Mínimo; Medi. = Mediana; Coef. Var. = Coeficiente de variação; Assim. = Assimetria; Kurt =
Kurtosis; Ampl. = Amplitude.
Na Tabela 17, observou-se que há uma variação da capacidade operacional da
colhedora, de uma unidade para outra, de aproximadamente nove toneladas por hora (8,9 Mg
h-1).
Com os parâmetros médios das unidades do grupo agroindustrial, gerou-se uma
superfície de resposta do modelo matemático 4 (Figura 44), considerando-se a capacidade
103
operacional da colhedora em função da vida útil da máquina e da produtividade agrícola da
cultura.
Figura 44 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
Por meio do uso da equação resultante, com os parâmetros b= 0,2881; c = 1557 da
Tabela 16 (Média), efetuou-se uma simulação, que relaciona a capacidade operacional da
colhedora em função da vida útil do equipamento e da produtividade agrícola do canavial,
gerando-se uma matriz (Tabela 18).
104
Tabela 18 - Matriz da capacidade operacional da colhedora (Mg h-1) em função da vida da
máquina (h) e da produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 10.000 h das colhedoras e uma produtividade média do
canavial nas áreas colhidas de 80,0 Mg ha-1, obteve-se uma COC (calculada): 29,8 Mg h-1 ou
0,373 ha h-1.
A COC (calculada) do grupo sucroenergético mostrou um valor 5,9% abaixo da
média do grupo de usinas estudadas e tidas como referência (base de estudo) (31,7 Mg h-1),
para uma mesma faixa de produtividade agrícola e vida da colhedora.
A superfície de resposta e a matriz da COC foram elaboras por usina e mostradas
no apêndice de A ao I.
Em outra forma de visualização, comparou-se a capacidade operacional média do
grupo agroindustrial com a média da capacidade operacional da base de estudo (referência),
para uma mesma faixa de vida (7.000h), assim mostrada na Figura 45.
50 60 70 80 90 100 110 120 130 Média
2.000 23,4 28,6 32,3 35,1 37,3 39,0 40,4 41,6 42,6 35,6
4.000 21,5 26,6 30,3 33,1 35,3 37,0 38,4 39,6 40,6 33,6
6.000 20,1 25,3 29,0 31,8 33,9 35,7 37,1 38,3 39,3 32,3
8.000 19,0 24,2 27,9 30,7 32,9 34,6 36,0 37,2 38,2 31,2
10.000 18,2 23,3 27,1 29,8 32,0 33,7 35,1 36,3 37,3 30,3
12.000 17,4 22,6 26,3 29,1 31,2 33,0 34,4 35,6 36,6 29,6
14.000 16,7 21,9 25,6 28,4 30,6 32,3 33,7 34,9 35,9 28,9
16.000 16,1 21,3 25,0 27,8 29,9 31,7 33,1 34,3 35,3 28,3
18.000 15,5 20,7 24,4 27,2 29,4 31,1 32,5 33,7 34,7 27,7
20.000 15,0 20,2 23,9 26,7 28,9 30,6 32,0 33,2 34,2 27,2
22.000 14,5 19,7 23,4 26,2 28,4 30,1 31,5 32,7 33,7 26,7
24.000 14,1 19,3 23,0 25,8 27,9 29,7 31,1 32,2 33,2 26,2
26.000 13,7 18,8 22,6 25,3 27,5 29,2 30,6 31,8 32,8 25,8
Média 17,3 22,5 26,2 29,0 31,2 32,9 34,3 35,5 36,5 29,5
COC - COLHEDORA DE CANA (Mg h-1
) Vida - x
(h)
Produtividade - y (Mg ha-1)
105
Figura 45 - COC (Mg h-1) em função da produtividade agrícola da cultura (Mg ha-1) para uma
vida média de 7.000 horas das colhedoras.
Nota: Referência = Modelo geral; Unidade Avaliada = Grupo de unidades avaliadas.
A mesma diferença da COC das unidades pode ser observada quando se admite
uma produtividade agrícola da cultura de 70 Mg ha-1 (Figura 46).
Figura 46 - COC (Mg h-1) em função da vida útil da máquina (h) para uma produtividade
agrícola da cultura de 70 Mg ha-1.
Nota: Referência = Modelo geral; Unidade Avaliada = Grupo de unidades avaliadas.
Fazendo um comparativo da equação média da COC das usinas de referência com
a média das unidades do grupo sucroenergético, obteve-se uma superfície de resposta (Figura
47).
106
Figura 47 - Superfície de resposta do Comparativo da COC. (a) Comparativo da COC em
função da vida útil da máquina e da produtividade agrícola da cultura. (b) Comparativo da COC
em função da vida útil da máquina em vista lateral. (c) Comparativo da COC em função da
produtividade agrícola da cultura em vista lateral.
(a)
(b)
(c)
Analisando a Figura 47, notou-se que a COC do grupo agroindustrial é menor do
que a do grupo de referência utilizada no estudo, para a maior parte das faixas de vida da
colhedora e da produtividade agrícola do canavial.
Visto que o comparativo isenta a produtividade agrícola do canavial e a vida da
colhedora, a diferença entre a COC dos grupos é devido à colheitabilidade (dimensionamento
e topografia dos talhões de cana-de-açúcar), habilidade dos operadores e gestão, já que existe
dificuldade em se ter um padrão de gestão para todas as unidades produtoras.
107
4.3.4. Dimensionamento do parque de colhedoras de uma unidade produtora
Através da COC, determina-se a produção (Mg) de um conjunto de colhedoras em
uma unidade produtora, que deve suprir a quantidade estimada de cana picada (matéria-prima)
para a indústria. É natural que, dados seus custos, não se permita um excesso de colhedoras
para a retirada da cana-de-açúcar do campo quando in natura. Também a quantidade existente
pode passar de suficiente para insuficiente, devido a seu próprio e natural envelhecimento
(horas de uso). Um parque de máquinas que antes alcançava seus objetivos, ao ocorrer seu
envelhecimento, passa a não mais atingir suas metas previstas; desse modo, uma análise de sua
capacidade de produção (colheita e transporte) deve ser realizada, considerando-se não só sua
produtividade agrícola da cultura (Mg ha-1) como também a idade (anos ou horas de trabalho
acumuladas) da frota. Na Tabela 19, é mostrado o rendimento de uma usina de açúcar que teve,
com o passar dos anos, uma redução de sua retirada de matéria-prima do campo.
Tabela 19 – Características do dimensionamento de uma usina de açúcar.
Características Parâmetros Valores Unidade
Informações iniciais Produção programada 10.000,0 Mg dia-1
Produção obtida 8.707,0 Mg dia-1
Período de trabalho 13,5 h
Idade média 18.000,0 h
Nº Equipamentos 24,0 unidade
TCH 65,0 Mg ha-1
COC médio 26,9 Mg h-1
Uso médio anual 3.800,0 h
Frente de colheita 6,0 unidade
Simulação 1 Idade média 18.000,0 h
Nº equipamentos 28,0 unidade
TCH 65,0 Mg ha-1
COC médio 26,9 Mg h-1
Uso médio anual 3.800,0 h
Frente de colheita 6,0 unidade
Produção prevista 10.158,2 Mg dia-1
Simulação 2 Idade média 7.600,0 h
Nº Equipamentos 24,0 unidade
TCH 65,0 Mg ha-1
COC médio 31,9 Mg h-1
Uso médio anual 3.800,0 h
Frente de colheita 6,0 unidade
Produção prevista 10.323,1 Mg dia-1
Nota: COC - Capacidade Operacional da Colhedora; TCH – Produtividade agrícola da cultura
108
No segmento da Figura no bloco denominado Parâmetro, nota-se que a empresa
em análise tem a capacidade de moagem de 10.000 toneladas, mas seu conjunto de colhedoras,
com idade média de 18.000 horas, tem uma previsão de colher 8.707 toneladas por dia, sendo
inferior à sua capacidade de moagem (10.000 toneladas por dia). Efetuaram-se duas simulações,
sendo que, na primeira, simularam-se quantas colhedoras a empresa deveria ter nas mesmas
condições de COC (mesma idade e modelo) e obteve-se a quantidade de 28 unidades, com
produção estimada de 10.158 Mg dia-1, isto implica em um acréscimo de mais 4 equipamentos
de colheita. Na segunda simulação, mantiveram-se as 24 colhedoras, porém com uma
renovação de equipamentos planejada, para que a idade média das colhedoras perdure durante
todos os anos do período analisado em 7.600 h, com isso, a produção estimada será de 10.323
Mg dia-1, suprindo a necessidade da indústria.
Na Tabela 20, é mostrada uma sugestão da quantidade de equipamentos por idade,
de modo que atinja as metas solicitadas e mantenha um fluxo de aquisição de equipamentos
homogênea.
Tabela 20 - Análise das simulações da composição de um parque de máquinas em uma usina
de açúcar.
Ano
Período
uso
(h dia-1)
Nº
Equipamentos Vida (h)
TCH
(Mg ha-1)
COC Calc.
(Mg h-1)
Produção
(Mg)
1 13,5 6 1.900,0 65,0 36,3 2.936,3
2 13,5 6 5.700,0 65,0 32,5 2.628,6
3 13,5 6 9.500,0 65,0 30,2 2.447,0
4 13,5 6 13.300,0 65,0 28,5 2.311,2
Totais 24 7.600,0 65,0 31,9 10.323,1
Nota: COC Calc. – Capacidade operacional da colhedora calculada; TCH – Produtividade agrícola da cultura.
