Resumo

A Economia Circular vem ganhando muita força na agenda das empresas e das políticas públicas em muitas partes do mundo. Esse conceito vem direcionando pesquisas e influenciando políticas visando um mundo mais sustentável. (Genovese et al., 2017). Dentro desse tema, a gestão de cadeias de suprimentos fechadas – conceito que consiste em reaproveitar o material descartável – na forma de matérias-primas – para a produção de outros bens de consumo, vem ganhando considerável destaque na agenda de pesquisas em operações (Braz e Mello, 2022).

Este artigo pretende, utilizando-se do plástico reciclado (PET) como material de estudo e com o auxílio do aprendizado de máquina (machine learning), propor uma forma de previsão do preço médio – predição – do material secundário advindo dos plásticos descartados e expor os fatores que afetam diretamente o preço destes materiais, para que, com isso, haja uma maior conciliação entre a demanda e a oferta do material em voga.

Foram pesquisados os seguintes temas: Fatores que influenciam o preço dos materiais reciclados; Modelo de regressão linear simples envolvendo predições de materiais reciclados. Constatou-se que há poucos estudos que abordem modelos de previsão de preços no que se refere cadeias de suprimentos circulares, ou fechadas. Angus, Casado e Fitzsimons (2011) propuseram uma equação linear que apresentava um valor previsto para o preço dos materiais secundários com base nos preços primários, e também discutiram a necessidade de modelos mais sofisticados para a análise.

Usando dados (de janeiro de 2015 a dezembro de 2021) extraídos de uma base privada de preços de materiais plásticos, usou-se dados de preços de materiais virgens e secundários, para criar um modelo de regressão múltipla através de machine learning, usando dezessete variáveis preditoras para apontar o preço médio do PET reciclado de Grau Alimentício (PET Condensado).

O resultados obtidos apontam que há correlação entre as variáveis preditoras e a variável PET Condensado (variável dependente quantitativa). A partir desse fato, o presente estudo buscou estabelecer um modelo de regressão, utilizando de artifícios vinculados à machine learning. Utilizou-se de três algoritmos diferentes, sendo eles: regressão linear (linear regression), árvore de decisão (decision tree) e florestas aleatórias (random forest), sendo que a regressão linear teve o melhor R2, com valores previstos muito próximos (ou idênticos) aos valores reais da amostra destinada ao teste.

A principal conclusão do estudo é que é possível criar modelos de regressão utilizando machine learning, e que dos algoritmos utilizados, o da regressão linear é o que melhor explica a relação entre o preço do PET grau alimentício reciclado e as variáveis preditoras.

ACKERMAN, F.; GALLAGHER K. Mixed signals: market incentives, recycling, and the price spike of 1995. Resour Conserv Recy. [S. l.], p. 275-295, 2002. ANGUS, A.; CASADO, R.; FITZSIMONS, D. Exploring the usefulness of a simple linear regression model for understanding price movements of selected recycled materials in the UK. Resour Conserv Recy. [S. l.], p. 10-19, 2012. AZANK, F. Como avaliar seu modelo de regressão. Medium. [S. l.], 2020. Disponível em: https://cutt.ly/YK2PC4Z. Acesso em: 23 nov. 2022. Braz, A. C., & Mello, A. M. (2022). Circular economy supply network management: A complex a