Produção de Petróleo
no Brasil

01. Introdução

O estudo de séries temporais constitui um dos pilares mais produtivos da estatística aplicada: em vez de tratar a dependência entre observações passadas e futuras como um obstáculo, ele a transforma em informação — sobre o processo que gera os dados e sobre seu comportamento futuro.

O petróleo ocupa posição estratégica na economia brasileira: parcela relevante da balança comercial, receitas fiscais via royalties, e a principal fonte de energia primária do país. A descoberta do pré-sal, anunciada em 2006, redesenhou a trajetória de produção nacional nas duas décadas seguintes — e é essa trajetória, com 348 observações mensais entre janeiro de 1997 e dezembro de 2025, que este trabalho investiga.

02. Metodologia

A modelagem seguiu a abordagem clássica de Box-Jenkins para a família SARIMA, complementada por três frentes adicionais que boa parte dos exercícios de previsão aplicada deixa de fora:

• Identificação, estimação e diagnóstico — o ciclo iterativo padrão: funções de autocorrelação (FAC/FACP/EACF), estimação por máxima verossimilhança, e testes formais nos resíduos (Ljung-Box, Shapiro-Wilk, Jarque-Bera) para garantir que o que sobrou é, de fato, ruído.
• Análise de dados atípicos e intervenção — os choques que marcaram o setor (apagão de 2001, Lava Jato, pandemia) não foram apenas observados na série: foram modelados formalmente, com magnitude e significância estatística estimadas.
• Análise espectral — a série foi decomposta no domínio da frequência para verificar se o ciclo sazonal é, de fato, um ciclo anual simples ou algo mais complexo.
• Validação preditiva sob dois desenhos — um holdout estático de 36 meses e uma validação rolling-origin de sete origens — porque um único corte de teste pode mascarar (ou exagerar) o desempenho real de um modelo.

03. Análise Exploratória

A pergunta que orienta todo o trabalho: existe um ciclo anual estável na produção de petróleo do Brasil — e o que o molda?

A inspeção da série completa já entrega a resposta parcial: uma tendência de crescimento acentuada, especialmente a partir de 2015, e um padrão sazonal que se repete, mas cuja amplitude cresce junto com o nível da série.

Quatro fases distintas emergem da leitura visual: crescimento linear até 2008 (campos convencionais da Bacia de Campos); estabilidade relativa entre 2008–2015 (maturação do pré-sal); aceleração pronunciada entre 2015–2020, interrompida pela crise da Lava Jato; e, a partir de 2020, um período mais instável — pandemia seguida por uma nova fase de crescimento acentuado, com recordes sucessivos.

O "pico de março" que não existe

Um dos achados mais contraintuitivos do trabalho: a leitura tradicional de que fevereiro é um mês fraco e março um mês de recuperação sazonal é, em boa parte, uma ilusão de calendário — não um efeito operacional.

Quando a produção é reescalada pelo número de dias de cada mês, o desvio de fevereiro (que parecia ser de −9,1%) cai para −2,1% — e o "pico" de março, na verdade, se torna um dos meses mais fracos do ano (−2,8%) depois do ajuste. Quase metade (46,6%) da dispersão sazonal aparente desaparece só com essa correção. O que sobra — a sazonalidade genuína, de natureza operacional — é o que de fato compete pela energia espectral discutida mais adiante.

04. Choques Estruturais e Intervenção

A produção de petróleo não é uma curva suave: ela é pontuada por eventos que deslocaram seu nível de forma permanente ou temporária. Em vez de deixar esses choques "escondidos" dentro do erro do modelo, cada um foi modelado explicitamente.

Cinco eventos foram construídos com base em conhecimento de domínio — a crise do apagão energético de 2001, a retração de investimentos durante a Operação Lava Jato, o início da produção comercial do pré-sal, alterações no marco regulatório do setor, e o choque da pandemia de COVID-19. Testes formais de quebra estrutural (Bai-Perron) confirmam, de forma independente, a instabilidade em pontos muito próximos aos historicamente documentados — uma convergência entre detecção estatística não supervisionada e conhecimento de domínio.

05. O Achado Central: Quando os Modelos Discordam

Aqui está o coração do trabalho — e o motivo pelo qual comparar 18 modelos sob um único teste seria, na melhor das hipóteses, incompleto.

Testamos SARIMA, ARIMAX (com regressores de intervenção), Holt-Winters, Prophet, TBATS, redes neurais autorregressivas (NNAR) e um modelo estrutural de espaço de estados — sob dois desenhos de validação diferentes: um teste único de 36 meses, e uma validação com sete origens móveis de 12 meses cada.

O resultado é uma virada completa de ranking:

• Sob o teste de 36 meses, Holt-Winters vence disparado — nenhum dos outros 17 modelos chega perto.
• Mas o candidato SARIMA selecionado automaticamente (sem nenhuma intervenção manual do analista) — que havia ficado em último lugar entre os 8 candidatos SARIMA na etapa de seleção por critério de informação (AICc/BIC) — se torna o 2º melhor modelo entre os 18, superando até o modelo escolhido manualmente como "referência" da família SARIMA.
• Sob o desenho de validação com origens móveis (rolling-origin), esse mesmo SARIMA automático supera o Holt-Winters.

A conclusão prática não é "qual modelo é o melhor" — é que essa pergunta muda de resposta dependendo de como você mede. Um critério de seleção dentro da amostra de treino (AICc) e o desempenho fora da amostra respondem perguntas diferentes, e um bom exercício preditivo precisa testar ambas antes de declarar um vencedor.

06. Nem Todo Modelo que Acerta Sabe que Pode Errar

Um segundo achado, menos óbvio, mas igualmente importante: acurácia pontual e qualidade da incerteza são coisas diferentes — e nem sempre andam juntas.

O Prophet, por exemplo, teve a melhor acurácia pontual sob o desenho de validação com origens móveis. Mas seus intervalos de confiança de 95% só continham o valor real observado em 47,2% das vezes — quando deveriam conter em 95%. Ou seja: o modelo acerta bem "no ponto", mas sua noção de quão incerto ele deveria estar é sistematicamente otimista demais.

07. Previsão para 2026

Depois de toda a validação, a pergunta prática: o que esperar para o próximo ano?

Entre os modelos com intervalos de confiança mais confiáveis, o cenário central aponta para um crescimento moderado, entre 7% e 8% em relação à produção total de 2025. A faixa de incerteza entre os diferentes modelos, porém, é ampla — o que reforça o princípio central do trabalho: tratar a previsão como uma faixa de cenários plausíveis é mais honesto (e mais útil) do que apostar num único valor pontual.

A análise comparativa desses cenários revela uma convergência e algumas divergências fundamentais sobre a melhor abordagem preditiva:

• Convergência por Consenso: O modelo campeão Holt-Winters, o ARIMA + Fourier e o SARIMA campeão por AICc convergem notavelmente para um cenário de crescimento anual moderado (entre 7% e 8% em relação a 2025), projetando médias mensais próximas a 19,5 milhões de m³.
• Divergência Contrafactual (ARIMAX): O modelo ARIMAX parcimonioso projeta o cenário mais otimista, com cerca de 15% de crescimento. Isso ocorre porque seus regressores de choques históricos (como Lava Jato, COVID-19 e Crise do Apagão) tornam-se nulos no período de previsão. Assim, a extrapolação do ARIMAX responde a uma pergunta contrafactual: qual seria a produção futura livre de choques operacionais severos.
• Previsão por Consenso de Modelos: Em vez de apostar no valor pontual de um único modelo isolado, a prática metodológica mais recomendada e robusta é mapear a dispersão entre eles. Tratar o intervalo de 16,5 a 22,1 milhões de m³/mês como a faixa substantiva de incerteza, e utilizar a média de consenso de 19,59 milhões de m³/mês como previsor central robusto (totalizando cerca de 235,1 milhões de m³ no ano).

08. Rigor e Reprodutibilidade

Um detalhe que normalmente fica de fora de um case, mas que diz bastante sobre como o trabalho foi conduzido: parte da análise foi auditada de forma independente, em um ambiente computacional diferente do original. Isso revelou que alguns procedimentos automáticos (busca automática de modelo, detecção automática de eventos atípicos) produzem resultados que variam entre versões de pacotes estatísticos — uma limitação real, documentada explicitamente no relatório em vez de ocultada, com as versões exatas de software registradas para que os resultados possam ser conferidos.