A statistical analysis of the relationship of civil construction GDP to cement production in Brazil
DOI:
https://doi.org/10.33448/rsd-v11i7.29902Keywords:
Construction; Cement production; GDP; Data science; Machine Learning.Abstract
The ICC plays an important role in the Brazilian economy. This participation in the country's GDP remains, on average, above 5% per year. Cement, one of the main resources in this context, is used in almost all types of constructions in the country. The Brazil are among the 10 largest producers in the world and cement be the main component of concrete, makes widely used. The generation of different data is the starting point for decisions, optimization and forecasting of the activities of this communication network. To transform this data into information, many institutions use with tools such as Data Science. In this sense, this article presents the result of analysis of the behavior of cement production in Brazil, based on results generated through Machine Learning. Trends and seasonality periods were identified, as well as prediction models for future periods were proposed. Verified the existence of a strong positive correlation between cement production and the ICC GDP in Brazil. Machine Learning models were proposed and compared to predict the ICC GDP based on the annual cement production in Brazil, which showed high accuracy. It was concluded that the Ensemble Learning methods adapted better to the data, especially Random Forest.
References
Ajayi, S. O., & Oyedele, L. O. (2018) Waste-efficient materials procurement for construction projects: A structural equation modelling of critical success factors, Waste Management, 75, 60-69.
Antunes, J. L. F.& Cardoso, M. R. A. (2015) Uso da análise de séries temporais em estudos epidemiológicos. Epidemiologia e Serviços de Saúde, 24, 565–576.
Araujo, G. J. F. D. (Março 2020) O coprocessamento na indústria de cimento: definição, oportunidades e vantagem competitiva. Revista Nacional de Gerenciamento de Cidades, 8(57), 52–61.
Box, G. E. P., Jenkins, G. M.& Reinsel, G. C.& Ljung, G. M. (2015) Time Series Analysis: Forecasting and Control. (5a ed.), John Wiley & Sons.
Cao, L. (2016) Data science and analytics: a new era. Int J Data Sci Anal,. https://link.springer.com/article/10.1007/s41060-016-0006-1.
Cao, L.. (2017) Data science: A comprehensive overview. ACM Computing Surveys, 50(3).
Cao, L.. (2020) Data science: challenges and directions, 60(8), 59–68. https://cacm.acm.org/magazines/2017/8/219605-data-science/fulltext.
CBIC- Câmara Brasileira da Indústria da Construção.(2020) Banco de Dados CBIC. http://www.cbicdados.com.br/menu/pib-e-investimento/pib-brasil-e-construcao-civil.
Chatfield, C. (2013) The analysis of time series: An Introduction (6a ed.), Chapman & Hall/CRC.
CNI - Confederação Nacional da Indústria. (2019) Fato Econômico: Razões e condições da crise à recuperação do setor de construção. 1–3.
Cowpertwait, P. S. P. & Metcalfe, A. V. (2009) Introductory Times Series with R. Springer,.
Cunha, G. D. C. (2012) Importância do setor de Construção Civil para o desenvolvimento da Economia Brasileira e as alternativas complementares para o Funding do Crédito Imobiliário no Brasil. 79 f. Trabalho de Conclusão de Curso (Instituto de Economia) Universidade Federal do Rio de Janeiro. Rio de Janeiro.
De Melo, I. M., de Melo, M. M., & de Sá Morais, K. M. (2013). Direito ambiental como base para a gestão e responsabilidade ambiental da votorantim cimento de Sobral. Essentia-Revista de Cultura, Ciência e Tecnologia da UVA, 15(1).
Dua, S.& Du, X. (2016) Data Mining and Machine Learning in Cybersecurity. (3a ed.), Imprensa CRC,.
Ehlers, R. S. (2009) Análise de séries temporais. Universidade Federal do Paraná. Curitiba,. p. 90.
Espíndola, A. M. S. de , Roth, L. , Camargo, M. E. & Fachinelli, A. C. (2016) Big Data e Inteligência Estratégica: Um Estudo de Caso Sobre a Mineração de Dados como Alternativa. Revista Espacios, 37, 16-35.
EVCHENKO, Mikhail et al. (2021) Frugal machine learning. arXiv preprint arXiv:2111.03731.
FARAH, M. F. S. (1996) Processo de Trabalho na Construção Habitacional: Tradicional e Mudança. Annablume.
Ferrari, D. G. & Silva, L. N. de C. (2017) Introdução a mineração de dados. Saraiva Educação SA.
Fu, T. C. (2011) A review on time series data mining. Engineering Applications of Artificial Intelligence, 24, 164–181,.
Gaspar, I. D. A., Gonçalves, M. R. & Matias, I. D. O. (2018) Time Series Prediction: Case study using artificial neural network techiniques for forecasting National Petroleum Production. Interdisciplinary Scientific Journal., 5(1), 138-152.
Gujarati, D. N. & Porter, D. C. (2011) Econometria. (5a ed.), AMGH Editora,.
Gupta, C. B.& Guttman, I. (2018) Estatística e probabilidade com aplicações para engenheiros e cientistas. LTC ,.
Han, J., Kamber, M.& Pei, J. (2011) Data Mining: Concepts and Techniques. (3a ed.), Elsevier.
Hussain, K., Salleha, M. N. M., Talpur, S. & Talpura, N. (2018) Big Data and Machine Learning in Construction: A Review, International Journal of Soft Computing and Metaheuristics.
Ishizaki, M. Y. (2018) Reconhecimento automático de palavras 43 f. Trabalho de Conclusão de curso (Graduação em Engenharia de Controle e Automação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio,
Jacobs, W., Zanini, R. R. & Costa, M. (2014) Estudo comparativo de séries temporais para a previsão de vendas de um produto. Revista Iberoamericana de Engenharia Industrial, 6(12), 112-133,.
Jijo, B. T. & Abdulazeez, A. M. (2021) Classification Based on Decision Tree Algorithm for Machine Learning. evaluation, 6, 7.
Kantardzic, M.(2011) Data Mining: Concepts, Models, Methods, and Algorithms. (2a ed.), John Wiley & Sons.
Kirchgässner, G. & Wolters, J. (2007) Introduction to Modern Time Series Analysis. Springer.
Kumar, T. S.( 2014) Introduction to Data Mining. (5a ed.), Pearson Education Limited.
Larose, D. T. (2005) Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley and Sons, Inc.
Leão, A. L. M.de S., Ferreira, B. R. T. & Gomes, V. P. de M. (2016) Um "elefante branco" nas dunas de Natal? Uma análise pós-desenvolvimentista dos discursos acerca da construção da Arena das Dunas. Revista de Administração Pública, 50(4).
Mayrink, V. T. D. M. (2016) .Avaliação do algoritmo Gradient Boosting em aplicações de previsão de carga elétrica a curto prazo. 91f. Dissertação (Mestrado em Modelagem Computacional) – ICE/Engenharia.Universidade Federeal de Juiz de Fora. Juiz de Fora.
Mccue, C. (2007) Data Mining and Predictive Analysis: Intelligence Gathering and Crime Analysis. Elsevier,
Monteiro, A. R. & Veras, A. T. de R. (2017) A Questão habitacional no Brasil. Mercator, Fortaleza, 16. https://www.scielo.br/pdf/mercator/v16/1984-2201-mercator-16-e16015.pdf.
Montgomery, D. C.& Peck, E. A. & Geoffrey, G.(2012) Introduction to linear regression analysis. (5a ed.), John Wiley & Sons
Moretin, P. A. C.& Toloi, C. M. (2018) Análise de séries temporais: modelos lineares univariados. Blucher, v. 3.
Nabavi-Pelesaraei, A., Rafiee, S., Hosseini-Fashami, F. & Chau, K. (2021) Predictive Modelling for Energy Management and Power Systems Engineering. In: Artificial neural networks and adaptive neuro-fuzzy inference system in energy modeling of agricultural products. Editora: Elsevier. Cap.11. p. 299-334.
Olson, D. L.& Delen, D. (2008) Advanced data mining techniques. Springer Science & Business Media.
Origuela, L. A. (2018) Estudo da influência de eventos sobre a estrutura do mercado brasileiro de ações a partir de redes ponderadas por correlações de Pearson, Spearman e Kendall. 85 f. Dissertação (Mestrado em Administração de Organizações) - Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo, Ribeirão Preto.
Pacheco, C. A. R. & Pereira, N. S. (2018) Deep learning conceitos e utilização nas diversas Áreas do conhecimento. Revista Ada Lovelace, 2, 34-49.
Raschka, S.& Mirjalili, V. (2017) Python Machine Learning. (2a ed.), Packt,.
Rezende, D. A.,& Abreu, A. F. D. , (2013) Tecnologia da informação aplicada a sistemas de informação empresariais: o papel estratégico da informação e dos sistemas de informação nas empresas. (9a ed.), Atlas.
Sammut, C.& Webb, G. I. (2011) Encyclopedia of Machine. Springer,.
Santovena, A. Z. (2013) Big Data : Evolution , Components , Challenges and Opportunities. Escola de Gestão Mit Sloan. 126.
Santos, H. G. dos. (2019) Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cadernos de Saúde Pública, 35.
SNIC- Sindicato nacional da Indústria de Cimento (2019). Vendas de cimento encerram em queda de 1,2%. http://snic.org.br/assets/pdf/resultados-preliminares/1547058910.pdf.
Tan, P., Steinbach, M., Karpatne, A. & Kumar, V.(2019) Introduction to Data Mining. (2a ed.), Pearson.
Taylor, S. J.& Letham, B. (2017) Forecasting at Scale. PeerJ Preprints, Setembo.
Teixeira, L. P.& Carvalho, F. M. A. (Julho - Dezembro 2005) A construção civil como instrumento do desenvolvimento da economia brasileira. Revista Paranaense de Desenvolvimento, 109, 9-26.
Tukey, John. W. (1977) Exploratory Data Analysis Biometrics.
Vicario, G. & Coleman, S. (2020) Uma revisão da ciência de dados nos negócios e na indústria e uma visão futura. Appl Stochastic Models Bus Ind, 36, 6 - 18.
Zhang, Y.& Haghani, A. (2015) A gradient boosting method to improve travel time prediction. Transportation Research Part C, 58, 308-324.
Zhu, X., & Lafferty, J. (2005, August). Harmonic mixtures: combining mixture models and graph-based methods for inductive and scalable semi-supervised learning. In Proceedings of the 22nd international conference on Machine learning (pp. 1052-1059).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Ana Carolina Rodrigues da Rocha Souza; Helton Cristiano Gomes; Irce Fernandes Gomes Guimarães
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
