| Characteristic | N = 1941 |
|---|---|
| Continente | |
| África | 54 (28%) |
| América do Norte | 23 (12%) |
| América do Sul | 11 (5.7%) |
| Ásia | 47 (24%) |
| Europa | 45 (23%) |
| Oceania | 14 (7.2%) |
| Densidade (P/Km2) | 86 (34, 212) |
| Taxa de natalidade | 18 (11, 29) |
| Unknown | 6 |
| Emissão de Co2 (toneladas) | 8,225 (686, 49,653) |
| Unknown | 7 |
| Área florestal (%) | 32 (11, 48) |
| Unknown | 7 |
| PIB ($) | 36,266,259,213 (8,487,891,268, 234,992,051,113) |
| Unknown | 2 |
| Salário Mínimo($) | 1.0 (0.4, 2.4) |
| Unknown | 44 |
| Taxa de desemprego (%) | 5.4 (3.4, 9.3) |
| Unknown | 19 |
| 1 n (%); Median (IQR) | |
Interações e Dinâmicas de Populações e Continentes - Um panorama global
Resumo
O resumo é uma síntese concisa do artigo, apresentando de forma clara e objetiva o objetivo, metodologia, principais resultados e conclusões da pesquisa. O tamanho do resumo pode variar de acordo com as normas da revista ou evento científico em que será submetido. Neste caso, o resumo deve ter entre 150 a 250 palavras.
Palavras-chave: palavra 1; palavra 2; palavra 3
1. Introdução
O presente estudo baseia-se em um banco de dados que reúne informações globais, como indicadores socioeconômicos, ambientais, educacionais e demográficos. Com 196 países representados, as correlações realizadas a partir desse conjunto de dados proporcionam uma perspectiva global completa sobre diversos aspectos das nações. Essa amplitude de informações possibilita análises minuciosas e comparações detalhadas entre países, permitindo uma compreensão mais profunda das disparidades e semelhanças que moldam o cenário internacional. Ademais, traçar o perfil de cada país é importante pois permite que pesquisadores, governos e empresas obtenham parâmetros valiosos sobre questões globais, identifiquem tendências, desafios e oportunidades, além de promoverem decisões importantes em âmbitos internacionais.
1.1. Objetivo
O objetivo deste trabalho é explorar quais tendências socioeconômicas, ambientais e políticas podem ser observadas no planeta Terra. Para isso, foi realizada uma análise estatística bivariada proveniente do agrupamento das informações contidas no banco de dados em cinco duplas de variáveis. Estas duplas são compostas tanto de variáveis qualitativas quanto de quantitativas. As correlações foram escolhidas visando a melhor representação de relações internacionais nos âmbitos econômico, social e ambiental, a fim de criar um panorama geral de como cada país se comporta em determinados indicadores.
1.1.1. Objetivos específicos
- Analisar a influência do PIB nas emissões de CO2 de países;
- Analisar como o valor do salário mínimo de um país influencia em sua taxa de natalidade;
- Analisar como a quantidade de emissão de CO2 de um país influencia na extensão de sua área florestal;
- Quantificar qual a taxa de desemprego nos diferentes continentes;
- Quantificar qual a densidade nos diferentes continentes.
2. Metodologia
Descreva os dados utilizados, informando a composição da amostra, incluindo critérios de inclusão e exclusão (se for o caso), tamanho da amostra, características das observações, entre outros aspectos.
Descreva também as variáveis e a fonte dos dados utilizados. Cite todas as variáveis informando as categorias quando se tratar de variável qualitativa.
Em seguida, mencione os gráficos criados, as medidas calculadas, os testes de hipóteses usados e o modelo de regressão. Inclusive, mencione sobre a avaliação da normalidade dos dados. Não se esqueça de citar o software (e versão) utilizado e o nível de significância adotado.
3. Resultados e Discussão
Tabela 1
O software utilizado para criação de gráficos, análise e manejo de variáveis e criação de tabelas foi o R version 4.3.1. O banco de dados utilizado foi criado por Nidula Elgiriyewithana, em julho de 2023, e publicado no site Kaggle. O banco inicial era composto por 36 variáveis distintas que abordavam diversos aspectos de todos os países do mundo. Com base na análise das variáveis, foram selecionadas aquelas que exibem certa correlação que instigue análises globais por meio da comparação de aspectos semelhantes, mas em diferentes países. Isso é feito levando em consideração as distintas realidades sociais e econômicas de cada nação, bem como suas respectivas consequências. As variáveis utilizadas foram o PIB (Produto Interno Bruto): valor total dos bens e serviços produzidos no país; Emissões de CO2: Emissões de dióxido de carbono em toneladas; Taxa de Desemprego: Porcentagem da força de trabalho que está desempregada; Taxa de natalidade: Número de nascimentos por 1.000 habitantes por ano; Área Florestada: Porcentagem de área coberta por florestas; Salário Mínimo: Nível do salário mínimo em moeda local e Densidade (P/Km2): Densidade populacional medida em pessoas por quilômetro quadrado. Seguem as medidas de cada variável utilizada:
PIB: IQR = 226.504.159.845 Mediana = 36.266.259.213 Média = 479.779.583.091.
