9  Estimativas de acessibilidade

Finalmente, o pacote {aopdata} também permite baixar, para todas as cidades incluídas no projeto, estimativas de acesso a empregos e a serviços de saúde, de educação e de assistência social para 2017, 2018 e 2019.

Esses dados podem ser baixados com a função read_access(), que funciona de maneira análoga às funções read_population() e read_landuse(), apresentadas anteriormente. Além de indicar a cidade (parâmetro city) e o ano de referência (year), no entanto, é necessário também informar o modo de transporte (mode) e o intervalo do dia (pico, entre 6h e 8h, ou fora-pico, entre 14h e 16h, controlado pelo parâmetro peak).

No exemplo a seguir, mostramos como baixar estimativas de acessibilidade no período de pico em São Paulo referentes a 2019. Nesse exemplo, baixamos as estimativas de acessibilidade tanto por automóvel quanto por transporte público e as unimos em um único data.frame. Note que essa função resulta em uma tabela que traz também, automaticamente, os dados de população e de uso do solo.

# baixa dados do AOP de acessibilidade por transporte público
acesso_tp <- aopdata::read_access(
  city = "São Paulo",
  mode = "public_transport",
  year = 2019,
  peak = TRUE,
  geometry = TRUE,
  showProgress = FALSE
)

# baixa dados do AOP de acessibilidade por automóvel
acesso_carro <- aopdata::read_access(
  city = "São Paulo",
  mode = "car",
  year = 2019,
  peak = TRUE,
  geometry = TRUE,
  showProgress = FALSE
)

# junta os dados em um único dataframe
dados_sp <- rbind(acesso_tp, acesso_carro)

names(dados_sp)
  [1] "id_hex"       "abbrev_muni"  "name_muni"    "code_muni"    "year"        
  [6] "P001"         "P002"         "P003"         "P004"         "P005"        
 [11] "P006"         "P007"         "P010"         "P011"         "P012"        
 [16] "P013"         "P014"         "P015"         "P016"         "R001"        
 [21] "R002"         "R003"         "T001"         "T002"         "T003"        
 [26] "T004"         "E001"         "E002"         "E003"         "E004"        
 [31] "M001"         "M002"         "M003"         "M004"         "S001"        
 [36] "S002"         "S003"         "S004"         "C001"         "mode"        
 [41] "peak"         "CMATT15"      "CMATB15"      "CMATM15"      "CMATA15"     
 [46] "CMAST15"      "CMASB15"      "CMASM15"      "CMASA15"      "CMAET15"     
 [51] "CMAEI15"      "CMAEF15"      "CMAEM15"      "CMAMT15"      "CMAMI15"     
 [56] "CMAMF15"      "CMAMM15"      "CMACT15"      "CMPPT15"      "CMPPH15"     
 [61] "CMPPM15"      "CMPPB15"      "CMPPA15"      "CMPPI15"      "CMPPN15"     
 [66] "CMPP0005I15"  "CMPP0614I15"  "CMPP1518I15"  "CMPP1924I15"  "CMPP2539I15" 
 [71] "CMPP4069I15"  "CMPP70I15"    "CMATT30"      "CMATB30"      "CMATM30"     
 [76] "CMATA30"      "CMAST30"      "CMASB30"      "CMASM30"      "CMASA30"     
 [81] "CMAET30"      "CMAEI30"      "CMAEF30"      "CMAEM30"      "CMAMT30"     
 [86] "CMAMI30"      "CMAMF30"      "CMAMM30"      "CMACT30"      "CMPPT30"     
 [91] "CMPPH30"      "CMPPM30"      "CMPPB30"      "CMPPA30"      "CMPPI30"     
 [96] "CMPPN30"      "CMPP0005I30"  "CMPP0614I30"  "CMPP1518I30"  "CMPP1924I30" 
[101] "CMPP2539I30"  "CMPP4069I30"  "CMPP70I30"    "CMATT60"      "CMATB60"     
[106] "CMATM60"      "CMATA60"      "CMAST60"      "CMASB60"      "CMASM60"     
[111] "CMASA60"      "CMAET60"      "CMAEI60"      "CMAEF60"      "CMAEM60"     
[116] "CMAMT60"      "CMAMI60"      "CMAMF60"      "CMAMM60"      "CMACT60"     
[121] "CMPPT60"      "CMPPH60"      "CMPPM60"      "CMPPB60"      "CMPPA60"     
[126] "CMPPI60"      "CMPPN60"      "CMPP0005I60"  "CMPP0614I60"  "CMPP1518I60" 
[131] "CMPP1924I60"  "CMPP2539I60"  "CMPP4069I60"  "CMPP70I60"    "CMATT90"     
[136] "CMATB90"      "CMATM90"      "CMATA90"      "CMAST90"      "CMASB90"     
[141] "CMASM90"      "CMASA90"      "CMAET90"      "CMAEI90"      "CMAEF90"     
[146] "CMAEM90"      "CMAMT90"      "CMAMI90"      "CMAMF90"      "CMAMM90"     
[151] "CMACT90"      "CMPPT90"      "CMPPH90"      "CMPPM90"      "CMPPB90"     
[156] "CMPPA90"      "CMPPI90"      "CMPPN90"      "CMPP0005I90"  "CMPP0614I90" 
[161] "CMPP1518I90"  "CMPP1924I90"  "CMPP2539I90"  "CMPP4069I90"  "CMPP70I90"   
[166] "CMATT120"     "CMATB120"     "CMATM120"     "CMATA120"     "CMAST120"    
[171] "CMASB120"     "CMASM120"     "CMASA120"     "CMAET120"     "CMAEI120"    
[176] "CMAEF120"     "CMAEM120"     "CMAMT120"     "CMAMI120"     "CMAMF120"    
[181] "CMAMM120"     "CMACT120"     "CMPPT120"     "CMPPH120"     "CMPPM120"    
[186] "CMPPB120"     "CMPPA120"     "CMPPI120"     "CMPPN120"     "CMPP0005I120"
[191] "CMPP0614I120" "CMPP1518I120" "CMPP1924I120" "CMPP2539I120" "CMPP4069I120"
[196] "CMPP70I120"   "TMIST"        "TMISB"        "TMISM"        "TMISA"       
[201] "TMIET"        "TMIEI"        "TMIEF"        "TMIEM"        "TMICT"       
[206] "geometry"    

