Projeto 2va - Disciplina Análise de Dados
Sebastião Vieira
2024-02-05
Uma Análise Comparativa de Performance Macroenomica e Emissões de Gases do Efeito Estufa
1. Introdução
A crise climática é um dos maiores desafios que a humanidade enfrenta no século XXI. As atividades humanas, principalmente a queima de combustíveis fósseis e o desmatamento, têm aumentado a concentração de gases de efeito estufa na atmosfera, levando a um aumento médio da temperatura global. Este fenômeno, conhecido como aquecimento global, tem consequências devastadoras para o nosso planeta, incluindo o aumento do nível do mar, a perda de biodiversidade, a alteração de padrões climáticos e a ocorrência mais frequente de eventos climáticos extremos.
Neste contexto, a análise de indicadores ambientais, como as emissões de CO2, torna-se crucial. Através da coleta, processamento e análise desses dados, podemos monitorar a evolução da crise climática, identificar as principais fontes de emissões, avaliar a eficácia das políticas de mitigação e adaptar nossas estratégias para lidar com as mudanças climáticas.
Os objetivos de uma análise de dados de indicadores ambientais podem variar dependendo do contexto específico. No entanto, alguns objetivos possíveis podem incluir: entender as tendências históricas e atuais das emissões de CO2, identificar os principais setores ou regiões responsáveis pelas emissões, avaliar o impacto de políticas específicas de mitigação, prever futuras tendências de emissões com base em diferentes cenários, e fornecer recomendações para políticas públicas e estratégias de mitigação.
Os possíveis atores que podem utilizar essa análise de dados são a Sociedade Civil, Governos, ONGs, Instituições de Pesquisa, Empresas e Organizações. Cada um desses atores pode usar os insights gerados para informar suas decisões e estratégias relacionadas ao clima.
2. Descrição dos Dados
2.1 Emissões de CO2 e Outros Gases do Efeito Estufa
O conjunto de dados para esta análise é proveniente do repositório de dados sobre emissões de CO2 e outros gases de efeito estufa mantido pela organização Our World in Data, disponível no link: “https://raw.githubusercontent.com/owid/co2-data/master/owid-co2-data.csv”. Este conjunto de dados é uma compilação abrangente e de acesso aberto que fornece informações detalhadas sobre as emissões de gases de efeito estufa em todo o mundo.
Os dados estão disponíveis em vários formatos, incluindo CSV e JSON, o que facilita a importação e o processamento em várias ferramentas de análise de dados. Além disso, a documentação detalhada disponível no repositório fornece uma visão clara das variáveis disponíveis e de como os dados foram coletados e processados.
As variáveis disponíveis neste conjunto de dados incluem, entre outras, as emissões totais de CO2 por país, as emissões per capita, as emissões por setor e as emissões históricas. Essas variáveis permitem uma análise aprofundada das tendências das emissões de gases de efeito estufa, tanto em nível global quanto nacional, e podem ajudar a identificar os principais contribuintes para as emissões globais.
A variável gdp, que representa o indicador macro economico PIB (Produto Interno Bruto), será utilizada para entender melhor a relação entre as emissões de gases de efeito estufa e a economia dos países. Através deste processo, podemos explorar questões como: países com maior PIB tendem a emitir mais CO2? Existe uma correlação entre o crescimento econômico de um país e suas emissões de gases de efeito estufa?
Os dados em questão foram delimitados no período de 1970 a 2020, um intervalo de tempo significativo na história ambiental. A década de 1970 é frequentemente citada como o marco inicial da consciência ambiental moderna. Foi nesse período que a sociedade começou a reconhecer a necessidade urgente de preservar e proteger o meio ambiente. Portanto, a escolha desse período como referência para a análise dos dados não é apenas apropriada, mas também relevante, pois permite uma compreensão mais profunda das tendências e mudanças ambientais que ocorreram desde o início do movimento ambiental até o presente.
