Previsão de preços das commodities agrícolas: uma revisão bibliométrica sobre modelos

Abstract

Objetivo - Identificar a lacuna de pesquisa sobre modelos de previsão aplicados nos preços das commodities agrícolas e mostrar as principais tendências da previsão. Desenho/ metodologia/abordagem - A análise bibliométrica possibilitou identificar a lacuna científica e gerou resultados quantitativos e tendências. Resultados - Os resultados mostraram que as abordagens ARIMA e redes neurais são os modelos mais utilizados na previsão de preços de commodities agrícolas, no entanto, o modelo ARIMA não tem gerado previsões superiores em comparação aos algoritmos de aprendizado de máquina (ML) e modelos híbridos. As redes neurais são mais precisas para prever preços de commodities agrícolas do que os modelos econométricos. Os modelos híbridos de IA geram predições com melhores níveis de acurácia em comparação aos métodos estatísticos tradicionais ARIMA, modelos individuais e redes neurais em que o desempenho de previsão dos modelos híbridos são melhores do que os dos modelos únicos. É uma tendência a abordagem de modelos híbridos para prever preços de commodities agrícolas em pesquisas futuras. Implicações de pesquisa, práticas e sociais - Estes achados permitem discussões sobre modelagem e previsão de preços de commodities agrícolas. Os modelos abordados neste estudo bibliométrico podem fornecer referência para os econometristas do campo da previsão de preços de produtos agrícolas, e a pesquisa aponta as tendências sobre a temática, assim pode fornecer direções de pesquisa para econometristas. Originalidade/Relevância - No estudo bibliométrico realizado nas bases de dados Web of Science e SCOPUS, não foi encontrada uma revisão bibliométrica ou sistemática sobre o tema. Os estudos dedicados à revisão sobre previsão de preços de commodities agrícolas, ainda são poucos como as revisões de literatura (Brandt e Bessler, 1983; Wang, et al., 2020).