É desejável, do ponto de vista empresarial, que as renovações ocorram em grupos
equitativos ano a ano. Desse modo, sugere-se uma renovação de 6 equipamentos por ano, que
poderão ser distribuídos em 6 frentes de trabalho, contando com 4 unidades motoras por frente,
com idade média de 2,5 anos. Na Tabela 20, nota-se que a produção diária atinge 10.331 Mg
dia-1, o que é superior aos 10.000 Mg previstos com o mesmo número de equipamentos (24
equipamentos).
109
4.4. Considerações sobre os resultados
A COC é um indicador gerencial de sensibilidade sobre o desempenho de uma
colhedora, que é altamente influenciado pela:
• Produtividade agrícola da cultura (Mg ha-1); e
• Idade média da frota (anos e vida).
Mesmo considerando as condições de idade e produtividade agrícola da cultura,
também podem apresentar-se outros motivos influenciadores, como:
• Colheitabilidade: comprimento do talhão (tiro da colheita), dimensões da área de
manobra e topografia;
• Treinamento operacional;
• Gerenciamento de toda a equipe e comprometimento da empresa;
• Logística: (número de colhedoras / número de transbordos / número de
caminhões);
• Dimensionamento da quantidade de máquinas;
• Estrutura de apoio.
Para a adequação do processo e sua real utilização, é imprescindível um
monitoramento contínuo e, quando necessárias, decisões imediatas.
A partir do modelo da COC, outras ferramentas serão desenvolvidas, pois esse
recurso permite integrar diferentes variáveis e analisar suas influências no custo operacional;
seu uso serve como subsídio para diversas decisões, como o tempo para sucateamento de
colhedoras e o nível mínimo tolerável da produtividade agrícola da cultura.
110
5. CONCLUSÕES
Com os resultados obtidos, pôde-se verificar, a respeito da COC (capacidade
operacional da colhedora) e do CO (custo operacional) da Colhedora de cana-de-açúcar, que:
A variável COC é função da vida do equipamento e da produtividade agrícola
do canavial; sendo assim, é função diretamente proporcional à produtividade agrícola, de modo
não linear e inversamente proporcional à vida do equipamento e não linear. Ambas as variáveis
são independentes e atuam conjuntamente;
A COC permite a realização da análise tanto do fabricante de colhedora, como
do modelo e da unidade de produção;
A variação da COC tem influência no custo da colheita mecânica da cultura de
cana-de-açúcar visto que quanto maior a quantidade colhida menor será o custo por tonelada;
desse modo, a função CO é inversamente proporcional à produção. Foi criado um modelo
matemático empírico que representa essa relação;
O modelo para o cálculo do custo permite verificar que o CO da colhedora (R$
Mg-1) decresce com o aumento da produtividade agrícola da cultura (Mg ha-1) e cresce com o
aumento da idade dos equipamentos (uso acumulado, vida); ambas variáveis influenciam o CO
de maneira não linear.
111
6. SUGESTÕES PARA TRABALHOS FUTUROS
Desenvolvimento de novas equações (modelos matemáticos) para a
determinação da COC, que contenham como variáveis independentes não só a produtividade
agrícola da cultura (Mg ha-1) e a idade da colhedora (h), como também a colheitabilidade, a
massa colhida (fluxo instantâneo), a velocidade instantânea da colhedora e outros parâmetros;
Integração do conceito de COC nos computadores de bordo (equipamentos de
hardware embarcados) que operem em tempo real;
Realização deste estudo também para colhedoras que atuam no processo de
plantio, na geração das mudas de cana-de-açúcar;
Criação de um banco de dados que mantenha um histórico mais completo do
que os existentes, visto que essas análises requerem informações de vários anos e dos múltiplos
modelos de equipamento, nas várias situações de colheitabilidade;
Avaliação dos diferentes modelos de colhedoras do mercado, com a utilização
do conceito da COC;
Para a implantação da metodologia que define a COC na gestão do processo de
colheita no setor sucroenergético, requer-se um amplo aprimoramento na coleta e no tratamento
dos dados, que deveriam ser totalmente em tempo real (on-line).
112
REFERÊNCIAS
AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on
automatic control. New York, v. 19, n. 6, p. 716-723, 1974.
ALCOCK, R. Tractor-implement systems. Westport: AVIPublishing Company, 1986. 161p.
AMABILINI, V. D. Utilização do Harvester TRANSPORTE FLORESTAL, 1., Belo
Horizonte, 1991. Anais. Belo Horizonte, s.., p. 349-364, 1991. AMBIENTAIS DA CADEIA
DO ETANOL DE CANA-DE-AÇÚCAR, 2008. São Paulo. Relatório final... São Paulo:
CENEBIO, 2008. Disponível em:
http://www.apta.sp.gov.br./cana/anexo/wks_ambiental_relatorio_final.pdf. Acesso em: 07 dez.
2009.
AMERICAN SOCIETY OF AGRICULTURAL AND BIOLOGICAL ENGINEERS.
Agricultural machinery management data ASAE D496.3. In: ASAE standards, 2011.
AMERICAN SOCIETY OF AGRICULTURAL AND BIOLOGICAL ENGINEERS.
Agricultural machinery management data ASAE D497.7. In: ASAE standards, 2011.
AOE, G. X.; LEAL, G. C. L. Gestão da informação no gerenciamento de frotas de uma
empresa de prestação de serviços. In: XXXI Enc. Nac. de Engenharia de Produção, 2011,
Belo Horizonte. Inovação..., 2011.
ARAÚJO, F. S.; SOUZA, Z. M.; SOUZA, G. S.; MATSURA, E. E.; BARBOSA, R. S.
Espacialização do intervalo hídrico ótimo de um Latossolo Vermelho em dois sistemas de
colheita de cana-de-açúcar. Pesq. agrope. bras., v. 48, p. 651-660. doi: 10.1590/S0100-
204X2013000600011, 2013.
ATKINSON, A. Plots, transformations and regression: an introduction to graphical methods
of diagnostic regression analysis. 2.ed., Oxford: Osford University Press, 1985. 282 p.
BANCHI, A. D.; LOPES, J. R.; ALBUQUERQUE, R. F.; COLI, R. A. Gestão de mecanização:
Frota e operações agrícolas. Revista Agrimotor, p. 42-47, 2012c.
_____; _____; FERREIRA, V. A. Estudo da composição de custos da mecanização. Revista
Agrimotor. n. 117, p. 44-46, abr. 2016.
_____; _____; FRANÇA, L. S. Análise de consumo de lubrificantes em máquinas agrícolas.
Revista Agrimotor. n. 06, p. 08-10, out. 2005.
______; ______; MARTINS, J. M. S.; DIMASE, M. Capacidade operacional de colhedoras de
cana-de-açúcar – modelagem matemática em função da produtividade agrícola e da vida da
máquina. Revista Agrimotor, n. 77, p. 42-45, São Paulo: Grips, ago. 2012a.
113
______; ______; ______; TAVARES, F. F. O impacto da produtividade agrícola e da vida dos
equipamentos no custo da colheita mecânica na cultura de cana-de-açúcar. Revista Agrimotor,
n. 78, p. 40-45, 2012b.
_____; _____; ROCCO, G. C. Uso anual e consumo de combustível em frotas agrícolas.
Revista Agrimotor. n. 39, p. 08-10, dez. 2008.
_____; _____; _____. Custos de equipamentos motorizados agrícola – Parte I. Revista
Agrimotor. n. 44, p. 10-12, jun. 2009a.
_____; _____; _____. Custos de equipamentos motorizados agrícola – Parte II. Revista
Agrimotor. n. 45, p. 10-12, jul. 2009b.
_____; _____; _____. Custos de equipamentos motorizados agrícola – Parte III. Revista
Agrimotor. n. 46, p. 10-12, Ago. 2009c.
_____; _____; _____. Estudo da eficiência de disponibilidade mecânica em frotas agrícolas.
Revista Agrimotor. n. 47, p. 10-12, set. 2009d.
______; ______; SILVA, M. G. C. Terceirização da mecanização agrícola no setor
sucroalcooleiro. Revista Agrimotor, n. 66, p. 18-19, São Paulo: Grips, ago. 2011.
______; ______; ZAGO, C. A. Estudo dos custos com reparo e manutenção em colhedoras de
cana-de-açúcar, parte I. Revista Agrimotor, n. 38, p. 12-13, 2008.
______; MACHADO, M. C. Controle computacional de frota. In: Seminário de tecnologia
agronômica, n. 4, p. 431-492, Piracicaba: COPERSUCAR, 1988.
BARBOSA, V. F. A. M. Sistemas de plantio. In: SANTOS, F.; BORÉM, A. (Ed.). Cana-de-
açúcar: do plantio à colheita. Viçosa: Edição dos editores, 2013. p. 27-48.
BASSANEZI, R. C.; FERREIRA Jr., W. C. Equações Diferenciais com aplicações. São
Paulo: Harbra, 1988.
BATES, D. M.; WATTS, D. G. Nonlinear regression analysis and its applications. New
York: John Wiley & Sons, 1988. 365 p.
