A carregar...
Publicação
Do decarbonization actions work? : causal and cost-effective evidence from european mining and steel industries
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.12 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This dissertation aims to quantify the effects of emission-reduction actions undertaken by European mining and steel companies on (i) operational CO₂ emissions and (ii) financial performance in the short term. These sectors are among the most emissions-intensive and face increasing pressure from regulators and investors to decarbonize while maintaining economic viability. Despite improvements in reported environmental indicators, it remains unclear whether higher scores translate into real emissions reductions or improved financial outcomes.Using firm-level panel data, the study combines three complementary approaches. First, a fixed-effects difference-in-differences design estimates the causal impact of specific actions on Scope 1 and Scope 2 emissions by comparing treated firms to similar control firms and aligning outcomes around implementation timing. Second, estimated emissions impacts are combined with investment information to construct marginal abatement cost curves (MACCs), producing levelized costs per tonne of CO₂e abated based on CAPEX, assumed project lifetimes, and a discount rate. Third, a supervised machine-learning model based on ridge regression is applied to predict emissions changes and simulate recommendations for firms that did not implement actions during the sample period.The results show no clear downward trend in aggregate industry emissions, but action-level effects indicate meaningful short-run reductions, especially for Scope 2. Cost-effectiveness varies substantially across actions and industries. The ridge model exhibits limited predictive power, highlighting challenges in generalizing short-term impacts. Overall, the findings suggest that credible progress in heavy-industry decarbonization depends on targeted interventions and causal evaluation rather than improvements in aggregate environmental scores alone.
Esta dissertação analisa como ações corporativas de redução de emissões adotadas por empresas europeias dos setores de mineração e aço afetam (i) as emissões operacionais de CO₂ e (ii) o desempenho financeiro no curto prazo. Esses setores são altamente intensivos em emissões e enfrentam crescente pressão de reguladores e investidores para descarbonizar sem comprometer a viabilidade econômica. Apesar de melhorias reportadas em indicadores ambientais, permanece incerto se elas refletem reduções reais de emissões ou ganhos financeiros.Com base em dados em painel ao nível da empresa, o estudo combina três abordagens. Primeiro, um modelo de diferenças-em-diferenças com efeitos fixos estima o impacto causal de ações específicas sobre as emissões de Escopo 1 e 2, comparando empresas tratadas com controles semelhantes e alinhando os resultados ao momento de implementação. Segundo, os efeitos estimados são integrados com dados de investimento para construir curvas de custo marginal de abatimento (MACC), calculando custos por tonelada de CO₂e evitada com base em CAPEX, vida útil e taxa de desconto. Terceiro, uma regressão Ridge (machine learning) é usada para prever variações nas emissões e simular recomendações para empresas que não adotaram ações no período.Resultados não indicam uma queda consistente nas emissões agregadas, mas mostram reduções relevantes associadas a ações específicas, sobretudo no Escopo 2. O modelo preditivo apresenta poder explicativo limitado, restringindo a generalização de efeitos de curto prazo. Em conjunto, as evidências sugerem que a descarbonização na indústria pesada depende de intervenções direcionadas e avaliação causal, e não apenas de melhorias em scores ambientais.
Esta dissertação analisa como ações corporativas de redução de emissões adotadas por empresas europeias dos setores de mineração e aço afetam (i) as emissões operacionais de CO₂ e (ii) o desempenho financeiro no curto prazo. Esses setores são altamente intensivos em emissões e enfrentam crescente pressão de reguladores e investidores para descarbonizar sem comprometer a viabilidade econômica. Apesar de melhorias reportadas em indicadores ambientais, permanece incerto se elas refletem reduções reais de emissões ou ganhos financeiros.Com base em dados em painel ao nível da empresa, o estudo combina três abordagens. Primeiro, um modelo de diferenças-em-diferenças com efeitos fixos estima o impacto causal de ações específicas sobre as emissões de Escopo 1 e 2, comparando empresas tratadas com controles semelhantes e alinhando os resultados ao momento de implementação. Segundo, os efeitos estimados são integrados com dados de investimento para construir curvas de custo marginal de abatimento (MACC), calculando custos por tonelada de CO₂e evitada com base em CAPEX, vida útil e taxa de desconto. Terceiro, uma regressão Ridge (machine learning) é usada para prever variações nas emissões e simular recomendações para empresas que não adotaram ações no período.Resultados não indicam uma queda consistente nas emissões agregadas, mas mostram reduções relevantes associadas a ações específicas, sobretudo no Escopo 2. O modelo preditivo apresenta poder explicativo limitado, restringindo a generalização de efeitos de curto prazo. Em conjunto, as evidências sugerem que a descarbonização na indústria pesada depende de intervenções direcionadas e avaliação causal, e não apenas de melhorias em scores ambientais.
Descrição
Palavras-chave
Predictive analytics Decision analytics Data-driven decision-making Supervised learning ESG Business analytics DiD MACC Fixed-effects Cost-effective Environment
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC