Guilherme Marques Iablonovski
Universidade Federal do Rio Grande do Sul
guilhermeiablo@gmail.com
Mobilidade Urbana Saudável: roteiro metodológico de coleta e análise de
dados espaciais desagregados à escala do indivíduo.
Sabrina da Rosa Machry Universidade Federal do Rio Grande do Sul
machrysabrina@gmail.com
Júlio Celso Borello Vargas
Universidade Federal do Rio Grande do Sul
jcelsovargas@gmail.com
Lourenço Marques Valentini Universidade Federal do Rio Grande do Sul
loremv1@gmail.com
Bibiana Valiente Umann Borda
Universidade Federal do Rio Grande do Sul
bibianavborda@gmail.com
8º
CONGRESSO LUSO-BRASILEIRO PARA O PLANEAMENTO URBANO,
REGIONAL, INTEGRADO E SUSTENTÁVEL (PLURIS 2018)
Cidades e Territórios - Desenvolvimento, atratividade e novos desafios Coimbra – Portugal, 24, 25 e 26 de outubro de 2018
MOBILIDADE URBANA SAUDÁVEL: ROTEIRO METODOLÓGICO DE COLETA E ANÁLISE DE DADOS ESPACIAIS DESAGREGADOS À ESCALA DO
INDIVÍDUO
G. M. Iablonovski, S. R. Machry, J. C. B. Vargas, L. M. Valentini, B. V. U. Borda
RESUMO
O projeto “Mobilidade Urbana Saudável” visa encontrar correlações relevantes entre estrutura urbana, modos de transporte e indicadores de saúde individual e coletiva. Almeja contribuir com evidências para orientar políticas públicas e projetos urbanos e, para tanto, propõe-se a investigar vizinhanças de média e baixa renda em três cidades brasileiras, com a coleta de dados relacionados às opções individuais de mobilidade e ao quadro de saúde dos indivíduos, bem como às características do ambiente urbano. Este trabalho apresenta e discute os métodos utilizados para a captura e manipulação dos atributos espaciais do estudo, com ênfase na cidade de Porto Alegre. Ao final traçam-se algumas relações entre as variáveis e explora-se a qualidade dos métodos, comparando medidas e discutindo os eventuais ganhos da aplicação deste conhecimento para a inclusão da saúde pública nas pautas do Planejamento Urbano.
1 INTRODUÇÃO
Estudos recentes colocam em evidência a falta de políticas públicas que tratem das relações entre uso do solo, mobilidade e saúde (Stevenson et al. 2016) em países como o Brasil e outros do Sul Global. Neles, a resposta ao acelerado desenvolvimento econômico foram estímulos à expansão urbana e à aquisição de automóveis (Kopits e Cropper, 2005). Estes fenômenos estão associados ao aumento da poluição sonora e atmosférica, das mortes por acidentes de trânsito e ao declínio da prática de atividades físicas, os quais, combinados, contribuem para as crescentes taxas de doenças e lesões crônicas (Stevenson et al., 1995).
Desde o início do Movimento Cidades Saudáveis da Organização Mundial da Saúde (World Health Organization, 1995), há um esforço para compreender como o ambiente urbano pode beneficiar ou prejudicar a saúde das populações (Stevenson et al., 2016). Especificamente, pergunta-se como a estrutura física das cidades afeta a mobilidade e como esta se relaciona com a saúde física e mental dos habitantes. Um espaço urbano orientado aos modos ativos de transporte pode promover a atividade física nos deslocamentos diários, adiando as restrições relacionadas à idade e melhorando as
condições gerais de saúde e bem-estar. Neste contexto, estudos quali-quantitativos que combinam dados primários e secundários ganham espaço no campo das ciências sociais aplicadas, especialmente nos estudos de saúde urbana.
Esses dados devem ser estudados no nível do indivíduo, de maneira a permitir uma adequada modelagem conceitual e estatística, diferentemente de estudos que adotam como unidade de análise as divisões territoriais do tipo bairro ou distrito. Pesquisas que envolvem pessoas e sua localização têm muito a ganhar com uma maior desagregação dos dados espaciais, permitindo análises finas com um mínimo de erros introduzidos por procedimentos de interpolação e extrapolação.