______; ______; Relative curvature measures of nonlinearity. Journal of the royal society.
Serie B. Methodological, London, v. 42, n. 1, p. 1-25, 1980.
BENEDINI, M. S.; CONDE, A. J. Espaçamento ideal de plantio para a colheita mecanizada
da cana-de-açúcar. Coplana, Guariba-SP, n. 52, p. 26-28, Out, 2008. Disponível em:
www.coplana.com. Acesso em: 25 set. 2015.
114
______; ______. Sistematização de área para a colheita mecanizada da cana-de-açúcar.
Coplana, Guariba-SP, n. 53, p. 23-25, Nov. 2008. Disponível em: www.coplana.com. Acesso
em: 25 set. 2015.
______; DONZELLI, J. L. Colheita mecanizada de cana crua: caminho sem volta. Coplana,
Guariba-SP, n. 40, p. 22-25, Ago. 2007. Disponível em www.coplana.com. Acesso em: 25 set.
2015.
______; ______. Desmistificando a colheita mecanizada da cana crua. Coplana, Guariba-
SP, n. 42, p. 26-28, Nov. 2007. Disponível em: www.coplana.com. Acesso em: 25 set. 2015.
BERTALANFFY, L. Teoria Geral dos Sistemas. Petrópolis: Vozes, 1973.
BEZERRA, M. J.; PUTNOKI, J. C. Novo Bezerra Matemática. São Paulo: Scipione, 1994.
BOCHTIS, D. D.; SORENSEN, C. G. C.; BUSATO, P. Advances in agricultural machinery
management: A review. Biosystems Engineering, Dinamarca, v. 126, p. 69-81, ago. 2014.
BOWERS, W. Modern concepts of farm machinery management. Champaign: Stipes
Publishing Company, 1970. 60p.
BOZDOGAN, H. Model selection and Akaike’s information criterion (AIC): The general
theory and its analytical extensions. Psychometrika, New York, n. 52, p. 345-370, 1987.
BRAMUCCI, M. Determinação e quantificação de fatores de influência sobre a
produtividade de “harvesters” na colheita de madeira. 2001. 50 p. Dissertação (Mestrado
em Recursos Florestais) – Escola Superior de Agricultura Luiz de Queiroz, Universidade de
São Paulo, Piracicaba, SP, 2001.
BRANDÃO, M. Área mineira do Polígono das Secas / cobertura vegetal. Informe
Agropecuário, v. 17, n. 181, p. 5-9, 1994.
BRAUNBECK, O. A.; PINTO, A. C. P. Carregamento continuo. In: Seminário de tecnologia
agronômica, n. 3, p. 463-479, Piracicaba: COPERSUCAR, 1986.
CAMARGO JÚNIOR, R. R. D. Análise de sistemas de colheita de povoamentos de eucalipto
com baixa produtividade. 2013. 116 f. Dissertação (Mestrado em Recursos Florestais) –
Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, SP,
2013.
CARVALHO FILHO, S. M. Colheita mecanizada: desempenho operacional e econômico em
cana sem queima prévia. 2000. 108 p. Dissertação (Mestrado em Máquinas Agrícolas) – Escola
Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, SP, 2000.
115
CENTRO NACIONAL DE REFERÊNCIA EM BIOMASSA. Projeto diretrizes de políticas
públicas para a agroindústria canavieira do Estado de São Paulo. In: WORKSHOP
ASPECTOS.
CERVI, R. G.; ESPERANCINI, T. M. S.; SILVA, H. O. F.; ISLER, P. R.; OLIVEIRA, P. A.
Avaliação do desempenho operacional da colheita e transbordo de cana-de açúcar (saccharum
spp.). Energia na Agricultura, Botucatu, vol. 30, n. 3, p. 232-241, Jul.-Set. 2015.
CHIACCHIO, E. Regressão não linear no desenvolvimento de um sistema computacional
e aplicações. 1993. 149 p. Dissertação (Mestrado em Agronomia) - Escola Superior de
Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, SP, 1993.
COELHO, M. F. Planejamento da qualidade no processo de colheita mecanizada da cana-
de-açúcar. 2009. 75 p. Dissertação (Mestrado em Ciências) – Escola Superior de Agricultura
"Luiz de Queiroz", Universidade de São Paulo, Piracicaba, SP, 2009.
COSTA NETO, J. D. A cana em tempo bom. Revista CREA-PR, Curitiba, n. 41, p. 16-19,
2006.
DAVIDIAN, M. Nonlinear models for univariate and multivariate response. Lecture Notes.
Department of Statistics - North Carolina State University, 2009. 423 p. Disponível em:
<http://www.stat.ncsu.edu/people/davidian/courses/st762/>. Acesso em: 03 jan. 2014.
______; GILTINAN, D. M. Nonlinear models for repeated measurement data. London:
Chapman & Hall, 1995.
______; GALLANT, A. R. Smooth nonparametric maximum likelihood estimation for
population pharmacokinetics, with application to quinidine. Journal of Pharmacokinetics and
Biopharmaceutics, New York, v. 20, p. 529-556, 1992.
DRAPER, N. R.; SMITH, H. Applied regression analysis. 3. ed. New York: J. Wiley & Sons,
1998. 706 p.
FABRYCKY, W. J.; THUESEN, G. J. Methods for comparing alternatives. Economic
decision analysis. 2ed. Englewood cliffs, Prentice-hall, 1980. P. 94-139.
FONSECA, J. S.; MARTINS, G. A.; TOLEDO, G. L. Estatística aplicada. 2. ed. São Paulo:
Atlas, 1985.
FURLANI NETO, V. L.; FERNANDES, J. E.; MIALHE, L. G. Ensaio preliminar com
colhedora Massey fergusson 201 – cane commander. Brasil Açucareiro, Rio de Janeiro, v.
90, p. 11-15, 1977.
FURLANI NETO, V. L.; RIPOLI, T. C. C.; VILLA NOVA, N. A. Avaliação de desempenho
operacional de colhedora em canaviais com e sem queima prévia. STAB. Açúcar, Álcool e
subprodutos, Piracicaba, v. 15, n. 2, p. 18-23, Nov.-Dez. 1996.
116
GAGO, J. S. N. Corte, carregamento e transporte de cana-de-açúcar – comparação de sistemas
alternativos. In: Seminário de Tecnologia Agronômica, n. 3, p. 489-522, Piracicaba:
COPERSUCAR, 1986.
GALLANT, A. R. Nonlinear statistical models. New York: J. Wiley & Sons, 1987. 610 p.
______. The power of the likelihood ratio test of location in nonlinear regression models.
Journal of the American Statistical Association, Alexandria, v. 70, p. 198-203, 1975.
GALVÃO, C. B. Gestão operacional do transbordo de cana-de-açúcar: análise do custo de
reparo e manutenção (crm). 137p. Dissertação (Mestrado em Engenharia Agrícola na Área de
Máquinas Agrícolas) – Faculdade de Engenharia Agrícola, Universidade Estadual de
Campinas, Campinas, SP, 2015.
GAZON, A. L. Canavial Mecanizado. Farm Forum. Curitiba, v. 1, n. 26, p. 11, 2009.
Disponível
em:<http://www.caseih.com/brazil/Sobrenos/Documents/Revista%20N%2026.pdf>. Acesso
em: 5 maio. 2015.
GONÇALVES, N. H.; LIMA, E. B.; BANCHI, A. D.; PINTO, R. S. A.; LOPES, J. R.
Eficiências de uso de maquinário agrícola. In: Congresso Nacional - STAB, n. 5, p. 165-168,
Águas de São Pedro: STAB, 1993.
GUTTMAN, I.; MEETER, D. A. On Beale’s measure of nonlinearity. Technometrics,
Washington, v. 7, n. 4, p. 623-637, 1965.
HANSEN, R. C. Eficiência global dos equipamentos: uma ponderosa ferramenta de
produção/manutenção para o aumento dos lucros. Porto alegre: Bookman, 2006.
HARTLEY, H. O.; BROOKER, A. Non-linear least squares estimations. Annals of
Mathematical Statistics, Ann Arbor, v. 36, p. 638-50, 1965.
HEUSER, C. A. Projeto de bancos de dados. Porto Alegre: Instituto de Informática da
UFRGS: Sagra Luzzatto, 2004.
HOLTZSCHER, M. A.; LANFORD, B. L. Tree diameter effects on cost and productivity of
cut-to-lenght systems. Forest Products Journal, v. 47, n. 3, p. 25-30, 1997.
IBAÑEZ, M.; ROJAS, E. Costos de operación y producción por concepto de maquinaria
agrícola. Concepción, Universidad Concepción, 1994. 58 p.
JOHN DEERE. Manual do operador. Edição Sul-Americana G9. Catalão-GO, 2016. 236 p.
LARSON, D. L. Farm machinery repair and maintenance. Engineering, v. 58, n. 4, p. 38,
Apr. 1977.
117
LILLIEFORS, H. W. On the Kolmogorov-Smirnov test for normality with mean and variance
unknown. Journal of the American Statistical Association, v. 62, n. 318, p. 399-402, 1967.
LIPS, M.; BUROSE, F. Repair and maintenance costs for agricultural machines. International
Journal of Agricultural Management, v. 1, n. 1, p. 40-46, 2012.
