Caracterização do perfil global de emissões de gases de efeito estufa utilizando “machine learning”

Ano: 2024 | Volume: 5 | Número: Não se aplica

Autores: L.F.A. Frutuoso, W. Barbosa

Palavras-chave: capacidade produtiva econômica, crescimento econômico sustentável, emissões, “random forest”.

Resumo Português:

Considerando o contexto atual, em que se busca um crescimento econômico sustentável com ênfase em políticas e incentivos associados a questões ambientais, este estudo investigou o grau de importância relativo de determinantes socioeconômicos no entendimento do perfil de emissões de gases de efeito estufa a partir de uma abordagem de “machine learning”. Foi estimado um modelo do tipo “random forest” a partir de dados sobre a capacidade produtiva econômica e a quantidade de emissões de gases de efeito estufa no período entre 1990 e 2018. A amostra estudada consistiu em países que representavam as maiores e menores economias globais, selecionados a partir do seu nível de atividade econômica no período. Inicialmente, identificaram-se as variáveis mais relevantes a partir da técnica de eliminação recursiva de variáveis; em seguida, o modelo foi treinado empregando a técnica de “cross validation”; e, por fim, foi validado com os dados selecionados para teste. As métricas de desempenho não indicaram problemas de “overfitting”, e os resíduos das estimativas se comportaram de acordo com a distribuição normal. A partir do modelo estimado neste trabalho, observou-se que o perfil de emissões de gases de efeito estufa foi influenciado de maneira distinta dependendo do país analisado, de forma que os fatores mais ou menos relevantes indicaram estar associados com o nível de atividade econômica. Assim, as discussões e a modelagem apresentadas no presente trabalho se propuseram a incentivar políticas de incentivo e medidas de controle direcionadas aos setores mais relevantes, que pudessem contribuir para um crescimento econômico sustentável.

Resumo Inglês:

Considering the current context, in which sustainable economic growth is sought with an emphasis on policies and incentives associated with environmental issues, this study investigated the degree of relative importance of global socioeconomic factors in understanding the profile of greenhouse gas emission based on a machine learning approach. A random forest algorithm was estimated from data on economic productive capacity and the amount of greenhouse gas emissions in the period between 1990 and 2018. The database was composed of countries that represented the major and minor global economies, selected by their economic activity level in the period. Initially, the most important variables of the study were identified using the recursive variable elimination technique; then, the model was trained using cross validation technique; and, finally, it was validated with the data selected for testing. The performance metrics did not indicate overfitting issues, and the residuals of the estimates behaved in accordance with the normal distribution. From the model estimated in this study, it was observed that the global greenhouse gas emission profile was influenced differently depending on the country analyzed, so that the more or less relevant factors indicated to be associated with the level of economic activity. Thus, the discussions and modeling presented in this study aimed to encourage incentive policies and control measures aimed at the most relevant sectors, which could contribute to sustainable economic growth.