3. Pré-processamento de Dados
3.1 Importação dos dados e bibliotecas
library(readr) # leitura de dados
library(DT) # tabelas interativas
library(ggplot2) # gráficos
library(plotly) # gráficos interativos
library(dplyr) # manipulação de dados
library(tidyr) # manipulação de dados
library(rnaturalearth) # mapas
library(rnaturalearthdata) # mapas
# url dos dados
url <- "https://raw.githubusercontent.com/owid/co2-data/master/owid-co2-data.csv"
# leitura dos dados
df <- read_csv(url, show_col_types = FALSE)3.2 Seleção de Variáveis
Variáveis para a análise:
country
País
iso_code
Código iso do país
year
Ano
population
População
co2
Annual CO₂ emissions - Annual total emissions of carbon dioxide (CO₂), excluding land-use change, measured in million tonnes: refere-se à quantidade total de dióxido de carbono (CO₂) que é emitida para a atmosfera em um ano, excluindo mudanças no uso da terra. Essas emissões são geralmente o resultado de atividades humanas, como a queima de combustíveis fósseis (carvão, petróleo e gás natural) para energia e transporte, excluindo mudanças no uso da terra como desmatamento.
co2_including_luc
Annual CO₂ emissions including land-use change - Annual total emissions of carbon dioxide (CO₂), including land-use change, measured in million tonne: refere-se à quantidade total de dióxido de carbono (CO₂) que é emitida para a atmosfera em um ano, incluindo mudanças no uso da terra.
oil_co2
Annual CO₂ emissions from oil: refere-se à quantidade total de dióxido de carbono (CO₂) que é emitida para a atmosfera em um ano como resultado da queima de petróleo. O petróleo é uma das principais fontes de energia usadas globalmente e sua queima para produzir energia resulta na liberação de CO₂.
coal_co2
Annual CO₂ emissions from coal: refere-se à quantidade total de dióxido de carbono (CO₂) que é emitida para a atmosfera em um ano como resultado da queima de carvão. O carvão é uma das principais fontes de energia usadas globalmente, especialmente para a geração de eletricidade, e sua queima resulta na liberação de CO₂.
cement_co2
Annual CO₂ emissions from cement: refere-se à quantidade total de dióxido de carbono (CO₂) que é emitida para a atmosfera em um ano como resultado da produção de cimento. A produção de cimento é uma das maiores fontes industriais de emissões de CO₂, devido à queima de combustíveis fósseis e às reações químicas no processo de fabricação do cimento.
flaring_co2
Annual CO₂ emissions from flaring: refere-se à quantidade de CO₂ que é liberada na atmosfera como resultado do processo de queima. Este processo é comumente usado na indústria de petróleo e gás, onde o gás natural associado é queimado, ou “flared”, por razões de segurança, operacionais ou econômicas.
gas_co2
Annual CO₂ emissions from gas: refere-se à quantidade de CO₂ que é liberada na atmosfera como resultado da queima de combustíveis gasosos. Isso inclui gás natural, gás de petróleo e outros tipos de gases combustíveis.
land_use_change_co2
Annual CO₂ emissions from land-use change: refere-se à quantidade de CO₂ que é liberada na atmosfera como resultado de alterações no uso da terra. Isso pode incluir desmatamento, urbanização, ou a conversão de terras selvagens em terras agrícolas.
methane
Total methane emissions including land-use change and forestry: refere-se à quantidade total de metano que é liberada na atmosfera, incluindo as emissões resultantes de mudanças no uso da terra e silvicultura.
nitrous_oxide
Total nitrous oxide emissions including land-use change and forestry: refere-se à quantidade total de óxido nitroso que é liberada na atmosfera, incluindo as emissões resultantes de mudanças no uso da terra e silvicultura.
total_ghg
Total greenhouse gas emissions including land-use change and forestry: refere-se à quantidade total de gases de efeito estufa que são liberados na atmosfera, incluindo as emissões resultantes de mudanças no uso da terra e silvicultura.
temperature_change_from_co2
Change in global mean surface temperature caused by CO₂ emissions: refere-se à alteração na temperatura média da superfície da Terra que é atribuída especificamente às emissões de dióxido de carbono.
temperature_change_from_ch4
Change in global mean surface temperature caused by methane emissions: refere-se à alteração na temperatura média da superfície da Terra que é atribuída especificamente às emissões de metano.