2 METODOLOGIA
O estudo “Mobilidade Urbana Saudável” – MUS – visa encontrar correlações relevantes entre forma urbana, modos de transporte e indicadores de saúde, investigando três cidades - Brasília, Florianópolis e Porto Alegre. Em cada uma delas foram selecionadas três áreas de estudo (“Case Study Areas” – “CSA”) com população de diferentes faixas de renda a fim de investigar diferentes estratos que representem razoavelmente a composição socioeconômica brasileira.
O roteiro da coleta de dados do projeto prevê uma etapa quantitativa com a aplicação de questionários detalhados sobre características socioeconômicas, condições de saúde e comportamento de mobilidade em um contingente de aproximadamente 350 pessoas em três áreas de cada cidade. O tratamento dos dados espaciais que integra essa etapa segue passos metodológicos que vão desde a seleção das áreas de estudo, as técnicas de captura dos atributos do ambiente em SIG até a análise integrada das variáveis, conforme o diagrama.
Fig. 1 Roteiro metodológico básico do projeto MUS. 2.1 Seleção das áreas de estudo
A construção do banco de dados quantitativo partiu da seleção de áreas de estudo – CSA – case study área - porções do território de cada cidade nas quais as entrevistas foram conduzidas. Para identificá-las, três critérios foram considerados:
a) Macroacessibilidade equivalente – distância do centro da cidade inferior a 10 km; b) Condição socioeconômica homogênea – setores censitários da área pertencentes ao
mesmo quintil de renda do Censo Demográfico 2010;
Assim, a coleta de dados se deu em três CSA por cidade: duas no primeiro e no segundo quintis de renda domiciliar, sendo uma delas com tecido urbano informal (CSA 1) e outra formal (CSA 2), e uma terceira no terceiro e no quarto quintis (CSA 3). O quinto quintil foi descartado por sua baixa representatividade no universo da população. A localização das CSA na cidade de Porto Alegre está na Figura 2.
Fig. 2 CSA - áreas de estudo na cidade de Porto Alegre 2.2 Amostragem de endereços
Para o cálculo do tamanho da amostra de domicílios a serem entrevistados, foi utilizado um nível de confiança de 95% e um intervalo de confiança de ± 5%, adotando como universo o total de domicílios localizados nas áreas recortadas, conforme tabela abaixo.
Tabela 1 Amostragem de domicílios nas CSA de Porto Alegre
CSA Nome Domicílios Amostra
1 Cruzeiro 2017 373
2 Tronco 3350 343
3 Menino Deus 6848 388
A seleção dos domicílios foi realizada através do método “subset”, no software ArcGIS Desktop 10.2.2, uma técnica de amostragem aleatória que divide o universo dos dados (a lista de endereços residenciais pertencentes à área de estudo) em dois subgrupos: o primeiro tem L endereços e o segundo terá N - L, sendo L igual a 500 e N o número total de endereços no universo, que, no caso de Porto Alegre, varia entre 2017 e 6848. Essa divisão é feita através da geração de valores aleatórios a partir de uma distribuição uniforme
(valores entre 0 e 1). Se o valor gerado é menor do que L/N, ele é alocado no primeiro subconjunto, se maior, é alocado no segundo.
2.3 Atributos dos indivíduos
Para coletar os dados individuais um “questionário social” foi construído com 375 questões fechadas baseadas em uma coletânea de escalas já utilizadas em pesquisas anteriores (i.e. Cerin et al., 2009; Goodman et al., 2012; Hagströmer et al., 2006; Ramos, 1987) e, portanto, validadas:
1. Neighbourhood Environment Walkability Scale (NEWS);
2. Impact Of Constructing Non-Motorised Network And Evaluating Changes In Travel (ICONNECT);
3. International Physical Activity Questionnaire (IPAQ);
4. World Health Organization Quality of Life (WHOQOL – BREF, WHOQOL – OLD); 5. Brazilian Multidimensional Functional Assessment Questionnaire (BOMFAQ).