LORENCOWICZ, E.; UZIAK, J. Repair cost of tractors and agricultural machines in family
farms. In: Farm Machinery and Processes Management in Sustainable Agriculture,
International Scientific Symposium, n. 7, 2015, Lublin, Poland. Resumos... Lublin: Elsevier
B.V., 2015, p. 152-157.
MAGALHAES, P. S. G.; BALDO, R. F. G.; CERRI, D. G. P. Sistema de sincronismo entre a
colhedora de cana-de-açúcar e o veículo de transbordo. Engenharia Agrícola, Jaboticabal, v.
28, n. 2, 2008.
______; BRAUNBECK, O. A. Colheita de cana-de-açúcar: Atualidade e perspectiva. In:
Congresso de Ingeniería Rural y Mecanización Agraria en el Ambito Latinoamericano, n. 3,
1998, La Plata. Anais... La Plata: ALIA, 1998. p. 262-271.
MAPA - Ministério da Agricultura, Pecuária e Abastecimento. 2017. Anuário Estatístico da
Agroenergia 2017. Secretária de Produção e Agroenergia, 4ª ed., 282 p., Brasília: MAPA/ACS,
2017. Disponível em:
<http://www.agricultura.gov.br/arq_editor/file/Desenvolvimento_Sustentavel/Agroenergia/an
uario_agroenergia_web_2017.pdf>. Acesso em: 12 jun. 2017.
MERCANTE, E.; SOUZA, E. G.; JOHANN, J. A.; GABRIEL FILHO, A.; URIBE-OPAZO,
M. A. PRAPRAG-Software para planejamento racional de máquinas agrícolas.
Engenharia Agrícola, v. 30, p. 322-333, 2010.
MIALHE, L. G. Manual de mecanização agrícola. São Paulo: Agronômica Ceres, 1974. 301
p.
______; CARRARO NETO, H. C. Avaliação e análise do desempenho de colhedora de
cana-de-açúcar: relatório. Olímpia: Usina Cruz Alta, 1993. 170 p. (Relatório Técnico).
______; RIPOLI, T. C. C. Evaluación de cosechadoras automotrices de caña de azúcar. In:
SEMINÁRIO INTERNACIONAL SOBRE MECANIZACIÓN DE LA COSECHA DE CAÑA
DE AZÚCAR, 1976. Caracas. Anais... Caracas: Dist. Venezolana de Azucares, SLR, p. 189-
204. 1976.
______; NEVES, J. L. M. Colheita de cana crua: avaliação de perdas invisíveis nos sistemas
com colhedoras de cana picada. In: SEMINÁRIO DE TECNOLOGIA AGRONÔMICA, n. 7,
1997, Piracicaba. Anais... Piracicaba: COPERSUCAR, p. 288- 297, 1997.
MILAN, M.; ROSA, J. H. M. Corte transbordo e transporte (CTT). In: BELARDO, G. C.;
CASSIA, M. T.; SILVA, R. P. Processos agrícolas e mecanização da cana-açúcar. 1 ed.
Jaboticabal: SBEA, 2015. Capítulo 18, p. 415-427.
118
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para
engenheiros. 4 ed. Rio de Janeiro: LTC, 2009.
MOTULSKY, H.; CHRISTOPOULOS, A. Fitting models to biological data using linear and
nonlinear regression: a practical guide to curve fitting. 4. ed. San Diego, CA: GraphPad
Software, 2003. 351 p.
MUNDIM, J. U. C. Uso de simulação de eventos discretos para o dimensionamento de frota
para colheita e transporte de cana-de-açúcar. 118 p. Dissertação (Mestrado em Máquinas
Agrícolas), Universidade de São Paulo - Escola Politécnica, São Paulo, 2009.
NERY, M. S. Desempenhos operacional e econômico de uma colhedora em cana crua.
2000. 108 p. Dissertação (Mestrado em Máquinas Agrícolas) – Escola Superior de Agricultura
“Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, SP, 2000.
NEVES, J. L. M. et al. Avaliação de perdas invisíveis na colheita mecanizada em dois fluxos
de massa de cana-de-açúcar. Engenharia Agrícola, Jaboticabal, v. 26, n. 3, p. 787-94, 2006.
______. Avaliação de perdas invisíveis em colheita de cana-de-açúcar e alternativas para
sua redução. 2003. 223 p. Tese (Doutorado em Engenharia Agrícola) - Faculdade de
Engenharia Agrícola, Universidade Estadual de Campinas, Campinas, SP, 2003.
NORONHA, J. F.; MIALHE, L. G.; DUARTE, L. P. Custos dos sistemas tratorizados na
agricultura brasileira. In: Congresso brasileiro de economia e sociologia rural, 1991, Campinas.
Anais... Brasília: SOBER, 1991. p. 13-33.
______. Colheita mecanizada: a evolução nos últimos sete anos. In: SEMINÁRIO SOBRE
MECANIZAÇÃO E PRODUÇÃO DE CANA-DE-AÇÚCAR, n. 4, 2002, Ribeirão Preto.
Anais... Ribeirão Preto: IDEA, 2002. 1 CD-ROM.
OGLIARI, P. J.; ANDRADE, D. F. Analysing longitudinal data via nonlinear models in
randomized block designs. Computational Statistics & Data Analysis, Holanda, v. 36, n. 3,
p. 319-332, 2001.
______. Modelos não lineares para dados longitudinais provenientes de experimentos em
blocos casualizados. 1998. 156 p. Tese (Doutorado em agronomia) – Escola Superior de
Agricultura “Luiz de Queiroz”, Piracicaba, SP, 1998.
OLIVEIRA, M. D. M. Custo operacional e ponto de renovação de tratores agrícolas de
pneus: avaliação de uma frota. Piracicaba, 2000. 150p. Dissertação (Mestrado) – Escola
Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, São Paulo, 2000.
OLIVEIRA, A. M. S. As inovações tecnológicas e as novas formas de gestão e controle do
capital sobre o trabalho. Pegada Eletrônica, v. 3, n. 1, out. 2002.
PACHECO, E. P.; CANTALICE, J. R. B. Compressibilidade, resistência a penetração e
intervalo hídrico ótimo de um Argissolo Amarelo cultivado com cana-de-açúcar nos tabuleiros
119
costeiros de Alagoas. Revista Brasileira de Ciência do Solo, v. 35, p. 403-415. doi:
10.1590/S0100-06832011000200010, 2011.
PARANHOS, S. B.; RIGHI, J. C.; RIPOLI, T. C. C. Sulcos duplos. In: Seminário interno
Copersucar. Anais... Piracicaba. 1974. 6p.
PELOIA, P. R.; MILAN, M. Proposta de um sistema de medição de desempenho aplicado à
mecanização agrícola. Revista Engenharia Agrícola, v. 30, p. 681-690, 2010.
PINHEIRO, J. C.; BATES, D. M. Mixed-Effects Models in S and S-PLUS. New York:
Springer-Verlag, 2000. 528 p.
Projeto Etanol Verde. Disponível em:
<http://www.ambiente.sp.gov.br/etanolverde/files/2014/05/Resultados-safra-2013_2014-
Etanol-Verde.pdf>. Acesso em: 17 jul. 2014, às 08:47.
RAMOS, C. R. G. Desempenho operacional da colheita mecanizada de cana-de-açúcar
(saccharum spp.) em função da velocidade de deslocamento e rotação do motor da
colhedora. 2013. 71 p. Dissertação (Mestrado em Agronomia / Energia na Agricultura) –
Faculdade de Ciências Agronômicas, Universidade Estadual Paulista, Botucatu, SP, 2013.
_____. Qualidade da colheita mecanizada de cana-de-açúcar em função da velocidade de
deslocamento e rotação do motor da colhedora. Energia na Agricultura, Botucatu, v. 29, n. 2,
p. 87-94, abr.-jun., 2014.
RATKOWSKY, D. A. Nonlinear regression modeling: a unified practical approach. New
York: Marcel Dekker, 1983. v. 48, 276 p.
REGAZZI, A. J.; SILVA, C. H. O. Teste para verificar a igualdade de parâmetros e a identidade
de modelos de regressão não linear em dados de experimento com delineamento em blocos
casualizados. Revista Ceres, Viçosa, v. 57, n. 3, p. 315-320, 2010.
______. Teste para verificar a igualdade de parâmetros e a identidade de modelos de regressão
não-linear. Revista Ceres, Viçosa, v. 50, n. 287, p. 9-26, 2003.
RENCHER, A. C.; SCHAALJE, G. B. Linear models in statistics. John Wiley & Sons, 2008.
______; PUN, F. C. Inflation of R2 in best subset regression. Technometrics, v. 22, n. 1, p.
49-53, 1980.
RIPOLI, T. C. C. Ensaio; certificação de máquinas para colheita de cana-de-açúcar. In:
MIALHE, L. G. Máquinas agrícolas: ensaios; certificação. Piracicaba, 1996. cap.13, p. 635-
73. Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo.
ROSA, J. H. M. Avaliação do desempenho efetivo e econômico de uma colhedora de cana-
de-açúcar (saccharum spp) em espaçamento duplo alternado. 157p. Dissertação (Mestrado
120
em Ciências Agrárias na Área de Engenharia de sistemas agrícolas) – Escola superior de
agricultura “Luis de Queiroz” – Universidade de São Paulo, Piracicaba, SP, 2013.