temperature_change_from_n2o
Change in global mean surface temperature caused by nitrous oxide emissions: refere-se à alteração na temperatura média da superfície da Terra que é atribuída especificamente às emissões de óxido nitroso.
temperature_change_from_ghg
Change in global mean surface temperature caused by greenhouse gas emissions: refere-se à alteração na temperatura média da superfície da Terra que é atribuída especificamente às emissões de gases de efeito estufa.
gdp
Gross domestic product measured in international $ using 2011 prices to adjust for price changes over time (inflation) and price differences between countries. Calculated by multiplying GDP per capita with population: O Produto Interno Bruto (PIB) medido em dólares internacionais usando preços de 2011 é uma forma de ajustar as mudanças de preço ao longo do tempo (inflação) e as diferenças de preço entre os países. Isso é frequentemente referido como PIB em Paridade do Poder de Compra (PPP).
3.3 Limpeza/Tratamento de dados
3.3.1 Manter apenas as variáveis que serão utilizadas na análise
# manter apenas as variaves selecionadas
df <- df[, c("country", "iso_code", "year", "population", "co2", "co2_including_luc", "oil_co2", "coal_co2", "cement_co2", "flaring_co2", "gas_co2", "land_use_change_co2", "methane", "nitrous_oxide", "total_ghg", "temperature_change_from_co2", "temperature_change_from_ch4", "temperature_change_from_n2o", "temperature_change_from_ghg", "gdp")]3.3.2 Remover as linhas que contém NA na coluna iso_code.
# remover as linhas que contém na na coluna iso_code
df <- df[!is.na(df$iso_code), ]3.3.3 Remover as linhas que contém valores fora do intervalo de 1970 a 2020 na coluna year.
# remover as linhas que contem dados fora do intervalo de tempo
df <- df[df$year >= 1970 & df$year <= 2020, ]
# exibir tabela interativa dos dados
datatable(df)4. Análise Exploratória de Dados
4.1 Estatística Descritiva
A estatística descritiva é uma parte crucial da análise de dados, ajudando a resumir e visualizar características importantes dos dados. Ela envolve o uso de técnicas gráficas e numéricas para apresentar informações úteis de maneira acessível.
df_selected <- df[, c("population", "co2", "co2_including_luc", "oil_co2", "coal_co2", "cement_co2", "flaring_co2", "gas_co2", "land_use_change_co2", "methane", "nitrous_oxide", "total_ghg", "temperature_change_from_co2", "temperature_change_from_ch4", "temperature_change_from_n2o", "temperature_change_from_ghg", "gdp")]
summary_df <- data.frame(
Media = sapply(df_selected, mean, na.rm = TRUE),
Minimo = sapply(df_selected, min, na.rm = TRUE),
Maximo = sapply(df_selected, max, na.rm = TRUE),
Desvio_Padrao = sapply(df_selected, sd, na.rm = TRUE)
)
datatable(summary_df)A tabela acima apresenta estatísticas descritivas relacionadas a diferentes variáveis ambientais, como população, CO2, metano e outros. A tabela mostra as médias, mínimos, máximos e desvios padrão para cada variável.
- “Land_use_change_co2” tem o valor mínimo mais baixo.
- As emissões totais de gases do efeito estufa (total_ghg) têm um desvio padrão significativo indicando variação nos dados.
- o CO2 tem um impacto bem mais relevante do que o Metano e o Oxido Nitroso.
4.2 Visualização de Dados
4.2.1 Tabela Interativa e Gráfico de Barras - Top 10 Paises - Total Emissoes GHG - 1970 até 2020
A tabela apresenta as emissões totais de gases de efeito estufa (GHG) dos 10 principais países emissores, em todo o período de 1970 até 2020.
df_sum <- df %>%
group_by(country) %>%
summarise(total_ghg_sum = sum(total_ghg, na.rm = TRUE)) %>%
arrange(desc(total_ghg_sum))
datatable(df_sum)Cada barra no gráfico representa um país específico, e o comprimento da barra indica a quantidade total de emissões de GHG desse país.
