08 de enero de 2026
Análisis y predicción de emisiones de gases de efecto invernadero en el consumo alimentario familiar
Autor: Sergio Silvestri Silva — Directora: Gabrielle Maria Romeiro Lombardi
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Este estudio aplicó metodologías de ciencia de datos para evaluar y predecir las emisiones anuales per cápita de gases de efecto invernadero (GEI) provenientes del consumo de alimentos de una familia de cuatro inmigrantes brasileños en la República Checa. Los objetivos incluyeron comparar los resultados con las medias de la Unión Europea (UE-27) y de la República Checa, utilizando como base el modelo de la European Platform on Life Cycle Assessment (EPLCA), e identificar el mejor modelo de series temporales para proyectar las emisiones de la familia en los próximos 12 meses, proporcionando una herramienta cuantitativa para la gestión de la huella de carbono.
La creciente concentración de GEI en la atmósfera, impulsada por la actividad humana, representa un desafío urgente. El Panel Intergubernamental sobre el Cambio Climático (IPCC, 2023) informa que, entre 2011 y 2020, la temperatura media de la superficie terrestre aumentó 1,1 °C en relación con los niveles preindustriales (1850-1900), acercándose al límite de 1,5 °C establecido en el Acuerdo de París. Este escenario se ve agravado por un modelo de desarrollo basado en el uso insostenible de energía, en cambios en el uso del suelo y en patrones de consumo desiguales.
La Unión Europea se ha centrado en la mitigación del cambio climático mediante el análisis de las Emisiones Basadas en el Consumo (EBC), que consideran el impacto ambiental de bienes y servicios a lo largo de todo su ciclo de vida. Como destacaron Axelsson et al. (2024), el enfoque de EBC es crucial para comprender la verdadera huella de carbono de una región, ya que internaliza las emisiones asociadas a productos importados. La Comisión Europea, a través de la plataforma EPLCA, ha desarrollado un marco de Evaluación del Ciclo de Vida (ACV) para monitorear los impactos del consumo en sectores clave como alimentación, transporte y vivienda, proporcionando datos para políticas públicas (Comisión Europea [UE], 2021).
El sector de la alimentación es un contribuyente significativo a las emisiones de GEI. Estudios como el de Aleksandrowicz et al. (2016) demuestran que la transición hacia dietas con menor contenido de productos de origen animal, especialmente carne roja, puede conducir a reducciones expresivas en las emisiones. Por lo tanto, el análisis del comportamiento de consumo a nivel familiar, como el propuesto en este trabajo, sirve como un microcosmos para entender cómo las acciones individuales pueden, colectivamente, contribuir al logro de las metas climáticas.
Al cuantificar el impacto de sus elecciones, las familias pueden tomar decisiones más informadas. Esta investigación utiliza herramientas de Data Science / Ciencia de datos para traducir datos de consumo del día a día en métricas ambientales tangibles, promoviendo la capacidad de acción a nivel micro, al mismo tiempo que dialoga con las macrotendencias y los desafíos que enfrenta la Unión Europea en su camino hacia la neutralidad climática.
La metodología adoptada fue un análisis exploratorio de datos cuantitativos, siguiendo la jerarquía conceptual que transforma datos en conocimiento aplicable (Favero y Belfiore, 2024). El estudio se basó en datos secundarios, divididos en internos (registros de compras familiares) y externos (bases de datos científicas y gubernamentales), según la clasificación de Malhotra (2004). Las herramientas computacionales empleadas incluyeron el lenguaje Python y sus bibliotecas (Pandas, NumPy, Matplotlib), además del software Microsoft Excel para la consolidación.
El conjunto de datos interno principal, nota_fiscal, se construyó a partir de la extracción de información de facturas de supermercados en PDF entre 2018 y 2024. Scripts en Python automatizaron la lectura y aplicaron técnicas de Data Wrangling para limpiar y estandarizar los datos, resultando en un dataset inicial con 14.118 observaciones. El período de análisis se centró entre 2021 y 2024, comprendiendo una muestra de 12.301 observaciones. A partir de este, se creó el conjunto item para categorizar cada producto por unidad de medida, área de consumo y país de origen.
Para la cuantificación de las emisiones, se construyeron dos conjuntos de datos externos. El primero, co2eproducto, contenía los factores de emisión de GEI (en kg de CO2eq por kg o litro) para 125 tipos de alimentos, extraídos principalmente de la base de datos de Poore y Nemecek (2018) y complementados con datos de la plataforma Carbon Cloud (2019). El segundo, co2etransporte, se creó para estimar las emisiones asociadas a la logística de los productos, utilizando datos del sitio CO2 Everything (2019) y distancias estimadas por Google Maps para diferentes modales de transporte.
La consolidación de todos los conjuntos resultó en el conjunto de datos final, consumo, con 10.909 observaciones y 13 variables. Para la modelización de series temporales, los datos de emisiones se agregaron mensualmente y se normalizaron per cápita. La metodología de previsión, fundamentada en Hyndman y Athanasopoulos (2021), implicó la descomposición de la serie, la división de los datos en conjuntos de entrenamiento (75%) y prueba (25%), y la evaluación de múltiples modelos (Media, Naïve, Drift, SES, Holt, Holt-Winters, ARIMA). La selección del mejor modelo se basó en el Error Porcentual Absoluto Medio (MAPE), y su validación estadística se confirmó mediante el análisis de residuos con las pruebas de Ljung-Box y Shapiro-Wilk, garantizando la adecuación del modelo, según lo recomendado por Oliveira et al. (2024).