______; CARVALHO FILHO, S. M.; MOLINA JÚNIOR, W. F.; RIPOLI, M. L. C.
Desempenho econômico de colhedora em cana crua. Engenharia Rural, Piracicaba, v. 12, p.
1-5, 2001.
______; RIPOLI, M. L. C. Biomassa de cana-de-açúcar: colheita, energia e ambiente.
Piracicaba: Escola Superior de Agricultura “Luiz de Queiroz”, 2009. 333 p
SAKAMOTO, Y.; ISHIGURO, M.; KITAGAWA, G. Akaike information criterion
statistics, Dordrecht: Reidel, 1986. 290 p.
SALMERON, A.; RIBEIRO, R. S. Colheita mecanizada de eucaliptos em regiões acidentadas.
In: SEMINÁRIO DE ATUALIZAÇÃO SOBRE SISTEMAS DE COLHEITA E
TRANSPORTE FLORESTAL, v. 10, 1997, Curitiba. 1997. Anais... Curitiba: UFPr, FUPEF,
1997. p. 165-181.
SANTOS, L. N.; FERNANDES, H. C.; SILVA, M. L.; TEIXEIRA, M. M.; SOUZA, A. P.
Avaliação de custos da operação de extração da madeira com forwarder. Cerne, v. 22, n. 1, p.
27-34, 2016.
SANTOS, N. B. Identificação dos fatores críticos da colheita mecanizada da cana-de-
açúcar (Saccharum spp.), 2011, 86 f., Dissertação (Mestrado em Máquinas Agrícolas) –
Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, SP,
2011.
______; CAVALCANTE, D. S.; FERNANDES, H. C.; GADANHA JÚNIOR, C. D. Simulação
da eficiência de campo da colheita mecanizada de cana-de-açúcar. Engenharia Agrícola,
Botucatu, v. 29, n. 1, p. 09-13, jan.-mar., 2014.
______; FERNANDES, H. C.; GADANHA JÚNIOR, C. D. Economic impact of sugarcane
(Saccharum spp.) loss in mechanical harvesting. Científica, Jaboticabal, v. 43, n. 1, p. 16-21,
2015.
______; SILVA, R. P.; GADANHA JÚNIOR, C. D. Economic analysis for sizing of sugarcane
(saccharum spp.) mechanized harvesting. Engenharia Agrícola, Jaboticabal, v.34, n.5, p. 945-
954, set./out. 2014.
SANTOS, S. L. M.; MACHADO, C. C. Análise técnico-econômica do processamento de
madeira de eucalipto em áreas planas, utilizando o processador. Revista Árvore, v. 19, n. 3, p.
346-57, 1995.
SÃO PAULO (Estado). Lei n. 11.241, de 19 de setembro de 2002. Dispõe sobre a eliminação
gradativa da queima da palha da cana-de-açúcar e dá providencia correlatas. Disponível
em:
121
<http:/www.sigan.ambiente.sp.gov.br/sigam2/Repositorio/24/Documentos/Lei%20Estadual_1
1224_2002.pdf>. Acesso em: 2 jun. 2012.
SEBER, G. A. F.; WILD, C. J. Nonlinear Regression. New Jersey: John Wiley & Sons, 2003.
768 p.
SECRETÁRIA DO MEIO AMBIENTE. Programa ambiental etanol verde. Disponível em:
<http://edicao2013.ethanolsummit.com.br/arquivos/apresentacoesdia28/14hsustentabilidade/b
runo-covas.pdf>. Data de acesso: 02 nov. 2014.
SEGATO, S. V.; PINTO, A. S.; JENDIROBA, E.; NOBREGA, J. C. M. de. Atualização em
produção de cana-de-açúcar. Piracicaba, 2006. 415p.
SEIXAS, F. Mecanização e exploração florestal: notas de aula. Piracicaba: ESALQ, LCF,
1998. 125 p.
SEKI, A. S. Demanda energética no processo de ensilagem do milho, 2007, 101 f.,
Dissertação (Mestrado em Agronomia/Energia na Agricultura) – Faculdade de Ciências
Agronômicas, Universidade Estadual Paulista, Botucatu, SP, 2007.
SEVERIANO, E. C.; OLIVEIRA, G. C.; DIAS JR., M. S. et al. Compactação de solos
cultivados com cana-de-açúcar: II-Quantificação das restrições às funções edáficas do solo em
decorrência da compactação prejudicial. Revista Engenharia Agrícola, v. 30, p. 414-423,
2010.
SEVERO, J. R.; CARDOSO, L. Cana-de-açúcar: lei ambiental impõe mecanização da lavoura
da cana-de-açúcar. Revista de Engenharia Agrícola, Jaboticabal, v. 27, n. 1, p. 201-209, jan.-
abr. 2007.
SCHWARZ, G. Estimating the dimension of a model. Annals of Statistics, Hayward, v. 6, n.
2, p. 461-464, 1978.
SHIMOSAKAI, V. C. M. Custo de reparo e manutenção de colhedora de cana de açúcar
em função das horas de operação. 63p. Dissertação (Mestrado em Engenharia Agrícola na
Área de Máquinas Agrícolas) – Faculdade de Engenharia Agrícola, Universidade Estadual de
Campinas, Campinas, SP, 2015.
SICHONANY, O. R. A. O.; SCHLOSSER, J. F.; MEDINA, R. D. et al. Sistema computacional
de gerenciamento para acompanhamento de desempenho de máquinas agrícolas instrumentadas
com sensores. Ciência Rural, Santa Maria, v. 41, p. 1773-1776, 2011.
______;______;______;______.Telemetria na transmissão de dados de desempenho de
máquinas agrícolas utilizando tecnologia GSM/GPRS e Zig Bee. Ciência Rural, Santa Maria,
v. 42, p. 1430-1433, 2012.
SILVA, J. E. A. R. da. Desenvolvimento de um modelo de simulação para auxiliar o
gerenciamento de sistemas de corte, carregamento e transporte de cana-de-açúcar.145p.
122
Dissertação (Mestrado no Centro de Ciências Exatas e de Tecnologia - Dep. de Eng. Produção),
Universidade Federal de São Carlos, São Carlos, SP, 2006.
SILVA, K. R.; MINETTI, L. J.; FIEDLER, N. C.; VENTUROLI, F.; MACHADO, E. G. B.;
SOUZA, A. P. Custos e rendimentos operacionais de um plantio de eucalipto em região de
cerrado. Revista Árvore, n. 28, p. 361-366, 2004.
SIMÕES, D.; SILVA, M. R. Desempenho operacional e custos de um trator na irrigação pós-
plantio de eucalipto em campo. Revista Ceres, Viçosa, v. 59, n. 2, p. 164-170, mar.-abr. 2012.
SOARES, A. P. M. Ajuste do modelo de Orskov & McDonald (1979) a dados de
degradação ruminal in situ utilizando mínimos quadrados ponderados. 2007. 65 p.
Dissertação (Mestrado em Agronomia) - Escola Superior de Agricultura “Luiz de Queiroz”,
Universidade de São Paulo, Piracicaba, SP, 2007.
SODRÉ, U. Modelos Matemáticos, Notas de aulas. Dep. de Matemática da UEL, Universidade
Estadual de Londrina, Londrina, PR, 1987.
SOUZA, G. da S. Introdução aos modelos de regressão linear e não-linear. Brasília:
Embrapa-SPI/Embrapa-SEA, 1998. 489 p.
TADANO, Y. S. Análise do impacto de MP10 na saúde populacional: estudo de caso em
Araucária, PR. 2007. 99 f. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) -
Universidade Tecnológica Federal do Paraná, Curitiba, PR, 2007.
TEIXEIRA, L. F. G. Desenvolvimento de uma equação para estimativa do custo
acumulado de reparos e manutenção para tratores agrícolas de pneus. Piracicaba, 1995.
89p. Dissertação (Mestrado) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade
de São Paulo, Piracicaba, SP, 1995.
UNIÃO DA INDÚSTRIA DE CANA-DE-AÇÚCAR (UNICA). Acompanhamento de safra.
Disponível em: < http://www.unicadata.com.br/listagem.php?idMn=3>. Data de acesso: 22 abr.
2016.
UNIÃO DA INDÚSTRIA DE CANA-DE-AÇÚCAR (UNICA). Colheita mecanizada.
Disponível em: <http://www.unica.com.br/noticia/6551584920310621254/sao-paulo-fecha-
safra-2013-por-cento2F2014-com-colheita-mecanizada-em-83-por-cento-dos-canaviais/>.
Data de acesso: 20 nov. 2017.
UNIÃO DA INDÚSTRIA DE CANA-DE-AÇÚCAR (UNICA). Histórico de produção e
moagem. Disponível em: <http://www.unicadata.com.br/historico-de-
producamoagem.php?idMn=32&tipoHistorico=4>. Data de acesso: 10 mai. 2017.
VALVERDE, S. R.; MACHADO, C. C.; REZENDE, J. L. P.; SOUZA, A. P.; ANTIQUERA,
A. C. Análise técnica e econômica do arraste com “skidder” no sistema de colheita de árvores
inteiras de eucalipto. Revista Árvore, Viçosa, v. 20, n. 1, p. 101-109, 1996.
123
VANBEVEREN, S. P. P.; SPINELLI, R.; EISENBIES, M.; SCHWEIER, J.; YUDEGO, B. M.;
MAGAGNOTTI, N.; ACUNA, M.; DIMITRIU, I.; CEULEMANS, R. Mechanised harvesting
of short-rotation coppices. Renewable and Sustainable Energy Reviews, Bélgica, v. 76, p.
