10.12804/revistas.urosario.edu.co/territorios/a.14740

Sección General

A economia verde no Brasil e os fatores determinantes para a transição:
uma análise por meio do método STIRPAT^*

La economía verde en Brasil y los factores determinantes para la transición:
un análisis por medio del método STIRPAT

The Green Economy in Brazil and the Determining Factors for the Transition:
An Analysis using the STIRPAT Method

Adrian Jedyn ¹
Christian Luiz Da Silva ²
Marília de Souza ³
Carine de Almeida Vieira ⁴
Sidarta Ruthes ⁵
Laila Del Bem Seleme Wildauer ⁶

¹ Doutorando no Programa de Pós-Graduação em Tecnologia e Sociedade. Universidade Tecnológica Federal do Paraná.
adrianjedyn@gmail.com
0000-0002-8206-0167

² Professor titular no Programa de Pós-Graduação em Tecnologia e Sociedade. Universidade Tecnológica Federal do Paraná
christianlsilva76@gmail.com.
0000-0002-4074-5184

³ Pesquisadora. Fundação Araucária
mariliadesouza0305@gmail.com.
0000-0002-5362-439X

⁴ Analista de pesquisa, desenvolvimento e inovação.
Observatório Sistema Fiep (Federação das Indústrias do Estado do Paraná)
carine.a.vieira@gmail.com.
0000-0001-9400-8633

⁵ Gerente do Observatório Sistema Fiep. Observatório Sistema Fiep.
sidartaruthes@gmail.com.
0000-0003-1781-9402

⁶ Analista técnico sênior. Observatório Sistema Fiep.
lailadbs@gmail.com
0009-0004-3490-4507

^* A presente pesquisa contou com o apoio do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), por meio do projeto intitulado Plataforma de Inteligência de Crescimento Verde Brasileiro (CNPq/MCTl/ FNDCT 59/2022), ao qual agradecemos o suporte financeiro e institucional para o desenvolvimento deste trabalho. Agradecemos também o suporte financeiro do CNPq nos projetos 304937/2022-3 e 407021/2023-0.

Recebido: 31 de julho de 2024
Aprovado: 28 de março de 2025

Para citar este artigo: Jedyn, A., Da Silva, C. L., Souza, M. de, Vieira, C. de A., Ruthes, S., & Wildauer, L. D. B. S. (2025). A economia verde no Brasil e os fatores determinantes para a transição: uma análise por meio do método STIRPAT. Territorios, (53), 1-29. https://doi.org/10.12804/revistas.urosario.edu.co/territorios/a.14740

---

RESUMO

Este artigo tem como objetivo avaliar os fatores que influenciam a transição para a economia verde no Brasil por meio do modelo STIRPAT. Examinam-se as emissões (1981-2021) e o desmatamento (1991-2021) como variáveis dependentes. Os resultados mostram que o PIB per capita se correlaciona negativamente com as emissões devido à desindustrialização e aos avanços tecnológicos. O consumo de energia está positivamente associado às emissões por causa da expansão urbana, e há uma preferência pelo crescimento econômico em detrimento das preocupações ambientais. A expansão agrícola correlaciona-se inversamente com as emissões, sugerindo potencial sequestro de carbono em áreas rurais. A área florestal diminui com o PIB per capita, com o crescimento da população e com o uso de energia, o que indica perda florestal ligada ao crescimento econômico e à urbanização. O estudo destaca a necessidade de transições sociotécnicas personalizadas, promovendo setores verdes, regulamentações ambientais robustas e práticas sustentáveis para fomentar a inovação, a descarbonização e o desenvolvimento equitativo.

Palavras-chave: Tecnologia; mudanças climáticas; desenvolvimento; sustentabilidade; Brasil.

---

RESUMEN

El artículo tiene como objetivo evaluar los factores que influyen en la transición hacia la economía verde en Brasil por medio del modelo STIRPAT. Se examinan las emisiones (1981-2021) y la deforestación (1991-2021) como variables dependientes. Los resultados muestran que el PIB per capita se correlaciona negativamente con las emisiones debido a la desindustrialización y los avances tecnológicos. El consumo de energía está positivamente asociado con las emisiones a causa de la expansión urbana, y hay una preferencia por el crecimiento económico en detrimento de las preocupaciones ambientales. La expansión agrícola se correlaciona inversamente con las emisiones, sugiriendo un potencial secuestro de carbono en áreas rurales. La superficie forestal disminuye con el PIB per capita, lo crecimiento de la población y el uso de energía, lo que indica pérdida forestal vinculada al crecimiento económico y la urbanización. El estudio destaca la necesidad de transiciones sociotécnicas personalizadas, promoviendo sectores verdes, regulaciones ambientales robustas y prácticas sostenibles para fomentar la innovación, la descarbonización y el desarrollo equitativo.

Palabras clave: Tecnología; cambio climático; desarrollo; sostenibilidad; Brasil.

---

ABSTRACT

This article aims to assess the factors influencing the transition to a green economy in Brazil using the STIRPAT model. It examines emissions (1981-2021) and deforestation (1991-2021) as dependent variables. The results show that GDP per capita is negatively correlated with emissions due to deindustrialization and technological advancements. Energy consumption is positively associated with emissions because of urban expansion, reflecting a preference for economic growth over environmental concerns. Agricultural expansion is inversely correlated with emissions, suggesting potential carbon sequestration in rural areas. Forest cover decreases with GDP per capita, population growth, and energy use, indicating forest loss linked to economic growth and urbanization. The study underscores the need for tailored socio-technical transitions, promoting green sectors, robust environmental regulations, and sustainable practices to foster innovation, decarbonization, and equitable development.

Keywords: Technology; climate change; development; sustainability; Brazil.

---

As mudanças climáticas são uma preocupação importante, pois afetam diretamen-te economias, populações e ecossistemas (Dong et al., 2019; Lin & Ullah, 2024). São causadas principalmente por atividades humanas, e as emissões de gases de efeito estufa (GEES) são o principal fator responsável por tais alterações, com o dióxido de carbono (CO₂) e o metano (CH₄) como os principais contribuintes para esse desequilíbrio. As emissões de GEES ocorrem tanto em áreas urbanas (Munir & Ameer, 2022) quanto rurais (Haoyan et al., 2023), pois se originam principalmente da queima de combustíveis fósseis (Zhang et al., 2023), no caso do CO₂, e de atividades agropecuárias, tratamento de resíduos e usos industriais, no caso do CH₄. Como o desenvolvimento econômico é um processo que se manifesta dentro das fronteiras geográficas dos países (Sassen, 2000), é imperativo buscar alternativas que não prejudiquem o meio ambiente, promovam a segurança climática e não esgotem os recursos naturais (Dasgupta, 2021).

O desenvolvimento sustentável trata de uma perspectiva holística que integra crescimento econômico, sustentabilidade ambiental e justiça social (Sachs, 2006). É relacionado a busca por tecnologias limpas, custo-efetivas, ambientalmente adequadas e a adoção de políticas públicas focadas em uma coexistência mais adequada com o meio ambiente (Li et al., 2023a).

A economia verde emerge como um paradigma de desenvolvimento ao considerar a transição do modelo econômico atual à sustentabilidade. Esse paradigma busca o bem-estar e a igualdade social, simultaneamente reduzindo riscos ambientais (United Nations Environment Programme, 2011), uma perspectiva que precisa ser adaptada ao contexto territorial em que será aplicada.