El análisis de los datos de 2021 a 2024 reveló un aumento progresivo en el consumo de alimentos, con el año 2024 concentrando el 36% de todas las observaciones. Este crecimiento puede atribuirse a factores como la entrada de los hijos en la adolescencia, una fase de mayor demanda energética (Story et al., 2002), la adopción de una rutina de actividad física y la transición a la enseñanza remota, que aumentó las comidas en el hogar. El análisis mostró que solo seis productos —pan, carne de res, queso, chocolate, yogur y pollo— representaron el 37% de todos los artículos comprados.
La carne de res surgió como el principal vector de las emisiones de GEI, representando el 51,81% del total de las emisiones alimentarias del hogar, un dato coherente con la literatura (Poore y Nemecek, 2018). En conjunto, los productos de origen animal (carne de res, pollo, queso, yogur y lasaña) fueron responsables de más del 71% de la huella de carbono alimentaria. El análisis anual demostró consistencia en este patrón, con un salto notable en las emisiones en 2024, impulsado por el aumento del consumo de carnes y lácteos.
La comparación con los datos de la EPLCA para la UE-27 y la República Checa reveló diferencias culturales significativas. De 2021 a 2023, las emisiones per cápita del hogar (1,85 toneladas de CO2eq en 2023) se mantuvieron por debajo de las medias regionales. Sin embargo, en 2024, las emisiones del hogar aumentaron un 68% hasta 3,01 toneladas de CO2eq per cápita, superando las estimaciones para la UE-27 (3,0 toneladas) y la República Checa (2,5 toneladas). Mientras que el patrón de consumo europeo presentó un equilibrio entre las emisiones de carne de cerdo, vacuno, ave y queso, el perfil del hogar brasileño mostró una marcada dependencia de la carne de vacuno, cuyas emisiones fueron más del doble de la media regional.
Este comportamiento sugiere una fuerte resiliencia de los hábitos alimentarios culturales, incluso después de ocho años de residencia en un nuevo país, explicada por factores como la identidad alimentaria y la preparación de comidas tradicionales (Lillekroken et al., 2024; Parasecoli, 2014). El análisis de series temporales también reveló un patrón estacional, con caídas durante los meses de primavera y verano, posiblemente asociadas a vacaciones, y picos en otoño e invierno, cuando el clima fomenta el consumo doméstico (Zarei et al., 2019).
En la modelización predictiva, el modelo Drift destacó como el más adecuado para proyectar las emisiones futuras, presentando el menor Error Porcentual Absoluto Medio (MAPE), del 9,7%. El modelo ARIMA se consideró inadecuado, ya que la prueba de Dickey-Fuller Aumentada indicó que la serie de entrenamiento ya era estacionaria. La validación del modelo Drift se realizó mediante el análisis de residuos, donde la prueba de Ljung-Box confirmó la ausencia de autocorrelación (valor p > 0,05) y la prueba de Shapiro-Wilk atestiguó la normalidad de los residuos (valor p > 0,05), otorgando fiabilidad estadística a las predicciones.
El modelo Drift, que extrapola una tendencia lineal, proyectó un aumento continuo en las emisiones. La pendiente del modelo indicó un crecimiento promedio de 0,0007 toneladas de GEI per cápita cada mes. La previsión para los próximos 12 meses apunta a un total de 3,62 toneladas de GEI per cápita, lo que representaría un aumento del 20% en relación con el nivel de 2024. Este resultado refuerza la tendencia de crecimiento observada en el análisis descriptivo y subraya la urgencia de intervenciones para mitigar esta trayectoria.
Sin embargo, es fundamental reconocer las limitaciones del modelo Drift. Su premisa de una tendencia lineal constante lo hace vulnerable a quiebres estructurales o cambios abruptos en el comportamiento de la serie (Hyndman y Athanasopoulos, 2021). Por lo tanto, aunque es una herramienta útil para predicciones a corto plazo, su aplicación debe ir acompañada de un monitoreo continuo.
La investigación demostró con éxito la aplicación de metodologías de ciencia de datos para cuantificar y predecir las emisiones de GEI asociadas al consumo alimentario, revelando que la identidad alimentaria, ligada al consumo de carne de res, es el principal determinante de la huella de carbono familiar. La comparación con los estándares de la UE-27 y la República Checa evidenció las profundas diferencias en los hábitos de consumo y la resiliencia cultural. El modelo Drift demostró ser el más eficaz para la predicción a corto plazo, confirmando una tendencia de crecimiento en las emisiones que exige atención.
Se recomienda la continuidad de este estudio mediante la incorporación anual de nuevas observaciones, permitiendo la reevaluación de los análisis y la exploración de modelos predictivos más sofisticados. La investigación subraya la necesidad de buscar alternativas de consumo con menor impacto ambiental, como la sustitución gradual de la carne de res por otras fuentes de proteína, a fin de alinear los hábitos familiares con las metas de sostenibilidad de la Unión Europea. Se concluye que el objetivo fue alcanzado: se demostró que la aplicación de metodologías de ciencia de datos permitió evaluar, comparar y predecir las emisiones de GEI de la familia, identificando el modelo Drift como el más adecuado para la proyección y la carne de res como el principal vector de emisiones.
Referencias:
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, Suecia.
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 Análisis de Datos: estadística y Machine Learning con EXCEL®, SPSS®, STATA®, R® y 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, Suiza, 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. Investigación de Marketing: una aplicación orientada. Bookman, Porto Alegre, RS, Brasil.
Oliveira, R.; Albarracin, O. Y. E.; Silva, G. R. 2024. Introducción a las series temporales: un enfoque práctico en 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.
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí: