O futuro dos carros elétricos - Trabalho Final de Estatística
1. Introdução
Os carros elétricos são uma solução para a frear a produção de gás carbônico jogado na atmosfera. Substituir o motor a combustão, diminuindo a liberação de gases no ar, é um passo necessário ao futuro uma vez que, o planeta já traz consequências desse enorme volume de CO2, agravando o efeito estufa e alterando o clima do globo terrestre. Os carros a combustão são responsáveis por grande parte dessa poluição, como exemplo, a frota de veículos dos estados de São Paulo e Rio de Janeiro representam 60% do total de partículas poluentes do ar dos mesmos, segundo Thiago Tanji, em matéria escrita para o site Auto Esporte.
Segundo um estudo feito pela a Volvo, montadora sueca de automóveis, os carros elétricos também poluem pela sua produção e ciclo de vida, deve-se levar em conta de como essa energia é produzida, sendo assim, poluindo indiretamente. Em um cenário de 50% da produção de energia sendo oriunda de fontes renováveis, a partir de 109 mil Km rodados, o carro elétrico passa a ser 15% mais sustentável que o convencional e no caso de ser abastecido só com energia limpa, 30% em apenas 48 mil Km rodados. Cada vez mais se faz necessário a implementação do carro elétrico e o avanço de suas tecnologias para deixa-lo mais eficiente, sustentável e barato para o uso em larga escala.
2. Objetivo
O objetivo desse estudo é analisar dados sobre a conjuntura atual dos carros elétricos, de que forma está o progresso da tecnologia, se há avanços e o mercado, se há veículos de custo benefício sustentável baratos. Para análise foram trabalhadas as variáveis velocidade e distancia percorrida, até onde o carro elétrico pode chegar, a relação entre os preços e a eficiência e uma relação inversa entre velociade e aceleração dos carros elétricos.
3. Metodologia
Para o estudo, foi escolhido a base de dados EVs - One Electric Vehicle Dataset - Smaller disponível na plataforma Kaggle, que traz dados do ano de 2020 sobre carros elétricos europeus oriundos de diversas marcas, levantando variáveis importantes para a comparação. Na plataforma é possível encontrar diversas bases de dados abertas para o público, como essa que está sendo estudada. A base foi carregada no programa RStudio para a utilização da linguagem R para a análise.
Dicionário de dados
library(readr)
ElectricCarData_Clean <- read_csv("C:/Users/Lucas E/Downloads/ElectricCarData_Clean.csv")##
## -- Column specification --------------------------------------------------------
## cols(
## Brand = col_character(),
## Model = col_character(),
## AccelSec = col_double(),
## TopSpeed_KmH = col_double(),
## Range_Km = col_double(),
## Efficiency_WhKm = col_double(),
## FastCharge_KmH = col_character(),
## RapidCharge = col_character(),
## PowerTrain = col_character(),
## PlugType = col_character(),
## BodyStyle = col_character(),
## Segment = col_character(),
## Seats = col_double(),
## PriceEuro = col_double()
## )carrosele <- ElectricCarData_Clean
summary(carrosele)## Brand Model AccelSec TopSpeed_KmH
## Length:103 Length:103 Min. : 2.100 Min. :123.0
## Class :character Class :character 1st Qu.: 5.100 1st Qu.:150.0
## Mode :character Mode :character Median : 7.300 Median :160.0
## Mean : 7.396 Mean :179.2
## 3rd Qu.: 9.000 3rd Qu.:200.0
## Max. :22.400 Max. :410.0
## Range_Km Efficiency_WhKm FastCharge_KmH RapidCharge
## Min. : 95.0 Min. :104.0 Length:103 Length:103
## 1st Qu.:250.0 1st Qu.:168.0 Class :character Class :character
## Median :340.0 Median :180.0 Mode :character Mode :character
## Mean :338.8 Mean :189.2
## 3rd Qu.:400.0 3rd Qu.:203.0
## Max. :970.0 Max. :273.0
## PowerTrain PlugType BodyStyle Segment
## Length:103 Length:103 Length:103 Length:103
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Seats PriceEuro
## Min. :2.000 Min. : 20129
## 1st Qu.:5.000 1st Qu.: 34430
## Median :5.000 Median : 45000
## Mean :4.883 Mean : 55812
## 3rd Qu.:5.000 3rd Qu.: 65000
## Max. :7.000 Max. :215000Para legenda das variáveis da tabela: Brand = marca, Model= modelo, AccelSec= aceleração por segundo, TopSpeed_KmH= velocidade máxima em Km/H, Range_Km= a distãncia percorrida por Km, Efficiency_WhKm= eficiência energética watts por Km, FastCharge_KmH= carga rápida por Km/h, RapidCharge = recarregamento rápido, PowerTrain= tipo de tração, PlugType = tipo de saida para conector energético, BodyStyle= tipo de carro, Segment= segmento, Seats= número de lugares e PriceEuro= preço do carro em euros.
Método
Para as análises, foram utilizados:
- Matriz de Correlação
- Diagrama de dispersão
- Histograma
- Boxplot
- Teste de hipóteses com o uso dos métodos de Shapiro e Spearman
4. Análise de Resultados
Matriz de correlação
A utilização da matriz de correlação é para o entendimento de quais variáveis possuem correlação e se são correlações fortes ou fracas.
library(dplyr)
library(corrplot)
library(flextable)
library(reactable)
library(RColorBrewer)
DADOCERTO <- carrosele %>% select(TopSpeed_KmH, Range_Km, Efficiency_WhKm, AccelSec, Seats)
DADOCERTO <- na.omit(DADOCERTO)
DADOCERTO %>% cor() %>% corrplot.mixed()
Pode-se observar que existem correlações fortes, em que no caso, a matriz mostra duas correlações forte entre variáves, sendo 1 diretamente proporcional e outra inversamente proporcional lucidado pela cor vermelha.
Diagrama de Dispersão
No diagrama de dispersão, é possível verificar a concetração dos dados indicando um correlação e a linha de tendência
par(bg="#ffffe8")
plot(carrosele$TopSpeed_KmH, carrosele$Range_Km,pch=17,col="#341bf5",
main="Gráfico Velocidade/Distancia percorrida",
xlab = "Velocidade", ylab = "Distancia em Km")
abline(lsfit(carrosele$TopSpeed_KmH, carrosele$Range_Km),col="#15402a")
A linha de tendencia crescente indica uma correlação positiva.
Tabela com Flextable
Para a utilização da tabela, houve um trato dos dados, onde houve a mudança da variável quantitativa preço para qualitativa, para assim, observar melhor a distribuição dos preços no boxplot e poder entender a eficiência energética em relação ao preço do carros com a média e desvio padrão. Será util também observar o histograma de eficencia energética para ter uma imagem mais clara sobre os dados e relacionar com a tabela Preço x Eficiência.
carrosele$PriceEuro <- ifelse(carrosele$PriceEuro > 55812, "Carro preço elevados", "Carro preços popular")
carrosele %>% select(Efficiency_WhKm,PriceEuro) %>%
group_by(PriceEuro) %>%
summarise(Média = round(mean(Efficiency_WhKm),3),
Desvio_Padrão=round(sd(Efficiency_WhKm),3),
Tamanho= n()) %>% flextable() %>% theme_booktabs()PriceEuro | Média | Desvio_Padrão | Tamanho |
Carro preço elevados | 210.056 | 33.265 | 36 |
Carro preços popular | 177.940 | 19.957 | 67 |
par(bg="#ffffe8")
hist(carrosele$Efficiency_WhKm,main = "Histograma de Eficiência Energética", col = "#08c4c7", labels = TRUE, ylim = c(0,60), xlim = c(0,300),xlab = "Eficiência", ylab = "Número de carros")
Assim temos a média de eficencia por Km dos carros com preço elevado e popular e uma amostra de como eles estão distribuidos.
Boxplot
par(bg="#ffffe8")
boxplot(carrosele$Efficiency_WhKm~carrosele$PriceEuro,col=c("#d9d18f","#b56ead"),
xlab = "Preço", ylab = "Eficiência")
No boxplot observa-se que a eficiência está atrelada ao preço e que os carros elétricos com preço mais popular, apesar de alguns outliers, sua amostra possui uma eficiência energética baixa, detalhando de como é a relação.
Teste de hipótese
O teste de hipótese é utilizado para constatar ou rejeitar uma hipótese estatística observada na amostra de dados, onde pode-se analisar através de métodos já estabelecidos pela estatística, se as variáveis escolhidas, em sua hipótese, possuem relação. Para este teste foram utilizadas duas variáveis quantitativas, velocidade máxima e distância percorrida, já trabalhadas na matriz de correlação e no diagrama de dispersão para assim, constatar a hipótese que elas possuem uma correlação como mostrado anteriormente.
Em um teste de duas variáveis quantitativas, há necessário seguir um padrão para a definição do teste.
