De números a narrativas: decifrando a pandemia de Covid-19 através de indicadores socioeconômicas e ambientais

Authors

  • Lucelia Lima Souza
  • Tiago Bonini Borchartt
  • Francisco Glaubos Nunes Clímaco

DOI:

https://doi.org/10.55905/oelv22n2-172

Keywords:

Covid-19, indicadores socioeconômicos, aprendizagem de máquina, descoberta de conhecimento

Abstract

A pandemia da COVID-19, desencadeada pelo novo coronavírus (SARS-CoV-2), teve início em dezembro de 2019 na China, gerando grande preocupação com a saúde global. Este artigo busca revelar as relações diretas e indiretas entre indicadores socioeconômicos e ambientais e os dados relativos à pandemia da COVID-19, por meio do emprego de técnicas de aprendizado de máquina. Inicialmente, foram identificados os estudos mais relevantes publicados durante o período pandêmico e pós-pandêmico que abordam o tema proposto. Após uma triagem completa, a pesquisa destacou as principais referências da literatura. Finalmente, este trabalho utilizou técnicas de descoberta de conhecimento em bases de dados da COVID-19 e de indicadores socioeconômicos e ambientais. Para abordar o problema em estudo, o método empregado consistiu nas etapas de seleção, pré-processamento, transformação, mineração de dados e avaliação dos resultados. Resultados significativos foram obtidos com a aplicação de métodos de mineração de dados descritiva, envolvendo modelos de correlação, agrupamento e regras de associação; estas técnicas se destacaram, apresentando capacidades de generalização satisfatórias. Os resultados desta pesquisa têm o potencial de contribuir para a formulação de políticas públicas e para a tomada de decisões futuras relacionadas à saúde pública.

References

AHMAD, F., Almuayqil, S. N., Humayun, M., Naseem, S., Khan, W. A., and Junaid, K. (2021). Prediction of covid-19 cases using machine learning for effective public health management. volume 66, pages 2265–2282.

AMOROSO, N., Cilli, R., Maggipinto, T., Monaco, A., Tangaro, S., and Bellotti, R. (2021). Satellite data and machine learning reveal a significant correlation between no2 and covid-19 mortality. volume 204, page 111970.

FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. et al. Knowledge discovery and data mining: Towards a unifying framework. v. 96, p. 82–88, 1996.

GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining: Conceitos, técnicas, algoritmos, orientações e aplicações. Elsevier Editora Ltda., 2015.

IPEA (2023). Estudo evidencia o impacto devastador da pandemia para micro e pequenas empresas. Disponível em: https://www.ipea.gov.br/portal/categorias/45-todas-as-noticias/noticias/13845-estudo-evidencia-o-impacto-devastador-da-pandemia-para-micro-e-pequenas-empresas. Acesso em: 26 de janeiro de 2024.

KANNAN, S., Subbaram, K., Ali, S., and Kannan, H. (2020). The role of artificial intelligence and machine learning techniques: Race for covid-19 vaccine. volume 15. Kowsar.

MAGAZZINO, C., Mele, M., and Morelli, G. (2021a). The relationship between renewable energy and economic growth in a time of covid-19: A machine learning experiment on the brazilian economy. volume 13.

MAGAZZINO, C., Mele, M., and Sarkodie, S. A. (2021b). The nexus between covid-19 deaths, air pollution and economic growth in new york state: Evidence from deep machine learning. volume 286, page 112241.

MIHOUB, A., Snoun, H., Krichen, M., Salah, R. B. H., and Kahia, M. (2020). Predicting covid-19 spread level using socio- economic indicators and machine learning techniques. In 2020 First International Conference of Smart Systems and Emerging Techno- logies (SMARTTECH), pages 128–133.

PAUL, A., Englert, P., and Varga, M. (2021). Socio-economic disparities and COVID-19 in the USA. volume 2, page 035017. IOP Publishing.

PUNN, N. S., Sonbhadra, S. K., and Agarwal, S. (2020). Covid-19 epidemic analysis using machine learning and deep learning algorithms. Cold Spring Harbor Laboratory Press.

SIDDIQUI, M. K., Morales-Menendez, R., Gupta, P. K., Iqbal, H. M., Hussain, F., Khatoon, K., and Ahmad, S. (2020). Correlation between temperature and covid-19 (suspected, confirmed and death) cases based on machine learning analysis.

SOUZA, L. L., BORCHARTT, T. B. (2022). Correlação entre Indicadores Socioeconômicos e a COVID-19: uma revisão sistemática da literatura. In: Simpósio Brasileiro de Sistemas de Informação, 2022, Brasil. Anais Estendidos do XVIII Simpósio Brasileiro de Sistemas de Informação (SBSI Estendido 2022).

ZAREMBA, A., Kizys, R., Tzouvanas, P., Aharon, D. Y., and Demir, E. (2021). The quest for multidimensional financial immunity to the covid-19 pandemic: Evidence from international stock markets. volume 71, page 101284.

Published

2024-02-20

How to Cite

Souza, L. L., Borchartt, T. B., & Clímaco, F. G. N. (2024). De números a narrativas: decifrando a pandemia de Covid-19 através de indicadores socioeconômicas e ambientais. OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA, 22(2), e3352. https://doi.org/10.55905/oelv22n2-172

Issue

Section

Articles