Uma análise estatística da relação do PIB da construção civil com a produção de cimento no Brasil
DOI:
https://doi.org/10.33448/rsd-v11i7.29902Palavras-chave:
Construção Civil; Produção de Cimento; PIB; Ciência de Dados; Machine Learning.Resumo
A ICC desempenha um papel importante na economia brasileira. Essa participação no PIB do país permanece, em média, acima de 5% ao ano. O cimento, um dos principais recursos neste contexto, é utilizado em quase todos os tipos de construções do país. O Brasil está entre os 10 maiores produtores do mundo e o cimento é o principal componente do concreto, faz com que seja amplamente utilizado. A geração de diferentes dados é o ponto de partida para decisões, otimização e previsão das atividades desta rede de comunicação. Para transformar esses dados em informações, muitas instituições utilizam ferramentas como Data Science. Nesse sentido, este artigo apresenta o resultado da análise do comportamento da produção de cimento no Brasil, com base em resultados gerados por meio de Machine Learning. Foram identificadas tendências e períodos de sazonalidade, bem como propostos modelos de previsão para períodos futuros. Verificou-se a existência de uma forte correlação positiva entre a produção de cimento e o PIB ICC no Brasil. Modelos de aprendizado de máquina foram propostos e comparados para prever o PIB do ICC com base na produção anual de cimento no Brasil, que apresentou alta precisão. Concluiu-se que os métodos de Ensemble Learning se adaptaram melhor aos dados, principalmente o Random Forest.
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Ana Carolina Rodrigues da Rocha Souza; Helton Cristiano Gomes; Irce Fernandes Gomes Guimarães
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
