08 de janeiro de 2026
Análise e previsão de emissões de gases de efeito estufa no consumo alimentar familiar
Autor: Sergio Silvestri Silva — Orientadora: Gabrielle Maria Romeiro Lombardi
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Este estudo aplicou metodologias de ciência de dados para avaliar e prever as emissões anuais per capita de gases de efeito estufa (GEE) provenientes do consumo de alimentos de uma família de quatro imigrantes brasileiros na República Tcheca. Os objetivos incluíram comparar os resultados com as médias da União Europeia (UE-27) e da República Tcheca, utilizando como base o modelo da European Platform on Life Cycle Assessment (EPLCA), e identificar o melhor modelo de séries temporais para projetar as emissões da família nos próximos 12 meses, fornecendo uma ferramenta quantitativa para a gestão da pegada de carbono.
A crescente concentração de GEE na atmosfera, impulsionada pela atividade humana, representa um desafio urgente. O Painel Intergovernamental sobre Mudanças Climáticas (IPCC, 2023) reporta que, entre 2011 e 2020, a temperatura média da superfície terrestre aumentou 1,1 °C em relação aos níveis pré-industriais (1850-1900), aproximando-se do limite de 1,5 °C estabelecido no Acordo de Paris. Este cenário é agravado por um modelo de desenvolvimento baseado no uso insustentável de energia, em mudanças no uso do solo e em padrões de consumo desiguais.
A União Europeia tem focado na mitigação das mudanças climáticas por meio da análise das Emissões Baseadas no Consumo (EBC), que consideram o impacto ambiental de bens e serviços ao longo de todo o seu ciclo de vida. Conforme destacado por Axelsson et al. (2024), a abordagem de EBC é crucial para compreender a verdadeira pegada de carbono de uma região, pois internaliza as emissões associadas a produtos importados. A Comissão Europeia, por meio da plataforma EPLCA, desenvolveu uma estrutura de Avaliação do Ciclo de Vida (ACV) para monitorar os impactos do consumo em setores-chave como alimentação, transporte e moradia, fornecendo dados para políticas públicas (European Commission [EU], 2021).
O setor de alimentação é um contribuinte significativo para as emissões de GEE. Estudos como o de Aleksandrowicz et al. (2016) demonstram que a transição para dietas com menor teor de produtos de origem animal, especialmente carne vermelha, pode levar a reduções expressivas nas emissões. Portanto, a análise do comportamento de consumo em nível familiar, como a proposta neste trabalho, serve como um microcosmo para entender como ações individuais podem, coletivamente, contribuir para o alcance das metas climáticas.
Ao quantificar o impacto de suas escolhas, as famílias podem tomar decisões mais informadas. Esta pesquisa utiliza ferramentas de ciência de dados para traduzir dados de consumo do dia a dia em métricas ambientais tangíveis, promovendo a capacidade de ação em nível micro, ao mesmo tempo que dialoga com as macrotendências e os desafios enfrentados pela União Europeia em sua jornada rumo à neutralidade climática.
A metodologia adotada foi uma análise exploratória de dados quantitativos, seguindo a hierarquia conceitual que transforma dados em conhecimento aplicável (Favero e Belfiore, 2024). O estudo baseou-se em dados secundários, divididos em internos (registros de compras da família) e externos (bases de dados científicas e governamentais), conforme a classificação de Malhotra (2004). As ferramentas computacionais empregadas incluíram a linguagem Python e suas bibliotecas (Pandas, NumPy, Matplotlib), além do software Microsoft Excel para consolidação.
O conjunto de dados interno principal, nota_fiscal, foi construído a partir da extração de informações de notas fiscais de supermercados em PDF entre 2018 e 2024. Scripts em Python automatizaram a leitura e aplicaram técnicas de Data Wrangling para limpar e padronizar os dados, resultando em um dataset inicial com 14.118 observações. O período de análise foi focado entre 2021 e 2024, compreendendo uma amostra de 12.301 observações. A partir deste, foi criado o conjunto item para categorizar cada produto por unidade de medida, área de consumo e país de origem.
Para a quantificação das emissões, foram construídos dois conjuntos de dados externos. O primeiro, co2eproduto, continha os fatores de emissão de GEE (em kg de CO2eq por kg ou litro) para 125 tipos de alimentos, extraídos principalmente da base de dados de Poore e Nemecek (2018) e complementados com dados da plataforma Carbon Cloud (2019). O segundo, co2etransporte, foi criado para estimar as emissões associadas à logística dos produtos, utilizando dados do site CO2 Everything (2019) e distâncias estimadas pelo Google Maps para diferentes modais de transporte.
A consolidação de todos os conjuntos resultou no dataset final, consumo, com 10.909 observações e 13 variáveis. Para a modelagem de séries temporais, os dados de emissões foram agregados mensalmente e normalizados per capita. A metodologia de previsão, fundamentada em Hyndman e Athanasopoulos (2021), envolveu a decomposição da série, a divisão dos dados em conjuntos de treino (75%) e teste (25%), e a avaliação de múltiplos modelos (Média, Naïve, Drift, SES, Holt, Holt-Winters, ARIMA). A seleção do melhor modelo foi baseada no Erro Percentual Absoluto Médio (MAPE), e sua validação estatística foi confirmada pela análise de resíduos com os testes de Ljung-Box e Shapiro-Wilk, garantindo a adequação do modelo, conforme preconizado por Oliveira et al. (2024).
A análise dos dados de 2021 a 2024 revelou um aumento progressivo no consumo de alimentos, com o ano de 2024 concentrando 36% de todas as observações. Este crescimento pode ser atribuído a fatores como a entrada dos filhos na adolescência, uma fase de maior demanda energética (Story et al., 2002), a adoção de uma rotina de atividade física e a transição para o ensino remoto, que aumentou as refeições no domicílio. A análise mostrou que apenas seis produtos — pão, carne bovina, queijo, chocolate, iogurte e frango — representaram 37% de todos os itens comprados.
A carne bovina emergiu como o principal vetor das emissões de GEE, respondendo por 51,81% do total das emissões alimentares da família, dado consistente com a literatura (Poore e Nemecek, 2018). Em conjunto, os produtos de origem animal (carne bovina, frango, queijo, iogurte e lasanha) foram responsáveis por mais de 71% da pegada de carbono alimentar. A análise anual demonstrou consistência nesse padrão, com um salto notável nas emissões em 2024, impulsionado pelo aumento do consumo de carnes e laticínios.
A comparação com os dados da EPLCA para a UE-27 e a República Tcheca revelou diferenças culturais significativas. De 2021 a 2023, as emissões per capita da família (1,85 toneladas de CO2eq em 2023) mantiveram-se abaixo das médias regionais. No entanto, em 2024, as emissões da família aumentaram 68% para 3,01 toneladas de CO2eq per capita, ultrapassando as estimativas para a UE-27 (3,0 toneladas) e a República Tcheca (2,5 toneladas). Enquanto o padrão de consumo europeu apresentou um equilíbrio entre as emissões de carne suína, bovina, aves e queijo, o perfil da família brasileira mostrou uma dependência marcante da carne bovina, cujas emissões foram mais que o dobro da média regional.
Este comportamento sugere uma forte resiliência dos hábitos alimentares culturais, mesmo após oito anos de residência em um novo país, explicada por fatores como identidade alimentar e preparação de refeições tradicionais (Lillekroken et al., 2024; Parasecoli, 2014). A análise da série temporal também revelou um padrão sazonal, com quedas durante os meses de primavera e verão, possivelmente associadas a férias, e picos no outono e inverno, quando o clima incentiva o consumo doméstico (Zarei et al., 2019).
Na modelagem preditiva, o modelo Drift destacou-se como o mais adequado para projetar as emissões futuras, apresentando o menor Erro Percentual Absoluto Médio (MAPE), de 9,7%. O modelo ARIMA foi considerado inadequado, pois o teste de Dickey-Fuller Aumentado indicou que a série de treino já era estacionária. A validação do modelo Drift foi realizada por meio da análise de resíduos, onde o teste de Ljung-Box confirmou a ausência de autocorrelação (p-valor > 0,05) e o teste de Shapiro-Wilk atestou a normalidade dos resíduos (p-valor > 0,05), conferindo confiabilidade estatística às previsões.
O modelo Drift, que extrapola uma tendência linear, projetou um aumento contínuo nas emissões. A inclinação do modelo indicou um crescimento médio de 0,0007 toneladas de GEE per capita a cada mês. A previsão para os próximos 12 meses aponta para um total de 3,62 toneladas de GEE per capita, o que representaria um aumento de 20% em relação ao patamar de 2024. Este resultado reforça a tendência de crescimento observada na análise descritiva e sublinha a urgência de intervenções para mitigar essa trajetória.
