Influência dos Fatores Socioeconômicos Maternos na Sobrevivência de Crianças Menores de 5 Anos de Idade no Estado do Rio Grande do Norte

Influência dos Fatores Socioeconômicos Maternos na

Sobrevivência de Crianças Menores de 5 Anos de Idade

no Estado do Rio Grande do Norte

Maria Célia de Carvalho Formiga UFRN/CCET/Depto. de Estatística/GED

Paulo César Formiga Ramos UFRN/CCET/Depto. de Estatística/GED

Palavras chaves: filhos sobreviventes, sobrevivência da criança, sobrevida, fatores socioeconômicos e sobrevivência.

INTRODUÇÃO

Sabe-se que o nível da sobrevivência humana em qualquer idade encontra-se fortemente associado a fatores socioeconômicos, ambientais e culturais em função da repercussão causada por eles nas condições de vida da população. Sabe-se também que são exatamente os grupos etários infantis os mais afetados por essas repercussões.

Estudar a sobrevivência implica no conhecimento das probabilidades de morte nas diversas idades ou seja, no estudo da mortalidade, esse importante componente da dinâmica demográfica. Apesar da sua importância, a mortalidade apresenta um grave problema operacional em virtude da sub-notificação2 dos dados sobre óbitos, fazendo-se indispensável o recurso de técnicas indiretas de estimativa, particularmente quando se deseja cotejá-la com fatores socioeconômicos.

A importância dos fatores socioeconômicos como condicionantes da mortalidade, especialmente a infantil, ressurgiu com maior intensidade entre os estudiosos em meados da década de 60, período em que se passou a defender mais investimentos governamentais em saúde pública, em vista do quadro apresentado pelas condições de vida e saúde da população (Taylor e Hall, 1967, apud Simões, 1997).

* _{Trabalho apresentado no XIII Encontro da Associação Brasileira de Estudos Populacionais, realizado}

em Ouro Preto, Minas Gerais, Brasil de 4 a 8 de novembro de 2002.

1_{Agradecimentos aos colegas José Wilton de Queiroz e Francisco de Assis Medeiros da Silva.}

2_{Sub-notificação ou sub-registro de óbitos refere-se à ocorrência do evento morte na população, sem que o mesmo} venha a ser registrado e dado a conhecimento oficial ao Estado, pelo seu registro em cartório, conforme determinado por Lei.

Para Carvalho e Sawyer (1978), dentre os indicadores de qualidade de vida de uma população, os índices de mortalidade, particularmente os da mortalidade infantil, são amplamente utilizados para estudar os efeitos das variações socioeconômicas sobre a população.

Monteiro (1984, p. 1141), em seu trabalho para estimar os diferenciais socioeconômicos da mortalidade infantil, afirma: Os dados censitários têm sido

habilmente explorados com a utilização de técnicas indiretas para medir a mortalidade, com bons resultados como os obtidos por Carvalho e Wood (1978) que estimaram diferenciais de mortalidade por renda e situação de domicílio rural ou urbano.

O mesmo autor enfatizou a escassez de estudos até então realizados na área, citando como principais obstáculos a serem vencidos a insuficiência de informações e a qualidade dos dados disponíveis.

Em estudos de mortalidade segundo fatores socioeconômicos, é necessário definir, inicialmente, os fatores a serem considerados. Pode-se observar que os mais comumente utilizados são a renda e a educação, mas outras variáveis disponíveis podem ser também utilizadas. Saad (1984), por exemplo, em estudo para estimar o peso de fatores socioeconômicos sobre a mortalidade na infância para o estado de São Paulo, trabalhou com três variáveis: a renda familiar, a educação da mãe e as instalações sanitárias. A opção pela renda familiar fundamenta-se no fato de ela apresentar uma relação direta com a sobrevivência da criança. A educação da mãe, por sua vez, é uma das mais utilizadas em estudos dessa natureza e estaria refletindo o acesso diferencial à educação nos diferentes estratos sociais. As instalações sanitárias traduzem a qualidade do consumo coletivo de serviços públicos.

Fernandes (1984, p. 645), abordando a importância da educação como fator de diferenciação da mortalidade na população, cita o trabalho pioneiro de Stevenson em 1928, onde ele mostrou que ...a educação, no sentido de cultura adquirida, teria uma

influência mais forte que a riqueza para explicar os diferenciais de mortalidade dentro da população. Especificamente, ele cita como exemplo da potência da cultura sobre a

mortalidade, o clero, onde se verifica uma baixa mortalidade, mesmo numa ausência de riqueza.

Wood e Carvalho (1994, p. 105) traduzem a relação entre escolaridade e mortalidade da seguinte forma: A mortalidade está inversamente ligada à alfabetização

e ao número de anos de escolaridade. Esta relação é especialmente forte entre a educação da mãe e a probabilidade de que seus filhos sobrevivam até o quinto aniversário.

Os mesmos autores citam Palloni, que enfatiza três mecanismos comportamentais que fazem a interação entre educação e mortalidade, tanto do ponto de vista da mortalidade de crianças, quanto das pessoas em geral. São eles: padrões de emprego estáveis, prestígio social e maior capacidade de manipulação do sistema sociopolítico, todos diretamente associados ao nível educacional. Os autores concluem (p. 106), referindo-se a Palloni: De modo geral, a proporção de pessoas alfabetizadas

de uma população pode refletir não apenas capacidades individuais, mas também a capacidade da sociedade de fornecer serviços sociais.

Dessas colocações não resta a menor dúvida da grande interrelação existente entre os fatores socioeconômicos, ficando claro que melhores níveis educacionais encontram-se invariavelmente associados a melhores níveis de renda e maior acesso aos serviços públicos coletivos como saúde e saneamento básico. Destaca-se, sobretudo, a importância da educação materna para a sobrevivência da criança, uma vez que um maior nível de escolaridade da mãe permite uma melhor compreensão da importância dos hábitos de higiene e puericultura, bem como uma melhor compreensão das orientações médicas com vistas à saúde infantil.

McCracken e Lovell (1992), investigando sobre o papel materno, os arranjos familiares e a sobrevivência de crianças no Brasil (com base em dados da PNAD-84), chegam à conclusão que recursos e conhecimentos traduzidos por renda familiar e educação materna, independentemente e interativamente, aumentam a sobrevivência das crianças, sendo ambas componentes essenciais dessa sobrevivência. Essas são evidências que, sabe-se, continuam presentes na realidade brasileira, sendo até mais realçadas em regiões como a Norte e a Nordeste, pelas grandes disparidades sociais existentes no País, marcado por grande desigualdade na distribuição de renda e diferenciado acesso aos recursos de saúde, saneamento e educação.

Neste trabalho procura-se mostrar a influência de fatores socioeconômicos maternos como renda, educação, saneamento básico e urbanização na sobrevivência de crianças menores de 5 anos de idade, no estado do Rio Grande do Norte, procurando-se destacar aqueles que, sozinhos ou interativamente, exercem um maior efeito nessa sobrevivência.

Entende-se que o conhecimento da realidade particular de cada espaço geográfico é de fundamental importância para o desenho de políticas sociais, especialmente partindo-se do princípio de que uma realidade que não é conhecida não é percebida.

OBJETIVO

Mostrar a influência de fatores socioeconômicos maternos na sobrevivência de crianças menores de 5 anos de idade no Estado do Rio Grande Norte, identificando os fatores que mais afetam essa sobrevivência.

METODOLOGIA

Fonte dos dados e métodos de análise

Os dados utilizados para as estimativas da Razão de Sobrevivência de Filhos menores de 5 anos (RSF<5), referentes às informações sobre filhos tidos nascidos vivos e filhos sobreviventes informados pelas mães de 15 a 34 anos de idade, foram oriundos dos microdados da amostra do Censo Demográfico de 1991 (em CD-Rom, IBGE, 1996), classificados segundo fatores socioeconômicos maternos. Inicialmente, para mostrar o comportamento dos dados para o conjunto dos municípios, foi realizada uma análise exploratória dos dados da RSF<5, segundo fatores socioeconômicos, para os 152 municípios do Estado, após suavização através do modelo bayesiano empírico. Num segundo momento foi empregado o modelo de regressão linear múltipla para identificar os fatores socioeconômicos maternos e suas interações que mais se destacaram como variáveis explicativas para a sobrevivência da criança no Estado.

Com base no Método de Brass (Brass e Coale, 1968), define-se a Razão de Sobrevivência de Filhos menores de 5 anos de idade (RSF<5) a partir das informações de filhos nascidos vivos e sobreviventes das mães de 15-34 anos de idade, por serem

essas informações que, segundo Brass, estimam a mortalidade/sobrevivência dessas crianças. A RSF<5 dessas mães é dada pela relação entre os filhos sobreviventes na data do Censo e o total de filhos tidos nascidos vivos. Com essas informações avalia-se as condições passadas de sobrevivência dos filhos das mulheres de distintas gerações (Souza e Muricy, 2001).

A RSF<5 é a composição de dados preliminares utilizados no método de Brass (Brass e Coale, 1968) para obtenção das estimativas indiretas de mortalidade infanto-juvenil3. Dos dados sobre filhos nascidos vivos e filhos sobreviventes, classificados por idade da mãe, obtém-se estimativas da probabilidade qx de morrer antes da idade x,

para x = 1, 2, 3, 5, 10, 15 e 20, de acordo com a idade da mãe: mães de 15 a 19 anos: risco de morrer antes de 1 ano de idade (x=1); mães de 20a 24 anos: risco de morrer antes de 2 anos de idade (x=2); mães de 25a 29 anos: risco de morrer antes de 3 anos de idade (x=3); mães de 30a 34 anos: risco de morrer antes de 5 anos de idade (x=5); mães de 35a 39 anos: risco de morrer antes de 10 anos de idade (x=10); mães de 40a 44 anos: risco de morrer antes de 15 anos de idade (x=15); mães de 45a 49 anos: risco de morrer antes de 20 anos de idade (x=20). Tal fato explica porque esse estudo restringiu-se às mães entre 15 e 34 anos.

Descrição dos fatores socioeconômicos maternos empregados no estudo

Os fatores socioeconômicos maternos selecionados foram relativos a renda, educação, abastecimento de água e situação de domicílio (urbana ou rural). A renda de referência foi a renda média mensal familiar, em salários mínimos (s.m.), classificada em duas categorias: renda R1, até 2 s.m. e renda R2 acima de 2 s.m. (+ 2 s.m.). O corte em dois salários mínimos teve por base a escolha de uma categoria (divisor) que permitisse uma distribuição relativamente eqüitativa entre as populações de mulheres envolvidas no estudo. O corte adotado deixou 60% das mulheres com renda média mensal familiar até 2 s.m. e 40% acima, pelo que pode-se perceber uma grande tendência de concentração da população investigada nos níveis mais baixos de renda, de modo que um corte num nível acima desse, tenderia a concentrar ainda mais uma maior

3_{Tais estimativas indiretas não foram empregadas nesse estudo, em virtude do nível de desagregação espacial} empregado não suportar os pressupostos requeridos pelas técnicas demográficas de estimação.

parte da população na classificação inferior de renda e um corte num nível abaixo, deixaria a classe acima dele muito heterogênea, dificultando qualquer interpretação.

O fator educação foi tomado em anos de estudo da mãe, com corte em 8 anos de estudo, sendo E1 o nível de educação materna referente a menos de 8 anos de estudo e E2 com 8 anos ou mais de estudo. A adoção desse corte seguiu os mesmos parâmetros empregados para o fator renda, com o adicional de que esse corte fornece um divisor relativo ao cumprimento de um ciclo escolar, no caso o 1º grau, para aquelas mães com escolaridade na maior categoria E2 (8 anos ou mais de estudo). Assim, em virtude da baixa escolaridade das mulheres no Estado, esse corte deixou 62% das mulheres na categoria E1, abaixo de 8 anos de estudo, pouco diferente do obtido para o fator renda.

Quanto ao abastecimento de água, convém observar que não foi empregado o saneamento básico, composto pelo abastecimento de água e as instalações sanitárias, em virtude de a maioria dos municípios da amostra (55%) não contar com os serviços de saneamento adequado, uma vez que são considerados adequados quando ambos os componentes satisfazem essa condição, fato que poderia gerar associações inconsistentes. As instalações sanitárias são tidas como adequadas quando ligadas à rede geral de esgoto ou com fossa séptica e o abastecimento de água quando ligado à rede geral com canalização interna para pelo menos um cômodo. Sendo o abastecimento de água um serviço mais universalisado, apenas 11% dos municípios da amostra (referente às mães de 15 a 34 anos) não apresentaram nenhum domicílio com o abastecimento adequado, o que tornou possível a sua utilização, com um adicional de que para o cálculo da RSF<5, onde as informações necessárias são menos freqüentes, especialmente para a condição de abastecimento de água adequado na área rural, considerou-se apenas os dados da área urbana.

Para a situação de domicílio, adotou-se a classificação nacional adotada pelo IBGE, onde são consideradas urbanas as áreas referentes às cidades (sedes municipais), às vilas (sedes distritais) ou às áreas urbanas isoladas e rurais, as áreas situadas fora desses limites, incluindo-se os aglomerados rurais de extensão urbana, os povoados e os núcleos (IBGE, 1996).

Conforme já referido, a população de interesse nesse estudo é composta pelos filhos tidos nascidos vivos e os sobreviventes de mães entre 15 e 34 anos de idade, uma

vez que, são os filhos de mães dessa faixa etária que possibilitam estimar a probabilidade de sobrevivência de crianças menores de 5 anos. Dessa forma, estudou-se a relação entre a sobrevivência da criança e fatores socioeconômicos associados às suas mães. A análise exploratória foi centrada nos dados da RSF<5 para os municípios do Estado, tomada segundo os fatores socioeconômicos maternos anteriormente citados. Nessa análise foram empregados os dados da RSF<5 suavizados pelo método bayesiano empírico (a seguir, sucintamente descrito) expressos através de gráficos lineares e box-plots para uma visualização geral de seu comportamento.

O modelo bayesiano empírico

O modelo bayesiano empírico foi empregado para suavização das taxas municipais que sofrem grandes flutuações em função dos pequenos tamanhos populacionais, no caso os filhos tidos nascidos vivos e/ou a população de mulheres de 15 a 34 anos, dentro de cada uma das categorias dos fatores estudados. O emprego do modelo bayesiano gera os estimadores de Bayes empíricos que seguem o arcabouço teórico de Marshall (1991), apud Freire (2001). Segundo Freire (2001), Marshall (1991) utilizou essa metodologia para suavizar taxas de mortalidade para menores de 5 anos, em setores censitários de Auckland na Nova Zelândia. Ainda, segundo Freire (2001), esse estimador pode ser empregado sempre que o objeto de estudo referir-se à ocorrência de eventos quantificáveis por taxas, em áreas de reduzido tamanho populacional (pequenas áreas). O estimador bayesiano empírico aproxima uma taxa observada, em uma área pequena, a uma taxa média global ou mesmo a uma taxa média dos vizinhos, levando em consideração o tamanho da população dessa área pequena (Freire 2001).

O método pressupõe que cada município tenha uma razão de sobrevivência (ou proporção de mulheres em cada categoria do fator) desconhecida. O observado, em cada um deles, seria um número aleatório de filhos sobreviventes ou número de mulheres em cada categoria do fator, que possuiriam distribuição de Poisson, com um valor estimado proporcional à população do município em questão (no caso a população de nascidos vivos ou o total de mulheres, nas condições especificadas). Nesse sentido, a abordagem bayesiana do estimador tem por verossimilhança a distribuição de Poisson e,

como a priori, uma distribuição não especificada cujos momentos são estimados a partir dos dados (Freire, 2001).

O modelo é operacionalizado pela seguinte expressão: θi = Tm + Ci*(ti - Tm)

para: Ci = [s2 – (Tm/Pm)]/{[s2 – (Tm/Pm)] + (Tm/Pi)}

onde: θi é a taxa suavizada;

Tm é a taxa média global ou a taxa média dos vizinhos; ti é a taxa da área i;

s2 é a variância da taxa a ser medida;

Pm é a população média global ou a população média dos vizinhos; Pi é a população da área i.

Pode-se observar, na expressão acima, que o multiplicador Ci será próximo de 1

se a população Pi for grande, o que fará a taxa suavizada (θi ) tender para o mesmo

valor da taxa (ti) calculada inicialmente. Por outro lado, se a área em tela possuir uma

população muito pequena, então, Ci, será também muito pequeno (próximo de zero),

fazendo com que a taxa suavizada da pequena área aproxime-se da taxa média de referência

O Modelo de Regressão Linear Múltipla

Na regressão linear múltipla, cujo método será a seguir sucintamente descrito, tomou-se como variável resposta o logito da RSF<54 para os municípios do Estado, independente de fator socioeconômico. O emprego do logito justifica-se pela escala de variação permitida para o mesmo, de -∞ a +∞, enquanto a RSF<5, por ser uma proporção, tem uma escala de variação limitada entre 0 e 1, não sendo conveniente empregá-la diretamente no modelo regressivo, pois pode gerar previsões inconsistentes. Por outro lado, a variável dependente do estudo (RSF<5) é do tipo binária

(sobrevivente, não sobrevivente), sendo irrealístico descrever a relação diretamente através de um modelo linear, sem a transformação referida (Sahai e Khurshid, 1996). As variáveis independentes utilizadas no modelo, corresponderam à proporção de mulheres (mães que tivessem tido pelo menos um filho nascido vivo na data do Censo) na faixa de 15 a 34 anos de idade, dentro da categoria do melhor nível de cada um dos fatores. No caso da educação, tomou-se em cada município a proporção de mulheres (nas condições citadas) com escolaridade igual ou superior a 8 anos de estudo. Para o fator renda, da mesma forma, tomou-se a proporção de mulheres com renda média mensal familiar superior a 2 s.m. No caso do abastecimento de água, considerou-se a proporção de mulheres, em cada município (mães, nas condições especificadas), residindo em domicílios com abastecimento de água adequado. Para a situação de domicílio, considerou-se, para cada município, a proporção de mulheres residentes em área urbana.

Neste estudo o emprego do modelo de regressão linear múltipla tem por finalidade conhecer a importância relativa das variáveis independentes envolvidas ou de suas interações, de modo que a magnitude dos coeficientes de regressão (βi), bem como

do próprio coeficiente de correlação múltipla (R2) não são significantes5 (Halli e Rao, 1992). O que definirá a variável independente como significante será o p-valor do teste

t de Student para os coeficientes de regressão (βi) da variável em questão, tomado a um

nível de 5%. Conforme já referido, no modelo adotado a variável dependente ou resposta (Y) é representada pelo logito da RSF<5 (mães de 15 a 34 anos) para os municípios do Estado, independente de fator socioeconômico. As variáveis independentes, também já definidas, são representadas pela proporção de mães dentro de cada uma das categorias do melhor nível de cada um dos fatores especificados (em número de quatro), de modo que a expressão geral do modelo, considerando as variáveis explanatórias e suas interações de 2ª ordem é dada por:

∑

∑

5 _R2 _{é interpretado como a proporção de variação da variável dependente explicada pela combinação linear das} variáveis independentes, que tem importante significado prático quando o modelo de regressão é empregado para realizar-se predições da variável dependente (ou variável resposta), não sendo este o caso.

onde Yij é a variável resposta, acima definida, β0 é o intercepto e os βi e βij, i≠j=1,...,4

são os coeficientes de regressão das variáveis independentes (Xj) e das suas respectivas

interações (Xi.Xj), com eij, i, j = 1,...,4, sendo a variável que expressa os resíduos

aleatórios.

O modelo foi rodado no software Statistica 5.0 utilizando-se o método Forward

Stepwise. Interações de 2a ordem foram também consideradas no modelo, procurando-se investigar a contribuição conjunta dos fatores envolvidos (renda x educação, renda x água, renda x urbana, educação x água, etc).

RESULTADOS E DISCUSSÕES

Para procurar conhecer o comportamento da sobrevivência da criança com relação aos níveis de cada um dos fatores renda, educação, abastecimento de água e urbanização, realizou-se, primeiramente, uma análise exploratória centrada na RSF<5 para os 152 municípios do Estado (Censo 1991). Os resultados mostraram-se consistentes, embora em muitas ocasiões tenham revelado os problemas decorrentes do reduzido tamanho amostral a que se fica submetido ao se trabalhar com informações municipais. Em decorrência disso, de conformidade com o que já foi referido, optou-se pela aplicação do modelo bayesiano empírico de modo que as flutuações amostrais fossem um pouco suavizadas, permitindo resultados globais mais consistentes, possibilitando, ao mesmo tempo, a apresentação de uma distribuição espacial dos dados para o Estado.

Conforme descrito na metodologia, para aplicação do modelo bayesiano empírico necessita-se de informações de unidades espaciais vizinhas ou de uma área maior, pois o que ele faz é aproximar uma taxa observada em uma pequena área a uma taxa média global ou taxa média dos vizinhos, ponderada pelo tamanho dessa pequena área. No caso da RSF<5 calculada para os municípios do Rio Grande do Norte, utilizou-se como critério de vizinhança as microrregiões, em número de 19. Já para a proporção de mulheres (mães de 15-34 anos) dentro de cada categoria do fator adotou-se o critério de meso ou microrregiões, conforme o critério mostrasadotou-se uma melhor suavização dos dados. Para renda, educação e água adotou-se o critério de mesorregiões, e o de microrregiões para o fator referente a situação de domicílio. Os Gráficos de 1 a 4 mostram o comportamento dos estimadores bayesianos empíricos da

RSF<5 para os níveis de cada um dos fatores considerados. Conforme se pode ver, a RSF<5 mostra-se claramente superior, na maioria dos municípios do Estado, para os melhores níveis dos fatores renda (+ 2 s.m. ), educação (8 anos ou + de estudo) e água (abastecimento de água adequado), relativamente aos piores níveis (até 2 s.m. para renda, menos de 8 anos de estudo para educação e abastecimento inadequado para o fator água). No caso da situação de domicílio ou setor (urbano e rural), apesar da suavização gerada nos dados pela aplicação do modelo bayesiano empírico, o comportamento da RSF<5 dos estimadores mantém o padrão de grandes flutuações, ficando praticamente indefinida qualquer conclusão sobre qual setor apresenta um melhor nível de sobrevivência para crianças menores de 5 anos no Estado.

G ráfico 1 - Estim adores bayesianos em píricos da R SF<5, segundo renda fam iliar m aterna, estado do

R io G rande do N orte, C enso 1991

50 60 70 80 90 100

R SF<5 estim ada (até 2 s.m .) R SF<5 estim ada (+ 2 s.m .)

G ráfico 2 - Estim adores bayesianos em píricos da R SF<5, segundo educação m aterna, estado do

R io G rande do N orte, C enso 1991

50 60 70 80 90 100

R SF<5 estim ada (< 8 anos) R SF<5 estim ada (8 anos ou +)

G ráfico 3 - Estim adores bayesianos em píricos da R SF<5, segundo abastecim ento de água da área urbana, estado do R io G rande do N orte, C enso

1991 50 60 70 80 90 100

R SF<5 abast. água inadequado R SF<5 abast. água adequado

G ráfico 4 - Estim adores bayesianos em píricos da R SF<5, segundo situação de dom icílio, estado do

R io G rande do N orte, C enso 1991

50 60 70 80 90 100

É visível a melhor definição da RSF<5, segundo o fator educação, relativamente aos demais, quando são comparados os níveis de cada um dos fatores analisados. Segue-se o fator relativo ao abastecimento de água que também apresenta uma definição clara na RSF<5, quando comparada com as condições de abastecimento adequado versus inadequado e, seqüencialmente, o fator renda (Gráficos de 1 a 4).

Outra forma sintética de se analisar o comportamento da RSF<5, segundo os níveis dos fatores socioeconômicos maternos, é através dos box-plots (Gráficos 5 e 6). O Gráfico 5 mostra o comportamento da RSF<5 para os quatro fatores considerados, onde se pode ver os claros diferenciais entre as distribuições de cada um dos níveis dos fatores, percebendo-se especial destaque para o melhor nível da variável educação (8 anos ou mais de estudo), corroborando o anteriormente mostrado.

Gráfico 5 - Box-plots da RSF<5, segundo fatores maternos, estado do Rio Grande do Norte, Censo 1991

% 60 70 80 90 100 + 2 s.m.

< 2 s.m. 8 + a. est. < 8 a. est.Ag. Inadeq.Ag. Adeq. Set. RuralSet. Urbano

Gráfico 6 - Box Plot da RSF<5, segundo a melhor categoria de cada fator, estado do Rio Grande do Norte, Censo 1991

%

70 80 90 100

+ 2 s.m. 8 + a. est. Água Adeq. Setor Urbano

Para uma melhor percepção do comportamento da RSF<5, para os melhores níveis de cada um dos fatores considerados, tomou-se os box-plots desses níveis em separado (Gráfico 6). Pode-se ver que apesar da distribuição da RSF<5 para a renda + 2s.m. apresentar maior dispersão que para o nível do abastecimento de água adequado, suas distribuições apresentam comportamentos semelhantes. O destaque fica por conta do fator educação, conforme já visto, com os maiores níveis de sobrevivência para o melhor nível de escolaridade, 8 anos ou mais de estudo, com um valor mediano para RSF<5 fortemente destacado das demais distribuições. O comportamento da RSF<5 para o setor urbano apresenta-se com o menor nível dentre os fatores considerados.

Entretanto, praticamente não apresenta diferencial quando confrontado com a da área rural, sendo um fator pouco discriminante para a sobrevivência da criança, pelo menos em nível municipal.

Resultados da aplicação do modelo de regressão linear múltipla

Conforme referido, tomou-se como variável resposta no modelo de regressão, o logito da RSF<5, relativo às informações das mães de 15 a 34 anos de idade para os 152 municípios do Estado do Rio Grande do Norte oriundas dos dados da amostra do Censo Demográfico de 1991. Para variáveis independentes foram tomadas as proporções de mães (mulheres de 15 a 34 anos) relativas aos melhores níveis de cada um dos fatores estudados. Para facilitar as análises foram simplificados os nomes das variáveis envolvidas no modelo e, para uma melhor compreensão, são apresentados na Tabela 1 os nomes simplificados de cada uma das variáveis envolvidas, bem como os nomes de suas interações com respectivas descrições.

O modelo de regressão linear múltipla foi rodado considerando o método

forward stepwise, em duas situações: a) restrito à inclusão das quatro variáveis

independentes e b) considerando, além das quatro variáveis, as interações de 2a ordem e/ou de 3a ordem. Convém acrescentar que, para todas as análises, foi excluído o município de Pilões, por ter se mostrado como um ponto “expurgado” do conjunto de dados, uma vez que apresenta a mais elevada RSF<5 dentre todos os municípios, possuindo ao mesmo tempo baixos valores com relação às variáveis explicativas, afastando, assim, o conjunto de dados da normalidade esperada.

Resultados do modelo restrito às quatro variáveis independentes

Quando o modelo é rodado pelo método forward stepwise6, restrito apenas às quatro variáveis independentes, referentes a renda (PM_RS2SM), educação (PM_ES8), abastecimento de água adequado (PM_AGUAD) e situação de domicílio urbana (PM_URBAN), onde a variável resposta é o logito da RSF<5 (Tabela 1 do texto e Tabela 1 do Anexo ), são indicadas para entrar no modelo as variáveis relativas ao abastecimento de água adequado (PM_AGUAD) e educação (PM_ES8), nessa ordem,

6 _{Por esse método a regressão é feita passo a passo, incluindo-se no modelo apenas as variáveis mais}

com a primeira indicada apresentando-se estatísticamente significante, ao nível de 5%, com um p-valor de 0,021 (Tabela 2).

Tabela 1. Descrição dos nomes simplificados das variáveis maternas e suas interações envolvidas no modelo de regressão linear múltipla

Nome simplificado das variáveis

Descrição das variáveis envolvidas no modelo PM_RS2SM Proporção de mulheres (mães de 15-34 anos) com renda média mensal _{familiar superior a 2 s.m. (nível R2 = + 2 s.m.)}

PM_ES8 Proporção de mulheres (mães de 15-34 anos) com educação igual ou superior

a 8 anos de estudo (nível E2 = 8 ou + anos de estudo)

PM_AGUAD Proporção de mulheres (mães de 15-34 anos) residentes em domicílios com _{abastecimento de água adequado (Água = Adequado)} PM_URBAN Proporção de mulheres (mães de 15-34 anos) residentes em domicílios de área _{urbana (Setor = Urbano)} EDUCREND Interação (2a ordem) entre educação e renda (a partir das variáveis acima

descritas)

RENDAGUA Interação (2a ordem) entre renda e abastecimento de água adequado (a partir

das variáveis acima descritas)

RENDURB Interação (2_{variáveis acima descritas)} a ordem) entre renda e situação de domicílio urbana (a partir das EDUCAGUA Interação (2_{partir das variáveis acima descritas)} a ordem) entre educação e abastecimento de água adequado (a

EDUCURB Interação (2a ordem) entre educação e situação de domicílio urbana (a partir

das variáveis acima descritas)

AGUAURB Interação (2_{domicílio urbana (a partir das variáveis acima descritas)} a ordem) entre abastecimento de água adequado e situação de ED_RE_AG Interação (3_{(a partir das variáveis acima descritas)} a ordem) entre educação, renda e abastecimento de água adequado

ED_UR_AG Interação (3a ordem) entre educação, situação de domicílio urbana e

abastecimento de água adequado (a partir das variáveis acima descritas)

RE_UR_AG Interação (3_{de água adequado (a partir das variáveis acima descritas)} a ordem) entre renda, situação de domicílio urbana e abastecimento ED_UR_RE Interação (3_{partir das variáveis acima descritas)} a ordem) entre educação, situação de domicílio urbana e renda (a

ED_R_A_U Interação (4a ordem) entre educação, renda, abastecimento de água adequado e

situação de domicílio urbana (a partir das variáveis acima descritas)

LOGI_RSF Variável resposta definida como o logito da RSF<5 anos

Essa é uma situação perfeitamente justificável em função da forte correlação existente entre as variáveis em questão, conforme pode ser visto pela matriz de correlação das variáveis, apresentada na Tabela 3.

O resultado encontrado mostra que a variável PM_AGUAD - proporção de mulheres com abastecimento de água adequado - exerce um maior efeito na sobrevivência de crianças menores de 5 anos no Estado, que as demais variáveis consideradas, expressando a grande importância desse fator na qualidade e quantidade de vida dessa população. Há, porém, que se considerar dois fatos importantes e interligados: primeiro, a indicação de entrada no modelo da variável educação (PM_ES8), mostrando que essa variável tem poder explicativo não desprezível, muito embora não tenha surgido como estatisticamente significante. Nesse ponto, entra o segundo fato, ou seja, a forte correlação existente entre todas as variáveis básicas consideradas inicialmente no modelo. De fato, consultando a matriz de correlação (Tabela 3) pode-se ver que a maioria das correlações supera os 50%, sendo de 53,8% entre as variáveis educação (PM_ES8) e água adequado (PM_AGUAD), o que significa uma forte interação entre o poder explicativo dessas variáveis. Nesse sentido, é importante investigar o efeito das interações de 2ª e 3ª ordem dessas variáveis no modelo de regressão.

Tabela 2. Sumário da regressão para a variável resposta logito (RSF<5) (LOGI_RSF),

método forward stepwise, restrito às quatro variáveis independentes básicas, estado do

Rio Grande do Norte, Censo 1991

R = 0,31313326 R² = 0,09805244 R² ajustado = 0, 08586396 F(2,148) = 8,0447 p<0,00048 Erro padrão da estimativa: 0,33464

Variáveis Coeficiente _{de Regressão} Erro padrão _{Coef. Regres.} Beta Erro padrão _{de Beta} t(148) p-valor

Intercepto 1,829270 0,074253 24,63576 0,00000

PM_AGUAD 0,215288 0,092642 0,420738 0,181051 2,32386 0,021494

PM_ES8 0,139305 0,092642 0,614940 0,408954 1,50369 0,134792

Fonte: Censo Demográfico 1991, microdados da amostra (CD-ROM)

Antes de adiantar as análises, convém lembrar que a magnitude do coeficiente de regressão linear múltipla R2, apresentado nas Tabelas 2 e 4, cerca de 9,8% e 8,6%, respectivamente, não é importante neste estudo, porque não existe interesse em se utilizar o modelo para fins preditivos, mas, tão somente, para identificação de variáveis explicativas estatisticamente significantes,

Tabela 3. Matriz de correlações entre as quatro variáveis independentes básicas, Variável resposta = logito (RSF<5) (LOGI_RSF), estado do Rio Grande do Norte, Censo 1991

PM_RS2SM PM_ES8 PM_AGUAD PM_URBAN LOGI_RSF

PM_RS2SM 1,000000 0,512871 0,580303 0,406697 0,198556

PM_ES8 0,512871 1,000000 0,538454 0,484125 0,255228

PM_AGUAD 0,580303 0,538454 1,000000 0,545575 0,290298

PM_URBAN 0,406697 0,484125 0,545575 1,000000 0,188965

LOGI_RSF 0,198556 0,255228 0,290298 0,188965 1,000000

Fonte: Censo Demográfico 1991, microdados da amostra (CD-ROM)

Resultados do modelo de regressão linear múltipla considerando todas as

variáveis independentes e suas interações de 2ª e 3ª ordem

Quando em presença das variáveis independentes básicas e suas interações de 2ª ordem, o modelo é rodado no modo forward stepwise, a única variável indicada para entrar no modelo é a interação EDUCAGUA, destacando-se como altamente significante, com p-valor de 0,00025 (Tabela 4). É interessante observar que dentre as demais variáveis (que não entraram na equação), a interação RENDAGUA aparece com beta e correlações parciais negativas, assim mesmo, de muito baixa magnitude, conseqüência das elevadas correlações mostradas pelas variáveis, conforme já referido. Tabela 4. Sumário da regressão para a variável resposta logito (RSF<5) (LOGI_RSF),

método forward stepwise, considerando todas as variáveis independentes básicas e suas

interações de 2ª ordem, estado do Rio Grande do Norte, Censo 1991 R= 0,29364777 R²= 0,08622901 R² ajustado = 0,08009632 F(1,149)= 14,061 p<0,00025 .Erro padrão da estimativa: 0,33569

Variáveis Coeficiente _{de Regressão} Erro padrão _{Coef. Regres.} Beta Erro padrão _{de Beta} t(148) p-valor

Intercepto 1,959571 0,037039 52,90615 0,000000

EDUCAGUA 0,293648 0,078312 1,685898 0,449604 3,74974 0,000253

Fonte: Censo Demográfico 1991, microdados da amostra (CD-ROM)

Esse resultado vem corroborar o encontrado quando da aplicação do método

forward stepwise apenas com as variáveis independentes básicas, quando foram

indicadas para entrar no modelo as variáveis PM_ES8 (educação) e PM_AGUAD (água adequada) e esta última mostrou-se estatisticamente significante.

Diante desse resultado o modelo mais simples que melhor explica a sobrevivência de crianças menores de 5 anos de idade no Estado, passa a ser expresso

da seguinte forma:

,

EDUCAGUA é a interação entre as variáveis PM_ES8 e PM_AGUAD, que expressam a contribuição da educação materna e da água adequada para a sobrevivência de crianças no Estado.

e A E Y =β₀ +β₁( * )+

Uma forma de melhor entender os efeitos dessa interação na sobrevivência da criança, de modo a dimensionar a contribuição de cada uma das variáveis envolvidas, é interpretando analiticamente o resultado do modelo quando seus níveis são variados. Para saber qual o efeito na sobrevivência da criança da variável água, faz-se variação em seus níveis, fixando-se o nível da variável educação. Assim,

representa a sobrevivência da criança aos níveis E

) * ( 0 0 1 0 00 E A Y =β +β ) ( _{1 0} 0 A A E − β 0 (< 8 anos de estudo) e A0

(abastecimento de água inadequado) das variáveis educação e água, respectivamente; e Y ) * ( 0 1 1 0 01 E A Y =β +β 1 1 1 1 10 11 Y E A Y − =β −β

01 representa a sobrevivência da criança aos nível E0 (< 8

anos de estudo) e A1 (abastecimento de água adequado) das variáveis educação e água

respectivamente. De modo que Y _{expressa o}

efeito da sobrevivência da criança frente a uma melhoria na água, mediante um menor nível de educação materna (< 8 anos de estudo). Continuando esse mesmo raciocínio, uma melhoria na variável educação, passando agora para o nível E

1 0 0 1 1 0 1 00 01−Y =β E A −β E A = 00 01 0 1 1(A A ) Y Y E − > − β 1 (8 anos ou + de

estudo), operando-se as variações no nível da variável água, provoca um efeito na

sobrevivência da criança expressado como: ou seja, o ganho na

sobrevivência da criança, em função de melhoria na adequação de água, depende do nível de educação da mãe, sendo tanto maior quanto maior for a educação materna. Esse resultado define de forma bastante clara a importância da educação materna para a sobrevivência de crianças menores de 5 anos, evidenciando o papel fundamental da escolaridade da mulher no contexto social em geral e, em particular, para a sobrevivência de seus próprios filhos. Assim, o fato de a mulher ter uma maior escolaridade, significa ter maiores condições de compreender e aproveitar melhor os recursos disponíveis, revertendo-o em benefício direto para o meio familiar.

1 0 1A

Os Gráficos 7 e 8 mostram a relação bivariada entre a variável resposta (logito RSF<5) e as variáveis independentes educação (PM_ES8) e água (PM_AGUAD), respectivamente. Como se pode ver, as correlações entre elas são altas, 74% e 91%, para PM_ES8 e PM_AGUAD, respectivamente.

Gráfico 7 - Relação entre os valores preditos e a proporção de mulheres com educação de 8 ou + anos de estudo, municípios do RN, Censo 1991 (Linha de predição = 1,8631 + 0,95427 * PM_ES8 - Correlação: r = 0,74160)

PM_ES8 Valores preditos 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 0.0 0.1 0.2 0.3 0.4 0.5 Regressão 95% confid.

Gráfico 8 - Relação entre os valores preditos e a proporção de mulheres com abastecimento de água adequado, estado do RN, Censo 1991 (Linha de predição = 1,9300 + 0,51920 * PM_AGUAD - Correlação: r = 0,91138)

PM_AGUAD Valores preditos 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 -0.1 0.1 0.3 0.5 0.7 0.9 Regression 95% confid.

Fonte: Tabela 1 – Anexo 1

O Gráfico 9, em 3ª dimensão (perspectiva), ilustra, através de uma superfície, os efeitos das variáveis maternas educação e abastecimento de água, na sobrevivência de crianças menores de 5 anos de idade no estado do Rio Grande do Norte. Ele mostra que, como era de se esperar, para os maiores valores das variáveis educação (PM_ES8 = proporção de mulheres de 15-34 anos, com 8 anos ou mais de estudo) e abastecimento de água (PM_AGUAD = proporção de mulheres de 15-34 anos residindo em domicílio com abastecimento de água adequado), correspondem também os maiores valores da sobrevivência da criança representada pelo logito da RSF<5, sendo também verdade o inverso.

É ainda possível perceber, no Gráfico 9, que a sobrevivência da criança é mais rapidamente crescente com aumentos na proporção de mães com maior escolaridade do que com os correspondentes incrementos na proporção de mães residentes em domicílios com abastecimento de água adequado, reafirmando o que foi mostrado analiticamente.

Convém observar que a inclusão no modelo das interações de 3ª ordem das variáveis básicas independentes, em nada altera os resultados, ou seja, mesmo com essas interações o modelo mantém como variável explicativa estatisticamente significante a interação de 2ª ordem dada por EDUCAGUA, com mesmo p-valor e demais parâmetros da regressão.

0.97 1.104 1.238 1.372 1.506 1.64 1.774 1.908 2.042 2.176 above Gráfico 9 - Superfície representativa dos efeitos das variáveis maternas

educação e água na sobrevivência de crianças, estado do RN, Censo 1991 z=1.615+3.088*x+0.245*y-7.318*x*x+3.801*x*y-1.235*y*y

Fonte: Tabela 1 – Anexo 1

Com o propósito de mostrar como se comportam espacialmente as variáveis estudadas que se mostraram mais relevantes no modelo de regressão linear, apresenta-se a distribuição espacial dos estimadores bayesianos empíricos nos Mapas de 1 a 3.

No Mapa 1 é mostrada a distribuição espacial da RSF<5 para o estado do Rio Grande do Norte, independente de fator socioeconômico, enquanto os Mapas 2 e 3 apresentam a distribuição espacial da proporção de mulheres (mães de 15 – 34 anos) em cada uma das categorias do melhor nível dos fatores, ou seja, abastecimento de água adequado e escolaridade materna de 8 anos ou mais de estudo, respectivamente.

No primeiro Mapa observa-se que a RSF<5 varia de um mínimo de 73% a um máximo de 98%, o que significa a existência de áreas com grandes desigualdades sociais, pois enquanto em umas, de cada 100 crianças nascidas vivas, entre 93 e 98 sobrevivem até o quinto ano de vida, em outras só contabiliza-se, no máximo, 82 crianças. Por outro lado, essas desigualdades estão associadas as também desiguais, condições socioeconômicas dessas áreas, como ilustrado pelos mapas que se seguem.

Pela análise visual dos Mapas 1 e 2, pode-se perceber uma clara correspondência de menores níveis da razão de sobrevivência com igualmente menores proporções de mulheres residentes em domicílios com abastecimento de água adequado. Da mesma forma, comparando-se as distribuições dos Mapas 1 e 3, observa-se comportamento semelhante, agora com relação à variável educação, expressa pela proporção de mulheres com escolaridade de 8 anos ou mais de estudo.

É importante observar que, dada a baixa escolaridade das mulheres no Estado, o intervalo de variação dessa variável é bastante curto com grande concentração para os menores valores. Tem-se, para a proporção de mulheres com 8 anos ou mais de estudo, uma variação municipal de um mínimo de 7% a um máximo de 46%, ou seja, na melhor das hipóteses, existiriam municípios onde 46% das mulheres de 15 – 34 anos, concluíram o primeiro grau. Esses resultados põem em evidência uma situação preocupante no Estado de baixa escolaridade materna, nessa faixa de maior fecundidade, geradora de perversos efeitos para a sobrevivência da criança. Certamente que houve alguma melhoria nesses indicadores se comparado a dados mais recentes do Censo 2000, ficando como perspectivas para futuros estudos.

N E W S Mapa 1 - RSF<5, RN, Censo 1991 RSF<5 73 - 82 82 - 86 86 - 89 89 - 93 93 - 98 N E W S

Ma pa 2 - Proporção de m ulhe res em dom icílio com água a dequada

PM _Ag_Ad 1 - 7 7 - 18 18 - 31 31 - 48 48 - 82 N E W S

Mapa 3 - Proporção de mulheres com 8 anos ou + de estudo

PM _Ed8 + ae 7 - 14 14 - 22 22 - 30 30 - 38 38 - 46

CONSIDERAÇÕES FINAIS

Os resultados apresentados mostram que a sobrevivência de crianças menores de 5 anos de idade no Estado é espacialmente diferencial e que esse diferencial encontra-se claramente associado aos fatores socioeconômicos maternos, os quais, por sua vez, apresentam uma correlação direta com o espaço geográfico.

A análise exploratória mostrou os claros diferenciais nos níveis da RSF<5 entre as duas categorias de cada um dos fatores maternos, mostrando o visível destaque para o fator educação.

O modelo de regressão linear múltipla permitiu identificar as variáveis maternas estatisticamente mais significantes, ou seja, de maior valor explicativo para a sobrevivência de crianças menores de 5 anos de idade no Estado, pondo em destaque a condição do abastecimento de água e a sua interação com a educação materna. Concluiu-se que o ganho na sobrevivência da criança em função de melhoria na adequação de água, depende do nível de educação da mãe, sendo tanto maior quanto maior for a educação materna. Esse importante resultado deixou visivelmente clara a importância da educação materna para a sobrevivência de crianças menores de 5 anos no Estado, evidenciando o papel fundamental da escolaridade da mulher, tanto no contexto social, em geral, como de forma particular no âmbito doméstico, para a sobrevivência de seus próprios filhos.

Desse modo, investimentos que visem melhorar a sobrevivência da criança no estado do Rio Grande do Norte, necessariamente terão que abranger a questão ambiental ligada ao saneamento básico e a social voltada para a melhoria de escolaridade das mulheres em idade fértil. Isso porque quanto maior a escolaridade da mulher tanto maior suas condições de compreender e aproveitar melhor os recursos disponíveis, e revertê-los em benefício do meio familiar, especialmente para a qualidade e quantidade de vida dos filhos menores.

Por fim considera-se promissor o fato de se obter tão importantes resultados a partir do emprego de informações demográficas pouco refinadas como a RSF<5, mostrando novas possibilidades de aproveitamento dessas informações a partir da conjugação de técnicas estatístico-demográficas pouco exploradas.

BIBLIOGRAFIA

• BRASS, W and COALE, A.J. The demography of Tropical Africa. Princeton, Princeton University Press, 1968.

• CARVALHO, J.A.M. de, SAWYER, D.R.T.O. Diferenciais de mortalidade no Brasil. In: ENCONTRO NACIONAL DE ESTUDOS POPULACIONAIS, 1, Anais... Campos do Jordão,1978, v. 1. p. 231-

• FERNANDES, D. M. Diferenciais de mortalidade segundo instrução: regiões metropolitanas - Brasil - 1970. In: ENCONTRO NACIONAL DE ESTUDOS POPULACIONAIS, 4, 1984, Águas de São Pedro. Anais... São Paulo: ABEP, 1984. v. 2, p. 643-660.

• FREIRE, F.H.M. de A. Projeção populacional para pequenas áreas pelo método das componentes demográficas usando estimadores bayesianos espaciais. Belo Horizonte, 2001. 125 p. Tese (Doutorado em Demografia) - Universidade Federal de Minas Gerais: CEDEPLAR, 2001.

• FUNDAÇÃO IBGE. Microdados da amostra do Censo demográfico 1991 (CD-Rom): 10º recenseamento geral do Brasil. Rio de Janeiro, IBGE, 1996.

• HALLI, S.S., RAO, K.V. Advanced techniques of population analysis. New York, Plenum Press, 1992.

• McCRACKEN, D.S. and LOVELL, P.A. Mother’s roles, household arrangments and

child survivorship in Brazil In: SAWER, D.O. and McCRACKEN, D.S. (organized) The

young and the elderly: issues on morbidity and mortality. Belo Horizonte, UFMG/CEDEPLAR, 1992, p. 13-55.

• MONTEIRO, M. F. G. Estimativas de diferenciais sócio-econômicos de mortalidade

infantil utilizando a técnica de estudo de caso-controle. In: ENCONTRO NACIONAL

DE ESTUDOS POPULACIONAIS, 4, 1984, Águas de São Pedro. Anais... São Paulo: ABEP, 1984. V. 2, p. 1141-1156.