Emissões de carbono (Toneladas): IQR = 48966,64 Mediana = 8225,00 Média = 169125,55.
Taxa de Desemprego (%): IQR = 5,90 Mediana = 5,36 Média = 6,85.
Taxa de Natalidade: IQR= 17,44 Mediana = 17,91 Média = 20,15.
Área Florestal (%): IQR = 37,05 Mediana = 31,8 Média = 31,89.
Salário Mínimo ($): IQR = 2,04 Mediana = 1,04 Média = 2,19.
Densidade (P/Km2): IQR = 177,75 Mediana = 85,50 Média = 350,32
Países de maior PIB emitem mais CO2?
Cross-Tabulation, Row Proportions
`PIB ($)` * `Emissão de Co2 (toneladas)`
Data Frame: world_data_2023
-------------------- ---------------------------- --------------- --------------------------- ---------------------- ------------ --------------
Emissão de Co2 (toneladas) Até 2100 ton. De 2100 ton. a 35000 ton. Maior que 35000 ton. <NA> Total
PIB ($)
Até 15 bi. 45 (69.2%) 15 (23.1%) 0 ( 0.0%) 5 ( 7.7%) 65 (100.0%)
De 15 bi. a 96 bi. 14 (21.5%) 45 (69.2%) 6 ( 9.2%) 0 ( 0.0%) 65 (100.0%)
Maior que 96 bi. 6 ( 9.5%) 5 ( 7.9%) 52 (82.5%) 0 ( 0.0%) 63 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 0 ( 0.0%) 3 (100.0%) 3 (100.0%)
Total 65 (33.2%) 65 (33.2%) 58 (29.6%) 8 ( 4.1%) 196 (100.0%)
-------------------- ---------------------------- --------------- --------------------------- ---------------------- ------------ --------------
No gráfico de barras empilhadas entre as variáveis qualitativas PIB e emissões de CO2 dos países, é possível observar na primeira coluna, representada pelos menores PIB´s (até 15 bilhões), que 69.2% são que países possuem uma baixa emissão de CO2 ( até 2.100 toneladas) e outra parte inferior de 23.1% com uma emissão de 2.100 toneladas á 35.000 toneladas. Na segunda barra, representada por PIB´s de 15 bilhões a 96 bilhões, é possível notar que 69.2% das nações com esse PIB é representada pelo valor médio de 2.100 a 35.000 toneladas de CO2, outra parte de 21.5% por até 2.100 toneladas e uma parte bem diminuta de 9.2% com valores de emissão maiores que 35.000 toneladas. Por fim, a última barra representa os países com PIB maior que 96 bilhões, onde se encontra 82.5% da emissão maior que 35.000 toneladas e outras duas partes sendo 9.5% referente a emissão de 2100 toneladas e 7.9% de 2.100 toneladas á 35.000 toneladas.
O valor do salário mínimo de um país influencia em sua taxa de natalidade?
[1] -0.6570151
Uma análise das variáveis salário mínimo e taxa de natalidade revelou uma correlação entre essas duas variáveis. O objetivo era entender como elas se relacionam e responder a perguntas sobre os locais com salários mínimos mais elevados e suas taxas de natalidade, bem como se o salário mínimo afeta a média de filhos. Para isso, foi realizada uma análise de correlação por meio de um gráfico de dispersão de pontos e uma tabela de dados. Observando o gráfico, identificou-se que a distribuição de pontos entre as variáveis assemelha-se a uma curva de tendência decrescente. Além disso, o cálculo do coeficiente de correlação resultou em um valor de -0.6570151. Esse valor sugere que um aumento no salário mínimo está associado a uma redução na taxa de natalidade. Portanto, países com salários mínimos mais elevados tendem a ter uma taxa de natalidade mais baixa em comparação com países que têm salários mínimos mais baixos.
A quantidade de emissão de CO2 de um país influencia na extensão de sua área florestal?
Cross-Tabulation, Row Proportions
`Emissão de Co2 (toneladas)` * `Área florestal (%)`
Data Frame: world_data_2023
---------------------------- -------------------- ------------ -------------- ------------- --------------
Área florestal (%) Até 32% De 32% a 99% <NA> Total
Emissão de Co2 (toneladas)
Até 2100 ton. 31 (47.7%) 33 (50.8%) 1 ( 1.5%) 65 (100.0%)
De 2100 ton. a 35000 ton. 30 (46.2%) 35 (53.8%) 0 ( 0.0%) 65 (100.0%)
Maior que 35000 ton. 31 (53.4%) 25 (43.1%) 2 ( 3.4%) 58 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 8 (100.0%) 8 (100.0%)
Total 92 (46.9%) 93 (47.4%) 11 ( 5.6%) 196 (100.0%)
---------------------------- -------------------- ------------ -------------- ------------- --------------O objetivo dessa correlação é ver se a taxa de emissão de dióxido de carbono vai influenciar no tamanho da área florestal. A pergunta que utilizamos para fazermos essa correlação foi: A quantidade de emissão de CO2 de um país influencia na extensão de sua área florestal? Para responder a essa pergunta, utilizamos uma variável quantitativa (Emissão de CO2) e uma qualitativa (Área florestal). E para que tal análise fosse feita, elaboramos um gráfico de boxplot e uma tabela descritiva. A partir de uma análise descritiva do gráfico acima, é possível observar que as áreas que emitem uma quantidade de dióxido de carbono maior que 35.000 toneladas possuem sua maior parte com uma área florestal, chegando até os 32%, enquanto as áreas que emitem até 35.000 toneladas de dióxido de carbono possuem sua maior parte com uma área florestal que varia entre 32% a 99%.
Observamos mais detalhadamente na tabela que até 2100 toneladas de CO2, a área florestal de até 32% corresponde a 47.7%, enquanto de 32% a 99% corresponde a 50.8%. Já de 2100 até 35000 toneladas de CO2, a área florestal de até 32% corresponde a 46.2%, enquanto de 32% a 99% corresponde a 53.8%. Agora, emissões maiores que 35000 toneladas de CO2, a área florestal de até 32% corresponde a 53.4%, enquanto de 32% a 99% corresponde a 43.1%.
Qual a taxa de desemprego nos diferentes continentes?
Cross-Tabulation, Row Proportions
`Taxa de desemprego (%)` * Continente
Data Frame: world_data_2023
------------------------- ------------ ------------ ------------------ ---------------- ------------ ------------ ------------ ---------- --------------
Continente África América do Norte América do Sul Ásia Europa Oceania <NA> Total
Taxa de desemprego (%)
Até 14% 44 (27.7%) 16 (10.1%) 11 (6.9%) 43 (27.0%) 36 (22.6%) 8 ( 5.0%) 1 (0.6%) 159 (100.0%)
Maior que 14% e até 30% 8 (47.1%) 3 (17.6%) 0 (0.0%) 3 (17.6%) 3 (17.6%) 0 ( 0.0%) 0 (0.0%) 17 (100.0%)
<NA> 2 (10.0%) 4 (20.0%) 0 (0.0%) 1 ( 5.0%) 6 (30.0%) 6 (30.0%) 1 (5.0%) 20 (100.0%)
Total 54 (27.6%) 23 (11.7%) 11 (5.6%) 47 (24.0%) 45 (23.0%) 14 ( 7.1%) 2 (1.0%) 196 (100.0%)
------------------------- ------------ ------------ ------------------ ---------------- ------------ ------------ ------------ ---------- --------------
O objetivo da seguinte correlação é a obtenção de um panorama global do comportamento da taxa de desemprego em todos os continentes. A pergunta que guiou essa correlação foi: Qual a taxa de desemprego nos diferentes continentes? Para responder a essa pergunta, foram utilizadas duas variáveis qualitativas: Taxa de Desemprego (%) e Continente. Dessa forma, para que a análise da correlação entre essas variáveis fosse feita, um gráfico de barras empilhadas e uma tabela descritiva foram construídos. A partir de uma análise estatística descritiva do gráfico e da tabela acima de maneira conjunta, é possível observar que os continentes América do Sul e Oceania possuem uma taxa de desemprego de no máximo 14%. Além disso, o continente africano possui a maior porcentagem relativa de taxa de desemprego entre 14% e 30% (47,1%, o correspondente a um valor absoluto de 8 países africanos). Adicionalmente, vê-se que o continente Oceania possui a menor porcentagem relativa de países com taxa de desemprego até 14% (5,0%, o correspondente a 8 países deste continente).
