Território e Desigualdade: Desafios Metodológicos na Análise de Dados Socioterritoriais
description
Transcript of Território e Desigualdade: Desafios Metodológicos na Análise de Dados Socioterritoriais
PUC/SP
1
Workshop “Heterogeneidade Sócio-Espacial nas Regiões Metropolitanas”Workshop “Heterogeneidade Sócio-Espacial nas Regiões Metropolitanas”
Território e Desigualdade: Desafios Metodológicos na Análise de Dados Socioterritoriais
Centro de Estudos das Desigualdades SocioTerritoriais
Licença de Uso: Creative Commons Atribuição-Uso Não-Comercial-Compartilhamentohttp://creativecommons.org/licenses/by-nc-sa/2.5/br/
Missão CEDESTMissão CEDEST
Buscar ser um dos centros de excelência no estudo de indicadores intra-urbanos socioterritoriais para apoiar políticas públicas para as cidades brasileiras.
Investigar as desigualdades socioterritoriais através de análise espacial para construir indicadores de diagnóstico e predição em políticas sociais.
Estabelecer um diálogo permanente entre análise sociológica e técnicas matemático-computacionais, para uma crítica substantiva e subjetiva dos procedimentos analíticos.
Equipe CEDEST
Humanos Aldaiza Sposati (serviço social – PUCSP) Dirce Koga (serviço social – PUC-SP) Frederico Ramos (arquiteto – CEDEST) Kazuo Nakano (arquiteto – CEDEST/POLIS) Cláudia Almeida (arquiteta) Paulina Lopes (arquiteta – mestranda no INPE) Flávia Feitosa (geógrafa – mestranda no INPE)
Engenheiros Antonio Miguel Monteiro Gilberto Câmara Silvana Amaral (ecóloga) Isabel Escada (ecóloga) Ana Paula Dutra de Aguiar (doutoranda no INPE)
Colaboradores Científicos
Saúde Pública Marilia Sá Carvalho (ENSP/FIOCRUZ) Wayner Souza (CPqAM/FIOCRUZ) Cristovam Barcellos (ENSP/FIOCRUZ)
Estatísticos Suzana Druck (EMBRAPA/Cerrados) Paulo Justiniano Ribeiro (UFPr) Corina Freitas (INPE) Trevor Bailey (Univ. Exeter – Reino Unido) Renato Assunção (UFMG)
precisamos....
Diante dos novos processos sociais em nossas cidades...
As ações e propostas de intervenções e planejamentos locais orientam-se cada vez mais a partir das relações entre as partes e o todo urbano.
A descentralização da gestão urbana demanda instrumentos adequados de política pública.
... ampliar nossa capacidade de revelar os territórios invisíveis do espaço das cidades
(1) descobrir não apenas onde, mas o que define e estrutura um certo “lugar”;
(2) estas respostas permanecem implícitas em medidas que abordam as cidades como um todo.
(3) voltar-se para o territórioterritório, considerando suas diferenças buscando métodos capazes de revelar, dentre um universo de múltiplas variáveis, quais seriam mais relacionadas ao fenômeno nos diferentes territórios que compõe a cidade.
Metodologias de Análise Espacial
Exploratórias Visualização e Cognição visual Análise multi-variada (análise fatorial, clustering) Regressão (espacial e não-espacial)
Baseadas em modelos Inferência formal (estimação, testes de hipótese, predição): requer
modelos estatísticos “a priori” Inferência subjetiva: conceitos sociológicos “a priori” – exclusão social
Como conhecer o território?
Dados censitários e “surveys” Organizados por espaços de coleta (e.g., setores censitários) Resultam em áreas “homogêneas” em bancos de dados geográficos
Capacidade analítica Entender a distribuição espacial dos valores nas áreas homogêneas (identificar
tendências e aglomerados) Modelar possíveis explicações para os padrões observados Usar os modelos para indicar o que pode acontecer em outras ocasiões
Cuidados Objetivo primário não é descrição acurada dos dados Mais importante: entendimento dos padrões espaciais e determinação dos
relacionamentos entre variáveis com potencial explanatório
Questões Metodológicas
Onde estão as desigualdades intra-urbanas?
Como caracterizar os fatores estruturantes dos lugares das cidades?
Como diferenciar os espaços intra-urbanos?
Como construir modelos prognósticos da evolução das desigualdades intra-urbanas?
Conceitos Estruturantes
Desigualdades Fatores estruturantes Diferenciação dos espaços Modelos prognósticos
O que queremos destes conceitos para que sejam úteis em políticas públicas universais e territoriais? Que sejam mensuráveis Que permitam diferenciação entre atores sociais Que os modelos matemáticos sejam relevantes no território
Conceitos Estruturantes
Desigualdades Indicadores de desigualdade: Mapa da exclusão, topografia social
Fatores estruturantes Regressão – espacial e não-espacial Espaços de redes e espaços de lugares
Diferenciação dos espaços Técnicas de regionalização, efeitos de escala Imagens de satélite para desagregação de áreas
Modelos prognósticos Modelos de população Modelos probabilísticos
Conceitos Estruturantes: Desigualdade
Desigualdade Modelo sociológico abstrato Verificável apenas cognitivamente
Abordagens Exclusão Social
Polaridade inclusão-exclusão como superação da noção de pobreza Vulnerabilidade
Hipóteses: encontrar grupos diferenciados
Problemas analítico-computacionais Como construir indicadores compostos? Como lidar com efeitos de escala? Como construir mapas significativos cognitivamente?
Indicadores de Desigualdade
Indicador de Inclusão/Exclusão Social Composição de indicadores
Renda, Qualidade de vida, Desenvolvimento Humano, Equidade de Gênero
Produtos do estudo Mapa de inclusão/exclusão social
Dimensão cognitiva forte Construção do banco de dados geográfico
Permite a construção de múltiplas análises
INDICADORES SÓCIO-ECONÔMICOS
Precária
EXCLUSÃO/INCLUSÃOSOCIAL
FONTE INDICADORES ÍNDICES CAMPOIexi Chefes de família abaixo da linha de Pobreza (semRendimento)Iexi Chefe de Família na Linha de Pobreza (com ganho até 2SM
Iex Precária Condição deSobrevivência
CENSO IBGE(1991)
Iexi sem rendimentoIexi até 0,5 SMIexi de 0,5 até 1 SMIexi de 1 à 2 SMIexi de 2 à 3 SMIexi de 3 à 5 SMIexi de 5 à 10 SMIexi de 10 à 15 SMIexi de 15 à 20 SMIexi mais de 20SM
Iex de Distribuição de Renda dosChefes de Família
Iex AUTONOMIADE RENDA DOS
CHEFES DEFAMÍLIA
Iexi Chefes de Família não AlfabetizadosIexi Alfabetização Precária ( de 1 à 3 anos de estudo)Iexi de 4 à 7 anos de estudoIexi de 8 à 19 anos de estudoIexi de 11 à 14 anos de estudoIexi amis de 15 anos de estudo
Iex de DesenvolvimentoEducacional
Iexi Alfabetização Precoce ( com 5 à 9 anos )Iexi Alfabetização Tardia ( de 10 à 14 anos )
Iex estímulo Educacional
Iexi não AlfabetizadosIexi Alfabetização Precária
Iex Escolaridade Precária
CENSO IBGE(1991)
Iexi População acima de 70 anos Iex Longevidade
IexDESENVOLVIME
NTO HUMANO
Iexi Precário Abastecimento de ÀguaIexi Precário Instalação sanitária (Esgoto)Iexi Precário Tratamento do Lixo
Iex QualidadeAmbiental
Iexi Propriedade DomiciliarIexi Densidade HabitacionalIexi Condições de PrivacidadeIexi Conforto Sanitário
Conforto Domiciliar
Iex QUALIDADEDE VIDACENSO IBGE
(1991)
Iexi Habitação Precária
IexQualidadeDomiciliar
CENSO IBGE(1991)
Iexi Mulheres não AlfabetizadasIexi Concentração de Mulheres Chefes de Família
Iex EQUIDADE
Escolaridade Precária
33_IND(s)/49_IND(s)
DESENVOLVIMENTO HUMANO ENTRE 1991 E 2000
DESENVOLVIMENTO HUMANO 1991
[-1.00~-0.75][-0.75~-0.50][-0.50~-0.25][-0.25~0.00][0.00~0.25][0.25~0.50][0.50~0.75][0.75~1.00]
DESENVOLVIMENTO HUMANO 2000
DESENVOLVIMENTO EDUCACIONAL ENTRE 1991 E 2000
DEduc 1991 DEduc 2000
Analf 6,996 Analf 5,203
1 a 3 AE 13,485 1 a 3 AE 10,925
4 a 7 AE 33,750 4 a 7 AE 28,549
8 a 10 AE 15,375 8 a 10 AE 16,999
11 a 14 AE 16,096 11 a 14 AE 24,383
> 15 AE 11,615 > 15 AE 12,071
Exclusão 20,481 Exclusão 16,128
Inclusão 43,085 Inclusão 53,452
Análise Comparativa do Densenvolvimento Educacionalem São José dos Campos entre 1991 e 2000
05
10152025303540
Analf 1 a 3 4 a 7 8 a 10 11 a 14 > 15
Anos de Estudo
Per
cen
tual
de
Ch
efes
de
Fam
ília
Anos de Estudo em 1991
Anos de Estudo em 2000
Visão Tradicional dos Indicadores
Densidade demográfica de São Paulo Censo de 1991 Dados agregados em distritos
Apresentação de dados Agrupamento em quantis
Será que estes patamares são reais?
O TERRITÓRIO
Território
Divisão distrital
Zonas OD87
Zonas OD97
Topografia Social: Das Áreas às Superfícies
Boa parte dos estudos de políticas públicas está associada a fenômenos contínuos no espaço Risco de homicídio Densidade demográfica Distribuição de renda
Dados sócio-econômicos são coletados pontualmente, mas agregados por partição espacial Setor censitário, distritos, municípios Particões espaciais são unidades de coleta e não unidades de análise
Agregamento de dados em regiões esconde variações internas, e pode criar limites artificiais
Topografia Social
Definição Representação de dados socio-econômicos como uma superfície
contínua Expressão territorial da rugosidade das desigualdades sociais das
cidades. Objetivos
Aproximar variação contínua dos atributos Remover limites arbitrários das regiões Permitir comparação de dados de suportes espaciais distintos Suporte para modelagem temporal
Topografia Social:Percepções do Espaço
Espaço como uma subdivisão planar
Espaço como uma superfície contínua
pontos / amostras
superfície contínua / grade
dados agrupados por áreas / polígonos
X,Y,Z
X,Y,Z
X,Y,ZX,Y,Z
X,Y,Z
geração de centróides
interpolação
POPULAÇÃO EM GRADES REGULARES
Das Áreas às Superfícies
Superfície de Risco de Homicídios: Krigagem Binomial
1996 1999
Fatores Estruturantes
Idéia Estabelecer relacionamentos entre variáveis territoriais
Análise multivariada (e.g. análise fatorial) Estabelecer regiões com comportamento multidimensional
diferenciado Regressão
Variável a ser explicada (e.g. taxa de homicídio) Variáveis explicativas (e.g., analfabetismo, renda).
Regressão Não-Espacial
Objetivo explicar comportamento de variáveis a partir de fatores
explicativos Modelos multivariados não espaciais.
yi = 0 + 1x1 +… + ixi + i
yi = estimativa da var. resposta para a região i; i = coeficiente de regressão
xi = variável explicativa (para a região i) i = resíduo (erro aleatório de modelagem)
R2 = 1 –(yi – yi)
i = 1
n
(yi – yi)i = 1
n 2
2
REGRESSÃO PONDERADA ESPACIALMENTEREGRESSÃO PONDERADA ESPACIALMENTE
0 ( , ) ( , )i i i k i i ik iky u v u v x
0( , ) 0( , ) 0( , ) 0( , )
0( , ) 0( , ) 0( , ) 0( , )
0( , ) 0( , ) 0( , ) 0( , )
..
..
.. .. .. .. ..
..
i i i i i i i i
i i i i i i i i
i i i i i i i i
u v u v u v u v
u v u v u v u v
u v u v u v u v
1( ) ( ( ) ) ( )T Ti i iX W X X W Y
1
2
0 .. 0
0 .. 0( )
.. .. .. ..
0 0 0
i
i
in
w
wi
w
W
1) Extensão do modelo de regressão tradicional para o modelo com parâmetros estimados localmente. Onde (ui,vi) são coordenadas geográficas do ponto i no espaço.
2) Matriz de betas é estimada a partir da equação matricial onde X e Y são as matrizes dos valores observados nos diferentes pontos do espaço
3) W(i) é a matriz de pesos geográficamente determinados a partir de uma função quadrática
Modelo geral
Onde: TX_HOM é a taxa de homicídios de 2000 por distrito (PROAIM)
%X_analf é a porcentagem de chefes de família analfabetos.(CENSO 2000)
Modelo espacial
ANÁLISE ESPACIAL: ANÁLISE ESPACIAL: Regressão espacialmente ponderadaRegressão espacialmente ponderada
)_(%_ 10 AnalfXHOMTX
)_(%),(),(_ 10 AnalfXvuvuHOMTX iiii
Data
##### #
######
###
##
#
#
##
#
## # #
#
#
###
#
##
# ##
#
##
#
#
#
##
####
###
#
##
##
#
#
# ##
##
##
#
##
#
#
#
#
##
##
#
###
#
#
###
###
#
#
###
##
##
#
#
#
#
###
#
###
#
#
#####
#
##
# ####
#
# #####
#
#
#
## #
#
# #
#
#
######
#
##
# #
#
#
##
#
###
## ## # #
###
#
## ##
#
#
#
##
#
####
# ###
####
### #
#### ##
#
#######
####
# ####### #
#
##
## #
##
#
####
## ## ##
##
### #
#
#
#
## ##
#
#
#
## #
###
##
#
##
###
#
#
#
#
###
##
##
#
#
##
####
###
#
#
##
###
#
##
#
### ##
#
#
####
#
###
##
#
# #
# ##
#
##
#
####
####
##
#
#
## #
###
#
#
#
#
#
#
#
###
#
###### #
#
##
#
#
####
#
#
#
#
#
##
###
##
######
#
#
##
#
#
#
#
#
#
###
###
#
#
###
#
#
#
#
##
##
#
#
##
# #
#
##
##
###
#
#
#
#####
#
#
#
#
###
##
######
### #
##
###
# # ##
##
#
###
#
#
## # ##
# ##
#
#
#
######
###
#
####
##
## ###
###
##
##
#
####
###
#
###
### ###
## ####
##
#
#
### ## ### ##
## # ###
####
##
#
#
##
#
#
#
##
#
# ##
##
#
###
###
#
#
###
#
#
#
#
##
##
#
#
###
###
#
#
#
#
##
##
###
###
#
##
###
# ##
# ##
##
#
#
#### #
# ##
#
##### # ##
#
##
## #
##
############
#####
## ###
# ##
#
#
#
#
#
#
####
#
#
####
##
#
##
##
# ###
# ####
#######
##
## ##
########### #
## ## #
##### ######
### #
###
##
##
##
##
####
###
##
#
##
####
###
#
#
#
##
#
##
#
###
##
###
###
## ##
##
##
###
####
#
##
###
#
##
##
##
#
#
#
##
#### ##
##
#
##
##
#
##
##
##
##
#
### ## ## ####
#
#
#
#
#
##
##
# ### #
#
#
## ### ##### # #
###
###
####
#
#
##
###
#
#
##
####
#
##
#
##
##
# ###
#
## ##
##
# # #
#
#
#
#
# #
##
#
#
##
## ##
#
#
#####
#
# #
#
##
##
#
##
#
#
## ####
#
##
#
#
#
# # ## ####
#
#### #
# #
#
#
#
#
#
#
####
#
# ###
#
#
##
#
#
###
# #
# # ###
### ## # ####
#
# ###
##
####
##
##
#
#
#
#
##
#
#
## #
#
##
#####
#
##
##
###
# ##
#
#
#
###
#
#
#
##
#
#
## #####
#
##
###
#
#
##
####
##
#
#
## #
##
##
##
#
#
#
##
# #
##
##
#
###
## ##
##
# ## #
#
## #
# #
#
## ## #
#
#
# # ##
#
## #
#
#
# ###
#
# #
#
#
#
##
##
# # #
#
# #
#
##
#######
## #
###
####
###
###
#
#
#
#
#
###
##
#####
#
# ###
# # ###
#
########## #
##
#####
###
#
#
#
#
#### #
#
## #
#
#
#
### ##
#
##
##
##
##
#
#
###
###
##
##
#
##
##
##
###
###
#
#######
#
###
##
###
##
###
##
##
#
##
#
# ##
##
###
####
#
#
####
###
#####
##
###
#
#
#
##
###
#
#
###
#
#
#### #########
#
#####
###
###
# #
## # #
#
##
## #
#
#
####
#
###
###
#
#
#
#
###
##
##
###
#
#
###
# ##
##
#
#
###
##
#
##
##
#
####
# #
##
#
#
##
###### ##
########
####
### ### #
#
## #### ###
####### ## #
##
## #### ####
###
#####
#
### #
#
##
# #
#
#
#
####
#
#
#
#
##
###
##
#
# ### #
#
#
#
#####
##
# ## #
##
#
#
### #
##
#
#
#
##
#
##
#
##
###
# ###
#
#########
#
#####
### # ###
######
###### ###
#
#
##
#
###
#
# #### ## ##
####
##
#
#
#
#
###
#####
#
#
#
###
#
##
##
##
#
###
#
#
#
#
#
#
#
#
#
###
#
###
###
# ###
##
###
#
###
##
#
##
#
##
## ##
#####
##
#####
##
#
#
###
##### ##
#
##
# ## ##
####
#
# ###
###
##
##
# #
## ##
###
#
#
##
#
##
#
#
#
#
#
###
#
########
#
#####
#
#
##
##
#
##### #
#
###
###
#
######
# ### ####### # # ##
###
# #######
####
# ##
##
##
####
#
#### ##
#
## ##### ##
#####
####
######
#
##
# ###
#
####
###
#
##
# # ###
###
##
#############
#
# ##
####
#
##
## #### #
#
#
#
###
# ####
##
#########
# ##
#
### ##
#
#######
########
#
#
###
#
##
# #
##
#
##
#
###
#
##
# #
# #
#
#
#
###
# #
##
#
####### #
###
# ## #####
#
### #### ### #
##
# ## ##
#
#####
#
#
# ####
#####
# ## #
#
##
#
##
##
#
# #
#
###
#
#
### #
#
#
#
#
#
#
##
#
#
#
##
#
####
##
#
#
# #
#
#
####
#
#
#
#
#
###
#
#
#
# #
#
#
#
# #
#
#
## #
#
#
#
###
## ### #
#
#
####
#
#
##
#
#
#
#
###
#####
## #
#
##
#
##
##
####### ##
#
#####
#
#
#
#
##
#
#
#
#
##
###
###
##
####
######## ##
## ##
# #
#####
##
#
#
##
#### #
#######
#
####
##
#
#
# ##
## #
#### ## #####
####
#
#
#
###
###
### ###
#####
###
##
## ## ## #
### ## ### ###
####
#
###
###
#
#
###
###
#
#
##
#########
# ###
###
#
#
#
#
#
###
####
# ##
# #
##
##
#####
#
###
#
#
## ##
#### ####
#
##
# ### #
#
##
#
# ###########
##
##
#
# ##
#####
#
## #
#
#
#
##
##
#
###
#
#
#
#### #####
# #######
###
# ##
##
##
### #
###
##
##
#
#
#
#
##
#
##
###
#
###
##
####
#
#
## #
# #
#
###
#
##
### ##
#
##
######
#
#
#
#
#
#
##
#
#
#
##
#
#
#
# #
#####
##
###
#
# #
##
#
##
#
# #
#
#
#
#
###
#
#
#
#
#
###
###
#
#
## #
#
######## ####
#
##
#
#
##
###
#
#
##
## ###
###
##
#
#
##
# ##
# ###
# ####
#
#
##
#
###
###
#
#
####### # ## #
###########
#########
##
########
##
###
#
###
####
##### #
####
##
#
####
##
#########
## ##
##
###
####
###
#
#
###
##
### ###
#
#
#
#
#
####
#
#
##
#
#
#
#
#
#
##
##
##
#
#
#
##
#
#
#
#
#
#
#
#
#
##
#
#
##
###
#
#
##
## #
##
# #####
##
##
##
##
#
#
###
###
#
####
##
## ##
#
#
###
#####
##
####
#
#
###
##
#
#
##
#
###
###
#
#
#
#
###
#
#
#
## #
#
## #
#
####
#
#
# #
##
###
#
#
##
##
##
#
##
####
#
####
##
#
#
#
#
##
#
#
#
#
##
## ## #
##
#
#
##
#
## ##
###
###
#
##
#
#
#
#
#
#
###
#
#
##
#
#
######
##
#
#
#
# ###
###
#
#
#
#
###
#
##
#
##
#
#
#
#
#
##
### ####
#
##
##### #
##
##
#
# #
# #
##
##
###
# #
#
##
#
#
###
#
#
##
####
#
#
#######
##
####
#
## #
#####
###### #####
##### ##
###
#
#########
##
##
###
#####
#
##
#
#####
#####
#
## ##
#
#
###
### ##
#
##
### #
## ## ###
#
##
#
#####
# #
###
##
#
###
### ########
# ###
##
###
###
######### #
#
### ###
#
#
##
#
###
######
#
#
##
#### #
###
####
#
##
### ##
#
##
# #
#
##
#
###
##
####
#
####
##########
#### ######
###
##
### #### #
## ### #
####
##
#
####
#####
######## #
#
### #
# ###
########
## #
#
# # #
#####
# #
#
###
##
####
#
## ####
##
##
## ##
#####
###
#
##
#
##
#### #
# ###
## ##
#### ##
##
### ####
#
#
####
#
#
# #
#
## ##
#
#
#
#
##
##
##
#
#
##
#
##
###
#
####
## #
##
#
# #
##
# #
##
##
#
#
##
# ## ##
#
####
#
##
## ##
#
#
## #
#
#
#
#
## ##
### #
##
# ### #
##
###
###
### ### ##
##
#
###
#
#
###
#
#
### ###
#
#
#
####
#
##
#
##
##
####
#
#
### #
#
#
##
#
##
###
#
#
# #
#
##
##
# #
###
#
#
#
#
##
##
##
###
#
#
##
#
#
##
#
#
#
#
#
#
#
#
# #
#####
#
###
#
#
##
#
###
##
#
#
#
#
#
#
#
###
#
#
#
#
###
## #
#
#
#
##
# ##
#
#
###
##
##
## #
###
#
#####
####
####
##
###
#
#
#
##
#
#
#
##
### #
#
#
##
#
#
###
#
#
#
#
#
##
###
##
#
# #
#
#
#
##
#
##
#
#
#
# ###
##
#
##
#
####
#
# #
## #
## #
#
#
# # ##
#
###
# ###
## ##
#
#
###
#
#
##
## #
##
#####
#
#
#
###
##
##
###
# ###
#
#
#######
#
##
##
##
####
#
#####
#
#
#
####
###
#
#
#
#
#
#
#
#
#
#
# #
# #
#
#
#
#
# #####
######
##
##
#
####
##
#
#
#
#
###
#
#
#
#
#
##
##
##
#
#
#
####
###
#
##
### ####
#
#
#
#
#
###
#
##
######
#
#
#
#
###
#
#
####
##
## ### ##
#
#
#
#
###
#
#
##
##
#
#
#
#
## ###
#####
##### #
## ####
#
#
##
#
# #
#
#
#
#
##
##
###
#
###
#
##
### #
#
#
#
#####
#
##
##
#
###
#
####
#
#
# #### ###
## # #### ####
#
#
####
######
##
#
##
##
#
#
#
#
#
###
##
###
#
# ##
# #
#
#
######
#
######
###
#
####
#
# #
##
##
#
#
#
##
#
#
#
## #
#
###
#
#
##
###
#
##
#### #
##
### #
##
#
#
#
#
##
#
#
#
####
##
#
#
#
##
#
#
#
#
#
#
###
# ##
# # ###
#
##
#
###
# ##
## ###
###
#
#
#
###
### # ##
##
#
# #
#
####
#
#
#
##
#
##
##
#
#
#
##
#
#
#
##
##
##
#
##
##
#
#
#
##
##
###
#
#
##
# #
#
#
###
###
###
#
#######
#
#
####
##
## ##
#
# ## ###
# ####### #
#####
##
#
#
#
##
#
#
###
#
#
#
#
#
#
###
4,637 homicide victimsresidence geoadressed2001
456 Census Sample Tracts2000
######
########
###
#
#
##
#
## ##
#
#
###
#
##
####
###
#
#
##
####
###
#
###
##
#
###
##
###
##
#
#
##
####
#
###
#
#
######
##
#####
##
#
##
#
###
##
####
######
### #
####
##
#####
#
#
## #
#
# #
#
#
#######
##
##
#
###
#
###
## ##
# ### #
#
##
##
#
#
#
###
####
# ###
####
####
#### ##
#
#######
####
# ####### #
#
##
###
##
#
####
## ####
##### ##
##
####
#
##
##
##
####
#
#####
##
##
###
###
#
#
#
##
###
#######
###
##
###
#####
#
#
#####
###
##
## #
# ##
#
###
####
####
##
#
#
###
###
##
#
#
#
#
#####
###### #
###
#
#
####
#
#
#
#
##
#
###
##
######
#
#
##
#
##
#
#
#
###
###
#
#
###
##
##
##
###
###
# ##
##
#####
#
#
#####
#
#
##
#
###
##
######
####
##
####
#####
#
###
#
### # ##
# ##
##
#
#########
####
###
#####
#####
###
####
####
###
######
## ###
###
##
##### ### ##
## #
#######
##
##
##
#
#
#
#### #
#
##
##
##
####
#
####
##
#
##
###
#
###
###
#
##
#
##
####
#
###
#
###
#####
# ##
###
### ###
###
#########
###
## #
####
########
##
######
####
###
##
#
#
#
#
####
#
#
###
###
###
#####
## #
###
########
### ###
########## ######
#####
######
####
###
##
##
##
##
####
###
##
#
##
####
###
##
##
#
#
###
###
##
####
##
## ####
#####
####
###
###
#
######
#
#
#
#####
# ##
##
#
##
###
##
##
##
##
#
### ## ## #####
#
#
#
##
##
#
#####
#
### #####
#### ###
###
#
####
#
#
##
###
#
#
######
#
##
##
#
##
####
#
## ##
##
## ##
##
#
##
##
##
######
#
######
#
# #
#
##
##
#
# ##
### ####
#
##
#
#
## # #
######
###### ##
##
#
#
#
####
#
# ####
#
###
#
###
# ## ###
#### ### ####
## ###
##
####
##
###
#
##
##
#
#
## ##
##
###
##
#
##
###
##
# ##
#
#
#
###
##
##
##
#
## ######
##
###
##
##
####
##
#
##
####
##
##
#
#
###
# #
##
##
####
###
###
####
#
## #
# #
### ###
#
#
# #####
# ##
## ##
#
#
# #
#
##
###
#
# # ### #
#
##
#######
## #
###
####
###
###
#
#
#
#
#
###
## ####
#
#
# ###
#####
#
########## #
##
##### ###
##
#
##### #
##
###
##### ##
#
####
##
##
##
###
###
####
#
##
##
##
####
#######
###
#
###
##
###
##
###
####
#
##
#
# ##
##
###
####
#
#
####
####
#####
##
##
##
##
###
##
####
#
#
#### ###
######
##
###
####
###
##
## ###
##
## #
#
#
####
####
###
#
#
#
#
####
#
###
##
#
#
###
# ##
###
#
###
##
#
##
##
####
## #
##
#
#
##
#####
# ##
########
###
###
######## #### ###
####### ## ###
###### #
####
#####
##
#
### #
#
##
# #
##
#####
#
#
#
#
#####
##
#
# ## # ##
#
#
#######
# ###
##
#
#
####
###
#
#
###
###
##
###
# ###
#
##########
#####
##########
######### ###
#
#
##
#
###
#
# ###
########
#
##
#
#
#
######
#####
###
#
###
##
##
#
###
##
#
#
#
#
#
##
####
#####
#
####
##
##
##
###
###
##
#
##
########
########
###
#
#####
######
##
####
#
####
#
# ####
##
##
##
##
## ##
###
##
##
#
##
#
#
#
#
####
#########
#
######
#
##
######
####
###
###
#
########
## ####### ####
###
# #########
### ##
##
##
###
#
#
####
##
### #######
######
#########
###
####
#
####
###
##
###
###
#####
##############
#####
###
##
#####
##
##
####
# ##
##
##
#########
###
#
#####
#
###############
#
#
########
##
#
###
###
###
### #
#
##
#### #
##
#
####
### #
###
# #####
###
### #### ###
###
# ####
#
#####
#
####
##
#####
# ## ##
##
#
##
##
#
##
#
###
##
### #
#
##
#
#
###
#
##
##
#####
##
#
#
# #
#
##
###
#
#
#
##
####
#
## #
##
###
#
#
###
##
#
###
## ####
#
#
####
#
#
##
#
#
#
##
##
####### #
###
#
##
##
#####
## ###
#####
#
#
#
#
####
#
#
##
###
###
##
####
##########
####
# ######
###
##
###
###
########
####
###
#
#####
#
###### #####
#####
#
#
###
#####
###
####
#####
##
#### ## #
##### ### ###
########
####
#
###
###
##
##
##############
###
##
#
#
####
###
# ##
##
##
##
#####
#
###
##
## ##
########
###
#### ##
##
#
# ###########
##
##
## ##
#####
### #
#
#
#
##
###
###
#
##
#### #####
# #######
#### ##
####
####
###
##
##
#
#
#
#
##
###
###
#
###
##
#####
#
## #
# #
#
####
##### #
####
#######
#
#
#
#
#
###
#
#
##
#
##
# #####
#
##
###
#
# #
##
####
##
###
#
###
#
#
#
#
#
###
###
#
#
## #
###
####
######
####
###
####
###
## ######
###
###
###
# ###
# ####
##
###
###
####
##
###### #
##############
#########
##########
##
####
###
####
######
#######
####
##
########
#### #
##
#######
####
##
##
########
#
##
#
#
####
#
#
##
#
#
#
#
#
#
##
##
##
#
#
#
##
#
#
#
#
#
#
#
##
###
#
##
###
##
##
## ###
# #####
##
##
##
##
#
####
###
#####
#### ##
#
###
######
##
####
#
#
###
###
#
##
#
######
#
#
##
###
#
##
## #
#
###
#
#####
#
##
##
###
##
##
##
##
###
####
#
####
##
#
#
#
#
##
##
#
#
##
## ###
##
#
#
##
#
## ####
#
###
#
##
#
#
#
##
#
###
##
##
#
#######
###
#
#####
###
#
#
#
#
###
#
##
###
#
#
##
#########
#
#
##
######
##
###
####
######
###
#
###
####
##
##
####
#
#
########
####
###
######
#
###### #####
##### #
####
#
#########
# ###
#####
###
#########
#####
#####
##
###
### #####
####
## ## ####
##
#
#####
# ####
##
####
###########
####
#####
###
######### ##
### ###
#####
###
######
#
#
##
#### ##
##
#######
### ##
###
##
###
#
#######
###
##############
##########
#############
## ####
####
##
#
####
#####
######## ##
####
########## #
#
## ##
# #######
##
####
######
##
#####
##
##
########
#
####
###
####
#### ###
####
#### ####
#######
#
#
####
##
# #
### #
#
#
##
###
###
#
#
#
##
#
#####
#
####
###
##
#
# #
##
# #
##
##
#
###### #
#
#
## ###
######
#
#
## #
##
##
####
####
##
#### #
##
###
###
### #####
###
###
##
###
#
##
## #####
#
###
#
#
###
##
#######
##
## #
#
#
##
#
##
###
#
###
##
## #
# #
####
#
#
#
##
##
####
##
#
##
#
#
##
#
#
#
##
#
#
###
######
###
#
##
#
#
###
##
#
##
#
#
#
#
###
#
#
##
###
## #
#
#
###
##
#
##
###
####
## ####
#
#####
####
####
###
###
#
#
##
#
##
##
####
##
###
####
#
#
#
#
###
# ####
#
# ##
#
#
##
#
##
#
#
#
# ###
##
###
#
####
#
# ####
## #
#
#
# # ##
##
##
# ###
#####
##
##
#
###
###
#####
##
#
##
###
##
##
###
# ####
########
#
####
##
####
#
######
#
###
##
##
#
##
#
##
#
##
#
#
# ## #
#
#
##
# #####
######
##
##
#
#####
#
##
#
#
###
##
#
##
##
##
###
#
#
####
###
###
#######
#
#
#
#
#
###
##
#####
##
#
#
##
###
#
#
####
#### ### ##
#
##
#
###
#
##
#
##
##
#
#
###
##
#####
#####
#
######
##
##
## #
#
#
##
##
##
###
##
##
##
##
#####
######
#
##
###
#####
###
#
###### ###
###
########
#
#
###
#
######
##
#
###
##
#
#
#
#
###
##
###
## #
###
##
##########
###
###
#####
## ###
##
#
#
#
##
##
#
###
#
###
#
#
#####
#
##
###
##
####
###
##
#
#
###
#
#
##
### ##
#
##
##
#
#
#
##
####
# ### # #
##
##
##
###
###
#####
###
#
#
####
####
####
#
##
#
####
#
#
#
##
#
##
###
#
#
###
#
#
##
##
##
###
###
#
#
##
##
###
#
#
##
# #
#
#
###
###
###
######
##
#
#
######
## ##
## ## ##
######
### ######
###
#
###
##
###
#
#
#
#
#
#
###
Superfície de Densidade da Taxa de Homicídios
Kernel Density Function
Bandwidth = 3 Km
Critical areas Critical areas
Critical areas
Taxa de homicídos
0
10
20
30
40
50
60
70
Tx_homic
Tx_homic = count homicide events (2001) *100.000 population (census, 2000)
Porcentagem de chefes de família analfabetos (Xanlf)
0
10
20
30
40
50
60
Modelo geral
Modelo espacial
ANÁLISE ESPACIAL: ANÁLISE ESPACIAL: Regressão espacialmente ponderadaRegressão espacialmente ponderada
)_(%_ 10 AnalfXHOMTX
)_(%),(),(_ 10 AnalfXvuvuHOMTX iiii
R2 = 0.356
R2 = 0.699
Moran= -0,0303(resíduos não correlacionados)
Regressão Espacial: TX_homic com Xanlf
Resíduos
5 0 5 10 Kilometers
Area_ po.shp-6.396 - -1.855-1.855 - 00 - 3.5323.532 - 5.8435.843 - 15.765
GWR regression results for TX_homic and Xanlf
Local Beta1 Local t-value
Fatores Estruturantes: Regressão Espacial
Regressão Espacial: indica diferenças significativas na relação entre taxas de homicídio e chefes de família analfabetos em São Paulo
Diferenciação do Espaço
Como expressar a heterogeneidade do território sem cair na excessiva fragmentação?
Como reconhecer espaços homogêneos no interior das cidades?
Procedimento Desagregação dos dados em unidades atômicas Reagregação de áreas em novos espaços
A Utilização dos Setores Censitários
Identificar variações Intra-Distritais
Exige adaptações
Potencializa o efeitode outliers e de setores
discrepantes em relação ao entorno
Aumenta a Variabilidade espacial dos dados
A Questão da EscalaA Questão da Escala
Efeitos de escala e zoneamento
Efeito de escala - diferentes resultados estatísticos são obtidos a partir das mesmas variáveis quando a informação é agrupada em diferentes níveis de resolução espacial.
Efeito de zoneamento - é a variabilidade dos resultados estatísticos obtidos pelas diversas maneiras de agrupamento das unidades de área em uma determinada escala.
(Wrigley et. al , 1996)
EFEITOS DE ESCALA E ZONEAMENTO
O efeito das diferentes possibilidades de agrupamento sobre o valor da correlação
População >60 anos
População não alfabetizada
Renda per capita
EFEITOS DE ESCALA
270 ZONAS OD97 DO MSP
EFEITOS DE ESCALA
População >60 anos
População não alfabetizada
Renda per capita
96 DISTRITOS DO MSP
População >60 anos
População não alfabetizada
Renda per capita
EFEITOS DE ESCALA
96 ZONAS RENDA HOMOGENEAS DO MSP
EFEITOS DE ESCALA
ZON
AS O
D97
DIS
TRIT
OS
ZON
AS R
END
A
A) Porcentagem da população com 60 anos ou mais
B) Porcentagem da população não alfabetizada
C) Renda individual per capita em reais *
VARIÁVEIS
Comparação entre as matrizes de correlação para as variáveis selecionadas
Diferenciação do Espaço: Regionalização
Desenvolvimento de métodos de regionalização Reagregar N pequenas áreas (a mais fina resolução
disponível) em M regiões maiores de maneira a otimizar a função geral do dado agregado.
Possíveis soluções Algoritmos semi-automatizados de regionalização
Regionalização: Mapas como Grafos
Regionalização: Mapas como Grafos
Agregamento em áreas Agregamento em áreas com restriçãode população mínima
Modelos Prognósticos
Desafio Dada uma situação atual, como vai evoluir o território?
Alternativas Modelos estatísticos
Requerem parametrização dos fenômenos Utilizados em epidemiologia espacial
Modelos determinísticos Propagação espacial de relações multivariadas Automatos celulares
Modelos: Uma Visão Geral
O que modelar? Fatores dinâmicos de mudança do território
Hipótese Agentes humanos realocação do uso de território Fatores de mudança são refletidos no uso da terra
Modelos: Uma Visão Geral
O que modelar? Fatores dinâmicos de mudança do território
Hipótese Agentes humanos realocação do uso de território Fatores de mudança são refletidos no uso da terra
Modelos de mudança de uso e cobertura da terra LUCC (“land use and land cover change”) Ampla literatura internacional Pouco esforço de pesquisa no Brasil
Modelos: Uma Visão Geral
DemandaEconômica
MudançasPopulação
AlocaçãoUso Terra
ProdutividadeTerra
tempo
Modelos: Uma Visão Geral
DemandaEconômica
MudançasPopulação
AlocaçãoUso Terra
ProdutividadeTerra
tempo
VulnerabilidadeTerritório
OrdenamentoTerritório
Realidade
S 2
S 3
Modelos de Evolução Urbana
Conceitos Estruturantes
Desigualdades Indicadores de desigualdade: Mapa da exclusão, topografia social
Fatores estruturantes Regressão – espacial e não-espacial Espaços de redes e espaços de lugares
Diferenciação dos espaços Técnicas de regionalização, efeitos de escala Imagens de satélite para desagregação de áreas
Modelos prognósticos Modelos de população Modelos probabilísticos
Limites de Modelagem