para identificaÇÃo de Áreas crÍticas de · rede de revistas científicas da américa latina,...

Sociedade & Natureza

ISSN: 0103-1570

[email protected]

Universidade Federal de Uberlândia

Brasil

dos Santos, Luciano; Azevedo Raia Junior, Archimedes

ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS: A UTILIZAÇÃO DA EXPLORATORY SPATIAL

DATA ANALYSIS - ESDA PARA IDENTIFICAÇÃO DE ÁREAS CRÍTICAS DE ACIDENTES DE

TRÂNSITO NO MUNICÍPIO DE SÃO CARLOS (SP)

Sociedade & Natureza, vol. 18, núm. 35, diciembre, 2006, pp. 97-107

Universidade Federal de Uberlândia

Uberlândia, Minas Gerais, Brasil

Disponível em: http://www.redalyc.org/articulo.oa?id=321327189007

Como citar este artigo

Número completo

Mais artigos

Home da revista no Redalyc

Sistema de Informação Científica

Rede de Revistas Científicas da América Latina, Caribe , Espanha e Portugal

Projeto acadêmico sem fins lucrativos desenvolvido no âmbito da iniciativa Acesso Aberto

http://www.redalyc.org/revista.oa?id=3213

http://www.redalyc.org/articulo.oa?id=321327189007

http://www.redalyc.org/comocitar.oa?id=321327189007

http://www.redalyc.org/fasciculo.oa?id=3213&numero=27189

http://www.redalyc.org/articulo.oa?id=321327189007

http://www.redalyc.org/revista.oa?id=3213

http://www.redalyc.org

97

Sociedade & Natureza, Uberlândia, 18 (35): 97-107, dez. 2006

Análise Espacial de Dados Geográficos: A Utilização da Exploratory Spatial Data Analysis – ESDA para Identificação de ÁreasCríticas de Acidentes de Trânsito no Município de São Carlos (SP)

Luciano dos Santos, Archimedes Azevedo Raia Junior

ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS: A UTILIZAÇÃO DA EXPLORATORYSPATIAL DATA ANALYSIS - ESDA PARA IDENTIFICAÇÃO DE ÁREAS CRÍTICAS DE

ACIDENTES DE TRÂNSITO NO MUNICÍPIO DE SÃO CARLOS (SP)

Spatial analysis of Geographic Data: the use of the Exploratory Spatial Data Analysis -ESDA for identification of critical areas of traffic accidents in the São Carlos (SP)

Msc. Luciano dos SantosSecretaria Municipal de Planejamento e Meio Ambiente

Prefeitura Municipal de Uberlândia

Prof. Dr. Archimedes Azevedo Raia JuniorPrograma de Pós-Graduação em Engenharia Urbana

Universidade Federal de São Carlos

Artigo recebido em 25/07/2006 e aceito para publicação em 03/10/2006

RESUMO: A Análise Espacial é uma das várias formas de se compreender como estão interrelacionadosalguns eventos espaciais. Atualmente, essa técnica ver sendo incorporada para diversas áreas doconhecimento tais como, as áreas de saúde, transporte e trânsito. Este trabalho tem como objetivodemonstrar a aplicação da análise exploratória de dados espaciais ou ESDA, para a identificaçãode áreas críticas de acidentes de trânsito em cidades de médio porte, tendo como área de estudo oMunicípio de São Carlos – SP – Brasil. Nesse estudo foi possível demonstrar a viabilidade deutilização dessa técnica, visto que foi possível incorporar novos parâmetros de análise dos acidentesproporcionando novos meios para identificação de áreas problemáticas, facilitando a sua análise.

Palavras Chave: Analise Espacial, Índice de Moran, Acidentes de Trânsito

ABSTRACT: The Spatial Analysis is one of the some forms of if understanding as some spatial events arerelationships. Currently, this technique to see being incorporated for diverse areas of the knowledgesuch as, the health areas, has carried and transit. This work has as objective to demonstrate theapplication of the Exploratory Spatial Data Analysis - ESDA, for the identification of criticalareas of traffic accidents in cities of average transport, having as study area the São Carlos - SP -Brazil. In this study it was possible to demonstrate to the viability of use of this technique, since itwas possible to incorporate new parameters of analysis of the accidents being provided new waysfor identification of problematic areas, facilitating its analysis.

Keywords: Spatial Analysis, Index of Moran, traffic accidents

98


Análise Espacial de Dados Geográficos: A Utilização da Exploratory Spatial Data Analysis – ESDA para Identificação de ÁreasCríticas de Acidentes de Trânsito no Município de São Carlos (SP)Luciano dos Santos, Archimedes Azevedo Raia Junior

1 - INTRODUÇÃO

A análise espacial é o estudo quantitativode fenômenos que são possíveis de serem localizadosno espaço, ou seja, o fenômeno estudado possui umareferência espacial ou geográfica. Para Câmara etal (2002a), a ênfase da análise espacial é quantificaras propriedades e os relacionamentos dos dadosespaciais que são definidos como quaisquer dadosque possam ser caracterizados no espaço em funçãode algum sistema de coordenadas. Ou seja, a idéiacentral da análise espacial é incorporar o espaço àanálise a que se deseja fazer.

Muitos dados de uso comum, tais como osdados censitários, possuem uma referência espacialque pode ser analisada estatisticamente. Entretanto,a característica fundamental da análise espacial é ouso explicito da referência geográfica no processode coleta, análise e descrição dos dados. Destaforma, a análise espacial está centrada nos processosque ocorrem no espaço, buscando descrever eanalisar como interagem e se correlacionam essesprocessos (KREMPI, 2004).

Para Câmara et al (2002b), o fenômeno deautocorrelação espacial pode ser entendido comouma situação em que observações próximasespacialmente possuem valores parecidos, sendo odesafio da análise espacial medir esterelacionamento. Nestes casos pode-se associar “aprimeira lei da geografia” de Waldo Tobler (1970),onde todos os objetos relacionados no espaço sãoparecidos, porém objetos mais próximo se parecemmais do que objetos mais distantes.

De acordo com Kampel et al (2000):

“A maioria dos conjuntos de dados espaciais,especialmente os obtidos a partir delevantamentos geo-demográficos e de saúde,não só apresentam autocorrelação espacial,como também exibem padrões significantes deinstabilidade espacial”

Anselin citado por Câmara et al (2002a)

divide as ferramentas de análise espacial em seleção,manipulação, análise exploratória e análiseconfirmatória. O processo de seleção envolveconsultas a banco de dados com resultados eprocedimentos simples de amostragens, alem deapresentar resultados gráficos (mapas e gráficosnuméricos) apresentando estatística simples.

O processo de manipulação envolveferramentas que criam dados espaciais, destacandoas funções de agregação e desagregação espacial,geração de áreas de influência, sobreposição decamadas e permite a aplicação de álgebra de mapas;os processos de análise exploratória permitemdescrever e visualizar as distribuições espaciaisglobais e locais, descobrir padrões de associaçãoespacial (clusters), sugerir instabilidades espaciais(não-estacionariedade) e identificar situaçõesatípicas (outliers). Como exemplo dessasferramentas, pode-se ter as de vizinho mais próximoe os estimadores de Kernel. Wise et al (1998) citadopor Lopes (2003), afirmam que na análiseexploratória os métodos são descritivos e nãoconfirmatórios, com o intuito de confirmar padrõese estimar modelos, havendo poucas transformaçõesnos dados originais, salientando ainda que o uso deinstrumentos computacionais gráficos sãoimportantes, visto que são mais intuitivos que osmétodos estatísticos tradicionais.

As técnicas de análise exploratórias sãoessenciais à modelagem da estatística espacial. Já,a análise confirmatória agrupa os processos demodelagem, estimação e validação, necessários aimplantação de análise multivariadas com oscomponentes espaciais (CÂMARA, 2002b; LOPES,2005).

2 - ANÁLISE EXPLORATÓRIA DE DADOSESPACIAIS

Para Lopes (2005), a Análise Exploratóriade Dados Espaciais – ESDA é uma técnica quedescreve a distribuição dos dados espaciais,identificando localizações atípicas ou outliersespaciais, ou procurando descobrir padrões de

99




De acordo com Kampel et al (2000), estaproximidade espacial pode ser calculada a partir deum dos seguintes critérios:

Wij = 1, se o centróide de Ai está a umadeterminada distância de Ai; caso contrárioWij = 0;

Wij = 1, se Ai compartilha um lado comumcom Ai, caso contrário Wij = 0;

Wij = lij/li, onde lij é o comprimento da fronteiraentre Ai e Aj, e li é o perímetro de Ai.

A seguir serão apresentadas algumas dasprincipais ferramentas de análise exploratória dedados espaciais que permitem uma caracterizaçãoespacial sobre a ocorrência de determinadosfenômenos espaciais.

2.1 - Visualização de dados

A visualização dos dados é a apresentaçãodos atributos estudados por área usando mapastemáticos ou cloropléticos, verificando a influênciae o comportamento que cada um dos eventos temsobre os outros. Este tipo de apresentação é a formamais simplificada de identificar valores extremos.Com o uso dessa ferramenta, deve-se elaborar váriosmapas temáticos, modificando a quantidade declasses utilizadas e os valores de cada uma, com afinalidade de se obter uma visão dos atributos.

Atualmente, a maioria dos SIG’s dispõe deferramentas de geração de mapas temáticosvariados, entretanto, deve-se avaliar cuidadosamenteo resultado, pois estes mapas podem levar ainterpretações distintas do objeto estudado. Mapasgerados com distribuição igual de polígonos podem

associação espacial (clusters). Ainda de acordocom a autora, em toda técnica de ESDA sãoencontrados três elementos básicos: matriz deproximidade espacial (W), vetor de desvios (Z) evetor de médias (Wz). A matriz de proximidadeespacial (W) estima a variabilidade espacial de dadosem área. Na matriz de proximidade espacial W (n xn) cada elemento Wij representa uma medida de

proximidade entre Ai e Aj, sendo Ai e Aj as zonasque estão sendo analisadas.

A figura 1 ilustra um exemplo simples dematriz de proximidade espacial, em que os valoresdos elementos da matriz refletem o critério deadjacência (a valor é 1 se as áreas se tocam e 0, nocaso contrário).

Figura 1 - Áreas e Matriz de Proximidade Espacial (Câmara et al 1996)

100



dificultar a identificação de áreas críticas. visto queeste tipo de agrupamento divide o número depolígonos em cada classe. Deste modo, antes deelaborar qualquer tipo de mapa temático, deve-seanalisar cuidadosamente o seu objetivo, ou seja, oque se quer apresentar.

2.2 - Média Espacial Móvel

A média móvel é um dos indicadores maisantigos e o mais utilizado para prever futurastendências. A média móvel permite calcular o valormédio de um valor num determinado período. Oobjetivo da média espacial móvel é identificarpadrões e tendências dos dados espaciais, levandoa uma apresentação mais suave das regiões detransição que os dados originais. Essa ferramentatem por função identificar os locais de transição entrecada regime de dados. Para isso, a média espacialmóvel tem como função identificar uma área quetenha valores menores ou maiores que os seusvizinhos e aumentar ou diminuir esses valores. Estasindicações também podem identificar locais detransição entre regime (QUEIROZ, 2003).Considerando a matriz de proximidade espacial W,a estimativa da média espacial móvel é expressacomo:

∑

∑

=

== n

jij

n

jiij

i

w

yw

1

1µ

Onde:

iµ = médias ponderadas

∑=

n

jijw

1 = matriz de proximidade espacial

y j = valor do atributo

2.3 - Índice de Moran (I)

O Índice de Moran varia no intervalo de –1a +1, com valores próximos a zero indicando ausênciade correlação espacial (diferenças entre vizinhos),valores positivos indicando autocorrelação espacialpositiva, ou seja, a existências de áreas com valores

similares entre vizinhos e com negativosapresentando autocorrelação espacial negativa. OÍndice de Moran é o mais utilizado quando se desejaum sumário da distribuição espacial dos dados, e secomparado aos indicadores comumente utilizados,o índice de Moran incorpora uma dimensão bastanteinovadora, pois ele testa até que ponto o nível deuma variável para uma área é similar ou não às áreasvizinhas.

BICHIR et al (2004) exemplificam de formaobjetiva o funcionamento do Índice de Moran (I) noestudo de segregação espacial em um estudorealizado no município de São Paulo:

“... em situações em que não existe segregação,a distribuição da proporção de pobres (ou dequalquer outra variável de interesse, comoconcentração de negros) será uniforme emtodas as áreas da cidade, isto é, se o percentualde pobres na cidade é de 30%, esta proporçãoserá aproximadamente a mesma em todas asáreas do município e o Índice de Moran tenderáa zero. Em situações em que há segregação, asáreas com altas concentrações de pobres serãovizinhas entre si (assim como as áreas com altasconcentração de não-pobres) e o Índice deMoran se aproximará de um.”

Para Kampel et al (2000), os indicadoresglobais de autocorrelação espacial, como o Índicede Moran, fornecem um único valor como medidada associação espacial para todo o conjunto dedados, que tem como função caracterizar toda aregião de estudo. Entretanto, em alguns casos énecessário examinar os padrões dos dados espaciaisem uma escala maior de detalhe. Nestes casos, énecessária a utilização de Indicadores Locais deAssociação Espacial – LISA.

2.4 - Indicadores Locais de Associação Espacial- LISA

O LISA (Indicador Local de AssociaçãoEspacial) tem a função de produzir um valorespecífico para cada entidade em análise, permitindo

101




assim a identificação de agrupamentos de objetoscom valores de atributos semelhantes (clusters),objetos anômalos (outliers) e de mais de um regimeespacial (Câmara et al, 1996).

De acordo com Anselin (1995), um indicadorlocal de autocorrelação espacial tem de atender adois objetivos específicos:

Permitir a identificação de padrões deassociação espacial significativos;

A soma dos indicadores de LISA para todasas observações deve ser proporcional aoíndice global de associação espacial;

Atendidos esses objetivos, o índice local deMoran pode ser muito útil para gerar um mapaindicando as regiões que apresentam correlaçãolocal significativamente diferente do resto dos dados.Estas regiões podem ser vistas como bolsões de não-estacionariedade, pois são áreas com dinâmicaespacial própria e que merecem uma análise maisdetalhada. Na geração do Lisa map, a avaliação designificância é feita comparando os valoresadquiridos, com uma série de valores, obtidos atravésde permutações dos valores dos atributos vizinhos.

Os valores de significância são entãoclassificados em 4 grupos: não significantes, comsignificância de 95%, com significância de 99% ecom significância de 99,9%. A autocorrelação comsignificância superior a 95% indica, ao menos emprincípio, áreas com grande semelhança entre seusvizinhos. Apesar da utilidade do Índice Local deMoran, este apresenta alguns problemas deinterpretação em função de sua distribuiçãoestatística não ser perfeitamente conhecida, sendoentão um dos índices mais difíceis de serem utilizados(KAMPEL et al, 2000)

2.5 - Diagrama de Espalhamento de Moran

A função do Diagrama de Espalhamento deMoran é comparar os valores normalizados de cadaárea (Z) com a média dos valores normalizados desuas áreas vizinhas (WZ). Desta forma ele é capazde visualizar a dependência espacial e indicar osdiferentes regimes espaciais presentes nos dados(ANSELIN, 1992). Assim, o índice de Moran é dadopor:

ZZWZ

I tZ

t

××

=

onde: I = Índice de autocorrelação espacial;

tZ = é o vetor de desvios (t indica o vetortransposto);

Wz = é o vetor da média ponderada, ondecada vetor possui os valores médios dos vizinhos.

