anÁlise espacial: um estudo sobre indicadores...

ANÁLISE ESPACIAL: UM ESTUDO

SOBRE INDICADORES

SOCIOECONÔMICOS DOS MUNICÍPIOS

DO ESTADO DO CEARÁ

Julio Francisco Barros Neto (UFC)

[email protected]

João Welliandre Carneiro Alexandre (UFC)

[email protected]

Silvia Maria de Freitas (UFC)

[email protected]

Tiago Maia Magalhãies (UFC)

[email protected]

A evolução dos Sistemas de Informações Geográficas possibilitou sua

crescente utilização como ferramenta de auxílio à análise espacial,

tornando possível avaliar cenários geográficos com rapidez e

conseqüentemente tornar mais ágil a tomada de decisão tanto em nível

governamental como no gerenciamento de uma empresa. O

desenvolvimento regional, até então caracterizado como uma região

evolui, é agora visto como relação de interdependência espacial entre

regiões, na qual atributos são correlacionados por grau de vizinhança

ou proximidade. Assim, neste trabalho, apresentam-se algumas

características socioeconômicas dos municípios do estado do Ceará

que determinam o desenvolvimento regional, associando técnicas

análise espacial a fim de mensurar de o nível de dependência

geográfica.

Palavras-chaves: análise espacial, desenvolvimento regional,

dependência geográfica

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão.

Salvador, BA, Brasil, 06 a 09 de outubro de 2009

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão


2

1. INTRODUÇÃO

Ao se estudar o desenvolvimento regional, muito além de se dizer que uma região é

desenvolvida, é muito mais importante dizer que esse desenvolvimento é igualmente

distribuído entre todos os seus municípios. Para se ter uma melhor visão desse

desenvolvimento é importante saber se apenas um município é responsável por esse nível ser

alto, ou baixo, ou se é igualmente distribuído entre todos.

Um índice muito utilizado para se mensurar o desenvolvimento de uma região é o IDH -

Índice de Desenvolvimento Humano que mede o nível de desenvolvimento humano dos

países, e que hoje também pode ser aplicado em municípios, utilizando como critérios

indicadores de educação (alfabetização e taxa de matrícula), longevidade (esperança de vida

ao nascer) e a renda (PIB per capita), conhecido como IDH-M. De forma mais direta, o IDH

varia de zero até um, sendo que quanto mais próximo de um for o índice de uma região maior

é seu desenvolvimento humano.

Anteriormente, tinha-se a idéia de que o crescimento econômico era o único fator gerador do

desenvolvimento. Hoje, ganhou espaço a idéia de promover o bem-estar social de um

determinado local ou região, a partir de uma estrutura em que a participação da sociedade

civil, em conjunto com os governos federal, estadual e municipal, seria responsável por

identificar o potencial produtivo da comunidade e criar condições melhores de vida.

O IDH-M pode servir como um sinal de alerta para uma sociedade que pretende combater a

miséria do país e promover o progresso nas áreas sociais. “Mas o mapa da pobreza é apenas

um indicador de algumas manifestações importantes, mas insuficientes”, diz o professor Jara

(1998). Segundo ele, é preciso olhar o verdadeiro significado da pobreza como um fenômeno

também cultural, gravado na subjetividade das pessoas. Carlos Jara ainda relata “ou se

continua caminhando na mesma rota de crescimento indiscriminado isento de qualquer

qualificação até destruir nosso sistema de apoio natural, ou se muda o caminho do

desenvolvimento."

Neste trabalho é abordado o desenvolvimento regional, de uma forma diferente, utilizando as

técnicas de analise espacial. As regiões de estudo foram os municípios do estado do Ceará.

Além de se observar as regiões, em função de suas características integrantes de indicadores

socioeconômicos, tenta-se encontrar a existência de alguma relação entre elas, talvez até

como um fator que explique ou não, o desenvolvimento no local.

2. SIG E ANÁLISE ESPACIAL

O termo Sistemas de Informações Geográficas – SIGs é utilizado para caracterizar sistemas

computacionais que tratam dados com características espaciais, ou seja, manipulam banco de

dados geograficamente referenciados. Em um contexto mais amplo, os SIGs permitem

capturar, modelar, recuperar, manipular, consultar, apresentar e analisar bases de dados

conectadas a informações geográficas. Os SIGs são importantes instrumentos de análise

espacial. Através deles é possível espacializar um fenômeno, e, com o auxílio de uma série de

técnicas, determinar a sua evolução espacial e temporal, bem como a sua relação com

fenômenos diferentes.

Análise espacial é qualquer processo de apresentação, manipulação, análise, inferência e

estimação de dados espaciais. Dados espaciais, resumidamente, é qualquer tipo de dado que

possa ser apresentado na forma de um mapa. BAILEY (1995) define a analise espacial como



3

uma ferramenta que possibilita manipular dados espaciais de diferentes formas e extrair

conhecimento adicional como resposta. Incluindo funções básicas como consulta de

informações espaciais dentro de áreas de interesse definidas, manipulação de mapas e a

produção de alguns breves sumários estatísticos dessa informação; incorporando também

funções como a investigação de padrões e relacionamentos dos dados na região de interesse,

buscando, assim, um melhor entendimento do fenômeno e a possibilidade de se fazer

predições.

Os dados geográficos (ou georreferenciados) são dados espaciais cuja dimensão espacial está

associada à sua localização na superfície da terra, em um determinado instante. Segundo

BERTINI (2003) as entidades geográficas estão no espaço geográfico e são objetos

identificáveis no mundo real, com características espaciais e relacionamentos espaciais com

outras entidades geográficas. O dado espacial descreve fenômenos associados a dimensões

espaciais. A representação espacial de um objeto geográfico é a descrição de sua forma

geométrica associada à posição geográfica. Os dados geográficos possuem três características

importantes: Espaciais: informam a geometria e posição geográfica do fenômeno; Não-

espaciais: descrevem o fenômeno; Temporais: informam o período de validade dos dados

geográficos e suas variações no tempo.

O processo da análise espacial segundo CÂMARA et al. (2002) compreende um conjunto de

procedimentos encadeados cuja finalidade é a escolha de um modelo inferencial que

considere explicitamente o relacionamento espacial presente no fenômeno. Os procedimentos

iniciais da análise incluem o conjunto de métodos genéricos de análise exploratória e a

visualização dos dados, em geral através de mapas. Essas técnicas permitem descrever a

distribuição das variáveis de estudo, identificar observações atípicas não só em relação ao tipo

de distribuição, mas também em relação aos vizinhos e buscar a existência de padrões na

distribuição espacial. Através desses procedimentos é possível estabelecer hipóteses sobre as

observações, de forma a selecionar o modelo inferencial melhor suportado pelos dados.

A análise espacial pode ser dividida em Seleção, Manipulação, Análise Exploratória e

Confirmatória. Essas quatro distinções são assim descritas:

Seleção: compreende os processos de navegação num Banco de Dados Geográficos,

realizando consultas e apresentando mapas cloropléticos simples;

Manipulação: envolve todas as funções que criam dados espaciais. Nesta etapa, é que será

utilizada Álgebra de Mapas em Geoprocessamento, ampliando a capacidade de análise e

correlações;

Análise Exploratória: permite descrever e visualizar distribuições espaciais, descobrir

padrões de associação espacial (aglomerados espaciais), sugerir a existência de

instabilidades espaciais (não-estacionariedade) e identificar observações atípicas

(outiliers). Essas técnicas, quando aplicadas a dados espaciais, são essenciais ao

desenvolvimento das etapas da modelagem estatística espacial, em geral, muito sensível

ao tipo de distribuição, à presença de valores extremos e à ausência de estacionariedade;

Análise Confirmatória: envolve o conjunto de modelos de estimação e procedimentos de

validação, necessários para implementar análises multivariada com componentes

espaciais.

O objetivo das técnicas de análise espacial é descrever os padrões existentes nos dados

espaciais e estabelecer, preferencialmente de forma quantitativa, os relacionamentos entre as



4

diferentes variáveis geográficas. A análise exploratória espacial nos permite descrever e

visualizar distribuições de dados espaciais, descobrir padrões de associação espacial, bem

como identificar nos fenômenos, outros tipos de comportamento considerados atípicos. A

estatística espacial é uma das vertentes principais da análise espacial, abrangendo todo o

ferramental matemático destinado a fornecer ao planejador a capacidade de estabelecer

critérios quantitativos de agrupamento ou dispersão dos dados espaciais, determinando o grau

de dependência espacial entre as observações. A técnica da estatística espacial nasce da

necessidade de quantificação da dependência espacial presente num conjunto de geodados,

distinguindo-se das demais técnicas empregadas em análise estatística por considerar

explicitamente as coordenadas dos dados no processo de coleta, descrição ou análise.

Na estatística espacial, a correlação pode ser entendida como a tendência a que o valor de uma

ou mais variáveis associadas a uma determinada localização assemelhe-se mais aos valores de

suas observações vizinhas do que ao restante das localizações do conjunto amostral. Ela

também pode ser denominada autocorrelação, quando medir o grau de influência que uma

dada variável tem sobre si mesma. Se a ocorrência de um dado evento influencia para que

outros semelhantes aconteçam ao seu redor, tem-se autocorrelação positiva, ou atração, o que

implica em uma distribuição aglomerada de eventos. Se a ocorrência deste mesmo evento

dificulta ou impede a ocorrência de outros em seu entorno, tem-se autocorrelação negativa, ou

repulsão, resultando em uma distribuição aproximadamente eqüidistante dos eventos

(QUEIROZ, 2003).

As estatísticas locais e globais objetivam caracterizar a distribuição relativa dos eventos

observados no espaço, ou seja, o arranjo espacial destes eventos. Esta caracterização objetiva

detectar padrões de aglomerados espaciais, verificando se os eventos observados apresentam

algum tipo de padrão sistemático, ao invés de estarem distribuídos aleatoriamente. Estas duas

estatísticas diferenciam-se pela unidade de análise, sendo que as globais consideram todas as

observações, e as locais, apenas os eventos que ocorrem até uma distância considerada

significativa, conforme o critério usado.

2.1. Ferramentas de análise de dados em área

Dentre as ferramentas disponíveis de análise de dados em área, algumas delas foram

selecionadas por permitirem uma caracterização espacial sistêmica sobre a ocorrência de

determinado fenômeno espacial.

2.1.1. Visualização dos dados

A visualização de dados consiste em apresentar a distribuição dos atributos por área usando

mapas temáticos, verificando como cada um destes atributos influencia os demais e estimando

relações de causa e efeito. Vários mapas temáticos podem ser feitos, modificando o limite e a

quantidade de classes para obter uma visão geral da distribuição dos atributos. Esta variação

pode ser feita manualmente ou usando as ferramentas de geração de mapas disponíveis nos

pacotes computacionais de SIG, que oferecem diversas opções de mapas temáticos. Deve-se

observar também que os diferentes tipos de mapas gerados induzem a visualização de

diferentes aspectos, tendo cada um, características específicas.

2.1.2. Média espacial móvel

Em análise espacial, a média móvel objetiva identificar padrões e tendências espaciais,

produzindo uma superfície menos descontínua (mais suave) que os dados originais, ou seja, se

uma área tem atributo reduzido/elevado e os seus vizinhos tem atributos elevados/reduzidos,

ela tenderá a elevar/reduzir o valor desta área. Esta medida também pode apresentar



5

indicações de locais de transição entre regimes espaciais. Considerando a matriz de

proximidade espacial W, a estimativa desta média pode ser expressa pela Equação 2.1.

(2.1)

Onde: zi: diferença entre o valor do atributo no local i e a média de todos os atributos;

wij: pesos atribuídos conforme a relação topológica entre os locais i e j.

A matriz de proximidade poder ser definida com pesos do tipo 0 ou 1, o valor 1 atribuido a wij

indique que as regiões i e j são vizinhas (adjacentes), e 0 caso contrário.

2.1.3. Índice Global de Moran (IGM)

As estatísticas de autocorrelação espacial global possuem como objetivo caracterizar a

dependência espacial mostrando como os valores estão correlacionados no espaço, fornecendo

uma medida geral da associação espacial. O índice global de Moran (IGM) é um dos

indicadores que realizam esta função, sendo calculado pela Equação 2.2.

(2.2)

Onde: n: quantidade de áreas;

zi: diferença entre o valor do atributo no local i e a média de todos os atributos;

zj: diferença entre o valor do atributo dos vizinhos do local i e a média de todos os

atributos;


O índice global de Moran compara a distribuição observada do atributo em relação a

distribuição esperada num padrão aleatório. A hipótese nula é a de completa aleatoriedade

espacial, quando o atributo se distribui ao acaso entre as áreas, sem relação com a posição. De

uma forma geral, embora isto não seja estritamente verdadeiro, este índice tende a ter valores

entre -1 e +1, quantificando o grau de autocorrelação existente, sendo positivo para correlação

direta e negativo quando inversa (CARVALHO, 1997 apud QUEIROZ, 2003). Valores

próximos de zero indicam a inexistência de autocorrelação espacial significativa entre os

valores dos objetos e seus vizinhos. Valores positivos para o índice indicam autocorrelação

espacial positiva, ou seja, o valor do atributo de um objeto tende a ser semelhante aos valores

dos seus vizinhos. Valores negativos para o índice indicam autocorrelação espacial negativa.

2.1.4. Índice Local de Moran (ILM)

Os indicadores locais produzem um valor específico para cada área, permitindo a

identificação de agrupamentos (clusters), de valores extremos (outliers) e a existência de

vários regimes espaciais, que não são identificados pelo cálculo dos indicadores de associação

espacial global, conforme apresentado pela Equação 2.3.



6

(2.3)

Onde: zi: diferença entre o valor do atributo no local i e a média de todos os atributos;

zj: diferença entre o valor do atributo dos vizinhos do local i e a média de todos os

atributos;


A autocorrelação do índice local de Moran é calculada a partir do produto dos desvios em

relação à média, como uma medida de covariância. Dessa forma, valores significativamente

altos indicam altas probabilidades de que haja locais de associação espacial, tanto de

polígonos com altos valores associados, como com baixos valores associados. Por outro lado,

baixos valores apontam para um padrão que pode ser entendido como locais de

comportamento mais errático da variável observada entre um polígono e seus vizinhos

(QUEIROZ, 2003).

2.1.5. Diagrama de Espalhamento de Moran (DEM)

Diagrama de Espalhamento de Moran (DEM) foi proposto por ANSELIN (1992) como uma

forma adicional de se visualizar a dependência espacial dos dados e consiste na construção de

um gráfico bidimensional de Z (valores normalizados) por WZ (média dos vizinhos) que

permite analisar o comportamento da variabilidade espacial, indicando os diferentes regimes

espaciais de associação presentes nos dados, através da comparação dos valores normalizados

do atributo numa área com média dos valores normalizados dos seus vizinhos.

A variabilidade espacial é representada no gráfico por quatro quadrantes (figura 2.1.) que

indicam tanto pontos de associação espacial positiva, onde os valores dos vizinhos são

semelhantes ao valor do local (Q1: valores positivos, médias positivas; e Q2: valores

negativos, médias negativas), como pontos de associação espacial negativa, os vizinhos

possuem valores distintos do valor local (Q3: valores positivos, médias negativas; e Q4:

valores negativos, médias positivas).

Figura 2.1. Gráfico do Diagrama de Espalhamento de Moran

A análise do diagrama de espalhamento de Moran permite identificar a presença de valores

extremos, ou outiliers, os quais não seguem o mesmo processo de dependência espacial que a

maioria das outras observações. Esses valores são identificados no diagrama como sendo os

pontos extremos em relação à tendência central, refletida pela inclinação da regressão, ou

como pontos cujos valores estão acima de dois desvios padrões da média. Geralmente esses

IGM= tang(a) : Indice de

Moran Q1

1

Q2

1

Q4

1

Q3

1

Elementos de

Z

Elementos de

WZ

a



7

pontos se localizam nos quadrantes Q3 e Q4 e indicam regimes de transição espacial entre

regimes espaciais distintos.

O DEM também pode ser apresentado na forma de um mapa temático bidimensional,

conhecido como Box Map, no qual cada polígono é apresentado indicando-se seu quadrante

no diagrama de espalhamento. Outro tipo de mapa que pode ser elaborado é o Moran Map,

que classifica em quatro grupos somente os objetos para os quais os valores do índice local de

Moran foram considerados significantes, conforme o quadrante aos quais pertencem no

gráfico de espalhamento de Moran. Os demais objetos ficam classificados como "sem

significância".

O Lisa Map é um mapa no qual os valores do Índice Local de Moran são classificados em

quatro grupos: não significante, com significância de 95% (classe 1), 99% (classe 2) e 99,9%

(classe 3).

3. REGIÃO DE ANÁLISE E DADOS

Neste trabalho é caracterizado espacialmente os municípios do Estado Ceará segundo

indicadores socioeconômicos na perspectiva de se verificar alguma relação espacial no

desenvolvimento regional e econômico, através do uso dos sistemas de informações

geográficas e da análise espacial.

A analise de dados será feito por área, no caso, cada município será uma unidade de análise.

Uma desagregação maior que essa, por exemplo, seria dividir o município em zona rural e

zona urbana, que seria melhor abordado a partir de um estudo individual de cada município.

O índice escolhido para se avaliar o desenvolvimento regional foi o IDH - Índice de

Desenvolvimento Humano. O IDH mede o nível de desenvolvimento humano dos países

utilizando como critérios indicadores de educação (alfabetização e taxa de matrícula),

longevidade (esperança de vida ao nascer) e renda (PIB per capita).

O índice varia de zero (nenhum desenvolvimento humano) a um (desenvolvimento humano

total). Países com IDH até 0,499 têm desenvolvimento humano considerado baixo, os países

com índices entre 0,500 e 0,799 são considerados de médio desenvolvimento humano e países

com IDH superior a 0,800 têm desenvolvimento humano considerado alto.

Para a avaliação da educação, o cálculo do IDH municipal (IDH-M) considera dois

indicadores com pesos diferentes. A taxa de alfabetização de pessoas acima de 15 anos de

idade tem peso dois, e a taxa bruta de freqüência à escola peso um. O segundo indicador é

resultado de um somatório de pessoas que freqüentam os cursos fundamental, secundário e

superior é dividido pela população na faixa etária de 7 a 22 anos da localidade. Para a

avaliação da dimensão longevidade, o IDH-M considera a esperança de vida ao nascer. Esse

indicador mostra o número médio de anos que uma pessoa nascida naquela localidade no ano

de referência deve viver. Para a avaliação da dimensão renda, o critério usado é a renda

municipal per capita, ou seja, a renda média de cada residente no município.

Ficou definido que o IDH-M seria a variável de interesse e também, as variáveis que a

compõem: expectativa de vida ao nascer, renda per capta, freqüência escolar, taxa de

alfabetização e também o índice de desenvolvimento educacional (idh educacional). Para um

estudo mais detalhado.

Os dados foram retirados do IPEA – Instituto de Pesquisa Econômico Aplicada e pelo IBGE -

Instituto Brasileiro de Geografia e Estatística serão analisados espacialmente.



8

Na parte da análise exploratória foram feito mapas temáticos para cada variável, a fim de

observar, se existia alguma distribuição espacial, algum aglomerado ou algum valor

discrepante.

4. ANÁLISE DOS DADOS

Para se fazer os gráficos, os mapas e os cálculos foi o utilizado o software Geoda 0.9.5-i, de

autoria de Luc Anselin.

4.1. Mapas temáticos

Para muitos a análise espacial se restringe apenas, na construção de mapas temáticos para as

variáveis de interesse em um determinado estudo. Serão apresentados a seguir os mapas

temáticos referentes aos indicadores que compõem o IDH-M, a fim de que se possa conhecê-

los melhor e se realizar algumas análises.

Sobre a renda per capta, a capital Fortaleza está na classe que contém os municípios com as

maiores rendas (região metropolitana de Fortaleza). Também estão incluídas nessa classe

Sobral, Juazeiro do Norte, Crato e Iguatu. Dentre os municípios que estão na classe mais

baixa tem-se como exemplo Croata e Aiuba. Sobre a expectativa de vida, a região leste do

estado apresenta os melhores índices, são eles: Russas, Limoeiro do Norte e São Jorge do

Jaguaribe. Pode-se citar que Barroquinha, Chaval, Croatá, Umari e Baixio foram os

municípios que obtiveram os menores valores de expectativa de vida.

Os municípios de Apuiarés, Catunda e Jardim apresentam as maiores taxa de freqüência

escolar (92,96%), já capital do Estado, Fortaleza, está na média de freqüência escolar. Itapajé

e Granja foram os municípios que apresentaram as menores freqüências.

Sobre a taxa de alfabetização, os municípios que tinham os maiores índices de freqüência

escolar estão apenas entorno da média estadual. E os municípios Fortaleza, Caucaia e Crato

estão entre os que apresentaram as maiores taxa de alfabetização. O município de Granja

continua como exemplo negativo, apresentando também um índice baixo em relação aos

outros. Quando se analisa o IDH Educacional, verifica-se este índice apresentou as mesmas

características quando comparado com a taxa de alfabetização. O que era de se esperar, uma

vez que, a taxa de alfabetização tem peso dois na construção do índice.

Por fim, referente ao IDH-M, entre os municípios que apresentaram os maiores índices de

desenvolvimento está Limoeiro do Norte, pelas análises anteriores, pode-se supor que tenha

sido o fato deste município apresentar uma das maiores expectativa vida. O mesmo acontece

com os municípios Fortaleza e Crato. E a cidade de Granja deixou claro que precisa de uma

atenção maior dos dirigentes, já que se apresentou entre os piores resultados.

Apesar de os mapas temáticos não serem realmente uma análise espacial, eles são muito úteis

para facilitar a visualização dos dados, tornando de fácil entendimento para quem não é da

área e também para quem não é acostumado com os gráficos convencionais.

4.2. Análise Confirmatória

Para o estudo da analise confirmatória foi usada técnica de referente ao Diagrama de

Espalhamento de Moran (DEM) para as diversas variáveis e que apresentaram as seguintes

análises.

4.2.1 Renda per Capta



9

Como foi visto anteriormente, Fortaleza possui uma das maiores renda per capta do Estado, e

pode-se verificar agora que ela sofre, e também influencia seus vizinhos, como por exemplo,

Caucaia e Aquiraz. O mesmo ocorre com alguns dos municípios da região leste do Estado

(Limoeiro do Norte, Tabuleiro do Norte, por exemplo) e também da região sul. Isto pode ser

visto na figura 4.2.1.

Na região noroeste do Estado, tem-se uma região com uma alta correlação espacial negativa, e

que é uma das regiões que contém os municípios com as mais baixas rendas. São exemplos:

Acaraú, Chaval e Granja.

Pode-se destacar também os municípios de Itapipoca, Tianguá e Campos Sales que pertencem

à região Q3, isto é, sua renda per capta aumenta enquanto os dos seus vizinhos diminuem. E

de se destacar também o município de Sobral que está na classe dos que possui as maiores

rendas, mas não sofre a influência de seus vizinhos.

O nível de autocorrelação espacial global dado pelo índice global de Moran (IGM) foi de

0,2645.

4.2.2. Expectativa de Vida ao Nascer

Em relação à expectativa de vida (figura 4.2.2), a região leste do Estado já havia de destacado

pela “maior longevidade” e a através da análise confirmatória mostra-se que esta região

influencia positivamente os seus vizinhos próximos. São exemplos, Quixeré, Limoeiro do

Norte e Tabuleiro do Norte.

Por outro lado, estão incluídos os municípios de Barroquinha, Chaval e Umari que antes,

apresentaram uma das menores expectativas de vida e agora pôde-se verificar que sofrem

influência e também influenciam os seus vizinhos de forma negativamente.

Nas consideradas regiões de transição, tem-se Antonina do Norte, Lavras da Mangabeira e

Cariús que, à medida que as expectativas de vida de seus vizinhos diminuem as desses

municípios aumentam. De forma contrária é observado no município de Novo Oriente. O

índice global de Moran (IGM) foi de 0,3854.

4.2.3. Freqüência Escolar

A figura 4.2.3 apresenta os resultados da análise sobre a freqüência escolar, que deixam claro

a preocupação com a região sudoeste do Estado do Ceará, já que ela se apresentou como

sendo a região com as mais baixas taxas de freqüência escolar e que, além disso, ela

influencia negativa os seus vizinhos próximos. A autocorrelação espacial de Moran foi de

0,1735, a menor entre as variáveis analisadas.

Os municípios de Brejo Santo, Jati e Penaforte, são exemplos dos que influenciam

positivamente os seus vizinhos, o que pode justificar os altos índices na região. Nova Russas é

um bom objeto de estudo, já que ela pertence a região em que seus índices diminuem a

medida em que seus vizinhos aumentam, bastando observar o mapa temático referente a esse

indicador, os seus vizinhos apresentam índices maiores do que ela. Os municípios de

Camocim e Chaval são exemplos das regiões que tendem a ter seus índices de freqüência

escolar aumentar enquanto os dos seus vizinhos decrescem.

4.2.4. Taxa de alfabetização

A região norte do estado concentrou os municípios que tem uma associação espacial positiva

com os seus vizinhos, em termo de taxa de alfabetização (figura 4.2.4). São exemplos desses

municípios a capital Fortaleza, Caucaia e Aquiraz. O que é bom, já que suas taxas são altas,



10

“ajudando” assim, os seus vizinhos. Nesta variável de estudo o IGM foi de 0,5028, sendo o

maior valor obtido entre as seis variáveis estudadas.

A região noroeste do estado já se mostrou como uma área preocupante pelos os seus baixos

resultados. Mas uma nova região que começa do centro e vai até a parte do sudoeste do estado

se mostrou como uma região crítica que, pelo menos nesse quesito, além de ter as menores

taxas, influenciam negativamente os seus vizinhos próximos.

O município de Quixeré esta numa região de transição na qual a sua taxa decresce enquanto a

dos seus vizinhos cresce. Isto explicado pela sua taxa alfabetização ser baixa enquanto os dos

seus vizinhos são bem superiores. Os municípios de Camocim, Tianguá e Crateús estão numa

região de transição contraria a do município de Quixeré, isto é, as suas taxas de alfabetização

aumentam enquanto os dos seus vizinhos decrescem.

4.2.5. IDH Educacional

O IDH Educacional é construído a partir dos indicadores de freqüência escolar e da taxa de

alfabetização, atribuindo a esta última, um peso dois. Era de se esperar que se encontrem nas

nossas visualizações, certa similiariedade entre elas.

Observando a figura 4.2.5 a região norte tinha apresentado os municípios com os maiores

índices de desenvolvimento educacional e pôde-se observar que ela também contribui com

que seus vizinhos, elevando seus índices. Destaca-se o município de São Gonçalo do

Amarante que embora pertencente a essa região, não tenha índice tão elevados quanto dos

outros componentes.

Um fato preocupante é que o Estado do Ceará apresentou muitos municípios que estão numa

região de autocorrelação espacial negativa. São exemplos: Granja, Tianguá, Tauá, Aiuaba e

Campos Sales.

Camocim, Crateús e Iguatu conseguem se sobressair nessa região, uma vez que, seus índices

crescem enquanto os dos seus vizinhos caiem. Enquanto o contrário é verificando com o

município de Jaguaruana. O IGM desta variável foi de 0,4863.

4.2.6. IDH-M

Em termos de IDH-M (figura 4.2.6), a região norte do Estado do Ceará foi uma região que

sempre apresentou os melhores índices, não tendo sido surpresa que ela tenha os melhores

índices de desenvolvimento humano no Estado. Mas, o mais importante é que ela tem uma

correlação espacial positiva com seus vizinhos, o que contribui para que os seus vizinhos

possam também se desenvolver. Este fenômeno também foi observado para região leste do

estado, onde estão, por exemplo, os municípios de Limoeiro do Norte, Quixeré e Tabuleiro do

Norte. A região noroeste do estado é a região que carece de mais atenção, pois além de

apresentar os piores índices, ela tem uma influencia negativa sobre os seus vizinhos próximos.

Infelizmente ela não é a única, a região sudoeste também sofre do mesmo problema. Chaval,

Granja, Barroquinha, Potengi e Araripe, são exemplos dos municípios contidos nessa região.

Há também municípios que se destacaram por não seguir o padrão existente nos seus

vizinhos. Cariré tende a ter seus índices diminuídos quando os dos seus vizinhos aumentam.

Já nos municípios de Campos Sales, Lavras das Mangabeiras e Tianguá acontece o contrário.

O IGM desta variável foi de 0,4500.

5. CONCLUSÕES E PERSPECTIVAS



11

A Análise Espacial é uma ferramenta que vem sendo atualmente bastante difundida e

utilizada, permitindo que conclusões acerca de fenômenos diversos possam ser

fundamentadas teoricamente, não se limitando a construção de “simples” mapas temáticos.

Talvez uma das maiores dificuldades para a aplicação destas ferramentas seja a ausência de

domínio dos conceitos de análise espacial e a não disponibilidade das ferramentas de análise

espacial com técnicas mais robustas inseridas em pacotes comerciais de SIG.

Neste trabalho pôde-se verificar a importância da análise espacial, mesmo nos seus recursos

mais “simples” (a visualização dos dados espacialmente facilita bastante o estudo, permitindo

facilmente a percepção de onde estão as regiões mais pobres, mais ricas, etc). Também fica

explícito para quem não é da área, mesmo com os mapas temáticos, a visualização das

informações e de suas possíveis correlações. Com a análise espacial propriamente dita pode-

se explicar, por exemplo, como uma determinada região apresenta índices ruins, enquanto que

seus vizinhos possuem índices elevados.

Já em termo de análise dos índices, é importante que se tome providências com os municípios

que apresentaram os piores índices como, por exemplo, os municípios de Araripe e Granja,

entre outros. Bem como, deve-se tomar como exemplo os municípios como Barbalha e

Limoeiro do Norte que, mesmo estando longe da região metropolitana, apresentaram índices

bastante satisfatórios, influenciando positivamente seus vizinhos.

REFERÊNCIAS BIBLIOGRÁFICAS

ACIOLI, Patrícia. Revista Sebrae - Crescimento Regional. Disponível em:

http://www.sebrae.com.br/revistasebrae/08/cresc_regional.htm. Acesso em: 04/06/2007.

ANSELIN, Luc. Spacestat – User’s Guide. University of Illinois, Urbana - Champaign.

Urbana, EUA, 1999. Disponível em: http://www.terraseer.com/spacestat/docs/V180man.pdf.

Acesso em: 18/06/2005.

BAILEY, T. C. e GATRELL, A. C. Interactive Spatial Data Analysis. Longman, Londres,

Inglaterra, 1995.

BERTINI, G. C. (2003) Uma modelagem orientada a objeto para o mapa urbano básico de

Belo Horizonte (MUB/BH), Monografia de Especialização, Pontifica Universidade Católica

de Minas Gerais.

CÂMARA, G. e CARVALHO, M. S. Análise de Eventos Pontuais. In: Fuks, S., 2000 D.; M.

S. Carvalho; G. Câmara; A. M. V. Monteiro (eds.). Análise Espacial de Dados Geográficos.

Instituto Nacional de Pesquisas Espaciais – Divisão de Processamento de Imagens, São José

dos Campos, São Paulo. Disponível em: http://www.dpi.inpe.br/gilberto/livro/analise/ , em

12/03/2005.

CÂMARA, G. eti alli (ed); Geoprocessamento – teoria e aplicação, 1999. Obtido em

http://www.dpi.inpe.br/gilberto/livro/ , em 12/03/2005.

CÂMARA, G.; A. M. V. MONTEIRO; S. DRUCK e M. S. CARVALHO. Análise Espacial e

Geoprocessamento. In: Fuks, S. D.; M. S. Carvalho; G. Câmara; A. M. V. Monteiro (eds.),

Análise Espacial de Dados Geográficos. Instituto Nacional de Pesquisas Espaciais – Divisão

de Processamento de Imagens, São José dos Campos, São Paulo, 2000. Disponível em:

http://www.dpi.inpe.br/gilberto/livro/analise/ , em 18/03/2005.

CHOU, Y. H. Exploring Spatial Analysis in Geographical Information Systems. On World

Press, Santa Fe, EUA, 1996.



12

HENRIQUE, C. S. Diagnóstico Espacial da Mobilidade e da Acessibilidade dos Usuários do

Sistema Integrado de Transporte de Fortaleza. Dissertação de Mestrado, Programa de

Mestrado em Engenharia de Transportes, Universidade Federal do Ceará, Fortaleza, CE,

2004. 165 fl.

QUEIROZ, M. P. Análise Espacial dos Acidentes de Trânsito do Município de Fortaleza.

Dissertação de Mestrado, Programa de Mestrado em Engenharia de Transportes,

Universidade Federal do Ceará, Fortaleza, CE, 2003, 124 fl.

RAMOS, F. R. Análise Espacial de Estruturas Intra-urbanas: o Caso de São Paulo.

Dissertação de Mestrado. Instituto Nacional de Pesquisas Espaciais – INPE, São José dos

Campos, SP, 2002. Disponível em: http://www.dpi.inpe.br/teses/fred/. Acesso em

15/04/2005.

JARA, Carlos J. A Sustentabilidade do Desenvolvimento Local: Um processo em Construção. Brasília: Instituto Interamericano de Cooperação para Agricultura: Recife: Secretaria de Planejamento do Estado de Pernambuco - SEPLAN, 1998, 316p.

SMITH, T.; PEUQUET, D.; MENON, S.; AGARWALL, P. KBGIS-II, A Knowledge-based

Geographical Information Systems. International Journal of Geographical Information

Systems. Vol. 1, nº. 2, 1987. Pp. 149-172.

Agradecimentos: a FUNCAP/CNPq: Fundação Cearense de Apoio ao Desenvolvimento

Científico e Tecnológico, convênio 06/2006 processo nº. 1099/06.

Figura 4.2.1: Moran Map para a Renda per

capta

Figura 4.2.2: Moran Map para a Expectativa

de Vida ao Nascer

IGM = 0,2645

IGM = 0,3854



13

Figura 4.2.3: Moran Map para a Freqüência

Escolar

Figura 4.2.4: Moran Map para a Taxa de

alfabetização

Figura 4.2.5: Moran Map para o IDH

Educacional

Figura 4.2.6: Moran Map para o IDH-M

IGM = 0,1735 IGM = 0,5028

IGM = 0,4863

IGM = 0,4500

anÁlise espacial: um estudo sobre indicadores...

Documents