Tipos de Veículos Elétricos abordados:

Os veículos elétricos(EV) são basicamente divididos em algumas categorias distintas, colocando em destaque Veículos Elétricos a Bateria (BEVs), Veículos Elétricos a Célula de Combustível (FCEVs) e Veículos Elétricos Híbridos Plug-in (PHEVs). Cada um desses tem características, vantagens e limitações distintas.
HEVs:Veículos Elétricos Híbridos que combinam um motor a combustão interna com um motor elétrico para melhorar a eficiência de combustível e reduzir as emissões de poluentes. Ele auxilia o motor a combustão, especialmente em baixas velocidades e durante a aceleração, o que resulta em menor consumo de combustível.
BEVs: São veículos totalmente elétricos com zero emissões de carbono, com custo-benefício de longo prazo, mas dependem da infraestrutura local para o carregamento e autonomia da bateria.
FCEVs: Utilizam hidrogênio comprimido como combustível, que é convertido diretamente em eletricidade com zero emissões de carbono, já que sua reação eletroquímica resulta em vapor de água. Possuem reabastecimento rápido, mas enfrentam desafios com a infraestrutura de abastecimento de hidrogênio e custos de produção.
PHEVs: Oferecem uma mistura de energia elétrica e tradicional, com maior flexibilidade para viagens mais longas, mas ainda dependem de combustíveis fósseis e têm alcance limitado somente elétrico.
Cada tipo tem seus pontos fortes e se adapta a diferentes casos de uso e necessidades do usuário. A escolha entre eles geralmente depende de fatores como hábitos de direção, disponibilidade de infraestrutura de reabastecimento ou carregamento e metas ambientais.

Benefícios da Análise

A análise proporcionará várias vantagens para os consumidores:

Economia: Ao identificar os fatores que mais influenciam os custos dos veículos elétricos, os consumidores poderão planejar suas compras de forma mais eficiente.
Decisões Informadas: Com base em dados concretos, os consumidores poderão tomar decisões mais acertadas ao escolher seus veículos elétricos, em vez de depender apenas de intuições ou suposições.
Planejamento Estratégico: Entender as variações de custo-benefício permitirá que os consumidores planejem suas aquisições de maneira mais estratégica, maximizando suas economias e melhorando a experiência de compra futura.
Essa análise ajudará os consumidores a compreender melhor os fatores que impactam o custo dos veículos elétricos e a tomar decisões de compra mais inteligentes e vantajosas.

Carregamento dos dados

Os dados aqui utilizados foram adquiridos pela Kaggle, originalmente da Agência Internacional de Energia (IEA) e consistem de informações relacionadas à energia sustentável em diversas regiões do mundo. Disponível em Link

Leitura dos arquivos

A tabela desse projeto possui 12655 linhas e 08 colunas e foi extraída de um arquivo CSV. Os dados foram coletados ao longo de 2010 - 2024 contendo informações das futuras compras dos países listados até 2035.
Visualização dos dados:

# Carregar os dados
evsalesData <- read.table("C:/Users/Mille/Desktop/CPAD/projeto final/IEA_Global_EV_Data_2024.csv", header = TRUE, sep = ",")
DT::datatable(head(evsalesData, 100))

Limpeza de Dados

A seguir temos o processo de limpeza dos dados, começando por verificar se existem linhas duplicadas no dataset

if (nrow(evsalesData) > 0) {
  evsalesData <- evsalesData %>% distinct()
  p("Duplicatas removidas com sucesso.")
} else {
  p("Nenhum dado disponível para limpeza.")
}

Duplicatas removidas com sucesso.

A resposta “Duplicatas removidas com sucesso.” indica que linhas duplicadas foram retiradas.

Remoção de NA, colunas e linhas vazias

A remoção de valores NA (Not Available), colunas e linhas vazias é uma etapa crucial na limpeza de dados ela ajuda a melhorar a qualidade dos dados retirando dados incompletos ou ausentes que podem levar a análises incorretas ou enviesada assim ajudando a garantir que as análises sejam baseadas em dados completos e mais precisos

evsalesData <- na.omit(evsalesData)
evsalesData <- evsalesData %>% remove_empty("cols")
evsalesData <- evsalesData %>% remove_empty("rows")

Em seguida, lista o nome das colunas e variaveis unicas de cada coluna

#colunas
paste(names(evsalesData), collapse = ", ")

## [1] "region, category, parameter, mode, powertrain, year, unit, value"

#variaveis das colunas
unique_values <- unique(evsalesData$region)
print(unique_values)

##  [1] "Australia"            "Austria"              "Belgium"             
##  [4] "Brazil"               "Bulgaria"             "Canada"              
##  [7] "Chile"                "China"                "Colombia"            
## [10] "Costa Rica"           "Croatia"              "Cyprus"              
## [13] "Czech Republic"       "Denmark"              "Estonia"             
## [16] "EU27"                 "Europe"               "Finland"             
## [19] "France"               "Germany"              "Greece"              
## [22] "Hungary"              "Iceland"              "India"               
## [25] "Indonesia"            "Ireland"              "Israel"              
## [28] "Italy"                "Japan"                "Korea"               
## [31] "Latvia"               "Lithuania"            "Luxembourg"          
## [34] "Mexico"               "Netherlands"          "New Zealand"         
## [37] "Norway"               "Poland"               "Portugal"            
## [40] "Rest of the world"    "Romania"              "Seychelles"          
## [43] "Slovakia"             "Slovenia"             "South Africa"        
## [46] "Spain"                "Sweden"               "Switzerland"         
## [49] "Thailand"             "Turkiye"              "United Arab Emirates"
## [52] "United Kingdom"       "USA"                  "World"

unique_values <- unique(evsalesData$category)
print(unique_values)

## [1] "Historical"       "Projection-STEPS" "Projection-APS"

unique_values <- unique(evsalesData$parameter)
print(unique_values)

## [1] "EV stock share"                "EV sales share"               
## [3] "EV sales"                      "EV stock"                     
## [5] "EV charging points"            "Electricity demand"           
## [7] "Oil displacement Mbd"          "Oil displacement, million lge"

unique_values <- unique(evsalesData$mode)
print(unique_values)

## [1] "Cars"   "EV"     "Buses"  "Vans"   "Trucks"

unique_values <- unique(evsalesData$powertrain)
print(unique_values)

## [1] "EV"                      "BEV"                    
## [3] "PHEV"                    "Publicly available fast"
## [5] "Publicly available slow" "FCEV"

unique_values <- unique(evsalesData$year)
print(unique_values)

##  [1] 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2010 2025
## [16] 2030 2035

unique_values <- unique(evsalesData$unit)
print(unique_values)

## [1] "percent"                       "Vehicles"                     
## [3] "charging points"               "GWh"                          
## [5] "Milion barrels per day"        "Oil displacement, million lge"

Transformação de Dados

Padronização das colunas de anos e valores para que não tenha outro tipo de variavel sem ser numeral

evsalesData$year <- as.integer(evsalesData$year)
evsalesData$value <- as.numeric(evsalesData$value)

Filtro das colunas e variaveis unicas das colunas para melhor entendimento da analise:

Filtro para tirar variantes regionais deixando apenas países
filter(!region %in% c("World", "Rest of the world", "EU27", "Europe")) %>%
Filtro para data atual de vendas
filter(year >= 2010 & year <= 2024) %>%
Filtro para datas futuras
filter(year >= 2025 & year <= 2035) %>%

1.Maiores e menores compradores de EV de 2010 a 2024

Grafico com os dez maiores

top_countries <- evsalesData %>%
  filter(year >= 2010 & year <= 2024) %>%
  filter(!region %in% c("World", "Rest of the world", "EU27", "Europe")) %>%
  group_by(region) %>%
  summarise(total_sales = sum(value, na.rm = TRUE)) %>%
  arrange(desc(total_sales)) %>%
  slice(1:10)
#grafico
ggplot(top_countries, aes(x = reorder(region, total_sales), y = total_sales)) +
  geom_bar(stat = "identity", fill = "green") +
  coord_flip() +
  labs(title = "Top 10 Países com Maior Venda de EV (2010-2024)",
       x = "País",
       y = "Total de Vendas de EV") +
  theme_minimal()

Ao analisar os maiores compradores de veículos elétricos (EV) entre 2010 e 2024, em destaque para melhor compreensão os dez primeiros, fica nítida a liderança da China com uma margem significativa, seguida pelos Estados Unidos, países da Europa e do Norte Global. Este domínio pode ser atribuído a uma combinação de fatores.

