emissÃo de co2 no brics: um estudo das causas … · emissão de co2 para os países do brics de...

EMISSÃO DE CO2 NO BRICS: UM

ESTUDO DAS CAUSAS POR MEIO DO

MÉTODO DOS MÍNIMOS QUADRADOS

ORDINÁRIOS

Vitor Goncalves de Azevedo (UFSC )

[email protected]

Simone Sartori (UFSC )

[email protected]

Lucila Maria de Souza Campos (UFSC )

[email protected]

Este estudo tem por objetivo avaliar a as causas da variação de

emissão de CO2 para os países do BRICS de 1980 à 2011. A

constatação central deste estudo é a heterogeneidade entre os países

do BRICS. Os resultados mostram duas principais diiferenças: a

formação do Grupo 1 (Brasil e Rússia); e do Grupo 2 (China, Índia e

África do Sul). No Grupo 1 foi identificado que as principais causas da

variação de emissão de CO2 são: i) a Emissão de CO2 no tempo T-1

(variável x1); e, ii) o Produto Interno Bruto anual do país (variável

x2). O modelo criado conseguiu atingir um R² de 0,98 para o Brasil, e

0,79 para a Rússia. Para os países do Grupo 2 foi constatado por meio

do Teste t que apenas a emissão de CO2 no tempo t-1 (variável x1)

passou pelo teste de hipótese. Para estes países, obteve-se um R² de

0,995 para a China; 0,991 para a Índia ; 0,954 para a África do Sul.

Palavras-chaves: Sustentabilidade, Emissão de CO2, Crescimento

Econômico, BRICS

XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos

Salvador, BA, Brasil, 08 a 11 de outubro de 2013.



2

1. Introdução

Evidencia-se que a avaliação da sustentabilidade contribui ao identificar as questões que

podem ser revertidas ou melhoradas, especialmente quando os indicadores podem ser

estimados e comparados, e são capazes de mostrar alterações à longo prazo (SARTORI et al.,

2013).

Assim, este estudo tem por objetivo avaliar as causas da variação de emissão de CO2 para os

países do BRICS (Brasil, Rússia, Índia, China e África do Sul) de 1980 à 2011, exceto para a

Rússia (1992 à 2011). Portanto, explora as cinco maiores economias emergentes por meio da

análise da emissão do Dióxido de Carbono (CO2) e Produto Interno Bruto (PIB) por meio do

método dos Mínimos Quadrados Ordinários (MQO).

A seleção do método se deu em função da combinação da teoria econômica explícita com

método estatístico (REIS; WOLAK, 2007), permitindo obter insights sobre o funcionamento

do sistema ou desenvolver políticas operacionais para melhorar o desempenho de um sistema

existente (D'AMBROGIO et al, 2009), além disso busca encontrar um modelo estatístico

apropriado e determinar os melhores coeficientes de ajuste do modelo a partir dos dados

fornecidos.

Este artigo, além desta introdução, é constituído pelas seções: i) Fundamentação Teórica; ii)

Procedimentos Metodológicos; iii) Resultados e Discussões; e, iv) Considerações finais.

2. Fundamentação Teórica

2.1 Sustentabilidade

A avaliação do progresso rumo a sustentabilidade é um assunto de extrema importância,

especialmente na situação de crescimento econômico e crise econômica, e uma maior atenção

a questões como biodiversidade e a mudança climática (SHMELEV, 2011).

Na tentativa de fornecer condições mínimas para o desenvolvimento sustentável, o debate

sobre a sustentabilidade passou da sugestão de instrumentos de política simples (como

impostos verdes) para cenários e desenvolvimento de indicadores, e mais adiante o uso de



3

métodos quantitativos como estatístico, de simulação, econométricos, entre outros

(BOCKERMAN et al., 2005). Por sua vez, os métodos de avaliação da sustentabilidade são

aqueles que conduzem ações sobre os pilares ambiental, econômico e social por meio de

análise sistemática dos desvios temporais.

Por sua vez, a relação entre sustentabilidade ambiental e desenvolvimento econômico é

complexo. Em qualquer desenvolvimento, os países enfrentam desafios ambientais. As

condições econômicas afetam os resultados ambientais, mas o nível de desenvolvimento de

um país é de nenhuma maneira o único piloto do seu desempenho ambiental (SAMIMI et al.,

2011). Conforme os autores, o crescimento econômico é uma condição de uma maior

qualidade nas condições ambientais de um determinado país.

Nos últimos 30 anos, os níveis de emissões dos principais poluentes industriais diminuíram no

mundo desenvolvido, mas têm aumentado nos países em desenvolvimento

(CHERNIWCHAN, 2012). Essa relação é conhecida como a Curva Ambiental de Kuznet, que

algumas medidas de degradação ambiental aumentariam nos momentos iniciais do

crescimento econômico, porém eventualmente, diminuiriam quando certo nível de renda fosse

alcançado (STERN, 2004).

Os países em desenvolvimento são forçados a explorar seu meio ambiente e não podem se dar

ao luxo de protegê-lo da poluição; mas com essa exploração os países em desenvolvimento

atingem um determinado nível de renda em que são capazes de suportar os métodos de

produção respeitadores do ambiente (SAMIMI et al., 2011). Então, conforme Beckerman

(1992), ao longo do processo de crescimento, a melhor, senão a única maneira para se atingir

qualidade ambiental na maioria dos países é tornando-se rico.

Oriundo dessa discussão destaca-se o protocolo de Kyoto, firmado em 1997 por 160 países,

com o objetivo de reduzir a emissão dos gases de efeito estufa (GHG). Entre os vários

poluentes que causam a mudança climática, o CO2 é o principal gás de efeito estufa emitido

pelas atividades humanas (EPA, 2012), responsável por 58,8% do GHG (THE WORLD

BANK, 2007). Só nos Estados Unidos, no ano de 2011, o CO2 foi responsável por 84% de

todas as emissões de gases de efeito estufa (EPA, 2013).

Em 2010, o BRICS representaram cerca de um quarto do PIB mundial, e estes cinco países

representaram 33% do uso global de energia e 37% de emissões de CO2 provenientes da



4

queima de combustível (EIA, 2012). Conforme Figura 1a e 1b, o país com maior peso nas

emissões de CO2 e maior PIB é a China.

Figura 1 - Emissão de CO2 (a) e Produto Interno Bruto (b)

Fonte: adaptada de EIA (2012).

Os países do BRICS ocupam 30% do território global e são o lar de 45% da população

mundial; além disso, a contribuição para o crescimento econômico global ao longo da última

década chegou a 50%, tornando este grupo de estados líderes no desenvolvimento econômico

global. (BRICS5, 2013).

2.2 BRICS

Em 2001, Jim O’Neill, chefe da pesquisa econômica global da Goldman Sachs, identificou

uma categoria de países em desenvolvimento que apontavam para um crescimento econômico

acelerado, fatores como as dimensões da economia, renda per capita, extensão territorial e

população (HERZ; DUTRA, 2013). Estes fatores aproximavam Brasil, Índia, Rússia e China,



5

e posteriormente a África do Sul (inclusão em 2010), ainda que fossem grandes as diferenças

sociais, culturais e políticas, foi denominado então BRICS.

Muitas são as diferenças estruturais: os pontos fortes de suas economias (de maior

competitividade) tampouco coincidem (LEÃO, 2012; MACHADO, 2012):

i. Brasil: conhecido pela exportação de commodities - destaque a soja, o minério de ferro

e subprodutos e, ainda, café, açúcar, etanol, celulose, carnes, suco de laranja, fumo e

nióbio. A exportação de petróleo encontra-se em seus estágios iniciais e a de produtos

industrializados vem diminuindo em termos relativos, concentrando-se em grande

parte na América do Sul.

ii. Rússia: considerada no passado como grande potência industrial define-se hoje como

exportador de petróleo e gás, e sua expansão econômica oscila com o valor dessas

commodities;

iii. Índia: vende para o exterior, serviços de alta tecnologia, com destaque para software;

iv. China: apesar de manter mais da metade de sua população na área rural, já possui um

amplo setor industrial e desenvolve um comércio internacional baseado na exportação

de produtos com crescente teor tecnológico;

v. África do Sul: reproduz um modelo de exportações parecido, até certo ponto, com o do

Brasil.

