30 de setembro de 2026
RenovaBio e emissões AFOLU no Centro-Sul: avaliação quasi-experimental com Pareamento por Escore de Propensão e Diferenças-em-Diferenças
Renovabio e Emissões Afolu no Centro-sul: Avaliação Quasi-experimental com Pareamento por Escore de Propensão e Diferenças-em-diferenças
Alvaro Luz Alves Coutinho; Abdoulaye Aboubacari Mohamed
DOI: 10.22167/2675-6528-202602643
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O estudo avaliou a associação entre a adesão ao RenovaBio e as emissões municipais de gases de efeito estufa (GEE) associadas à cana-de-açúcar na região Centro-Sul do Brasil. Utilizou-se um desenho quasi-experimental que combinou Pareamento por Escore de Propensão (PSM) e Diferenças-em-Diferenças com efeitos fixos bidimensionais (TWFE) em um painel balanceado de 1.511 municípios e 19.643 observações entre 2012 e 2024. Na especificação agregada em log(1+y), para a qual o teste conjunto não rejeitou pré-tendências a 5%, estimou-se aumento pós-2019 de 26,0% nas emissões AFOLU associadas à cana nos municípios tratados em relação aos controles. As estimativas em nível absoluto e por macro-canal apresentaram pré-tendências e, por isso, foram interpretadas como evidências descritivas ou sugestivas: redução de 36,1% em Alterações de uso da terra e de 44,2% em Queima de resíduos agrícolas, aumento de 62,8% em Solos manejados e diferença de -12.157 tCO2eq em nível. Análises complementares indicaram aumento de 13,0% na área de cana sem evidência estatística de redução da vegetação nativa, além de variação não significativa de -0,5% na intensidade emissiva por tonelada. Em conjunto, os resultados são compatíveis com uma recomposição interna das emissões, mas a atribuição causal é mais bem sustentada apenas para o agregado em escala logarítmica e permanece condicionada aos pressupostos do desenho observacional. Os achados contribuem para a avaliação de políticas de descarbonização e sugerem atenção às emissões de solos manejados na evolução do programa.
Palavras-chave: Descarbonização; Diferenças-em-Diferenças; Emissões AFOLU; Pareamento por Escore de Propensão; RenovaBio.
1. Introdução
O Brasil tem demonstrado um compromisso significativo com a agenda climática global, assumindo metas ambiciosas no Acordo de Paris para a redução de suas emissões de gases de efeito estufa em 48% até 2025 e 53% até 2030 (MAGALHÃES; DOMINGUES, 2016). Nesse cenário, o Programa Nacional de Biocombustíveis, conhecido como RenovaBio e instituído pela Lei n.º 13.576/2017, emergiu como um pilar fundamental para a descarbonização do setor de transportes no país (BRASIL, 2017).
A estrutura do RenovaBio baseia-se em três elementos interligados: o estabelecimento de metas compulsórias para a redução da intensidade de carbono, a comercialização de Créditos de Descarbonização (CBIOs) e a certificação da produção eficiente de biocombustíveis através da Nota de Eficiência Energético-Ambiental (NEEA) (BRASIL, 2017; LÁZARO et al., 2023). A magnitude econômica do programa é notável, com metas individuais que totalizaram 41 milhões de tCO2eq em 2023, representando um volume financeiro estimado em R$ 4,6 bilhões. A meta compulsória acumulada para o período de 2024 a 2033 alcança 570,76 milhões de CBIOs (ANP, 2025).
Apesar da relevância do RenovaBio na política climática brasileira, a evidência sobre seus impactos ambientais e os mecanismos pelos quais esses efeitos se manifestam ainda é limitada. Essa lacuna é crucial, pois o programa foca na intensidade de carbono por unidade produzida, e não em limites absolutos de emissões. Analiticamente, isso pode levar a respostas heterogêneas entre as diversas fontes emissoras, com a possibilidade de redução de pressões extensivas e, simultaneamente, intensificação produtiva que acarreta maior uso de insumos (LÁZARO et al., 2023; OBSERVATÓRIO DO CLIMA, 2025).
A questão é particularmente pertinente para o etanol de primeira geração de cana-de-açúcar (E1GC). A fase agrícola dessa rota tecnológica é responsável por 86,8% da intensidade de carbono total, com as emissões concentradas em fertilizantes nitrogenados, queima de resíduos agrícolas e consumo de combustível fóssil em operações mecanizadas (MATSUURA et al., 2018; LIU et al., 2023). Adicionalmente, a certificação no RenovaBio exige a conformidade com a Lei de Proteção da Vegetação Nativa, vinculando incentivos econômicos a requisitos de gestão territorial (NOVAES et al., 2023). Dada a concentração da produção nacional de cana no Centro-Sul — com oito estados respondendo por 99,6% da produção entre 2019 e 2021, e São Paulo contribuindo com 57% —, a análise desse recorte regional é fundamental para compreender os efeitos ambientais do programa (RAMOS et al., 2024).
A identificação dos efeitos atribuíveis ao RenovaBio, no entanto, apresenta desafios. A adesão ao programa não ocorre de forma aleatória, pois municípios com usinas certificadas diferem sistematicamente dos demais em fatores como escala de produção, nível de mecanização, acesso a crédito e estrutura fundiária. Essas diferenças impedem comparações diretas e exigem estratégias empíricas que minimizem o viés de seleção observável, embora não eliminem a possibilidade de confundimento residual (ROSENBAUM; RUBIN, 1983; CALIENDO; KOPEINIG, 2008). Além disso, os diferentes canais de emissão podem reagir de maneiras distintas aos incentivos do programa, o que torna insuficiente uma análise baseada apenas em dados agregados (OBSERVATÓRIO DO CLIMA, 2025).
Diante desse contexto, este estudo contribui para a avaliação de políticas de descarbonização ao examinar as mudanças nas emissões municipais AFOLU associadas à cana-de-açúcar após a adesão ao RenovaBio. Assim, o objetivo deste estudo é avaliar a associação entre a adesão ao RenovaBio e as mudanças nas emissões municipais AFOLU associadas à cana-de-açúcar na região Centro-Sul do Brasil, utilizando um desenho quasi-experimental que combina Pareamento por Escore de Propensão e Diferenças-em-Diferenças para o período de 2012 a 2024.
2. Material e Métodos
O presente estudo adotou uma abordagem quasi-experimental para avaliar a associação entre a adesão ao Programa Nacional de Biocombustíveis (RenovaBio) e as mudanças nas emissões municipais de Agricultura, Florestas e Outros Usos da Terra (AFOLU) relacionadas à cana-de-açúcar. A pesquisa concentrou-se na região Centro-Sul do Brasil, abrangendo o período de 2012 a 2024. O desenho metodológico combinou as técnicas de Pareamento por Escore de Propensão (PSM) e Diferenças-em-Diferenças (DiD) com efeitos fixos bidimensionais (TWFE).
A unidade de análise consistiu em municípios, e a amostra analítica final foi composta por um painel balanceado de 1.511 municípios e 19.643 observações. O grupo de tratamento foi definido como os municípios que possuíam ao menos uma usina de etanol de primeira geração de cana-de-açúcar (E1GC) certificada no RenovaBio no ano de 2019, totalizando 198 municípios. O ano de 2019 foi estabelecido como o início do período pós-tratamento, em conformidade com a operacionalização do programa após a Resolução ANP n.º 758, de novembro de 2018 (ANP, 2025).
A base analítica foi construída a partir da integração de oito fontes de dados distintas. O Censo Agropecuário de 2017 e as bases do Sistema IBGE de Recuperação Automática (SIDRA) forneceram as covariáveis pré-tratamento. A Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e o Sistema de Estimativas de Emissões de Gases de Efeito Estufa (SEEG v13.0) foram utilizados para dados de tratamento e emissões, respectivamente. O MapBiomas e o Levantamento Sistemático da Produção Agrícola (PAM/IBGE) contribuíram com informações sobre cobertura do solo e produção agrícola, enquanto o Instituto de Pesquisa Econômica Aplicada (IPEA/PNUD) e o IBGE Centro-Sul complementaram com dados socioeconômicos e geometrias municipais.
Os procedimentos de coleta e integração dos dados envolveram a harmonização de todas as fontes pelo código municipal de sete dígitos do IBGE. Os registros das usinas certificadas foram geocodificados ao nível municipal, e as bases anuais foram reorganizadas no formato município-ano para o período de 2012 a 2024. A padronização de identificadores, o tratamento de valores ausentes e a organização dos nomes das variáveis foram documentados em um notebook reprodutível, implementado em Python 3.12.
Na etapa de engenharia de covariáveis pré-tratamento, as variáveis foram transformadas para mitigar assimetrias e diferenças de escala. Variáveis absolutas, como Produto Interno Bruto (PIB), população e áreas agrícolas, receberam transformação logarítmica (log(1+x)). Indicadores relativos foram expressos como participações ou densidades. Valores ausentes foram imputados pela mediana de cada covariável, e índices já normalizados foram mantidos em sua escala original, resultando em 21 covariáveis para a especificação final.
Antes da estimação do escore de propensão, realizou-se um diagnóstico de qualidade e multicolinearidade. Foram verificados os tipos de dados, a proporção de valores ausentes e a presença de multicolinearidade. Variáveis com mais de 60% de ausência ou com Fator de Inflação da Variância (VIF) superior a 10 foram excluídas, conforme as diretrizes de HAIR et al. (2009).
O escore de propensão foi estimado por meio de um modelo logit de regressão logística regularizada, após a padronização das covariáveis. A capacidade discriminatória do modelo foi avaliada pela Área Sob a Curva (AUC) e pelo pseudo-R² de McFadden. O logit do escore foi empregado como métrica de distância no processo de pareamento, devido ao seu comportamento mais simétrico nas caudas da distribuição (ROSENBAUM; RUBIN, 1983).
O pareamento foi executado utilizando o método do vizinho mais próximo, na razão 1:1 e sem reposição, com um caliper de 0,2 desvio-padrão do logit do escore. A subamostra pareada foi utilizada para diagnosticar o balanceamento das covariáveis. O balanceamento foi avaliado pela Diferença Padronizada de Médias (SMD), adotando-se |SMD| < 0,1 como referência (CALIENDO; KOPEINIG, 2008). Unidades fora da região de suporte comum foram excluídas.
Os desfechos foram organizados em quatro painéis balanceados município-ano (2012-2024). O Painel A incluiu as emissões totais AFOLU-cana, harmonizadas do SEEG. O Painel B desagregou as emissões em macro-canais: Alterações de uso da terra, Queima de resíduos agrícolas, Solos manejados, Carbono orgânico no solo e Resíduos florestais. O Painel C abordou a cobertura do solo, com dados do MapBiomas agregados por classe e município. O Painel D integrou a produção municipal de cana da PAM/IBGE com as emissões do SEEG para calcular a produção e a intensidade emissiva.
As diferenças pós-tratamento foram estimadas pelo modelo TWFE, formulado como `Yi = αi + λt + β (Tratadoi × Póst) + εit`. Nesta equação, `αi` representa os efeitos fixos de município, `λt` os efeitos fixos de ano, e `β` a diferença média pós-2019 entre municípios tratados e controles. A variável `Pós` assumiu valor 1 para t ≥ 2019. Os erros-padrão foram clusterizados ao nível municipal para acomodar a correlação serial intra-município (BERTRAND et al., 2004). As análises foram realizadas em duas escalas: nível absoluto (tCO2eq) e logarítmica (log(1+y)), sendo esta última a especificação principal devido à maior estabilidade das tendências proporcionais (ROTH; SANT’ANNA, 2023).
A plausibilidade das tendências paralelas foi avaliada por meio de um event study e testes de Wald conjuntos dos coeficientes pré-tratamento. O modelo incluiu indicadores de tempo relativo ao tratamento, omitindo um período de referência. Adicionalmente, realizou-se uma análise de sensibilidade ao período de referência, comparando os baselines k = -1 (2018) e k = -2 (2017) para verificar a robustez dos resultados.
Para triangular os resultados sobre as emissões, estimaram-se modelos adicionais para a área de cana, a participação da cana na área municipal e a participação da vegetação nativa, utilizando dados do MapBiomas. Com dados da PAM/IBGE, calcularam-se a intensidade emissiva por tonelada e uma especificação de emissões com controle da produção. Essas análises complementares visaram qualificar o padrão agregado e verificar sua compatibilidade com diferenças de escala produtiva ou de eficiência por unidade.
O presente estudo adotou uma abordagem quasi-experimental para avaliar a associação entre a adesão ao Programa Nacional de Biocombustíveis (RenovaBio) e as mudanças nas emissões municipais de Agricultura, Florestas e Outros Usos da Terra (AFOLU) relacionadas à cana-de-açúcar. A pesquisa concentrou-se na região Centro-Sul do Brasil, abrangendo o período de 2012 a 2024. O desenho metodológico combinou as técnicas de Pareamento por Escore de Propensão (PSM) e Diferenças-em-Diferenças (DiD) com efeitos fixos bidimensionais (TWFE).
A unidade de análise consistiu em municípios, e a amostra analítica final foi composta por um painel balanceado de 1.511 municípios e 19.643 observações. O grupo de tratamento foi definido como os municípios que possuíam ao menos uma usina de etanol de primeira geração de cana-de-açúcar (E1GC) certificada no RenovaBio no ano de 2019, totalizando 198 municípios. O ano de 2019 foi estabelecido como o início do período pós-tratamento, em conformidade com a operacionalização do programa após a Resolução ANP n.º 758, de novembro de 2018 (ANP, 2025).
A base analítica foi construída a partir da integração de oito fontes de dados distintas. O Censo Agropecuário de 2017 e as bases do Sistema IBGE de Recuperação Automática (SIDRA) forneceram as covariáveis pré-tratamento. A Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e o Sistema de Estimativas de Emissões de Gases de Efeito Estufa (SEEG v13.0) foram utilizados para dados de tratamento e emissões, respectivamente. O MapBiomas e o Levantamento Sistemático da Produção Agrícola (PAM/IBGE) contribuíram com informações sobre cobertura do solo e produção agrícola, enquanto o Instituto de Pesquisa Econômica Aplicada (IPEA/PNUD) e o IBGE Centro-Sul complementaram com dados socioeconômicos e geometrias municipais.
Os procedimentos de coleta e integração dos dados envolveram a harmonização de todas as fontes pelo código municipal de sete dígitos do IBGE. Os registros das usinas certificadas foram geocodificados ao nível municipal, e as bases anuais foram reorganizadas no formato município-ano para o período de 2012 a 2024. A padronização de identificadores, o tratamento de valores ausentes e a organização dos nomes das variáveis foram documentados em um notebook reprodutível, implementado em Python 3.12.
Na etapa de engenharia de covariáveis pré-tratamento, as variáveis foram transformadas para mitigar assimetrias e diferenças de escala. Variáveis absolutas, como Produto Interno Bruto (PIB), população e áreas agrícolas, receberam transformação logarítmica (log(1+x)). Indicadores relativos foram expressos como participações ou densidades. Valores ausentes foram imputados pela mediana de cada covariável, e índices já normalizados foram mantidos em sua escala original, resultando em 21 covariáveis para a especificação final.
Antes da estimação do escore de propensão, realizou-se um diagnóstico de qualidade e multicolinearidade. Foram verificados os tipos de dados, a proporção de valores ausentes e a presença de multicolinearidade. Variáveis com mais de 60% de ausência ou com Fator de Inflação da Variância (VIF) superior a 10 foram excluídas, conforme as diretrizes de HAIR et al. (2009).
O escore de propensão foi estimado por meio de um modelo logit de regressão logística regularizada, após a padronização das covariáveis. A capacidade discriminatória do modelo foi avaliada pela Área Sob a Curva (AUC) e pelo pseudo-R² de McFadden. O logit do escore foi empregado como métrica de distância no processo de pareamento, devido ao seu comportamento mais simétrico nas caudas da distribuição (ROSENBAUM; RUBIN, 1983).
O pareamento foi executado utilizando o método do vizinho mais próximo, na razão 1:1 e sem reposição, com um caliper de 0,2 desvio-padrão do logit do escore. A subamostra pareada foi utilizada para diagnosticar o balanceamento das covariáveis. O balanceamento foi avaliado pela Diferença Padronizada de Médias (SMD), adotando-se |SMD| < 0,1 como referência (CALIENDO; KOPEINIG, 2008). Unidades fora da região de suporte comum foram excluídas.
Os desfechos foram organizados em quatro painéis balanceados município-ano (2012-2024). O Painel A incluiu as emissões totais AFOLU-cana, harmonizadas do SEEG. O Painel B desagregou as emissões em macro-canais: Alterações de uso da terra, Queima de resíduos agrícolas, Solos manejados, Carbono orgânico no solo e Resíduos florestais. O Painel C abordou a cobertura do solo, com dados do MapBiomas agregados por classe e município. O Painel D integrou a produção municipal de cana da PAM/IBGE com as emissões do SEEG para calcular a produção e a intensidade emissiva.
As diferenças pós-tratamento foram estimadas pelo modelo TWFE, formulado como `Yi = αi + λt + β (Tratadoi × Póst) + εit`. Nesta equação, `αi` representa os efeitos fixos de município, `λt` os efeitos fixos de ano, e `β` a diferença média pós-2019 entre municípios tratados e controles. A variável `Pós` assumiu valor 1 para t ≥ 2019. Os erros-padrão foram clusterizados ao nível municipal para acomodar a correlação serial intra-município (BERTRAND et al., 2004). As análises foram realizadas em duas escalas: nível absoluto (tCO2eq) e logarítmica (log(1+y)), sendo esta última a especificação principal devido à maior estabilidade das tendências proporcionais (ROTH; SANT’ANNA, 2023).
A plausibilidade das tendências paralelas foi avaliada por meio de um event study e testes de Wald conjuntos dos coeficientes pré-tratamento. O modelo incluiu indicadores de tempo relativo ao tratamento, omitindo um período de referência. Adicionalmente, realizou-se uma análise de sensibilidade ao período de referência, comparando os baselines k = -1 (2018) e k = -2 (2017) para verificar a robustez dos resultados.
Para triangular os resultados sobre as emissões, estimaram-se modelos adicionais para a área de cana, a participação da cana na área municipal e a participação da vegetação nativa, utilizando dados do MapBiomas. Com dados da PAM/IBGE, calcularam-se a intensidade emissiva por tonelada e uma especificação de emissões com controle da produção. Essas análises complementares visaram qualificar o padrão agregado e verificar sua compatibilidade com diferenças de escala produtiva ou de eficiência por unidade.
3. Resultados e Discussão
Os resultados da pesquisa revelam um panorama complexo sobre a associação entre a adesão ao RenovaBio e as emissões municipais de gases de efeito estufa (GEE) relacionadas à cana-de-açúcar na região Centro-Sul do Brasil. A análise quasi-experimental, que combinou Pareamento por Escore de Propensão (PSM) e Diferenças-em-Diferenças (TWFE), indicou um aumento pós-2019 de 26,0% nas emissões AFOLU associadas à cana nos municípios tratados, em relação aos controles, quando avaliadas na especificação agregada em escala logarítmica. Este achado é o mais robusto em termos de atribuição causal, pois o teste conjunto de pré-tendências não foi rejeitado a 5% (p = 0,098), embora a interpretação causal permaneça condicionada aos pressupostos do desenho observacional.
Em contraste, as estimativas em nível absoluto e para os macro-canais de emissão apresentaram pré-tendências significativas, o que as qualifica como evidências descritivas ou sugestivas, e não como efeitos causais identificados. A estimativa em nível absoluto indicou uma diferença de -12.157 tCO2eq, mas a rejeição das pré-tendências impede uma interpretação causal direta. Essa distinção entre as escalas logarítmica e absoluta reflete diferenças na forma funcional e na magnitude inicial das emissões, sendo a transformação logarítmica mais adequada para comparar variações proporcionais entre grupos com bases emissivas distintas (ROTH; SANT’ANNA, 2023).
Qualidade do Pareamento e Balanceamento das Covariáveis
A etapa de pareamento por escore de propensão foi fundamental para mitigar o viés de seleção observável. O modelo logístico regularizado demonstrou forte capacidade discriminatória, com uma Área Sob a Curva (AUC) de 0,962 e um pseudo-R² de McFadden de 0,550. Isso confirmou a existência de diferenças sistemáticas entre municípios tratados e controles antes da intervenção, como esperado para um estudo observacional (CALIENDO; KOPEINIG, 2008). Antes do pareamento, as maiores discrepâncias entre os grupos foram observadas em variáveis de estrutura produtiva, como a área de cana (SMD = 2,22), a participação da cana na área agrícola total (SMD = 1,52) e a intensidade de cana na paisagem (SMD = 1,34).
Após o pareamento, houve uma melhora substancial no balanceamento das covariáveis. A proporção de variáveis com Diferença Padronizada de Médias (SMD) inferior a 0,1 aumentou de 4,8% para 66,7%, e treze das vinte e uma covariáveis apresentaram uma redução de viés superior a 80%. A amostra analítica final para os modelos TWFE compreendeu 1.511 municípios, sendo 188 tratados e 1.323 controles, totalizando 19.643 observações no período de 2012 a 2024. Contudo, sete covariáveis ainda permaneceram com |SMD| superior a 0,1, indicando que o pareamento reduziu, mas não eliminou completamente, o desequilíbrio observável entre os grupos.
Avaliação das Pré-Tendências e Força da Identificação
A avaliação das pré-tendências é crucial para a validade da inferência causal em desenhos de Diferenças-em-Diferenças. Para a especificação agregada em log(1+y), o teste de Wald conjunto dos coeficientes pré-tratamento não rejeitou a hipótese nula de tendências paralelas a um nível de significância de 5% (W = 10,71; p = 0,098). Esse resultado oferece suporte relativo à interpretação causal para essa especificação, embora não seja uma prova definitiva da ausência de pré-tendências, que podem ter poder limitado (ROTH, 2024). Em contraste, para as emissões em nível absoluto, a hipótese de tendências paralelas foi rejeitada (W = 27,30; p < 0,001), o que restringe a interpretação dessa estimativa a um caráter meramente descritivo.
A análise de sensibilidade ao período de referência (baseline) revelou que, para o agregado em log(1+y), o número de coeficientes pré-tratamento significativos caiu de três para um ao mudar o baseline de k = -1 para k = -2. Isso sugere uma possível antecipação de práticas de certificação em 2018. Para os macro-canais de Alterações de uso da terra e Solos manejados, os coeficientes pré-tratamento permaneceram significativos em ambos os baselines, indicando divergências nas trajetórias de emissões anteriores à implementação do programa. Esse padrão limita a interpretação causal para esses canais, reforçando a necessidade de tratá-los como evidências sugestivas.
Estimativas Pós-Tratamento e Força da Evidência
As estimativas pós-tratamento dos modelos TWFE revelaram que, na especificação agregada em log(1+y), o coeficiente β foi de +0,231 (erro padrão = 0,046; p < 0,001). Este valor corresponde a um aumento de 26,0% nas emissões AFOLU totais associadas à cana-de-açúcar nos municípios tratados, em comparação com os controles, no período pós-2019. O intervalo de confiança de 95% para esse efeito variou de +15,3% a +37,8%. Este é o principal achado do estudo com maior suporte para uma interpretação causal, dada a não rejeição das pré-tendências, mas sempre considerando as limitações inerentes ao desenho observacional.
Em nível absoluto, a estimativa indicou uma redução de 12.157 tCO2eq (erro padrão = 2.659; p < 0,001) nas emissões totais. No entanto, devido à rejeição das pré-tendências para essa escala, essa estimativa deve ser interpretada apenas como um contraste descritivo. A decomposição em nível, embora descritiva, sugere uma redução de 12.965 tCO2eq em Alterações de uso da terra, um aumento de 1.787 tCO2eq em Solos manejados e uma redução de 955 tCO2eq em Queima de resíduos agrícolas. Esses valores ajudam a compreender a composição das emissões, mas não devem ser atribuídos causalmente ao RenovaBio.
