Forecasting Brazilian corporate greenhouse gases emissions through machine learning
Carregando...
Arquivos
Data
2025-02-24
Orientador(res)
Felsberg, Annelise Vendramini
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
As mudanças climáticas representam um desafio global urgente, exigindo ferramentas precisas para prever as emissões de gases de efeito estufa (GEE) e viabilizar estratégias eficazes de sustentabilidade corporativa. Este estudo explora as capacidades preditivas de modelos de aprendizado de máquina (ML) na previsão de emissões corporativas de GEE no Brasil, identificando os principais fatores que influenciam sua qualidade preditiva. Foi compilado um conjunto de dados de 693 empresas brasileiras, abrangendo o período de 2015 a 2023, a partir do Registro Público de Emissões e do LSEG Workspace, incorporando variáveis financeiras, operacionais e ESG. O estudo avalia cinco modelos de ML: Mínimos Quadrados Ordinários (OLS), Elastic Net, Random Forest, XGBoost e Redes Neurais. O desempenho dos modelos é analisado por meio de Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e R². Além disso, são consideradas eficiência computacional (tempo de treinamento), confiabilidade estatística (Model Confidence Set - MCS) e interpretabilidade dos preditores (valores SHAP). Os resultados demonstram que o XGBoost supera consistentemente os demais modelos em precisão preditiva, eficiência computacional e interpretabilidade, tornando-se a abordagem mais adequada para previsão de emissões corporativas de GEE no Brasil. Além disso, os principais fatores influenciadores incluem Ativos Imobilizados Líquidos (Net PPE), receita bruta e energia adquirida, evidenciando a relação entre o porte das empresas e seus padrões de emissão. Do ponto de vista gerencial, esses insights fornecem orientação prática para tomadores de decisão corporativos, permitindo previsões mais precisas das emissões, o que auxilia na definição de investimentos em eficiência energética, estratégias de compensação de carbono e conformidade regulatória.