O diagrama é dividido em quadrantes (figura2) com o objetivo de identificar pontos comassociação espacial positiva (Q1 valores positivos emédias positivas; e Q2 valores negativos, médiasnegativas) e de indicar pontos de associação espacialnegativa, ou seja, vizinhos que possuem valoresdistintos (Q3 valores positivos com médias negativas;e Q4 valores negativos com médias positivas).

Os pontos localizados nos quadrantes Q3 eQ4 podem ser vistos como extremos, tanto porestarem afastados da reta de regressão linear (cujatangente é o Índice de Moran), como por indicarregiões que não seguem o mesmo processo dedependência espacial das demais observações. Essaferramenta pode ser utilizada para a identificaçãode valores extremos, que não seguem o mesmoprocesso de dependência espacial. A presença devalores extremos pode significar problemas com amatriz de proximidade ou com a escala deobservação dos dados, ou ainda indicar regiões detransição de regimes distintos (CÂMARA et al,1996; QUEIROZ, 2003).

102



O Diagrama de Espalhamento de Morantambém pode ser apresentado na forma de mapastemáticos, onde cada polígono é apresentadoindicando-se seu quadrante no diagrama deespalhamento ou sobre a forma de um gráfico debarras onde cada polígono apresenta um gráfico comseu valor de Z ao lado da barra com valor da médiados vizinhos Wz (KAMPEL et al, 2000).

Ainda, de acordo com KAMPEL et al(2000), existem duas maneiras de interpretar asinformações do Diagrama de Dispersão de Moran:

Identificação de “outliers” – pontos nodiagrama que são extremos em relação àtendência central, no sentido em que nãoseguem o mesmo processo de dependênciaespacial como a maioria das outrasobservações;

Os pares (Wyi, yi) são computados paravalores padronizados, e os valores alheios aointervalo de 2 desvios-padrão sãoconsiderados “outliers”.

3 – IDENTIFICAÇÃO DE ÁREAS CRÍTICASE ZONAS DE TRÂNSIÇÃO

Para identificação das áreas críticas foinecessário um índice que viesse a reduzir a influênciado tamanho da área. Neste caso, foi utilizado o índiceIAZEV - Índice de Acidentes na Zona porExtensão da Malha Viária e IUPSZ - Índice de

Unidade Padrão de Severidade por Zona. OÍndice de Acidentes na Zona por Extensão daMalha Viária – IAZEV é dado por SANTOS(2006) como sendo:

i

ii EVZ

NAZIAZEV

100×=

Onde: NAZi é o número de acidentes ocorridos nazonai

EVZi é a extensão da malha viária na zonai,

A extensão da malha viária por zona, assimcomo o número de acidentes de trânsito ocorridosem uma área, foi obtida através de uma consultaespacial entre os mapas dos setores Censitários doIBGE, o mapa da rede viária do município de SãoCarlos e o georreferenciamento dos acidentes detrânsito ocorridos no ano de 2003. A multiplicaçãopor 100 é utilizada para que seja evitado valor menorque um. A quantidade de acidentes por quilômetrosde área foi utilizada para evitar que erros deinterpretação aconteçam, visto que áreas maioresterão a possibilidade de conter um número maior deacidentes, podendo assim levar a interpretaçõeserrôneas das áreas críticas.

Após a definição desses índices, é calculadaa Associação Espacial de Moran, através dasferramentas de estatística espacial do Spring 4.2.Esse cálculo foi executado com a opção de 999permutações, e ao final dessa etapa, foramadicionadas 7 novas colunas nas tabelas dos setores

Q1

Q2 Q3

Q4

Elementos de Z

Ele

men

tos

de W

z

Valores Positivos / Médias Positivas

Valores Positivos / Médias Negativas

Valores Negativos / Médias Positivas

Valores Negativos / Médias Negativas

0

0

Figura 2 - Diagrama de Espalhamento de Moran

103




censitários, contendo as informações de Z, WZ, I,Média Móvel, Lisa Map, Box Map e Moran Map.Para o IAZEV o Índice de Global de Moranapresentou um padrão de autocorrelação espacialnas áreas de estudo com o valor do Índice de 0,586.Lembrado-se que o Índice de Moran varia de –1 a+1, com valores próximos de 0 indicando a ausênciade um padrão espacial nos dados.

3.1 – Visualização dos dados e Média EspacialMóvel.

A distribuição do Índice de Acidentes deTrânsito por Área para o município de São Carlospode ser visto na figura 3a. Nesta figura, é observadaa distribuição do IAZEV, através da ferramenta devisualização dos dados onde pode ser observada

uma concentração maior do índice nas áreas centraisda cidade e com baixos valores nas regiõesperiféricas. As zonas com maiores índices deacidentes se concentram no centro. Essaconcentração na região central ocorre devido amaior concentração de fluxo de veículos e pessoasnessas áreas por causa da aglomeração deatividades comerciais. Ao se comparar a mesmaárea utilizando a ferramenta média espacial móvel(figura 3b), é possível notar uma distribuição maissuave entre as classes, propiciando uma melhoridentificação das áreas com valores elevados. Avantagem da utilização da média espacial móvel paraa visualização deste tipo de mapa é que ele apresentauma suavização dos valores de cada zona em relaçãoaos valores das zonas vizinhas

Figura 3 - Visualização dos dados e Média Espacial Móvel dos Acidentes de Trânsito de São Carlos

3a 3b

Isso ocorre, conforme visto anteriormente,porque a Média Espacial Móvel tem a função dealterar os valores de cada área, elevando ou

abaixando o valor da área de acordo com o valormédio das áreas vizinhas.

104



3.2 – Zonas de Transição

A identificação das zonas de transição érealizada utilizando-se os valores do Diagrama deEspalhamento de Moran, gerados pelo cálculo daAssociação Espacial de Moran efetuado pelo Spring.Esses valores podem ser utilizados na geração demapas temáticos onde cada zona é representada porum valor do quadrante do Diagrama deEspalhamento de Moran. Através do Box map épossível identificar visualmente a tendência decrescimento dos acidentes de trânsito no municípiode São Carlos, através das classes 3 e 4 do BoxMap. A figura 4 apresenta o Box Map para o período

de estudo. Neste mapa é possível confirmar aconcentração dos acidentes de trânsito na regiãocentral da cidade (classe 1) representando zonascom valores positivos e média dos vizinhos positivae também identificar que as áreas com associaçãoespacial negativa (classe 2), ou seja, zonas comvalores negativos e média dos vizinhos negativa, seencontram nas zonas periféricas da cidade. As áreasde transição são identificadas próximas as zonascentrais (classes 3 e 4). É possível identificar algunsoutliers na classe Q3 (valores altos em zonas comvizinhos de valores baixos) em algumas regiões dacidade principalmente na região sul e sudoeste.

Figura 4 - Identificação das Áreas de Transição dos Acidentes de Trânsito

3.3 – Área Crítica de Acidentes

Para identificação das áreas críticas foramutilizadas as informações do Moran Map apresentadona figura 6c. O Moran Map apresenta as zonas quepossuem relação espacial positiva, representada pelaclasse Q1 da figura 6a e com significância espacialacima de 95 % identificados no Lisa Map da Figura6b. O Moran Map confirma como local crítico de

acidentes a região central da cidade de São Carlos.O Moran Map apresenta também as áreasperiféricas na classe Q2, indicando associaçãoespacial negativa e com significância espacialsuperior a 95% representado pelo Lisa Map. Destaforma a zona crítica de acidentes de trânsito de SãoCarlos pode ser observada na figura 6c, identificadaspela classe Q1 do Moran Map, representadas pelacor azul.

