No abstract

As mudanças na dinâmica energética mundial e no funcionamento do mercado brasileiro de combustíveis exigem um entendimento profundo do comportamento do consumo energético nos diferentes setores da economia. Em atenção a isso, no presente trabalho se buscou compreender e mensurar as variáveis que determinam a demanda por diesel nos estados brasileiros. A metodologia empregada utilizou dados em painel e modelos de econometria espacial na avaliação da demanda pelo derivado no período de 2002 a 2016. Os parâmetros estimados indicaram elasticidades preço e renda da demanda por diesel de -0,5275 e 0,4247, respectivamente. Os resultados também revelaram a importância da dinâmica do agronegócio na demanda por diesel. Em linhas gerais, o crescimento de 1% no valor da produção agropecuária promove crescimento de 0,1471% no consumo do derivado fóssil. A análise indicou ainda que a demanda por diesel em um determinado Estado é influenciada pela renda e pela produção agropecuária nos Estados vizinhos. Os resultados obtidos oferecem indicações importantes para formuladores de políticas públicas e para ações empresariais relacionadas ao mercado de diesel no Brasil.

Accidents on federal highways in Brazil lead to social and economic impacts on the country. Data from the Federal Highway Police reveal that thousands of people lose their lives in these accidents year after year. This paper aims to examine the factors that influence the probability of death based on the occurrence of the accident. The estimation of a binary logistic regression model took place, in which the event of interest is the circumstance of death in an accident with data from 2021. Following variable selection procedures, it was possible to obtain the final model, which was later validated with data from 2022. The accuracy of the model for both 2021 and 2022 data was around 70%. Then, the odds ratio was calculated between some distinct categories, and how much of an increase in accident lethality it generates compared to the reference category. For example, in a crash, a pedestrian is 15.6 times more likely to die when compared to the driver, while a cyclist is 5.3 times more likely to die. Although most accidents have a human cause, some results show the need of public policies that can help reduce these tragedies. To explain the model, a dashboard was created in a way that the user is able to obtain the probability of death by selecting specific accident characteristics and those involved.

No abstract