Primeiramente, as políticas governamentais favoráveis desempenham um papel crucial. Na China, por exemplo, o governo implementou uma série de subsídios e incentivos fiscais para promover a compra de veículos elétricos. Além disso, há incentivos financeiros que tornam os EVs mais acessíveis ao consumidor médio. Esses incentivos incluem descontos na compra, isenção de impostos e benefícios adicionais como estacionamento gratuito e acesso a faixas exclusivas de trânsito.Outro fator importante é a infraestrutura robusta. Países líderes em vendas de EVs investiram pesadamente na construção de estações de carregamento, tanto públicas quanto privadas, facilitando a vida dos proprietários de veículos elétricos. A disponibilidade de uma rede de carregamento eficiente é essencial para a adoção em massa de EVs, pois reduz a ansiedade relacionada à autonomia dos veículos.A alta demanda por soluções de transporte sustentável também impulsiona as vendas. Com o aumento da conscientização trabalhada pelos governos desses países desde a base infantil e a propaganda em massa para todas as faixas etárias sobre as mudanças climáticas e a necessidade de reduzir as emissões de carbono, mais consumidores estão optando por veículos elétricos como uma alternativa ecológica aos veículos tradicionais movidos a combustíveis fósseis. Essa conscientização ambiental é particularmente forte em países como Alemanha e França, onde há um grande movimento em direção à sustentabilidade.Além disso, a inovação tecnológica e a competitividade do mercado têm levado a melhorias contínuas nos veículos elétricos, tornando-os mais atraentes para os consumidores. A autonomia dos veículos, o tempo de carregamento e a variedade de modelos disponíveis no mercado têm melhorado significativamente, tornando os EVs uma opção viável para um número crescente de pessoas.

Na contramão do temos o gráfico com os dez menores compradores de EV:

bottom_countries <- evsalesData %>%
  filter(year >= 2010 & year <= 2024) %>%
  filter(!region %in% c("World", "Rest of The World", "EU27")) %>%
  group_by(region) %>%
  summarise(total_sales = sum(value, na.rm = TRUE)) %>%
  arrange(total_sales) %>%
  slice(1:10)
#grafico
ggplot(bottom_countries, aes(x = reorder(region, total_sales), y = total_sales)) +
  geom_bar(stat = "identity", fill = "red") +
  coord_flip() +
  labs(title = "Top 10 Países com Menor Venda de EV (2010-2024)",
       x = "País",
       y = "Total de Vendas de EV") +
  theme_minimal()

No caso dos dez piores países em compras de EVs dos últimos 14 anos, é mais complexo e demanda vários fatores que podem explicar essa baixa adoção dos países listados no gráfico: Eslováquia, Tailândia, Croácia, Lituânia, Letônia, Bulgária, Estônia, Chipre, Indonésia e Seychelles.
Entre eles estão as condições econômicas, já que países com menor PIB per capita e renda média tendem a ter menor poder de compra, o que dificulta a adoção de tecnologias mais caras, como os veículos elétricos. Por exemplo, países como a Bulgária e a Indonésia podem enfrentar desafios econômicos que limitam a capacidade dos consumidores de investir em EVs.Além disso, temos a indisponibilidade de estações de carregamento. A falta de uma infraestrutura robusta de carregamento é um grande obstáculo, já que países com poucas estações de carregamento tornam a posse de um EV menos conveniente, desestimulando a compra. A construção de uma rede de carregamento eficiente requer investimentos significativos, que podem não ser uma prioridade em economias menores.Também a ausência de políticas governamentais favoráveis, como subsídios e incentivos fiscais, pode desestimular a compra de EVs. Países que não oferecem benefícios financeiros para a compra de veículos elétricos tendem a ter menores taxas de adoção. A falta de incentivos pode ser observada em países como a Eslováquia e a Letônia que mesmo sendo considerados países do Norte Global tem uma certa dificuldades em aderir programas de sustentabilidade ambiental e social.

1.1 Distribuição de tipos de veiculos vendidos

A transição para veículos elétricos (EVs) tem sido uma das principais estratégias globais para reduzir as emissões de gases de efeito estufa e combater as mudanças climáticas. Desde 2010, o mercado de veículos elétricos tem experimentado um crescimento significativo, impulsionado por avanços tecnológicos, políticas governamentais favoráveis e uma crescente conscientização ambiental. Como dito anteriormente, neste tópico mostraremos os tipos de veículos mais vendidos e a projeção de vendas futuras. Entre 2010 e 2024, observou-se um aumento constante nas vendas de carros elétricos, seguidos pelos EVs não categorizados, ônibus, vans e caminhões.

