Análise de Dados Socioeconômicos do Vale do Sepotuba Para Desenvolvimento de um Modelo Preditivo de Crescimento Econômico: Analysis of Socioeconomic Data From the Sepotuba Valley for the Development of a Predictive Model of Economic Growth

Luiz Henrique Camargo  Moura; Leandro  Mazurek; Raquel da Silva Vieira  Coelho

doi:10.51473/rcmos.v1i2.2025.1785

Authors

Luiz Henrique Camargo Moura UNEMAT BBG Author
Leandro Mazurek Universidade do Estado de Mato Grosso Author
Raquel da Silva Vieira Coelho Universidade do Estado de Mato Grosso Author

DOI:

https://doi.org/10.51473/rcmos.v1i2.2025.1785

Keywords:

Machine Learning; Economic Growth; Socioeconomic Analysis; Vale do Sepotuba

Abstract

This article proposes the analysis of socioeconomic data from the Vale do Sepotuba in order
to develop a predictive economic growth model based on machine learning techniques. The research adopts a quantitative and descriptive approach, integrating data science, regional economics, and sustainable development. The study seeks to understand the factors that influence regional growth, structuring historical and current data of indicators such as GDP, education, unemployment, and infrastructure. Through predictive modeling, the aim is to generate insights that can support public policies and strategic decisions for the region

Downloads

Download data is not yet available.

Author Biographies

Luiz Henrique Camargo Moura, UNEMAT BBG

Universidade do Estado de Mato Grosso
Leandro Mazurek, Universidade do Estado de Mato Grosso

Prof. Me. Universidade do Estado de Mato Grosso
Raquel da Silva Vieira Coelho, Universidade do Estado de Mato Grosso

Prof.ª Ma. Universidade do Estado de Mato Grosso

References

AGUIAR, B. S.; BAPTISTA, G. M. M. Aplicação de aprendizado de máquina para análise do crescimento urbano: o caso das regiões administrativas Ceilândia e Pôr do Sol no Distrito Federal. Revista Brasileira de Geomática, v. 11, n. 1, p. 1–12, 2023. DOI: https://doi.org/10.3895/rbgeo.v11n2.15936

ALMEIDA, F. R. de; SOUZA, L. M. de; SILVA, R. J. da. Clusters espaciais de “agricultura- lização” no meio rural de alguns estados brasileiros. Revista de Economia e Sociologia Rural, v. 53, n. 2, p. 251-268, 2015.

ANSELIN, Luc. Local indicators of spatial association—LISA. Geographical Analysis, v. 27, n. 2, p. 93–115, 1995. DOI: https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

BRANDÃO, Carlos Antonio. Território e desenvolvimento: as múltiplas escalas entre o local e o global. Campinas: Editora da UNICAMP, 2007.

BREIMAN, Leo. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. DOI: https://doi.org/10.1023/A:1010933404324

CASTELLS, Manuel. A era da informação: economia, sociedade e cultura. 2. ed. São Paulo: Paz e Terra, 2000.

CERVO, Amado Luiz; BERVIAN, Pedro Alcino; SILVA, Roberto da. Metodologia Científica. 6. ed. São Paulo: Pearson, 2007.

COHEN, Jacob. Statistical Power Analysis for the Behavioral Sciences. 2. ed. Hillsdale: Lawrence Erlbaum Associates, 1988.

DELGADO, Guilherme. Modernização agrícola e transformação social no Brasil. São Paulo: Hucitec, 2012.

DELGADO, Maria Fernanda. Transformações sociais e econômicas na agroindústria do Vale do Sepotuba. Revista Brasileira de Desenvolvimento Regional, v. 8, n. 3, 2012.

DINIZ, Renato Leite Monteiro. Ética, tecnologia e justiça social. São Paulo: Editora XYZ 2013.

FEW, Stephen. Show Me the Numbers: Designing Tables and Graphs to Enlighten. 2. ed. Burlingame: Analytics Press, 2012.

GAMERO, A. R. et al. Atributos da paisagem da Bacia Hidrográfica do Rio Sepotuba.

Revista Formação (UNESP), 2020. Disponível em:

https://www.oasisbr.ibict.br/vufind/Record/BRCRIS_ee5d317778f5ad9c74708da17d613342.

GERON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2. ed. Sebastopol: O’Reilly Media, 2019.

GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 5. ed. São Paulo: Atlas, 2010.

