UNIVERSIDADE FEDERAL DE SANTA CATARINA CENTRO TECNOLÓGICO
DEPARTAMENTO DE SANITÁRIA E AMBIENTAL CURSO DE ENGENHARIA SANITÁRIA E AMBIENTAL
Julia Placido Moore
VULNERABILIDADE NA SAÚDE DEVIDO ÀS EMISSÕES ATMOSFÉRICAS: UM ESTUDO DE CASO EM SANTA CATARINA
Florianópolis 2020
Julia Placido Moore
VULNERABILIDADE NA SAÚDE DEVIDO ÀS EMISSÕES ATMOSFÉRICAS: UM ESTUDO DE CASO EM SANTA CATARINA
Trabalho Conclusão do Curso de Graduação em Engenharia Sanitária e Ambiental do Centro Tecnológico da Universidade Federal de Santa Catarina como requisito para a obtenção do título de Bacharel em Engenharia Sanitária e Ambiental
Orientador: Prof. Leonardo Hoinaski, Dr.
Florianópolis 2020
AGRADECIMENTOS
Agradeço imensamente a minha família pelo apoio que tive durante minha formação. Aos meus pais, que em meio a dificuldades, sempre buscaram me proporcionar conforto e educação de qualidade. Aos meus avós, que fomentaram a alegria e um enorme porto seguro durante toda a graduação. Não posso deixar de mencionar minhas tias que me acompanharam nessa trajetória com muito carinho e amor também. E claro, aos meus irmãos, Gabriel e Maria Eduarda.
O curso proporcionou conhecer pessoas incríveis que hoje chamo de amigos. Minhas amigas Anne e Camila, que me acompanharam desde o início nas longas noites realizando trabalhos e estudando para provas, assim como em todos os momentos de descontração. Aos que entraram junto comigo na 14.2 e que conheci ao longo da graduação, sempre lembrarei dos nossos almoços no RU, dos cafezinhos na lancho, os dias até tarde na BU e isso sem contar dos memoráveis rolês A todos vocês, meus sinceros agradecimentos por terem feito toda essa trajetória mais leve e alegre.
Aos amigos e colegas do LCQAr, agradeço por terem ajudado no meu crescimento professional quando precisei. Admiro muito esse grupo que está sempre empenhado para construir e contribuir com a pesquisa dentro e fora da universidade. E não poderia deixar de mencionar e agradecer, ao Professor e Orientador Leonardo, que desde o período de Iniciação Científica sempre foi solicito, forneceu ferramentas e orientações que contribuíram enormemente para meu aprendizado. Além disso, foram essenciais e ajudaram a resolver os problemas que surgiram ao longo do desenvolvimento do TCC.
À banca examinadora, agradeço pelas sugestões valiosas para melhoria do meu trabalho e que serão muito pertinentes para futuros trabalhos também.
Por fim, agradeço a todos aqueles que incentivam e fizeram possível que a Universidade Federal de Santa Catarina seja uma instituição pública e de qualidade. Toda a excelência e diversidade da UFSC, não só me permitiram crescer na esfera profissional, mas principalmente na pessoal.
RESUMO
A poluição do ar é um grande risco ambiental para a saúde humana. Poluentes atmosféricos estão associados ao aumento de distúrbios na saúde. Um exemplo recorrente é uma maior probabilidade de infecções respiratórias. O risco dos danos ocasionados a saúde pela poluição do ar é diferente entre populações. Tal risco depende de fatores como sensibilidade da população, exposição, o evento da poluição do ar e capacidade adaptativa. O estado de Santa Catarina apresenta um cenário de desenvolvimento econômico e industrial de destaque no contexto nacional, os quais podem como consequência influenciar na saúde humana. No entanto, pouco se sabe sobre os efeitos da poluição atmosférica na saúde da população catarinense, não existem estudos recentes conduzidos nessa temática. Dessa forma, o estudo objetivou avaliar a vulnerabilidade na saúde devido as emissões atmosféricas no estado de Santa Catarina. Para a pesquisa utilizaram-se dados de emissões veiculares e de queimadas, o número de indústrias em cada município catarinense, bem como índices socioeconômicos tais quais: PIB per capita, IDH-M e Coeficiente de Gini. Foram analisadas as variações das internações por doenças respiratórias ao longo do estado. Foi empregada uma análise bivariada das variáveis em relação as internações. Métodos de correlação, assim como Regressão de Poisson foram utilizados para verificar o comportamento entre as variáveis independentes e dependentes. Uma análise integral de todos os municípios foi realizada e para cada faixa de IDH-M presente no estado de SC. Ao ser avaliado integralmente, as emissões veiculares e número de indústrias não demonstraram afetar as internações. Apenas as emissões por queimadas mostraram a possibilidade de impacto, na faixa etária de adultos e idosos. As maiores taxas de internações encontram-se nos municípios com menores IDH-M. Além disso, a análise segregada por faixas de IDH-M revelou que existe relação entre internações hospitalares, emissões veiculares e número de indústrias nas populações dos municípios com IDH-M Médio, para adultos e idosos. Os resultados sugerem que os municípios que se encontram em vulnerabilidade, em termos de IDH-M, podem sofrer com as consequências em relação a poluição do ar. No entanto, populações dos municípios com IDH-M Muito Alto, apesar de não mostrarem ter sido afetadas pelas emissões veiculares, a foram pelas queimadas. O que demonstra que tais populações podem apresentar um limite em relação a sua capacidade adaptativa. O estudo levantou hipóteses que podem guiar futuras pesquisas acerca da temática e auxiliar na compreensão dos riscos ambientais a saúde humana no estado de Santa Catarina.
ABSTRACT
The air pollution is a major threat to human health, and it is related to health conditions increase. The health hazard from air pollution is different to each human population. A recurring example is a higher probability of respiratory infections. That kind of hazard is highly influenced by population sensitivity, exposure, air pollution event and adaptive capacity. The Santa Catarina state presents an interesting economic and industrial development scenario in the national context, which may influence human health as a consequence. However, little is known about the effects of air pollution on Santa Catarina population health, there are no recent researches with that subject. Thus, the research aimed to evaluate the health vulnerability due to atmospheric emissions in the Santa Catarina state. This research was conducted with vehicular and burnings emissions data, it were also considered each municipality industry distribution and socioeconomics index such as: GDP per head, HDI-M and Gini coefficient. To analyze the hospitalizations variations, a bivariate analysis was conducted. Pearson and Spearman correlation methods, as well as Poisson regression were also used to verify the behavior between indenpendent and dependent variables. The analysis was performed for whole state and for each HDI-M range of the state. For the whole state, the vehicular emissions and the number of industries did not seemed to affect the number of hospitalizations. Moreover, the adults and elderly age group were liable to the burn emissions. The highest hospitalization rates were in municipalities with lower HDI-M. In addition, the segregated analysis by HDI-M showed that hospital admissions for adult and elderly populations, the vehicular emissions and the number of industries in municipalities are linked with medium HDI-M. The results display that municipalities that are in vulnerability (lower HDI-M), may suffer the consequences from air pollution. However, municipalities with the highest HDI-M, despite not showing to have been affected by vehicle emissions, were affected by the wildfires. This shows that such municipalities may present a limit in relation to their adaptive capacity. The current research raised hypotheses that can guide future researches at this subject field and help the understanding about environmental risks to human health in Santa Catarina State.
Keywords: Air pollution. Environmental Risk. Hospitalization for Respiratory Diseases.
LISTA DE FIGURAS
Figura 1: Diagrama de Risco ... 19
Figura 2: Área de Estudo ... 29
Figura 3: Indicadores de cada nível de IDH-M no estado de Santa Catarina ... 30
Figura 4: Diagrama de risco dos dados empregados no trabalho ... 32
Figura 5: Histograma dos poluentes CO, NOx e MP das emissões veiculares, poluentes CO, NOx e MP2,5 das emissões por queimadas e número de indústrias ... 39
Figura 6: Histograma das variáveis PIB per capita, Índice de Desenvolvimento Humano Municipal, Coeficiente de Gini, Internações Respiratórias nas faixas etárias 14≥anos, 15≤ anos≤59 e 60≤anos. ... 40
Figura 7: Espacialização das Emissões Veiculares, Emissões por Queimadas, Número de Indústrias, PIB, IDHM e Internações Respiratórias para as faixas etárias de anos≥14, 15≤anos≤59 e 60≤anos ... 42
Figura 8: Correlações das variáveis VCO, VNOx, VMP, QCO, QNOx, Q𝑀𝑃2.5, IND, PIB, IDHM, IRC, IRA, IRI. ... 44
Figura 9: Comparação das internações respiratórias por faixa etária entre grupos de IDH-M 47 Figura 10: Correlações das variáveis VCO, VNOx, VMP, QCO, QNOx, Q𝑀𝑃2.5, IND, PIB, IDHM, IRC, IRA, IRI para o IDH-M Muito Alto ... 49
Figura 11:Scatterplot das emissões por queimadas de CO para as internações das faixas etárias anos≥14, 15≤anos≤59 e 60≤anos, para os municípios com IDH-M Muito Alto. ... 50
Figura 12: Correlações das variáveis VCO, VNOx, VMP, QCO, QNOx, Q𝑀𝑃2.5, IND, PIB, IDHM, IRC, IRA, IRI para o IDH-M Alto ... 51
Figura 13: Scatterplot das emissões veiculares de CO para as internações das faixas etárias anos≥14, 15≤anos≤59 e 60≤anos, para os municípios com IDH-M Alto ... 52
Figura 14: Correlações das variáveis VCO, VNOx, VMP, QCO, QNOx, Q𝑀𝑃2.5, IND, PIB, IDHM, IRC, IRA, IRI para o IDH-M Médio ... 53
Figura 15: Scatterplot das emissões veiculares de CO para as internações das faixas etárias anos≥14, 15≤anos≤59 e 60≤anos, para os municípios com IDH-M Médio ... 54
Figura 16: Scatterplot do número de indústrias para as internações das faixas etárias 15≤anos≤59 e 60≤anos, para os municípios com IDH-M Médio ... 54
LISTA DE TABELAS
Tabela 1:Faixas do Índice de Desenvolvimento Humano Municipal ... 22
Tabela 2: Principais poluentes atmosféricos, áreas de ação no sistema respiratório e efeitos sobre a saúde humana ... 23
Tabela 3: Estudos e variáveis abordadas para os efeitos nas doenças respiratórias. ... 27
Tabela 4: Definição das intensidades para os coeficientes de correlação. ... 34
Tabela 5:Definição das intensidades para os coeficientes de correlação adaptada. ... 35
Tabela 6: Análise descritiva das variáveis estudadas dos municípios de SC, para o ano de 2017. ... 38
Tabela 7: Coeficiente da regressão bivariada de Poisson para as variáveis utilizadas ... 45
Tabela 8: Xcrítico para os Graus de Liberdade do teste ... 45
Tabela 9:Mínimas, médias e máximas das internações por doenças respiratórias de acordo com a faixa de IDH-M para os municípios do estado de SC ... 46
LISTA DE ABREVIATURAS E SIGLAS
CO Monóxido de Carbono 𝐶𝑂2 Dióxido de Carbono
DATASUS Departamento de Informática do Sistema Único de Saúde do Brasil EPA Environmental Protection Agency
IDH Índice de Desenvolvimento Humano
IDH- M Índice de Desenvolvimento Humano Municipal FJP Fundação João Pinheiro
IBGE Instituto Brasileiro de Geografia e Estatística IPEA Instituto de Pesquisa Aplicada
LCQAR – Laboratório de Controle da Qualidade do Ar PIB Produto Interno Bruto
PIB per capita Produto Interno Bruto per capita
PNUD Programa das Nações Unidas para o Desenvolvimento MLG Modelos Lineares Generalizados
MP Material Particulado
𝑀𝑃10 Material Particulado com diâmetro entre 2.5µm e 10µm 𝑀𝑃2.5 Material Particulado com diâmetro menor que 2.5 µm 𝑁𝑂2 Dióxido de Nitrogênio
NO Óxido Nítrico
NOx Óxido de Nitrogênio 𝑂2 Oxigênio
𝑂3 Ozônio
PTS Partículas Totais em Suspensão 𝑆𝑂2 Dióxido de Enxofre
SUMÁRIO 1 INTRODUÇÃO ... 15 1.1 OBJETIVOS ... 17 1.1.1 Objetivo Geral ... 17 1.1.2 Objetivos Específicos ... 17 2 REVISÃO BIBLIOGRÁFICA ... 18 2.1 POLUIÇÃO DO AR ... 18 2.2 RISCO AMBIENTAL ... 19 2.2.1 Indicadores Socioeconômicos ... 21
2.3 EFEITOS DA POLUIÇÃO DO AR E VULNERABILIDADE NA SAÚDE ... 22
3 MATERIAIS E MÉTODOS ... 29
3.1 ÁREA DE ESTUDO ... 29
3.2 DADOS ... 31
3.3 ANÁLISE ESTATÍSTICA ... 32
3.3.1 Estatística Descritiva ... 32
3.3.2 Análise Bivariada das variáveis empregadas nas internações por doenças respiratórias no estado de Santa Catarina ... 33
4 RESULTADOS ... 37
4.1 VARIABILIDADE ESPACIAL DAS EMISSÕES ATMOSFÉRICAS, NÚMERO DE INDÚSTRIAS, ÍNDICES SOCIOECONÔMICOS E INTERNAÇÕES POR DOENÇAS RESPIRATÓRIAS NO ESTADO DE SANTA CATARINA ... 37
4.2 INFLUÊNCIA DAS EMISSÕES ATMOSFÉRICAS, NÚMEROS DE INDÚSTRIAS E ÍNDICES SOCIOECONÔMICOS NAS INTERNAÇÕES POR DOENÇAS RESPIRATÓRIAS NOS MUNICÍPIOS DE SANTA CATARINA ... 43
4.3 CORRELAÇÃO DAS VARIÁVEIS DE ESTUDO POR FAIXA DE IDH... 46
4.3.1 Correlação dos municípios com IDH-M Muito Alto ... 48
4.3.2 Correlação dos municípios com IDH-M Alto ... 50
5 DISCUSSÃO ... 55
5.1 PADRÃO ESPACIAL DAS VARIÁVEIS ... 55
5.2 ANÁLISE NO ESTADO INTEIRO ... 55
5.3 ANÁLISE DOS MUNICÍPIOS POR FAIXA DE IDH ... 56
6 CONCLUSÃO E RECOMENDAÇÕES ... 60
7 LIMITAÇÕES ... 62
REFERÊNCIAS ... 63
APÊNDICE A – Histograma das variáveis normalizadas dos poluentes CO, NOx e MP das emissões veiculares, poluentes CO, NOx e 𝐌𝐏𝟐, 𝟓 das emissões por queimadas e número de indústrias ... 71
APÊNDICE B - Histograma das variáveis normalizadas do PIB per capita, IDH-M, Coeficiente de Gini e Internações respiratórias para as faixas etárias 14≥anos, 15≤anos≤59 e 60≤anos. ... 72
APÊNDICE C - Resultado do Teste Chi-Quadrado para a normalidade ... 73
APÊNDICE D - Teste de hipótese de Mann – Whitney entre as faixas de IDH para cada faixa etária e o número de internações por doenças respiratórias 73 APÊNDICE E - Espacialização da Emissões Veiculares de Monóxido de Carbono e Internações Respiratórias em Santa Catarina ... 74
APÊNDICE F - Espacialização da Emissões de Queimadas de Monóxido de Carbono e Internações Respiratórias em Santa Catarina ... 75
APÊNDICE G - Espacialização do Número de Indústrias e Internações Respiratórias em Santa Catarina ... 76
APÊNDICE H - Espacialização do PIB per capita e Internações Respiratórias em Santa Catarina ... 77
APÊNDICE I - Espacialização do IDH-M e Internações Respiratórias em Santa Catarina ... 78
APÊNDICE J - Espacialização do Coeficiente de Gini e Internações Respiratórias em Santa Catarina ... 79
1 INTRODUÇÃO
A poluição do ar é o maior risco ambiental para a saúde do mundo (UNEA, 2017). Nove em cada dez pessoas respiram ar poluído, além dos níveis aceitáveis das diretrizes da Organização Mundial da Saúde (WHO, 2016). Em 2015, o Estudo de Carga Global de Doenças identificou a poluição do ar como uma das principais causas de doenças, principalmente em países de baixa e média renda (FOROUZANFAR et al., 2016).
A contaminação do ar acentua a severidade de infecções respiratórias e grandes cidades estão associadas com uma alta incidência de infecções do tipo agudas(CHAUHAN; JOHNSTON, 2003). Além disso, evidencia-se que a faixa etária de crianças, idosos (MA et al., 2018; SOLEIMANI et al., 2019) e a condição socioeconômica dos indivíduos são fatores que influenciam na resposta à exposição da poluição do ar (PRATT et al., 2015; SAMOLI et al., 2019).
O risco de doenças associados à exposição da poluição do ar ambiente não é uniforme entre populações (MAKRI; STILIANAKIS, 2008). Eles são definidos em função dos eventos de poluição do ar, sensibilidade da população, capacidade adaptativa e a exposição ao ambiente externo (O’LENICK et al., 2019). O Painel Intergovernamental sobre Mudanças Climáticas (IPCC) define a vulnerabilidade de forma multidimensional, onde os indicadores de desigualdade estão interseccionados e a vulnerabilidade aumenta quando a capacidade e oportunidades para se adaptar a um evento diminuem (IPCC, 2014).
