Inteligência artificial no agronegócio avança na previsão de fretes e no planejamento logístico

A inteligência artificial aplicada à logística do agronegócio amplia as possibilidades de prever preços de fretes, comparar cenários operacionais e planejar investimentos. Estudos da Escola Superior de Agricultura Luiz de Queiroz, da Universidade de São Paulo (Esalq/USP), mostram como o uso de dados e modelos matemáticos pode apoiar decisões em uma atividade sujeita a variações de custos, infraestrutura e demanda.

As aplicações são apresentadas no capítulo Gestão e modelagem da logística do agronegócio na era da otimização e da inteligência artificial, que integra o livro Conexão LES: Pensamentos e Contribuições às Ciências Sociais Aplicadas.

O trabalho foi elaborado por Thiago Guilherme Péra, professor da Esalq/USP, coordenador do Grupo Esalq-Log e conselheiro do Conselho Científico Agro Sustentável (CCAS), em parceria com José Vicente Caixeta Filho, professor titular aposentado e ex-diretor da instituição.

Estudo analisa 16 mil registros para prever preços de fretes

Um dos casos apresentados avaliou aproximadamente 16 mil registros de fretes rodoviários de 2022, abrangendo rotas de todo o Brasil. A base reuniu cerca de 4,9 mil combinações de origem e destino.

Para estimar os preços, os pesquisadores consideraram fatores como distância percorrida, produto transportado, região de origem, preço do diesel, qualidade das rodovias e proximidade de terminais ferroviários ou hidroviários.

Diferentes modelos de aprendizado de máquina foram testados. Após o ajuste dos parâmetros, o Gradient Boosting apresentou erro médio de R$ 26,77 por tonelada e coeficiente de determinação de 95% na base analisada. Esse coeficiente expressa o ajuste do modelo aos dados, sem representar garantia de acerto em previsões futuras.

A distância da rota foi a variável com maior influência sobre a estimativa do preço do transporte.

Qualidade dos dados é decisiva para o uso da IA

Para Péra, a utilidade dessas ferramentas depende da consistência das informações que alimentam os modelos.

“Nada substitui bons dados”, afirma o pesquisador.

Segundo ele, transformar registros operacionais em modelos permite ampliar a análise para além da percepção e da experiência acumulada pelos gestores. Com isso, torna-se possível comparar alternativas e antecipar resultados potenciais antes de executar uma operação ou realizar um investimento.

A proposta é oferecer uma base adicional para avaliar custos, riscos e consequências das decisões logísticas.

Aplicações incluem fertilizantes, soja e etanol de milho

O uso das ferramentas vai além da previsão de fretes. O capítulo também apresenta modelos voltados à localização de indústrias misturadoras de fertilizantes, à logística verde da soja, ao dimensionamento de frotas para etanol de milho e à definição de prioridades em filas de agroindústrias.

Essas aplicações tratam de decisões com efeitos sobre transporte, capacidade operacional e organização dos fluxos de produtos.

Ao simular diferentes condições, os modelos permitem avaliar alternativas antes de colocá-las em prática, apoiando o planejamento das operações.

Aprendizado de máquina e otimização cumprem funções complementares

A combinação entre aprendizado de máquina e pesquisa operacional é apontada pelos autores como uma frente importante para o desenvolvimento da logística do agronegócio.

Enquanto o aprendizado de máquina identifica padrões nos dados e produz estimativas, os modelos de otimização ajudam a selecionar alternativas diante de objetivos e restrições operacionais.

Essa integração reúne duas capacidades: prever o que pode acontecer e indicar opções de ação a partir dos cenários avaliados.

Tecnologia amplia informações disponíveis ao gestor

Na avaliação de Péra, a adoção dessas ferramentas deve fortalecer a capacidade de análise de quem conduz as operações.

“Não se trata de substituir o gestor pela tecnologia. O objetivo é oferecer mais informação para que decisões complexas sejam tomadas com maior conhecimento sobre seus custos, riscos e consequências”, afirma.

Os estudos mostram, assim, como dados, inteligência artificial e modelos matemáticos podem atuar de forma complementar na busca por maior eficiência logística e competitividade no agronegócio.