GOES, K. L. S.; GOES, K. C. S. Application of machine learning techniques in the predictability of the revenue of the Financial Compensation for Mineral Exploitation (CFEM): um estudo de caso no município de Parauapebas (PA). Research, Society and Development, v. 14, n. 6, p. 1–12, 2025. DOI: https://doi.org/10.33448/rsd-v14i6.48913

HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The Elements of Statistical Learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7

IBGE – Instituto Brasileiro de Geografia e Estatística. Síntese de Indicadores Sociais 2022. Rio de Janeiro: IBGE, 2022. Disponível em: https://www.ibge.gov.br.

IMEA – Instituto Mato-Grossense de Economia Agropecuária. Relatório Anual de Economia Agropecuária de Mato Grosso. Cuiabá, 2023. Disponível em: https://www.imea.com.br.

IPEADATA. Banco de dados do Instituto de Pesquisa Econômica Aplicada. Disponível em: https://www.ipeadata.gov.br. Acesso em: 11 jun. 2025.

KITCHIN, Rob. The Data Revolution: Big Data, open data, data infrastructures and their consequences. London: SAGE Publications, 2014. DOI: https://doi.org/10.4135/9781473909472

KUHN, Max; JOHNSON, Kjell. Applied Predictive Modeling. New York: Springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-6849-3

LEANDRO, G. R. dos S. Interações hidromorfodinâmicas na bacia do Rio Sepotuba Alto Paraguai, Mato Grosso. Tese (Doutorado) – UNESP, 2020.

LEANDRO, G. R. dos S. et al. Aspectos físico-ambientais na Bacia do Rio Sepotuba. Revista Equador (UFPI), 2019.

LONGLEY, Paul A.; GOODCHILD, Michael F.; MAGUIRE, David J.; RHIND, David W.

Geographic Information Systems and Science. 3. ed. Hoboken: Wiley, 2015.

MARX, Karl. O Capital: crítica da economia política. Livro I. São Paulo: Boitempo, 1867 [2013].

MATO GROSSO. Secretaria de Estado de Meio Ambiente (SEMA-MT). Plano de Recursos

Hídricos da Região Hidrográfica do Sepotuba. Cuiabá: SEMA-MT, 2021.

MCKINNEY, Wes. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. Beijing: O’Reilly Media, 2012.

MAYER-SCHÖNBERGER, Viktor; CUKIER, Kenneth. Big Data: como extrair valor da avalanche de informação cotidiana. Rio de Janeiro: Elsevier, 2013.

MINAYO, Maria Cecília de Souza. O desafio do conhecimento: pesquisa qualitativa em saúde. 14. ed. São Paulo: Hucitec, 2001.

OLIVEIRA, João Carlos de. O modelo agrícola e a ocupação do Centro-Oeste brasileiro. São Paulo: Atlas, 2007.

OLIVEIRA, João da Silva. Políticas de integração territorial e expansão agrícola no Centro-Oeste brasileiro. São Paulo: Editora Acadêmica, 2007.

PEDREGOSA, F. et al. Scikit-Learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011.

PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios. São Paulo: Alta Books 2013.

RODRIGUES, W.; CANNAVALE, V.; TREVISAN, D.; PRATA, D. Uso de Machine Learning para análise de projetos legislativos de desenvolvimento regional: o caso da Zona Franca de Manaus. Informe GEPEC, v. 26, n. 2, p. 127–140, 2022. DOI: https://doi.org/10.48075/igepec.v26i2.28611

ROMER, Paul M. Endogenous Technological Change. Journal of Political Economy, v. 98, n. 5, p. S71–S102, 1990. DOI: https://doi.org/10.1086/261725

SACHS, Ignacy. Desenvolvimento: introdução ao tema. São Paulo: Companhia Editora Nacional, 2004.

SEN, Amartya Kumar. Development as Freedom. New York: Anchor Books, 2000.

SEPLAN-MT – Secretaria de Estado de Planejamento e Gestão de Mato Grosso. Plano Plurianual 2023–2026. Cuiabá, 2023.

SILVA, T. H.; TELES, I. P.; ARAÚJO, B. J. O. M. Aplicabilidade da inteligência artificial no planejamento territorial. Journal of Environmental Analysis and Progress, v. 10, n. 3, p. 140–151, 2025. DOI: https://doi.org/10.24221/jeap.10.3.2025.7517.140-151

TUFTE, Edward R. The Visual Display of Quantitative Information. 2. ed. Cheshire: Graphics Press, 2001.

VEIGA, José Eli da. Desenvolvimento sustentável: o desafio do século XXI. Rio de Janeiro: Garamond, 2008.

WOOLDRIDGE, Jeffrey M. Introdução à econometria: uma abordagem moderna. 6. ed. São Paulo: Cengage Learning, 2019.