top_10_pol <- df_sum %>%
head(10)
cores <- rainbow(nrow(top_10_pol))
ggplot(top_10_pol, aes(x = reorder(country, total_ghg_sum), y = total_ghg_sum)) +
geom_bar(stat = "identity", fill = cores) +
coord_flip() +
labs(x = "Pais", y = "Total Emissoes GHG (ton)", title = "Top 10 Paises - Total Emissoes GHG") +
scale_x_discrete(limits = top_10_pol$country[order(top_10_pol$country)]) +
theme_minimal()
A partir do gráfico, podemos ver que a China é o maior emissor, com uma quantidade significativamente maior de emissões de GHG em comparação com os outros países. Os Estados Unidos são o segundo maior emissor. Os outros países, incluindo Brasil, Canadá, Alemanha, Índia, Indonésia, Japão, Rússia e Reino Unido, têm emissões muito menores em comparação.Este gráfico é útil para entender quais países são os maiores contribuintes para as emissões globais de gases de efeito estufa.
4.2.2 Gráfico de Linhas - Historico China, USA e India
Os gráficos abaixo mostram a variação nas emissões ao longo do tempo, de 1990 a 2020, para China, Estados Unidos e Índia por tipo
df_filtered <- df %>%
filter(country %in% c("China", "United States", "India"))
china_data <- df_filtered[df_filtered$country == "China",]
usa_data <- df_filtered[df_filtered$country == "United States",]
india_data <- df_filtered[df_filtered$country == "India",]Co2
Podemos ver no gráfico abaixo que a China se destaca como maior emissor de Co2. As emissões da China aumentaram significativamente ao longo do tempo, mostrando um aumento acentuado especialmente após 2000, para níveis bem elevados. As emissões dos Estados Unidos ja são altas desde o inicio do periodo histórico, mas se mantem nesse nível ao longo do tempo. As emissões da Índia vem crescendo num ritmo menor ao longo do tempo, resultando em níveis médios.
plot(china_data$year, china_data$co2_including_luc, type = "l", col = "red",
xlab = "Ano", ylab = "Emissões de CO2",
main = "Variação nas emissões de CO2",
ylim = c(500, 12500))
lines(usa_data$year, usa_data$co2_including_luc, type = "l", col = "orange")
lines(india_data$year, india_data$co2_including_luc, type = "l", col = "blue")
points(china_data$year, china_data$co2_including_luc, col = "red", pch = 15)
points(usa_data$year, usa_data$co2_including_luc, col = "orange", pch = 16)
points(india_data$year, india_data$co2_including_luc, col = "blue", pch = 17)
legend("topleft", legend = c("China", "United States", "India"),
col = c("red", "orange", "blue"), lty = 1, pch = c(15, 16, 17), cex = 0.8)
Metano
É evidente que a China tem um aumento significativo nas emissões de metano durante esse período, com um crescimento mais elevado no início de 2000. Os Estados Unidos mostram uma tendência de crescimento até cerca de 2010, onde as emissões se estabilizam. A Índia tem as menores emissões entre os três países e mostra uma leve tendência de crescimento relativamente estável ao longo do tempo.
plot(china_data$year, china_data$methane, type = "l", col = "red",
xlab = "Ano", ylab = "Emissões de Metano",
main = "Variação nas emissões de Metano",
ylim = c(500,1300),
xlim = c(1990, 2020))
lines(usa_data$year, usa_data$methane, type = "l", col = "orange")
lines(india_data$year, india_data$methane, type = "l", col = "blue")
points(china_data$year, china_data$methane, col = "red", pch = 15)
points(usa_data$year, usa_data$methane, col = "orange", pch = 16)
points(india_data$year, india_data$methane, col = "blue", pch = 17)
legend("topleft", legend = c("China", "United States", "India"),
col = c("red", "orange", "blue"), lty = 1, pch = c(15, 16, 17), cex = 0.8)
Oxido Nitroso
A China mostra um aumento constante nas emissões ao longo do tempo.O Estados Unidos mostram uma tendência constante ao longo do período histórico. A Índia também mostra uma tendência crescente similar à China, porém em um patamar mais baixo.
plot(china_data$year, china_data$nitrous_oxide, type = "l", col = "red",
xlab = "Ano", ylab = "Emissoes de Oxido Nitroso",
main = "Variação nas emissões de Oxido Nitroso",
ylim = c(150,550),
xlim = c(1990, 2020))
lines(usa_data$year, usa_data$nitrous_oxide, type = "l", col = "orange")
lines(india_data$year, india_data$nitrous_oxide, type = "l", col = "blue")
points(china_data$year, china_data$nitrous_oxide, col = "red", pch = 15)
points(usa_data$year, usa_data$nitrous_oxide, col = "orange", pch = 16)
points(india_data$year, india_data$nitrous_oxide, col = "blue", pch = 17)
legend("topleft", legend = c("China", "United States", "India"),
col = c("red", "orange", "blue"), lty = 1, pch = c(15, 16, 17), cex = 0.8)
4.2.3 Gráfico de Pizza Tipos CO2 - 2020
Esses gráficos de pizza fornecem uma representação visual das diferentes fontes de emissões de CO2 para cada país no ano de 2020.
China
O gráfico da China tem um grande segmento para carvão, um segmento menor para petróleo.
china_2020_data <- df %>%
filter(country == "China" & year == 2020)
china_co2_sources <- c(china_2020_data$oil_co2, china_2020_data$coal_co2,
china_2020_data$cement_co2, china_2020_data$flaring_co2,
china_2020_data$gas_co2, china_2020_data$land_use_change_co2)
labels <- c("Petroleo", "Carvao", "Cimento", "Flaring", "Gas", "Terra")
cor <- c("blue", "red", "green", "yellow", "purple", "orange")
plot_ly(labels = labels, values = china_co2_sources, type = "pie", name = "China") %>%
layout(title = "Emissões de CO2 na China em 2020",
xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE)) %>%
add_trace(marker = list(colors = cor))USA
O gráfico dos Estados Unidos tem partes significativas para petróleo e gás.
usa_2020_data <- df %>%
filter(country == "United States" & year == 2020)
usa_co2_sources <- c(usa_2020_data$oil_co2, usa_2020_data$coal_co2,
usa_2020_data$cement_co2, usa_2020_data$flaring_co2,
usa_2020_data$gas_co2, usa_2020_data$land_use_change_co2)
labels <- c("Petroleo", "Carvao", "Cimento", "Flaring", "Gas", "Terra")
cor <- c("blue", "red", "green", "yellow", "purple", "orange")
plot_ly(labels = labels, values = usa_co2_sources, type = "pie", name = "USA") %>%
layout(title = "Emissões de CO2 nos EUA em 2020",
xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE)) %>%
add_trace(marker = list(colors = cor))India
O gráfico da Índia se assemelha ao da China, mas com uma parte ligeiramente maior dedicada ao petróleo.
india_2020_data <- df %>%
filter(country == "India" & year == 2020)
india_co2_sources <- c(india_2020_data$oil_co2, india_2020_data$coal_co2,
india_2020_data$cement_co2, india_2020_data$flaring_co2,
india_2020_data$gas_co2, india_2020_data$land_use_change_co2)
labels <- c("Petroleo", "Carvao", "Cimento", "Flaring", "Gas", "Terra")
cor <- c("blue", "red", "green", "yellow", "purple", "orange")
plot_ly(labels = labels, values = india_co2_sources, type = "pie", name = "India") %>%
layout(title = "Emissões de CO2 na Índia em 2020",
xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE)) %>%
add_trace(marker = list(colors = cor))4.2.4 Tabela Interativa e Gráfico de Barras - Top 10 Paises - Total Emissoes GHG Per Capita - 2020
Esta tabela apresenta as emissões totais de gases de efeito estufa (GHG) dos 10 principais países emissores per capita(dividido pela populacao total), no ano de 2020.