## Distrbuição de tipos de veiculos vendidos entre 2010 a 2024
vehicle_sales <- evsalesData %>%
  filter(year >= 2010 & year <= 2024) %>%
  group_by(mode) %>%
  summarise(total_sales = sum(value, na.rm = TRUE)) %>%
  arrange(desc(total_sales))

# Separar os mais comprados e menos comprados
top_vehicles <- vehicle_sales %>% slice(1:10)
bottom_vehicles <- vehicle_sales %>% tail(10)

# Gráfico de pizza dos tipos de veículos mais comprados
ggplot(top_vehicles, aes(x = "", y = total_sales, fill = mode)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y", start = 0) +
  labs(title = "Tipos de Veículos Mais Comprados (2010-2024)",
       fill = "Tipo de Veículo") +
  theme_void() +
  scale_fill_brewer(palette = "Set3")

Nos próximos dez anos, a tendência é que essa linha continue, com os carros elétricos mantendo-se como os mais vendidos, seguidos por ônibus e vans. Espera-se um aumento mínimo nas vendas de caminhões elétricos, refletindo uma adoção mais lenta nesse segmento específico. Esse crescimento contínuo é impulsionado por uma combinação de fatores ja mencionados. À medida que a infraestrutura de carregamento se expande e as tecnologias de baterias melhoram, a acessibilidade e a conveniência dos veículos elétricos devem aumentar, consolidando ainda mais sua posição no mercado.

## tipo de veiculos maior e menor compra de 2025 a 2035
vehicle_sales <- evsalesData %>%
  filter(year >= 2025 & year <= 2035) %>%
  group_by(mode) %>%
  summarise(total_sales = sum(value, na.rm = TRUE)) %>%
  arrange(desc(total_sales))

# Separar os mais comprados e menos comprados
top_vehicles <- vehicle_sales %>% slice(1:10)
bottom_vehicles <- vehicle_sales %>% tail(10)

# Gráfico de pizza dos tipos de veículos mais comprados
ggplot(top_vehicles, aes(x = "", y = total_sales, fill = mode)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y", start = 0) +
  labs(title = "Tipos de Veículos 2025 - 2035",
       fill = "Tipo de Veículo") +
  theme_void() +
  scale_fill_brewer(palette = "Set2")

2.Brasil x Mundo

# Filtrar os dados para Brasil e as maiores vendas globais
brasil_data <- evsalesData %>% filter(region == "Brazil")
maiores_vendas <- evsalesData %>% filter(region %in% c("China", "USA", "Europe"))

# Combinar os dados
dados_combinados <- bind_rows(brasil_data, maiores_vendas)

# Criar o gráfico ggplot
grafico <- ggplot(dados_combinados, aes(x = year, y = value, color = region)) +
  geom_line() +
  labs(title = "Comparação das Vendas de EV: Brasil vs Maiores Vendas Globais (2010-2024)",
       x = "Ano",
       y = "Vendas de EV (unidades)",
       color = "Região") +
  theme_minimal()

# Transformar o gráfico ggplot em um gráfico interativo com plotly
grafico_interativo <- ggplotly(grafico)

# Exibir o gráfico interativo
grafico_interativo

No contexto global, o Brasil ainda está em uma fase inicial de adoção de veículos elétricos. As vendas de EVs no Brasil são significativamente menores em comparação com a China e os EUA por sua falta de infraestrutura de carregamento, incentivos governamentais limitados e uma menor conscientização pública sobre os benefícios dos EVs. Neste grafico continuamos vendo como China lidera o mercado global de EVs, com vendas que superam em muito as de qualquer outro país os EUA também têm um mercado robusto de EVs, embora não tão grande quanto o da China. Incentivos fiscais federais e estaduais, juntamente com uma crescente rede de carregamento, têm impulsionado as vendas. Empresas como Tesla têm desempenhado um papel crucial na popularização dos EVs nos EUA. No contexto do gráfico destaca a disparidade significativa entre as vendas de EVs no Brasil e nos líderes globais, China e EUA. Para que o Brasil possa aumentar sua participação no mercado de EVs, será necessário um esforço coordenado entre o governo, a indústria e os consumidores para melhorar a infraestrutura, oferecer incentivos e aumentar a conscientização sobre os benefícios dos veículos elétricos.