É fundamental, contudo, reconhecer as limitações do modelo Drift. Sua premissa de uma tendência linear constante o torna vulnerável a quebras estruturais ou mudanças abruptas no comportamento da série (Hyndman e Athanasopoulos, 2021). Portanto, embora seja uma ferramenta útil para previsões de curto prazo, sua aplicação deve ser acompanhada de um monitoramento contínuo.
A pesquisa demonstrou com sucesso a aplicação de metodologias de ciência de dados para quantificar e prever as emissões de GEE associadas ao consumo alimentar, revelando que a identidade alimentar, ligada ao consumo de carne bovina, é o principal determinante da pegada de carbono familiar. A comparação com os padrões da UE-27 e da República Tcheca evidenciou as profundas diferenças nos hábitos de consumo e a resiliência cultural. O modelo Drift provou ser o mais eficaz para a previsão de curto prazo, confirmando uma tendência de crescimento nas emissões que exige atenção.
Recomenda-se a continuidade deste estudo por meio da incorporação anual de novas observações, permitindo a reavaliação das análises e a exploração de modelos preditivos mais sofisticados. A pesquisa sublinha a necessidade de se buscar alternativas de consumo com menor impacto ambiental, como a substituição gradual da carne bovina por outras fontes de proteína, de forma a alinhar os hábitos familiares com as metas de sustentabilidade da União Europeia. Conclui-se que o objetivo foi atingido: demonstrou-se que a aplicação de metodologias de ciência de dados permitiu avaliar, comparar e prever as emissões de GEE da família, identificando o modelo Drift como o mais adequado para a projeção e a carne bovina como o principal vetor de emissões.
Referências:
Aleksandrowicz L.; Green R.; Joy E. J. M.; Smith P.; Haines A. 2016. The Impacts of Dietary Change on Greenhouse Gas Emissions, Land Use, Water Use, and Health: A Systematic Review. PLoS ONE 11(11): e0165797.
Axelsson, K.; Gong, J.; Dugast, C.; Lambe, F.; Maquet, P; Suljada, T. 2024. Consumption-based emissions: a new frontier for EU climate policy. SEI Report, June 2024. Stockholm Environment Institute, Stockholm, Suécia.
Carbon Cloud. 2019. ClimateHub is an open climate footprint database that can be used for internal purposes without cost.
CO2 Everything. 2019. The Carbon Footprint of everyday products and activities.
European Commission [EU]. 2013. European Platform on LCA | EPLCA.
European Commission [EU]. 2021. Consumption Footprint.
Favero, L. P.; Belfiore, P. 2024. Manual de Análise de Dados: estatística e Machine Learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Hyndman, R. J.; Athanasopoulos, G. 2021. Forecasting: principles and practice, 3rd edition. OTexts, Melbourne, Australia.
Intergovernmental Panel on Climate Change [IPCC]. 2023. Sections. In: Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, H. Lee and J. Romero (eds.)]. IPCC, Geneva, Suíça, pp. 35-115, doi: 10.59327/IPCC/AR6-9789291691647.
Lillekroken, D.; Bye, A.; Halvorsrud, L.;Terragni, L.; Debesay, J. 2024. Food for Soul—Older Immigrants’ Food Habits and Meal Preferences After Immigration: A Systematic Literature Review. J Immigrant Minority Health 26, 775–805.
Malhotra, N. K. 2004. Pesquisa de Marketing: uma aplicação orientada. Bookman, Porto Alegre, RS, Brasil.
Oliveira, R.; Albarracin, O. Y. E.; Silva, G. R. 2024. Introdução às séries temporais: uma abordagem prática em Python. Mackenzie, São Paulo, SP, Brasil.
Parasecoli, F. 2014. Food, Identity, and Cultural Reproduction in Immigrant Communities. Social Research: An International Quarterly 81(2): 415-439.
Poore, J.; Nemecek T. 2018. Reducing food’s environmental impacts through producers and consumers.
Story, M.; Neumark-Sztainer, D.; & French, S. 2002. Individual and environmental influences on adolescent eating behaviors.
Zarei, M. M.; Agudo-Peregrina, a. F.; Ponce-Cueto, E. 2019. Choosing the delivery and return method in purchases: the effect of situational factors in omni-channel contexts.
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:

