Resumo Executivo

Vinicius Pazini Leite; Cassia Renata Pinheiro

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Esta pesquisa analisa o impacto da digitalização no consumo de papel e sua relação com as emissões de dióxido de carbono (CO2) no Brasil, utilizando modelos de regressão linear simples e múltipla com dados de 2013 a 2023. A investigação verifica se a intensificação da transformação digital influenciou a mitigação de emissões de gases de efeito estufa, analisando variáveis como consumo de energia elétrica, geração de resíduos sólidos e número de consumidores de energia. O objetivo é construir um modelo estatístico para quantificar essas interações entre tecnologia, consumo de recursos e impacto ambiental, a fim de subsidiar políticas públicas e estratégias corporativas de sustentabilidade.

A transformação digital, conforme Albertin (2021), é uma mudança estrutural na operação das organizações que integra inovações como computação em nuvem e automação. No contexto da sustentabilidade, uma consequência direta é a potencial redução do consumo de papel, um recurso cuja produção tem significativo impacto ambiental (Maciel, 2020). A migração de documentos e comunicações para formatos digitais diminui a demanda por celulose, o que pode reduzir o consumo de água e energia na indústria papeleira e aliviar a pressão sobre ecossistemas florestais (Rydlewski, 2024).

Contudo, a relação entre digitalização e sustentabilidade ambiental é paradoxal. A infraestrutura necessária para a economia digital, como data centers e redes de comunicação, é intensiva em consumo de energia e gera lixo eletrônico (Moraes et al., 2011). Portanto, a diminuição do uso de papel pode ser contraposta por um aumento no consumo energético, cuja matriz de geração determina o balanço final das emissões de CO2. A análise deve incorporar uma visão sistêmica que considere os custos ambientais da própria tecnologia, um desafio central para a gestão de TI moderna (Haffke et al., 2017).

O dióxido de carbono (CO2) é o principal gás de efeito estufa, e o controle de suas emissões é um pilar dos esforços globais contra as mudanças climáticas (Rezende et al., 2024). A cadeia produtiva do papel contribui para essas emissões desde o desmatamento até o uso de combustíveis fósseis na fabricação e transporte. A gestão de resíduos de papel em aterros também pode emitir metano (Grigoletto, 2011). Nesse cenário, a transição para processos desmaterializados surge como uma estratégia para a descarbonização de atividades administrativas e comerciais.

No Brasil, a agenda climática é formalizada pela Política Nacional sobre Mudança do Clima (PNMC) e pelos compromissos do Acordo de Paris, que incluem a meta de reduzir as emissões de gases de efeito estufa em 43% até 2030, em relação aos níveis de 2005 (Campos et al., 2021). Atingir essa meta exige ações em múltiplos setores, incluindo eficiência energética e economia circular. Investigar como a digitalização se insere nesse contexto é fundamental para alinhar o avanço tecnológico com os objetivos de sustentabilidade do país (Seiffert, 2009).

Para a análise, foram utilizadas fontes de dados oficiais. O acesso à internet por telefone móvel (pessoas com 10 anos ou mais) de 2016 a 2023 foi obtido do Instituto Brasileiro de Geografia e Estatística (IBGE). Dados sobre descarte de resíduos sólidos, de 2013 a 2025, foram extraídos de bases do Governo Federal. As emissões de CO2 e outros poluentes, de 1990 a 2025, vieram do Sistema de Estimativas de Emissões e Remoções de Gases de Efeito Estufa (SEEG). Dados de consumo de energia elétrica e número de consumidores, de 2004 a 2023, foram coletados junto ao Ministério de Minas e Energia.

A análise dos dados foi executada em Python. A manipulação e estruturação das bases foram realizadas com a biblioteca Pandas, e o Numpy foi empregado para cálculos numéricos. Para a análise exploratória e visualização, foram utilizadas as bibliotecas Seaborn e Matplotlib. A modelagem estatística, incluindo a estimação dos modelos de regressão linear simples e múltipla, foi conduzida com o pacote statsmodels, que fornece ferramentas para estimação, testes de hipóteses e diagnósticos.

O processo de preparação dos dados envolveu a consolidação das fontes, padronização de unidades e alinhamento dos períodos temporais, além do tratamento de registros ausentes. A análise exploratória subsequente buscou compreender o comportamento das variáveis por meio do cálculo de estatísticas descritivas e da geração de visualizações. Histogramas e gráficos de densidade foram usados para avaliar a distribuição de cada variável, enquanto box-plots permitiram identificar outliers. A análise de correlação entre os pares de variáveis foi realizada para identificar preliminarmente as relações lineares existentes.

A estratégia de modelagem foi desenvolvida em fases. Primeiramente, foram estimados modelos de Regressão Linear Simples, pelo método de Mínimos Quadrados Ordinários (OLS), para avaliar a relação individual de cada variável independente (quantidade de resíduos, número de consumidores de energia e consumo de energia) com a variável dependente (emissão de CO2). Em seguida, foi estimado um modelo de Regressão Múltipla para analisar o impacto simultâneo das variáveis. Para validar o modelo, foram realizados testes de diagnóstico como o de Shapiro-Francia para normalidade dos resíduos, o de Breusch-Pagan para homoscedasticidade e o cálculo do Fator de Inflação de Variância (VIF) para multicolinearidade. Para refinar o modelo, aplicou-se a transformação de Box-Cox na variável dependente, seguida pelo método Stepwise para seleção das variáveis mais relevantes.

A análise exploratória confirmou a completude da base de dados. A distribuição das variáveis numéricas, via histogramas, mostrou que qtdresiduo e qtdemissaoco2 apresentavam forte assimetria positiva. Em contrapartida, numconsumidoresenergia e consumoenergia exibiram distribuições mais suaves. A análise de outliers via box-plots confirmou a presença de valores extremos, esperados devido à heterogeneidade econômica entre os estados brasileiros.

A matriz de correlação indicou uma correlação positiva e moderadamente forte entre numconsumidoresenergia e consumoenergia (coeficiente de 0,615). A correlação entre consumoenergia e qtdemissaoco2 foi de 0,521, também positiva e moderada, sugerindo que o consumo de energia é um potencial preditor das emissões. Os gráficos de dispersão, no entanto, revelaram que as relações não eram puramente lineares. A relação entre qtdresiduo e qtdemissaoco2 mostrou grande dispersão, enquanto os gráficos envolvendo consumoenergia e numconsumidoresenergia contra qtdemissaoco2 mostraram uma tendência positiva com variância crescente (heterocedasticidade visual).

A primeira regressão simples, avaliando o impacto da quantidade de resíduos (qtd_residuo) sobre as emissões de CO2, produziu um coeficiente de determinação (R²) de apenas 0,007, indicando que a variável explica somente 0,7% da variação nas emissões. A estatística F do modelo (0, 6388) e o p-valor associado (0,426) confirmaram a falta de significância estatística. Uma possível explicação é a complexidade da gestão de resíduos; práticas como reciclagem e recuperação energética podem desacoplar o volume gerado das emissões, conforme incentivado por políticas como as da SEMA/MT (2011).

O segundo modelo de regressão simples investigou a relação entre o número de consumidores de energia (numconsumidoresenergia) e as emissões de CO2. Neste caso, o R² foi de 0,064, significando que 6,4% da variabilidade nas emissões pode ser explicada pelo número de consumidores. O modelo se mostrou estatisticamente significativo, com um teste F de 6,013 e um p-valor de 0,0016. Este resultado sugere que a expansão do acesso à energia tem um impacto mensurável no aumento das emissões, mas o efeito de cada novo consumidor é relativamente pequeno.

A terceira análise de regressão simples examinou a associação entre o consumo total de energia (consumo_energia) e as emissões de CO2. Este modelo apresentou um R² de 0,272 (R² ajustado de 0,263), indicando que 27,2% da variação nas emissões de CO2 pode ser explicada pelo consumo de energia. A alta significância estatística do modelo foi confirmada por uma estatística F de 32,81 e um p-valor de 1,39 x 10⁻⁷. Este achado estabelece o consumo de energia como um preditor chave e estatisticamente robusto das emissões de CO2.

Na regressão múltipla, o modelo inicial com as três variáveis independentes alcançou um R² de 0,340 (R² ajustado de 0,317), explicando 34% da variação nas emissões. O teste F global (14,77, com p-valor de 7,72 x 10⁻⁸) confirmou a significância do modelo. A análise dos coeficientes mostrou que consumoenergia permaneceu como a variável mais relevante, com um coeficiente positivo e altamente significativo (p < 0,001). A variável qtdresiduo apresentou um coeficiente negativo (-0,0809) e estatisticamente significativo (p = 0,006). A variável numconsumidoresenergia perdeu sua significância estatística (p = 0,386) na presença das outras.

O diagnóstico dos resíduos do modelo múltiplo inicial revelou violação da premissa de normalidade, conforme o teste de Shapiro-Francia. Para corrigir, foi aplicada a transformação de Box-Cox na variável dependente qtdemissaoco2, com um valor de lambda (λ) ótimo de 0,4187. Em seguida, o método de seleção de variáveis Stepwise foi aplicado ao modelo transformado, resultando na eliminação da variável numconsumidoresenergia por falta de significância (p = 0,997). O modelo final foi composto pelas variáveis consumoenergia e qtdresiduo para prever a variável dependente transformada, resultando em um R² de 0,325.

A validação do modelo final refinado confirmou sua superioridade estatística. O teste de Shapiro-Francia aplicado aos resíduos deste novo modelo não rejeitou a hipótese nula, indicando que a premissa de normalidade foi satisfeita, o que foi corroborado visualmente pelo gráfico Quantil-Quantil (QQ Plot). No entanto, o teste de Breusch-Pagan (p-valor = 0,048) ainda detectou a presença de heterocedasticidade. A análise de multicolinearidade, por meio do VIF, mostrou valores baixos para as variáveis (1,69 para consumoenergia e 1,1 para qtdresiduo), descartando problemas de correlação excessiva entre os preditores.

A análise estatística demonstrou que, embora a transição digital ofereça oportunidades para a redução do consumo de papel, o fator mais determinante para as emissões de CO2 no período analisado foi o consumo de energia. A forte associação positiva entre consumo energético e emissões de carbono evidencia que a digitalização, por si só, não é uma solução para os desafios ambientais; seu benefício líquido depende da matriz energética que a sustenta. A relação inversa observada com a geração de resíduos sugere dinâmicas mais complexas que podem envolver a eficiência de processos ou políticas de gestão de resíduos que merecem investigação futura.

A transformação digital deve ser vista como uma aliada estratégica, mas não como uma solução isolada para a sustentabilidade. Para que seu potencial seja realizado, é imperativo que o avanço tecnológico seja acompanhado por políticas de eficiência energética e pela transição para fontes de energia renováveis. Recomendações para trabalhos futuros incluem a expansão do modelo com mais variáveis, como a composição da matriz energética por estado e indicadores de desenvolvimento industrial, bem como a ampliação do período de análise. A aplicação de técnicas estatísticas mais avançadas e algoritmos de Machine Learning, como Random Forest ou Gradient Boosting, poderia revelar relações não lineares e interações mais complexas. Conclui-se que o objetivo foi atingido: demonstrou-se que o consumo de energia é um preditor estatisticamente significativo das emissões de CO2 no Brasil, enquanto a digitalização apresenta uma relação complexa e indireta com os impactos ambientais.

Referências:
ALBERTIN, Alberto Luiz; ALBERTIN, Rosa Maria de Moura. TRANSFORMAÇÃO DIGITAL: GERANDO VALOR PARA O “NOVO FUTURO”: O poder das tecnologias digitais permite que a sociedade e as empresas façam algo novo, diferente e melhor, que é a essência da transformação digital. Fundação Getúlio Vargas, GVExecutivo, v. 20, n. 1, p. 1-6, 15 fev. 2021.
CAMPOS, Mariana; LEÃO, Clarrisa; AMORIM, Livia. O hidrogênio como fonte de energia: uma visão regulatória. In: O hidrogênio como fonte de energia: uma visão regulatória. Rio de Janeiro, RJ: IFE, 9 mar. 2021.
GRIGOLETTO, Izabel Cristina Berger. REAPROVEITAR E RECICLAR O PAPEL: PROPOSTA DE CONSCEINTIZAÇÃO DA PRESERVAÇÃO AMBIENTAL: MONOGRAFIA DE ESPECIALIZAÇÃO. 2011. 42 f. MONOGRAFIA DE ESPECIALIZAÇÃO (PÓS-GRADUAÇÃO) – UNIVERSIDADE FEDERAL DE SANTA CATARINA, UNIVERSIDADE FEDERAL DE SANTA CATARINA, 2011.
HAFFKE, Ingmar; KALGOVAS, Bradley; BENLIAN, Alexander. Options for Transforming the IT Function Using Bimodal IT. MIS Quarterly Executive, [S. l.], v. 16, n. 2, p. 1-21, 6 jan. 2017.
MACIEL, Julia Lobato. História sobre o papel. In: História sobre o papel. UFMG: UFMG, 1 set. 2020.
MORAES, Gustavo Hermínio Salati Marcondes de; CAPPELLOZZA, Alexandre; MEIRELLES, Fernando de Souza. Meirelles. Internext? Revista Eletrônica de Negócios Internacionais da ESPM, Internext, v. 6, n. 2, p. 48-65, 1 jul. 2011.
REZENDE, Ana; JANSON, Gabriel; RIBEIRO, Lucas; BESSA, Mônica. Emissões de Gás Carbônico (CO₂): Fontes, Impactos Ambientais e Estratégias para Mitigação. Universidade Federal de Minas Gerais – Liberdade e Cidadania, Belo Horizonte, MG, ano 2024.1, v. 15, n. 2, p. 25-31, 15 jan. 2024.
RYDLEWSKI, Carlos. Papel. In: Evolução do Papel. Museu da Casa Brasileira: Museu da Casa Brasileira, 21 jul. 2024.
SEIFFERT, Mari Elizabete Bernardini. Mercado de Carbono e o Protocolo de Quioto: Oportunidades de Negócio na Busca da Sustentabilidade. São Paulo: Atlas, 2009.
SEMA/MT. Secretaria de Meio Ambiente do Estado de Mato Grosso. Sema inaugura Central de Coleta de Resíduos e evento é

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:}