• ____________. Determinantes socioeconômicos da mortalidade na infância: um estudo de caso-controle. Cad. Saúde Colet. 6(1), 1998

• SAAD, Paulo Murad. Um método para estimar o peso de fatores sócio-econômicos

sobre a mortalidade na infância a partir de informações retrospectivas das mães:

aplicação para o estado de São Paulo, 1970 e 1976. In: ENCONTRO NACIONAL DE ESTUDOS POPULACIONAIS, 4, 1984, Águas de São Pedro. Anais... São Paulo: ABEP, 1984. v. 2, p. 1105-1139.

• SAHAI, H., KHURSHID, A..Statistics in epidemiology; methods, techniques, and aplications. Florida, CRC Press, 1996.

• SIMÕES, Celso Cardoso da Silva. A mortalidade infantil na transição da mortalidade no Brasil: um estudo comparativo entre o Nordeste e o Sudeste. Belo Horizonte, 1997. 197 p. Tese (Doutorado em Demografia) - Universidade Federal de Minas Gerais: CEDEPLAR, 1997.

• SOUZA, G.A.A. de, MURICY, I. T. Mudanças nos padrões de fecundidade e de mortalidade na infância na Bahia 1940/1997. Salvador, SEI, Série Estudos e Pesquisas, 52, 2001, 86 p.

• WOOD, C.H. e CARVALHO, J.A.M. de. A demografia da desigualdade no Brasil, Rio de Janeiro, IPEA, 1994.

Anexo 1.

Tabela 1. Dados básicos para aplicação do modelo de regressão linear múltipla Municípios Var. Resposta RSF<5 Proporção de mulheres na melhor categoria de cada fator

LOGI_RSF RSF_5 PM_RS2SM PM_ES8 PM_AGUAD PM_URBAN

Areia Branca 2.0665 0.8876 0.2752 0.2964 0.6000 0.7973 Baraúna 2.0694 0.8879 0.1236 0.1090 0.1043 0.6396 Grossos 2.1326 0.8940 0.1384 0.2520 0.3345 0.7604 Mossoró 2.1130 0.8922 0.3589 0.3673 0.5967 0.9296 Serra do Mel 2.1063 0.8915 0.1151 0.1235 0.0436 0.1720 Apodi 2.2183 0.9019 0.1983 0.2381 0.1018 0.4849 Caraúbas 1.5938 0.8312 0.2120 0.2393 0.2393 0.5222 Felipe Guerra 2.1197 0.8928 0.1786 0.2582 0.1370 0.5127 Gov. DixSept Rosado 1.8396 0.8629 0.1797 0.2161 0.1111 0.5164 Augusto Severo 1.5808 0.8293 0.1150 0.1691 0.1181 0.5098 Janduís 2.3424 0.9123 0.1957 0.2460 0.0116 0.5764 Messias Targino 1.9451 0.8749 0.0709 0.2189 0.0672 0.6248 Paraú 1.7628 0.8536 0.2301 0.3004 0.1387 0.6736 Upanema 1.8892 0.8687 0.1541 0.2791 0.1466 0.5980 Açu 1.8417 0.8631 0.3209 0.2639 0.3912 0.6874 Alto do Rodrigues 1.6612 0.8404 0.1943 0.1179 0.2518 0.7147 Carnaubais 1.7139 0.8473 0.1561 0.1265 0.0990 0.3820 Ipanguaçu 1.9613 0.8767 0.1523 0.1687 0.1930 0.2294 Jucurutu 1.4533 0.8105 0.1771 0.1221 0.2547 0.5299 Pendências 1.3716 0.7976 0.1941 0.1966 0.2646 0.7914 São Rafael 2.1687 0.8974 0.1476 0.2223 0.3586 0.5453 Água Nova 1.8145 0.8599 0.1510 0.1867 0.2396 0.6329 Coronel João Pessoa 1.8777 0.8673 0.1158 0.2724 0.2579 0.3853 Doutor Severiano 1.7825 0.8560 0.1234 0.2284 0.1575 0.3793 Encanto 1.9153 0.8716 0.2163 0.3584 0.3821 0.5354 Luís Gomes 2.3803 0.9153 0.1175 0.2350 0.3002 0.5836 Riacho de Santana 2.0811 0.8891 0.1638 0.2693 0.1878 0.3479 São Miguel 1.9847 0.8792 0.1703 0.1885 0.2513 0.4617 Alexandria 3.1388 0.9585 0.1182 0.1992 0.3983 0.5517 Francisco Dantas 1.7009 0.8456 0.1428 0.4035 0.2264 0.3457 Itaú 2.2292 0.9028 0.2355 0.3168 0.6297 0.8518 José da Penha 1.8205 0.8606 0.1282 0.2391 0.2953 0.4146 Marcelino Vieira 2.0271 0.8836 0.1136 0.1977 0.3830 0.4253 Paraná 2.1116 0.8920 0.3767 0.2114 0.0188 0.1412 Pau dos Ferros 1.9063 0.8706 0.3670 0.3904 0.7689 0.8790 Pilões 4.1509 0.9845 0.2412 0.1856 0.1814 0.6252 Portalegre 1.9565 0.8762 0.0857 0.2162 0.1719 0.3987 Rafael Fernandes 2.3192 0.9105 0.3014 0.2176 0.4175 0.5069 Riacho da Cruz 2.0504 0.8860 0.1015 0.1784 0.1066 0.6996 Rodolfo Fernandes 2.1305 0.8938 0.1120 0.1305 0.0789 0.6482 São Francisco do Oeste 2.3915 0.9162 0.2374 0.2591 0.0218 0.5458 Severiano Melo 2.6946 0.9367 0.1102 0.1155 0.0911 0.1886 Taboleiro Grande 1.7296 0.8494 0.1270 0.1694 0.0776 0.6579 Tenente Ananias 1.9893 0.8797 0.0833 0.2666 0.4114 0.5873 Viçosa 1.8113 0.8595 0.1447 0.3003 0.1368 0.7531 Almino Afonso 2.0371 0.8846 0.1677 0.3406 0.3330 0.5558 Antônio Martins 2.6322 0.9329 0.1036 0.1061 0.1042 0.4163 Frutuoso Gomes 2.2121 0.9013 0.4205 0.2395 0.2845 0.5203 João Dias 2.3298 0.9113 0.1948 0.1223 0.2142 0.4637 Lucrécia 2.0238 0.8833 0.1715 0.1777 0.0787 0.6498 Martins 2.8555 0.9456 0.0927 0.1765 0.3025 0.4266 Olho d'Água do Borges 2.1806 0.8985 0.2266 0.2879 0.1547 0.5906 Patu 1.8983 0.8697 0.1740 0.2598 0.2021 0.7280 Rafael Godeiro 1.7457 0.8514 0.1373 0.4438 0.0877 0.6006 Umarizal 2.4540 0.9209 0.2235 0.3265 0.2443 0.8313 Galinhos 2.3562 0.9134 0.1523 0.1616 0.0384 0.6508 Guamaré 1.9906 0.8798 0.3422 0.1338 0.0080 0.4380 Macau 1.4034 0.8027 0.2519 0.2675 0.6362 0.7595 São Bento do Norte 1.5290 0.8219 0.0997 0.0750 0.1300 0.7702 Afonso Bezerra 1.7794 0.8556 0.0925 0.1216 0.2012 0.5557 Angicos 2.3869 0.9158 0.1674 0.3254 0.3244 0.8104 Caiçara do Rio do Vento 1.9914 0.8799 0.0885 0.1247 0.4026 0.4762 Jardim de Angicos 1.9239 0.8726 0.0431 0.0727 0.1230 0.3289 Lajes 1.8848 0.8682 0.1728 0.1879 0.4473 0.8289 Pedra Preta 1.0065 0.7323 0.1198 0.1836 0.0275 0.2238 Pedro Avelino 1.4251 0.8061 0.1399 0.1693 0.1795 0.5116 Cerro Corá 1.8447 0.8635 0.1122 0.1769 0.1082 0.4363 Florânia 2.0424 0.8852 0.1132 0.2632 0.2011 0.4580 Lagoa Nova 1.9241 0.8726 0.1068 0.1542 0.0064 0.4735 Santana do Matos 1.8512 0.8643 0.0501 0.1341 0.1906 0.4593 São Vicente 1.8842 0.8681 0.1916 0.2318 0.1718 0.4678 Caicó 2.3928 0.9163 0.3812 0.3886 0.6424 0.8626 Ipueira 2.5145 0.9252 0.3032 0.2819 0.3879 0.7032 Jardim de Piranhas 2.1738 0.8979 0.2987 0.1976 0.2119 0.6864 São Fernando 2.4185 0.9182 0.1964 0.1761 0.1986 0.3729 São João do Sabugi 2.5034 0.9244 0.2079 0.2547 0.3341 0.6840 Serra Negra do Norte 2.7037 0.9372 0.1451 0.1729 0.2872 0.4531 Timbaúba dos Batistas 2.8015 0.9428 0.2711 0.1921 0.3416 0.7519 Continua

Continuação

Acari 2.2401 0.9038 0.2379 0.3033 0.5545 0.7363

Carnaúba dos Dantas 2.7240 0.9384 0.2728 0.3181 0.4335 0.7563 Cruzeta 2.4570 0.9211 0.2983 0.2390 0.5204 0.7272 Currais Novos 2.3246 0.9109 0.3074 0.2796 0.6397 0.8451 Equador 2.2247 0.9024 0.1178 0.1589 0.2573 0.6784 Jardim do Seridó 2.3083 0.9096 0.2431 0.2133 0.5805 0.7485 Ouro Branco 2.9338 0.9495 0.1909 0.2069 0.3166 0.6063 Parelhas 2.5827 0.9297 0.2816 0.2869 0.6054 0.8002 Santana do Seridó 2.3211 0.9106 0.1723 0.2381 0.3907 0.5123 São José do Seridó 2.7923 0.9423 0.1786 0.3512 0.5003 0.6843 Bento Fernandes 2.2046 0.9007 0.1182 0.1631 0.0154 0.4512 Jandaíra 1.3695 0.7973 0.1945 0.1899 0.0516 0.6052 João Câmara 1.6161 0.8343 0.2584 0.1840 0.3756 0.7261 Parazinho 1.7173 0.8478 0.0895 0.1053 0.1482 0.6196 Poço Branco 2.5101 0.9248 0.1346 0.1972 0.2522 0.5993 Barcelona 1.7885 0.8567 0.1157 0.1184 0.0186 0.3708 Campo Redondo 1.9177 0.8719 0.1612 0.2283 0.2019 0.5103 Coronel Ezequiel 2.2728 0.9066 0.0819 0.1339 0.1383 0.3041 Jaçanã 1.7218 0.8484 0.1621 0.2141 0.1161 0.6957 Japi 2.1011 0.8910 0.1074 0.1577 0.0694 0.6073 Lagoa de Velhos 1.7422 0.8510 0.1719 0.1307 0.0261 0.5402 Lajes Pintadas 2.4922 0.9236 0.1630 0.2722 0.1451 0.5011 Monte das Gameleiras 2.8444 0.9450 0.2229 0.2336 0.1990 0.5203 Ruy Barbosa 1.8529 0.8645 0.0470 0.1099 0.0247 0.3451 Santa Cruz 2.1961 0.8999 0.2192 0.2761 0.5297 0.7488 São Bento do Trairí 2.2636 0.9058 0.0783 0.2511 0.0205 0.3360 São José do Campestre 1.6108 0.8335 0.1657 0.1874 0.0061 0.7438 São Tomé 1.9894 0.8797 0.1616 0.1809 0.2625 0.5192 Serra de São Bento 2.3028 0.9091 0.0711 0.1582 0.0122 0.4931 Sítio Novo 2.1184 0.8927 0.1139 0.1527 0.1411 0.3860 Tangará 2.2255 0.9025 0.1884 0.1659 0.2501 0.6219 Bom Jesus 2.4718 0.9221 0.1574 0.1358 0.4546 0.6412 Brejinho 1.9966 0.8804 0.1643 0.1839 0.1274 0.6042 Ielmo Marinho 1.9379 0.8741 0.0919 0.0660 0.0264 0.1205 J. Cicco 1.8816 0.8678 0.0997 0.1287 0.0661 0.4043 Lagoa d'Anta 1.7917 0.8571 0.1079 0.1180 0.0138 0.5756 Lagoa de Pedras 1.8375 0.8627 0.0875 0.1196 0.0146 0.3167 Lagoa Salgada 1.7962 0.8577 0.0899 0.0968 0.0114 0.4926 Monte Alegre 2.4169 0.9181 0.1761 0.1176 0.1902 0.3284 Nova Cruz 1.9279 0.8730 0.1724 0.2117 0.3380 0.6250 Passa e Fica 2.0389 0.8848 0.1667 0.2090 0.0110 0.5137 Passagem 2.3180 0.9104 0.1198 0.1846 0.3092 0.4266 Presidente Juscelino 2.3101 0.9097 0.1373 0.1803 0.0119 0.5856 Riachuelo 2.3665 0.9142 0.0958 0.1548 0.1025 0.6084 Santo Antônio 2.2100 0.9011 0.2522 0.1818 0.2195 0.5475 São Paulo do Potengi 1.8920 0.8690 0.2151 0.2196 0.4019 0.6153 São Pedro 2.0109 0.8819 0.1590 0.1487 0.0111 0.4089 Senador Elói de Souza 1.7918 0.8571 0.1000 0.1432 0.0168 0.3722 Serrinha 1.9257 0.8728 0.0819 0.0838 0.1347 0.3538 Várzea 2.1852 0.8989 0.1079 0.1299 0.3346 0.6609 Vera Cruz 1.7596 0.8532 0.2383 0.1779 0.3145 0.4198 Maxaranguape 1.8338 0.8660 0.2644 0.1179 0.2210 0.1778 Pedra Grande 1.3957 0.7986 0.2787 0.0896 0.0558 0.3575 Pureza 1.4314 0.8063 0.1528 0.1127 0.1018 0.2520 Taipu 1.6692 0.8455 0.1106 0.1013 0.1147 0.3471 Touros 1.6311 0.8372 0.1147 0.0900 0.1316 0.2295 Ceará Mirim 2.0214 0.8827 0.2680 0.1708 0.3736 0.5162 Macaíba 2.0270 0.8837 0.2692 0.2259 0.3656 0.7065 Nísia Floresta 2.0576 0.8951 0.1953 0.1501 0.2730 0.4511 São Gonçalo do Amarante 2.0490 0.8877 0.3286 0.2674 0.4763 0.1724 São José de Mipibu 1.9898 0.8752 0.2555 0.1730 0.2838 0.4794 Parnamirim 2.2839 0.9064 0.5270 0.3685 0.6167 0.7560 Extremoz 2.2792 0.9026 0.3259 0.2118 0.3059 0.6099 Natal 2.6464 0.9338 0.5566 0.4596 0.8218 0.9999 Arês 2.1286 0.8963 0.2061 0.1595 0.3715 0.5107 Baía Formosa 2.0738 0.8912 0.2471 0.2205 0.3599 0.7501 Canguaretama 1.9003 0.8703 0.1992 0.1017 0.2365 0.6248 Espírito Santo 1.8461 0.8641 0.1025 0.1083 0.3515 0.5436 Goianinha 1.9937 0.8811 0.2548 0.1350 0.2558 0.5995 Montanhas 1.6101 0.8312 0.1731 0.1464 0.5013 0.6912 Pedro Velho 2.1813 0.9014 0.2077 0.1212 0.3903 0.5024 Senador Georgino Avelino 1.5991 0.8241 0.1547 0.1174 0.2543 0.3504 Tibau do Sul 1.7765 0.8549 0.1788 0.1181 0.1596 0.2519 Vila Flor 2.1035 0.8996 0.2032 0.0929 0.0705 0.7704