Impacto del Cambio Climático en Brasil: Modelado para la Predicción de Desplazamientos en el Sudeste Brasileño

Anne Caroline Charles Braga; Andressa Porto Castro

DOI: 10.22167/2675-6528-202602701

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El cambio climático ha intensificado la frecuencia y severidad de los eventos climáticos extremos, aumentando significativamente sus impactos sociales, incluidos los desplazamientos internos de población. El estudio analizó la ocurrencia mensual de desplazamientos internos en la región sureste de Brasil entre 2013 y 2024, evaluando la relación entre variables meteorológicas y desplazamientos forzados para identificar patrones y desarrollar un modelo predictivo para datos de conteo. Se integraron datos públicos del Internal Displacement Monitoring Center (IDMC) y del Instituto Nacional de Meteorología. El análisis se realizó en Python, combinando estadística exploratoria y modelos lineales generalizados para datos de conteo, incluyendo modelos de Poisson, Binomial Negativo, Binomial Negativo con Inflación de Ceros y Hurdle. Los datos revelaron una fuerte asimetría, exceso de ceros, sobredispersión y estacionalidad, con una asociación positiva entre precipitación y desplazamientos, y una relación no lineal con la temperatura. Entre los modelos probados, el modelo Hurdle sin estacionalidad presentó el mejor equilibrio entre ajuste, estabilidad y parsimonia. La precipitación fue la variable de mayor influencia en la magnitud de los desplazamientos, mientras que la temperatura impactó la probabilidad de su ocurrencia, con un comportamiento no lineal. Se concluyó que los modelos de conteo, que representan sobredispersión, exceso de ceros y estructura temporal, son herramientas eficaces para la predicción de desplazamientos climáticos. Los hallazgos proporcionan subsidios cuantitativos para el perfeccionamiento de estrategias de monitoreo, prevención y respuesta a desastres, además de apoyar la formulación de políticas públicas de adaptación climática.

Palabras clave: datos de conteo; desastres climáticos; desplazamientos internos; eventos raros.

1. Introducción

La crisis climática ha sido objeto de amplia discusión en las últimas décadas, impulsada por la intensificación de eventos extremos y la dificultad de mitigar sus efectos. Con el creciente reconocimiento de sus impactos, ha ido extrapolando el campo de la preocupación ambiental y asumiendo relevancia en el escenario mundial en lo que puede caracterizarse como un movimiento de securitización del clima, proceso en el que determinadas cuestiones políticas son discursivamente enmarcadas como cuestiones de seguridad que pueden llegar a demandar acciones excepcionales (Buzan et al., 1998).

Eventos como el aumento del nivel del mar, sequías, inundaciones y tormentas intensificadas son fenómenos que tienen el potencial de transformar profundamente las condiciones de vida. Por ello, la crisis climática, asociada a factores económicos, políticos y sociales, ha pasado a ser descrita como un multiplicador de riesgos (Zickgraf, 2020). El aumento en la frecuencia con que los desastres naturales han ocurrido y el discurso securitizador adoptado en relación con el asunto, consecuentemente, llevan a un aumento del interés por el tema en sí (Pelling et al., 2002; Sulaiman y Aledo, 2016).

A pesar del potencial devastador de los desastres naturales por sí mismos, no deben ser tratados de forma aislada, sino conectados con vulnerabilidades preexistentes y normalizadas en el día a día, como la pobreza estructural y la urbanización precaria (Blaikie et al., 2004). Esta perspectiva es corroborada por estudios que identifican cómo los eventos climáticos extremos agravan la inseguridad alimentaria, la propagación de enfermedades y las desigualdades sociales (Bellizzi et al., 2023). Desde el punto de vista económico, los desastres afectan negativamente el crecimiento, la productividad, la competitividad y la formación de capital humano, especialmente en países considerados en desarrollo (Klomp y Valckx, 2014). Esta intersección entre riesgos ambientales y fragilidades socioeconómicas refuerza la necesidad de estudios que subsidien políticas públicas eficaces y estrategias de adaptación territorial.

