Universidade
Federal do ABC
Análise
da Relação entre a Precariedade
Habitacional
e Renda na RMBS
Profª
Drª Flávia Feitosa
Gabriel
Marques - 21055715
Gabrielle
Rosa - 21074015
Gilmara
Gonçalves - 11044913
SUMÁRIO
INTRODUÇÃO 3
2. CONCEITOS 4
3. METODOLOGIA DO TRABALHO 5
4. RESULTADOS E DISCUSSÃO 7
4. 1 REGRESSÃO CLÁSSICA 10
4. 2 REGRESSÃO ESPACIAL 13
4.2.1 SPATIAL ERROR 15
4.2.2 SPATIAL LAG 16
4.2.3 Regressão Espacial - Geographically Weighted Regression 18
5. COMPARAÇÃO DOS MÉTODOS 18
6. CONCLUSÃO 20
7. BIBLIOGRAFIA 21
1. INTRODUÇÃO
Desde sua formação, a partir da chegada dos portugueses, o território brasileiro é caracterizado por inúmeras desigualdades. Uma das primeiras configurações de divisão de terras brasileiras foram as capitanias, nas quais uma pequena parcela de nobres, nomeados pelo rei, se tornaram donos de grandes porções do território.
Posteriormente, em 1850, a Lei de Terras seguida da abolição da escravidão, fez com que a terra passasse a ser a condição de exercício do poder e controle da produção, sendo que os negros são então privados da possibilidade de adquirir um terreno (MARICATO, 1997).
Outro fator que pode ser associado a esse problema é o aumento da população urbana com o período de industrialização que, por consequência, aprofundou a dificuldade de diversas pessoas em adquirir moradia digna e de qualidade.
Relacionado a esses fatores remotos, mas que se desdobram em um dos problemas atuais mais recorrentes, o presente trabalho trata sobre a precariedade habitacional fazendo um recorte no país para análise da Região Metropolitana da Baixada Santista.
A área conta, ao todo, com 9 municípios: Bertioga, Cubatão, Guarujá, Itanhaém,
Mongaguá, Peruíbe, Praia Grande, São Vicente e Santos. Na região estão localizados o Parque Industrial de Cubatão, no qual as principais atividades industriais desenvolvidas são o refino de petróleo e álcool, fabricação de produtos químicos e metalurgia básica; além do maior complexo portuário da América do Sul: o Porto de Santos. Por conta da beleza das praias que se situam nos municípios, há grande oferta de serviços de turismo. Sendo assim, a análise tem por objetivo identificar as possíveis relações de variáveis de renda com os níveis de precariedade habitacional da região e tem a hipótese de que a precariedade está sim relacionada à baixa renda.
Na primeira seção, apresentaremos mais informações sobre a área de estudo, de maneira a caracterizar o perfil desse território e a definição dos conceitos relacionados ao tema do trabalho. Em seguida, apresenta-se a metodologia e a fonte dos dados coletados para a realização da análise. Por fim, será discutida e apresentada a análise exploratória desses dados, o modelo de regressão clássica e o modelo de regressão espacial.
2. CONCEITOS
Para que seja possível entender o propósito do trabalho e, principalmente, a escolha das variáveis, é preciso conceituar o que entendemos por precariedade habitacional, uma vez que este conceito pode ganhar dimensões extremamente amplas dependendo da interpretação pessoal.
Segundo Ministério das Cidades (2009), o conceito de assentamento precário envolve inúmeras tipologias que podem ser definidas da seguinte forma:
● Cortiços: Habitação coletiva constituída por cômodos alugados, sub alugados ou cedidos, superlotados e com banheiros de uso coletivo.
● Favelas: Aglomerado de domicílios auto-construídos, dispostos de forma desordenada, geralmente denso e carente de serviços públicos essenciais, ocupando terreno de propriedade alheia (pública ou particular).
● Loteamentos Irregulares de moradores de baixa renda: Ocupados por moradores de baixa renda, sem aprovação do poder público, geralmente caracterizado pela
auto-construção e pela ausência ou precariedade de infra-estruturas urbanas básicas.
● Conjuntos habitacionais produzidos pelo setor público que encontram-se em situação irregular ou de degradação
Além desses tipos, há casos de unidades habitacionais precárias isoladas que compõem o déficit habitacional.
3. METODOLOGIA DO TRABALHO
Pensando em indicadores para a precariedade habitacional, inicialmente buscamos analisar variáveis do Censo 2010 que pudessem caracterizar as tipologias de assentamentos precários acima indicadas. Além disso, foi considerada a utilização de indicadores de gravames ambientais, como áreas de conservação ambiental e declividade.
Num primeiro momento, o presente trabalho tinha a ideia de relacionar a precariedade habitacional com algumas variáveis socioeconômicas, que também seriam retiradas do Censo 2010, utilizando como base a Renda Média Domiciliar.
Decidiu-se então pela utilização e transformação das seguintes variáveis de forma que as mesmas estivessem padronizadas e atendessem aos nossos objetivos de análise:
● G_REND1 - RENDA MÉDIA DOMICILIAR
○ Total do rendimento nominal mensal dos domicílios particulares / Número total de domicílios particulares permanentes ou pessoas responsáveis por domicílios particulares permanentes
● G_REND3A - % PESSOAS COM RENDA ATÉ 3 SALÁRIOS MINÍMOS
○ Soma de variáveis correspondentes ao de pessoas responsáveis com rendimento nominal mensal de até 3 salários mínimos / domicílios particulares permanentes
● G_ABS - % DOMICÍLIOS SEM ABASTECIMENTO DE ÁGUA DA REDE GERAL
○ (Número total de domicílios particulares permanentes - domicílios particulares permanentes com abastecimento de água da rede geral) / domicílios particulares permanentes
● G_ SANIT - % DOMICÍLIOS SEM BANHEIRO/SANITÁRIO
○ Domicílios particulares permanentes sem banheiro de uso exclusivo dos moradores e nem sanitário / domicílios particulares permanentes
● G_LIXO - % DOMICÍLIOS SEM COLETA DE LIXO
○ Domicílios particulares permanentes com lixo coletado / domicílios particulares permanentes
● G_LUZ - % DOMICÍLIOS SEM ENERGIA ELÉTRICA
○ Domicílios particulares permanentes sem energia elétrica / domicílios particulares permanentes
● G_ILUM - % DOMICÍLIOS SEM ILUMINAÇÃO PÚBLICA
○ Soma dos domicílios particulares permanentes próprios, cedidos e alugados sem iluminação pública
● G_PAV - % DOMICÍLIOS SEM PAVIMENTAÇÃO
○ Soma dos domicílios particulares permanentes próprios, cedidos e alugados sem pavimentação
● G_DREN - % DOMICÍLIOS SEM BUEIRO/BOCA DE LOBO
○ Soma dos domicílios particulares permanentes próprios, cedidos e alugados sem bueiro/boca de lobo
● G_ESG - % DOMICÍLIOS COM ESGOTO A CÉU ABERTO
○ Soma dos domicílios particulares permanentes próprios, cedidos e alugados com esgoto a céu aberto
Após a montagem do banco de dados com as variáveis escolhidas, a partir do Software SPSS, foi realizada tanto a análise exploratória dos dados quanto a aplicação do modelo Regressão Clássica.
Para a regressão, foram testados os métodos “backward” e “stepwise”, sendo que os resultados não foram muito diferentes. Sendo assim, optamos pelo método “backward”.
No entanto, os resultados da Regressão Clássica feita com as variáveis de precariedade especificadas acima relacionadas à variável de renda média domiciliar, não foram satisfatórios. Apesar da correlação entre as variáveis de renda e de precariedade ser negativa como o esperado, os resultados não possibilitaram uma boa análise, além de apresentarem problemas como a homocedasticidade.
Dessa forma, foi realizada novamente a regressão, dessa vez utilizando as mesmas variáveis de precariedade e mesmo método, mas relacionados com a porcentagem de domicílios com rendimento mensal de até 3 salários mínimos, faixa de renda na qual está concentrado o maior déficit habitacional. Neste modelo, as variáveis correspondentes à sanitário, coleta de lixo, energia elétrica e iluminação pública foram excluídas.
Por fim, realizou-se a partir de técnicas no Software GWR4 e no Software GeoDa o modelo de Regressão Espacial com o método GWR e os resultados foram apresentados a partir de mapas gerados no Software Qgis.
4. RESULTADOS E DISCUSSÃO
Como citado acima, algumas variáveis foram excluídas pelo modelo de Regressão Clássica. Sendo assim, apresentaremos aqui apenas a análise exploratória correspondente aos dados que permaneceram no modelo, uma vez que o restante não é significativo para a análise.
Figura 2 - Esquema do modelo, variáveis analisadas. Fonte: elaboração própria.
Na Tabela 1 abaixo, podemos observar como se comportam tais variáveis do nosso modelo de acordo com os nove municípios da Região Metropolitana da Baixada Santista.
Como podemos observar, a porcentagem de domicílios sem abastecimento de água é baixa em todos os municípios, os números de pavimentação são bastante diversos, assim como os de esgoto e drenagem (que já apresenta alguns valores mais altos). Analisando as médias da renda por municípios, percebe-se que Bertioga e Itanhaém possuem as maiores proporções de pessoas responsáveis com renda até 3 salários mínimos, Santos possui a menor média, indicando renda acima da média da
região. Entretanto, a média da RMBS de pessoas com renda até 3 salários mínimos de 56,72%. Os resultados estão expostos na tabela abaixo:
Tabela 1 - Média das variáveis do modelo, segundo município
MÉDIA
MUNICÍPIOS ABASTECIMENTO
PAVIMENTAÇÃ
O ESGOTO DRENAGEM RENDA
BERTIOGA 10.46% 62.04% 18.69% 62.61% 62.52% CUBATÃO 13.56% 0.29% 0.61% 5.95% 61.18% GUARUJÁ 6.18% 12.88% 2.93% 17.18% 59.92% ITANHAÉM 11.97% 33.62% 21.51% 77.65% 61.84% MONGUAGUÁ 3.35% 13.45% 28.78% 79.36% 60.68% PERUÍBE 14.07% 19.33% 18.40% 58.77% 62.17% PRAIA GRANDE 0.73% 4.18% 2.61% 17.33% 57.16% SANTOS 1.55% 1.28% 1.10% 11.72% 45.24% SÃO VICENTE 1.02% 5.63% 4.62% 13.91% 60.98% OBS:
% DOMICÍLIOS SEM ABASTECIMENTO DE ÁGUA DA REDE GERAL % DOMICÍLIOS SEM PAVIMENTAÇÃO
% DOMICÍLIOS COM ESGOTO A CÉU ABERTO % DOMICÍLIOS SEM BUEIRO/BOCA DE LOBO
Figura 3 - As variáveis de precariedade habitacional e a renda na RMBS. Fonte: elaboração própria - dados do IBGE.
Os dados da Tabela 1 e o mapas da Figura 3 ilustram a distribuição das variáveis de precariedade habitacional e de renda na RMBS. Observa-se que os municípios de Peruíbe, Itanhaém e Bertioga possuem os piores índices de precariedade e também são os que apresentam maior proporção de pessoas responsáveis com renda de até 3 salários mínimos, mesmo que esse valor esteja muito próximo aos demais. A comparação dos valores das variáveis entre os municípios é surpreendente em alguns casos, como a porcentagem (13,56%) de domicílios sem abastecimento de água pela rede geral em Cubatão e a porcentagem (62,04%) de domicílios sem pavimentação no entorno em Bertioga, por exemplo, que possui bons índices nos demais fatores de infraestrutura.
O mapa de renda da RMBS nos mostra a maior concentração de domicílios com baixa renda, sobretudo, nos setores censitários de Itanhaém, Peruíbe, Bertioga e Cubatão.
4. 1 REGRESSÃO CLÁSSICA
Analisando a Tabela 2, que ainda considerava todas as variáveis inseridas no modelo, podemos perceber que justamente os dados que permaneceram no modelo são os que apresentam maior correlação (e de maneira significativa) com a renda.
Em relação às variáveis consideradas para o modelo de Regressão Clássica, as correlações mais fortes, e positivas, observadas foram entre pavimentação e drenagem (0,571), pavimentação e esgoto (0,473) e esgoto e drenagem (0,453).
Na Regressão Clássica obtivemos os seguintes resultados:
Equação 1 - Equação da reta para o modelo de regressão clássica
0, 44
, 01 Abast.
, 01P av.
, 001Dren.
, 01Esg.
Renda
3 salário mín= 5
+ 0 0
+ 0 0
+ 0 0
+ 0 0
1O R quadrado não atingiu um número extremamente alto, explicando apenas 9,1% da realidade. No entanto, esse valor pode ser considerado representativo uma vez que levamos em conta a dificuldade de representar com um modelo estatístico a situação de precariedade habitacional que envolve análises extremamente complexas e, muitas vezes, imensuráveis.
Um problema que deve ser destacado a partir dos valores obtidos na tabela acima é a existência de autocorrelação entre as variáveis que fica explicitada a partir do valor do teste de Durbin-Watson, que aproxima-se do zero, enquanto o ideal seria próximo a dois.
Com a tabela ANOVA abaixo, devemos destacar o valor crescente do F, que demonstra a melhoria do modelo de uma situação para a outra e o nível de significância que nos permite rejeitar a hipótese nula de que a média é melhor do que o modelo.
Na tabela de coeficientes, podemos observar a partir do coeficiente padronizado beta que os valores referentes ao abastecimento são os que têm a maior importância para a produção do modelo.
O histograma gerado a partir dos resíduos nos permite realizar algumas análises. O formato apresentado pelo gráfico difere de uma normal mas está bem próximo dela, o que nos mostra pequena assimetria entre os resíduos.
Por fim, podemos observar a partir do gráfico de dispersão entre os resíduos padronizados e os valores previstos padronizados a presença de heterocedasticidade nos dados, uma pequena linearidade e a presença de outliers.
4. 2 REGRESSÃO ESPACIAL
A partir da análise dos resíduos da regressão clássica é possível verificar se existe ou não independência espacial dos resíduos, lembrando que uma das condições da regressão clássica é a não correlação dos resíduos.
O índice de Moran tem como hipótese nula de que não há correlação espacial. Ao analisar os resíduos do
modelo, identifica-se uma significante dependência espacial dos resíduos. Com um índice de Moran de 0,48, o qual podemos descartar a hipótese nula com confiança de 99,9%.
Os resíduos também foram espacializados conforme a figura abaixo:
Figura 4 - Análise dos resíduos da regressão clássica. Fonte: Elaboração própria.
Os setores marcados em vermelho (high-high) são os que possuem valores maiores do que os previstos pelo modelo e os azuis (low-low) são os que os valores observado são menores do que os previstos pelo modelo.
Como os resíduos estão espacialmente correlacionados é possível aplicar a regressão espacial.
Foram utilizados dois tipos de modelos de regressão espacial, o Spatial Error e o Spatial Lag. O spatial error atribui autocorrelação espacial aos erros dos vizinhos e o spatial lag atribui autocorrelação à média da variável dependente dos vizinhos. Para ambos, foi utilizada uma matriz de vizinhança do tipo queen de grau 2.
4.2.1 SPATIAL ERROR
Esse modelo de regressão assume que variáveis que não estão sendo consideradas no modelo, são importantes e afetam a inferência sobre as mudanças na variável dependente. Por exemplo, a variação da renda poderia ser explicada utilizando alguma outra variável, além das variáveis de precariedade habitacional.
Equação 2 - Equação da reta para o modelo de regressão espacial - spatial error
0, 8 , 0059 Abast. , 0045P av. 0 Dren. , 0023Esg , 8W .દ
Renda3 salário mín = 5 + 0 0 + 0 0 − 8 * 1 −5 + 0 0 + 0 8
onde, W.દ é o erro com efeitos espaciais.
Utilizando o spatial error, o modelo passou a explicar 54,9% da relação entre a renda e as variáveis de precariedade habitacional. Além disso, podemos perceber como a renda e o erro dos vizinhos são muito mais significativos do que as demais variáveis para a explicação da precariedade.
A análise dos resíduos deste modelo, permite verificar se a inclusão do espaço removeu ou não a correlação entre os resíduos, e como observa-se na figura 5 abaixo, os resíduos do modelo de regressão spatial error ainda possuem uma pequena autocorrelação.
Figura 5 - Análise dos resíduos do modelo de regressão spatial error. Fonte: Elaboração própria.
4.2.2 SPATIAL LAG
O modelo de regressão spatial lag, considera que as ocorrências em uma localização interferem nas ocorrências dos seus vizinhos. Para o nosso modelo, isso significa que a renda de um setor interfere na renda do setor vizinho.
Equação 3 - Equação da reta para o modelo de regressão espacial - spatial lag
0, 75 , 0052 Abast. , 004P av. , 001Dren. , 0027Esg , 6W .Y
Renda3 salário mín = 0 + 0 0 + 0 0 − 0 0 + 0 0 + 0 8
O modelo de regressão spatial lag não teve mudanças significativas em comparação com o spatial error. O modelo permaneceu explicando 54,4% e os índices Akaike e Log likelihood pioraram. Assim como no modelo spatial error, as variáveis de renda e, nesse caso, os valores dos vizinhos, acabam sendo mais significativos na tentativa de explicar a precariedade do que as próprias variáveis escolhidas.
Figura 6 : Análise dos resíduos do modelo spatial lag. Fonte: Elaboração própria.
Analisando a figura 6, percebe-se que neste modelo os resíduos não possuem mais autocorrelação significativa (índice de Moran de 0,0091).
4.2.3 Regressão Espacial - Geographically Weighted Regression
Os resultados da regressão ponderada geograficamente, indicam que há problemas com o modelo. O valor para o R² é de 0,99, e os valores de Akaike e log likelihood são muito próximos, o ideal seria um valor mais alto para o log likelihood e valores menores para o Akaike. Observamos que a largura de banda que o modelo considerou está incluindo todos os setores como vizinhos. As análises dos resíduos, dos betas e da estatística T encontram-se anexo a este trabalho.
5. COMPARAÇÃO DOS MÉTODOS
Tabela 3 - Síntese dos modelos de regressão
Betas
Regressão Clássica
Regressão Espacial Spatial Error Spatial Lag Constante 0,544 0,58 0,075 Abastecimento 0 0, 01 0,00059 0,00052 Pavimentação 0 0, 01 0,00045 0,0004 Drenagem 0 0, 001 -0,000008 -0,0001 Esgoto 0 0, 01 0,00023 0,00027 Lambda 0,88 Ro 0,86
No modelo de regressão clássica, percebe-se que as variáveis de esgoto e de abastecimento de água são as que provocam maior alteração na variável renda.
Equação 1 - Equação da reta para o modelo de regressão clássica
0, 44
, 01 Abast.
, 01P av.
, 001Dren.
, 01Esg.
Renda
3 salário mín= 5
+ 0 0
+ 0 0
+ 0 0
+ 0 0
Quando utilizado os modelos de regressão espacial, temos o fator que considera o espaço no modelo como a principal variável que influencia na renda.
Equação 2 - Equação da reta para o modelo de regressão espacial - spatial error
0, 8 , 0059 Abast. , 0045P av. 0 Dren. , 0023Esg , 8W .દ
Renda3 salário mín = 5 + 0 0 + 0 0 − 8 * 1 −5 + 0 0 + 0 8
onde, W.દ é o erro com efeitos espaciais
Equação 3 - Equação da reta para o modelo de regressão espacial - spatial lag
0, 75 , 0052 Abast. , 004P av. , 001Dren. , 0027Esg , 6W .Y
Renda3 salário mín = 0 + 0 0 + 0 0 − 0 0 + 0 0 + 0 8
onde, WY expressa a dependência espacial em Y. Obs: A variável renda varia de 0 a 1.
Tabela 4- Síntese dos resultados da análise de regressão Testes Regressão
Clássica
Spatial Error Spatial Lag GWR
R² 0,091 0,549 0,544 0,99
Log likelihood 1008,3 1924,7907 1919,2 64240,228246
Akaike -2006,61 -3839,58 -3826,4 64262,268959
Avaliando-se os testes dos modelos, é possível verificar que os modelos de regressão espacial descrevem melhor a relação entre a renda e as variáveis de precariedade habitacional. Entretanto, há pouca diferença entre os métodos de spatial error e spatial lag. O modelo de regressão spatial error apresenta apenas uma pequena melhora dos testes de R², Log likelihood e de Akaike.O modelo de regressão GWR aparenta apresentar problemas.
6. CONCLUSÃO
A partir de todos os dados e informações gerados e analisados, podemos perceber a dificuldade encontrada em gerar um modelo estatístico que consiga explicar a complexidade da existência da precariedade habitacional. Isso fica evidente a partir dos números e dos gráficos gerados no modelo de Regressão Clássica.
Para o modelo de Regressão Espacial, estes valores já melhoram consideravelmente, o que também é compreensível, uma vez que o modelo se adapta para explicar as diferentes territorialidades das informações.
A hipótese que havia sido levantada no início do trabalho era a de que a precariedade está relacionada com a baixa renda. No entanto, percebemos que as variáveis selecionadas não são suficientes para explicar essa situação, sendo que, a renda é fator preponderante na explicação e, apesar da lógica ideal de que o espaço não deveria ser determinante, a espacialidade é fator muito mais significativo na análise.
Além da dificuldade de obter informações utilizando apenas as variáveis selecionadas como referência, há também a presença dispersa de precariedade em diversos locais da região, com foco para o município de Itanhaém, o que pode ser explicado por duas hipóteses: a falta de infraestrutura devido à falta de investimento do Estado na melhoria das condições habitacionais, ou a falta de infraestrutura devido à baixa ocupação da região, sobretudo próximo à área de preservação ambiental na serra do mar.
7. BIBLIOGRAFIA
BRASIL / Ministério das Cidades. DENALDI, R. (Org.). Ações integradas de urbanização de assentamentos precários. Brasília: Ministério das Cidades, 2009. IBGE. Base de informações do Censo Demográfico 2010: Resultados do Universo por município. Rio de Janeiro, 2011.
MARICATO, Ermínia. Habitação e Cidade. São Paulo: Atual, 1997.
Notas de Aula. Prof. Dra. Flávia F. Feitosa. Métodos e Técnicas de Análise da Informação para o Planejamento, 2017.
ANEXO