Decomposição por Macro-Canal
A análise por macro-canal revelou um padrão heterogêneo nas emissões pós-2019 nos municípios tratados em relação aos controles. Observou-se uma redução estimada de 36,1% nas emissões de Alterações de uso da terra e de 44,2% nas emissões de Queima de resíduos agrícolas, ambas em escala logarítmica. Esses resultados são compatíveis com uma menor pressão extensiva sobre o uso da terra e com a substituição da colheita manual com queima pela colheita mecanizada a verde. Contudo, os testes de pré-tendência para esses canais foram rejeitados, impedindo a atribuição causal exclusiva ao RenovaBio, uma vez que legislações estaduais e transformações setoriais preexistentes podem ter contribuído para esses padrões (OBSERVATÓRIO DO CLIMA, 2025).
Em contrapartida, as emissões de Solos manejados apresentaram um aumento estimado de 62,8% em escala logarítmica. Este padrão é compatível com o maior uso de fertilizantes nitrogenados e resíduos orgânicos, indicando uma intensificação produtiva. No entanto, a trajetória ascendente anterior a 2019 para este canal sugere que parte significativa desse aumento pode ser atribuída a processos setoriais preexistentes, não exclusivamente ao RenovaBio. As emissões de Carbono orgânico no solo e Resíduos florestais também mostraram reduções de 17,4% e 18,7%, respectivamente, em escala logarítmica, mas a força de identificação para esses canais é limitada pelas pré-tendências observadas nos event studies.
Triangulação: Cobertura do Solo e Intensidade Emissiva
As análises complementares sobre cobertura do solo e intensidade emissiva ajudam a qualificar os resultados agregados. Verificou-se um aumento estimado de 13,0% na área cultivada com cana em escala logarítmica nos municípios tratados. No entanto, não foi detectada variação estatisticamente significativa na participação da vegetação nativa na área municipal (β = +0,0002; p = 0,390), nem na participação da cana na área municipal (β = +0,0004; p = 0,496). Esses dados do MapBiomas são compatíveis com a expansão da cana sobre pastagens ou outras lavouras, mas a ausência de significância estatística para a vegetação nativa não permite inferir que o programa tenha causado contenção do desmatamento de forma causal.
Em relação à produção e intensidade emissiva, a produção de cana foi 97,9% maior no pós-2019 nos municípios tratados, mas este resultado é descritivo devido ao forte desequilíbrio produtivo anterior. A intensidade emissiva por tonelada de cana apresentou uma variação não significativa de -0,5% (p = 0,082). Ao incluir a produção como controle na análise das emissões totais, a diferença caiu para +2,1% (p = 0,531), também sem significância estatística. Em conjunto, esses resultados são compatíveis com um mecanismo de escala, onde o aumento da produção pode influenciar as emissões, mas não confirmam causalmente esse mecanismo, pois a produção pode ser um resultado do próprio programa.
Discussão: Mecanismos e Implicações de Política
Em conjunto, as estimativas sugerem um padrão de recomposição interna das emissões, divergindo de uma expectativa de redução uniforme. Os contrastes negativos em fontes extensivas, como Alterações de uso da terra e Queima de resíduos agrícolas, coexistem com contrastes positivos em fontes associadas ao manejo intensivo de insumos, como Solos manejados (LÁZARO et al., 2023). Essa recomposição deve ser interpretada como uma leitura conjunta dos resultados, e não como um mecanismo causal plenamente demonstrado, dada a variação na força de identificação entre os desfechos.
O RenovaBio, ao operar como um instrumento de preço baseado na intensidade de carbono, remunera a redução da intensidade por unidade produzida, sem impor um limite direto ao volume total de emissões (BRASIL, 2017). Esse desenho incentiva práticas que diminuem a intensidade de carbono da rota tecnológica, mas permite a expansão da produção, o que pode aumentar a receita de CBIOs e, consequentemente, as emissões absolutas. A redução na Queima de resíduos agrícolas é consistente com a eliminação progressiva da colheita manual, penalizada pelo RenovaCalc, mas também impulsionada por legislação estadual e tendências setoriais anteriores, o que dificulta a atribuição causal exclusiva ao programa.
O aumento nas emissões de Solos manejados pode ser a face complementar da intensificação produtiva, refletindo o maior uso de fertilizantes nitrogenados, vinhaça e outros resíduos. Essa dinâmica é uma propriedade intrínseca de instrumentos baseados em intensidade, conforme documentado na literatura sobre políticas de carbono (FISCHER; NEWELL, 2008). A distinção entre padrões de intensidade e tetos absolutos é crucial para a avaliação de políticas climáticas, pois apenas os segundos garantem a redução das emissões agregadas quando a produção se expande. Os resultados são coerentes com a literatura internacional que aponta respostas heterogêneas a instrumentos de carbono, condicionadas a capacidades institucionais e tecnológicas pré-existentes (HUANG; CHEN, 2022; FAN; ZHANG, 2021).