105




Isto demonstra que a zonas com altos oubaixos níveis de acidentes estão relacionadasprincipalmente ao fluxo de veículos que passa poresses locais, apresentando altos índices nas regiõescentrais (grande volume de veículos) e baixos índicesnas zonas periféricas (baixo volume de veículos).As zonas de transição, que não apresentaram tantasocorrências nestes mapas, estão próximas as áreascentrais. As zonas intermediárias foram classificadasna classe 0, ou seja, estas zonas possuem valoressem significação espacial expressiva, indicando umbaixo índice de correlação espacial.

4. CONSIDERAÇOES FINAIS

O município de São Carlos, assim comovários outros municípios do Brasil, apresenta altosíndices de acidentes de trânsito, com um grandenúmero de feridos, trazendo danos sociais eeconômicos para a população. Neste contexto, oobjetivo dessa pesquisa foi o de conhecer melhor ocomportamento espacial dos acidentes de trânsitoem São Carlos, uma cidade de porte médio onde amaioria dos setores de comércio e serviços ainda seencontra no centro da cidade, atraindo um grandevolume de veículos e pedestres para essa região.

A análise dos acidentes por área possibilitoua identificação de padrões de ocorrência dosacidentes e proporcionou uma melhor visualizaçãodas tendências de crescimento e regiões detransição. Através destas ferramentas foi possívelconfirmar a região central como a região ondeocorrem os maiores índices de acidentes de trânsitono município de São Carlos.

O estudo demonstrou também, através dasferramentas de análise espacial e do Índice de Moranque, assim como em outras cidades do Brasil, osacidentes de trânsito estão ficando cada vez maisdispersos pela área urbana, apresentando umcrescimento para quase todas as regiões da cidade,tornando-se assim cada vez mais difíceis de seremestudados é prevenidos.

Desta forma, a preocupação com otratamento dos acidentes de trânsito, deve serampliada para toda a área urbana, não podendo serrestrita as áreas centrais. Principalmente quando sedepara com a ocorrência de acidentes fatais emáreas não centrais da cidade. Em muitos casos, afalta de recursos financeiros aliada à falta de umplanejamento adequado praticado por algumas

Figura 5 - Identificação da Zona Crítica de Acidentes de Trânsito

6a 6b 6c

106



administrações municipais, acaba priorizando amanutenção do sistema viário somente em áreascentrais, não havendo a manutenção da sinalizaçãohorizontal e vertical dos bairros, o que acabaproporcionando ambientes favoráveis à ocorrênciade acidentes de trânsito. Um outro fator importantea ser avaliado, e que pode estar provocando adispersão dos acidentes de trânsito, é que com umsistema de transporte coletivo urbano nem sempreeficiente, a aquisição de veículos automotores pelapopulação das regiões periféricas acaba sendo umaopção melhor de deslocamento, provocando umamaior número de viagem de veículos particularespartindo e chegando a essas regiões, aumentando onúmero de conflitos de pedestres e veículos,possibilitando cada vez mais acidentes A situaçãopode ser mais perigosa ainda visto que, por se tratar,em muitos casos de população de classe social C eD, muitas vezes a opção de compra dos veículos serestringe a veículos com vários anos de uso, e queem muitos casos não possuem uma manutençãopreventiva, fazendo com que alguns veículostrafeguem pelas ruas da cidade sem as mínimascondições de segurança para os condutores e paraos demais usuários da via.

5 - REFERENCIAS

ANSELIN, L. Spacestat – User’s Guide. Universityof Illinois. Urbana – Champaing, Urbana. USA. 1992.

ANSELIN, Luc. Local Indicators of SpatialAssociation – LISA. Geographic Analysis, 27:91-114. 1995

ANSELIN, L (1999). “Interactive techniques andExploratory Spatial Data Analysis”. In: P. Longley,M. Goodchild, D. Maguire and D. Rhind (eds.),Geographical Information Systems: principles,techniques, management and applications.Cambridge: Geoinformation International, 1999.

CÂMARA, G; CASANOVA, M. A.; HEMERLY,A. S.; MAGALHAES, G. C.; MEDEIROS, C.M.B. Anatomia de Sistemas de InformaçõesGeográficas. Campinas. Unicamp. 1996.

CÂMARA, G; CARVALHO, M. S.; CRUZ, O.G.; CORREA, V. Análise espacial de áreas. In:Análise espacial de dados geográficos, eds.FUKS, S.D.; CARVALHO, M. S.; CÂMARA, G.A. M. V. – Divisão de Processamentos de Imagens– Instituto Nacional de Pesquisas Espaciais – SãoJosé dos Campos – Brasil. 2002a. Disponível em<http://www.dpi.inpe.br/gilberto/livro/analise/cap5-areas.pdf> Acesso em 7 de maio de 2004.

CÂMARA, G; MONTEIRO A. M. CARVALHO,M. S. Análise Espacial e Geoprocessamento. In:Análise espacial de dados geográficos, eds.FUKS, S.D.; CARVALHO, M. S.; CÂMARA, G.A. M. V. – Divisão de Processamentos de Imagens– Instituto Nacional de Pesquisas Espaciais – SãoJosé dos Campos – Brasil. 2002b. Disponível em<http://www.dpi.inpe.br/gilberto/livro/analise/cap3-superficies.pdf> Acesso em 7 de maio de 2004.

KAMPEL, A. M.; CÂMARA, G;QUINTANILHA, J Análise Exploratória dasRelações Espaciais do Desflorestamento daAmazônia Legal Brasileira in: Simpósio Brasileirode Geotecnologias – GISBrasil. Salvador, 2000.Disponível em <http://www.dpi.inpe.br/gilberto/artigos/silvana-gisbrasil2000.pdf> Acesso em 29 demarço de 2004.

KREMPI, A. P. Explorando Recursos deEstatística Espacial para Análise daAcessibilidade da Cidade de Bauru. Escola deEngenharia de São Carlos – Universidade de SãoPaulo – Programa de Pós Graduação emTransportes. 98 fl. Dissertação de Mestrado. 2004.

LOPES, E. S. S. Procedimentos Estatísticos como SPRING - INPE. DGA,IGCE,UNESP/Rio Claro,Lab. Geomatemática, Texto Didático 06, 59 pp. 2003.Disponível em <http://www.rc.unesp.br/igce/aplicada/textodi.html>.Acesso em: 06 de Outubro de2004.

LOPES, S. B. Estudo da Dependência Espacialem Modelos de Previsão de Demanda porTransportes. Escola de Engenharia de São Carlos

107




– Universidade de São Paulo – Programa de PósGraduação em Transportes. 153 fl. Dissertação deMestrado. 2005.

QUEIROZ, M. P. Análise Espacial de Acidentesde Trânsito do Município de Fortaleza.Programa de Mestrado em Engenharia deTransportes. Universidade Federal do Ceará.Fortaleza - CE. 124 fl. Dissertação de Mestrado.2003.

BICHIR R. M.; TORRES, H. da G.; FERREIRA,M. P. Jovens no Município de São Paulo:Explorando o Efeito das Relações deVizinhança. In: Revista Brasileira de EstudosUrbanos e Regionais. V.6, Número 2. Novembro.2004.

SANTOS, L. Análise dos Acidentes de Trânsitodo Município de São Carlos Utilizando Sistemade Informações Geográficas e Ferramentas deAnálise Espacial. Universidade Federal de SãoCarlos – UFSCAR. Programa de Pós-Graduaçãoem Engenharia Urbana. 139 fls. Dissertação deMestrado. 2006

SPRING: Integrating remote sensing and GISby object-oriented data modelling Camara G,Souza R.C.M.; Freitas U.M.; Garrido, J. Computers& Graphics, 20: (3) 395-403, May-Jun 1996.

TOBLER, W. R., ‘Cellular geography’, In:Philosophy in Geography. In: GALE, S.; OLSSON,G., (eds.) Dordrecht, Holland, D Reidel PublishingCompany. . pp. 379-386. 1979

para identificaÇÃo de Áreas crÍticas de · rede de revistas científicas da américa latina,...

Documents