df_sum_cap <- df %>%
filter(year==2020) %>%
group_by(country) %>%
summarise(total_ghg_per_capita = total_ghg/population)
top_10_pol_cap <- df_sum_cap %>%
arrange(desc(total_ghg_per_capita))
datatable(top_10_pol_cap)Cada barra no gráfico representa um país específico, e o comprimento da barra indica a quantidade total de emissões de GHG desse país per capita no ano de 2020.
top_10_pol_cap <- head(top_10_pol_cap, 10)
ggplot(top_10_pol_cap, aes(x = reorder(country, -total_ghg_per_capita), y = total_ghg_per_capita)) +
geom_bar(stat = "identity", fill = cores) +
coord_flip() +
labs(x = "Pais", y = "Total Emissões GHG per Capita (ton/pessoa)", title = "Top 10 Paises - Total Emissões per Capita em 2020") +
scale_x_discrete(limits = top_10_pol_cap$country[order(top_10_pol_cap$country)]) +
theme_minimal()
Ilhas Salomao lidera a lista seguida por Qatar e Bahrain. É notável que países com economias diversificadas e populações variadas estão incluídos, indicando que as emissões per capita não são estritamente proporcionais ao tamanho ou à riqueza da população.
4.2.7 Tabela Interativa e Gráfico de Barras - Top 10 Paises - PIB pelo Total Emissoes GHG - 2018
Esta tabela apresenta o PIB de um país dividido pelas emissões totais de gases de efeito estufa (GHG) dos 10 principais países emissores, no ano de 2018.
df_sum_pib <- df %>%
filter(year==2018) %>%
group_by(country) %>%
summarise(total_ghg_pib = gdp/total_ghg) %>%
drop_na()
top_10_pol_pib <- df_sum_pib %>%
arrange(desc(total_ghg_pib))
datatable(top_10_pol_pib)Cada barra no gráfico representa um país específico, e o comprimento da barra indica a quantidade total de emissões de GHG desse país pelo PIB no ano de 2018.
top_10_pol_pib <- head(top_10_pol_pib, 10)
ggplot(top_10_pol_pib, aes(x = reorder(country, -total_ghg_pib), y = total_ghg_pib)) +
geom_bar(stat = "identity", fill = "LightGreen") +
coord_flip() +
labs(x = "Pais", y = "Total Emissoes GHG p/ PIB", title = "Top 10 Paises - Total Emissoes p/ PIB em 2018") +
scale_x_discrete(limits = top_10_pol_pib$country[order(top_10_pol_pib$country)]) +
theme_minimal()
A Noruega lidera com a maior proporção de PIB para emissões de GHG (Dolars/ton), indicando uma economia relativamente eficiente em termos de emissões. Países como Suécia, Sri Lanka e Suica também apresentam desempenho notável.
É crucial para os países aumentarem a eficiência econômica enquanto minimizam as emissões para combater as mudanças climáticas. Este gráfico destaca a importância de considerar tanto o desempenho econômico quanto as emissões de GHG ao avaliar o progresso de um país em direção à sustentabilidade.
5. Análise Inferencial de Dados
5.1 Correlação entre PIB e Emissoes
5.1.1 PIB e CO2 no ano de 2018
df_year <- df %>%
filter(year == 2018)
correlation <- cor(df_year$gdp, df_year$co2, use = "complete.obs")
print(paste("A correlacao entre o PIB e as emissoes de CO2 para o ano de 2018: ", correlation))## [1] "A correlacao entre o PIB e as emissoes de CO2 para o ano de 2018: 0.93633520207733"A correlação entre o PIB e as emissões de CO2 para o ano de 2018 é de aproximadamente 0.94. Isso indica uma forte relação positiva, sugerindo que países com maior PIB tendem a ter maiores emissões de CO2.
5.1.2 PIB e Metano no ano de 2018
df_year <- df %>%
filter(year == 2018)
correlation <- cor(df_year$gdp, df_year$methane, use = "complete.obs")
print(paste("A correlacao entre o PIB e as emissoes de Metano para o ano de 2018: ", correlation))## [1] "A correlacao entre o PIB e as emissoes de Metano para o ano de 2018: 0.884500131289368"A correlação entre o PIB e as emissões de Metano para o ano de 2018 é de aproximadamente 0.88. Isso também indica uma forte relação positiva, embora um pouco menor do que a do CO2.
5.1.3 PIB e Oxido Nitroso no ano de 2018
df_year <- df %>%
filter(year == 2018)
correlation <- cor(df_year$gdp, df_year$nitrous_oxide, use = "complete.obs")
print(paste("A correlacao entre o PIB e as emissoes de Oxido Nitroso para o ano de 2018: ", correlation))## [1] "A correlacao entre o PIB e as emissoes de Oxido Nitroso para o ano de 2018: 0.902241393457339"A correlação entre o PIB e as emissões de Óxido Nitroso para o ano de 2018 é de aproximadamente 0.90. Isso indica uma forte relação positiva, semelhante à observada para o Metano.
5.1.4 Gráfico de Dispersão do PIB versus emissões de CO2
df_year <- df %>%
filter(year == 2018)
plot(df_year$gdp, df_year$co2,
xlab = "PIB", ylab = "Emissões de CO2",
main = "Gráfico de dispersão do PIB versus emissões de CO2")
O gráfico de dispersão do PIB versus emissões de CO2 mostra uma tendência ascendente, refletindo a forte correlação positiva.
Esses resultados sugerem que o crescimento econômico (medido pelo PIB) está fortemente associado ao aumento das emissões de gases de efeito estufa. Isso destaca a necessidade de estratégias de crescimento econômico que sejam sustentáveis e de baixo carbono.
5.1.5 Gráfico de Linhas do Crescimento do PIB versus emissões de CO2 na China (Normalizado)
O gráfico apresentado é um gráfico de linhas que compara o crescimento do PIB e as emissões de CO2 na China de 1970 a 2020. Ambos os indicadores estão normalizados para facilitar a comparação.
china_data <- df %>%
filter(country == "China")
china_data$gdp_norm <- scale(china_data$gdp)
china_data$co2_including_luc_norm <- scale(china_data$co2_including_luc)
plot(china_data$year, china_data$gdp_norm, type = "l", col = "blue",
xlab = "Ano", ylab = "",
main = "Crescimento do PIB e emissões de CO2 na China (normalizado)")
lines(china_data$year, china_data$co2_including_luc_norm, col = "red")
legend("topleft", legend = c("PIB", "Emissões de CO2"),
col = c("blue", "red"), lty = 1, cex = 0.8)
Com base no gráfico, parece reforcar a correlação positiva entre o crescimento do PIB e as emissões de CO2 na China de 1970 a 2020. Isso significa que, à medida que o PIB aumenta, as emissões de CO2 também aumentam.
No entanto, é importante notar que correlação não implica causalidade. Embora o gráfico mostre que o PIB e as emissões de CO2 tendem a aumentar juntos, isso não significa necessariamente que o aumento do PIB causa o aumento das emissões de CO2.
5.2 Mapa de Calor
Variação de Temperatura Média causada pelas emissões no ano de 2018
Os mapas abaixo mostram a variação média de temperatura causada por todas as emissoes (GHG), e por tipo (co2, ch4, n2o) no ano de 2018.
world <- ne_countries(scale = "medium", returnclass = "sf")
df_year <- df %>%
filter(year == 2018)
df_merged <- merge(world, df_year, by.x = "iso_a3", by.y = "iso_code")GHG
ggplot(data = df_merged) +
geom_sf(aes(fill = temperature_change_from_ghg)) +
scale_fill_gradient(low = "blue", high = "red", labels = scales::label_number(accuracy = 0.001)) +
theme_minimal() +
labs(fill = "C°",
title = "Variação na temperatura média causada pelas emissões de GHG")
Co2
ggplot(data = df_merged) +
geom_sf(aes(fill = temperature_change_from_co2)) +
scale_fill_gradient(low = "blue", high = "red", labels = scales::label_number(accuracy = 0.001)) +
theme_minimal() +
labs(fill = "C°",
title = "Variação na temperatura média causada pelas emissões de CO2")
Metano
ggplot(data = df_merged) +
geom_sf(aes(fill = temperature_change_from_ch4)) +
scale_fill_gradient(low = "blue", high = "red", labels = scales::label_number(accuracy = 0.001)) +
theme_minimal() +
labs(fill = "C°",
title = "Variação na temperatura média causada pelas emissões de Metano")
Óxido Nitroso
ggplot(data = df_merged) +
geom_sf(aes(fill = temperature_change_from_n2o)) +
scale_fill_gradient(low = "blue", high = "red", labels = scales::label_number(accuracy = 0.001)) +
theme_minimal() +
labs(fill = "C°",
title = "Variação na temperatura média causada pelas emissões de Óxido Nitroso")
Analise dos mapas
Os Estados unidos, segundo país que mais emite gases de efeito estufa, é o país mais afetado pelas alterações na temperatura media causada pelas emissões de gases do efeito estufa. No mapa de Co2 e Óxido Nitroso, os Estados Unidos também é o mais afetado. A China aparece como o país mais afetado nas medições de Metano.