El presente estudio se centra en uno de los efectos de la crisis climática y de los eventos asociados a ella que ha ganado creciente atención en la agenda humanitaria y económica internacional: el desplazamiento forzado de individuos. Según un informe publicado en 2024 por el Centro de Monitoreo de Desplazamiento Interno (IDMC), de los 46,9 millones de desplazamientos internos registrados en todo el mundo en 2023, el 56% tuvo desastres naturales como causa principal, cifra que excede el número de desplazamientos provocados por conflictos armados y represión (Internal Displacement Monitoring Center, 2024).

En Brasil, los impactos son particularmente expresivos. En 2022, las inundaciones que afectaron el territorio nacional obligaron a más de 700 mil personas a abandonar sus residencias, lo que posicionó al país como líder en número de desplazamientos internos por desastres naturales en América del Sur y a ocupar la sexta posición a nivel mundial (Organización de las Naciones Unidas, 2024; Internal Displacement Monitoring Center, 2024). Corroborando las observaciones de los estudios publicados por Blaikie et al. (2004) y Sulaiman y Aledo (2016) sobre la ocurrencia de desastres y las características socioeconómicas locales, Ribeiro et al. (2022) concluyen que los municipios brasileños con mayor incidencia de desastres tienden a presentar bajos niveles de escolaridad, infraestructura precaria y altos índices de pobreza.

Por estas razones, el caso de Brasil se convierte en un interesante foco de estudio para comprender mejor los patrones de desastres y los desplazamientos que surgen como consecuencia de ellos. La región Sudeste, formada por los estados de Minas Gerais, São Paulo, Río de Janeiro y Espírito Santo, ocupa 924.558,342 km² del territorio nacional (Instituto Brasileiro de Geografia e Estatística, 2025) y presenta una de las mayores diversidades climáticas del país (Neto, 2005). Con más de 84 millones de habitantes (Instituto Brasileiro de Geografia e Estatística, 2023), esta región es frecuentemente afectada por fuertes lluvias, inundaciones, aguaceros y movimientos de masa que afectan a un gran número de ciudades. En virtud de estas condiciones, existe una demanda significativa de estrategias que puedan contribuir a una mejora de la capacidad adaptativa de los estados y municipios de la región.

Considerando el contexto presentado y los impactos socioeconómicos significativos asociados a él, el presente trabajo utiliza registros climáticos y de desplazamientos ocurridos entre 2013 y 2024 en Brasil, más específicamente en los estados de Río de Janeiro, Minas Gerais, Espírito Santo y São Paulo, para poder responder a la siguiente pregunta de investigación: ¿cuántos desplazamientos internos causados por eventos climáticos ocurren mensualmente en el sureste brasileño? A partir de la integración de datos meteorológicos y registros de desplazamientos, el estudio busca analizar el comportamiento de los desplazamientos ocurridos entre 2013 y 2024, identificar patrones y proponer un enfoque predictivo a través del desarrollo y evaluación de modelos estadísticos que contribuyan a la planificación y la gestión de riesgos asociados a eventos extremos.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de naturaleza cuantitativa, con un enfoque metodológico basado en estadística exploratoria y modelado predictivo. El objetivo central fue analizar el comportamiento de los desplazamientos internos causados por eventos climáticos extremos en la región Sudeste de Brasil, identificar patrones temporales y desarrollar modelos estadísticos para la predicción. La investigación se centró en los registros ocurridos entre los años 2013 y 2024.

La unidad de análisis consistió en los desplazamientos internos mensuales registrados en los estados de Minas Gerais, São Paulo, Río de Janeiro y Espírito Santo. La recopilación de datos se realizó mediante consulta a bases de datos públicas. El primer conjunto de datos, referente a los desplazamientos, se obtuvo en el sitio web del Internal Displacement Monitoring Center (IDMC), una institución que monitorea casos de desplazamientos internos a nivel mundial.

La base de datos del IDMC proporcionó información sobre el número de desplazamientos internos causados por desastres climáticos en Brasil. Para este estudio, se adoptó la definición de desplazamiento interno como el movimiento involuntario o forzado de una persona dentro de las fronteras nacionales de su país de residencia habitual (Internal Displacement Monitoring Center, 2025). Inicialmente, la base contenía 867 observaciones de desplazamientos registrados entre 2008 y 2024 en todo el territorio brasileño.