Qual a densidade nos diferentes continentes?
Descriptive Statistics
Densidade (P/Km2) by Continente
Data Frame: world_data_2023
N: 54
África América do Norte América do Sul Ásia Europa Oceania
----------------- -------- ------------------ ---------------- --------- ---------- ---------
Mean 103.46 189.48 24.36 453.00 752.63 185.00
Std.Dev 135.10 157.10 19.42 1258.55 3912.38 239.37
Min 3.00 4.00 4.00 2.00 1.38 3.00
Q1 25.00 58.00 11.00 60.00 64.00 25.00
Median 54.50 167.00 20.00 115.00 105.00 59.50
Q3 111.00 284.00 26.00 341.00 164.00 329.00
Max 626.00 668.00 71.00 8358.00 26337.00 784.00
MAD 54.86 161.60 8.90 130.47 85.99 72.65
IQR 85.25 216.50 12.00 263.50 100.00 258.50
CV 1.31 0.83 0.80 2.78 5.20 1.29
Skewness 2.30 1.14 1.14 5.35 6.21 1.26
SE.Skewness 0.32 0.48 0.66 0.35 0.35 0.60
Kurtosis 4.93 1.28 0.41 30.24 37.64 0.31
N.Valid 54.00 23.00 11.00 47.00 45.00 14.00
Pct.Valid 100.00 100.00 100.00 100.00 100.00 100.00Para obter uma avaliação abrangente da densidade demográfica em todo o mundo, utilizamos duas variáveis: Densidade (P/Km2) (quantitativa) e Continente (qualitativa). Com essas variáveis, geramos um gráfico de boxPlot e uma tabela descritiva. No primeiro gráfico, o limite superior da densidade é definido em 20.000 (P/Km2). Entretanto, como evidenciado no gráfico e na tabela, há um valor atípico no continente europeu que ultrapassa os 20.000 (P/Km2) de densidade. Isso resulta em uma compressão das caixas (boxplots) dos outros continentes, prejudicando a visualização geral do gráfico. Portanto, para melhor visualizar os quartis e a mediana, criamos um segundo gráfico em que o limite de densidade é ligeiramente superior a 8.000. Com esse ajuste, o segundo gráfico proporciona uma visualização mais clara dos dados apresentados no gráfico de boxplot.
4. Conclusão
A seção de conclusão de um artigo científico é a parte final do trabalho, onde você deve resumir os principais pontos abordados no estudo e apresentar suas considerações finais. O que o seu estudo observou? Pegue os principais resultados e escreva de forma sucinta.
5. Referências
AURÉLIO VIEIRA, M. Co2 Emissions: A Dynamic Structural Analysis: EMISSÕES DE CO2: UMA ANÁLISE ESTRUTURAL DINÂMICA. Brazilian Journal of Management / Revista de Administração da UFSM, v. 14, p. 949–969, 2 dez. 2021.
De La Croix, David, and Paula E. Gobbi. “Population Density, Fertility, and Demographic Convergence in Developing Countries.” Journal of Development Economics 127 (2017): 13-24. Web.
GROSFOGUEL, Ramón. Para descolonizar os estudos de economia política e os estudos pós-coloniais: transmodernidade, pensamento de fronteira e colonialidade global. Revista crítica de ciências sociais, n. 80, p. 115-147, 2008.
HELPMAN, Elhanan; ITSKHOKI, Oleg; REDDING, Stephen. Inequality and unemployment in a global economy. Econometrica, v. 78, n. 4, p. 1239-1283, 2010.
ROHDEN, F. O controle da natalidade: a sociedade em risco. In.: A arte de enganar a natureza: contracepção, aborto e infanticídio no início do século XX [online]. Rio de Janeiro: Editora FIOCRUZ, 2003, pp. 89-121. História e saúde collection. ISBN: 978-65-5708-117-4.
SANTOS, R. I. C. (Setembro de 2022). Qual o papel das florestas para a redução do CO2: aplicação a um grupo de países da União Europeia? U Porto, 51.
SÉRGIO CERETTA, P.; AURÉLIO VIEIRA, M. Co2 Emissions: A Dynamic Structural Analysis: EMISSÕES DE CO2: UMA ANÁLISE ESTRUTURAL DINÂMICA. Brazilian Journal of Management / Revista de Administração da UFSM, v. 14, p. 949–969, 2 dez. 2021.