Influência de variáveis econômicas em modelos de regulação florestal

Abstract

Este trabalho teve por objetivo analisar a influência de diferentes variáveis nos modelos de regulação florestal. Para a geração dos modelos foi utilizado dados de 10 florestas modelo, cada floresta apresentando 100 unidades de manejo. Os modelos de regulação foram formulados de acordo com o modelo I, sendo todos resolvidos com por programação linear. O sistema utilizado para a resolução dos problemas foi RPF (Regulação da Produção Florestal), sendo feita uma abordagem do mesmo no primeiro capítulo. No segundo capítulo analisou-se a influência da taxa de juros e do preço da madeira nos modelos de regulação, sendo a taxa de juros alternada em 8, 10 e 12% a.a., e o preço da madeira em 64, 80 e 96 R$/m3. No terceiro capítulo foi analisada a influência de diferentes funções objetivo, sendo comparada a minimização do custo, a minimização do custo médio de produção (CMP), a maximização da produção e a maximização do valor presente liquido (VPL). No quarto capítulo foi analisada a influência da utilização de curvas de custos de colheita, curvas de custo de transporte e custos fixos nos modelos de regulação florestal. No quinto capítulo foi analisada a influência de diferentes horizontes de planejamento nos modelos de regulação florestal, sendo avaliado o intervalo de 7 a 21 anos. Como resultados teve-se que o programa Regulação da Produção Florestal (RPF) mostrou-se bastante eficiente para a resolução de modelos regulação utilizando o modelo I de programação linear, sendo gratuito, versátil e fácil de usar. O método de maximização do VPL foi mais influenciado pelo preço da madeira quando comparado a taxa de juros. Os métodos de maximização foram os mais dispendiosos, com maior área de corte anual e produção e menor idade de corte e produtividade. Os métodos de minimização foram eficientes para reduzir custos, sendo recomendado o uso dos dois. A utilização da curva de colheita reduziu custos e a área de corte anual, já a curva de transporte influenciou apenas nos custos. O horizonte de planejamento ideal para os métodos de minimização foi de 16 anos, enquanto para os métodos de maximização não foi encontrado um ideal no presente estudo.

This study aimed to analyze the influence of different variables in the models of forest regulation. To develop the mode we used data from 10 model forests, each with 100 forest management units. The regulation models have been formulated in accordance with model I, all solved by linear programming. The system used for solving the problems was the RPF (Regulação da Produção Florestal) an approach was made of it in the first chapter. In the second chapter was analyzed the influence of interest rates and the wood price in regulation models, where the interest rate was alternated in 8, 10 and 12% pa, and the wood price in 64, 80and 96 R $ / m3. In the third chapter was analyzed the influence of different objective functions, where was compared the cost minimization, the minimization of average cost of production (ACP), the production maximization and the maximization of net present value (NPV). In the fourth chapter was analyzed the influence of the use of harvest cost curve, transport cost curve and fixed costs in forestry regulation models. In the fifth chapter was analyzed the influence of different planning horizons in forestry regulation models, where was evaluated the range of 7 to 21 years. The results were that the program Regulação da Produção Florestal (RPF) was quite efficient for the resolution of regulatory models using model I of linear programming, that it is free, versatile and easy to use. The method of maximizing the NPV was more influenced by the wood price than by the interest rate. The methods of maximization were the most expensive, with higher cutting annual area and production and lower age of cut and productivity. The minimization methods were efficient to reduce costs, and recommended the use of two. The use of harvesting cost curve reduced the annual cutting area and production costs, already the transport cost curve influenced only in the production costs. The optimal planning horizon for the minimization methods was of 16 years, whereas in this study was not found an optimal horizon for maximization methods.