Há quem classifique o grupo como um novo centro de influência em uma estrutura multipolar

de poder que passaria a reger a ordem internacional no século XXI; há quem defenda que eles

mudaram a perspectiva de ver o mundo; há aqueles que não vislumbram qualquer futuro para

um grupo de países de diversidade histórica e com interesses econômicos por vezes

conflitantes (REIS, 2012). Entre esses, há aqueles que o classificam como apenas mais uma

sigla de existência efêmera na sopa de letras preparada pelos bancos de investimento (THE

ECONOMIST, 2010).

A coesão interna do BRICS ainda é muito frágil, até por ser nova. Trata-se de países que, se

tinham alguma relação entre si, elas se davam de modo bilateral. Há tensões geopolíticas

fortes, a exemplo da China e Índia, que têm uma forte tradição de serem adversários.

Contemporaneamente, o desenvolvimento econômico e social dos países pertencentes aos



6

BRICS tem na inovação o elemento estratégico para um possível crescimento sustentável

(MOTA, 2012).

3. Procedimentos Metodológicos

O método de pesquisa será dividido em quatro principais itens: i) Levantamento de dados; ii)

Estudo das defasagens de Y; iii) Testes de hipótese; e iv) Regressão Linear.

3.1 Levantamento de Dados

A emissão de CO2 a partir do consumo de energia (em milhões de toneladas) é proveniente do

consumo de petróleo, gás natural, carvão e gás natural - em unidades comuns (EIA 2013). Os

dados para análise do PIB foram obtidos no site do Banco Mundial (THE WORLD BANK,

2013), e correspondem ao Produto Interno Bruto anual em dólares correntes dos EUA.

Os dados do PIB e emissões de CO2 correspondem ao período anual de 1980 à 2010,

totalizando 32 observações, exceto para Rússia, analisada no período de 1992 à 2010. O

software Gretl foi usando para análise dos dados.

3.2 Estudo das defasagens de Y

No presente estudo, busca-se explicar o volume de emissão de CO2 nos países dos BRICS

(variável dependente Y) a partir do Produto Interno Bruto (x2) e emissões de CO2 nos anos

antecedentes aos estudados (defasagem de Y).

Dessa forma, o correlograma permite a análise do coeficiente de correlação de Pearson

indicando se há uma relação da emissão de CO2 de um determinado ano com o mesmo

indicador defasado. Para a validação dos dados utiliza-se o teste de hipótese T. Portanto, as

hipóteses são:

H0: Não há relação entre a variável Y com suas defasagens;

H1: Há relação entre a variável Y com suas defasagens.

Com um intervalo de confiança de 95%, o cálculo do valor do coeficiente de correlação,

indicando a rejeição da Hipótese nula (H0) ocorre por meio da Equação 1.



7

Onde:

n= número da amostra

tc = T crítico = Valor do T de Student dado o intervalo de confiança de 95% bicaudal e o

número de graus de liberdade (n-2)

rXY = Coeficiente de Correlação de Pearson Mínimo para rejeitar H0

O resultado calculado com um intervalo de confiança de 95%, conforme Tabela 1 indica que

serão inseridas nos modelos as defasagens de cada país que forem acima dos coeficientes de

correlação encontrados.

Tabela 1: Análise do T crítico

Fonte: Dados Primários, 2013

A Tabela 2 apresenta o correlograma das defasagens de Y. Portanto, para todos os países

estudados (Brasil, Rússia, Índia, China e África do Sul) a correlação da variável CO2t+0 com

CO2t-1 foram acima do nível mínimo para que fosse rejeitada a hipótese nula. Entretanto, para

todas as demais defasagens (t-2,t-3,t-4,t-5,t-6,t-7,t-8,t-9,t-10) não foi possível descartar a H0.

Tabela 2 - Correlograma das Defasagens de Y (Variável Dependente)

(1)



8


3.3 Teste de Hipótese T

O teste T buscará verificar se os resultados encontrados na pesquisa são fruto de uma hipótese

nula (H0) ou os resultados conseguem comprovar a hipótese alternativa (H1). Conforme

Barbetta et al. (2010), a hipótese nula (H0) é a hipótese aceita como verdadeira até que se

prove estatisticamente o contrário, ela geralmente representa o oposto da hipótese que se quer

provar. Quando os dados mostrarem evidências estatísticas suficientes de que a hipótese nula

é falsa, o teste rejeita-a, e passa a aceitar em seu lugar a hipótese alternativa (H1), que

corresponde à hipótese que o pesquisador pretende provar.

No atual estudo, buscou-se explicar o volume de emissão de CO2 em t+0 a (Y) a partir de dois

parâmetros (ou variáveis explicativas): (x1) = volume de emissão de CO2 em t-1; (x2) = PIB.

Além disso, o modelo ainda possui um intercepto, chamado no modelo de “a”; e o “Erro”.

Assim, a equação a ser testada é (Equação 2):

(2)

A partir desta equação, será realizado o teste de hipótese para as duas variáveis explicativas

x1 e x2.:

i. TESTE T(x1) – Volume de emissão de CO2 em T-1 como variável explicativa para

emissão de CO2 em T+0.



9

Hipótese Nula (H0) – O volume de emissão de CO2 t-1 não exerce influência sobre

o volume de CO2 emitido.

Hipótese Alternativa (H1) - O volume de emissão de CO2 t-1 exerce influência

sobre o volume de CO2 emitido.

ii. TESTE T(x2) – PIB anual como variável explicativa para emissão o volume de

emissão de CO2.

Hipótese Nula (H0) - O PIB dos países analisados não exerce influência sobre o

volume de CO2 emitido no país estudado.

Hipótese Alternativa (H1) - O PIB dos países analisados exerce influência sobre o

volume de CO2 emitido no país estudado.

Com um intervalo de confiança de 95%, os dados analisados por meio do Teste t serão: o

“P(T<=t) bi-caudal” que para rejeitar a hipótese nula, para o intervalo de confiança dado, deve

ser menor do que 0,05.

Conforme Tabela 3, os resultados do Teste t para o Brasil e Rússia indicam a rejeição da

hipótese nula de x1 e x2, isto é, tanto o PIB quanto a emissão de CO2 t-1 influenciam no CO2 e

podem ser mantidos na equação para a análise de regressão. Para os países Índia, China e

África do Sul rejeita-se a hipótese nula do teste de hipótese x1; porém não foi possível rejeitar

a hipótese nula do teste x2, dessa forma, a variável independente (PIB) será excluída do

modelo.

Tabela 3 - Testes de Hipótese T modelo com PIB e CO2 defasado


Dessa forma, o teste de hipótese apenas com o parâmetro x1 para os países Índia, China e

África do Sul (Tabela 4) confirma a rejeição da hipótese nula de x2 do teste de hipótese x2.

Tabela 4 - Testes de Hipótese T para modelo com CO2 Defasado



10


Dessa forma, a análise de regressão terá dois diferentes grupos, conforme Tabela 5:

Grupo 1: Brasil e Rússia com as variáveis explicativas x1 (emissão de CO2t-1) e x2

(PIBt+0)

Grupo 2: Índia, China, Rússia com a variável explicativa x1 (CO2t-1).

Tabela 5 - Resumo dos modelos estatisticamente testados


3.4 Regressão linear

O modelo usado é de regressão linear com um único regressor para os países do Grupo 2 e

com dois regressores (variáveis explicativas) para os países do Grupo 1. As duas principais

variáveis analisadas compreendem:

i. O coeficiente de determinação da amostra, também conhecido como R², no qual a

proporção da variação total de Y é explicada por Xi, e varia de 0 a 1 (0% a 100%).

Dessa forma, se o R² for próximo de 1, indica que o regressor é bom na previsão de Y,

mas se for próximo de zero, indica que o regressor não é bom na previsão de Y e o

modelo poderá ser invalidado (BARBETTA et al., 2010);

ii. O coeficiente de declividade que indica a variação de Y associada à variação de cada

regressor (STOCK; WATSON, 2004).

4. Análises dos Dados

4.1 Grupo 1



11

Com base na regressão por Mínimos Quadrados Ordinários, encontraram-se os valores

supracitados e o modelo encontrado foi:

(3)

(4)

Tabela 6 - Regressão Linear Grupo 1


Para o Brasil, conforme Tabela 6, a cada tonelada de CO2 gerada em T-1 trouxe 0,9361

toneladas no tempo t+0. O fator PIB demonstra que a cada 1 dólar de PIB gerado no país em

determinado ano, acarretou em 1,89X10-11

toneladas de CO2. O R² é de 0,98, considerado

bastante elevado, pois apenas 1,5% das emissões de CO2 no Brasil não foram explicadas pelo

modelo.