Dessa forma, estudos ecológicos têm sido conduzidos para avaliação da poluição do ar na saúde populacional em escalas municipais e regionais. Tal perspectiva considera a dinâmica evolutiva dos processos sociais e busca identificar causas da incidência das doenças em grupos populacionais e não as causas da doença no indivíduo (BRASIL, 2007). Os métodos e técnicas comumente utilizados para associação de poluição do ar, saúde e vulnerabilidades possuem uma base estatística. Regressão de Poisson, correlações, técnicas de espacialização entre variáveis são metodologias amplamente utilizadas para identificação, não só da poluição do ar, mas também da influência de indicadores socioeconômicos na saúde humana (HASHIMOTO, 2019; MANTOVANI et al., 2016; TADANO; UGAYA; FRANCO, 2009)
O estado de Santa Catarina apresenta um contexto de desenvolvimento econômico e industrial preocupante ao que se concerne a qualidade do ar. Em 2017, o estado possuía o maior número de veículos por habitantes no país(CNT, 2018), assim como possui um dos maiores saldos industriais, sendo o 4º estado com o maior número de indústrias no Brasil em 2018 (CNI,2020). Além disso, entre os anos de 2015 e 2016 o estado apresentou um aumento abrupto de 430% nas
emissões de queimadas. O qual teve valor reduzidos no ano de 2017, mas ainda superior às emissões dos anos anteriores (TEIXEIRA,2020). Dentre as maiores fontes de poluição do ar ambiente estão os veículos, instalações industriais (EEA, 2017) e queimadas (TARGINO et al., 2019). Dessa forma, além do estado de Santa Catarina apresentar características que são instigantes para os estudos da qualidade do ar e saúde, possui poucos estudos na área (FONSECA; VASCONCELOS, 2011). Menciona-se que outros estados já pesquisam nessa vertente há algum tempo(DE FREITAS et al., 2016; DIAS et al., 2016; SOUSA et al., 2012).
Assim, o presente trabalho tem o objetivo avaliar a vulnerabilidade na saúde devido as emissões atmosféricas no estado de Santa Catarina. Através de um estudo ecológico, uma metodologia de correlações e regressão foi empregada a fim de avaliar como as emissões veiculares e de queimadas, número de indústrias, o IDH, o PIB per capita e Coeficiente de Gini interferem nas internações por doenças respiratórias em Santa Catarina. Pontua-se que os métodos utilizados para avaliar a vulnerabilidade no estado são inovadores e não se encontrou estudos com uma abordagem semelhante na literatura. Este estudo busca responder as seguintes perguntas: (i) Qual o padrão espacial das emissões atmosféricas, número de indústrias, índices socioeconômicos e internações por doenças respiratórias no estado de Santa Catarina? (ii) Qual a influência das emissões atmosféricas, números de indústrias e índices socioeconômicos nas internações por doenças respiratórias nos municípios do estado de Santa Catarina? (iii) Municípios com menor IDH estão mais vulneráveis aos eventos de poluição do ar?
1.1 OBJETIVOS
1.1.1 Objetivo Geral
Avaliar a vulnerabilidade na saúde devido as emissões atmosféricas no estado de Santa Catarina
1.1.2 Objetivos Específicos
Objetivo específico 1: Determinar a variabilidade espacial das emissões atmosféricas, número de indústrias, índices socioeconômicos e internações por doenças respiratórias no estado de Santa Catarina.
Hipótese 1: As maiores emissões atmosféricas, número de indústrias, internações por doenças respiratórias e índices socioeconômicos vulneráveis concentram-se espacialmente nos mesmos municípios.
Objetivo específico 2: Verificar a influência das emissões atmosféricas, números de indústrias e índices socioeconômicos nas internações por doenças respiratórias nos municípios de Santa Catarina.
Hipótese 2: Municípios com maiores emissões atmosféricas veiculares e por queimadas, maior grau de industrialização e vulneráveis socioeconomicamente possuem os maiores números de internações por doenças respiratórias, no estado de Santa Catarina.
Objetivo específico 3: Avaliar as variáveis de estudo por faixa de IDH.
Hipótese 3: Municípios com menor IDH estão mais vulneráveis aos eventos de poluição do ar.
2 REVISÃO BIBLIOGRÁFICA
2.1 POLUIÇÃO DO AR
A poluição do ar é determinada pela quantificação das substâncias tóxicas presentes no ar e a comparação aos padrões estabelecidos pela legislação. É um dos tipos de poluição com as maiores ameaças para saúde. Regiões em desenvolvimento frequentemente enfrentam problemas relacionados à má qualidade do ar devido à rápida evolução dos meios de transporte e indústrias (MOLINA; MOLINA, 2004). De maneira geral, isto ocorre se a emissão de uma ou mais fontes não consegue se dispersar e reduzir suas concentrações de maneira suficiente na atmosfera, antes de encontrar um receptor (LCQAr,2020a). Tem origem em diversas fontes, como naturais (queimadas, tempestades de areia, vulcões) e antropogênicas (geração de energia, indústrias, transportes, agricultura) (UNEA, 2017).
Centros urbanos geralmente concentram poluição advinda da grande quantidade de veículos presentes. No entanto, também são afetados por emissões advindas de indústrias quando localizados próximos a complexos industriais. As emissões industriais afetam de maneira significativa a qualidade do ar em regiões específicas (CETESB, 2018). O desenvolvimento econômico mundial baseado no aumento dos processos produtivos implicou no aumento do número de implantação de indústrias de todas as categorias (KAMPA, 2007). Sendo uma das atividades de maior valor econômico, segundo a Companhia Ambiental de São Paulo, as atividades industriais juntamente com os veículos, são as fontes poluidoras de relevância no cenário nacional (CÂMARA et al, 2015). Ainda cita-se que os incêndios florestais, conhecidos como queimadas, podem representar uma fonte de importância, como demonstrado pelos casos bem estudados no sul da Europa, países do Mediterrâneo e Califórnia (BO et al., 2019; JACOB; WINNER, 2009; SANTO, 2006; WESTERLING; BRYANT, 2008). As queimadas ocasionam emissões de elevadas magnitudes que proporcionam grandes impactos e também merecem atenção.
Essas fontes são responsáveis pela emissão de poluentes atmosféricos, os quais são nocivos à saúde e meio-ambiente. De acordo com a Resolução CONAMA 491/2018, a qual define os Padrões Nacionais de Qualidade do Ar, poluente atmosférico é designado da seguinte forma:
Qualquer forma de matéria em quantidade, concentração, tempo ou outras características, que tornem ou possam tornar o ar impróprio ou nocivo à saúde, inconveniente ao bem-estar público, danoso aos materiais, à fauna e flora ou prejudicial à segurança, ao uso e gozo da propriedade ou às atividades normais da comunidade(BRASIL,2018)
A EPA (2020) designou que os poluentes Material Particulado (MP), Monóxido de Carbono (CO) e Dióxido de Nitrogênio (NO2) estão entre os poluentes que caracterizam um cenário crítico para a qualidade do ar (EPA,2020d).
2.2 RISCO AMBIENTAL
De acordo com ZANELLA et al.(2013), as condições culturais, étnicas, políticas, econômicas, educacionais, sociais e de saúde vão tornar pessoas ou grupos sociais, mais ou menos vulneráveis. Ou seja, esses fatores refletem na capacidade de populações enfrentarem, superarem ou minimizarem dificuldades, bem como de aproveitar as oportunidades, para melhorar sua situação de bem-estar. Assim, vulnerabilidade é a condição da sociedade frente às características do ambiente e reflexo de múltiplas variáveis (renda, habitação, educação etc.) que as mantém mais ou menos suscetíveis a riscos (GIRÃO; RABELO; ZANELLA, 2018; LEARY; CONDE; KULKARNI; NYONG; PULHIN, 2008). Na Figura 1, os conceitos de ameaça ambiental, exposição e vulnerabilidade social aparecem interligados e aponta como condicionam os riscos à saúde humana.
Figura 1: Diagrama de Risco
A Agência Ambiental Europeia (2018) os definiu da seguinte forma (EEA, 2018).
1) Ameaça à saúde ambiental: Ocorrência de um evento físico natural, antrópico, ou um impacto físico que pode causar perda de vidas, danos ou outros efeitos à saúde.
2) Vulnerabilidade social: Propensão ou predisposição de pessoas (indivíduos ou população) a serem negativamente afetadas por estressores externos, incluindo as ameaças à saúde ambiental. Pode ser interpretado, como a combinação de sensibilidade e falta de capacidade para adaptar-se a tais ameaças. Enquanto a sensibilidade é amplamente influenciada pela idade, pela saúde, raça e gênero, a capacidade adaptativa está ligada as condicionantes de status socioeconômico, suporte social disponível e consciência dos riscos do indivíduo/população. 3) Exposição: Presença de pessoas em locais e ambientes que podem ser afetados adversamente
por perigos.
Nesse sentido, o risco a saúde está em função dos eventos de poluição do ar (ameaça), sensibilidade da população e capacidade adaptativa (vulnerabilidade) e qualidade do ar (exposição). Estes componentes interseccionados de risco à saúde são influenciados pela variabilidade das mudanças climáticas, assim como processos socioeconômicos atuais e futuros e podem determinar até que ponto, comunidades e infraestruturas estão expostas e vulneráveis (O’LENICK et al., 2019).
A combinação de maior exposição a riscos à saúde ambiental em grupos socioeconômicos baixos e de maior suscetibilidade aos efeitos da exposição (principalmente como resultado do estresse, menores oportunidades para escolher comportamentos promotores de saúde e pior estado de saúde) resulta em disparidades na saúde por fatores ambientais (EEA, 2018). Enquanto alguns indivíduos podem apresentar nenhum sintoma ou apenas alterações clinicamente irrelevantes, uma exposição semelhante pode desencadear exacerbações graves de problemas de saúde entre indivíduos frágeis (SIMONI et al., 2015).
Estudos epidemiológicos do tipo ecológico são adequados para o entendimento da variação do risco de adoecer entre diferentes grupos populacionais. A análise da variabilidade do risco no nível ecológico é fundamental para a compreensão dos determinantes sociais e ambientais do processo saúde-doença, onde, particularmente, a condição socioeconômica dos grupos populacionais desempenha papel preponderante na explicação das condições de saúde desses grupos. Nesse sentido, uma importante abordagem do ponto de vista ecológico é considerar o espaço como fator multidimensional de estratificação de populações, o que permite visualizar espacialmente, de forma articulada, as distribuições da doença e do risco, entendido como situação coletiva e definido sob diferentes abordagens (BRASIL, 2007).
Diversos estudos e autores atribuem às características físicas ou biológicas (idade, gênero, perfil genético, pré-disposição à doenças) ao termo suscetibilidade, o qual faz parte de um conceito mais amplo que seria a vulnerabilidade. É uma abordagem diferente entre os termos que foram escolhidos para o trabalho (PORTIER et al., 2010; STILIANAKIS, 2015).
2.2.1 Indicadores Socioeconômicos
Indicadores socioeconômicos auxiliam em análises do contexto de uma localidade, seja ela municipal, estadual ou nacional, e no entendimento de como essas regiões se desenvolvem. O PIB per capita, IDH e Coeficiente de Gini são alguns desses indicadores.
O Produto Interno Bruto (PIB) é a soma de todos os bens e serviços finais produzidos por um país, estado ou cidade, geralmente em um ano. Analisar o PIB per capita (divisão do PIB pelo número de habitantes), mede quanto do PIB caberia a cada indivíduo de um país se todos recebessem partes iguais, entre outros estudos. O PIB é, contudo, apenas um indicador síntese de uma economia. Ele ajuda a compreender um país, mas não expressa importantes fatores, como distribuição de renda, qualidade de vida, educação e saúde. Um país tanto pode ter um PIB pequeno e ostentar um altíssimo padrão de vida, como registrar um PIB alto e apresentar um padrão de vida relativamente baixo (IBGE, 2020a).
O Índice de Desenvolvimento Humano (IDH) é calculado levando em consideração três aspectos: longevidade, educação e renda. Na sua formulação clássica, esses indicadores representam a oportunidade de uma sociedade de ter vidas longas e saudáveis, de ter acesso a conhecimento, e de ter comando sobre os recursos de forma a garantir um padrão de vida digno. Em 2013 o PNUD Brasil, o IPEA e a Fundação João Pinheiro assumiram o desafio de adaptar a metodologia do IDH global para calcular o IDH Municipal (IDH-M) dos 5.565 municípios brasileiros a partir de dados do Censo Demográfico de 2010. O IDH-M brasileiro segue as mesmas três dimensões do IDH global – saúde, educação e renda, mas vai além: adequa a metodologia global ao contexto brasileiro e à disponibilidade de indicadores nacionais. Nesse sentido adaptação do IDHM, considera os dados de expectativa de vida ao nascer para longevidade, escolaridade da população adulta e fluxo escolar da população jovem para educação e por fim, renda per capita para renda (PNUD; IPEA; FJP, 2013).
O IDH varia de 0 a 1 e quanto mais próximo de 1, maior é o nível de desenvolvimento do município como pode ser visto na Tabela 1. O IDH é importante ao que concerne a popularização da abordagem do que é desenvolvimento humano de um país, em alternativa ao Produto Interno Bruto, hegemônico à época como medida de desenvolvimento, assim como é possível comparar o desenvolvimento entre municípios (PNUD; IPEA; FJP, 2013).
Tabela 1:Faixas do Índice de Desenvolvimento Humano Municipal IDH Faixas Muito Baixo 0 - 0.499 Baixo 0.500 - 0.599 Médio 0.600 - 0.699 Alto 0.700 - 0.799 Muito Alto 0.800 - 1.000
Fonte: PNUD, IPEA e FJP (2013)
O Coeficiente de Gini é um índice que avalia o grau de desigualdade existente na distribuição de indivíduos segundo a renda domiciliar per capita. Seu valor varia de 0, quando não há desigualdade (a renda domiciliar per capita de todos os indivíduos têm o mesmo valor), a 1, quando a desigualdade é máxima (apenas um indivíduo detém toda a renda) (PNUD; IPEA; FJP, 2013).
2.3 EFEITOS DA POLUIÇÃO DO AR E VULNERABILIDADE NA SAÚDE
A baixa qualidade do ar causa mortes precoces, como um resultado de doenças cardiorrespiratórias e enaltece a presença de doenças crônicas, diminuindo a qualidade e expectativa de vida (HEI; IHME, 2019; LO et al., 2017; WANG et al., 2013).
Os efeitos respiratórios variam da coriza à irritação ocular e até à morte, exacerbando os sintomas de doenças e hospitalizações preexistentes, bem como o surgimento de novos casos de doença. Os principais distúrbios do sistema cardiorrespiratório, relacionados à poluição do ar, incluem asma, doença pulmonar obstrutiva crônica, pneumonia, câncer de pulmão, bronquiolite, infecção do trato respiratório, infecção das vias aéreas, decréscimo da função e crescimento pulmonar. Ainda citam-se sintomas respiratórios que afetam a qualidade de vida, como tosse, catarro, chiado no peito e dispneia (ABRAMS et al., 2019; FAJERSZTAJN; VERAS; SALDIVA, 2016; GE et al., 2018; THURSTON et al., 2018).
Estudos têm identificado a relação entre a poluição do ar e morbidade respiratória. Por exemplo, uma pesquisa realizada na cidade de Pequim constatou que as mudanças da poluição do ar (para SO2, NO2 e MP10) foram associadas às internações para doenças respiratórias de 2009 a 2012 (MA et al., 2018). Associações, que são também documentadas em outros países e continentes, como EUA e Europa, para poluentes como O3 , CO e MP2,5 também (EPA,2020a; LEE; JOHNS, 2013; RICE et al., 2013; MACINTYRE et al., 2016) e América Latina (CARRERAS; ZANOBETTI; KOUTRAKIS, 2015; FRANCK; LEITTE; SUPPAN, 2015)
Diversos poluentes tem mostrado fortes evidências dos danos causado à saúde, tanto de partículas (GE et al., 2018), quanto de gases, como dióxido de nitrogênio (CHEN et al., 2008),
ozônio (BELL; DOMINICI; SAMET, 2005; GRYPARIS et al., 2004) e dióxido de enxofre (KAN et al., 2010). O MP2,5 emitido por queimadas no Colorado do ano de 2011 a 2014 foi fortemente associado com internações de doenças respiratórias (STOWELL et al., 2019). A Tabela 2 apresenta os principais sintomas na saúde pelos poluentes MP10,MP2,5, NO2; NO𝑥 e CO. A influência de poluentes na saúde humana em território nacional citam-se estudos também nos municípios do Rio de Janeiro- RJ, Belo Horizonte - MG, Vitória -ES , São Paulo -SP (DE FREITAS et al., 2016; GOUVEIA et al., 2006, 2019; SOUSA et al., 2012)
Tabela 2: Principais poluentes atmosféricos, áreas de ação no sistema respiratório e efeitos sobre a saúde humana
Poluentes Penetração no Sistema
Respiratório Fisiopatologia
𝐌𝐏𝟏𝟎 Traqueia, brônquios, bronquíolos
Diminui a atividade mucociliar e dos macrófagos. Produz irritação nas vias respiratórias. Causa estresse oxidativo e em consequência, inflamação pulmonar e sistêmica. Exposição crônica produz remodelamento brônquico e DPOC. Pode ser cancerígeno.
𝐌𝐏𝟐,𝟓 Alvéolos
𝐍𝐎𝟐; 𝐍𝐎𝒙 Traqueia, brônquios, bronquíolos, alvéolos
Irritante. Afeta a mucosa dos olhos, nariz, garganta e do trato respiratório inferior. Aumenta a reatividade brônquica e a suscetibilidade às infecções e alérgenos,
CO Alvéolos, corrente sanguínea
União com a hemoglobina, interferindo no transporte de oxigênio. Provoca cefaleia, náuseas e tontura. Tem efeito deletério sobre o feto. Está associado com recém-nascido de baixo peso e morte fetal.
Fonte: Adaptado de (ERS, 2010 apud ARBEX et al., 2012)
Os trabalhos mostrados na Tabela 3 discorrem sobre a influência das características que tornam uma população mais ou menos vulnerável à exposição da poluição do ar. Os trabalhos foram selecionados de modo a abordar os principais resultados em países de diferentes continentes, bem como sobre os poluentes mais criteriosos a saúde e análise entre faixas etárias.
EBISU et al. (2019) performou um estudo na California, que buscou explorar as associações específicas por idade entre exposição de curto prazo aos constituintes químicos MP2,5 , suas fontes e internações hospitalares por morbidade cardiorrespiratória na Califórnia. Emissões veiculares e queima de biomassa de MP2,5 , foram associadas com internações hospitalares na Califórnia. Foram avaliados oito locais no estado da California. A regressão de série temporal de Poisson estratificada por idade foi conduzida para cada local, e as estimativas de risco à saúde foram
combinadas para gerar associações gerais específicas por idade com admissões hospitalares relacionadas a doenças cardiovasculares e respiratórias. Os resultados sugerem que exposições de curto prazo a fontes de MP2,5 e seus constituintes são mais prejudiciais do que exposições a outros poluentes. Ainda, associações foram observadas para crianças e idosos, confirmando que esses grupos são mais suscetíveis às associações com MP2,5. Nesse sentido, os efeitos cardiovasculares foram mais aguçados nos idosos, enquanto os respiratórios nas crianças (EBISU et al., 2019).
QIU et al. (2018) avaliou o impacto da poluição ambiente do ar (MP10, MP2,5, NO2 e SO2) no risco de hospitalizações por doenças respiratórias totais e por causas específicas (incluindo infecção do trato respiratório superior (ITRI), doença pulmonar obstrutiva crônica (DPOC), asma e pneumonia) em 17 cidades da Bacia de Sichuan. Procurou identificar os efeitos dos poluentes nas internações por doenças respiratórias e utilizou um modelo aditivo generalizado com uma função de ligação Quase-Poisson. Além disso realizou uma meta-análise dos efeitos aleatórios e fixos para reunir as estimativas de efeito em nível regional. Em sua análise evidenciou que crianças e a população mais velha podem ser mais vulneráveis aos efeitos adversos da poluição do ar ambiente na saúde. Sugeriu que a poluição do ar pode ser um importante precursor para hospitalizações devido a doenças respiratórias (QIU et al., 2018).
Uma pesquisa conduzida na Coreia do Sul, em Seoul, buscou identificar a associação entre privação social, poluição do ar externo (𝑆𝑂2, 𝑁𝑂2, 𝑂3 , 𝐶𝑂) e taxa de incidência ou mortalidade de tuberculose (TB). Uma análise do sistema de informação geográfica e uma regressão de Poisson foi aplicada para explorar a associação entre a privação social e poluição do ar com a incidência de e mortalidade de TB. Analisaram o estudo em duas etapas, inicialmente uma análise bivariada foi feita e em seguinte selecionaram as variáveis significativas determinadas na primeira etapa, para desenvolvimento do modelo. O estudo sugeriu que a alta poluição do ar externo(𝑆𝑂2) aumenta a incidência de TB, enquanto a alta privação social aumenta a mortalidade por TB (SOHN et al., 2019).
Trabalho performado em Santiago do Chile buscou analisar a relação entre a exposição de curto prazo de partículas finas e sua incidência nas doenças cardiorrespiratórias. Envolveu também a situação socioeconômica da população distribuída nas áreas representativas da cidade, bem como suas faixas etárias. Foram desenvolvidos modelos utilizando a regressão multivariada de Poisson com um Modelo Aditivo Generalizado e em seguida calculados os riscos relativos das morbidades. Os riscos relativos apontaram que não só os poluentes são responsáveis pelos riscos, mas a idade e qualidade de vida da população definem suas respectivas suscetibilidades ao adoecimento e óbito. O estudo demostrou que a população idosa foi a mais afetada ao risco relativo de morbidade respiratórias (PINO-CORTÉS et al., 2020).
Requia et al. (2016) avaliou a associação entre as emissões veiculares e o risco de doenças cardiorrespiratórias no Brasil e sua modificação por variações municipais nas condições socioeconômicas. Realizou a análise de risco em três etapas. Primeiro, analisou toda a área de estudo (análise primária) e, em seguida, conduziu uma análise espacial por cluster com base em vários fatores socioeconômicos de nível municipal e seguida de uma análise de sensibilidade. Foram encontrados importantes associações entre o risco de doenças cardiorrespiratórias e emissões veiculares no Brasil. Fatores socioeconômicos foram importantes modificadores dessa associação. E sugeriu que o controle de emissões no Brasil, deve focar em regiões de baixa renda (REQUIA et al., 2016).
SANTRA (2014) desenvolveu um estudo entre 20 países desenvolvidos e 20 países em desenvolvimento com o objetivo de entender se o IDH seria um bom índice para avaliação da expectativa de vida, em relação aos prejuízos de uma má qualidade do ar. Com os dados das concentrações de poluentes e com uma análise estatística de PCA, ele criou um Índice Composto de Qualidade do Ar. Tanto o Índice quanto os dados de IDH e Expectativa de vida foram colocados em ranks, os quais ele empregou uma correlação de Spearman. Performou a metodologia para o grupo de países desenvolvidos assim como para os países em desenvolvimento. Constatou-se que no caso de países em desenvolvimento, o IDH também reflete a Qualidade do Ar e afeta a expectativa de vida no nascimento, sendo considerado um bom índice de estudo para a qualidade do ar. No entanto, o resultado para os países desenvolvidos foi contraditório. No caso de países desenvolvidos, os resultados do IDH não refletiram a Qualidade do Ar (SANTRA, 2014).
Gregório (2011) buscou identificar áreas do estado do Rio de Janeiro em que a população é mais susceptível aos problemas respiratórios, a partir de uma análise dos fatores ambientais. Através de um levantamento bibliográfico, estatístico e de modelagem, manipulou dados físicos-ambientais e socioeconômicos a fim encontrar o proposto. Foram utilizadas as concentrações de poluentes PTS e 𝑀𝑃10, como indicadores de poluição do ar e para índices socioeconômicos, o IDH e PIB per capita. Em uma das análises foi identificado que atividade industrial contribuiu em peso para a poluição no estado do Rio de Janeiro, assim como uma elevada parcela da população encontra-se em situação de risco e vulnerabilidade social. A Região Noroeste Fluminense apresentou alta incidência de internações no Estado e com as piores condições de vida (renda e IDH), indicando que é uma região onde a população tem menos acesso a tratamento adequado e a condições melhores de saúde (GREGÓRIO, 2011).
Ignotti et al. (2010) desenvolveu um estudo ecológico na região brasileira amazônica com o objetivo de analisar a exposição do material particulado emitidos por queimadas. Foram
analisados modelos de regressão múltipla das variáveis de desfecho com a variável preditora AH% acima de 80 μg/m3 para PM
2,5. O Índice de Desenvolvimento Humano (IDH) e o número médio de
hemogramas por 100 habitantes na região da Amazônia brasileira foram variáveis de controle nas análises de regressão. O indicador de poluição atmosférica mostrou associação com a ocorrência de doenças respiratórias, em especial nos grupos etários mais vulneráveis (crianças e idosos) da Amazônia brasileira, o qual pode ser utilizado na abordagem dos efeitos da queima das florestas na saúde humana (IGNOTTI et al., 2010).
Um trabalho desenvolvido em Santa Catarina buscou correlacionar a ocorrência de doenças respiratórias com a poluição atmosféricos, dos anos de 2007 a 2009. Foram utilizadas variáveis ambientais e socioeconômicas para compreender as possíveis causas relacionadas às doenças respiratórias. Como metodologia empregaram um modelo estatístico a partir de regressão linear múltipla. Concluiu-se que o aumento da gravidade das doenças respiratórias pode ser determinado pela interação de variáveis climáticas juntamente com condições ambientais inadequadas e baixo nível socioeconômico, em especial a população rural , faixa etária de crianças e idosos (FONSECA; VASCONCELOS, 2011)
Tabela 3: Estudos e variáveis abordadas para os efeitos nas doenças respiratórias.
Nº Localidade Poluentes Faixa Etária Características
Socioeconômicas Principais Conclusões Revista Referência
1 California,
EUA 𝑀𝑃2,5
18≥anos, 19-64 anos, 65≤anos
Não hispânicos brancos, não hispânicos negros e não hispânicos asiáticos
Os resultados sugerem que exposições de curto prazo por fontes de 𝑀𝑃2,5 e seus constituintes relacionados são mais prejudiciais do que exposições de outros poluentes. Foram encontradas evidências que as crianças e idosos foram os grupos mais suscetíveis as exposições da poluição do ar, quando comparados com a população intermediária.
Atmospheric
Environment (EBISU et al., 2019)
2 Bacia de Sichuan, China 𝑀𝑃10, 𝑀𝑃2,5, 𝑁𝑂2, e 𝑆𝑂2 14≥anos; 15-64; 65≤anos -
O estudo forneceu evidências de que a poluição do ar pode ser um importante precursor de admissões respiratórias e resultar em um aumento substancial nas internações para doenças respiratórias na Bacia de Sichuan.
Environmental
Research (QIU et al., 2018)
3 Seoul, Coreia do Sul 𝑀𝑃10, 𝑆𝑂2, 𝑁𝑂2, CO, 𝑂3 - Status socioeconômico em um nível regional; Aglomeração; Comportamento da Saúde
O estudo sugeriu que a alta poluição do ar externo(𝑆𝑂2) aumenta a incidência de Tuberculose (TB), enquanto a alta privação social aumenta a mortalidade por TB.
International Journal of Environmental Health (SOHN et al., 2019) 4 Santiago, Chile 𝑀𝑃2,5 0–5 anos, 5–64 anos, 65≤anos
Por zona de estudo
Os resultados mostraram que o nível de risco da exposição à poluição do ar não é definido unicamente pela exposição ao poluente, ao avaliar as internações e mortalidades. A idade ou qualidade de vida da população definirá sua a suscetibilidade e pode aumentar o risco de adoecer ou falecer por exposição à poluição do ar em Santiago do Chile. Air Quality, Atmosphere & Heatlh (PINO-CORTÉS et al., 2020) 5 Brasil CO, 𝐶𝐻 NMHC, 4, NOx e MP - PIB, Taxa de urbanização, densidade de avenidas, distância do município até a capital do estado, densidade populacional total e densidade populacional rural.
Os resultados sugerem que fatores socioeconômicos são modificadores importantes do risco humano de doenças cardiorrespiratórias devido à exposição a emissões veiculares no Brasil.
Environmental Research
(REQUIA et al., 2016)
Nº Localidade Poluentes Faixa Etária Características
Socioeconômicas Principais Conclusões Revista Referência
6
Países desenvolvidos e Países em desenvolvimento¹
𝑆𝑂2, 𝐶𝑂2, e NOx - IDH
A partir do estudo evidencia-se que o IDH é um refletor da Qualidade do Ar (QA) para os países em desenvolvimento. Mas, IDH não é um bom refletor de QA para países desenvolvidos.
International Journal of Scientific and Research Publications (SANTRA, 2014) 7 Rio de Janeiro – RJ 𝑀𝑃10 e PTS -
IDH, Renda per capita da população adulta
Ao avaliar a vulnerabilidade, notou-se que a região do estado do Rio de Janeiro que apresentou alta incidência de doenças respiratórias também foi caracterizada por estar vulnerável em termos de PIB per capita e IDH.
Dissertação – UFRJ (GREGÓRIO, 2011) 8 Região Amazônica 𝑀𝑃2,5 5≥anos, 5-65, 65≤ anos IDH
O indicador de poluição atmosférica mostrou associação com a ocorrência de doenças respiratórias, em especial nos grupos etários mais vulneráveis da Amazônia brasileira, o qual pode ser utilizado na abordagem dos efeitos da queima das florestas na saúde humana.
Revista de Saúde Pública (IGNOTTI et al., 2010) 9 Santa Catarina CO, 𝑀𝑃2,5 4≥ anos,
65≤anos População rural
Acredita-se que o aumento da gravidade das doenças respiratórias pode ser determinado pela interação de variáveis climáticas, juntamente com condições ambientais inadequadas e baixo nível socioeconômico. Caderno de Saúde Coletiva (FONSECA; VASCONCELOS, 2011) ¹Países desenvolvidos: Austrália, Bélgica, Dinamarca, Finlândia, Alemanha, Irlanda, Itália, Japão, Holanda, Nova Zelândia, Noruega, Espanha, Suécia, Inglaterra e Estados Unidos da América. Países em desenvolvimento: Algéria, Bolívia, Bulgária, Chile, Colômbia, Etiópia, Guatemala, Jamaica, Líbano, Lituânia, Marrocos, Filipinas, Sri Lanka, Uzbequistão e Iêmen
3 MATERIAIS E MÉTODOS
3.1 ÁREA DE ESTUDO
O estado de Santa Catarina foi objeto de estudo do trabalho. Foram analisados os 295 municípios no ano de 2017. Localizado na região sul do Brasil, possui uma área de 95.737,954 km²
(IBGE, 2020d). A população estimada para o ano de 2017 é de 7.001.161 pessoas, resultando na 8ª maior densidade demográfica do ranking nacional, com 73,13 hab/km² (IBGE, 2017a). O estado é composto de seis mesorregiões, as quais são áreas que englobam municípios que possuem similaridades em aspectos sociais e econômicos (IBGE,1990). Santa Catarina apresenta 6 mesorregiões como pode ser visto na Figura 2.
Figura 2: Área de Estudo
No ano de 2017, o estado catarinense caracterizou--se por apresentar a sexta maior frota veicular do país, com 4.9470.58 veículos (LCQAR, 2020c) e possuir o maior número de carros por habitantes (DENATRAN, 2018). O inventário de emissões veiculares do ano de 2017 de SC constatou, que as emissões quando relativizadas pela área territorial figuraram entre as principais emissoras de poluentes veiculares do país (LCQAR,2020c).
O PIB catarinense no ano de 2017 foi de aproximadamente R$ 234 bilhões, tendo uma participação de 4.1% no PIB nacional. O PIB industrial para o mesmo ano apresentou uma participação de 5.3% no PIB industrial nacional. No ano de 2018, estado apresentou 42 576
empreendimentos industriais, o que contabiliza 9.2% no número de indústrias no Brasil. Os setores industriais que se destacam na contribuição no estado são o setor de alimentos, vestuário e construção (CNI; SESI; SENAI; IEL, 2020).
Ao que tange às queimadas, o Estado possui 60% da sua área territorial ocupada pelo setor agropecuário (IBGE, 2017b), sendo este um grande precursor dos eventos de queima a nível global (SHI et al, 2017). No inventário de emissões por biomassa foi diagnosticado um aumento abrupto de queimadas do ano de 2015 a 2016 e o ano de 2017 apresentou emissões expressivas quando comparadas a anos anteriores (LCQAR, 2020b).
O estado de SC está bem colocado no ranking de IDH do país. Ocupa a terceira posição com um valor de 0,774. Além disso, os municípios oscilam entre os níveis de IDH-M Médio e Muito Alto. Na Figura 3, nota-se o comportamento dos indicadores que compõe o Indice de Desenvolvimento Humano nos municípios de SC. A longevidade é o índice que destaca-se em todas as faixas de IDH-M, seguida de renda e educação. Em todos os níveis do IDH-M, a educação ficou com a menor magnitude. Nota-se que para o caso do IDH-M Médio, o indicador de educação apresentou um valor extremamente baixo (PNUD; IPEA; FJP, 2013).
Figura 3: Indicadores de cada nível de IDH-M no estado de Santa Catarina
3.2 DADOS
Os dados obtidos para as emissões veiculares e queimadas para o ano de 2017, foram utilizadas do inventário de emissões do Laboratório de Controle e Qualidade do Ar (LCQAR, 2020b; LCQAR,2020c) Os poluentes foram selecionados de modo a incluir aqueles que são criteriosos a saúde conforme define a Agência de Proteção Ambiental dos Estados Unidos (EPA,2020d) e de acordo com a disponibilidade de dados do estado de SC. De tal forma que foram utilizadas as emissões do Monóxido de Carbono (CO), Óxido de Nitrogênio (NOx) e Material Particulado (MP). Para a fonte de emissão por queimadas, apenas o Material Particulado 2,5 (𝑀𝑃2.5) foi inventariado na classe dos particulados. Aponta-se que em virtude de não existir monitoramento da qualidade do ar em SC, usaram-se taxas de emissão para realizar o estudo e não concentrações, as quais são amplamente utilizadas na literatura.
Quanto as indústrias, não foram utilizadas taxas de emissões como para as demais fontes observadas. As taxas de emissões industriais ainda não estão consolidadas no estado e dessa forma optou-se por fazer a análise com o número de indústrias de cada município catarinense. Esses dados foram obtidos a partir do IBGE, do portal SIDRA para o ano de 2017(IBGE,2020c). O critério de escolha das atividades industriais empregadas levou em consideração os processos industriais que são determinados na AP-42 (EPA,2020b). Foram selecionados os seguintes campos industriais: Fabricação de Produtos Alimentícios; Fabricação de Bebidas; Fabricação de Celulose Papel e Produtos de Papel; Fabricação de Coque, de Produtos Derivados do Petróleo e de Biocombustíveis; Fabricação de Produtos Químicos; Fabricação de Produtos Farmoquímicos e Farmacêuticos; Fabricação de Cimento; Fabricação de Produtos Cerâmicos; Metalurgia.
Para os índices socioeconômicos foram empregados o PIB per capita, IDH-M e o Coeficiente de Gini. O PIB per capita é disponibilizado pelo IBGE e foi selecionado para o ano de 2017(IBGE,2020b). Tanto para o IDH-M quanto para o Coeficiente de Gini eles são do ano de 2010, de acordo com o último censo do país. São disponibilizados pelo Atlas Brasil (PNUD; IPEA; FJP ,2013).
Foram utilizados dados de internações respiratórias para avaliação dos efeitos da poluição do ar na saúde humana. Os dados foram extraídos do DATASUS para o ano de 2017 (BRASIL,2020). As doenças selecionadas foram as do Capítulo X, de acordo com a Classificação Internacional de Doenças, Doenças do Aparelho Respiratório (J00-J99). Foi feita a segregação por faixa etária: 14 ≥anos(crianças), 15≤anos≤59(adultos) e 60≤anos (idosos). Além disso, os dados da população por faixa etária também foram obtidos a partir do banco de dados do DATASUS para o
ano de 2015, último ano disponível do sistema. Trabalhou-se com dados de internações relativizados, ou seja, cada faixa etária de internação foi dividida pelo número de indivíduos correspondente à faixa etária, a cada 10 000 habitantes por município. A Figura 4 apresenta de forma sintética os dados utilizados no trabalho de acordo com os conceitos de risco ambiental.
Figura 4: Diagrama de risco dos dados empregados no trabalho
3.3 ANÁLISE ESTATÍSTICA
3.3.1 Estatística Descritiva
Para entender o comportamento das variáveis ao redor do estado, uma análise descritiva foi feita e calcularam-se as mínimas, médias, máxima de cada variável. Foram desenvolvidos histogramas de modo a compreender a distribuição das variáveis empregadas, bem como foram espacializadas.
Em estudos da qualidade do ar, os dados empregados não costumam possuir uma distribuição normal. Para verificar se os tipos de distribuição não aderem a uma distribuição gaussiana, foi performado o Teste de Hipótese do Qui-Quadrado. O teste estatístico é apresentado conforme a Equação 1. Risco Probabilidade de internações Ameaça Índices de poluição atmosférica Vulnerabilidade
Capacidade Adaptativa: Índices Socioeconômicos Sensibilidade: Idade
Exposição Proximidade
Equação 1: Equação do Teste de Hipótese do Qui-Quadrado. 𝑋̂2 = ∑(𝑂𝑘− 𝐸𝑘) 2 𝐸𝑘 𝐾 𝑘=1
em que 𝐾 são as classes em que os dados são organizados, 𝑂𝑘 são as frequências observadas 𝐸𝑘 são as frequências esperadas da distribuição teórica. A hipótese nula é rejeitada quando o valor calculado é maior que o valor crítico. Deve-se, portanto, saber qual é o número de graus de liberdade (Φ = K– Z, em que K é número de classes e Z é o número de parâmetros que descrevem a distribuição mais o número de variáveis), para poder calcular o valor crítico. Para o trabalho foram empregadas 10 classes para cálculo do teste, dois parâmetros que descrevem a distribuição (média e desvio padrão) e apenas uma variável de análise (TRAUTH, 2015). Assim, os graus de liberdade para as séries de dados são iguais a 7. O valor crítico foi calculado com um intervalo de confiança de 95% (α = 0.05).
3.3.2 Análise Bivariada das variáveis empregadas nas internações por doenças respiratórias no estado de Santa Catarina
Foram performados métodos para avaliar a influência das variáveis sobre as internações por doenças respiratórias. Correlação é um tipo de método utilizado que visa estudar a associação entre duas ou mais variáveis (NAGHETTINI; PINTO, 2007). Dessa forma, empregaram-se Correlações pelo método de Spearman e Pearson, assim como um Modelo Linear Generalizado de Poisson foi utilizado. A correlação de Pearson calcula-se de acordo com a Equação 2:
Equação 2: Correlação de pelo método de Pearson
𝑟𝑥𝑦 = ∑ (𝑥𝑖− 𝑥̅)(𝑦𝑖 − 𝑦̅) 𝑛
𝑖=1
(𝑛 − 1)𝑠𝑥𝑠𝑦
em que n é o número de pares da amostra, 𝑥𝑖 𝑒 𝑦𝑖 são os valores dos dados para cada contagem, 𝑥̅ 𝑒 𝑦̅ é a média de cada amostra, e 𝑠𝑥 𝑒 𝑠𝑦 são os desvios padrões de cada variável. A correlação de Pearson é um método paramétrico empregado para amostras que possuam uma distribuição gaussiana. É um método extremamente sensível para dados que não possuam essa característica. Os dados por não possuírem uma distribuição normal foram normalizados antes da aplicação, ou seja, foi calculado o log de cada um deles.
Existem alternativas para série de dados que não possuam essa distribuição e não necessitam ser transformados. O Coeficiente de Correlação de Ranks de Spearman, é um método que pode ser utilizado caso a série amostral não se mostre normal (TRAUTH, 2015). A Equação 3 demonstra o cálculo do coeficiente de Spearman.
Equação 3: Coeficiente de Correlação pelo método de Spearman
𝑟𝑥𝑦= 1 − 6 ∑ 𝑑𝑖 2 𝑛 𝑖=1 𝑛(𝑛2− 1)
em que 𝑑𝑖 é a diferença de ranks entre duas variáveis e n é o tamanho da amostra. Como é calculada de acordo com ranks e não com valores numéricos, os resultados são menos sensitivos do que os outliers do Coeficiente de Correlação de Pearson (TRAUTH, 2015).
Para que seja desconsiderada a hipótese nula (H0= Coeficiente de correlação igual a zero), é necessário que seja calculado a significância estatística do valor obtido. Assim, o p-valor foi calculado para testar um intervalo de confiança da hipótese de 95%, ou seja, α = 0.05. As correlações foram performadas no software MATLAB. O programa computa a significância estatística do teste de Pearson com um teste de Student’s e para Spearman com um teste de permutação.
Na análise das correlações, foram empregados os dois métodos supracitados de modo a verificar a convergência dos resultados entre ambos. No entanto, para a realização das discussões do trabalho, o método de Spearman foi considerado visto que é um método não-paramétrico e mais adequado ao tipo de distribuição das variáveis utilizadas. Para a ponderação da força entre as correlações, Rodrigues (2008) e Ribeiro Junior (2020) definem as intensidades das correlações, conforme a Tabela 4.
Tabela 4: Definição das intensidades para os coeficientes de correlação.
Intervalo Interpretação
0.00 – 2.00 Correlações Nulas/ Bem fracas
0.21 – 4.00 Correlações Fracas
0.41 – 0.70 Correlações Substanciais / Moderadas
0.71 – 0.90 Correlações Fortes
0.91 – 1.00 Correlações Extremamente Fortes
Fonte: (RIBEIRO JUNIOR,2020; RODRIGUES, 2008)
No entanto para facilitar a interpretação dos resultados, as intensidades ao longo dos resultados serão feitas de acordo com a Tabela 5 adaptada.
Tabela 5:Definição das intensidades para os coeficientes de correlação adaptada.
Intervalo Interpretação
0.00 – 0.10 Correlações Bem fracas
0.11 – 0.40 Correlações Fracas
0.41 – 0.70 Correlações Moderadas
0.71 – 0.90 Correlações Fortes
0.91 – 1.00 Correlações Extremamente Fortes
Fonte: Adaptado de (RIBEIRO JUNIOR,2020; RODRIGUES, 2008)
Outro método utilizado foi o Modelo Generalizado Linear de Poisson, para avaliação da interferência das variáveis independentes nas variáveis resposta (internações). Os modelos lineares generalizados (MLG) representam a união de modelos lineares e não-lineares com uma distribuição da família exponencial, que é formada pela distribuição normal, poisson, binomial, gama, normal inversa (McCULLAGH; NELDER, 1989). Modelos que seguem uma distribuição exponencial geralmente apresentam a estrutura,conforme Equação 4.
Equação 4: Densidade da família exponencial
𝑓(𝑦|𝜃, 𝜙) = exp {𝑦𝜃 − 𝑏𝜃
𝑎(𝜙) + 𝑐(𝑦, 𝜙)}
em que y, é a variável de interesse, θ é o parâmetro natural (função de ligação canônica), 𝜙 é o parâmetro de escala, a,b e c são funções especificas que determinam unicamente a distribuição. A transformação da relação não linear em forma linear é realizada através de uma função de ligação, que para distribuição de Poisson, se dá através da função log (LIMA,2019). Para avaliação do ajuste do modelo, analisou-se o resíduo de Pearson. Conhecido como estatística de Pearson ou Qui-Quadrado (X²), é capaz de comparar a distribuição observada com a determinada pelo modelo. Pode-se dizer que a estatística de Pearson é a soma dos resíduos para cada obPode-servação. O teste possui como hipótese nula, um bom ajuste do modelo. Dessa forma, um modelo que se ajuste bem aos dados possui estatística de Pearson X², deve possuir um valor menor que o valor crítico para que a hipótese nula não seja descartada. Para o cálculo do valor crítico, é necessário saber os Graus de Liberdade (GL = observações –n variáveis explicativas -1). O valor crítico foi calculado com o auxílio do software MATLAB.
Na análise pelas faixas de IDH, foi empregada uma análise descritiva entre as faixas etária para cada nível de IDH-M. Além disso, um teste de hipótese foi empregado para verificar a não igualdade de medianas entre séries, ou seja, internações por faixas de IDH. O Teste de Mann – Whitney é um teste não paramétrico, o qual compara medianas sem requerer normalidade para os
dados empregados. O teste de Mann Whitney foi utilizado em virtude de as séries de dados não apresentarem uma distribuição gaussiana, sendo um teste alternativo para o teste-t, comumente utilizado. Considerando a premissa de que as séries comparadas possuem dispersões similares, a hipótese nula é considerada para as séries de dados que apresentam medianas iguais, e a hipótese alternativa o contrário.
Para o cálculo, do teste citado as amostras devem ser arranjadas em ordem crescente. Em seguida, soma-se as posições(“ranks”) das amostras 1 e 2, onde a soma de todos os ranks é R=n(n+1) /2, n é o número total de medidas. De tal forma que se calcula o U-valor demostrado na Equação 5.
Equação 5: Cálculo do U-valor para o teste de Mann-Whitney
𝑈1 = 𝑛1𝑛2 + 𝑛1(𝑛1+ 1) 2 − 𝑅1 𝑈2 = 𝑛1𝑛2 + 𝑛2(𝑛2+ 1)
2 − 𝑅2
onde, 𝑛1 e 𝑛2 são o tamanho das amostras 1 e 2, respectivamente, e 𝑅1 e 𝑅2 são as somas das posições(“ranks”) das amostras 1 e 2. Para o cálculo do z calculado, escolhe-se o menor valor obtido entre o 𝑈1 e 𝑈2. Assim para calcular o valor obtido no teste de hipótese, utiliza-se a Equação 6.
Equação 6: Teste de Mann-Whitney
𝑧̂ = |𝑈 − 𝑛1𝑛2 2 | √(𝑆(𝑆 − 1)𝑛1𝑛2 ) . (𝑆312− 𝑆− ∑ 𝑡𝑖 3− 𝑡 𝑖 12 𝑖=𝑟 𝑖=1 )
onde S=𝑛1+ 𝑛2, r é o número de valores repetidos e 𝑡𝑖 é o valor da ocorrência que se repetiu. Para testar a hipótese nula, um z crítico (com α=0.05) foi calculado para que seja comparado com o z calculado para cada combinação de série de dados. A rejeição da hipótese nula acontece quando o z calculado é maior que o z crítico. O z crítico foi calculado com o auxílio do software e resultou em 1,96.
Em seguida, os municípios foram segmentados por faixa de IDH-M a fim de avaliar como as variáveis independentes se comportavam com as internações em cada nível do índice supracitado. Dessa forma, as correlações de Pearson e Spearman foram empregadas, em cada grupo de municípios por IDH do estado.
4 RESULTADOS
4.1 VARIABILIDADE ESPACIAL DAS EMISSÕES ATMOSFÉRICAS, NÚMERO DE INDÚSTRIAS, ÍNDICES SOCIOECONÔMICOS E INTERNAÇÕES POR DOENÇAS RESPIRATÓRIAS NO ESTADO DE SANTA CATARINA
A Tabela 6 apresenta as características descritivas dos dados utilizados no trabalho. Para as emissões, tanto por queimadas quanto por veículos. Ao que concerne as emissões veiculares, o poluente em destaque é o monóxido de carbono (CO), o qual possui uma média de 429.85 ton/ano. O material particulado (MP) da fonte de emissão veicular possui menores valores, inclusive em comparação com os demais poluentes de emissões por queimadas. Dentre as emissões veiculares, apenas o município de Morro Grande configurou emissão igual a zero. Nas emissões por queimadas, o CO apresentou uma média de 1 778.99 ton/ano. Diferentemente das emissões veiculares, o poluente que possui menor emissão, para fonte de queimadas, é o óxido de nitrogênio (NOx). No estado de SC, 69 municípios não apresentaram queimadas no ano de 2017.
Os municípios do estado apresentaram uma média de 28.72 indústrias em sua localidade, sendo que em 8 municípios não foram configuradas indústrias. O PIB per capita mínimo apresentado entre os municípios foi de R$12 692.10, uma média de R$32 062.70 e uma máxima de R$159 236.66. Ao que concerne ao Índice de Desenvolvimento Humano (IDH), o menor índice apresentado foi de 0.621 o que faz com que a menor faixa de IDH apresentada no estado seja a média. Logo, os IDHs nos municípios catarinenses oscilam entre a faixa de IDH Médio e Muito Alto. Para o coeficiente de Gini, o valor máximo foi de 0.62 e uma média de 0.44. Ressalta-se que esse índice indica que valores próximos a um, municípios possuem maior concentração de renda e uma maior desigualdade.As internações a cada 10 mil habitantes mostram que as faixas etárias mais afetadas pelas doenças respiratórias no estado, em termos de mínimo, média e máximo são primeiramente 60≤anos e em seguida, 14≥anos.
Tabela 6: Análise descritiva das variáveis estudadas dos municípios de SC, para o ano de 2017
Variáveis Mínima Média Máxima
Veiculares CO [ton/ano] 0.00 429.85 10 215.18 NOx [ton/ano] 0.00 194.01 3 575.96 MP [ton/ano] 0.00 7.27 134.28 Queimadas CO [ton/ano] 0.00 1 778.99 26 071.63 NOx [ton/ano] 0.00 96.33 1 435.65 MP2,5 [ton/ano] 0.00 180.90 2 597.87 Nº Indústrias 0.00 28.72 325.00 PIB[R$/ano] 12 692.10 32 062.70 159 236.66 IDHM 0.621 0.732 0.847 Coeficiente de Gini 0.280 0.441 0.620 Internações Respiratórias¹ 14≥anos 16.86 158.37 1 637.38 15≤ anos≤59 0.00 58.18 436.42 60≤anos 43.42 424.83 2 062.71
¹ Internações Respiratórias a cada 10 000 habitantes.
A Figura 5 e Figura 6 mostram a distribuição das variáveis. De modo geral, a maioria não apresenta um comportamento gaussiano. As variáveis IDH-M e Coeficiente de Gini demostraram uma distribuição semelhante à uma gaussiana. Ao ser conduzido, o teste de hipótese de Chi-Quadrado verificou-se que ambas as variáveis não apresentam uma distribuição normal. De acordo com os resultados, os valores calculados do teste anulam a hipótese nula, a qual afirma que a série de dados apresenta uma distribuição normal em um intervalo de confiança de 95%. No APÊNDICE A e B, é possível verificar o histograma das variáveis normalizadas, assim como os resultados do teste de hipótese no APÊNDICE C.
Figura 6: Histograma das variáveis PIB per capita, Índice de Desenvolvimento Humano Municipal, Coeficiente de Gini, Internações Respiratórias nas faixas etárias 14≥anos, 15≤ anos≤59 e 60≤anos.