Cada um desses blocos contém dados sociodemográficos, indicadores de mobilidade (frequência e perfil de deslocamentos rotineiros), indicadores de saúde, de atividade física e bem-estar (autodeclarados) e medidas antropométricas (altura, peso, cintura, pressão arterial, etc.). Foi levantada também a percepção individual das características morfológicas do ambiente, do serviço de transporte público, da infraestrutura de mobilidade ativa e aspectos subjetivos como medo e valores de vizinhança. As respostas aos questionários foram coletadas em campo por entrevistadores contratados, armazenadas em formulários digitais e estruturadas em um banco de dados.
Fig. 3 Domicílios respondentes geocodificados em Porto Alegre
A não existência de um cadastro espacial de endereços com dados abertos em Porto Alegre fez com que a lista de endereços amostrados tenha sido espacializada, em grande parte, por geocodificação através dos bancos de dados Google Maps (Google, 2018) e Nominatim (OpenStreetMap, 2018). Nas CSA 1 e 2 existe alto grau de informalidade fundiária e
muitos dos endereços não constam em nenhum cadastro, limitando a eficiência da geocodificação automatizada. Nestes casos muitos dos endereços amostrados foram mapeados analogicamente fazendo uso de imagens de satélite, fotos dos locais e de contato direto com os entrevistados.
Por fatores operacionais como a segurança dos entrevistadores e a disponibilidade de lotes residenciais, os polígonos das CSA 1 e 2 (Cruzeiro e Tronco) foram divididos em sub-áreas não contíguas, mantendo a coerência com os critérios de definição. Como resultado de sua urbanização desarticulada e quase sempre irregular ao longo do tempo, a região é formada por diversos fragmentos justapostos de tecido, misturando os assentamentos autoproduzidos com loteamentos regularizados. Pelos mesmos motivos, algumas entrevistas tiveram de ser realizadas em endereços não perfeitamente contidos nos polígonos previamente, como se vê na Figura 3.
2.4 Atributos espaciais
O último passo da construção do banco de dados é a captura e processamento de atributos urbanos do entorno de cada respondente. Esses atributos são as características urbanas que se relacionam com as atitudes de viagem e com as condições de saúde dos moradores, conforme já documentado na literatura (Handy et al., 2002; Ewing et al., 2001, 2010). Os estudos adotam diversas variáveis potencialmente explicativas do comportamento de viagens - escolha modal - utilizando as expressões “3D” cunhadas por Cervero e Kockelman (1997): densidade (density), diversidade (diversity) e desenho (design). São atualmente adotadas nos estudos de caminhabilidade, sustentando a afirmação de que as áreas com maior densidade de pessoas, maior diversidade de atividades e grande acessibilidade são as que têm maior potencial de melhoria das condições de saúde, pois estimulam a caminhada (e a utilização da bicicleta) e a realização de atividade física. Existem evidências de que a maior presença de pedestres e ciclistas estará sempre associada ao maior número de destinos localizados a uma curta distância, a maiores densidades e sistemas viários bem conectados (Frank et al., 2006). Pesquisas no Brasil e no Chile também concluíram que as viagens não motorizadas estão relacionadas com a diversidade de uso do solo e a conectividade viária (Larrañaga et al.., 2010; Zegras, 2004). A densidade funciona como potencial geradora de movimento, produzindo ou atraindo viagens. É uma medida de concentração de pessoas e construções descrita por variáveis como densidade populacional bruta, densidade construída e densidade arquitetônica, que exploram as relações entre a edificação, o parcelamento e o território. Está associada à diversidade, que é o grau de mistura de usos do solo em uma determinada área (Cervero e Kockelman, 1997), descrevendo a qualidade do suporte aos moradores e medida por indicadores de quantidade ou proporção de comércios, serviços e equipamentos públicos em relação à habitação, distâncias e índices mais elaborados como o de entropia. Já o desenho se refere à configuração das rede de vias, sua acessibilidade e consequente capacidade de conectar origens e destinos. Utilizam-se medidas como o grau de esquinas em cruz (cruzamentos de quatro vias), a densidade de intersecções e o tamanho dos quarteirões. Também são usadas classificações qualitativas como “malha tradicional” – para grelhas regulares – e “subúrbio” – remetendo às zonas residenciais norte-americanas com sistemas em árvore ou labirinto. Características das calçadas, ciclovias e estacionamentos, faixas de segurança, paradas de ônibus e metrô também são utilizadas como métricas desta dimensão (Moudon et al., 2007).
Os dados espaciais vêm especialmente de fontes secundárias como as prefeituras municipais, órgãos como o IBGE, além de plataformas colaborativas de mapeamento como o “OpenStreetMap”. Embora a medição e coleta de dados urbanos in loco não faça parte do escopo da pesquisa, algumas medidas relativas ao comércio local (mercados, serviços pessoais, farmácias, etc.) vêm de fontes primárias. A Tabela 2 lista as variáveis espaciais do estudo e a Figura 4 exemplifica três mapas temáticos.
Tabela 2 Atributos do ambiente construído
Atributo Grupo
Densidade domiciliar Área de vias
DENSIDADE
Densidade demográfica Área privada (lotes)
Ocupação domiciliar (hab./dom.) Área privada (lotes)
Taxa de ocupação bruta (área ocupada de solo total)
Área verde de lazer (praças e parques)
Taxa de ocupação líquida (área ocupada de solo privado)
Área verde de lazer (praças e parques)
Área pública aberta (praças, vias, etc)
Quantidade de cada tipo de destino Distância até cada tipo de destino
mais próximo
DIVERSIDADE
Área por habitante para cada tipo de destino Distância média até cinco destinos mais próximos (para cada tipo) Comprimento médio do trecho (grafo viário) Extensão total da rede cicloviária
DESENHO
Grau médio dos nós (grafo) Cota mínima (altitude)
Percentual de ruas sem saída Cota máxima (altitude)
Media de hierarquia dos trechos Cota média (altitude)
Vias arteriais (quantidade e percentual) Inclinação mínima (declividade
viária)
Vias locais (quantidade e percentual) Inclinação máxima (declividade viária)
Vias peatonais (quantidade e percentual) Inclinação média (declividade viária)
Semáforos (quantidade) Faixas de travessia (quantidade)
Obs: para a dimensão de diversidade, os destinos considerados foram escolas, creches, universidades, equipamentos culturais, equipamentos de saúde, supermercados e templos religiosos.
Estes atributos foram então analisados segundo duas abordagens: a primeira delas é a que calcula indicadores agregados do tipo “contêiner”, ou seja, tendo a área de estudo como unidade de análise (Gheno e Krafta, 2008). Ela é simples, mas permite classificações, ranqueamentos e comparações rápidas entre as CSA de Porto Alegre e das outras cidades. O gráfico da Figura 5 traz o exemplo de uma das medidas de diversidade de usos do solo – percentual de área pública (praças, parques e reservas) em relação à área total da CSA. A diferença das médias foi estudada via ANOVA, cujo resultado permite afirmar que ela é estatisticamente significativa com ɑ = 0,001, atestando a maior presença dessas áreas na CSA3, de renda média e urbanização regular.
Fig. 4 Mapas temáticos de densidade demográfica, concentração de comércios e declividade das vias nas CSA de Porto Alegre.
Fig. 5 Boxplot da medida de percentual de área pública por CSA, com médias. A segunda abordagem se baseia em indicadores do entorno imediato de cada entrevistado. Todas as medidas de densidade, diversidade e desenho foram computadas em buffers circulares de 400 e 800 metros e áreas de serviço (network buffers) de 200, 400 e 800 metros, com centro em cada ponto de entrevista (Figura 5). O conjunto de medidas contida nos buffers foi então associado aos pontos originais através de união espacial (spatial join). Um total de 1104 buffers para cada uma das cinco combinações de tipo e raio foi gerado, totalizando 5520 buffers. Assim, cada linha – endereço/entrevistado – tem quase 400 variáveis relativas ao indivíduo e mais cinco blocos de 62 colunas com os atributos urbanos.
A abordagem por múltiplos tipos de buffer procura tirar proveito das vantagens próprias a cada método. O uso de áreas de serviços, ou buffers de rede, que levam em conta o traçado viário e barreiras ao deslocamento humano (neste caso, a topografia e a declividade dos terrenos), determina em maior detalhe as áreas que integram a experiência de deslocamento diário dos entrevistados. A abordagem do buffer circular, embora simples, é eficaz para a estimativa de “áreas de influência” ou “entornos cotidianos” (Andersen e Landex, 2009) e apresenta como vantagem o não ocultamento de aspectos mais
impeditivos como ruas mais declivosas, que podem fazer parte da experiência urbana do entrevistado, mas que são "evitados" pelos modelos de buffers de rede.
Fig. 6 Buffers circulares e de rede para uma entrevista realizada em Porto Alegre A utilização das medidas de 400 e 800 metros tem fundamento na literatura que as relaciona com tempos de caminhada – 5 e 10 minutos, respectivamente, considerando uma velocidade média de 4,5 km/h – para avaliar a facilidade de acesso a equipamentos como escolas e praças (El-Geneidy et al., 2010). A origem é a “Unidade de Vizinhança” de Clarence Perry, que propunha áreas residenciais semi-autônomas que deviam atender à maior parte das necessidades diárias dos moradores em até 5 minutos de caminhada, o que equivale a um quarto de milha ou aproximadamente 400 metros (Mumford,1961). Um buffer network extra de 200 metros foi criado para capturar os atributos do entorno mais próximo dos entrevistados.
3 RESULTADOS PRELIMINARES
Após a coleta e processamento dos dados individuais pelo questionário social e espaciais pelos buffers, podem-se traçar correlações entre os dois grupos de variáveis, objeto de nova etapa da pesquisa em andamento. Preliminarmente, no entanto, alguns resultados já podem ser apreciados com o intuito de validar as escolhas metodológicas, especialmente a qualidade dos dados espaciais captados pelos diferentes buffers.
Existem diferenças entre os valores coletados pelos buffers circulares e network quando comparados os de mesmo raio. E também existem diferenças dentro dos tipos circular e network, quando comparados os diferentes raios. Considerando três atributos exemplares de densidade, conectividade viária e diversidade de usos do solo, foram realizadas comparações estatísticas para esses grupos, conforme as Tabelas 3, 4 e 5.
Tabela 3 Matriz de correlações da medida de Proporção de Área Pública
buffer Circ400 Circ800 Net400 Net800
Circ400 1 0,743 0,751 0,852
Circ800 1 0,519 0,847
Net400 1 0,744
Net800 1
Tabela 4 Matriz de correlações da medida de Proporção de Ruas sem Saída
buffer Circ400 Circ800 Net400 Net800
Circ400 1 0,939 0,927 0,964
Circ800 1 0,852 0,987
Net400 1 0,885
Net800 1
Tabela 5 Matriz de correlações da medida de Densidade Domiciliar
buffer Circ400 Circ800 Net400 Net800
Circ400 1 0,926 0,977 0,967
Circ800 1 0,878 0,967
Net400 1 0,947
Net800 1
Os coeficientes de correlação de Pearson são altos e positivos, todos com p-valor < 0,001, mostrando pequena diferenciação entre as medidas nos diferentes buffers. As maiores diferenças ocorrem na medida de proporção de área pública quando os buffers das bordas das CSA capturam padrões urbanísticos mais variados e, às vezes, de áreas vizinhas, como é o caso da interface da CSA 3 (Menino Deus) com as margens do Rio Guaíba ou da CSA 2 (Tronco) com as áreas de preservação adjacentes.
Fig. 7 Gráficos boxplot com comparação de médias entre atributos de diversidade de usos (percentual de áreas públicas) para network buffers de 200, 400 e 800 metros A diferença de médias é significativa entre os buffers de rede de 200, 400 e 800 metros no que concerne as medidas de percentual de ruas sem saída e de densidade domiciliar. O
percentual de área pública, no entanto, apresenta diferença de médias significativa somente entre os buffers de rede de 200 metros e os demais, como demonstrado na Figura 7. Já para os buffers circulares, a diferença de médias das três medidas é significativa entre os buffers circulares de 400 e 800. Todas os testes apresentam significância estatística com ɑ = 0,05. Tratando os atributos de conectividade viária e diversidade de usos do solo como indicativos da qualidade do ambiente para a escolha modal, é possível estabelecer comparações entre padrões de mobilidade ativa - viagens a pé - oferta de atrativos no entorno e saúde dos indivíduos. O gráfico da Figura 8 mostra que o número de caminhadas a supermercado diminui drasticamente quando varia a classe de distância (curta, média e longa) das moradias até ele, com as diferenças entre a classe 1 e a 2 e entre a classe 1 e a 3 apresentando significância estatística com ɑ = 0,01. Já o IMC dos entrevistados (“Índice de Massa Corporal”, que mede a relação entre altura e peso e define patamares de normalidade, sobrepeso ou obesidade) mostra clara tendência de diminuição à medida que aumenta a frequência de viagens a pé.
Fig. 8 Frequência de viagens a pé comparadas com atributos urbanos e de saúde 4 DISCUSSÃO
Este artigo apresentou métodos de captura e manipulação de atributos do ambiente construído em SIG visando a construção de banco de dados integrado para pesquisas em saúde urbana. Após a seleção das áreas de estudo, amostragem de endereços, descrição das variáveis sociais e processamento das variáveis do ambiente urbano, o método permite dois tipos de análise: agregada por área “contêiner” e desagregada em buffers de diversos tipos associados aos indivíduos. Ao final são comparados os atributos capturados de diferentes maneiras, a fim de explorar o banco de dados e discutir a qualidade dos resultados preliminares da cidade de Porto Alegre.
O trabalho pretendeu demonstrar a validade do método de desagregação de variáveis espaciais para estudos de caráter epidemiológico ou urbanístico, propondo uma sistemática para associar a cada habitante às características objetivamente medidas do espaço que o envolve e que interfere em seu comportamento de mobilidade. O banco de dados descrito permite a modelagem tendo como unidade de análise o indivíduo, habilitando o estudo das relações entre o comportamento e as condições de saúde individuais e o espaço urbano, em busca de confirmação ou refutação de hipóteses.
Apesar dessas qualidades, diversas limitações podem ser apontadas, como, por exemplo, os atributos “3D”, que podem ser considerados uma redução excessiva da realidade das cidades. Porém, a simplificação sem perda significativa de qualidade do dado é justamente o que se busca com a modelagem e, ainda, o conjunto escolhido de variáveis, seus formatos e codificações podem ser recalculados e revistos em função do objetivo de pesquisa, mantendo estrutura geral do banco de dados desagregado. O emprego de buffers para definir o “entorno” da residência dos indivíduos pode ser questionado, mesmo que seja um método largamente utilizado, validado por inúmeros estudos e perfeitamente adaptado às tecnologias digitais de análise espacial. Suas deficiências têm sido apontadas em estudos que apresentam alternativas como as técnicas de “focal statistics” utilizadas diretamente ou adaptadas como nos smart maps de Hurvitz e Moudon (2012) ou, ainda, a “super desagregação” que toma como unidade de análise o trecho de rua.
Em trabalhos futuros, pretende-se avaliar tais alternativas, bem como rotinas automatizadas para o processamento dos dados em SIG.
5 REFERÊNCIAS
Andersen, J.L.E. e Landex, A. (2009) GIS-based Approaches to Catchment Area Analyses of Mass Transit, ESRI Int. User Conf. 1-13.
Goodman, A. Brand, C. e Ogilvie, D. (2012) Associations of health, physical activity and weight status with motorised travel and transport carbon dioxide emissions: a cross-sectional, observational study. Environmental Health 2012, 11:52.
Cervero, R. e Kockelman, K. (1997) Travel demand and the 3Ds: density, diversity, and design, Transportation Research Part D - Transport and Environment 2, 199-219.
Cerin, E. Conway, T.L. Saelens, B.E. Frank, L.D. e Sallis, J.F. (2009) Cross-validation of the factorial structure of the Neighborhood Environment Walkability Scale (NEWS) and its abbreviated form (NEWS-A). International Journal of Behavioral Nutrition and Physical Activity, 6:32.
El-Geneidy, A. Tétreault, P. e Surprenant-Legault, J. (2010) Pedestrian access to transit: Identifying redundancies and gaps using variable service area analysis, in Paper presented at the 89th Transportation Research Board Annual Meeting, Washington D.C., USA. Ewing, R. e Cervero, R. (2001) Travel and the built environment: a synthesis. Transportation Research Record: Journal of the Transportation Research Board, n. 1780, p. 87-114.
Ewing, R. e Cervero, R. (2010) Travel and the built environment: a meta-analysis, Journal of the American Planning Association 76 (3), 265-294.
Frank, L. D., Sallis, J. F., Conway, T. L., Chapman, J. E., Saelens, B. E. e Bachman, W. (2006) Many pathways from land use to health: associations between neighborhood walkability and active transportation, body mass index, and air quality, Journal of the American Planning Association 2006;72(1):75– 87.
Gheno, P. e Krafta, R. (2008) Análise comparativa de indicadores de desempenho urbano, in: Anais do Pluris 2008, Volume único, Santos, São Paulo.
Google. Google Maps Javascript API V3 Reference (Online; último acesso em 29 de abril de 2018) https://developers.google.com/maps/documentation/javascript/reference/3/
Hagströmer, M., Oja, P., e Sjöström, M. (2006) The International Physical Activity Questionnaire (IPAQ): A study of concurrent and construct validity. Public Health Nutrition, 9(6), 755-762.
Handy, S., Boarnet, M., Ewing, R. e Killingsworth, R. (2002) How the built environment affects physical activity, American Journal of Preventive Medicine, 23(2S), 64-73.
Hurvitz, P. M. e Moudon, A.V. (2012) Home Versus Non Home Neighborhood - Quantifying Differences in Exposure to the Built Environment. AMEPRE, 42 411-417. doi:10.1016/j.amepre.2011.11.015.
Kopits E. e Cropper M. (2005) Traffic fatalities and economic growth, in: Accid Anal Prev, Janeiro 2005, 37(1):169-78.
Larrañaga, A. M. e Cybis, H. B. B. (2010) Impacto da estrutura urbana na escolha modal: evidências de Porto Alegre. In: XXIV ANPET Congresso de Ensino e Pesquisa em Transportes, 2010, Salvador. Panorama Nacional da Pesquisa em Transportes 2010. Rio de Janeiro: ANPET, 2010. v. 1. p. 1-12.
Moudon, A. V., Lee, C. e Cheadle, A. D. (2007) Attributes of environments supporting walking. American Journal of Health Promotion; 5:448 –59.
Mumford, L. (1961) A cidade na história: suas origens, transformações e perspectivas. São Paulo: Martins Fontes (1982).
OpenStreetMap. Nominatim - OpenStreetMap Wiki (Online; último acesso em 29 de abril de 2018), http://wiki.openstreetmap.org/wiki/Nominatim.
Stevenson, M., Jamrozik, K. e Spittle, J. (1995) A case-control study of traffic risk factors and child pedestrian injury. International Journal of Epidemiology.
Stevenson, M., Thompson, J., Herick de Sa, T., Ewing, R., Mohan, D., McClure, R., Roberts, I., Tiwari, G., Giles-Corti, B., Sallis, J., Sun, X., Wallace, M. e Woodcock, J. (2016) Land use, transport, and population health: estimating the health benefits of compact cities, The Lancet, Volume 388, n. 10062, p. 2925-2935, 10 Dezembro 2016. World Health Organization (1995) Twenty steps for developing a Healthy Cities Project, 2nd ed. Copenhagen, WHO Regional Office for Europe.
Zegras, C. (2004) Influence of Land Use on Travel Behavior in Santiago, Chile, Transportation Research Record: Journal of the Transportation Research Board 1898: p. 175-82.