Ao analisar a Rússia, verifica-se que a emissão de CO2 de um determinado ano t-1 irá

influenciar na geração de 0,599316 toneladas de CO2 no ano t+0. Quanto ao PIB, verifica-se

que a cada dólar gerado no PIB da Rússia em determinado ano t+0 irá gerar 8,9X10-11

toneladas de CO2 no mesmo ano T+0. O valor de R² é 0,79 e, indica que mais de 20% da

emissão de CO2 da Rússia não pode ser explicada pelo modelo.

4.2 Grupo 2

Com base na regressão por mínimos quadrados ordinários, encontraram-se os valores

conforme Tabela 7. Dessa forma, para um intervalo de confiança de 95%, as equações

encontradas foram:

(5)

(6)



12

(7)

Tabela 7 - Regressão Linear Grupo 2


Para a China, o modelo de regressão linear encontrado para a emissão de CO2 em t+0 foi uma

constante no valor de -112,65 e mais 1,1035 multiplicado pela emissão de CO2 no período t-1.

O R² de 0,99 indica que no período entre 1981 e 2011 menos do que 0,5% dos resultados do

modelo não foram explicados pela emissão de CO2 no ano anterior.

Com relação aos dados da Índia, o intercepto de 7,425 e o coeficiente angular da variável

CO2t-1 foi de 1,04709 para explicar a emissão de CO2 no ano t+0. O R² é bastante elevado,

com o resultado de 0,99, portanto, menos de 1% não é explicado pelas de emissão de CO2.

Mais uma vez o modelo foi baseado apenas na emissão de CO2 defasado e demonstra uma

relação muito forte de tendência.

Em relação à África do Sul o valor do intercepto foi de 22,6212 e o coeficiente angular foi

0,957185. O R² foi de 0,95, portanto, apenas 5% da variância da regressão não depende das

variáveis estudadas.

Pão e Tsai (2010) analisam as relações causais dinâmicas entre as emissões de poluentes,

consumo de energia e produção real para os países do BRIC no período 1971-2005, com

exceção da Rússia (1990-2005). No longo prazo, o consumo de energia tem um impacto

positivo e estatisticamente significativo sobre as emissões, enquanto a produção real, exibe o

padrão de U invertido associado com a hipótese da curva Ambiental de Kuznets (EKA). No

curto prazo, a alterações nas emissões são influenciadas principalmente pelo termo de

correção de erro e os choques de consumo de energia.

Peter et al. (2011) indicam que o comércio internacional é um fator significativo para

explicar a mudança nas emissões em muitos países, tanto do ponto de vista da produção e do

consumo.



13

Su et al. (2013) estimam as emissões de CO2 da China, no período de 1997 a 2002, por meio

do método tradicional Input-Output. O estudo destaca que para um país com uma estrutura de

exportação semelhante da China, é significativo analisar o impacto das exportações nos

estudo de emissão.

5. Conclusão

Um dos fatores mais importantes no desenvolvimento da economia mundial é a crescente

integração econômica de grandes países, em particular o Brasil, a Rússia, Índia, China e

África do Sul, os chamados BRICS. Juntos enfrentam os desafios econômicos, sociais e

globais decorrentes da necessidade de modernização em larga escala.

A ligação entre as alterações climáticas e crescimento econômico faz parte de um desafio

maior: o desenvolvimento sustentável. Assim, este estudo teve por objetivo avaliar a as causas

da variação de emissão de CO2 para os países dos BRICS de 1980 à 2011.

Os resultados demonstraram que a variáveis explicativas para a emissão de CO2 nos países

dos BRICS foram diferentes para os países do Grupo 1 (Brasil e Rússia) e Grupo 2 (China,

Índia e África do Sul). No grupo 1 foi identificado que as principais causas da variação de

emissão de CO2 foram: Emissão de CO2 no tempo T-1 e o Produto Interno Bruto anual do

país. O modelo criado conseguiu atingir um R² de 0,98 para o Brasil, e 0,79 para a Rússia.

Para os países do grupo 2, foi constatado através do teste t que apenas a emissão de CO2 no

tempo t-1 (variável x1) rejeitou a hipótese nula do teste de hipótese, entre os resultados do

modelo estão um R² de 0,995 para a China; 0,991 para a Índia; 0,954 para a África do Sul.

Enquanto para os resultados do Grupo 1 é perceptível a importância da variação do PIB para o

modelo, entre os países do Grupo 2 é constatado que a emissão de CO2 é uma variável

explicada pela defasagem dela mesma em um ano e o fato de os três países possuírem

tendência de alta na emissão de CO2 é bastante preocupante.

Evidencia-se que a avaliação da sustentabilidade contribui ao identificar as questões que

podem ser revertidas ou melhoradas, especialmente quando os indicadores podem ser

estimados e comparados, e são capazes de mostrar alterações à longo prazo.

Neste trabalho, deve-se ter em conta a limitação em reunir os dados para um período mais

longo, especialmente para a Rússia. Além disso, ressalta-se que os testes de regressão linear



14

careceram dos requisitos básicos para validação do modelo que é: o erro ser distribuído

aleatoriamente, com distribuição normal e independente; e que o estimador seja não enviesado

e de mínima variância linear.

Recomenda-se para os trabalhos futuros que a análise estatística considere os requisitos

básicos supracitados e que sejam incluídas outras variáveis explicativas como, por exemplo,

população dos países, PIB per capita, Índice de Desenvolvimento Humano, consumo de

energia, entre outras varáveis.

AGRADECIMENTOS

Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio

financeiro.

Referências

BARBETTA, PEDRO ALBERTO; REIS, MARCELO MENEZES; BORNIA, ANTONIO CEZAR. Estatística:

para cursos de engenharia e informática. 3ºEd. São Paulo: Atlas, 2010.

BOCKERMANNA, ANDREAS; MEYERB, BERND; OMANNC,INES; SPANGENBERG, JOACHIM

Modelling sustainability: Comparing an econometric (PANTA RHEI) and a systems dynamics model (SuE).

Journal of Policy Modeling, v.27, n.2, p.189-210, 2005.

BRICS5. Fifth BRICS summit. Durban, mar. 2013. Disponível em: < http://www.brics5.co.za/>. Acesso

em: 27 abr. 2013.

CHERNIWCHAN, JEVAN. Economic growth, industrialization, and the environment. Resource and Energy

Economics, v. 34, n. 4, p. 442-467, 2012.

D’AMBROGIO, ANDREA; IAZEOLLAA, GIUSEPPE.; PASINIB, FILIPPO. Simulation model building of

traffic intersections. Simulation Modelling Practice and Theory, v.17, n.4, p.625-640, 2009.

ENERGY INFORMATION ADMINSTRATION (EIA). Total Carbon Dioxide Emissions from the

Consumption of Energy. 2013. Disponível em:

<http://www.eia.gov/cfapps/ipdbproject/iedindex3.cfm?tid=90&pid=44&aid=8>. Acesso: 24 abr 2013.

ENVIRONMENTAL PROTECTION AGENCY (EPA). Emissions and trends. 2012. Disponível:

http://www.epa.gov/climatechange/ghgemissions/gases/co2.html. Acesso em: 18 jan. 2013.

ENVIRONMENTAL PROTECTION AGENCY (EPA). Climate change. 2013. Disponível:

<http://www.epa.gov/climatechange/>. Acesso em: 26 abr. 2013.

HERZ, MONICA; DUTRA, ANTÔNIO. Os BRICS em revisão de literatura. Working Paper, Abril, 2013.

Disponível em: <http://bricspolicycenter.org/homolog/uploads/trabalhos/5990/doc/1253242972.pdf>. Acesso: 24

abr 2013.

http://www.epa.gov/

http://www.epa.gov/

http://www.epa.gov/climatechange/



15

HAK, TOMAS; KOVANDA, JAN; WEINZETTEL, JAN. A method to assess the relevance of

sustainability indicators: Application to the indicator set of the Czech Republic’s Sustainable

Development Strategy. Ecological Indicators , n.17, p.46-57, 2012.

LEÃO, VALDEMAR CARNEIRO. BRICS: identidade e agenda econômica - Notas de um observador

diplomático. Brasília, 2012. Disponível em:

<http://www.funag.gov.br/biblioteca/dmdocuments/OBrasileosBrics.pdf>. Acesso: 24 abr 2013.

MACHADO, LUIZ ALBERTO. O Brasil, os BRICS e a agenda internacional.FAAP, São Paulo, 2011.

Disponível em: <http://www.faap.br/cea/pdf/Qual%20245_62a66.pdf>. Acesso: 24 abr 2013.

MOTA, RONALDO. Brasil, os BRICS e o cenário de inovação. In: O Brasil, Os BriCs e a agenda

internacional. Brasília : FUNAG, 2012. Disponível em: <

http://www.funag.gov.br/biblioteca/dmdocuments/OBrasileosBrics.pdf>. Acesso: 26 abr 2013.

PAO, HSIAO-TIEN.; FU, HSIN-CHIA; TSENG, CHENG-LUNG. Forecasting of CO2 emissions, energy

consumption and economic growth in China using an improved grey model. Energy, v.40, n.1, p.400-409, 2012.

PAO, HSIAO-TIEN.; TSAI, CHUNG-MING. CO2emissions, energy consumption and economic growth in

BRIC countries. Energy Policy, v.38, p.7850-7860, 2010.

PETERS, GLEN; MINX, JAN; WEBER, CHRISTOPHER; EDENHOFER, Ottmar. Growth in emission

transfers via international trade from 1990 to 2008. Proceedings of the National Academy of Sciences, v.108,

n.21, p.8903-8908, 2011.

REIS, MARIA EDILEUZA FONTENELE. BRICS: surgimento e evolução. Mesa-redonda : o Brasil, os

BRICS e a agenda Internacional. Brasília: FUNAG, 2012, pp.31-47

REIS, PETER; WOLAK, FRANK. Structural econometric modeling: rationales and examples from industrial

organization. Handbook of Econometrics, Chapter 64, v.6, 2007. Disponível em:

<http://www.stanford.edu/group/fwolak/cgi-

bin/sites/default/files/files/Structural%20Econometric%20Modeling_Rationales%20and%20Examples%20From

%20Industrial%20Organization_Reiss,%20Wolak.pdf>. Acesso em: 26 abr 2013.

SAMIMI, AHMAD; GHADERI, SAMAN.; AHMADPOUR, MOHIDDIN. Environmental sustainability and

economic growth: Evidence from some developing countries. Advances in Environmental Biology, v. 5, n. 5,

p. 961-966, 2011.

SARTORI, SIMONE; CAMPOS, LUCILA MARIA DE SOUZA CAMPOS; SAMOHYL, ROBERT.

Combining Sustainability and Quantitative Models - An Analysis for the Countries of The BRICS. 4th

International workshop advances in Cleaner Production, São Paulo, Brazil, 2013.

SHMELEV, STANISLAV. Dynamic sustainability assessment: The case of Russia in the period of transition

(1985–2008). Ecological Economics, v.70, n.11, p.2039-2049, 2011.

STERN, DAVID. The Rise and the Fall of the Environmental Kuznets Curve. World Development, v.32, n.8, p.

1419-1439, 2004.

STOCK, JAMES; WATSON, MARK. Econometria. São Paulo: Addison Wesley, 2004.

SU, BIN; ANG, BW.; LOW, MELISSA. Input–output analysis of CO2emissions embodied in trade and the

driving forces: Processing and normal exports. Ecological Economics, n.88, p.119-125, 2013.

THE ECONOMIST. BriC-a-Brac. Londres, 22 nov. 2010. Disponível em:

<http://www.economist.com/node/17493468>. Acesso em: 26 abr. 2013.

http://www.funag.gov.br/biblioteca/dmdocuments/OBrasileosBrics.pdf

http://www.funag.gov.br/biblioteca/dmdocuments/OBrasileosBrics.pdf

http://www.stanford.edu/group/fwolak/cgi-bin/sites/default/files/files/Structural%20Econometric%20Modeling_Rationales%20and%20Examples%20From%20Industrial%20Organization_Reiss,%20Wolak.pdf





16

THE WORLD BANK. Indicators. 2013. Disponível em <http://data.worldbank.org/indicator/all>. Acesso em

18 abr 2013.

http://data.worldbank.org/indicator/all

emissÃo de co2 no brics: um estudo das causas … · emissão de co2 para os países do brics de...

Documents