A economia verde no Brasil é caracterizada como um modelo econômico que busca integrar a conservação ambiental, a dinâmica do carbono e o uso mais eficiente dos recursos naturais na produção e no consumo de bens e serviços econômicos. Esse modelo inclui a infraestrutura básica (energia, transporte e saneamento básico), a produção e o consumo de bens e serviços, bem como os negócios verdes, com o apoio das tecnologias verdes, priorizando a redução das desigualdades e a inclusão social, com o suporte de políticas públicas e com a criação de empregos qualificados. A economia verde se relaciona com a economia circular e a bioeconomia, além de abranger iniciativas inovadoras em negócios e mercados verdes, como o mercado de crédito de carbono. Também busca transformar a economia em um modelo mais sustentável (Santeramo, 2022) e é caracterizada pelo crescimento econômico que permite proteção ambiental significativa (Trinh et al., 2023). Ainda, almeja melhorar a eficiência no uso dos recursos naturais e da energia (Gasparatos et al., 2017), e desacoplar as atividades produtivas das emissões de GEES (Trinh et al., 2023).

Abordagens ao desenvolvimento da economia verde dependem da tecnologia e da inovação como um elemento crucial na transição, para atingir condições de produção sem afetar adversamente o ecossistema (Nosheen et al., 2021). O desenvolvimento tecnológico busca maior eficiência no uso de recursos naturais, particularmente em relação à energia. Isso leva à redução na emissão gees, à minimização de impactos ambientais e à degradação diminuída (Haoyan et al., 2023). Além disso, transicionar de uma economia baseada em carbono para uma economia verde torna necessárias mudanças institucionais significativas, como adaptações de infraestrutura e adoção de práticas de gestão para guiar esse processo (Gouveia & Montoya, 2014).

A correlação entre progresso econômico e emissões é evidente em países em desenvolvimento, onde a industrialização é tardia e, por vezes, incompleta. Chandra et al. (2023) ressaltam que esses países comumente priorizam o crescimento econômico com poucas restrições, em detrimento de iniciativas mais sustentáveis. Esse fenômeno, descrito por Bresser-Pereira (2007) como "cegueira coletiva", ocorre quando tais nações buscam o crescimento acelerado com uma ótica puramente economicista, resultando na depleção de recursos naturais em benefício de uma elite restrita.

No contexto brasileiro, a correlação entre atividades econômicas e emissões de GEES também se observa (Silva et al., 2015). Fatores como as mudanças no uso da terra, as práticas agrícolas (Fontana et al., 2021) e a influência do setor energético, este último impulsionado pelo transporte (Gouvea & Montoya, 2014), e a rápida urbanização, que leva ao aumento da demanda energética (Ou et al., 2024), são identificados como contribuintes significativos para as emissões de GEES (Sistema de Estimativa de Emissões e Remoções de Gases de Efeito Estufa [SEEG], 2022).

Dadas a crescente fragilidade dos ecossistemas e a busca por sistemas produtivos sensíveis às questões ambientais, este trabalho busca responder à seguinte questão: como fatores determinantes ambientais e econômicos podem auxiliar na transição do atual modelo econômico para a economia verde no Brasil? Espera-se que, ao entender tais determinantes, seja possível propor medidas adequadas para a transição. Assim, o objetivo deste artigo é avaliar os fatores que influenciam a transição à economia verde no Brasil.

Além disso, o artigo discute subsídios para a proposição de políticas, estratégias de gestão e prioridades de investimento em infraestrutura. Está estruturado da seguinte forma: esta introdução, que apresenta o contexto, o problema e os objetivos; uma revisão da literatura, que discute os conceitos de economia verde, a transição para esse modelo, o método STIRPAT, suas aplicações e variáveis; uma seção de metodologia; os resultados e a discussão; e, por fim, as considerações finais.

Revisão da literatura

Na abordagem econômica convencional, demandas sociais são alcançadas pelo desenvolvimento econômico, que inevitavelmente causa degradação de recursos naturais. Nesse contexto, a recuperação das condições ambientais ocasiona a desaceleração do desenvolvimento econômico e do crescimento populacional (Satheedevi et al., 2022). Assim, a economia verde pode ser um caminho para mudar esse paradigma a favor da transição ecológica.

Economia verde

A economia verde busca se alinhar ao desenvolvimento sustentável e promover uma estratégia para fomentar uma economia de baixo carbono (Valle & Climaco, 2015). Surge em resposta às crises sociais, ambientais e econômicas, que se correlacionam aos impactos ecológicos do desenvolvimento convencional (Chabán-García & Hidalgo-Capitán, 2023), e almeja usar recursos naturais de forma mais eficiente (Valle & Climaco, 2015; Vukovic et al., 2019), a fim de reduzir as emissões de GEES e mitigar os efeitos das mudanças climáticas (Santeramo, 2022).

Para possibilitar a transição entre modelos econômicos, é necessária a participação estatal, por meio de políticas públicas, e a ação do setor privado, por novas perspectivas de negócios (Newton et al., 2014). Apesar do ceticismo quanto à integridade ambiental, a aplicabilidade da economia verde é interessante para estados e empresas por ter uma perspectiva operacionalizável (Merino-Saum et al., 2020), diferentemente da sustentabilidade propriamente dita, entendida como um objetivo utópico sem um fim tangível (Loiseau et al., 2016).

As propostas implicam mudanças sistêmicas, profundas e de longo prazo, envolvendo políticas, tecnologia, infraestrutura, ciência e fatores socioculturais orientados à sustentabilidade (Newell & Mulvaney, 2013). Essa transição é não linear, devido aos contextos ambientais, sociais e estruturais das diversas economias, o que a torna complexa e incerta. Além disso, enfrenta vulnerabilidades, como o greenwashing (De Freitas Netto et al., 2020), a maldição dos recursos (Cheng et al., 2021), a externalização de impactos ambientais (Brand, 2016) e a dependência de soluções tecnológicas.

A tecnologia almeja otimizar o uso de recursos naturais (Cheng et al., 2021; Guo et al., 2017), mas essa dependência pode ser problemática se não acompanhada de mudanças estruturais e políticas (Trinh et al., 2023). A inovação frequentemente prioriza lucro, o que pode não se alinhar às necessidades ambientais (Shah et al., 2023); a adoção de tecnologias, por sua vez, nem sempre reduz o impacto ecológico ou os níveis de gees (Li et al., 2023a). Embora possa melhorar as respostas aos objetivos da economia verde, é essencial reconhecer que a tecnologia não é uma solução universal (Velho, 2011) e as dimensões políticas e sociais dela não podem ser ignoradas (Winner, 2017).

Adicionalmente, a adoção de políticas ambientais é fundamental para orientar iniciativas e atitudes mais adequadas ambientalmente (D'Amato & Korhonen, 2021), influenciando a transição à economia verde (Guo et al., 2017). A observância aos limites de resiliência do ecossistema à exploração e a adoção de sistemas de inovação voltados à sustentabilidade são essenciais, assim como colocar a ética em um papel central nas decisões sobre o uso de materiais energéticos e na organização do trabalho (Abramovay, 2012) . Postas tais condições, é fundamental entender os fatores e pontos de controle determinantes para traçar estratégias adequadas a cada contexto.

O modelo STIRPAT

Existem duas estruturas que analisam o impacto econômico no ambiente: a Teoria da Curva de Kuznets Ambiental, que explora o relacionamento entre crescimento econômico e impacto ambiental, e o modelo Impactos Estocásticos por Regressão sobre População, Riqueza e Tecnologia (Stochastic Impacts by Regression on Population, Affluence, and Technology [STIRPAT]). O STIRPAT é uma adaptação do modelo IPAT (impacto = população x afluência x tecnologia), que correlaciona população, afluência e tecnologia com impacto ambiental, oferecendo uma abordagem não linear que incorpora incerteza e análise estocástica (Huang et al., 2023).

Devido a isso, permite análises mais robustas sobre como fatores afetam o ambiente de forma não linear (Li et al., 2023b; Zhang et al., 2020) e admite a integração de diversas variáveis em análises abrangentes, desde que se mantenha a especificação multiplicativa do modelo, como a pegada ecológica, a eficiência de inovação verde e o desenvolvimento de infraestrutura urbana (Satheedevi et al., 2022; Huang et al., 2023). Pode contemplar análises regionais, como demonstrado por Satheedevi et al. (2022), e frequentemente contempla várias perspectivas analíticas e análises preditivas, associando variáveis como população, renda e emissões (Shi et al., 2023).

O modelo foi usado em vários estudos para analisar a interrelação entre fatores econômicos e impactos ambientais, subsidiando iniciativas para a transição à economia verde. Silva et al. (2015) encontraram uma correlação positiva entre PIB e emissões de CO₂ em países latino-americanos, validando a hipótese do IPAT sobre a correlação entre população, afluência (PIB) e tecnologia (urbanização e intensidade energética) influenciando a emissão de GEES. No entanto, não exploraram perspectivas da economia verde, variações regionais nos países ou implicações políticas.

Polloni-Silva et al. (2021) aplicaram o modelo STIRPAT para analisar as emissões relacionadas à energia no Brasil, destacando a população e o PIB como fatores significativos. O PIB desempenha um papel crítico no crescimento das emissões em estados mais pobres, enquanto a intensidade energética predomina em estados mais ricos, sugerindo que a tecnologia por si só pode não ser suficiente para reduzir as emissões. Discutem-se abordagens políticas potenciais para a transição à sustentabilidade, sem aprofundar em setores econômicos específicos.

Nosheen et al. (2023) usaram o STIRPAT para analisar o impacto da inovação em fatores ambientais em 18 países europeus. Revelam descobertas inesperadas, como o impacto negativo de algumas tecnologias amigáveis ao clima.

Haoyan et al. (2023) investigaram o relacionamento entre renda, emissões e pobreza na China, por meio do modelo STIRPAT, enfatizando as interações complexas entre redução das emissões e alívio da pobreza. Além disso, sugerem que investimentos verdes podem facilitar a obtenção desses objetivos.

Munir e Ameer (2022) aplicaram o STIRPAT para entender fatores, como abertura comercial, urbanização, crescimento econômico e tecnologia, afetam o impacto ambiental em países africanos e asiáticos emergentes. A urbanização, o crescimento econômico e a tecnologia inicialmente aumentam a degradação ambiental, mas depois ajudam a reduzi-la, enquanto a abertura comercial tem o efeito inverso.

Zhang et al. (2023) investigaram as emissões na indústria de energia elétrica, enfatizando fatores como escala (consumo energético, PIB e população), estruturais energéticos (produção e transmissão) e tecnologia (fatores de emissão e intensidade energética). Observou-se que a escala, a urbanização, o PIB per capita e o consumo energético impulsionam emissões, enquanto abertura comercial e transmissão energética reduzem.

Li et al. (2023a) analisaram países da Organização para a Cooperação e Desenvolvimento Económico (OCDE), de 2000 a 2018, por meio de modelos es­tatísticos (IPAT, STIRPAT e Pooled Mean Group [PMG]), ressaltando que inovações produtivas reduzem emissões mais efetivamente que tecnologias energéticas. Incluem energias renováveis, emissões da demanda e produção, precificação do carbono e tecnologias de mitigação em vários setores.

Zhang et al. (2022) exploraram o impacto da energia nuclear nas emissões e na economia verde. Focam em políticas de controle populacional, investimento em infraestrutura e conservação de energia. Consideraram emissões de CO₂, população, pib per capita, intensidade de carbono e consumo de energia nuclear e renovável.

Trinh et al. (2023) examinaram o relacionamento entre infraestrutura, economia e emissões, pelo uso de variáveis como tendências de investimento em infraestrutura, emissões de CO₂ da demanda e produção, métricas de produtividade, exposição a PM2.5 e desenvolvimento de tecnologias ambientais.

Esses estudos ressaltam a versatilidade do modelo em analisar dinâmicas econômicas e ambientais, o que possibilita percepções valiosas para o desenvolvimento sustentável global e para a formulação de políticas.

As variáveis do STIRPAT

A mensuração do impacto ambiental, a variável dependente I no framework IPAT (1), é um processo que depende da adoção de métricas pertinentes — como desflorestamento, geração de resíduos, emissões de GEES — que visa analisar um sistema complexo de interrelações bióticas (Li et al., 2023b; Ofori et al., 2023).

I = P x A x T     (1)

Enquanto as emissões de GEES continuam centrais à discussão das mudanças climáticas, fatores como a sensibilidade ecológica, a fragmentação de ecossistemas (Saunders et al., 1991) e as mudanças nos padrões de uso da terra são igualmente vitais para a sobrevivência da biota e para a provisão de serviços ecossistêmicos (Lambin & Meyfroidt, 2011). A degradação da terra —provocada pela expansão urbana, pelo desflorestamento e por usos inadequados— é exacerbada pelo desenvolvimento econômico (Huang et al., 2023).

A população —variável-chave ao modelo IPAT— influi tanto sobre a economia quanto sobre o meio ambiente. O crescimento demográfico aumenta as necessidades produtivas, o consumo de recursos naturais, as demandas energéticas e a atividade econômica, ocasionando, em geral, maiores quantidades de emissões de GEES (Chandra et al., 2023). Métricas demográficas são comuns nesses estudos, mas elas não capturam plenamente os impactos ambientais das dinâmicas populacionais (Li et al., 2023b). Compreender como diferentes grupos populacionais participam dessas dinâmicas é crucial, principalmente as mais vulneráveis, que enfrentam maiores riscos diante dos impactos climáticos (Suryanto & Aboyitungiye, 2021).

O aumento da demanda energética impulsiona a emissão de GEES, especialmente em países de renda média a baixa (Usman, 2022). A Teoria da Curva de Kuznets Ambiental sugere que, em economias tecnologicamente mais avançadas, o aumento da renda pode se desacoplar do impacto ambiental. Conforme o PIB aumenta, o impacto ambiental também cresce; no entanto, após certo ponto, esse impacto começa a diminuir, enquanto a renda continua a aumentar (Zhang et al., 2020).

Sobre os fatores técnicos no modelo IPAT, a eficiência energética tem papel crucial em contextos territoriais (Li et al., 2023a). Sua melhoria leva a menor consumo energético, maior crescimento econômico e redução das emissões de CO₂ (Ahmed et al., 2022). Existe, no entanto, um fator paradoxal, em que a melhoria das condições de intensidade energética pode resultar em maior demanda energética devido à melhoria da eficiência produtiva —um conceito chamado de postulado de Khazoom-Brookes (Zhou et al., 2013), o que deve ser ponderado na proposição de políticas.

Assim, tecnologia, ciência e investimentos em infraestrutura são fundamentais para guiar o desenvolvimento e identificar oportunidades de mercado (Fouquet, 2010; Li et al., 2023a). Subvenções também exercem função significativa, oferecendo assistência oficial para o desenvolvimento econômico de várias instituições, países e organizações (World Bank, 2024). A eficiência econômica é um fator multifacetado e complexo de mensurar de forma abrangente; a produção total de fatores (PTF) é uma forma de avaliar quão eficientemente os fatores de produção —como trabalho e capital— são combinados para gerar resultados.

Contexto territorial

Localizado na América do Sul, o Brasil é conhecido por sua biodiversidade e reservas significativas de recursos naturais. Tem uma economia diversificada, com PIB (2022, ajustado a valores em R$ de 2010) de R$ 3.786 trilhões e PIB per capita de R$ 49.630 (valores de 2022). Os setores de serviços, industrial e agricultura computam 67.02 %, 26.33 % e 6.65 %, respectivamente, do PIB em 2022 (Instituto de Pesquisa Económica Aplicada [Ipea], 2024). Apesar de o setor agrícola contribuir com uma parte menor do PIB (Figura 1) em comparação a outros setores, é fundamental para as cadeias produtivas nacionais, por fornecer insumos para a indústria e para outros setores.

Em 2022, emissões de toneladas de CO₂ equivalente (t CO₂eq) foram distribuídas da seguinte forma (Figura 2): o setor agrícola totalizou 617.204.370,77 t; geração de energia gerou 412.486.072 t; mudança de uso da terra emitiu 1.119.668.385 t; processos industriais por 78.082.746 t; e geração de resíduos para 91.333.389 t CO₂eq (SEEG, 2022). Mudanças no uso da terra computaram a maior parte das emissões de GEES, seguida da agricultura e da geração de energia (SEEG, 2022). As emissões da geração de energia são sobretudo causadas pelo transporte, dependente dos combustíveis fósseis.

O desflorestamento (Figura 3) é uma preocupação significativa para a sociedade, pois representa um dos principais fatores de liberação de carbono na atmosfera. Isso se deve à perda de cobertura florestal e à mobilização do carbono armazenado na vegetação e nos solos.

No Brasil, uma parcela substancial da energia é gerada por fontes renováveis, principalmente hidrelétricas, com contribuições menores — porém em crescimento — de fontes eólica e solar. Entre 2013 e 2022, a capacidade instalada de centrais eólicas aumentou de 2.202 MW para 23.761 MW, e a das centrais solares aumentou de 5 MW para 24.453 MW (Empresa de Pesquisa Energética [EPE], 2023). Em relação à mobilidade, predominam combustíveis fósseis, embora também estejam presentes veículos que utilizam etanol anidro, biodiesel e energia elétrica — esta última com crescimento notável a partir de 2001 (Figura 4).

O país é dividido em 27 unidades federativas, cada uma com distintas vocações produtivas e, consequentemente, impactos ambientais. Nota-se que o estado de São Paulo é o mais populoso e com maior PIB (Instituto Brasileiro de Geografia e Estatística [IBGE], 2021), mas os maiores impactos ambientais, em termos de emissões (SEEG, 2022) e desflorestamento (MapBiomas, 2022), são correspondentes ao estado do Pará (Tabela 1), consolidando as alterações de uso da terra como um dos maiores problemas ambientais nacionais.

Procedimentos metodológicos

O estudo utilizou análise de regressão para investigar determinantes econômicos, sociais e tecnológicos do impacto ambiental, por meio do STIRPAT. Esse modelo integra variáveis cruciais à perspectiva da economia verde, com ênfase nos aspectos sociais e no desenvolvimento tecnológico voltado para a mitigação das emissões de CO₂.

As emissões de GEES têm centralidade nas discussões da economia verde (Munir & Ameer, 2022), o que, no contexto brasileiro, torna importante também compreender as mudanças nos padrões de uso e cobertura da terra (Biedemariam et al., 2022; Lambin & Meyfroidt, 2011). Assim, as emissões de GEES e a área de cobertura florestal foram adotadas como variáveis dependentes. O PIB per capita (base 2010) e as abordagens setoriais foram adotados como mensuração da afluência. A tecnologia foi abordada pelo consumo energético total, pelas subvenções financeiras e pela PTF, refletindo a eficiência técnica da economia. Além da disponibilidade na literatura científica consultada, as variáveis em questão foram selecionadas com base na disponibilidade de dados e na existência de uma série temporal entre 1981 e 2021 (Tabela 2).

É importante ressaltar que a variável "emissões" não inclui as emissões das mudanças de uso da terra, apesar de se tratar da fonte primária de emissões de GEES no Brasil. Essa métrica passou a ser considerada apenas a partir de 1990, o que restringiria o recorte temporal do estudo. Para contemplar essa problemática, o desflorestamento foi selecionado como variável dependente, separadamente, para abordar as mudanças no uso da terra.

Foram utilizados quatro modelos distintos: modelo 1 —analisa as emissões de GEES utilizando o PIB per capita (2); modelo 2 —analisa a perda de área florestal com o PIB per capita na afluência (3); modelo 3 —analisa as emissões de GEES utilizando o PIB setorial para avaliar a afluência (2); e modelo 4 —analisa a perda de área florestal com o PIB setorial na análise de afluência (3).

em que:

EMI e DES são o impacto ambiental; AF se trata da afluência, expressa pelo PIB nacional e pelo PIB setorial; pop é a população brasileira no período analisado; CEN é o consumo energético setorial; AG é a área ocupada por atividades agrícolas no Brasil; SG representa as subvenções para o desenvolvimento (exceto tecnologia); ST, as subvenções, incluindo tecnologia; e PTF se refere à produtividade total de fatores na economia brasileira. Sobre as fórmulas dos modelos, b₀ se refere à constante de regressão; de β _0i a β _7i são os coeficientes das variáveis; e ϵ _1i. e ϵ_2i. são os termos de erro estocástico.

Foi realizada uma análise exploratória dos dados para identificar outliers e anomalias. Os valores foram convertidos para seu logaritmo natural, assim como Li et al. (2023a), para reduzir o impacto de valores extremos e estabilizar a variação dos erros. A diferença numérica entre observações foi calculada para tornar a série temporal mais estacionária e menos suscetível à influência de valores extremos. O teste de Johansen-Fisher foi utilizado para verificar a cointegração das variáveis, confirmando as relações de longo prazo necessárias para a análise de regressão (Munir & Ameer, 2022).

Devido à sensibilidade do STIRPAT à multicolinearidade e aos dados extremos (York et al., 2003), recomenda-se tratar tais situações para almejar uma análise mais robusta. Isso ocorre quando duas ou mais variáveis independentes estão altamente correlacionadas, o que pode comprometer a interpretação dos resultados e a validade do modelo, ocasionando o aumento excessivo na variância das estimativas dos coeficientes. Medidas como o fator de inflação de variância (variance inflation factor [VIF]) (3) são empregadas para aferir a presença e magnitude desse fenômeno.

em que:

R_i² é o coeficiente de determinação da regressão da i-ésima variável independente em relação às outras variáveis independentes. Esse índice foi aplicado para cada variável independente; se exceder o valor 10, há multicolinearidade significativa (Shi et al., 2023).

Os coeficientes de  β_1i a β_7i são estimados pelo método dos mínimos quadrados ordinários (ordinary least squares), que minimiza a soma dos quadrados das diferenças entre as observações reais e as previstas pelo modelo. Esse método visa identificar a relação linear ótima entre as variáveis independentes e dependentes, contribuindo para a robustez analítica dos padrões subjacentes (Shi et al., 2021).

Os resultados foram comparados com a literatura existente para identificar determinantes para a transição da economia brasileira para uma economia verde. Os coeficientes foram avaliados considerando os efeitos ambientais, a importância relativa de cada variável e as implicações práticas dos resultados.

Resultados

0 teste de Johanssen-Fisher foi aplicado as variáveis utilizadas nos quatro modelos (Tabela 3), indicando que o modelo 1 exibe cointegração até duas conexões; o modelo 2, até três conexões; o modelo 3, até quatro conexões; e o modelo 4, até três conexões. Isso sugere que os modelos propostos exibem relações de longo prazo entre as variáveis selecionadas, adequado para a análise de séries temporais.

Tabela 3. Resultados do teste de Johanssen-Fisher

Posteriormente, foi calculado o fator de inflação da variância (VIF) para cada modelo e, como cada modelo apresentou resultados abaixo de 10, a hipótese de multicolinearidade foi descartada. Adicionalmente, a heterocedasticidade foi refutada por meio do teste de Breusch-Pagan para cada modelo.

Com a robustez estatística do modelo estabelecida, os coeficientes de regressão foram analisados quanto à sua significância na compreensão dos fatores que afetam as emissões de GEES e o desmatamento (Tabela 4).

Os valores de erro residual são considerados baixos, mas maiores para os modelos 1 e 3 (0,0158 e 0,0161), enquanto os modelos 2 e 4 são menores (0,00053 e 0,00051). Ao se considerar em conjunto com o resultado do R2, menor nos modelos 1 e 3 (0,5791 e 0,5920) e maior nos modelos 2 e 4 (0,7392 e 0,7755, nota-se que o modelo que trata de desflorestamento explica melhor a variabilidade dos dados e implica maior precisão.

Impacto

Os modelos apresentaram variáveis com coeficientes estatisticamente significativos, indicando a aderência das métricas à evolução dos valores das variáveis dependentes —o impacto ambiental analisado pelo STIRPAT. No modelo 1, sobre emissões de GEES, as variáveis que se mostraram estatisticamente relevantes foram PIB per capita (-0,45822), consumo total energético (0,56584), produtividade total dos fatores (-0,89674), subvenções (0,03328), subvenções com tecnologia (0,15650) e área agropecuária (-5,45178).

No modelo 2, que trata da perda de área florestal com o PIB per capita, a afluência se mostrou relevante (-0,02302), assim como a população (-0,23414) e o consumo total de energia (-0,01684). Os modelos 3 e 4 mostraram distribuições semelhantes de variáveis com relevância estatística, com a distinção de que o único PIB setorial relevante foi o do setor de serviços.

População

A população afeta a perda florestal, pois existe uma correlação negativa, ou seja, quanto maior o crescimento populacional, menor se torna a cobertura florestal. Isso ocorre pelo aumento do consumo e pela expansão territorial em áreas naturais ou manejadas, levando à redução das áreas florestadas (Li et al., 2023b). As atividades humanas impulsionam tais mudanças, sobretudo em países em desenvolvimento com índices de desenvolvimento humano mais baixos (Jha & Bawa, 2006). Cenários de alta pressão, perto de expansões urbanas ou mineração predatória na Amazônia, exacerbam esses impactos (Van Vliet, 2019; Sonter et al., 2016). Isso urge neutralizar a degradação da terra para salvaguardar ecossistemas críticos para o bem-estar da sociedade (Huang et al., 2023). No cenário regional, estados como Pará, Mato Grosso e Amazonas, pontos importantes de perda florestal e emissões de GEES têm população relativamente reduzida, o que pode indicar a existência do efeito de deslocamento ambiental.

Afluência

Tanto nas análises de emissões de GEES quanto na perda de área florestal, a expansão do pib per capita brasileiro exibiu coeficiente significativo inversamente relacionado ao crescimento da variável independente. Na análise de emissões, um aumento de 10 % no PIB per capita correlacionou-se com uma diminuição de 4.5 %, ao contrário das tendências mais amplas observadas em outros estudos que ligam o pib às emissões (Satheedevi et al., 2022). Isso reflete a estrutura de produção brasileira, influenciada por vários fatores externos, como políticas, efeitos sazonais e mudanças na estrutura econômica.

Essa descoberta contrasta com Silva et al. (2015) e Polloni-Silva (2021), que encontraram relações positivas significativas entre emissões e afluência. Silva et al. (2015), em uma análise de painel em vários países, incluindo o Brasil, relataram que um aumento de 10 % no PIB per capita correspondia a um aumento de 6 % nas emissões, enquanto Polloni-Silva (2021) observou que um aumento de 1 % no PIB per capita se correlacionava com um aumento de 1.19-1.23 % nas emissões de GEES.

Os resultados divergentes podem resultar de variações nas metodologias de análise de séries temporais; Silva et al. (2015) consideraram dados de 1970 a 2010, um período em que foi observado um aumento acentuado nas emissões de GEES (SEEG, 2022), enquanto Polloni-Silva et al. (2021) analisaram dados de 2006 a 2015, um período de aumento do consumo de energia (EPE, 2024). Além disso, nos últimos 40 anos, a economia brasileira mudou significativamente em termos de produção e postura ambiental, influenciada pelo desenvolvimento tecnológico, políticas públicas e variações na produtividade.

Estados como São Paulo, Rio de Janeiro, Santa Catarina, Paraná e Rio Grande do Sul, juntamente com o Distrito Federal, apresentam uma relação superior entre unidade de PIB per capita e emissões, o que indica que economias mais desenvolvidas tecnologicamente têm uma relação superior entre impacto e produção.

Tecnologia

O consumo e as transições energéticas são impulsionados pela demanda da sociedade por serviços energéticos, determinada pela renda disponível dos consumidores (Fouquet, 2010). O consumo de energia mostrou correlação positiva com as emissões (0.57 e 0.42) e correlação negativa com a perda de área florestal (-0.01684 e -0.01979). A expansão dos assentamentos humanos inicialmente resulta em maior consumo de energia devido à expansão da infraestrutura e ao aumento do consumo (Ou et al., 2024), assim a urbanização, o consumo e o uso dos combustíveis fósseis estão associadas às emissões de GEES no Brasil. A correlação positiva do PIB per capita com o consumo de energia pode indicar uma tendência ao uso de serviços com maior eficiência energética.

A PTF indica uma relação inversa com as emissões, o que está alinhado ao princípio da economia verde. Nos modelos 1 e 3, um aumento de 10 % na PTF resulta em 8.9 %, considerando PIB per capita, e 11.2 %, no modelo com PIB setorial. Desse modo, a PTF refletiria a eficiência da produção, o que se pode indicar redução nas emissões e na degradação ambiental. Esse resultado contrasta com as descobertas de Zhou et al. (2013), que, ao analisarem indústrias em várias regiões chinesas, descobriram que a PTF acompanhava as emissões, com maior produtividade associada a um impacto ambiental maior. Tal resultado é congruente em termos regionais, visto que, em estados com economias mais intensivas em conhecimento como São Paulo, Distrito Federal e Rio de Janeiro, correspondem a menos emissões.

Ambas as subvenções têm um coeficiente positivo em relação às emissões de GEES, indicando que esses fundos são usados em infraestrutura e atividades com potencial de degradação ambiental. Considerando que o Brasil é um país em desenvolvimento, entende-se que há uma priorização de investimentos em setores da economia e da infraestrutura que podem aumentar a competitividade rapidamente, muitas vezes ignorando as externalidades ambientais (Munir & Ameer, 2020).

Como exemplo, Huang et al. (2023) identificaram os efeitos adversos dos investimentos em tecnologia e estrutura industrial como efeitos de transbordamento ambiental. O efeito técnico pode melhorar a eficiência onde é aplicado, mas os resultados podem prejudicar o ambiente circundante. Dadas as particularidades econômicas, ambientais e sociais nas regiões nacionais, o transbordamento e o deslocamento ambiental são hipóteses válidas de se verificar, sobretudo nas distinções entre estados com viés industrial, como São Paulo, e com viés agrícola, como o estado do Pará.

A área de desenvolvimento agrícola mostrou os coeficientes mais significativos em relação às variações nos efeitos dos GEES. Nos modelos 1 e 3, um aumento de 10 % nas áreas de desenvolvimento agrícola resultou em uma redução de 54.5 % e 54.9 % nas emissões, respectivamente, o que significaria que o uso de áreas agrícolas está fortemente correlacionado com a redução de emissões —excluindo as emissões das mudanças no uso da terra. Esse resultado indica tendências positivas na redução das emissões de GEES relacionadas à adoção de práticas agrícolas de conservação do solo, quando não associadas a alterações de uso da terra.

Modelos convencionais de atividades agrícolas têm influências ambientalmente prejudiciais. Segundo Crippa et al. (2021), cerca de 75 % das emissões globais estão relacionadas ao setor, tanto por meio de práticas agrícolas convencionais quanto por mudanças no uso da terra, que estão entre os fatores mais críticos nas mudanças ambientais e nas emissões de GEES relacionadas à decomposição do carbono fixado nos solos e à perda de vários outros serviços ecossistêmicos (Harris et al., 2015).

En quanto a mudança no uso da terra aponta para a conversão de áreas naturais em alteradas, o indicador de expansão da área de agropecuária corresponde à porcentagem da área do país ocupada pelo setor, incluindo recém-incorporadas e áreas consolidadas e manejadas (World Bank, 2024). A agricultura tem o potencial de captura e fixação de carbono, especialmente quando se usam sistemas como o plantio direto, com potencial para mitigar o impacto negativo das emissões (Machado, 2005; Nicoloso & Rice, 2021). Considera-se que os sistemas de plantio direto, combinados com outras práticas de agricultura conservacionista, têm crescido no país, especialmente na Região Sul, com a área agrícola total crescendo de 68.5 % para 78.9 % sob sistemas de plantio direto de 2006 a 2017 (Mantovani et al., 2024). Essa condição pode indicar o impacto da transição tecnológica na produção rural de um sistema convencional e ambientalmente disruptivo para padrões agrícolas mais sustentáveis.

Diretrizes de políticas sugeridas

Entre todos os fatores avaliados, a tecnologia é um ponto crítico para definir diretrizes de políticas públicas voltadas à transição do modelo atual para uma economia verde. Como argumenta Fouquet (2010), a transição para a sustentabilidade é sociotécnica, pois deve considerar atributos como eficiência, aceitação social e acessibilidade, e se apresentar como alternativa superior aos métodos convencionais. Além disso, é essencial que tais iniciativas estejam relacionadas aos contextos locais (Sachs, 2006), otimizando sua operação e promovendo a aceitação e adoção dessas tecnologias por seus habitantes.

Isso é um contraponto essencial à ideia convencional de tecnologia (como tecnociência), que se apresenta como uma panaceia, mas pode ter efeitos prejudiciais dependendo de sua aplicação (Velho, 2011). As subvenções, por exemplo, correlacionam-se com o aumento dos impactos ambientais, distintamente do que observam Lin e Ullah (2024), que destacam a possibilidade do uso de subvenções tecnológicas para estimular a inovação e redução da dependência de combustíveis fósseis na geração de energia paquistanesa. Por isso, a participação da sociedade na definição de metas, objetivos, aplicação e desenvolvimento dessas tecnologias prova ser um passo correto rumo à transição para uma economia verde, que valoriza fundamentalmente a inclusão (Loiseau et al., 2016).

Embora a economia brasileira não esteja desacoplada das emissões de GEES, a relação inversa entre emissões e pib indica um potencial a ser explorado. A predominância do setor de serviços no pib sugere a possibilidade de desenvolver uma economia de baixo carbono, dependendo dos esforços para reduzir as emissões no setor energético, particularmente na mobilidade. Fica evidente o papel da otimização tecnológica, juntamente com o potencial de adoção de diferentes práticas, como a expansão do transporte público ou diretrizes de planejamento urbano que otimizem os fluxos logísticos, sobretudo nos estados com grande densidade populacional e renda mais alta, como São Paulo.

Consonante com a hipótese de Porter, é crucial criar políticas que incentivem setores verdes e iniciativas para mitigar setores não verdes (Loiseau et al., 2016). A regulamentação ambiental desempenha um papel sinérgico na inovação, permitindo novas tecnologias, inovações e mercados. Segundo Li et al. (2023a), a adoção de políticas regulatórias, como impostos sobre carbono, também pode reduzir externalidades negativas enquanto promove o desenvolvimento econômico e potencialmente melhora as condições de distribuição de renda (Suryanto & Aboyitungiye, 2021).

Haoyan et al. (2023) destacam que, no contexto chinês, investimentos em infraestrutura de transporte têm impacto significativo na redução da pobreza e na revitalização rural, embora seus efeitos sejam mais perceptíveis em longo prazo. O desenvolvimento da infraestrutura rural no Brasil pode ser uma estratégia além da melhoria da renda nos estados com predominância agrícola, pois traria maior eficiência no uso de recursos, além de possibilitar investimentos em inovação.

Dada a importância espacial e produtiva da cadeia de práticas agrícolas, incentivos para a agricultura de baixo carbono, sistemas de plantio direto e outras práticas agrícolas sustentáveis são essenciais para maximizar os aspectos ambientais positivos da agricultura nacional (Mantovani et al., 2024). Isso deve ser feito em conjunto com o fortalecimento de iniciativas de conservação da natureza em áreas públicas e mecanismos baseados no mercado, bem como um melhor moni-toramento dos remanescentes florestais.

Como o consumo de energia está relacionado ao impacto ambiental, é fundamental reduzir o uso de combustíveis fósseis, sobretudo na mobilidade. Nosheen et al. (2021) apontam que, na Europa, embora muitos países tenham adotado veículos elétricos, o alto consumo de eletricidade para recarregá-los pode aumentar as emissões de carbono. No Leste Europeu, os biocombustíveis, considerados CO2-neutral, ajudaram a reduzir as emissões, um efeito semelhante ao observado na China.

Finalmente, após o processo de desindustrialização precoce do país, é crucial fomentar o desenvolvimento industrial devido à sua importância na inovação, no desenvolvimento científico e na geração de renda por meio da criação de empregos decentes, além de possibilitar o catching-up (Bresser-Pereira, 2018), sobretudo naquelas intensivas em conhecimento. Diante do potencial poluidor das indústrias, é fundamental fortalecer a supervisão ambiental por agências reguladoras e promover o desenvolvimento competitivo de indústrias verdes no mercado.

Considerações finais

O método STIRPAT permitiu a identificação dos determinantes que afetam o componente ambiental do território nacional, alguns bastante distintos dos modelos clássicos, como a relação entre riqueza e impacto ambiental. Observou-se que o PIB per capita tem uma relação inversa com as emissões e com a perda de área florestal, indicando que os padrões de produção e consumo brasileiros estão tendendo a formas menos impactantes. O consumo de energia e as subvenções foram identificados como pontos positivamente correlacionados com as emissões, indicando que a busca pelo desenvolvimento econômico levou ao aumento do consumo de combustíveis fósseis.

A tecnologia foi identificada como central para o desenvolvimento de políticas de transição voltadas para a otimização do uso de recursos e para a criação de tecnologias nativas adequadas a contextos que promovam a participação da sociedade e sua apropriação. Isso ficou evidente com o indicador de produtividade total dos fatores, que destacou a relação negativa entre a eficiência da produtividade setorial e a redução das emissões.

Outro ponto crítico foi a correlação negativa significativa identificada entre as áreas de produção agrícola, devido à sua importância espacial e ao potencial para a captura de dióxido de carbono pelas culturas. Torna-se, assim, crucial buscar iniciativas voltadas para a agricultura de baixo carbono e práticas como o plantio direto e os sistemas agroflorestais, além de fortalecer os esforços de conservação da natureza, sobretudo nas regiões mais afetadas pelo desflorestamento e com maior volume de emissões.

Apesar do processo de desindustrialização, a indústria continua sendo uma oportunidade essencial para investimento e desenvolvimento, especialmente no que se refere às tecnologias verdes, aos empregos verdes e aos centros de inovação.

Finalmente, são evidentes as lacunas de conhecimento sobre o setor agrícola brasileiro no contexto da economia verde. Estudos futuros devem analisar as influências da tecnologia, das políticas públicas e dos aspectos econômicos da agricultura brasileira nas emissões de GEES e nas mudanças climáticas, pois esses fatores são fundamentais para a economia nacional.

Referências

Ahmed, N., Haque, M., Uddin, G. & Ullah, M. (2022). Green Finance and Green Energy Nexus in ASEAN Countries: A Bootstrap Panel Causality Test. Energies, 15(14), 5068. ht-tps://doi.org/10.3390/en15145068

Biedemariam, M., Yirga, C., Teketay, D., & Abebe, T. (2022). Ecosystem service values as related to land use and land cover changes in Ethiopia: A review. Land, 11(12), 2212. https://doi.org/10.3390/land11122212

Bresser-Pereira, L. (2007). Macroeconomia da estagnação: Crítica da ortodoxia convencional no Brasil pós-1994. Ed. 34.

Bresser-Pereira, L. (2018). Em busca do desenvolvimento perdido: Um projeto novo-desenvolvimentista para o Brasil. Editora FGV.

Chabán-García, O., & Hidalgo-Capitán, A. L. (2023). Green economy and green jobs: A multisectoral analysis by means of Spain's social accounting matrix. Brazilian Journal of Political Economy, 43, 380-397.

Chandra Voumik, L., & Ridwan, M. (2023). Impact of FDI, industrialization, and education on the environment in Argentina: ardl approach. Heliyon, 9(1), e12872. https://doi.org/10.1016/j.heliyon.2023.e12872

Cheng, Z., Li, X., & Wang, M. (2021). Resource Curse and Green Economic Growth. Resources Policy, 74, 102325. https://doi.org/10.1016/j.resourpol.2021.102325

Crippa, M., Solazzo, E., Guizzardi, D., Monforti-Ferrario, F., Tubiello, F., & Leip, A. (2021). Food systems are responsible for a third of global anthropogenic ghg emissions. Nature Food, 2(3), 198-209. https://doi.org/10.1038/s43016-021-00242-2

D'Amato, D., & Korhonen, J. (2021). Integrating the Green Economy, Circular Economy and Bioeconomy in a Strategic Sustainability Framework. Ecological Economics, 188, 107143. https://doi.org/10.1016/j.ecolecon.2021.107143

Dong, K., Dong, X., & Dong, C. (2019). Determinants of the global and regional CO2 emissions: What causes what and where? Applied Economics, 51(46), 5031-5044. https://doi.org/10.1080/00036846.2019.1580237

Empresa de Pesquisa Energética. (2023). Anuário Estatístico de Energia Elétrica. https://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/anuario-estatistico-de-energia-eletrica

Fontana, A., Pires, A., Venturieri, A., Jesus, A., Paula, A. J. de, Medeiros, A. de S., Vargas, A. de G., Berndt, A., Ferreira, A. L., Luiz, A. J. B., Alves, A. E., Pereira, A. C., Freitas, A. F. de, Packer, A. P., Cavalcante, A., Frasca, A. V. da L., Fernandes, A., Zimbres, B. , Rudorff, B. F. T.,... & Holler, W. (2021). Quarto inventário nacional de emissões e remoções antrópicas de gases do efeito estufa. In Ministério da Ciência, Tecnologia e Inovações (Brasil), et al., Quarta Comunicação Nacional do Brasil à Convenção-Quadro das Nações Unidas sobre Mudança do Clima (pp. 80-181). Embrapa Solos (CNPS).

Fouquet, R. (2010). The slow search for solutions: Lessons from historical energy transitions by sector and service. Energy Policy, 38(11), 6586-6596. https://doi.org/10.1016/j.enpol.2010.06.004

Fundação Getúlio Vargas. (2024). Observatório da Produtividade. https://ibre.fgv.br/observatorio-produtividade

Gouvea, R., & Montoya, M. (2014). Building an equitable green economy: A Brazilian perspective. International Journal of Environmental Studies, 71(2), 182-199. https://doi.org/10.1080/00207233.2014.893053

Guo, L. L., Qu, Y., & Tseng, M.-L. (2017). The interaction effects of environmental regulation and technological innovation on regional green growth performance. Journal of Cleaner Production, 162, 894-902. https://doi.org/10.1016/j.jclepro.2017.06.137

Haoyan, L., Jiang, H., & Zhongqi, W. (2023). Are poverty alleviation and carbon reduction parallel paths? Empirical research on the interaction between poverty alleviation and carbon emissions. The Journal of Environment & Development, 32(3), 274-301. https://doi.org/10.1177/10704965211063711

Harris, Z. M., Spake, R., & Taylor, G. (2015). Land use change to bioenergy: A meta-analysis of soil carbon and ghg emissions. Biomass and Bioenergy, 82, 27-39. https://doi.org/10.1016/j.biombioe.2015.06.002

Huang, J., Zhang, D., Zhang, Z., Kong, W., Yan, J., & Xia, F. (2023). Trapped in dilemma: Inverted N-shaped ekc evidence of economic growth and ecological land in a spatial spillover perspective. Applied Geography, 161, 103145. https://doi.org/10.1016/j.apgeog.2022.103145

Instituto Brasileiro de Geografia e Estatística. (2022). SIDRA — Sistema de Recuperação de Dados Contínuos.

Instituto de Pesquisa Económica Aplicada. (2024). IFEADATA — Base de dados macroeconómicos, regionais e sociais [Banco de dados]. http://www.ipeadata.gov.br

Jha, S., & Bawa, K. S. (2006). Population growth, human development, and deforestation in biodiversity hotspots. Conservation Biology, 20(3), 906-912. https://doi.org/10.1111/j.1523-1739.2006.00336.x

Lambin, E. F., & Meyfroidt, P. (2011). Global land use change, economic globalization, and the looming land scarcity. Proceedings of the National Academy of Sciences, 108(9), 3465-3472. https://doi.org/10.1073/pnas.1100480108

Li, X., Li, S., Li, C., Shi, J., & Wang, N. (2023b). The impact of high-quality development on ecological footprint: An empirical research based on STIRPAT model. Ecological Indicators, 154, 110881. https://doi.org/10.1016/j.ecolind.2021.107143

Li, Z., Khurshid, A., Qayyum, S., Calin, A. C., Iancu, L. A., & Wang, X. (2023a). Climate change and the un-2030 agenda: Do mitigation technologies represent a driving factor? New evidence from OECD economies. Clean Technologies and Environmental Policy, 25(1), 195-209. https://doi.org/10.1007/s10098-022-02337-w

Lin, B., & Ullah, S. (2024). Effectiveness of energy depletion, green growth, and technological cooperation grants on CO2 emissions in Pakistan's perspective. Science of The Total Environment, 906, 167536. https://doi.org/10.1016/j.scitotenv.2022.167536

Loiseau, E., Saikku, L., Antikainen, R., Droste, N., Hansjürgens, B., Pitkãnen, K., Leskinen, P., Kuikman, P., & Thomsen, M. (2016). Green economy and related concepts: An overview. Journal of Cleaner Production, 139, 361-371. https://doi.org/10.1016/j.jclepro.2016.08.141

Machado, P. (2005). Carbono do solo e a mitigação da mudança climática global. Química Nova, 28, 329-334. https://doi.org/10.1590/S0100-40422005000200024

MapBiomas. (2022). Coleção 7 da Série Anual de Mapas de Cobertura e Uso da Terra do Brasil . https://brasil.mapbiomas.org/

Merino-Saum, A., Clement, J., Wyss, R., & Baldi, M.G. (2020). Unpacking the Green Economy Concept: A Quantitative Analysis of 140 Definitions. Journal of Cleaner Production, 242, 118339. https://doi.org/10.1016/j.jclepro.2019.118339

Moreira, S., Vasconcelos, L., & Santos, C. S. (2017). Sustainability of green jobs in Portugal: A methodological approach using occupational health indicators. Journal of Occupational Health, 59(5), 374-384. https://doi.org/10.1539/joh.16-0291-OA

Munir, K., & Ameer, A. (2022). Assessing nonlinear impact of urbanization, economic growth, technology, and trade on environment: Evidence from African and Asian emerging economies. GeoJournal, 87(3), 2195-2208. https://doi.org/10.1007/s10708-021-10409-0

Nicoloso, R. S., & Rice, C. W. (2021). Intensification of no-till agricultural systems: An opportunity for carbon sequestration. Soil Science Society of America Journal, 85(5), 1395-1409. https://doi.org/10.1002/saj2.20203

Nosheen, M., Iqbal, J., & Abbasi, M. A. (2021). Do technological innovations promote green growth in the European Union? Environmental Science and Pollution Research, 28(17), 21717-21729. https://doi.org/10.1007/s11356-020-11660-1

Ofori, E. K., Li, J., Gyamfi, B. A., Opoku-Mensah, E. & Zhang, J. (2023). Green industrial transition: Leveraging environmental innovation and environmental tax to achieve carbon neutrality. Expanding on STIRPAT model. Journal of Environmental Management, 343, 118121. https://doi.org/10.1016/j.jenvman.2020.1118121

Ou, Y., Bao, Z. Ng, S. T., Song, W., & Chen, K. (2024). Land-use carbon emissions and built environment characteristics: A city-level quantitative analysis in emerging economies. Land Use Policy, 137, 107019. https://doi.org/10.1016/j.landuse-pol.2024.107019

Polloni-Silva, E., Silveira, N., Ferraz, D., de Mello, D., & Moralles, H. F. (2021). The drivers of energy-related CO2 emissions in Brazil: A regional application of the STIRPAT model. Environmental Science and Pollution Research, 28(37), 51745-51762. https://doi.org/10.1007/s11356-021-13961-1

Satheedevi, A. G., Sharma, A., & Dhar, M. (2022). How do the anthropogenic factors affect the environment in India? Evidence from the urban provinces. Technological Forecasting and Social Change, 183, 121950.

Shi, C., Zhi, J., Yao, X., Zhang, H., Yu, Y., Zeng, Q., Li, Z., & Zhang, Y. (2023). How can China achieve the 2030 carbon peak goal—A crossover analysis based on low-carbon economics and deep learning. Energy, 269, 126776. https://doi.org/10.1016/j.energy.2022.126776

Silva, F. F., Rodrigues, L. A., Moreira, R. B., & Coelho, A. B. (2015). Determinantes da emissão de CO2 por uso de combustíveis fosseis para países sul-americanos, a partir da abordagem STIRPAT. Revista de Economia, 41(1). Retrieved from https://www.redalyc.org/articulo.oa?id=37904338017

Sistema de Estimativa de Emissões e Remoções de Gases de Efeito Estufa. (2022). Observatório do Clima. https://plataforma.seeg.eco.br/

Suryanto, N. A., & Aboyitunjiye, J. B. (2021). Vulnerability of sub-Saharan Africa and Southeast Asian countries due to the carbon dioxide emissions: An assessment based on the STIRPAT model. International Journal of Environment and Pollution, 69(1/2), 99. https://doi.org/10.1504/IJEP.2021.117531

Trinh, H. H., McCord, M., Lo, D., & Squires, G. (2023). Do green growth and technological innovation matter to infrastructure investments in the era of climate change? Global evidence. Applied Economics, 55(35), 4108-4129. https://doi.org/10.1080/00036846.2022.2027997

United Nations Environment Programme. (2011). Towards a green economy: Pathways to sustainable development and poverty eradication. http://www.unep.org/greeneconomy

Usman, O. (2022). Renewable energy and CO2 emissions in G7 countries: Does the level of expenditure on green energy technologies matter? Environmental Science and Pollution Research,30(10), 26050-26062. https://doi.org/10.1007/s11356-022-19627-7

Valle, R., & Climaco, J. (2015). A new tool to facilitate quantitative assessment of green activities — A trial application for Rio de Janeiro. Technological Forecasting and Social Change, 98, 336-344. https://doi.org/10.1016/j.techfore.2015.05.009

Velho, L. (2011). Conceitos de ciência e a política científica, tecnológica e de inovação. Sociologias, 13, 128-153. https://doi.org/10.1590/S1517-45222011000100006

Vukovic, N., Pobedinsky, V., Mityagin, S., Drozhzhin, A., & Mingaleva, Z. (2019). A study on green economy indicators and modeling: Russian context. Sustainability (Switzerland), 11(17). https://doi.org/10.3390/su11174739

World Bank. (2024). World Bank Open Data. https://data.worldbank.org

Yan, Y., Ibrahim, R. L., Al-Faryan, M. A. S., & Oke, D. M. (2023). Embracing Eco-Digitalization and Green Finance Policies for Sustainable Environment: Do the Engagements of Multinational Corporations Make or Mar the Target for Selected MENA Countries? Sustainability, 15(15), 12046. https://doi.org/10.3390/su151512046

York, R., Rosa, E. A., & Dietz, T. (2003). STIRPAT, IPAT and ImPACT: Analytic tools for unpacking the driving forces of environmental impacts. Ecological Economics, 46(3), 351-365.

Zhang, C., Ma, T., Shi, C., & Chiu, Y. H. (2023). Carbon emission from the electric power industry in Jiangsu province, China: Historical evolution and future prediction. Energy & Environment, 34(6), 1910-1936. https://doi.org/10.1177/0958305X20936350

Zhang, S., Liu, J., & Liu, X. (2022). Comparing the environmental impacts of nuclear and renewable energy in top 10 nuclear-generating countries: Evidence from STIRPAT model. Environmental Science and Pollution Research, 30(11), 31791-31805. https://doi.org/10.1007/s11356-022-20189-2

Zhang, Z., Ma, X., Lian, X., Guo, Y., Song, Y., Chang, B., & Luo, L. (2020). Research on the relationship between China's greenhouse gas emissions and industrial structure and economic growth from the perspective of energy consumption. Environmental Science and Pollution Research, 27(33), 41839-41855. https://doi.org/10.1007/s11356-020-10027-8