90-104, mar. 2017.
VONESH, E. F.; CHINCHILLI, V. M. Linear and nonlinear models for the analysis of
repeated measurements. New York: Marcel Dekker, 1997.
______; CARTER, R. L. Mixed effects nonlinear regression for unbalanced repeated measures.
Biometrics, Arlington, v. 48, p. 1-18, 1992.
VOLPATO, J. L. M. Otimização de um cortador de base flutuante para seguimento do
perfil de solo em colhedoras de cana-de-açúcar. 2001. 204 p. Tese (Doutorado em Máquinas
Agrícolas) - Faculdade de Engenharia Agrícola, Universidade Estadual de Campinas,
Campinas, SP, 2001.
______; BRAUNBECK, O. A.; OLIVEIRA, C. A. A. Desenvolvimento e avaliação de um
protótipo de cortador base para colhedoras de cana-de-açúcar. Revista Brasileira de
Engenharia Agrícola e Ambiental, Campina Grande, v. 6, n. 2, p. 345-8, 2002.
WEISBERG, S. Applied linear regression. John Wiley & Sons, 2005.
WEST, B. T.; WELCH, K. B.; GALECKI, A. T. Linear mixed models. A pratical guide using
statistical software. New York: Chapman & Hall, 2007. 376 p.
WITNEY, B. D. Choosing and using farm machines. Land Technology Ltd. Scotland UK,
1988. 412 p.
124
APÊNDICE
Apêndice A - Unidade A
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade A
(Figura 48), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 48. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
125
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade agrícola do canavial, gerando-se uma matriz (Tabela 21).
Os valores para os parâmetros da equação 55 são: b = 0,2818; c = -1964. O fator de
correlação calculado foi de 33,6 %.
Tabela 21 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 4.394 h das colhedoras da Unidade A e produtividade média
do canavial nas áreas colhidas de 87,8 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 30,5 Mg h-1 ou 0,347 Mg h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 12,2 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 15,7 22,3 26,9 30,4 33,2 35,3 37,1 38,6 39,9 31,1
4.000 13,9 20,4 25,1 28,6 31,3 33,5 35,3 36,8 38,0 29,2
6.000 12,6 19,2 23,8 27,3 30,1 32,3 34,0 35,3 36,8 28,0
8.000 11,6 18,2 22,9 26,4 29,1 31,3 33,1 34,6 35,8 27,0
10.000 10,8 17,4 22,0 25,6 28,3 30,5 32,2 33,7 35,0 26,2
12.000 10,1 16,7 21,3 24,8 27,6 29,8 31,5 33,0 34,3 25,5
14.000 9,5 16,0 20,7 24,2 26,9 29,1 30,9 32,4 33,7 24,8
16.000 8,9 15,5 20,1 23,7 26,4 28,6 30,3 31,8 33,1 24,3
18.000 8,4 15,0 19,6 23,1 25,9 28,0 29,8 31,3 32,6 23,8
20.000 7,9 14,5 19,2 22,7 25,4 27,6 29,4 30,8 32,1 23,3
22.000 7,5 14,0 18,7 22,2 24,9 27,1 28,9 30,4 31,7 22,8
24.000 7,1 13,6 18,3 21,8 24,5 26,7 28,5 30,0 31,2 22,4
26.000 6,7 13,2 17,9 21,4 24,1 26,3 28,1 29,6 30,9 22,0
Média 10,1 16,6 21,3 24,8 27,5 29,7 31,5 33,0 34,2 25,4
COC (Mg h-1) - Unidade A
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
126
Apêndice B - Unidade B
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade B
(Figura 49), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 49 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
127
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 22).
Os valores para os parâmetros da equação 55 são: b = 0,2497; c = -1662. O fator de
correlação calculado foi de 67,0 %.
Tabela 22 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 10.283 h das colhedoras da Unidade B e produtividade média
do canavial nas áreas colhidas de 56,4 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 24,0 Mg h-1 ou 0,425 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 30,9 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 23,6 29,1 33,1 36,1 38,4 40,2 41,7 43,0 44,1 36,6
4.000 22,3 27,9 31,8 34,8 37,1 39,0 40,5 41,7 42,8 35,3
6.000 21,5 27,0 31,0 34,0 36,3 38,1 39,6 40,9 41,9 34,5
8.000 20,8 26,4 30,3 33,3 35,6 37,5 39,0 40,2 41,3 33,8
10.000 20,3 25,8 29,8 32,8 35,1 36,9 38,4 39,7 40,7 33,3
12.000 19,8 25,4 29,3 32,3 34,6 36,4 38,0 39,2 40,3 32,8
14.000 19,4 25,0 28,9 31,9 34,2 36,0 37,5 38,8 39,9 32,4
16.000 19,1 24,6 28,5 31,5 33,8 35,7 37,2 38,4 39,5 32,0
18.000 18,7 24,3 28,2 31,2 33,5 35,3 36,8 38,1 39,2 31,7
20.000 18,4 23,9 27,9 30,9 33,2 35,0 36,5 37,8 38,9 31,4
22.000 18,1 23,7 27,6 30,6 32,9 34,7 36,3 37,5 38,6 31,1
24.000 17,9 23,4 27,4 30,3 32,6 34,5 36,0 37,2 38,3 30,8
26.000 17,6 23,1 27,1 30,1 32,4 34,2 35,7 37,0 38,1 30,6
Média 19,8 25,4 21,3 32,3 34,6 36,4 37,9 39,2 40,3 32,8
COC (Mg h-1) - Unidade B
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
128
Apêndice C - Unidade C
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade C
(Figura 50), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 50. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
129
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 23).
Os valores para os parâmetros da equação 55 são: b = 0,2375; c = -1886. O fator de
correlação calculado foi de 50 %.
Tabela 23 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 5.427 h das colhedoras da Unidade C e produtividade média
do canavial nas áreas colhidas de 73,4 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 30,1 Mg h-1 ou 0,410 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 13,3 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 19,7 26,0 30,5 33,8 36,5 38,6 40,3 41,7 42,9 34,4
4.000 18,6 24,9 29,4 32,8 35,4 37,5 39,2 40,6 41,8 33,4
6.000 17,9 24,2 28,7 32,0 34,7 36,8 38,5 39,9 41,1 32,6
8.000 17,3 23,6 28,1 31,5 34,1 36,2 37,9 39,3 40,5 32,1
10.000 16,9 23,2 27,6 31,0 33,6 35,7 37,4 38,9 40,1 31,3
12.000 16,5 22,8 27,3 30,6 33,2 35,3 37,1 38,5 39,7 31,2
14.000 16,1 22,4 26,9 30,3 32,9 35,0 36,7 38,1 39,3 30,9
16.000 15,8 22,1 26,6 30,0 32,6 34,7 36,4 37,8 39,0 30,6
18.000 15,5 21,8 26,3 29,7 32,3 34,4 36,1 37,5 38,7 30,3
20.000 15,3 21,6 26,1 29,4 32,0 34,1 35,9 37,3 38,5 30,0
22.000 15,0 21,3 25,8 29,2 31,8 33,9 35,6 37,0 38,2 29,8
24.000 14,8 21,1 25,6 29,0 31,6 33,7 35,4 36,8 38,0 29,5
26.000 14,6 20,9 25,4 28,7 31,4 33,5 35,2 36,6 37,8 29,3
Média 16,5 22,8 27,2 30,6 33,2 35,3 37,0 38,5 36,7 31,2
COC (Mg h-1) - Unidade C
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
130
Apêndice D - Unidade D
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade D
(Figura 51), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 51. Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
131
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 24).
Os valores para os parâmetros da equação 55 são: b = 0,3069; c = -1908. O fator de
correlação calculado foi de 66,2 %.
Tabela 24 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 5.925 h das colhedoras da Unidade D e produtividade média
do canavial nas áreas colhidas de 69,4 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 21,6 Mg h-1 ou 0,312 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 37,7 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 15,0 21,4 25,9 29,3 32,0 34,1 35,9 37,3 38,5 29,9
4.000 12,6 19,0 23,5 26,9 29,6 31,7 33,4 34,9 36,1 27,5
6.000 10,9 17,3 21,8 25,2 27,9 30,0 31,7 33,2 34,4 25,8
8.000 9,6 15,9 20,5 23,9 26,5 28,7 30,4 31,8 33,1 24,5
10.000 8,5 14,8 19,4 22,8 25,4 27,5 29,3 30,7 31,9 23,4
12.000 7,5 13,8 18,4 21,8 24,4 26,6 28,3 29,7 31,0 22,4
14.000 6,6 13,0 17,5 20,9 23,6 25,7 27,4 28,9 30,1 21,5
16.000 5,8 12,2 16,7 20,1 22,8 24,9 26,7 28,1 29,3 20,7
18.000 5,1 11,5 16,0 19,4 22,1 24,2 25,9 27,4 28,6 20,0
20.000 4,5 10,8 15,4 18,8 21,4 23,5 25,3 26,7 27,9 19,4
22.000 3,8 10,2 14,7 18,1 20,8 22,9 24,6 26,1 27,3 18,7
24.000 3,3 9,6 14,2 17,6 20,2 22,3 24,1 25,5 26,7 18,2
26.000 2,7 9,1 13,6 17,0 19,7 21,8 23,5 25,0 26,2 17,6
Média 7,4 13,7 18,3 21,7 24,3 26,5 28,2 29,6 30,9 22,3
Produtividade - y (Mg ha-1)Média
COC (Mg h-1) - Unidade D
Vida - x
(h)
132
Apêndice E - Unidade E
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade E
(Figura 52), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 52 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
133
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 25).
Os valores para os parâmetros da equação 55 são: b = 0,2520; c = -1612. O fator de
correlação calculado foi de 76 %.
Tabela 25 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 4.807 h das colhedoras da Unidade E, e produtividade média
do canavial nas áreas colhidas de 65,0 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 30,2 Mg h-1 ou 0,465 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 12,9 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 24,5 29,8 33,7 36,6 38,8 40,6 42,1 43,3 44,3 37,1
4.000 23,2 28,6 32,4 35,3 37,5 39,3 40,8 42,0 43,0 35,8
6.000 22,3 27,7 31,5 34,4 36,6 38,4 39,9 41,1 42,1 34,9
8.000 21,6 27,0 30,8 33,7 36,0 37,8 39,2 40,4 41,5 34,2
10.000 21,1 26,5 30,3 33,2 35,4 37,2 38,7 39,9 40,9 33,7
12.000 20,6 26,0 29,8 32,7 34,9 36,7 38,2 39,4 40,4 33,2
14.000 20,2 25,6 29,4 32,3 34,5 36,3 37,8 39,0 40,0 32,8
16.000 19,8 25,2 29,0 31,9 34,1 35,9 37,4 38,6 39,6 32,4
18.000 19,5 24,8 28,7 31,5 33,8 35,6 37,0 38,3 39,3 32,0
20.000 19,1 24,5 28,3 31,2 33,5 35,3 36,7 37,9 39,0 31,7
22.000 18,8 24,2 28,1 30,9 33,2 35,0 36,4 37,6 38,7 31,4
24.000 18,6 23,9 27,8 30,7 32,9 34,7 36,2 37,4 38,4 31,2
26.000 18,3 23,7 27,5 30,4 32,6 34,4 35,9 37,1 38,1 30,9
Média 20,6 26,0 29,8 32,7 34,9 36,7 38,2 39,4 40,4 33,2
COC (Mg h-1) - Unidade E
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
134
Apêndice F - Unidade F
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade F
(Figura 53), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 53 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
135
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 26).
Os valores para os parâmetros da equação 55 são: b = 0,3000; c = -1250. O fator de
correlação calculado foi de 55 %.
Tabela 26 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 10.126 h das colhedoras da Unidade F e produtividade média
do canavial nas áreas colhidas de 64,4 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 28,2 Mg h-1 ou 0,438 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 18,9 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 28,7 32,9 35,9 38,1 39,8 41,2 42,4 43,3 44,1 38,5
4.000 26,5 30,6 33,6 35,8 37,6 39,0 40,1 41,0 41,8 36,2
6.000 24,9 29,1 32,1 34,3 36,0 37,4 38,5 39,5 40,3 34,7
8.000 23,7 27,8 30,8 33,1 34,8 36,2 37,3 38,3 39,1 33,4
10.000 22,7 26,8 29,8 32,0 33,8 35,2 36,3 37,2 38,0 32,4
12.000 21,8 25,9 28,9 31,1 32,9 34,3 35,4 36,3 37,1 31,5
14.000 21,0 25,1 28,1 30,3 32,1 33,5 34,6 35,6 36,4 30,7
16.000 20,3 24,4 27,4 29,6 31,4 32,8 33,9 34,5 35,6 30,0
18.000 19,6 23,8 26,7 29,0 30,7 32,1 33,2 34,2 35,0 29,4
20.000 19,0 23,2 26,1 28,4 30,1 31,5 32,6 33,6 34,4 28,8
22.000 18,4 22,6 25,6 27,8 29,5 30,9 33,1 33,0 33,8 28,1
24.000 17,9 22,1 25,0 27,3 29,0 30,4 31,5 32,5 33,3 27,7
26.000 17,4 21,6 24,5 26,8 28,5 29,9 31,0 32,0 32,8 27,2
Média 21,7 25,8 28,8 31,0 32,8 34,2 35,3 36,3 37,1 31,4
COC (Mg h-1) - Unidade F
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
136
Apêndice G - Unidade G
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade G
(Figura 54), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 54 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
137
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 27).
Os valores para os parâmetros da equação 55 são: b = 0,3093; c = -1497. O fator de
correlação calculado foi de 50 %.
Tabela 27 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 6.060 h das colhedoras da Unidade G e produtividade média
do canavial nas áreas colhidas de 63,9 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 25,3 Mg h-1 ou 0,396 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 27,2 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 23,1 28,1 31,6 34,3 36,4 38,0 39,4 40,5 41,5 34,8
4.000 20,6 25,5 29,1 31,8 33,9 35,5 36,9 38,0 39,0 32,3
6.000 18,8 23,8 27,4 30,0 32,1 33,8 35,2 36,3 37,2 30,5
8.000 17,5 22,4 26,0 28,7 30,8 32,4 33,8 34,9 35,9 29,1
10.000 16,3 21,3 24,9 27,5 29,6 31,3 32,6 33,8 34,7 28,0
12.000 15,3 20,3 23,9 26,5 28,6 30,3 31,6 32,8 33,7 27,0
14.000 14,4 19,4 23,0 25,6 27,7 29,4 30,7 31,9 32,8 26,1
16.000 13,6 18,6 22,2 24,8 26,9 28,6 29,9 31,1 32,0 25,3
18.000 12,9 17,8 21,4 24,1 26,2 27,8 29,2 30,3 31,3 24,6
20.000 12,2 17,2 20,7 23,4 25,5 27,1 28,5 29,6 30,6 23,9
22.000 11,5 16,5 20,1 22,8 24,8 26,5 27,9 29,0 30,0 23,2
24.000 10,9 15,9 19,5 22,2 24,2 25,9 27,3 28,4 29,4 22,6
26.000 10,4 15,4 18,9 21,6 23,7 25,3 26,7 27,8 28,8 22,1
Média 15,2 20,2 23,7 26,4 28,5 30,2 31,5 32,6 33,6 26,9
COC (Mg h-1) - Unidade G
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
138
Apêndice H - Unidade H
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade H
(Figura 55), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 55 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
139
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 28).
Os valores para os parâmetros da equação 55 são: b = 0,3273; c = -1216. O fator de
correlação calculado foi de 62%.
Tabela 28 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 5.724 h das colhedoras da Unidade H e produtividade média
do canavial nas áreas colhidas de 57,9 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 25,5 Mg h-1 ou 0,441 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 26,5 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 27,2 31,2 34,1 36,3 38,0 39,3 40,4 41,3 42,1 36,7
4.000 24,1 28,1 31,0 33,2 36,2 36,2 37,4 38,3 39,1 33,6
6.000 21,9 26,0 28,9 31,1 34,1 34,1 35,2 36,1 36,9 31,4
8.000 20,2 24,3 27,2 29,4 32,4 32,4 33,5 34,4 35,2 29,7
10.000 18,8 22,9 25,8 27,9 31,0 31,0 32,1 33,0 33,8 28,3
12.000 17,6 21,6 24,5 26,7 29,7 29,7 30,8 31,7 32,5 27,1
14.000 16,4 20,5 23,4 25,6 28,6 28,6 29,7 30,6 31,4 25,9
16.000 15,4 19,5 22,4 24,5 27,6 27,6 28,7 29,6 30,4 24,9
18.000 14,5 18,5 21,4 23,6 26,6 26,6 27,7 28,7 29,4 24,0
20.000 13,6 17,7 20,6 22,7 25,8 25,8 26,9 27,8 28,6 23,1
22.000 12,8 16,9 19,8 21,9 25,0 25,0 26,1 27,0 27,8 22,3
24.000 12,0 16,1 19,0 21,2 24,2 24,2 25,3 26,2 27,0 21,5
26.000 11,3 15,4 18,3 20,4 23,5 23,5 24,6 25,5 29,3 20,8
Média 17,4 21,4 24,3 26,5 29,5 29,5 30,6 31,6 32,3 26,9
COC (Mg h-1) - Unidade H
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
140
Apêndice I - Unidade I
Com os dados, gerou-se a superfície de resposta do modelo 4 para a unidade I
(Figura 56), considerando-se a capacidade operacional da colhedora, como função da vida útil
da máquina e da produtividade agrícola do canavial:
Figura 56 - Superfície de resposta do Modelo 4 para os parâmetros médios do grupo
agroindustrial. (a) COC em função da vida útil da máquina e da produtividade agrícola da
cultura. (b) COC em função da vida da máquina e da produtividade agrícola da cultura. (c) COC
em função da vida útil da máquina (h) em vista lateral. (d) COC em função da produtividade
agrícola da cultura em vista lateral.
(a)
(b)
(c)
(d)
141
Posteriormente, por meio do uso da equação resultante, efetuou-se uma simulação
que relaciona a capacidade operacional da colhedora em função da vida útil do equipamento e
da produtividade do canavial, gerando-se uma matriz (Tabela 29).
