Regionalizações e desigualdades espaciais
∗Raphael de Freitas Saldanha♣ Luiz Fernando Soares de Castro♦ Antônio Fernando de C. A. Beraldo♠
Palavras-chave: regionalização; modelos estatísticos; dados censitários; estatísticas sociais.
Resumo
As regionalizações urbanas dificilmente acompanham as mudanças socioeconômicas da sociedade, retratando as suas heterogeneidades e nuances espaciais, e, por vezes, mascarando dados de levantamentos e pesquisas que utilizam estas regionalizações como forma de agregação de dados. Este trabalho procura, assim, estudar o espaço urbano de Juiz de Fora - MG sob o lume de técnicas e modelos estatísticos espaciais e multivariados, com os dados do Censo Demográfico 2000, comparando os resultados com a atual regionalização urbana oficial.
∗
Trabalho apresentado no XVI Encontro Nacional de Estudos Populacionais, realizado em Caxambu- MG – Brasil, de 29 de setembro a 03 de outubro de 2008.
♣
Universidade Federal de Juiz de Fora – Depto. de Geociências. ♦
Universidade Federal de Juiz de Fora – Depto. de Geociências. ♠
Regionalizações e desigualdades espaciais
∗Raphael de Freitas Saldanha♣ Luiz Fernando Soares de Castro♦ Antônio Fernando de C. A. Beraldo♠
Introdução
A velocidade atualmente observada das mudanças nos sistemas urbanos, em todas as escalas geográficas, não tem precedentes históricos (Longley, 2004). Destarte, o seu estudo e conhecimento se tornam mais do que indispensáveis para os avanços sociais necessários.
As regionalizações espaciais, utilizadas freqüentemente como agregadora de dados estatísticos sócio-demográficos, são importantes pontos de partida para a atuação do poder público sobre a sociedade. É através destes que, mais comumente, se tem acesso aos diversos dados levantados e pesquisas, representando, como em um mosaico de regiões e divisões, a realidade social mensurada, sintetizando a realidade e seus constituintes.
Contudo, observa-se que estas divisões, muitas vezes, não acompanham a velocidade das mudanças sociais, que reconfiguram e remodelam o espaço continuamente. Tal dinâmica pode acarretar, em divisões espaciais ultrapassadas, uma homogeneização indevida de seus dados, escondendo diversidades e extremos, através de simples médias e somatórios. As sutilezas das transições sócio-demográficas e geográficas como um todo, tanto longitudinalmente como espacialmente, não observam limites administrativos, rígidos e impostos. A suavidade de suas mudanças é que deve determinar as divisões arbitrárias, tão necessárias para a compreensão do fenômeno, não se esperando o contrário.
Desta forma, o acompanhamento dos fenômenos sócio-demográficos deve ser feito constantemente, revisando-se, através dos dados originais coletados, os sumários das regiões e as próprias regiões. Atualmente, com o avanço dos recursos computacionais e técnicos, esta dinâmica começa a ser possível, utilizando os Sistemas de Informações Geográficas aliados a análises estatísticas.
A junção dos Sistemas de Informações Geográficas (SIGs) e das análises espaciais se deu com a construção das matrizes de dados espaciais (Goodchild, 2004). Através de tais matrizes, podem-se obter grandes volumes de informação sobre qualquer feição espacial em um curto espaço de tempo, e operar análises estatísticas que considerem o importante caráter espacial e não estacionário dos dados, revisando praticamente toda a aplicação das estatísticas de métodos tradicionais no campo da Geografia.
∗
Trabalho apresentado no XVI Encontro Nacional de Estudos Populacionais, realizado em Caxambu- MG – Brasil, de 29 de setembro a 03 de outubro de 2008.
♣
Universidade Federal de Juiz de Fora – Depto. de Geociências. ♦
Universidade Federal de Juiz de Fora – Depto. de Geociências. ♠
Naturalmente, deve-se considerar que, para a comparação temporal de regiões espaciais, ainda é recomendado a utilização de uma só versão de limites, a não ser que seja viável a aplicação de métodos como o MAUP2 (Unwin, 1996) ou de interpolações de superfície, ignorando as divisões.
Desta forma, uma análise das condições demográficas e sócio-econômicas, utilizando SIGs e as técnicas de estatística multivariada, geograficamente referenciadas, pode fornecer novas e mais eficazes divisões do espaço urbano, que atendam às necessidades de planejamento.
Para tal, neste trabalho, foram utilizadas técnicas para se traçar perfis sócio-econômicos, como Análise Multivariada, Análise de Componentes Principais (Principal
Components Analysis - PCA), Regressões Lineares Simples e Geográficas (Brunsdon e
Fotheringham, 1998) e um método de Classificação Multivariada por Partição (k-means), conforme sugerido por (Carvalho, 1997), utilizando amplamente o pacote estatístico R (R Development Core Team, 2005), aplicadas à cidade de Juiz de Fora – MG.
Através destas técnicas, obteve-se, por fim, uma modelagem da renda e da educação por seus principais preditores na cidade, antecedida por um extenso estudo das variáveis disponíveis no Censo Demográfico 2000 (IBGE, 2003), como pode ser visto na metodologia exposta a seguir, subsidiando um profundo conhecimento da urbes, suas características e distribuições.
Metodologia
O objetivo geral deste trabalho foi o estudo da heterogeneidade espacial de diversos dados demográficos na cidade de Juiz de Fora a partir dos dados coletados no Censo Demográfico 2000, tendo como objetivos específicos, analisar o comportamento destas variáveis espacialmente e a suas relações, indicando uma nova configuração regional com base nestas características, evidenciando discrepâncias antes mascaradas por antigas divisões.
Para o cumprimento destes objetivos, diversos métodos estatísticos foram demandados devido a complexidade dos dados e a própria complexidade urbana. Assim, tem-se o seguinte ordenamento metodológico:
1. Descarte e preparação dos dados: Descarte de variáveis e preparação dos dados, agrupando-os em conjuntos relacionados.
2. Análise Exploratória espacial: Conhecimento do comportamento dos dados de forma independente;
3. Análise de Componentes Principais: Seleção das principais variáveis do banco de dados;
4. Regressão Ordinária Simples e Geographically Weighted Regression: Estudo mais profundo das correlações das variáveis selecionadas segundo a renda e a escolaridade;
2
5. Algoritmo de Clustering K-means: Regionalização segundo o comportamento das variáveis elencadas.
Para a aplicação destas técnicas, os seguintes softwares foram utilizados:
• ArcGIS, versão 9.0 (ESRI, 2004): formatação inicial do banco de dados e mapas;
• R, versão 2.2.1 (R Development Core Team, 2005): formatação final do banco de dados, Análise Exploratória, regressões (OLS e GWR) e clustering k-means. Sendo que, no software R, os sequintes pacotes adicionais foram utilizados:
• Foreign (R DEVELOPMENT CORE TEAM; DEBROY; BIVAND, 2005): Importação de dados;
• Maptools (LEWIN-KOH et al., 2006): Importação de arquivos tipo shapefile; • Pastecs (IBANEZ; GROSJEAN; ETIENNE, 2006): Análise exploratória de
dados;
• Sp (PEBESMA; BIVAND, 2005): Métodos e classes para utilização dos dados espaciais;
• Spgwr (BIVAND; YU, 2006): Aplicação da Geographically Weighted
AS
Resultados
Todas as etapas metodológicas retornaram importantes resultados para a pesquisa. Na primeira etapa, um grande arcabouço sobre a situação sócio-econômica da cidade foi formado, enquanto que, na segunda etapa, a verificação das variáveis mais significantes viabilizou as próximas etapas de investigações mais profundas, colocadas a seguir.
Análise de Componentes Principais
A Análise de Componentes Principais (PCA) se mostrou eficiente na redução da dimensionalidade dos dados: após a interpretação da PCA, das 37 variáveis originais, concluiu-se que 18 variáveis conseguem explicar 79,51%3 da variância de todos os dados. Dessa forma, a dimensionalidade foi reduzida em 48,65%.
Modelos Lineares e Geographically Weighted Regression
Duas formas de modelagem linear foram utilizadas: primeiramente as Regressões Lineares Simples, ou OLS (Ordinary Least Squares), e posteriormente as Regressões Ponderadas Geograficamente , ou GWR (Geographically Weighted Regression), dando-se preferência as variáveis indicadas pela PCA.
A necessidade de dois tipos de modelagem se dá pela conhecida não-heterogeneidade espacial dos dados, que apesar de poderem indicar um comportamento geral na OLS, revelam, com a GWR, comportamentos distintos espacialmente.
Características da escolaridade
Após várias combinações, o melhor modelo retornou um R² de 0,96 (em média), com um baixo Intercept, concluindo que, na cidade de Juiz de Fora, o número de anos de estudo está associado a:
• Abastecimento de água via rede geral; • Domicílios com 1 a 4 moradores;
3
Em média.
Tabela 2:
Redução da dimensionalidade
• Menores proporções de adultos; • Ensino superior;
• Renda de 5 a 10 salários mínimos.
Ao se comparar os resultados deste modelo linear, com a mesma modelagem pela GWR, observa-se que a média de todos os coeficientes é praticamente igual a da OLS, tão como a variação do R² é muito pequena. Isto indica que o modelo mantém o mesmo bom desempenho (R ≈ 0,96) para toda a cidade, mantendo-se as conclusões da OLS. Ou seja, as variáveis preditoras do modelo conseguem explicar a variável dependente em todo o espaço de forma igual.
Características da renda
Considerando os resultados da OLS e a distribuição da GWR, conclui-se que o modelo tem um comportamento próximo ao da escolaridade, sendo representativo também em toda cidade.
Observou-se, assim, que a renda na cidade de Juiz de Fora está associada a: • Domicílios com 1 a 4 moradores;
• Ensino médio ou segundo grau; • Renda superior a 20 salários mínimos. Análise de clusters
As variáveis que alimentaram o algoritmo k-means foram as utilizadas nos modelos lineares finais. Assim, o comportamento e a individualização de áreas segundo estas variáveis foi estudado, considerando-se o nível associativo das mesmas com a renda e com o número de anos de estudo, posto que este conjunto de variáveis4 foi o que se mostrou com o maior poder explicativo.
O algoritmo de clustering k-means se apresentou eficiente na separação dos setores censitários segundo as variáveis indicadas pelos processos anteriores, tendo sido rodado com 4 variações de agregação (2, 4, 5 e 6 agrupamentos).
Observou-se que o processo de clustering com dois agrupamentos apresenta distinções entre áreas urbanizadas e rurais, enquanto o com quatro agrupamentos indica a divisão da cidade em grandes áreas, enquanto que o processo com cinco revela distinções entre essas grandes áreas. O processo de clustering com seis agrupamentos pode ser uma etapa inicial da divisão da cidade em bairros, o que não foi o foco deste trabalho.
Desta forma, o clustering que se mostrou mais eficiente foi o de cinco agrupamentos (mapas 1 e 2), revelando distinções da porção central da cidade e formação de cinturões, tendo os perfis dos agrupamentos descritos a seguir.
4
• Cluster 1: Descreve a área mais periférica da cidade, com domicílios ocupados por 1 a 4 moradores, predominantemente adultos;
• Cluster 2: Associado as variáveis de saneamento básico e baixos valores de renda e escolaridade;
• Cluster 5: Comportamento semelhante ao cluster 2, porém apresentando uma maior intensidade nas variáveis de renda e escolaridade;
• Cluster 3: Associado as variáveis de saneamento, renda e escolaridade, em geral, de forma mais homogênea, atingindo baixos valores com rendas altas; • Cluster 4: Associado com relativa força as variáveis de ensino superior e
rendas superiores a 20 salários mínimos.
Comparação dos resultados com outras regionalizações
Confrontando-se os clusters gerados pelo processo de 5 aglomerações com as regiões urbanas atuais da cidade, definidas em seu Plano Diretor (Prefeitura de Juiz de Fora, 2000); nota-se que algumas das regiões urbanas abraçam áreas bem distintas, principalmente as regiões urbanas 55 (Centro), 40 (São Mateus), 75 (Santa Terezinha) e 81 (Cascatinha).
Cabe ressaltar que tais áreas apresentam uma dinâmica urbana muito intensa, de profundas e rápidas modificações, onde os processos de regionalização tendem a se desatualizarem muito rapidamente. Neste caso, o processo de clustering foi realizado sem se considerar acepções e pressupostos de um conhecimento empírico, utilizando-se apenas de meios estatísticos e científicos com base em variáveis selecionadas através da metodologia própria. Por tanto, tendo em vista as diferenças observadas neste trabalho, como já apontado em Saldanha, R. F., Amaral, T. O., Magalhães, M. C., e Mazetto, F. A. P., 2005; e Saldanha, R. F. e Mazetto, F. A. P., 2005; não se recomenda a agregação de dados com fins estatísticos nas atuais Regiões Urbanas. Estas necessitam de revisões, principalmente quando da divulgação dos dados do Censo 2010, para atenderem critérios estatísticos de agregação.
Mapa 1:
Mapa 2:
Considerações finais
Entende-se que o espaço geográfico, concorrendo com o tempo, é o palco das ações humanas e das transformações sociais, que variam segundo o tempo e o lugar. Assim, a divisão formalizada da cidade, presa a “máquina administrativa” e a legislação, tende invariavelmente a não acompanhar a dinâmica da paisagem urbana, seja por novas necessidades ou pelas modificações sócio-econômicas do espaço.
Para a compreensão científica deste imenso grau de variabilidade que o espaço possui, apenas técnicas estatísticas e informacionais aplicadas ao conhecimento geográfico podem dar conta de uma compreensão mais completa da realidade. Daí a importância de se reunir as diversas técnicas, integrá-las e mesclá-las. Assim, atendendo aos objetivos de análise das condições demográficas e sócio-econômicas como subsídios a novas e mais eficazes divisões do espaço urbano, as técnicas de Análise Multivariada e de Sistemas de Informações Geográficas foram empregadas, dado o poder destas em simplificar a compreensão de grandes volumes de dados em informações.
Torna-se claro, após as ponderações investidas nesse trabalho, que o espaço, compreendido como geográfico, se revelou heterogêneo, não-estacionário, variado em diversos graus e nuances. Assim, o espaço, e tudo que nele se desenvolve, não pode mais ser encarado como uma simples distribuição aleatória, onde tudo e todos têm, desde o princípio, as mesmas possibilidades e meios.
As análises e ponderações deste trabalho, mesmo que não específicas e aprofundadas, subsidiam uma conclusão acerca da realidade do espaço urbano juizforano. O comportamento de praticamente todas as variáveis demonstrou claramente uma grande distinção entre a porção central da cidade e a área periférica.
Tem-se uma porção central proeminente, porém, distinta entre si. As geografias deste centro se mostras diversas e heterogêneas, com áreas onde as configurações das interrelações entre as variáveis investigadas variam, mesmo que, em suma, tenha-se uma região privilegiada em termos de renda e educação.
Em oposição a essa porção central, se revela uma áurea periférica na cidade, com condições sócio-economicas diferenciadas com o centro e entre si. Estas áreas influenciam em muito nas análises estatísticas, principalmente nas tradicionais, podendo-se comportar como verdadeiros outliers das variáveis investigadas, o que indica uma premente necessidade de revisão da chamada área urbana de Juiz de Fora. Cabe esclarecer que as variáveis investigadas não são próprias para se revelar diretamente se uma área é urbana ou rural, mas refletem, com propriedade, características opostas não encontradas com tamanha associação e participação nas áreas mais centrais.
De forma geral, observou-se que a utilização de regionalizações ultrapassadas, e de escalas traçadas para outros fins, como administrativos, tendem a homogeneizar indevidamente os dados, extrapolando a perda aceitável de informações inerente ao processo, mascarando, nas regiões, setores de diferentes composições sócio-econômicas. Tal redução pode implicar em inúmeras imprecisões na divulgação e análises de pesquisas e levantamentos que utilizem está regionalização oficial, comprometendo, principalmente a análise de dados sócio-econômicos ou demográficos.
Desta maneira, este trabalho, ao mostrar as diferenciações urbanas de Juiz de Fora, pôde contribuir na indicação de novas diretrizes para uma nova regionalização.
Acredita-se que, também em virtude da dinâmica das transformações urbanas, novos trabalhos a serem realizados poderão e deverão utilizar mais variáveis e formular outros modelos, aumentando o conhecimento do espaço e das relações sociais, econômicas e culturais da sociedade - em síntese, o objetivo da Geografia.
Referências bibliográficas
Bivand, R. e Yu, D. spgwr: Geographically weighted regression. R package version 0.3-12, 2006.
Brunsdon, C., Fotheringham, S., e Charlton, M. Geographically weighted regression - modelling spatial non-stationarity. The Statistician, 47(3), 1998.
Carvalho, M. S. e Souza-Santos, R. Perfil de risco: método multivariado de classificação sócio-econômica de microáreas urbanas - os setores censitários da região metropolitana do Rio de Janeiro. Cadernos de Saúde Pública, 13(4), 1997.
ESRI. ArcGIS Desktop help. ESRI, Redlands, 2004.
Fotheringham, A. S., Brunsdon, C., e Charlton, M. Geographically Weighted Regression: the analysis of spatially varying relationships. John Wiley & Sons, West Sussex, 2002. Goodchild, M. F. e Haining, R. P. GIS and spatial data analysis: converging perspectives. Papers in Regional Science, 83:363–385, 2004.
IBGE. ESTATCART: Sistema de recuperação de informações georreferenciadas. Rio de Janeiro: IBGE, 2003. 1 CD-ROM. Versão 2.0.
Lewin-Koh, N. J., Bivand, R., contributions by Edzer J. Pebesma, Hausmann, P., Rubio, V. G., e Jagger, T. maptools: tools for reading and handling shapefiles. R package version 0.5-12, 2006.
Longley, P. A. e Tobon, C. Spatial dependence and heterogeneity in patterns of hardship: na intra-urban analysis. Anais da Association of American Geographers, 94(3), 2004.
Pebesma, E. J. e Bivand, R. S. Classes and methods for spatial data in R. R News, 5(2):9– 13, 2005.
Prefeitura de Juiz de Fora. Plano diretor de desenvolvimento urbano: Diagnóstico e proposições. PJF, Juiz de Fora, 2000.
R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, 2005.
R Development Core Team, DebRoy, S., e Bivand, R. foreign: Read Data Stored by Minitab, S, SAS, SPSS, Stata, Systat, dBase, ... R package version 0.8-12, 2005.
Saldanha, R. F., Amaral, T. O., Magalhães, M. C., e Mazetto, F. A. P. Incidência da diarréia infantil na área urbana de Juiz de Fora, MG. Anais do II Simpósio Nacional de Geografia da Saúde, 2005.
Saldanha, R. F. e Mazetto, F. A. P. Elaboração e utilização de uma base cartográfica digital de endereços e suas aplicações na Geografia da Saúde: o caso de Juiz de Fora - MG. Anais do II Simpósio Nacional de Geografia da Saúde, 2005.
Unwin, D. J. GIS, spatial analysis and spatial statistics. Progress in Human Geography 20(4), 1996.
