Forecasting Brazilian corporate greenhouse gases emissions through machine learning

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.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/36789

Temas

InfraestruturaDesenvolvimento EconômicoTecnologiaDadosMeio Ambiente

Palavras-chave

Gases de efeito estufa (GEE)Aprendizado de máquinaSustentabilidadePrevisão de emissõesModelo preditivoDescarbonização corporativaGreenhouse gas emissions (GHG)Machine learning (ML)SustainabilityEmissions forecastingPredictive modelingCorporate decarbonizationAdministração de empresasMudanças climáticasEmpresas - Aspectos ambientais - BrasilRedução de gases do efeito estufaAprendizado do computadorODS 9: Indústria, inovação e infraestruturaODS 12: Consumo e produção responsáveisODS 13: Ação contra a mudança global do clima