Os valores para os parâmetros da equação são: b = 0,2838; c= -1550. O fator de
correlação calculado foi de 57%.
Tabela 29 - Matriz da capacidade operacional (Mg h-1) em função da vida da máquina (h) e da
produtividade agrícola da cultura (Mg ha-1).
Com a vida média de 6.978 h das colhedoras da Unidade I e produtividade média
do canavial nas áreas colhidas de 63,1 Mg ha-1, obteve-se uma capacidade operacional
(calculada): 26,6 Mg h-1 ou 0,422 ha h-1.
A capacidade operacional (calculada) da unidade mostrou um valor 23,4 % abaixo
da média de todas as usinas estudadas na Assiste (34,7 Mg h-1).
50 60 70 80 90 100 110 120 130
2.000 23,9 29,0 32,7 35,5 37,6 39,4 40,8 41,9 42,9 36,0
4.000 22,0 27,1 30,8 33,7 35,8 37,5 38,9 40,1 41,1 34,1
6.000 20,7 25,9 29,6 32,3 34,5 36,2 37,6 38,8 39,8 32,8
8.000 19,7 24,9 28,5 31,3 33,5 35,2 36,6 37,8 38,8 31,8
10.000 18,9 24,0 27,7 30,5 32,6 34,4 35,8 36,9 37,9 31,0
12.000 18,1 23,3 27,0 29,8 31,9 33,6 35,0 36,2 37,2 30,2
14.000 17,5 22,7 26,3 29,1 31,3 33,0 34,4 35,6 36,6 29,6
16.000 16,9 22,1 25,8 28,5 30,7 32,4 33,8 35,0 36,0 29,0
18.000 16,4 21,5 25,2 28,0 30,2 31,9 33,3 34,5 35,5 28,5
20.000 15,9 21,1 24,7 27,5 29,7 31,4 32,8 34,0 35,0 28,0
22.000 15,4 20,6 24,3 27,1 29,2 30,9 32,3 33,5 34,5 27,5
24.000 15,0 20,2 23,9 26,6 28,8 30,5 31,9 33,1 34,1 27,1
26.000 14,6 19,8 23,5 26,2 28,4 30,1 31,5 32,7 33,7 26,7
Média 18,1 23,2 26,9 29,7 31,8 33,6 35,0 36,2 37,1 30,2
COC (Mg h-1) - Unidade I
Vida - x
(h)
Produtividade - y (Mg ha-1)Média
142
Apêndice J – Simulação do CO para diferentes produtividades agrícolas da cultura
Safra 1 Safra 2 Safra 3 Safra 4 Safra 5 Safra 6 Safra 7
0 - 3200 3200 - 6182 6183 - 8907 8908 - 11414 11415 - 13720 13721 - 15841 15842 - 17900
COC (Mg h-1
) 30,1 26,3 24,2 22,7 21,5 20,6 19,8
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 88.418 75.416 67.763 62.219 57.869 54.320 51.275
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.326.271 1.131.243 1.016.440 933.279 868.041 814.798 769.130
Custo (R$ Mg-1
) 10,75 13,82 16,57 19,17 21,67 24,07 26,43
COC (Mg h-1
) 34,0 30,2 28,1 26,6 25,5 24,5 23,8
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 100.061 86.779 78.866 73.085 68.517 64.767 61.533
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.500.910 1.301.678 1.182.994 1.096.274 1.027.762 971.508 922.998
Custo (R$ Mg-1) 9,50 12,01 14,24 16,32 18,30 20,19 22,03
COC (Mg h-1
) 36,9 33,1 31,0 29,5 28,3 27,4 26,6
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 108.377 94.895 86.797 80.847 76.123 72.230 68.860
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.625.653 1.423.418 1.301.961 1.212.699 1.141.849 1.083.445 1.032.904
Custo (R$ Mg-1
) 8,77 10,99 12,94 14,76 16,47 18,10 19,68
COC (Mg h-1
) 39,0 35,2 33,1 31,6 30,4 29,5 28,7
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 114.614 100.981 92.746 86.668 81.828 77.826 74.356
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.719.210 1.514.722 1.391.186 1.300.018 1.227.414 1.167.397 1.115.333
Custo (R$ Mg-1) 8,29 10,32 12,11 13,76 15,32 16,80 18,23
TCH
(Mg ha-1)Parcelas
50
Faixas de Vida (h) por ano de Safra
60
70
80
143
Safra 1 Safra 2 Safra 3 Safra 4 Safra 5 Safra 6 Safra 7
0 - 3200 3200 - 6182 6183 - 8907 8908 - 11414 11415 - 13720 13721 - 15841 15842 - 17900
COC (Mg h-1
) 40,6 36,8 34,7 33,2 32,1 31,1 30,4
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 119.465 105.716 97.372 91.195 86.264 82.180 78.630
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.791.976 1.585.737 1.460.583 1.367.932 1.293.965 1.232.693 1.179.444
Custo (R$ Mg-1
) 7,96 9,86 11,53 13,08 14,54 15,91 17,24
COC (Mg h-1
) 42,0 38,2 36,0 34,6 33,4 32,5 31,7
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 123.346 109.503 101.073 94.818 89.814 85.662 82.049
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.850.189 1.642.548 1.516.101 1.422.264 1.347.205 1.284.930 1.230.734
Custo (R$ Mg-1) 7,71 9,52 11,11 12,58 13,96 15,26 16,52
COC (Mg h-1
) 43,0 39,2 37,1 35,6 34,5 33,5 32,8
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 126.521 112.602 104.102 97.781 92.718 88.511 84.846
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.897.818 1.689.031 1.561.525 1.466.717 1.390.766 1.327.669 1.272.697
Custo (R$ Mg-1) 7,51 9,26 10,79 12,20 13,52 14,77 15,98
COC (Mg h-1
) 43,9 40,1 38,0 36,5 35,4 34,4 33,7
Horas trab.(h) 2.940 2.869 2.804 2.744 2.689 2.638 2.590
Vida Média (h) 1.600 4.691 7.545 10.161 12.567 14.781 16.871
Produção (Mg) 129.167 115.184 106.625 100.251 95.138 90.886 87.178
Recup. Cap. (R$) 248.585 248.585 248.585 248.585 248.585 248.585 248.585
Salários (R$) 198.576 198.576 198.576 198.576 198.576 198.576 198.576
Combustível(R$) 327.640 319.752 312.470 305.794 299.653 294.004 288.670
Lubrificante(R$) 18.111 17.675 17.272 16.903 16.564 16.251 15.957
CRM (R$) 157.554 257.980 346.125 423.083 490.625 549.999 603.639
Custo Fixo (R$) 447.161 447.161 447.161 447.161 447.161 447.161 447.161
Custo variável (R$) 503.305 595.407 675.867 745.780 806.842 860.254 908.266
Custo total (R$) 950.467 1.042.568 1.123.028 1.192.941 1.254.003 1.307.415 1.355.428
Receita (R$) 1.937.509 1.727.766 1.599.378 1.503.762 1.427.066 1.363.285 1.307.667
Custo (R$ Mg-1) 7,36 9,05 10,53 11,90 13,18 14,39 15,55
11
01
20
TCH
(Mg ha-1)Parcelas
Faixas de Vida (h) por ano de Safra
90
10
0
144
ANEXOS
Anexo A – Área plantada e colhida de cana-de-açúcar por ano no Brasil
Ano Área Plantada (ha) Área Colhida (ha) Produção de cana (Mg)
1980 2.768.514 2.768.514 123.681.00
1981 2.980.396 2.980.396 91.081.000
1982 3.241.386 3.241.386 101.981.000
1983 3.649.317 3.649.317 105.149.000
1984 3.832.177 3.832.177 202.868.000
1985 4.084.858 4.084.858 223.178.000
1986 4.132.875 4.132.875 227.846.000
1987 4.502.078 4.502.078 224.498.000
1988 4.117.375 4.117.375 220.104.000
1989 4.075.839 4.075.839 222.902.000
1990 4.322.299 4.272.602 222.429.000
1991 4.241.352 4.210.954 292.222.000
1992 4.224.561 4.202.604 223.460.000
1993 3.953.047 3.863.702 206.536.000
1994 4.359.200 4.345.260 240.848.000
1995 4.638.281 4.559.062 248.930.000
1996 4.830.538 4.750.296 288.795.000
1997 4.881.648 4.814.084 302.613.000
1998 5.050.153 4.986.019 316.479.000
1999 4.975.189 4.898.844 307.013.000
2000 4.879.841 4.804.511 256.818.000
2001 5.022.490 4.957.897 293.042.000
2002 5.206.656 5.100.405 320.650.000
2003 5.377.216 5.371.020 358.762.000
2004 5.633.700 5.631.741 385.199.000
2005 5.815.151 5.805.518 385.129.000
2006 6.392.846 6.357.870 427.658.000
2007 7.086.851 7.080.920 495.723.000
2008 8.210.877 8.140.089 569.216.000
2009 8.845.833 8.617.555 602.193.000
2010 9.164.756 9.076.706 620.409.000
2011 9.616.615 9.601.316 559.215.000
2012 9.752.328 9.705.388 588.478.000
2013 8.811.000 8.811.000 658.820.000
2014 9.004.000 9.004.000 634.767.000
2015 10.870.647 9.695.774 666.824.000
2016 651.841.000
Fonte: UNICA (2017)
Recommended