Primeiro, se utilizou para verificação o teste de Shapiro Wilk, se as variáveis atendiam uma distribuição normal.
Caso não sigam, o teste de Spearman mostrará se o resultado da hipótese.
Para Shapiro:
Hipótese nula (H0): Os dados seguem uma distribuição normal
Hipótese alternativa (H1): Os dados não seguem uma distribuição normal
Alpha = 0,05
Se o pvalor < alpha, a HO é rejeitada
Se o pvalor > alpha, a H0 não é rejeitada
Teste de normalidade da variável velocidade máxima
shapiro.test(carrosele$TopSpeed_KmH)##
## Shapiro-Wilk normality test
##
## data: carrosele$TopSpeed_KmH
## W = 0.83937, p-value = 3.345e-09p-value = 0.000000003345
A velocidade máxima dos carros elétricos não segue uma distribuição normal
Teste de normalidade da variável distância percorrida
shapiro.test(carrosele$Range_Km)##
## Shapiro-Wilk normality test
##
## data: carrosele$Range_Km
## W = 0.90348, p-value = 1.531e-06p-value = 0.000001531
A distância percorrida dos carros elétricos não segue uma distribuição normal
Os dois testes mostraram que as variáveis não possuem distribuição normal, onde o pvalor é menor que 0,05.
O teste de Spearman:
H0: rho = 0
H1: rho != 0
Alpha: 0,05
Se o pvalor < alpha, A hipótese H0 é rejeitada
Se o pvalor > alpha, a hipótese H0 não é rejeitada
cor.test(carrosele$TopSpeed_KmH,carrosele$Range_Km, method = "spearman", conf.level = 0.95)## Warning in cor.test.default(carrosele$TopSpeed_KmH, carrosele$Range_Km, : Cannot
## compute exact p-value with ties##
## Spearman's rank correlation rho
##
## data: carrosele$TopSpeed_KmH and carrosele$Range_Km
## S = 43863, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.7591339p-value < 0.00000000000000022
Com o teste de Spearman, verificou- se que duas variáveis possuem relação pois o pvalor é menor do que alpha, rejeitando a hipótese nula de rho =0, então as variáveis estão correlacionadas.
Matriz de correlação (Correlação Inversa)
A segunda matriz de correlação tem como finalidade analisar e demostrar a correlação inversa verificada pela primeira matriz de correlação.
par(bg="#ffffe8")
DADOCERTO <- carrosele %>% select(TopSpeed_KmH, AccelSec)
DADOCERTO <- na.omit(DADOCERTO)
DADOCERTO %>% cor() %>% corrplot.mixed()
Diagrama de Dispersão (Correlação Inversa)
par(bg="#ffffe8")
plot(carrosele$TopSpeed_KmH, carrosele$AccelSec,pch=17,col="tomato2",
main="Gráfico Velocidade/aceleração",
xlab = "Velocidade", ylab = "Aceleração")
abline(lsfit(carrosele$TopSpeed_KmH, carrosele$AccelSec),col="#26de12")
A linha de tendencia se apresenta de forma decrescente, assumindo que a correlação entre as variáveis é inversamente proporcional, quanto maior uma, menor a outra.
5. Conclusão
Com base nos dados apurados pelo estudo, os carros elétricos são bem ofertados no mercado, com preços populares, mas com um adendo importante. Os carros elétricos populares, sua maioria não possui uma eficiência elétrica boa, comparado a média dos carros com preços elevados, no boxplot por exemplo, detalha que a grande amostra dos carros populares está abaixo da eficiência da amostra inicial dos carros de preço elevado. Resultando assim, um atraso no progreso de redução de emissão de carbono pois, a máscara da baixa eficicencia eleva o tempo para o carro pagar sua poluição constatado pelo estudo da Volvo.
Ao analisar os resto dos dados, a aceleração não se alia com a velocidade do carro elétrico e com a distancia que o carro pode percorrer, sendo assim, carros esportivos, onde tem sua aceleração como motivo de orgulho e valor de mercado, na era dos carros elétricos, não tem vez. Os amantes de carros teriam que adequar seus gostos, pode-se ter um veículo esportivo elétrico, mas sem aceleração acentuada, trabalhando com um conceito de comforto que não deixa a desejar na velocidade.
Os carros elétricos são o futuro para um planeta que possamos continuar a viver tranquilamente, ao todo, os dados são decepcionates, espera-se mais desse mercado, que evolua mais rápido e não de forma tão lenta. Espera-se que dados positivos venham mais agressivamente assim como as consequencias de nossas ações contra o ambiente.