Como podemos ver, assim como nos casos das tabelas de dados sociodemográficos e de uso do solo, os nomes das variáveis de estimativas de acessibilidade estão organizados em códigos, como CMAEF30, TMISB e CMPPM60. Esses códigos são resultado da combinação de três componentes, conforme descrito a seguir.

  1. O tipo de indicador de acessibilidade: é indicado pelas três primeiras letras do código. Os dados incluem três categorias de indicadores:

    • CMA - indicador de acessibilidade cumulativa ativa;
    • CMP - indicador de acessibilidade cumulativa passiva; e
    • TMI - indicador de tempo mínimo até a oportunidade mais próxima.
  2. O tipo de atividade para a qual os níveis de acessibilidade foram calculados ou a que pessoas o indicador se refere: é descrito pelas letras seguintes, que estão no meio do código. Os dados incluem estimativas de acessibilidade para diversos tipos de atividades:

    • TT - todos os empregos;
    • TB - empregos de baixa escolaridade;
    • TM - empregos de média escolaridade;
    • TA - empregos de alta escolaridade;
    • ST - todos os estabelecimentos públicos de saúde;
    • SB - estabelecimentos públicos de saúde de baixa complexidade;
    • SM - estabelecimentos públicos de saúde de média complexidade;
    • SA - estabelecimentos públicos de saúde de alta complexidade;
    • ET - todas as escolas públicas;
    • EI - escolas públicas de ensino infantil;
    • EF - escolas públicas de ensino fundamental;
    • EM - escolas públicas de ensino médio;
    • MT - todas as matrículas de escolas públicas;
    • MI - matrículas de escolas públicas de ensino infantil;
    • MF - matrículas de escolas públicas de ensino fundamental;
    • MM - matrículas de escolas públicas de ensino médio; e
    • CT - todos os CRAS.

    No caso do indicador de acessibilidade passiva, as letras no meio do nome da variável indicam a qual grupo populacional os níveis de acessibilidade se referem:

    • PT - toda a população;
    • PH - população de homens;
    • PM - população de mulheres;
    • PB - população branca;
    • PN - população negra;
    • PA - população amarela;
    • PI - população indígena;
    • P0005I - população de 0 a 5 anos;
    • P0614I - população de 6 a 14 anos;
    • P1518I - população de 15 a 18 anos;
    • P1924I - população de 19 a 24 anos;
    • P2539I - população de 25 a 39 anos;
    • P4069I - população de 40 a 69 anos; e
    • P70I - população de 70 anos ou mais.
  3. O tempo limite de viagem utilizado no cálculo do indicador: é descrito pelos números ao final do código. Esses números somente se aplicam aos indicadores de acessibilidade cumulativa ativa e passiva e incluem os limites de 15, 30, 45, 60, 90 e 120 minutos, dependendo do modo de transporte.

Exemplos:

A descrição completa das variáveis também pode ser consultada na documentação da função, rodando em uma sessão de R o comando ?read_access. As subseções a seguir mostram exemplos de visualizações desses dados em forma de mapas e gráficos.

9.1 Mapa do tempo para acessar o hospital mais próximo

Neste exemplo, comparamos o tempo de acesso por automóvel e por transporte público até o hospital mais próximo de cada hexágono. Para analisar o tempo mínimo de viagem (TMI) até hospitais de alta complexidade (SA), utilizamos a variável TMISA. Com o código a seguir, carregamos as bibliotecas de visualização de dados e apresentamos a distribuição espacial do tempo de acesso com os dois modos de transporte. Como os tempos de viagem por transporte público costumam ser muito mais longos do que por automóvel, truncamos a distribuição dos valores da variável em sessenta minutos.

library(ggplot2)
library(patchwork)

# trunca os tempos de viagem em 60 minutos
dados_sp$TMISA <- ifelse(dados_sp$TMISA > 60, 60, dados_sp$TMISA)

ggplot(subset(dados_sp, !is.na(mode))) +
  geom_sf(aes(fill = TMISA), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(
    option = "cividis",
    direction = -1,
    breaks = seq(0, 60, 10),
    labels = c(seq(0, 50, 10), "60+")
  ) +
  labs(fill = "Tempo (em\nminutos)") +
  facet_wrap(
    ~ mode,
    labeller = as_labeller(
      c(car = "Carro", public_transport = "Transporte público")
    )
  ) +
  theme_void()
Figura 9.1: Tempo de viagem até o hospital de alta complexidade mais próximo em São Paulo

9.2 Mapa da quantidade de empregos acessíveis

Os dados do {aopdata} também tornam muito simples a comparação da quantidade de oportunidades acessíveis em diferentes tempos de viagem. Com o código a seguir, por exemplo, ilustramos como visualizar lado a lado as distribuições espaciais do número de empregos acessíveis em até sessenta e noventa minutos de viagem, respectivamente, por transporte público.

# estabelece valores usados na legenda do mapa
limites_legenda <- c(0, max(acesso_tp$CMATT90, na.rm = TRUE) / 1000000)

# configura os mapas

fig60 <- ggplot(subset(acesso_tp, !is.na(mode))) +
  geom_sf(aes(fill = CMATT60 / 1000000), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(option = "inferno", limits = limites_legenda) +
  labs(
    subtitle = "Até sessenta minutos de viagem",
    fill = "Empregos\n(em milhões)"
  ) +
  theme_void()

fig90 <- ggplot(subset(acesso_tp, !is.na(mode))) +
  geom_sf(aes(fill = CMATT90 / 1000000), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(option = "inferno", limits = limites_legenda) +
  labs(
    subtitle = "Até noventa minutos de viagem",
    fill = "Empregos\n(em milhões)"
  ) +
  theme_void()

fig60 + fig90 + plot_layout(guides = "collect")
Figura 9.2: Quantidade de empregos acessíveis por transporte público em São Paulo

9.3 Desigualdades de acesso a oportunidades

Existem diversas maneiras de analisar quão desiguais são as condições de acesso a oportunidades nas cidades brasileiras a partir dos dados do {aopdata}. Nesta subseção, apresentamos três exemplos deste tipo de análise.

9.3.1 Desigualdade no tempo de acesso a oportunidades

Neste primeiro exemplo, vamos comparar o tempo médio de viagem até o hospital público mais próximo de pessoas de diferentes níveis de renda. Para isso, calculamos o tempo médio de acesso a estabelecimentos de saúde de alta complexidade ponderado pela população de cada célula da nossa grade espacial. Essa ponderação é necessária porque cada célula, por abrigar um número de pessoas diferente das demais, contribui de forma diferente para a média da população como um todo.

Antes de realizar o cálculo, cabe observar que algumas células da cidade não conseguem acessar nenhum hospital em até duas horas de viagem. Nesses casos, o valor das variáveis de tempo mínimo de viagem é infinito (Inf). Para lidar com isso, neste exemplo substituímos todos os valores Inf por um tempo de viagem de 120 minutos.

# copia os dados de acesso em um novo dataframe
desigualdade_tp <- data.table::as.data.table(acesso_tp)

# substitui os valores Inf por 120
desigualdade_tp[, TMISA := ifelse(is.infinite(TMISA), 120, TMISA)]

# calcula o tempo de viagem médio por decil de renda
desigualdade_tp <- desigualdade_tp[
  ,
  .(media = weighted.mean(x = TMISA, w = P001, na.rm = TRUE)),
  by = R003
]
desigualdade_tp <- subset(desigualdade_tp, !is.na(media))

ggplot(desigualdade_tp) +
  geom_col(aes(y = media, x = factor(R003)), fill = "#2c9e9e", color = NA) +
  scale_x_discrete(
    labels = c("D1\nmais\npobres", paste0("D", 2:9), "D10\nmais\nricos")
  ) +
  labs(x = "Decil de renda", y = "Tempo de viagem (em minutos)") +
  theme_minimal()
Figura 9.3: Média de tempo de viagem por transporte público em São Paulo até o hospital mais próximo

9.3.2 Desigualdade no número de oportunidades acessíveis

Outra maneira de examinar a desigualdade de acesso a oportunidades é comparar a quantidade de oportunidades acessíveis por diferentes grupos populacionais considerando os mesmos modos de transporte e limites de tempo de viagem. Nesse caso, analisamos o indicador de acessibilidade cumulativa ativa, representado por variáveis cujos códigos começam com CMA na base de dados do {aopdata}. No exemplo a seguir, comparamos a quantidade de empregos acessíveis por pessoas de diferentes decis de renda, considerando viagens de transporte público limitadas em sessenta minutos de viagem.

ggplot(subset(acesso_tp, !is.na(R003))) +
  geom_boxplot(
    aes(x = factor(R003), y = CMATT60 / 1000000, color = factor(R003))
  ) +
  scale_color_brewer(palette = "RdBu") +
  labs(
    color = "Decil\nde renda",
    x = "Decil de renda",
    y = "Empregos acessíveis (em milhões)"
  ) +
  scale_x_discrete(
    labels = c("D1\nmais\npobres", paste0("D", 2:9), "D10\nmais\nricos")
  ) +
  theme_minimal()
Figura 9.4: Distribuição do número de empregos acessíveis por transporte público em São Paulo

Por fim, podemos também comparar como o uso de diferentes modos de transporte resulta em diferentes níveis de acessibilidade para a população e como essa diferença varia entre cidades. No exemplo a seguir, comparamos a quantidade de empregos acessíveis em até trinta minutos de viagem a pé e de carro. Para isso, precisamos primeiro baixar os dados de acessibilidade por ambos os modos para todas as cidades do projeto.

dados_carro <- aopdata::read_access(
  city = "all",
  mode = "car",
  year = 2019,
  showProgress = FALSE
)

dados_caminhada <- aopdata::read_access(
  city = "all",
  mode = "walk",
  year = 2019,
  showProgress = FALSE
)

Em seguida, calculamos para cada cidade e para cada modo de transporte a média ponderada do número de empregos acessíveis em até trinta minutos (CMATT30). Feito isso, juntamos essas estimativas em uma única tabela e calculamos a razão entre os níveis de acessibilidade por carro e os níveis de acessibilidade a pé.

# calcula a média de empregos acessíveis em 30 minutos

media_carro <- dados_carro[
  ,
  .(acesso_carro = weighted.mean(CMATT30, w = P001, na.rm = TRUE)),
  by = name_muni
]

media_caminhada <- dados_caminhada[
  ,
  .(acesso_caminhada = weighted.mean(CMATT30, w = P001, na.rm = TRUE)),
  by = name_muni
]

# junta os dados e calcula a razão entre o nível de acesso por carro e a pé
media_acesso <- merge(media_carro, media_caminhada)
media_acesso[, razao := acesso_carro / acesso_caminhada]

head(media_acesso)
        name_muni acesso_carro acesso_caminhada    razao
1:          Belem     155270.4         9392.235 16.53179
2: Belo Horizonte     529890.0        12464.233 42.51284
3:       Brasilia     220575.9         4110.703 53.65892
4:       Campinas     256333.1         6748.923 37.98133
5:   Campo Grande     172680.5         4181.209 41.29919
6:       Curitiba     494376.9        10471.135 47.21331

Finalmente, podemos visualizar os resultados graficamente:

ggplot(media_acesso, aes(x = razao, y = reorder(name_muni, razao))) +
  geom_bar(stat = "identity") +
  geom_text(aes(x = razao + 3 , label = paste0(round(razao), "x"))) +
  labs(y = NULL, x = "Razão entre a acessibilidade de carro e a pé") +
  theme_classic()
Figura 9.5: Diferença entre a quantidade de empregos acessíveis por automóvel e por caminhada em até trinta minutos de viagem nas vinte maiores cidades do Brasil

Como esperado, a Figura 9.5 mostra que é possível acessar muito mais empregos em até 30 minutos com viagens de carro do que com viagens a pé. Essa diferença, porém, varia muito entre cidades. Em São Paulo e em Brasília, viagens de automóvel de até trinta minutos permitem acessar, em média, um número de empregos 54 vezes maior do que viagens a pé de mesma duração. Em Belém, onde observamos a menor diferença, o automóvel permite acessar 17 vezes mais empregos do que a caminhada - razão ainda considerável, porém menor do que a das demais cidades.