El segundo conjunto de datos, de naturaleza meteorológica, se accedió en el sitio web del Instituto Nacional de Meteorología (INMET). Este banco proporcionó registros diarios de temperatura máxima, en grados Celsius, y del nivel de precipitación total, en milímetros, para los cuatro estados de la región Sudeste. Se utilizaron solo datos provenientes de estaciones meteorológicas convencionales, tras la identificación y tratamiento de registros inconsistentes, como temperaturas excesivamente elevadas.

La etapa de limpieza y preprocesamiento de los datos del IDMC implicó el filtrado para incluir solo desplazamientos provocados por eventos climáticos a partir de 2013. Se eliminaron columnas sin registros, redundantes o irrelevantes, como “Country” y “ISO3”. La columna “evento” se subdividió para crear una columna “estado”, permitiendo la selección exclusiva de los desplazamientos ocurridos en la región Sudeste.

Los registros de desplazamientos, originalmente por ocurrencia de evento, fueron remuestreados a una frecuencia mensual utilizando el método “resample” de la biblioteca Pandas. Esto permitió sumar los valores de cada mes y asignar cero a los meses sin registros, alineando los datos a la exposición temporal deseada para la pregunta de investigación sobre desplazamientos mensuales.

De manera similar, los datos meteorológicos diarios del INMET se remuestrearon a una granularidad mensual, calculando la suma de la precipitación y la media de las temperaturas máximas. Las cuatro tablas resultantes, una para cada estado, se unieron en un único dataframe. Posteriormente, los conjuntos de datos de desplazamiento y meteorológicos se integraron en una base de datos final.

Debido a la ausencia de datos meteorológicos para Espírito Santo en los meses de septiembre, octubre, noviembre y diciembre de 2024, estos meses fueron eliminados del conjunto de datos completo. Esta medida aseguró la correspondencia entre los datos de desplazamiento, temperatura y precipitación para todos los estados, resultando en un panel estado-mes balanceado con 140 observaciones por unidad federativa.

Todo el proceso de extracción, tratamiento, análisis exploratorio, visualización y modelado de datos se llevó a cabo en el lenguaje Python, utilizando el entorno de desarrollo integrado (IDE) PyCharm. Las bibliotecas de código abierto empleadas incluyeron Pandas v.2.1.4, Numpy v.1.26.4, Matplotlib v.3.8.0, Seaborn v.0.13.2, Statsmodels 0.14.0, Statstests 1.0.7 y SciPy 1.11.4.

Se realizó un análisis exploratorio de datos (AED) para investigar el conjunto de datos, identificar patrones, estructuras subyacentes y evaluar los supuestos para la elección del modelo (Heckert y Filliben, 2003). La variable dependiente definida fue el número de desplazamientos internos, caracterizada por valores enteros y no negativos, lo que dirigió la elección de modelos de conteo.

En la fase de modelado, se estimaron modelos lineales generalizados (GLM) para datos de recuento. Inicialmente, se desarrolló un modelo de Poisson como parámetro de referencia. Posteriormente, se estimaron modelos más adecuados a la distribución de los datos de desplazamientos, incluyendo el Binomial Negativo, Binomial Negativo con Inflación de Ceros (ZINB) y Hurdle.

Cada uno de estos modelos fue desarrollado considerando las variables predictoras precipitación y temperatura. Para la precipitación, se optó por la transformación logarítmica para representar asociaciones no lineales y reducir la influencia de valores extremos. Para la temperatura, se incluyeron términos lineal y cuadrático, previamente centralizados, para capturar la curva observada en los datos y reducir la colinealidad.

La comparación entre los modelos estimados se basó en los criterios de log-verosimilitud y el Criterio de Información de Akaike (AIC), que evalúan el ajuste del modelo y la parsimonia. El modelo Hurdle sin estacionalidad fue seleccionado como el más robusto, presentando convergencia completa y estabilidad numérica, lo que justifica su elección como modelo final para la interpretación de los resultados.

3. Resultados y Discusión

El análisis de los desplazamientos internos en la región Sudeste de Brasil entre 2013 y 2024 reveló patrones complejos y una fuerte asociación con variables meteorológicas, indicando la necesidad de enfoques estadísticos robustos para su predicción. Los datos de desplazamientos presentaron características notables, como fuerte asimetría a la derecha, exceso de ceros y sobredispersión, que son típicas de eventos raros y de alta magnitud. Estas particularidades fueron cruciales para la selección y evaluación de los modelos predictivos, orientando la elección hacia métodos más flexibles que los modelos de regresión lineal tradicionales.

Análisis Exploratorio

La fase de análisis exploratorio de datos proporcionó una comprensión profunda de la naturaleza de la variable dependiente, los desplazamientos internos. Las estadísticas descriptivas revelaron una media de 996 desplazamientos, con una desviación estándar de 6.360,04, lo que indica una heterogeneidad sustancial entre los eventos. La varianza, que alcanzó aproximadamente 4,05 x 10^7, resultó en una razón varianza/media de alrededor de 40.612, un valor significativamente superior al esperado para una distribución de Poisson, confirmando la presencia de superdispersión (datos) en los datos. Además, el 75% de las observaciones registraron cero desplazamientos, lo que evidencia una inflación de ceros que requirió modelos específicos.

La distribución de la variable de desplazamientos resultó extremadamente asimétrica a la derecha, con la mayoría de las observaciones concentradas en valores cercanos a cero y la ocurrencia de pocos eventos extremos, que fueron responsables de desplazamientos superiores a 100 mil personas. Este comportamiento es característico de fenómenos de cola larga, donde la severidad de eventos raros tiene un impacto desproporcional en la media. La elevada heterogeneidad y la inflación de ceros fueron factores determinantes para la inadecuación de modelos como el Poisson, que presupone equidpersión, y justificaron la exploración de modelos Binomial Negativo y Hurdle.

La distribución geográfica de los desastres climáticos en la región Sudeste entre 2013 y 2024 también fue investigada. Se registraron 182 eventos, con Minas Gerais concentrando la mayor parte (35,71%, con 65 eventos), seguido por Espírito Santo (23,63%, con 43 eventos), Río de Janeiro (23,08%, con 42 eventos) y São Paulo (17,58%, con 32 eventos). Esta distribución heterogénea sugiere que factores geográficos y climáticos específicos de cada estado, como la elevada heterogeneidad fisiográfica de Minas Gerais, contribuyen a la susceptibilidad a eventos hidrológicos extremos, según lo señalado por Reboita et al. (2015) y Pazini et al. (2020).

Las tormentas fueron identificadas como el principal tipo de desastre, representando aproximadamente 60 ocurrencias, un número que superó la suma de inundaciones, movimientos de masa, incendios forestales y eventos de temperatura extrema. Este hallazgo refuerza que los desplazamientos internos en el Sudeste son predominantemente desencadenados por procesos hidrometeorológicos. El análisis de la frecuencia de ocurrencia de los desastres en comparación con el número de desplazamientos que provocan reveló que, aunque las tormentas son las más frecuentes, la magnitud de los desplazamientos que generan puede variar ampliamente, con algunos episodios resultando en más de 100 mil personas desplazadas.

Los movimientos en masa, a pesar de su baja frecuencia (aproximadamente seis eventos), demostraron un elevado potencial para producir desplazamientos expresivos, con alta variabilidad en la magnitud. Esta observación, junto con el análisis de la escala logarítmica de los desplazamientos, que evidencia la concentración de la mayor parte de los desplazamientos en pocos eventos extremos, refuerza la idea de que la severidad del evento tiene mayor influencia sobre los desplazamientos que su frecuencia absoluta. Esto subraya la importancia de considerar variables relacionadas con la intensidad de las lluvias y la vulnerabilidad territorial en la modelización estadística.

La investigación de la estacionalidad en los datos confirmó un patrón temporal claro, donde los niveles de precipitación y la media de desplazamientos tienden a aumentar significativamente en el período correspondiente al verano en el hemisferio sur, entre diciembre y marzo. Enero, por ejemplo, presentó una media de desplazamientos superior a 5.000, unas 50 veces mayor que los valores observados en los meses secos de junio a septiembre. La precipitación media mensual también superó los 2.800 mm en diciembre y enero, contrastando con menos de 400 mm en invierno, una diferencia superior al 600%.

Este elevado sincronismo temporal entre precipitación y desplazamientos sugiere una fuerte asociación y justifica la inclusión de funciones seno y coseno en la modelización para capturar oscilaciones periódicas anuales, reduciendo sesgos asociados a la dependencia temporal de los datos. La estratificación descriptiva de la precipitación y temperatura en cuartiles reveló que la precipitación tiene una asociación positiva y progresiva con la media de desplazamientos, aumentando de aproximadamente 200 a 2.200 desplazamientos entre el primer y el cuarto cuartil, un aumento superior al 1.000%. Este resultado es consistente con la literatura que asocia eventos de precipitación intensa a mayores riesgos de inundaciones y deslizamientos (IPCC, 2022).

En contrapartida, la temperatura presentó un comportamiento no monótono, con la media de desplazamientos aumentando hasta el tercer cuartil (aproximadamente 2.400 desplazamientos) y, a continuación, disminuyendo en el cuarto cuartil (aproximadamente 1.100 desplazamientos). Esta relación no lineal de la temperatura con los desplazamientos indicó la necesidad de especificaciones más flexibles en el modelo, como la inclusión de un término cuadrático, para evitar sesgos en la estimación de su efecto, según lo sugerido por Schuster et al. (2022). Aunque el análisis por cuartiles es exploratorio, fue fundamental para guiar la elección de las variables y sus transformaciones en la modelización.

Modelado de Datos

La etapa de modelado de datos comenzó con la estimación de un modelo de Poisson como base, a pesar de que las características de los datos indicaban su inadecuación. La prueba de sobredispersión de Cameron y Trivedi (1990) confirmó la sobredispersión con un p-valor de 0.009 para el parámetro alfa, demostrando que el modelo de Poisson no era adecuado para representar la estructura de dispersión de la variable respuesta. A continuación, se estimó un modelo Binomial Negativo, que presentó resultados más estables y un ajuste superior al de Poisson, con una reducción significativa en el Criterio de Información de Akaike (AIC).

Considerando la alta inflación de ceros en los datos, se probaron modelos Binomial Negativo con Inflación de Ceros (ZINB). Aunque el ZINB mostró un mejor ajuste en términos de AIC y la prueba de Vuong (1989) indicó la presencia de inflación de ceros, el modelo no convergió y produjo muchos valores vacíos, comprometiendo su confiabilidad e interpretabilidad. La inclusión de variables de estacionalidad (sin12 y cos12) en el modelo ZINB estacional mejoró el ajuste y la interpretabilidad de los errores estándar y p-valores, pero la no convergencia persistió, indicando inestabilidad.

Finalmente, se estimaron modelos Hurdle, que separan el proceso de generación de ceros del proceso de conteo. El modelo Hurdle sin estacionalidad convergió en ambas etapas y obtuvo un ajuste que generó el segundo mejor valor de log-verosimilitud y AIC entre todos los modelos probados. La versión estacional del modelo Hurdle presentó los mejores valores de log-verosimilitud y AIC, pero su convergencia fue solo parcial, lo que exigió cautela en la interpretación. La comparación de las métricas de ajuste, estabilidad y parsimonia entre los modelos llevó a la elección del modelo Hurdle sin estacionalidad como la especificación más adecuada para la interpretación de los resultados.

El modelo Hurdle seleccionado demostró ser estadísticamente adecuado para representar la dinámica de los desplazamientos, evidenciado por la convergencia completa de sus dos partes y por una prueba de razón de verosimilitud significativa (valor p inferior a 0.05). Este resultado indica que el conjunto de variables explicativas contribuye de forma relevante a la explicación de los desplazamientos internos. El parámetro alfa, también estadísticamente significativo, confirmó la superdispersión de los datos, reforzando la pertinencia de la elección de un modelo más flexible que acomoda esta característica.