6. Conclusões
A análise dos dados revela várias informações importantes sobre as emissões de gases de efeito estufa (GHG). A estatística descritiva mostra que o CO2 tem um impacto muito mais relevante do que o Metano e o Óxido Nitroso. Além disso, as emissões totais de GHG apresentam uma variação significativa, indicada pelo alto desvio padrão.
Os gráficos fornecem uma visão clara da distribuição das emissões de GHG entre diferentes países e fontes. A China é o maior emissor, seguida pelos Estados Unidos, enquanto outros países, como Brasil, Canadá, Alemanha, Índia, Indonésia, Japão, Rússia e Reino Unido, têm emissões muito menores. As emissões da China e dos Estados Unidos são dominadas por carvão e petróleo, respectivamente.
A análise também revela que as emissões per capita não são estritamente proporcionais ao tamanho ou à riqueza da população, como evidenciado pelas Ilhas Salomão, Qatar e Bahrain liderando a lista. Além disso, a Noruega, Suécia, Sri Lanka e Suíça se destacam por terem a maior proporção de PIB para emissões de GHG, indicando uma economia relativamente eficiente em termos de emissões.
A inferência estatística revela uma forte correlação positiva entre o PIB e as emissões de CO2, Metano e Óxido Nitroso. Isso sugere que o crescimento econômico está fortemente associado ao aumento das emissões de GHG. No entanto, é importante notar que correlação não implica causalidade.
Os resultados destacam a necessidade de estratégias de crescimento econômico que sejam sustentáveis e de baixo carbono. Eles também enfatizam a importância de considerar tanto o desempenho econômico quanto as emissões de GHG ao avaliar o progresso de um país em direção à sustentabilidade. Além disso, os resultados podem ajudar a informar políticas e estratégias para reduzir as emissões de GHG e mitigar as mudanças climáticas.
A principal limitação deste estudo é que ele se baseia em correlações, que não implicam causalidade. Embora o estudo mostre uma forte correlação entre o PIB e as emissões de GHG, isso não significa necessariamente que o aumento do PIB causa o aumento das emissões de GHG. Além disso, o estudo não considerou outras variáveis que podem estar influenciando tanto o PIB quanto as emissões de GHG.
Trabalhos futuros poderiam explorar a relação entre o PIB e as emissões de GHG em mais detalhes, possivelmente considerando outras variáveis que podem estar influenciando ambos. Além disso, seria interessante investigar as estratégias que os países de baixo carbono estão usando para alcançar o crescimento econômico sem aumentar significativamente suas emissões de GHG. Finalmente, pesquisas futuras poderiam explorar maneiras de incentivar países de alto carbono a adotar práticas mais sustentáveis.
Os resultados desta análise são de grande importância, pois destacam a necessidade de estratégias de crescimento econômico que sejam sustentáveis e de baixo carbono. Eles também enfatizam a importância de considerar tanto o desempenho econômico quanto as emissões de GHG ao avaliar o progresso de um país em direção à sustentabilidade. Além disso, os resultados podem ajudar a informar políticas e estratégias para reduzir as emissões de GHG e mitigar as mudanças climáticas. Por fim, eles reforçam a necessidade de uma ação global coordenada para enfrentar este desafio global.