“RE”-PENSANDO O PLANEJAMENTO DE CLICLOVIAS: UM ESTUDO DE CSS (CONTEXT SENSITIVE SOLUTION) EM BELO HORIZONTE
Carolina Amaral Guimarães de Lima Souza
Escola de Arquitetura e Urbanismo Universidade Federal de Minas Gerais
Rodrigo Affonso de Albuquerque Nóbrega
Instituto de Geociências Universidade Federal de Minas Gerais
RESUMO
O crescente número de congestionamentos nas cidades tem fomentado a discussão em sobre mobilidade sustentável, fazendo com que a bicicleta seja cada vez mais apontada como uma solução para os deslocamentos. Este artigo tem como objetivo a integração de variáveis que influenciam a decisão de rota pelo ciclista no projeto cicloviário visando maximizar a eficiência do mesmo. São utilizados Sistemas de Informação Geográfica e Análise Multicritério como instrumentos de análise e modelagem destas variáveis. O trabalho descreve uma metodologia de construção de um modelo para calcular e desenhar corredores de viabilidade para a implantação de ciclovias. A área de estudo para a aplicação desse modelo consiste no bairro Floresta e seu entorno imediato. Dois cenários distintos são apresentados: um considerando variáveis do contexto socioeconômico e cultural; e outro priorizando o menor esforço e conforto do ciclista. Os resultados demonstram a eficiência do modelo e sua capacidade de catalisar as nuances do contexto urbano ao mesmo tempo em que considera as restrições físicas.
ABSTRACT
The growing number of congestion in the cities has pushing the discussion on sustainable mobility, where the bicycle is increasingly pointed as key solution to the urban travels. This article aims to investigate the integration of the variables that influence the decision concerning the construction of bicycle lanes, thus improve the efficiency of the project. The study employs Multicriteria Decision Making coupled with Geographic Information System as instruments for analyzing and modeling the variables. The work addresses a methodology to build a model capable to compute and draw feasible corridors for bicycle lane infrastructure. The study area for the application of this model is the Floresta neighborhood and vicinities. Two different scenarios are presented: one is considering variables of socioeconomic and cultural context; and other prioritizing the minimal effort and comfort of the cyclist. Findings show the efficiency of the model as well as its capacity to catalyze details of the urban context at the same time it considers the well-known physical constraints.
1. INTRODUÇÃO
O deterioramento da mobilidade nas cidades brasileiras está diretamente relacionado ao crescimento do número de veículos motorizados em circulação, gerando congestionamentos, aumento no tempo de deslocamento e prejuízos ambientais. A resposta usual aos problemas causados por essa diminuição na fluidez consiste no aumento da capacidade da via, que por sua vez estimula ainda mais o uso do automóvel, alimentando um círculo vicioso que resulta na perda da qualidade de vida nas cidades. Tal situação tem se mostrado insustentável, tanto no âmbito ambiental, quando no atendimento das necessidades de circulação dos habitantes no meio urbano.
Frente a esta crise da mobilidade, a bicicleta vem se tornando uma alternativa que atrai cada vez mais adeptos, tanto como veículo para a realização de viagens utilitárias (trabalho e/ou escola) quanto para fins de saúde e lazer. Além de não consumir combustíveis ou emitir gases nocivos ao meio ambiente, consiste em um meio de transporte alternativo que apresenta um custo mais acessível, possibilitando maior igualdade social. O crescimento do investimento em projetos cicloviários, impulsionado pelos subsídios fornecidos pelo programa Bicicleta Brasil (Brasil, 2007) coordenado pelo Ministério das Cidades. Por apresentar características muito distintas dos veículos motorizados, é necessária a realização de estudos a cerca da
bicicleta como modal de transporte. Dessa maneira, se considera importante a análise dos fatores que influenciam a escolha de rotas pelos ciclistas, bem como o desenvolvimento de métodos que incorporem tais fatores no processo de planejamento das ciclovias.
Este artigo apresenta uma metodologia para apoiar o planejamento de corredores de transporte. Tem como objetivo o estudo da maximização da eficiência de projetos cicloviários, a partir da criação de cenários baseados em análises multicriteriais, que integrem de forma balanceada os parâmetros de escolha de rota pelos ciclistas e o contexto urbano no qual a ciclovia e o cotidiano dos ciclistas e habitantes locais estão incluídos.
2. NOVOS PARADIGMAS PARA O PLANEJAMENTO DE TRANSPORTES
Para nortear o desenvolvimento da pesquisa foi realizada uma revisão de literatura referente ao transporte cicloviário em áreas urbanas, principalmente trabalhos que envolvem temas relativos a fatores que influenciam a escolha de rotas pelos ciclistas. Os parâmetros levantados foram base para o desenvolvimento de cenários de implementação de rotas cicloviárias na área de estudo, pautados pelos princípios instituídos pelo Context Sensitive
Solution (CSS).
2.1. Mobilidade Urbana e Ciclovia
Frente à intensificação da motorização, o aumento dos fluxos econômicos e sociais e a elevada densidade populacional das cidades brasileiras, a busca do desenvolvimento sustentável no planejamento de transportes tem se tornado a principal temática no âmbito da mobilidade urbana. As ciclovias, ciclofaixas e vias cicláveis configuram alternativas cada vez mais atrativas para equacionar tais conflitos urbanos, além de promover uma melhora na qualidade ambiental, o que tem levado muitas administrações a investir nesses projetos. Para uma reconfiguração efetiva do sistema viário, que possa resultar em um maior estímulo ao uso da bicicleta, é imprescindível que o redesenho urbano seja pautado nas linhas de desejo de movimentação dos ciclistas, fazendo com que ocorra uma priorização das vias com características mais atrativas para os mesmos. Segundo Sousa (2012) e Segadilha e Sanches (2013), o tempo de viagem, o esforço físico e conforto, a sensação de segurança e a qualidade ambiental, entre outras características, possuem um grande peso durante o processo de decisão de rota pelo ciclista. A FHWA (2003) define ainda que tal decisão é influenciada ainda pela característica dos destinos das viagens, tais como a presença de locais seguros para a permanência da bicicleta e até mesmo a existência de vestiários.
2.2. Context Sensitive Solution
O termo surgiu em 2003, no Departamento de Transportes norte americano como resposta à necessidade prática de integrar, de forma proativa, a participação de gestores públicos e representantes da comunidade em diversas áreas. Apoiar o desenvolvimento de projetos de transporte considerando e balanceando a participação de todos os contextos envolvidos (econômico, técnico, ambiental, social, cultural, histórico e estético) ao mesmo tempo em que se preserva ou melhora a segurança, mobilidade e a infraestrutura é o objetivo do CSS, ou solução sensível ao contexto. A principal característica desta abordagem é a harmonia e a integração entre os atores (Figura 1). Não se enxergam elementos isolados, mas sim contextos diferentes que interagem entre si e precisam ser avaliados e equacionados da melhor forma possível, Souza e Nóbrega (2015).
Figura 1 – Caracterização do Context Sensitive Solution
Por definição, o CSS é uma complexa teia de interesses e ações de gestores e da comunidade local que, de forma reativa, são alavancadas por projetos de infraestrutura de transporte com impacto direto na região. O desafio do CSS é estabelecer meios para que, junto à maximização da eficiência no sistema de transportes promovida pela nova infraestrutura, ocorra também a maximização da qualidade de vida, da sustentabilidade econômica da comunidade local, da segurança e dos aspectos culturais locais. Segundo Stich et al (2011), sua implantação na prática depende da organização, tratamento e análise de dados, bem como de um mecanismo que promova, de forma participativa, o processo de tomada de decisão.
2.3. Geoprocessamento, Análise Multicritério e Modelagem de Dados
A demanda por metodologias para modernizar o planejamento de transporte é notória e o geoprocessamento tem sido peça chave para integrar, de forma coordenada, as inúmeras variáveis espaciais deste processo. No entanto, ocorre que a consolidação dos Sistemas de Informação Geográfica (SIG) como instrumento de análise e modelagem em transportes é algo ainda pouco explorado fora do ambiente acadêmico. Um dos modelos que tem sido discutido e utilizado juntamente com SIG é a análise multicritério, a qual possibilita aos responsáveis pela tomada de decisão integrar, de forma estruturada, variáveis, opiniões e ponderações distintas e, em muitos casos, divergentes (Savasivuni et al, 2009). Para subsidiar a análise multicritério e na perspectiva de minimizar a subjetividade humana, desenvolvem-se metodologias para aperfeiçoar o fluxo de trabalho e estas são implementadas na modelagem em SIG. Cita-se neste contexto o método AHP (Analytical Hierarchy Process) (Saaty, 1980). Se por um lado o método AHP utiliza valores pareados como dados de entrada, por outro lado suas informações de saída correspondem a um ranking numérico que elenca, ordena e atribui pesos às preferências. Em SIG, esses pesos passam a ser incorporados aos valores ou grandezas das feições geográficas. O uso mais frequente tem sido na composição dos valores atribuídos aos pixels de imagens ou mapas digitais. Nessa linha, a metodologia aqui apresentada utiliza tais ferramentas de modo a integrar os contextos envolvidos no planejamento de uma ciclovia.
3. CARACTERIZAÇÃO DO PROBLEMA E DESCRIÇÃO DA ÁREA DE ESTUDO
A área de estudo abrange o bairro Floresta e seu entorno imediato, de modo a tornar possível a contextualização do mesmo no meio urbano. Consiste em um dos bairros mais tradicionais da capital mineira, com diversas edificações tombadas que fazem parte do imaginário coletivo da cidade (Figura 2). O bairro Floresta se localiza na região Leste de Belo Horizonte, próximo ao centro, e é atravessado por diversas vias arteriais e coletoras de grande fluxo, ao redor das quais se distribuem as atividades de comércio e de serviço. Tais vias concentram os deslocamentos pendulares entre os demais bairros da região Leste, que assim como o Floresta possuem caráter residencial, e as regiões central e hospitalar. Apresenta uma densidade populacional média de 190 habitantes por hectares e concentra residentes de classes média e
média alta. A geomorfologia do bairro, em linhas gerais, consiste em duas colinas cercadas por avenidas sanitárias de vale contínuo, o vale do Córrego da Mata ao norte e o vale do Ribeirão Arrudas ao sul. Com intuito de atender a demanda destes deslocamentos pendulares de maneira sustentável, foi realizado um estudo para determinar possíveis rotas cicloviárias realizem a ligação entre os bairros adjacentes ao Floresta e o centro e a região hospitalar.
Figura 2 – Deslocamentos pendulares no bairro Floresta. Elaborado pelos autores.
4. METODOLOGIA
O desenvolvimento do trabalho contou com uma etapa inicial de aquisição e seleção de dados, vital para o entendimento a formulação do modelo. Os dados selecionados foram espacializados e individualmente estudados quanto ao potencial de contribuição para o modelo. As variáveis de entrada foram definidas a partir dos dados selecionados. O modelo buscou a integração das variáveis para compor corredores que correspondessem a regiões de maior viabilidade para implantação de ciclovias atravessando o bairro. A Figura 3 ilustra o fluxo de atividades desenvolvidas.
Figura 3 – Fluxo das principais atividades desenvolvidas no trabalho.
4.1. Materiais
Em síntese, foram utilizados para o desenvolvimento desse trabalho:
Dados da base cartográfica cadastral (malha viária, quadras, árvores, altimetria, postes); Base de dados da Classificação Nacional de Atividades Econômicas (CNAE);
Aplicativos ESRI arcGIS para espacialização, processamento e análise dos dados;
Aplicativo Microsoft Excel para formulação das análises multicritério e cálculo dos pesos para as variáveis e os respectivos cenários.
4. 2. Espacialização e análise dos dados
Como etapa inicial, todos os dados levantados foram inseridos no mapa para contextualização da área de estudo. A área de estudo, que tem como a extensão do bairro Floresta (vide Figura 2), foi acrescida de um polígono externo (buffer) de 450m, distância na qual se encontram integradas as principais feições urbanas presentes nos bairros adjacentes e que interferem diretamente na conjuntura geográfica da análise proposta neste trabalho. Este novo polígono foi então utilizado para o recorte dos dados de entrada.
Dados como a malha viária, posicionamento de postes e árvores e curvas de nível, por exemplo, são por natureza informações geográficas e, portanto, compõem o mapa base do estudo. Por outro lado, as informações referentes aos estabelecimentos comerciais oriundas do CNAE precisaram ser espacializadas e posteriormente filtradas e recortadas para a integração no banco de dados geográfico do estudo. Contudo, a etapa de visualização dos dados é vital não apenas para que se possa analisar a completitude e a distribuição espacial dos dados, mas principalmente para auxiliar os atores envolvidos no processo participatório de tomada de decisão a formular métricas e regras capazes de traduzir seus anseios para o modelo de forma lógica e organizada. O CSS preza pelo modelo participativo, contudo é necessário um mecanismo robusto (no que tange a capacidade de cálculo) e flexível (no que tange a capacidade de adaptação às nuances de cada projeto ou cenário) como o método AHP acoplado a um SIG, utilizado neste trabalho.
4.3. Processamento inicial: modelagem das variáveis de entrada
Uma das etapas mais importantes para a maioria das soluções propostas por geoprocessamento é o entendimento e a adequação dos dados geográficos utilizados. São raros os exemplos onde o modelo recorre a dados brutos sem um devido pré-processamento. No presente trabalho, nenhum dos dados de entrada foi utilizado em sua forma inicial. O modelo proposto calcula e desenha os corredores de maior viabilidade para implantação de ciclovias, todavia seus resultados dependem de configurações dos cenários propostos, que por sua vez dependem de interpretações dos dados e de regras de uso destes dados como variáveis no modelo.
Os cálculos do modelo são desenvolvidos por pixels, mais precisamente utilizando autômatos celulares (Aljoufie et al 2013 ; Baaty et al 2013), todavia muitos dos dados de entrada são disponíveis apenas em formato vetorial. Neste sentido, foram utilizados diferentes estratégias para modelar os dados originais em variáveis de entrada de forma similar ao apresentado em Sadasivuni et al (2009), conforme ilustra e descreve a Tabela 1.
Diferentes algoritmos foram utilizados para a modelagem das variáveis de entrada, tais como: Cálculo de distâncias euclidianas, responsáveis por medir o afastamento geográfico das
feições de interesse, resultando em um produto em formato matricial (raster);
Operador Kernel, responsável pelo cálculo da densidade de ocorrência das feições de interesse em uma determinada unidade de área. O operador é executado por varredura pixel-a-pixel e o cálculo da densidade de ocorrência das feições é determinado por um raio específico medido a partir do pixel da posição central da varredura;
Reclassificação, responsável pela substituição dos valores dos pixels de uma imagem de entrada por faixas de valores na imagem de saída;
Conversão Vetor-Matriz (vector-raster), responsável pela substituição do formato dos dados.
Tabela 1: Modelagem dos dados originais em variáveis de entrada do modelo
DADO DE ENTRADA VARIÁVEL DO MODELO REGRA DE MODELAGEM
Entrada: predominância do uso dos imóveis por
face de quadra (vetorial)
Saída: mapa das faces de quadra com predominância de uso de solo para atrair ou repelir projetos de ciclovias (matricial)
Regra: priorização da ciclovia em vias em áreas
residenciais e parques.
Procedimento: vetores alargados em 25m e
convertidos em imagem. Valores atribuídos no AHP e ranking de pesos repassados para os pixels
Entrada: mapa de declividades do terreno
(matricial)
Saída: mapa de declividades do terreno (matricial) Regra: priorização de áreas planas
Procedimento: foram definidas 5 classes de
declividade (0-8,33%;8,34-12,5%;12,51-17%;17,01-22%;>22%). Classes pareadas no AHP e ranking repassado aos pixels
Entrada: mapa de localização das árvores
(vetorial)
Saída: mapa de densidade de árvores Km2
(matricial)
Regra: priorização de vias com concentração de
árvores
Procedimento: utilização da ferramenta kernel com
raio 25m, resultando em uma imagem com dados em intervalo contínuo, posteriormente discretizado em 9 classes por intervalo geométrico. Classes pareadas no AHP e ranking repassado aos pixels
Entrada: mapa de localização dos postes de
iluminação das vias (vetorial)
Saída: mapa de densidade de iluminação pública
(matricial)
Regra: priorização de vias com alta iluminação
visando a segurança do ciclista.
Procedimento: utilização da ferramenta kernel com
raio 50m, resultando em uma imagem com dados em intervalo contínuo, posteriormente discretizado em 9 classes por intervalo geométrico. Classes pareadas no AHP e ranking repassado aos pixels
DADO DE ENTRADA VARIÁVEL DO MODELO REGRA DE MODELAGEM
Entrada: mapa de localização de bares e
restaurantes (vetorial)
Saída: Mapa das distâncias euclidianas dos
estabelecimentos de alimentação (matricial)
Regra: priorização de vias que concentram
estabelecimentos de alimentação que possam servir aos ciclistas em curso.
Procedimento: cálculo das distâncias euclidianas
dos estabelecimentos. Foram utilizadas as seguintes classes: 0-50m ; 51-100m ; 101-150m e >150m, pareadas no AHP e ranking repassado aos pixels
Entrada: mapa de localização dos estabelecimentos
de compras de mantimentos, farmácias e estabelecimentos bancários (vetorial)
Saída: mapa de distâncias euclidianas dos
estabelecimentos de compra (matricial)
Regra: similar à utilizada na variável de
estabelecimentos de alimentação.
Procedimento: similar à utilizada na variável de
estabelecimentos de alimentação
Entrada: mapa da relação largura x saturação das
vias (vetorial)
Saída: Mapa com diagnóstico da impedância das
vias para receber ciclovia em função da largura e da saturação de veículos (matricial)
Regra: priorização de vias com largura suficiente
para compartilhar ciclovia com outros modais, bem como priorização de vias com pouco tráfego.
Procedimento: conjunto de valores discretizado em
9 classes por intervalo geométrico. Classes pareadas no AHP e ranking repassado aos pixels
Entrada: mapa de localização das escolas de ensino
fundamental, médio e superior (vetorial)
Saída: mapa de distâncias euclidianas dos
estabelecimentos de ensino (matricial)
Regra: priorização de vias próximas às escolas. Procedimento: cálculo das distâncias euclidianas
dos estabelecimentos. Foram utilizados intervalos progressivas a cada 100m, totalizando 9 classes foram pareadas no AHP e o ranking repassado aos pixels
Tabela 2: Cálculo dos pesos para as variáveis através do AHP
VARIÁVEL CRITÉRIO AHP
Predominância do uso dos imóveis por face de quadra
Residencial Parques
Saúde, educação e outros Comércio e serviços 0,0625 0,1250 0,2500 0,5625 Declividades do terreno 0 – 4,0% 4,1 – 8,33% 8,34 – 12,0% 12,1 – 15,0% 15,1 – 17,0% 17,1 – 22,0% > 22% 0,0044 0,0088 0,0354 0,0664 0,1770 0,3097 0,3982 Localização das árvores 0 - 101 arvores/km²
102 - 287 arvores/km² 288 - 627 arvores/km² 628 - 1252 arvores/km² 1253 - 2399 arvores/km² 2400 - 4505 arvores/km² 4506 - 8368 arvores/km² 8367 - 15458 arvores/km² > 15459 arvores/km² 0,0222 0,0444 0,0667 0,0889 0,1111 0,1333 0,1556 0,1778 0,2000 Localização dos postes de iluminação das
vias 0 - 256 postes/km² 257 - 428 postes/km² 429 - 542 postes/km² 543 - 713 postes/km² 714 - 970 postes/km² 971 - 1355 postes/km² 1356 - 1932 postes/km² 1933 - 4094 postes/km² > 4095 postes/km² 0,0222 0,0444 0,0667 0,0889 0,1111 0,1333 0,1556 0,1778 0,2000 Localização de bares e restaurantes 0 - 50m
51 - 100m 101 -150m > 150m 0,1000 0,2000 0,3000 0,4000 Localização dos estabelecimentos de
compras de mantimentos, farmácias e estabelecimentos bancários. 0 - 50m 51 - 100m 101 - 150m > 150m 0,1000 0,2000 0,3000 0,4000 Relação largura x saturação das vias 0 - 43,8 (adimensional)
43,9 – 65,6 65,7 – 76,4 76,5 – 98,3 98,4 – 142,1 142,2 – 229,9 230,0 – 406,5 406,6 – 761,0 761,1 – 1472,7 0,0222 0,0444 0,0667 0,0889 0,1111 0,1333 0,1556 0,1778 0,2000 Localização das escolas de ensino
fundamental, médio e superior.
0 - 100m 101 - 200m 201 - 300m 301 - 400m 401 - 500m 501 - 600m 601 - 700m 701 - 800m > 801m 0,0222 0,0444 0,0667 0,0889 0,1111 0,1333 0,1556 0,1778 0,2000
4.4. Integração das variáveis e cálculo dos cenários alternativos
O processo de integração das variáveis no modelo é desenvolvido através da álgebra de mapas, um recurso comum em aplicativos SIG. Mais que uma simples sobreposição entre camadas, a álgebra de mapas permite que sejam combinados diferentes dados matriciais em uma equação definida no modelo. Ao final é computada a superfície de custo acumulado, que representa o esforço ou a restrição que cada pixel da imagem oferece para que na posição por ele ocupada ocorra a implantação da ciclovia (Figura 4).
Figura 4 – Ilustração do processo de integração das variáveis para composição da superfície de custo acumulado. No presente estudo foram desenvolvidas duas configurações distintas de combinação dos dados, ou seja, dois diferentes cenários. Cada qual utilizando variáveis e pesos distintos, conforme as Equações 1 e 2. No cenário 1 procurou-se recorrer a todas as variáveis levantadas, onde a não priorização de variáveis clássicas como a declividade do terreno ou vias preferenciais possibilitou a participação de variáveis contextuais como proximidade de escolas e comércio local na solução do corredor. No cenário 2 foi adotada uma estratégia pautada na comodidade e menor esforço do ciclista, recorrendo apenas a vias com arborização e menores declividades:
𝑺𝒖𝒑𝒆𝒓𝒇í𝒄𝒊𝒆 𝒅𝒆 𝑪𝒖𝒔𝒕𝒐 𝟏 = 𝑨 + 𝑩 + 𝑪 + 𝑫 + 𝑬 + 𝑭 + 𝑮 + 𝑯 (1)
𝑺𝒖𝒑𝒆𝒓𝒇í𝒄𝒊𝒆 𝒅𝒆 𝑪𝒖𝒔𝒕𝒐𝟐 = 𝟑 × 𝑩 + 𝑪 (2)
em que A: predominância do uso dos imóveis por face de quadra; B: declividade do terreno;
C: arborização; D: iluminação; E: alimentação F: compras;
G: relação largura x saturação das vias; H: proximidade de escolas;
5. RESULTADOS E ANÁLISES 5.1. Superfícies de custo acumulado
Como resultado da integração das variáveis, o processo de álgebra de mapas resulta na superfície de custo acumulado, que é um produto matricial. A Figura 5 ilustra as superfícies de custo acumulado resultantes dos dois cenários calculados. As áreas escuras representam regiões com menor custo ou menor esforço para a implantação de ciclovias, e as áreas claras representam as regiões de alto custo. Nota-se a no cenário 1 a influência dos setores de comércio e serviço localizados na região central do bairro e na avenida ao norte com pixels escuros, ao passo que as demais vias passam a ter valores de custo mais elevados. No cenário 2 nota-se a influência das árvores definindo manchas escuras ao longo das vias, bem como a
os baixos valores de custo atribuídos a avenida ao norte devido a baixa declividade da mesma.
Figura 5 – À esquerda: superfície de custo acumulado computada para o cenário 1, no qual todas as 8 variáveis de entrada foram consideradas e com o mesmo peso. À direita: superfície de custo acumulado para o cenário 2, o
qual considerou apenas as variáveis declividade com peso igual a 3 e arborização com peso igual a 1.
5.2. Corredores de viabilidade
A partir da superfície de custo acumulado gerada através da computação ponderada das variáveis estudadas, foram calculados corredores que apresentam maior viabilidade para a implantação da ciclovia. Para tal, foram estabelecidos arbitrariamente pontos limítrofes à área de estudo, de modo que a conexão destes resulte em corredores que atravessem o bairro nos sentidos SE-NW (Setor Hospitalar - bairro Graça) e SW-NE (Centro - bairro Sagrada Família). O primeiro cenário (Figura 6) considerou todas as variáveis analisadas de maneira equivalente, de modo a agregar todos os aspectos estudados no processo de tomada de decisão. Entretanto, é possível observar características distintas entre os corredores obtidos: o SE-NW passa por vias largas de grande fluxo e áreas comerciais e o SW-NE por áreas residenciais com menor declividade. Tal aspecto evidencia a importância da análise do contexto, uma vez que a integração dos mesmos atores podem apresentar diferentes resultados. Vale ressaltar que o fato de considerar todas as variáveis e atribuir pesos similares fez com que esse cenário incluísse aspectos dos contextos social, cultural e econômico na região. Como resultante, os corredores se aproximaram mais das vias há concentração de comércio local, fator marcante para o CSS.
No segundo cenário (Figura 7), foi priorizada a passagem por locais com baixa declividade e alta densidade de arborização, parâmetros considerados de grande peso na tomada de decisão de rota pelos ciclistas, principalmente iniciantes, como ressaltam Segadilha e Sanches (2013). O maior peso atribuído à declividade resultou na passagem de grande parte do corredor SE- NW em um trecho de fundo de vale, como pode ser observado a partir da análise dos mapas de declividade do terreno apresentados anteriormente. A análise do corredor SW-NE evidencia a priorização da passagem por uma zona de cela na área central do bairro. Devido à alta densidade de arborização presente na área de estudo, esta variável não exerceu grande influência na configuração dos corredores.
Figura 6 – Corredores de maior viabilidade computados à partir da análise do menor custo do cenário 1 entre as direções opostas SE-NW (Setor Hospitalar - bairro Graça) e SW-NE (Centro - bairro Sagrada Família).
Figura 7 – Corredores de maior viabilidade computados à partir da análise do menor custo do cenário 2 entre as direções opostas SE-NW (Setor Hospitalar - bairro Graça) e SW-NE (Centro - bairro Sagrada Família).
6. CONCLUSÕES E CONSIDERAÇÕES FINAIS
O objetivo deste artigo foi a utilização de Sistemas de Informação Geográfica e Análise Multicritério como instrumentos de análise e modelagem das variáveis com intuito de maximizar a eficiência de implantação de projetos cicloviários, integrando simultaneamente no processo de decisão aspectos de diferentes contextos que influenciam na escolha de rota pelos ciclistas. A metodologia desenvolvida se mostrou adequada na medida em que os corredores de viabilidade obtidos através dos cenários estudados foram coerentes com os aspectos analisados. O modelo apresenta uma forma organizada, transparente e lógica de conduzir as análises e os cálculos necessários ao planejamento das ciclovias. A modelagem das variáveis e dos cenários através de inputs e análise multicritério permite estender o planejamento a atores da comunidade.
fato da inexistência de um projeto ativo na área de estudo para a validação do método. Entretanto, este se mostrou válido e altamente promissor na medida em que os corredores obtidos em cada cenário são coerentes com os dados de entrada analisados. O modelo aqui apresentado utilizou parâmetros extraídos da literatura e parâmetros determinados empiricamente através de observações de campo. Foram considerados os fatores que influenciam a tomada de decisão de rota pelos ciclistas, e a eles podem ser agregados outros dados que forem considerados relevantes para a maximização da eficiência de projetos distintos, adequando ainda mais a metodologia a cada contexto específico. Para estudos futuros, acredita ser pertinente sua aplicação em projetos cicloviários existentes, implantados ou em estudo, e a realização de análises comparativas entre os corredores de ambos, para que seja possível a validação do método.
Agradecimentos
Os autores agradecem ao CNPq e à FAPEMIG pelo auxílio no desenvolvimento da pesquisa. Ainda, agradecem à Empresa de Transportes e Trânsito de Belo Horizonte - BHTRANS, bem como à Empresa de Informática e Informação do Município de Belo Horizonte - PRODABEL pelo fornecimento dos dados utilizados na pesquisa. .
REFERÊNCIAS BIBLIOGRÁFICAS
Aljoufie, M.; Zuidgeest, M.; Brussel, M.; Vliet, J.; Maarseveen, M. (2013) A Cellular Automata-Based Land Use and Transport Interaction Model Applied to Jeddah, Saudi Arabia. Landscape and Urban Planning, v. 112, p. 89-99.
Batty, M.; Couclelis, H.; Eichen, M. (1997) Urban Systems As Cellular Automata. Environmental and Planning B, v.24, p. 159-164.
BRASIL (2007) Caderno Referência para a elaboração do Plano de Mobilidade. Ministério das Cidades, Brasília DF. 2015. <http://www.cidades.gov.br/images/stories/ArquivosSEMOB/Biblioteca/LivroPlano Mobilidade.pdf> Acesso em 20 de setembro 2016.
Federal Highway Administration – FHWA (2003) FHWA’s Course on Bycicle and Pedestrian Transportation. U.S. Department Of Transportation, 2003.
Monteiro, F. B.; Campos, V. B. G. (2011) Métodos de avaliação da qualidade dos espaços para ciclistas. XXV
ANPET Congresso de Pesquisa e Ensino em Transportes. Belo Horizonte, MG.
<http://aquarius.ime.eb.br/~webde2/prof/vania/pubs/2011/ciclistas-ANPET.pdf> Acesso em 20 setembro 2016.
Saaty, T. L. (1980) The analytic hierarchy process. McGraw-Hill, New York, NY, USA.
Sadasivuni, R.; R. A. A. Nóbrega; C. G. O’Hara E J. Dumas. (2009) Transportation Corridor Case Study for Multi-Criteria Decision Analysis. Proceedings of American Society of Photogrammetry and Remote Sensing 75th Annual Meeting, Baltimore, MD, USA.
Segadilha, A. B. P.; Sanches, S. P. (2014) Fatores que influenciam na escolha das rotas dos ciclistas: um panorama da literatura. Revista dos Transportes Públicos, v.36, p. 43 - 56.
Silveira, M. O.; Maia, M. L. A. (2012) Panorama sobre a bicicleta na literatura acadêmica de 2000 a 2011. XXVI
ANPET – Congresso de Pesquisa e Ensino em Transportes, Joinville, SC.
<http://redpgv.coppe.ufrj.br/index.php/pt-BR/producao-da-rede/artigos-cientificos/2012-1/659-bicicleta-revisao-2000-a-2011-anpet-2012/file> Acesso em 20 setembro 2016.
Sousa, P. B. (2012) Análise de fatores que influem no uso da bicicleta para fins de planejamento cicloviário. São Carlos, SP.
Souza, C. A. G. L.; Nóbrega, R. A. A. (2015) Análise Multicriterial e Geoprocessamento na caracterização do Context Sensitive Solutions. XXIX ANPET – Congresso de pesquisa e ensino em transportes. Ouro Preto, MG. Pôster.
Stich, B.; J. H. Holland; R. A. A. Nóbrega E C. G. O'Hara. (2011) Using multi-criteria decision making to highlight stakeholders values in the corridor planning process. Journal of Transport and Land Use, v. 4, p. 105-118.