Los resultados del modelo Hurdle revelaron que las variables predictoras ejercen efectos distintos en los componentes binario y de conteo. En el componente binario, que modela la probabilidad de ocurrencia de desplazamientos, la temperatura centralizada (temp_c) y su término cuadrático (temp_c2) fueron estadísticamente significativos, indicando una influencia no lineal de la temperatura en la probabilidad de que ocurra un evento. La precipitación logarítmica (log_precipitación) no fue estadísticamente significativa en este componente. En el componente de conteo, que modela la magnitud de los desplazamientos cuando estos ocurren, la precipitación logarítmica (log_precipitación) fue la variable de mayor influencia, con un coeficiente positivo y estadísticamente significativo (0.645, p=0.001), mientras que los términos de la temperatura no fueron significativos.

Esta distinción en los efectos de las variables valida la elección del modelo Hurdle, que permite analizar por separado la ocurrencia y la intensidad de los desplazamientos. La precipitación, por lo tanto, es el factor más relevante para determinar la magnitud de los desplazamientos una vez que ocurre un evento climático, mientras que la temperatura, con su comportamiento no lineal, influye principalmente en la probabilidad de que tales eventos resulten en desplazamientos. Estos hallazgos proporcionan una base cuantitativa para el desarrollo de sistemas de alerta temprana y para el perfeccionamiento de estrategias de monitoreo y respuesta a desastres.

En resumen, la investigación identificó que los desplazamientos internos en la región Sudeste de Brasil son fenómenos complejos, caracterizados por superdispersión, inflación de ceros y fuerte estacionalidad, predominantemente desencadenados por tormentas y eventos hidrometeorológicos. El modelo Hurdle sin estacionalidad, al equilibrar ajuste, estabilidad y parsimonia, demostró ser una herramienta eficaz para predecir tanto la probabilidad como la magnitud de estos desplazamientos, con la precipitación influyendo en la magnitud y la temperatura, de forma no lineal, en la probabilidad de ocurrencia. Estos resultados son cruciales para la planificación y la gestión de riesgos asociados a eventos climáticos extremos, subsidiando políticas públicas de adaptación y mejorando la capacidad de respuesta a desastres.

4. Conclusión

El presente estudio buscó analizar la ocurrencia mensual de desplazamientos internos en la región Sudeste de Brasil entre 2013 y 2024, identificando patrones y desarrollando un enfoque predictivo por medio de modelos estadísticos. Se verificó que los datos de desplazamientos presentaron características de fuerte asimetría, exceso de ceros y superdispersión (datos), además de una clara estacionalidad, con mayor incidencia de eventos en el período de verano. El análisis reveló que las tormentas fueron el principal tipo de desastre, y que la severidad de los eventos, más que su frecuencia, influyó en la magnitud de los desplazamientos. Se observó una asociación positiva y progresiva entre la precipitación y la magnitud de los desplazamientos, mientras que la temperatura demostró una relación no lineal con la probabilidad de su ocurrencia. Entre los modelos probados, el modelo Hurdle sin estacionalidad fue seleccionado como el más robusto, equilibrando ajuste, estabilidad y parsimonia, y demostró ser estadísticamente adecuado para representar la dinámica compleja de los desplazamientos.

La principal contribución de este trabajo reside en el suministro de subsidios cuantitativos para el perfeccionamiento de sistemas de alerta temprana, estrategias de monitoreo, prevención y respuesta a desastres, además de apoyar la formulación de políticas públicas de adaptación climática. Sin embargo, el estudio enfrentó limitaciones relacionadas con la dimensión y la calidad de los datos, incluyendo la subnotificación de eventos climáticos y la falta de estandarización de los registros. Para estudios futuros, se recomienda fortalecer el monitoreo continuo y perfeccionar la calidad de las bases de datos. Se sugiere también la ampliación de la resolución espacial del análisis al nivel municipal y la incorporación de variables sociodemográficas y territoriales, como densidad poblacional, Índice de Desarrollo Humano, relieve y uso del suelo, en modelos espacio-temporales y técnicas de aprendizaje automático, con el fin de perfeccionar el desempeño predictivo y la construcción de sistemas de apoyo a la decisión para la gestión integrada de riesgos.