Como implicação de política, os achados sugerem que a evolução do RenovaBio deve dar atenção especial às emissões de solos manejados. Opções como metas progressivas de eficiência no uso de nitrogênio, o incentivo a fertilizantes de liberação controlada, inibidores de nitrificação e práticas de manejo conservacionista devem ser avaliadas. A implementação dessas medidas, preferencialmente com dados de campo e desenhos que permitam estimar seus efeitos específicos, pode ser crucial para aprimorar o impacto ambiental do programa.
Limitações
A principal limitação deste estudo reside na natureza observacional do desenho quasi-experimental. Embora o Pareamento por Escore de Propensão tenha reduzido as diferenças em características observáveis, sete covariáveis permaneceram acima do limiar de balanceamento, e fatores não observados podem ter influenciado simultaneamente a adesão ao programa e as emissões. Assim, a estimativa agregada em log(1+y) possui o suporte mais forte para interpretação causal, enquanto as estimativas em nível e por macro-canal, que apresentaram pré-tendências, devem ser tratadas como descritivas ou sugestivas.
Adicionalmente, a definição binária do tratamento, baseada na presença de ao menos uma usina certificada em 2019, não captura a intensidade da participação no RenovaBio, o volume de CBIOs negociados, a Nota de Eficiência Energético-Ambiental (NEEA) ou as mudanças na certificação ao longo do tempo. A utilização da amostra mais ampla no suporte comum para o TWFE, embora preserve informações, mantém uma heterogeneidade residual entre os grupos. Também existe a possibilidade de interferência espacial, onde usinas compram cana em áreas que ultrapassam limites municipais, e efeitos econômicos, tecnológicos ou ambientais podem atingir municípios vizinhos, o que violaria a suposição SUTVA (Stable Unit Treatment Value Assumption) e poderia contaminar o grupo de controle.
Os desfechos analisados derivam de um inventário baseado em fatores de emissão e proxies de alocação municipal, o que significa que variações locais de solo, clima e manejo podem não ser plenamente capturadas. Os resultados, portanto, referem-se às emissões oficialmente estimadas e não a medições diretas em campo. A sensibilidade da escolha do baseline para o diagnóstico do agregado, e o horizonte temporal de 2012–2024, que pode ser insuficiente para captar efeitos estruturais de longo prazo, são outras limitações. Essas considerações impedem uma leitura de causalidade absoluta e justificam a gradação explícita da força da evidência adotada neste trabalho.
Em síntese, este estudo demonstrou que a adesão ao RenovaBio está associada a um aumento de 26,0% nas emissões AFOLU agregadas de cana-de-açúcar em municípios tratados, em relação aos controles, na escala logarítmica. Embora os resultados em nível absoluto e por macro-canal sugiram uma recomposição interna das emissões, com reduções em Alterações de uso da terra e Queima de resíduos agrícolas e aumento em Solos manejados, a presença de pré-tendências limita a interpretação causal desses achados. A pesquisa não encontrou evidências estatísticas de redução da vegetação nativa ou de piora na intensidade emissiva por tonelada, indicando que o programa pode estar incentivando a intensificação produtiva sem, contudo, garantir uma redução absoluta das emissões ou prevenir o aumento em canais específicos, como os solos manejados, o que aponta para a necessidade de atenção contínua a esses aspectos na evolução da política de descarbonização.
4. Conclusão
Este estudo avaliou a associação entre a adesão ao RenovaBio e as mudanças nas emissões municipais AFOLU associadas à cana-de-açúcar na região Centro-Sul do Brasil, utilizando um desenho quasi-experimental. Verificou-se um aumento pós-2019 de 26,0% nas emissões AFOLU agregadas de cana-de-açúcar nos municípios tratados, em comparação com os controles, na especificação em escala logarítmica. Este achado, para o qual o teste conjunto de pré-tendências não foi rejeitado, possui o suporte mais robusto para uma interpretação causal, embora condicionado aos pressupostos do desenho observacional. Em nível absoluto e para os macro-canais, as estimativas apresentaram pré-tendências, sendo interpretadas como evidências descritivas ou sugestivas de uma recomposição interna das emissões. Observou-se uma redução em Alterações de uso da terra e Queima de resíduos agrícolas, enquanto as emissões de Solos manejados apresentaram aumento. Análises complementares indicaram um aumento na área de cana cultivada, sem evidência estatística de redução da vegetação nativa, e uma variação não significativa na intensidade emissiva por tonelada. A principal contribuição deste trabalho reside na avaliação de políticas de descarbonização, ao evidenciar que o RenovaBio, como instrumento de preço baseado em intensidade, pode levar a uma recomposição interna das emissões, sugerindo a necessidade de atenção especial às emissões de solos manejados na evolução do programa.
Apesar dos resultados, o estudo possui limitações inerentes ao desenho observacional, como a persistência de desequilíbrios em sete covariáveis após o pareamento e a impossibilidade de controlar fatores não observados que podem influenciar a adesão e as emissões. A definição binária do tratamento não capturou a intensidade da participação no programa, e os desfechos derivam de um inventário baseado em fatores de emissão e proxies, não de medições diretas em campo, o que pode não capturar variações locais de solo, clima e manejo. O horizonte temporal de 2012 a 2024 pode ser insuficiente para captar efeitos estruturais de longo prazo. Para estudos futuros, sugere-se explorar a participação no RenovaBio por medidas contínuas de intensidade, analisar coortes de certificação e adotar estimadores robustos à heterogeneidade temporal. A incorporação de áreas efetivas de fornecimento das usinas e modelos de spillover espacial também pode aprimorar a compreensão dos efeitos do programa, testando deslocamentos de uso da terra e reduzindo a dependência do município como unidade isolada. Em suma, os achados indicam que a política de descarbonização deve considerar a dinâmica complexa das emissões, especialmente em solos manejados, para garantir a efetividade do programa.
Referências Bibliográficas
AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS. RenovaBio: assuntos. Brasília: ANP, 2025. Disponível em: https://www.gov.br/anp/pt-br/assuntos/renovabio. Acesso em: 14 abr. 2026.
BERTRAND, M.; DUFLO, E.; MULLAINATHAN, S. How much should we trust differences-in-differences estimates? Quarterly Journal of Economics, Cambridge, v. 119, n. 1, p. 249-275, 2004.
BRASIL. Lei n.º 13.576, de 26 de dezembro de 2017. Dispõe sobre a Política Nacional de Biocombustíveis (RenovaBio). Diário Oficial da União, Brasília, DF, 27 dez. 2017. Seção 1, p. 3.
CALIENDO, M.; KOPEINIG, S. Some practical guidance for the implementation of propensity score matching. Journal of Economic Surveys, London, v. 22, n. 1, p. 31–72, 2008.
FAN, F.; ZHANG, X. Transformation effect of resource-based cities based on PSM-DID model. Environmental Impact Assessment Review, New York, v. 91, p. 106648, 2021.
FISCHER, C.; NEWELL, R. G. Environmental and technology policies for climate mitigation. Journal of Environmental Economics and Management, v. 55, n. 2, p. 142–162, 2008.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate data analysis. 7. ed. Upper Saddle River: Pearson Prentice Hall, 2009.
HUANG, D.; CHEN, G. Can the carbon emissions trading system improve the green total factor productivity of the pilot cities? International Journal of Environmental Research and Public Health, Basel, v. 19, n. 3, p. 1209, 2022.
LIU, Y. et al. Life cycle assessment of ethanol from sugarcane in Brazil: carbon intensity analysis of 67 mills. Bioresource Technology, Oxford, v. 369, p. 128423, 2023.
LÁZARO, L. L. B.; GRANGEIA, C. S.; SANTOS, L.; GIATTI, L. L. What is green finance, after all? Exploring definitions and their implications under the Brazilian biofuel policy (RenovaBio). Journal of Climate Finance, Amsterdam, v. 2, p. 100009, 2023.
MAGALHÃES, A. A. S.; DOMINGUES, E. P. Aumento da eficiência energética no Brasil: uma opção para uma economia de baixo carbono? Belo Horizonte: FACE-UFMG, 2016.
MATSUURA, M. I. S. et al. RenovaCalc: a calculadora do programa RenovaBio. In: CONGRESSO BRASILEIRO SOBRE GESTÃO DO CICLO DE VIDA, 6., 2018, Brasília. Anais […]. Brasília: [s.n.], 2018.
NOVAES, R. M. L. et al. Comment on “The importance of GHG emissions from land use change for biofuels in Brazil”. Resources, Conservation & Recycling, Amsterdam, v. 191, p. 106882, 2023.
OBSERVATÓRIO DO CLIMA. SEEG – Sistema de estimativa de emissões e remoções de gases de efeito estufa: Nota metodológica do Setor Agropecuário 1970–2024, versão 13.0. São Paulo: OBSERVATÓRIO DO CLIMA, 2025. Disponível em: https://seeg.eco.br. Acesso em: 14 abr. 2026.
RAMOS, P. O. et al. Characterization of the typical sugarcane production system in Brazil certified under RenovaBio. Renewable and Sustainable Energy Reviews, Amsterdam, v. 199, p. 114504, 2024.
ROSENBAUM, P. R.; RUBIN, D. B. The central role of the propensity score in observational studies for causal effects. Biometrika, Oxford, v. 70, n. 1, p. 41–55, 1983.
ROTH, J. Interpreting event-studies from recent difference-in-differences methods. arXiv, Ithaca, arXiv:2401.12309, 2024.
ROTH, J.; SANT’ANNA, P. H. C. When is parallel trends sensitive to functional form? Econometrica, Oxford, v. 91, n. 2, p. 737–747, 2023.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

