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


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



Renda per capita

96 DISTRITOS DO MSP



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


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


DemandaEconômica

MudançasPopulação

AlocaçãoUso Terra

ProdutividadeTerra

tempo


DemandaEconômica

MudançasPopulação

AlocaçãoUso Terra

ProdutividadeTerra

tempo

VulnerabilidadeTerritório

OrdenamentoTerritório

Realidade

S 2

S 3

Modelos de Evolução Urbana


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

Território e Desigualdade: Desafios Metodológicos na Análise de Dados Socioterritoriais

Documents

Transcript of Território e Desigualdade: Desafios Metodológicos na Análise de Dados Socioterritoriais