Referencias Bibliográficas

Bellizzi, S., Popescu, C., Panu Napodano, C. M., Fiamma, M., & Cegolon, L. 2023. Global health, climate change and migration: the need for recognition of “climate refugees”. Journal of Global Health Issue: 2023 Mar 24.

Blaikie, P., Cannon, T., Davis, I. & Wisner, B., 2004. At Risk: Natural Hazards, People’s Vulnerability and Disasters. 2ed. Routledge. Londres, Inglaterra.

Buzan, B., Wæver, O. & de Wilde, J., 1998. Security: A New Framework for Analysis. Lynne Rienner. Londres, Inglaterra / Boulder, CO, EUA.

Cameron, A. C., & Trivedi, P. K. (1990). Regression-based tests for overdispersion in the Poisson model. Journal of Econometrics, 46(3), 347–364.

Heckert, N.A.; Filliben, J.J., 2003 What is EDA? In: NIST/SEMATECH e-Handbook of Statistical Methods. National Institute of Standards and Technology. Disponível em: <https://www.itl.nist.gov/div898/handbook/eda/section1/eda11.htm>. Acesso em: 30 março 2026

Instituto Brasileiro de Geografia e Estatística. 2023. Censo Demográfico 2022: população e domicílios: primeiros resultados. IBGE, Coordenação Técnica do Censo Demográfico. Disponível em: <https://biblioteca.ibge.gov.br/visualizacao/livros/liv102011.pdf>.

Intergovernmental Panel on Climate Change. (2022). Central and South America. In H.-O. Pörtner et al. (Eds.), Climate change 2022: Impacts, adaptation, and vulnerability. Cambridge University Press.

Internal Displacement Monitoring Center, 2024. Global Report on Internal Displacement 2024. Internal Displacement Monitoring Center. Disponível em: <https://www.internal-displacement.org/global-report/grid2024>. Acesso em: 12 jun de 2025

Internal Displacement Monitoring Center, 2025. About our Data. Disponível em: <https://www.internal-displacement.org/monitoring-tools/>. Acesso em 02 abr. 2025.

Klomp, J. & Valckx, K., 2014. Natural disasters and economic growth: a meta-analysis. Global Environmental Change, Volume 26, pp. 183-195.

Marengo, J. A., Ambrizzi, T., Alves, L. M., Barreto, N. J. C., Simões Reboita, M., & Ramos, A. M. 2020. Changing trends in rainfall extremes in the Metropolitan Area of São Paulo: Causes and impacts. Frontiers in Climate, 2, Article 3.

Neto, J. L. S. 2005. Decálogo da Climatologia do Sudeste Brasileiro. Revista Brasileira de Climatologia, 1(1). https://doi.org/10.5380/abclima.v1i1.25232

Organização das Nações Unidas, 2024. ONU News. Disponível em: <https://news.un.org/pt/story/2024/05/1831336> Acesso em 20 jan. 2025.

Pazini et al., 2020 [Referência completa não encontrada no documento original]

Pelling, M., Özerdem, A. & Barakat, S. 2002. The macro-economic impact of disasters. Progress in Development Studies. 2(4), pp. 283-305.

Ribeiro, D. F., Saito, S. M. & Alvalá, R. C. d. S., 2022. Disaster vulnerability analysis of small towns in Brazil.. International Journal of Disaster Risk Reduction, Volume 68.

Schuster, N. A., Rijnhart, J. J. M., Twisk, J. W. R., & Heymans, M. W. 2022. Modeling non-linear relationships in epidemiological data: The application and interpretation of spline models. Frontiers in Epidemiology, 2, Article 975380.

Sulaiman, S. N. & Aledo, A., 2016. Desastres naturais: convivência com o risco. Estudos Avançados, 30(88), pp. 11-23.

Vuong, Q. H. 1989. Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica, 57(2), 307–333

Zickgraf, C., 2020. Green European Journal. Available at: <https://www.greeneuropeanjournal.eu/climate-change-and-migration-myths-and-realities/> Acesso em 17 fev. 2025.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy