Upload
vulien
View
215
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DE PERNAMBUCO
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
CIÊNCIAS ECONÔMICAS
Mobilidade Urbana no Recife: uma Análise Empírica a partir de suas
Áreas de Ponderação
Discente: Daniel Calabria Lima de Sousa
Orientador: Raul da Mota Silveira Neto
RECIFE
FEVEREIRO/2015
UNIVERSIDADE FEDERAL DE PERNAMBUCO
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
CIÊNCIAS ECONÔMICAS
Mobilidade Urbana no Recife: uma Análise Empírica a partir de suas
Áreas de Ponderação
Discente: Daniel Calabria Lima de Sousa
Monografia apresentada à Coordenação Setorial
Acadêmica como requisito para a obtenção do título de
Bacharel em Ciências Econômicas, pela Universidade
Federal de Pernambuco, Centro de Ciências Sociais
Aplicadas, campus Recife.
Orientador: Raul da Mota Silveira Neto
RECIFE
FEVEREIRO/2015
DANIEL CALABRIA LIMA DE SOUSA
Mobilidade Urbana no Recife:
Uma Análise Empírica a partir de suas Áreas de Ponderação
Este exemplar corresponde à redação final da Monografia de graduação do curso de Ciências
Econômicas defendida por Daniel Calabria Lima de Sousa e aprovada pela comissão
julgadora em __/__/__.
Prof º Raul da Mota Silveira Neto _____________________
Doutor em Economia, Universidade de São Paulo/University of Illinois
Universidade Federal de Pernambuco
Examinador 1 _____________________
Examinador 2 _____________________
RECIFE
FEVEREIRO/2015
Dedico este trabalho à minha família
com todo o carinho
AGRADECIMENTOS
Gostaria de agradecer primeiramente ao meu orientador, profº Raul da Mota
Silveira Neto por sua dedicação e paciência comigo durante este período que convivemos.
Também gostaria de agradecer ao profº Zionam Rolim por sua imensa ajuda no
meu período acadêmico, e também aos professores David Ricardo, Tiago Cavalcanti e Paulo
Melo por sua contribuição.
Agradeço também aos membros da banca, por participarem e opinarem neste
trabalho dando sua honrosa contribuição.
Gostaria de agradecer aos meus amigos da faculdade, por todo o tempo que
estivemos juntos, pelas brincadeiras e pelos momentos sérios.
Agradeço o apoio da minha família, que sem vocês eu não chegaria até aqui.
Enfim, a todos que contribuíram direta ou indiretamente para a realização deste
trabalho. Obrigado!
CALABRIA LIMA DE SOUSA, Daniel. Mobilidade Urbana no Recife: uma Análise
empírica a partir de suas Áreas de Ponderação. 2015. 36 f. Monografia de Conclusão do
Curso (Graduação) – Curso de Ciências Econômicas, Universidade Federal de Pernambuco,
Recife.
Resumo
O objetivo deste trabalho é fazer uma análise empírica da mobilidade urbana da cidade do
Recife utilizando os dados do Censo Demográfico de 2010 no formato do programa Stata. O
trabalho fornece um conjunto de evidências que auxilia o entendimento da relação entre
tempo de commuting e algumas variáveis que possam estar associadas a um maior tempo de
commuting. Comumente visto como um assunto relevante para o desenvolvimento do Recife,
o tempo de commuting é um parâmetro difícil de ser mensurado acuradamente devido à
complexidade das variáveis que o influenciam. As evidências obtidas através de uma
regressão linear múltipla indicam que o tempo de commuting para o Recife está associado
negativamente à renda, densidade média de carros e distância para o centro ao quadrado, mas
positivamente associado à distância para o centro e densidade média de carros ao quadrado. O
fato do tempo de commuting para o Recife está positivamente relacionado à distância ao
centro, implica uma compatibilidade com o modelo tradicional de economia urbana (CBD-
Central Business District).
Palavras-Chave: mobilidade, commuting, distância.
CALABRIA LIMA DE SOUSA, Daniel. Urban Mobility in Recife: An empirical analysis
from its Weighing Areas. 2015.36f. Monografia de Conclusão do Curso (Graduação) – Curso
de Ciências Econômicas, Universidade Federal de Pernambuco, Recife.
Abstract
The objective of this article is to make an empirical analysis of the urban mobility to the city
of Recife using the data of the Population Census of 2010 in Stata’s format. The article
provides a set of evidences that helps the understanding of the relation between commuting-
time and some variables that may be associated with a longer time of commuting. Typically
treated as an important subject to the development of the city of Recife, the commuting-time
is a parameter hard to measure accurately due to the complexity of the variables that
influences it. Evidences obtained through a linear multiple regression indicate that the
commuting-time for Recife is negatively associated to income, average density of cars and
distance to the center squared, but positively associated for distance to the center and average
density of cars squared. The fact that the commuting time for Recife is positively related to
distance to the center implies a compatibility with the traditional model of urban economy
(CBD-Central Business District).
Key-words: mobility, commuting, distance.
LISTA DE ILUSTRAÇÕES
Figura 1: Tabela com Informações sobre a Regressão Linear Múltipla ................................... 16
Figura 2: Tabela com Estatísticas Descritivas das Variáveis ................................................... 18
Figura 3: Mapa do Recife com as áreas de ponderação ........................................................... 19
Figura 4: Tempo de Commuting Médio ................................................................................... 21
Figura 5: Renda per Capita Média ............................................................................................ 21
Figura 6: Tempo de Commuting Médio ................................................................................... 22
Figura 7: Densidade Média de Carros ...................................................................................... 22
Figura 8: Tempo de Commuting Médio ................................................................................... 23
Figura 9: Densidade Média de Carros ao Quadrado................................................................. 23
Figura 10: Tempo de Commuting Médio ................................................................................. 24
Figura 11: Distância ao Centro ................................................................................................. 24
Figura 12: Tempo de Commuting Médio ................................................................................. 25
Figura 13: Distância ao Centro ao Quadrado ........................................................................... 25
Figura 14: Centroides das áreas de ponderação do Recife ....................................................... 35
SUMÁRIO
1. Introdução 10
1.1 Motivação................................................................................................................11
1.2 Objetivo...................................................................................................................11
1.2.1 Objetivo Geral....................................................................................................11
1.2.2 Objetivos Específicos.........................................................................................11
1.3 Apresentação à Monografia.....................................................................................12
2. Referencial Teórico: Teoria Geral 13
3. Metodologia_________ ______________________________________________ 16
4. Resultados ________________________________________________________ 18
5. Conclusões_________________________________________________________26
6. Referências________________________________________________________ 27
7. Apêndice A: Obtenção do Commuting-Time para o Recife ____________ 28
8. Apêndice B: Obtenção das variáveis associadas ao maior tempo de commuting__ _32
1. INTRODUÇÃO
As necessidades sociais e econômicas das pessoas requerem seu deslocamento no
espaço, que pode ser feito a pé ou por meio de veículos de transporte motorizados ou não
motorizados. Em economias em desenvolvimento, como o Brasil, as pessoas que moram na
cidade realizam, em média, dois deslocamentos por dias (média entre as que se deslocam e as
que não se deslocam), valor correspondente à metade dos deslocamentos de pessoas em países
desenvolvidos (VASCONCELLOS, 2002). Assim, em cidades grandes do Brasil com
população de 3 milhões de pessoas são realizados por dia 6 milhões de deslocamentos. Esses
deslocamentos são feitos com maior ou menor nível de conforto conforme as condições
específicas em que se realizam e implicam consumos de tempo, espaço, energia e recursos
financeiros e geração de externalidades negativas, como a poluição do ar, os acidentes de
trânsito e os congestionamentos. Em razão do intenso crescimento urbano no Brasil, a partir
da década de 1960, muitas cidades – incluindo a RMR – passaram a apresentar sistemas de
mobilidade de baixa qualidade e de alto custo, com impactos negativos na vida das pessoas e
nos custos econômicos e ambientais para a sociedade.
Segundo as informações da Pesquisa Nacional por Amostra de Domicílios (PNAD),
entre 1999 e 2009 o percentual de indivíduos que levava mais de 30 minutos no trajeto da
residência ao local de trabalho na região Metropolitana do Recife (RMR) aumentou de 39,7%
para 46,5%, ou seja, para próximo da metade dos ocupados da RMR. Na verdade, ainda com
base na mesma fonte de informação, em 2009, na RMR 12,7% dos ocupados já levavam mais
de uma hora no trajeto da residência ao local de trabalho, um percentual acima do verificado
para demais regiões metropolitanas do Nordeste do Brasil e próximo àquele verificado para o
Brasil metropolitano. Assim, seja em decorrência da maior expansão urbana ou devido à piora
no trânsito de veículos e dificuldade de mobilidade, o fato é que tais números confirmam uma
piora nas condições de mobilidade na RMR.
Nesse sentido, como forma de analisar a mobilidade urbana para a Cidade do Recife,
esse trabalho procura analisar o Commuting-time das 40 áreas de ponderações da cidade,
identificando a região da cidade onde este é maior e os fatores associados a um maior
percurso no trajeto de casa ao trabalho.
1.1 MOTIVAÇÃO
A principal motivação para este trabalho de pesquisa foi o fato da mobilidade urbana
ser um assunto de fundamental importância para o desenvolvimento das cidades dentro da
Economia Urbana.
Uma análise do tempo de ida de casa ao trabalho (Commuting-time) das 40 áreas de
ponderação do Recife procura identificar a região com o maior Commuting-time e analisar as
variáveis relacionadas a este maior tempo, no intuito de entender um dos assuntos importantes
para o desenvolvimento da cidade do Recife.
1.2 OBJETIVO
1.2.1 OBJETIVO GERAL
Fazer uma análise empírica da mobilidade urbana para a cidade do Recife
utilizando os dados do Censo Demográfico de 2010.
1.2.2 OBJETIVOS ESPECÍFICOS
• Analisar o Commuting-time das 40 áreas de ponderações da cidade do Recife e
identificar a região da cidade onde este é maior.
• Identificar variáveis associadas ao maior tempo de commuting.
1.3 APRESENTAÇÃO À MONOGRAFIA
Além da introdução, o trabalho foi estruturado em mais quatro seções. A próxima seção apresenta o referencial teórico sobre mobilidade urbana, contendo a Teoria Geral sobre a Mobilidade Urbana dentro da Economia Urbana.
A seção seguinte apresenta a metodologia utilizada para analisar as variáveis positivamente associadas ao maior tempo de commuting mostrando a regressão linear múltipla estimada que relaciona tempo de commuting médio com as variáveis explicativas (renda per capita, densidade média de carros, densidade média de carros ao quadrado, distância ao centro e distância ao centro ao quadrado). A quarta seção demonstrou os resultados, e a última seção expôs as conclusões do trabalho.
2. REFERENCIAL TEÓRICO: TEORIA GERAL
Como referencial teórico, tem-se o modelo tradicional de economia urbana, onde o
maior tempo de commuting é associado à maior distância ao Centro da Cidade (CBD –
Central Business District), a respeito desse modelo, dentre outros títulos, alguns merecem ser
destacados.
Primeiramente, devemos falar do trabalho realizado em 2011 por Jan Bruckener
“Lectures on Urban Economics”. Nele Bruckener considera quatro hipóteses básicas em
relação ao modelo CBD: Empregos estão localizados no centro da cidade (CBD), acesso ao
centro se dá através de uma rede densa de vias radiais, famílias idênticas e padrão de consumo
das famílias descrito pelo consumo de espaço (moradia) e demais bens serviços.
Ao considerar o consumo das famílias, Bruckener estabelece c como sendo o consumo
dos demais bens e serviços e q como consumo de espaço (serviços de moradia). Os custos de
transporte (Commuting Costs) se dão por t.x onde t é o custo por km sendo igual para todas as
famílias e x a distância da residência ao centro.
Assumindo y como a renda ganha com trabalho no centro, a renda disponível para
gastos com bens e moradias é dada por: y-t.x.Definindo o preço do bem composto como sendo
1 para simplificar, e denotando p como o valor do aluguel tem-se a restrição orçamentária do
consumidor y-tx=c +p.q.
Dessa forma, a partir de uma função de bem-estar tradicional U(c,q) é possível
expressar o problema do consumidor em qualquer localidade como um problema de
maximização da função U(c,q) sujeita a y-tx=c +p.q.
Outro título de destaque é o livro “Urban Economics and Real State: theory and
policy” do ano de 2009 de John McDonald e Daniel McMillen. No livro é dito que o modelo
monocêntrico gera um conjunto de relações entre variáveis que apreende as regularidades
observadas para as cidades já discutidas.
Empiricamente, os estudos baseados no modelo têm procurado as seguintes relações:
• Para famílias idênticas, valor da unidade de espaço residencial diminui com a distância
ao Centro.
• Valor da unidade do espaço diminui com a distância.
• Razão capital/espaço diminui com distância ao Centro.
• A densidade diminui com distância ao Centro
• O tamanho da área da cidade associa-se positivamente à renda e à população e
negativamente ao aluguel agrícola e aos custos de commuting.
Para as quatros relações anteriores, a forma mais comumente utilizada nas
investigações empíricas é expressa como:
Onde y é o preço da unidade de espaço residencial, do valor da unidade de espaço, da
razão capital/espaço ou a densidade. Neste sentido, note-se que está implícita a estrutura do
modelo, uma vez que:
Os resultados utilizando diferentes variáveis dependentes regularmente confirmam
valor positivo de β, conforme os autores:
• Valor da unidade de espaço residencial: Coulson (1991)
• Valor da terra: McDonald (1996) e McMillen (1997)
• Razão área residencial/espaço: McMillen (2008)
• Densidade: McMillen and Lester (2003), McDonald and McMillen (2011)
• Para o caso da relação entre o tamanho da área da cidade e as variáveis: renda,
população, aluguel agrícola e aos custos de commuting, há três evidências a destacar:
• - Brueckner and Fansler (1983): 40 cidades americanas.
• McGrath (2006): 33 grandes cidades americanas.
• Angel, Sheppard and Civco (2005): 90 cidades do mundo.
iii xy εβα +−=ln
0/0/ 222>=∂∂<−=∂∂ iiiiii yxyeyxy ββ
Também merece destaque o trabalho realizado pelo professor Raul da Mota Silveira
Neto do DECON-UFPE “Renda como Condicionante da Mobilidade Urbana: uma Análise do
caso da Região Metropolitana do Recife”. Nesse estudo, o objetivo é fornecer um conjunto de
evidências que auxilie no entendimento da relação entre renda e tempo de ida ao trabalho na
Região Metropolitana do Recife (RMR).
Para a investigação empírica do trabalho foi utilizada uma regressão linear múltipla:
�∗ = �� + �
A variável dependente Y foi t* que representou o tempo de commuting da área de
ponderação, enquanto que as variáveis explicativas (renda, distância, distância ao quadrado,
densidade e densidade ao quadrado) foram representadas por x.
3. METODOLOGIA
As informações utilizadas no estudo foram provenientes do Censo Demográfico 2010
no formato do Stata. Através do comando regress no Stata foi gerada uma regressão linear
múltipla relacionando tempo de commuting e as variáveis explicativas (renda per capita,
distância para o centro, distância para o centro ao quadrado, densidade de carros e densidade
de carros ao quadrado) assim como uma tabela com informações estatísticas relevantes.
A regressão linear gerada foi:
Tempo de Commuting= - 0.0015575Renda - 0.0427897 Densidade + 0.0002031Densidade² +
1.634252Distância – 0.0140017Distância²+ e.
Figura 1: Tabela com Informações sobre a Regressão Linear Múltipla
Fonte: elaborado pelo autor
A parte de cima da tabela apresenta informações do modelo e dos resíduos, tais como:
A Soma dos Erros ao Quadrado (SS), Graus de liberdade (df), Média da Soma dos Erros ao
Quadrado (MS), Número de Observações (Number of obs), R² (R-squared), R² ajustado (Adj
R-squared) e Raiz Quadrada da Média da Soma dos Erros ao Quadrado (Root MSE).
_cons 27.50316 3.495836 7.87 0.000 20.39877 34.60756
distancia2 -.0140017 .0635598 -0.22 0.827 -.1431706 .1151673
distancia 1.634252 .9293005 1.76 0.088 -.2543137 3.522818
densidade2 .0002031 .0002117 0.96 0.344 -.0002271 .0006334
densidade -.0427897 .0470315 -0.91 0.369 -.1383693 .0527898
rdpcap -.0015576 .0014025 -1.11 0.275 -.0044078 .0012927
tcommutingAP Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total 1316.37149 39 33.7531152 Root MSE = 3.6974
Adj R-squared = 0.5950
Residual 464.797798 34 13.6705235 R-squared = 0.6469
Model 851.573693 5 170.314739 Prob > F = 0.0000
F( 5, 34) = 12.46
Source SS df MS Number of obs = 40
A Parte de baixo da tabela mostra os Coeficientes da regressão para cada variável
explicativa, o Erro padrão(Standard Error), o Teste T, a Probabilidade de ser maior que t e o
intervalo de confiança (Conf. Interval).
4. RESULTADOS
Utilizando o comando summarize no Stata foi gerada uma tabela com estatísticas
descritivas de cada variável utilizada no trabalho.
Figura 2: Tabela com Estatísticas Descritivas das Variáveis
Fonte: elaborado pelo autor
A tabela informa sobre a quantidade de observações, a média (Mean), o desvio
padrão (Standard Deviation), o valor mínimo (Min) e o valor máximo(Max).
Com relação ao tempo de commuting médio o maior valor encontrado para o Recife
foi o da área de ponderação de código 2611606005040 que abrange o bairro da Cohab, com o
tempo estimado médio de 53,34 minutos. O menor tempo estimado médio de commuting foi o
da área de ponderação de código 2611606005001 que abrange os bairros do Recife, São José,
Ilha de Joana Bezerra e Coelhos, com o tempo estimado médio de 27,11 minutos. Para a
cidade do Recife como um todo, o tempo estimado médio de commuting foi de 35,61 minutos.
No que tange à variável renda per capita média do Recife, a maior renda per capita
média foi de uma das áreas de ponderação que reúnem o bairro de Boa Viagem com o código
2611606005032, com uma renda média estimada de R$4473,19. A região com a menor renda
per capita foi a área de ponderação de código 2611606005040 que reúne o bairro da Cohab,
com uma renda estimada média de R$512,71.Para a cidade do Recife, a renda média estimada
foi de R$1082,99.
Em relação a densidade média de carros, a região da cidade do Recife com a maior
densidade média de carros foi uma das áreas de ponderação que abrangem Boa Viagem, a de
código 2611606005033 com um total de 217 domicílios com carro por km2. A região com a
menor densidade de carros foi a área de ponderação de código 2611606005017 que abrange
os bairros de Brejo de Beberibe, Brejo da Guabiraba, Passarinho, Guabiraba e Pau-Ferro com
distancia2 40 61.08144 42.59573 1.5376 206.7844
distancia 40 7.3215 2.769259 1.24 14.38
densidade2 40 6192.212 10785.68 1.8496 47458.63
densidade 40 60.02225 51.53581 1.36 217.85
rdpcap 40 1082.994 837.7194 512.7167 4473.197
tcommutingAP 40 35.6157 5.809743 27.11266 53.34595
Variable Obs Mean Std. Dev. Min Max
um total de 1,36 domicílios com carro por km2. A densidade média de carros para a cidade do
Recife foi igual a 60 domicílios com carro por km2.
A análise da distância ao centro encontrou a região do Recife com a maior distância
ao centro que foi a área de ponderação de código 2611606005017 que abrange os bairros de
Brejo de Beberibe, Brejo da Guabiraba, Passarinho, Guabiraba e Pau-Ferro com uma distância
aproximada de 14,38 km. A região com a menor distância ao centro do Recife foi a área de
ponderação de código 2611606005001 que abrange os bairros do Recife, São José, Ilha de
Joana Bezerra e Coelhos com uma distância aproximada de 1,24km.A distância média para o
centro do Recife analisando todas as suas áreas de ponderação foi de 7,32km.
Através da elaboração de mapas no programa Stata, a análise das áreas de
ponderação do Recife ficou mais clara.
Figura 3: Mapa do Recife com as áreas de ponderação
Fonte: elaborado pelo autor
17
08
06
0405
07
13
14
15
1612
11
10 0323
22
20
19 09
02
01
31
25
18
26
21
24
30
28
27
3529
37
38
36
33
34
40
39
32
Áreas de Ponderações:
01 - Recife (Bairro do Recife), São José, Cabanga, Ilha de Joana Bezerra, Coelhos e Santo Antônio. 02 - Boa Vista, Soledade, Santo Amaro, Paissandu e Ilha do Leite. 03 - Campo Grande, Torreão, Encruzilhada, Rosarinho, Ponto de Partida e Hipódromo. 04 - Campina do Barreto, Peixinhos e Arruda. 05 - Água Fria. 06 - Fundão, Cajueiro, Beberibe e Porto da Madeira. 07 - Bomba do Hemetério, Alto Santa Terezinha e Linha do Tiro. 08 - Dois Unidos. 09 - Graças, Aflitos, Espinheiro e Derby. 10 - Tamarineira, Jaqueira, Parnamirim e Santana. 11 - Casa Amarela e Alto do Mandu. 12 - Casa Forte, Poço, Monteiro, Apipucos, Dois Irmãos e Sítio dos Pintos. 13 - Alto José Bonifácio, Morro da Conceição, Alto José do Pinho e Mangabeira. 14 - Vasco da Gama. 15 - Nova Descoberta. 16 - Macaxeira e Córrego do Jenipapo. 17 - Brejo de Beberibe, Brejo da Guabiraba, Passarinho, Guabiraba e Pau-Ferro. 18 - Madalena e Ilha do Retiro. 19 - Torre, Zumbi e Prado. 20 - Cordeiro. 21 - Torrões e Engenho do Meio. 22 - Iputinga. 23 - Cidade Universitária, Várzea e Caxangá. 24 - Várzea (continuação). 25 - Afogados. 26 - San Martin, Bongi, Mustardinha e Mangueira. 27 - Estância, Jiquiá, Caçote e Areias. 28 - Jardim São Paulo. 29 - Barro e Tejipió. 30 - Coqueiral, Totó, Sancho e Curado. 31- Pina e Brasília Teimosa. 32 - Boa Viagem. 33 - Boa Viagem. 34 - Boa Viagem. 35 - Imbiribeira. 36 - Ipsep e Imbiribeira (continuação). 37 - Ibura. 38 - Ibura (continuação) e Jordão. 39 - Cohab. 40 - Cohab (continuação).
Figura 4: Tempo de Commuting Médio
Fonte: elaborado pelo autor
Figura 5: Renda per Capita Média
Fonte: elaborado pelo autor
tcommutingAP(38.90918,53.34595](33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
rdpcap(1184.09,4473.197](730.9335,1184.09](618.8854,730.9335][512.7167,618.8854]
Figura 6: Tempo de Commuting Médio
Fonte: elaborado pelo autor
Figura 7: Densidade Média de Carros
Fonte: elaborado pelo autor
tcommutingAP(38.90918,53.34595]
(33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
densidade(73.4,217.85](44.86,73.4](26.79,44.86]
[1.36,26.79]
Figura 8: Tempo de Commuting Médio
Fonte: elaborado pelo autor
Figura 9: Densidade Média de Carros ao Quadrado
Fonte: elaborado pelo autor
tcommutingAP(38.90918,53.34595]
(33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
densidade2(5471.283,47458.63](2012.722,5471.283]
(718.4609,2012.722][1.8496,718.4609]
Figura 10: Tempo de Commuting Médio
Fonte: elaborado pelo autor
Figura 11: Distância ao Centro
Fonte: elaborado pelo autor
tcommutingAP(38.90918,53.34595]
(33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
distancia(9.26,14.38](7.24,9.26]
(5.535,7.24][1.24,5.535]
Figura 12: Tempo de Commuting Médio
Fonte: elaborado pelo autor
Figura 13: Distância ao Centro ao Quadrado
Fonte: elaborado pelo autor
tcommutingAP(38.90918,53.34595]
(33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
distancia2(38.90918,53.34595](33.64433,38.90918](32.00072,33.64433][27.11266,32.00072]
5. CONCLUSÕES
Além de identificar o tempo gasto na ida da residência ao local de trabalho (tempo de
commuting) para as áreas de ponderação do Recife, o presente trabalho procurou investigar
quais as características dos indivíduos e de suas ocupações que estão associadas ao maior
tempo de commuting.
Neste sentido, de acordo com o que foi mostrado na quarta seção deste trabalho, o
maior tempo de commuting estimado médio para o Recife foi o da área de ponderação que
abrange o bairro da Cohab, com um tempo estimado médio de 53,34 minutos e o menor
tempo foi o da área de ponderação que engloba os bairros do Recife, São José, Ilha de Joana
Bezerra e Coelhos, com o tempo estimado médio de 27,11 minutos.
Através da elaboração de uma regressão linear múltipla foram encontradas as relações
entre tempo de commuting e as demais variáveis explicativas para o Recife. As evidências
apontaram para relações negativas entre tempo de commuting e as variáveis (Renda per
Capita, Densidade Média de Carros e Distância ao Centro ao Quadrado). A relação entre
tempo de commuting e distância ao centro e densidade média de carros ao quadrado para o
Recife foi positiva.
A principal limitação do trabalho foi o uso de categorias de tempos de commuting
pré-determinadas o que não conseguiu refletir de maneira tão precisa a mobilidade urbana no
Recife. Uma estimação mais próxima à realidade do Recife carece de uma mensuração mais
acurada do tempo de commuting.
6. REFERÊNCIAS
BRUECKNER, J.K. Lectures on Urban Economics, MIT Press, 2011
ALONSO, W.Location and Land Use. Harvard University Press, 1964
McMILLEN, D. P. e McDONALD, J. F. Urban Economics and Real State: theory and
policy, 2a ed., New Jersey: John Willey and Sons, 2009
MUTH, R. F. Cities and Housing . Chicago University Press, 1969
MILLS, E. S. An Aggregative Model of Resource Allocation in a Metropolitan Area.
American Economic Review, 57: 197-210.
FUJITA, M., Urban Economic Theory, Cambridge: Cambridge University Press, 1989.
VASCONCELLOS ALCÂNTARA, E.; CARVALHO RIBEIRO, C.H.; PEREIRA
MORAES,R.H.Disponível em <
http://repositorio.cepal.org/bitstream/handle/11362/28160/S2011992_pt.pdf?sequence=1>
acessado em 22 de Janeiro de 2015.
SILVEIRA NETO, R.M.; LIMA, K.V. Renda como Condicionante da Mobilidade Urbana: uma Análise do caso da Região da Região Metropolitana do Recife. [2011?].
7. APÊNDICE A: OBTENÇÃO DO COMMUTING TIME PARA O RECIFE
Para se efetuar a análise do Commuting-time para as áreas de ponderação da cidade do
Recife foi utilizado o programa estatístico Stata. Após organizar as variáveis do Censo
Demográfico 2010 através de uma rotina de comandos específicos foi possível obter uma
estimativa do Commuting-time médio para cada de área de ponderação, que é a variável
TcommutingAP.
Para gerar a variável TcommutingAP foi realizado o seguinte procedimento.
Primeiramente, foi obtido o tempo de commuting das áreas de ponderação, mediante a
seguinte rotina:
Sort V0011 - Ordenou a variável que identificou a área de ponderação em ordem crescente.
Gen tempo1=0 - Criou a variável dummy tempo1 e igualou a 0;
Replace tempo1=1 if V0662==1 - Substituiu tempo 1 e igualou a 1 se a variável que
identifica o tempo de ida de casa ao trabalho for igual a 1;
Gen tempo2=0 - Criou a variável dummy tempo2 e igualou a 0;
Replace tempo2=1 if V0662==2 - Substituiu tempo 2 e igualou a 1 se a variável que identifica
o tempo de ida de casa ao trabalho for igual a 2;
Gen tempo3=0 - Criou a variável dummy tempo3 e igualou a 0;
Replace tempo3=1 if V0662==3 - Substituiu tempo 3 e igualou a 1 se a variável que identifica
o tempo de ida de casa ao trabalho for igual a 3;
Gen tempo4=0 - Criou a variável dummy tempo4 e igualou a 0;
Replace tempo4=1 if V0662==4 - Substituiu tempo 4 e igualou a 1 se a variável que identifica
o tempo de ida de casa ao trabalho for igual a 4;
Gen tempo5=0 - Criou a variável dummy tempo5 e igualou a 0;
Replace tempo5=1 if V0662==5 - Substituiu tempo 5 e igualou a 1 se a variável que identifica
o tempo de ida de casa ao trabalho for igual a 5;
Gen tempo=0 - Criou a variável dummy tempo e igualou a 0;
Replace tempo=1 if V0662>0 & V0662<6 - Substituiu tempo e igualou a 1 se a variável que
identifica o tempo de ida de casa ao trabalho for maior que 0 e menor que 6.
Após esse procedimento, foi obtida a soma das pessoas que comutam para cada área de
ponderação:
By V0011: egen commuters=total(tempo) - Ordenou por área de ponderação e criou variável
commuters que foi a soma total da variável tempo;
By V0011: egen commuters1=total(tempo1) - Ordenou por área de ponderação e criou
variável commuters1 que foi a soma total da variável tempo1;
By V0011: egen commuters2=total(tempo2) - Ordenou por área de ponderação e criou
variável commuters2 que foi a soma total da variável tempo2;
By V0011: egen commuters3=total(tempo3) - Ordenou por área de ponderação e criou
variável commuters3 que foi a soma total da variável tempo3;
By V0011: egen commuters4=total(tempo4) - Ordenou por área de ponderação e criou
variável commuters4 que foi a soma total da variável tempo4;
By V0011: egen commuters5=total(tempo5) - Ordenou por área de ponderação e criou
variável commuters5 que foi a soma total da variável tempo5.
O procedimento seguinte foi a obtenção da parcela dos que comutaram em cada classe
com relação ao tempo:
By V0011: gen rt1=commuters1/commuters - Ordenou por área de ponderação e criou
variável rt1 que foi igual a variável commuters1 dividida pela variável commuters;
By V0011: gen rt2=commuters2/commuters - Ordenou por área de ponderação e criou
variável rt2 que foi igual a variável commuters2 dividida pela variável commuters;
By V0011: gen rt3=commuters3/commuters - Ordenou por área de ponderação e criou
variável rt3 que foi igual a variável commuters3 dividida pela variável commuters;
By V0011: gen rt4=commuters4/commuters - Ordenou por área de ponderação e criou
variável rt4 que foi igual a variável commuters4 dividida pela variável commuters;
By V0011: gen rt5=commuters5/commuters - Ordenou por área de ponderação e criou
variável rt5 que foi igual a variável commuters5 dividida pela variável commuters.
Por fim para criar a variável TcommutingAP, o comando utilizado foi:
By V0011: gen TcommutingAP=3.0*rt1+18.0*rt2+45.5*rt3+90.5*rt4+120*rt5 – Ordenou por
área de ponderação e criou variável TcommutingAP que foi igual a soma dos que comutaram
em cada classe multiplicada por seu respectivo tempo estimado médio de commuting.
Com a obtenção da variável TcommutingAP, foi possível realizar outros procedimentos
para selecionar somente variáveis para a cidade do Recife e foi criado um arquivo que contém
essas variáveis (Recife AP informações).
Através da utilização da seguinte rotina foi gerado um mapa para a cidade do Recife
mostrando as suas áreas de ponderação, e a legenda com os tempos estimados médios de
Commuting para cada área.
/* Do para gráficos das áreas de ponderação da Cidade do Recife */
Shp2dta using "C:\Users\Domingos\Documents\BACKUP\Daniel\Monografia\RECIFE_area
de ponderacao", database(dbrec) coordinates(coordrec) genid(code) – Usou o arquivo
RECIFE_area de ponderacao e aplicou o comando Shp2dta usando a base de dados (drbec), e
as coordenadas(coordrec). Além disso, foi gerado um código(code).
Use dbrec, clear – Usou base de dados dbrec e limpou os dados.
Describe – Descreveu os dados.
/* Sort em ordem decrescente "gsort -id"*/ - Ordenou em ordem decrescente.
/* Abre arquivo com dados*/
Use "C:\Users\Domingos\Documents\BACKUP\Daniel\Monografia\Dados\STATA 13\Recife
AP informações.dta".
/* Merge do banco de dados que contém agora os dois códigos com o banco criado no 1º
passo (dbsp) através da chave "code"*/ - Agregou os dois bancos de dados.
Merge 1:1 code using dbrec – Agregou o código usando dbrec.
Drop if _merge!=3 – Descartou se Merge for 3.
/* Gera mapa utilizando informações sobre as APs*/
Spmap tcommutingAP using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2)
legt(tcommutingAP) – Aplicou o comando Spmap, fcolor e legt à variável TcommutingAP e
usou as coordenadas coordrec, e o código(code)
8. APÊNDICE B: OBTENÇÃO DAS VARIÁVEIS ASSOCIADAS AO MAIOR
TEMPO DE COMMUTING
As variáveis selecionadas para a análise foram: Renda per Capita, Distância ao Centro,
Distância ao Centro ao Quadrado, Densidade de Carros e Densidade de Carros ao Quadrado.
Para a obtenção dessas variáveis foram usados os programas Stata e Qgis, e foram
aplicadas as seguintes rotinas:
- Renda Média Per Capita
Para a obtenção da variável renda per capita média por área de ponderação (rdpcap)
primeiramente foi obtido a variável rdpc.
/*Cria renda total do domicílio e renda do trabalho total do domicílio */
Replace V6525=0 if V6525==. - Substituiu a variável “Rendimento em todos os trabalhos” e
igualou a zero se ela for um missing value;
Replace V6591=0 if V6591==. - Substituiu a variável “Valor Total dos Rendimentos em
Julho 2010” e igualou a zero se ela for um missing value;
Sort hhid - Ordenou a variável hhid, variável que identificou o domicilio, em ordem
crescente;
By hhid: egen twtraba=total (V6525) – Ordenou por hhid e criou variável twtraba que foi
igual ao total da variável “Rendimento em todos os trabalhos”;
Sort hhid – Ordenou a variável hhid em ordem crescente;
By hhid: egen twoutras=total (V6591) – Ordenou por hhid e criou variável twoutras que foi
igual ao total da variável “Valor Total dos Rendimentos em Julho 2010”;
Gen trenda= twtraba + twoutras – Criou a variável trenda que foi a soma das variáveis twtraba
com twoutras;
Gen rdpcapita=trenda/ndom – Criou a variável rdpcapita que foi igual ao total da renda
dividida pelo número de domicílios;
Rename rdpcapita rdpc - Renomeou rdpcapita por rdpc.
Após a obtenção da variável rdpc, foi utilizado o seguinte procedimento para criar a
variável rdpcap:
Sort V0011 – Ordenou a variável que identificou a área de ponderação em ordem crescente;
By V0011: egen rdpcap=mean (rdpc) – Ordenou por área de ponderação e criou variável
rdpcap que foi igual a média da variável rdpc.
Através do mesmo procedimento utilizado para a variável TcommutingAP foi gerado
um mapa para a cidade do Recife , alterando apenas o nome da variável no comando Spmap
para rdpcap. Este mapa mostrou as áreas de ponderação do Recife, e a legenda com as rendas
estimadas médias de cada área.
/* Gera mapa utilizando informações sobre as APs*/
Spmap rdpcap using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2) legt(rdpcap) - Aplicou o
comando Spmap, fcolor e legt à variável rdpcap e usou as coordenadas coordrec, e o
código(code).
- Densidade Média de Carros
Para a obtenção da densidade média de carros, foi preciso utilizar o programa Qgis
que forneceu a área estimada de cada área de ponderação em km2. O Qgis estimou essas áreas
através do shapefile que continha o mapa da cidade do Recife.
Após a obtenção das áreas estimadas, a variável densidade foi criada no programa
Stata, sendo igual a variável domapcarro (total de domicílios que possuíam carro) de cada
área de ponderação dividido pela sua respectiva área calculada no Qgis.
Para gerar o mapa de densidade, o mesmo procedimento padrão foi utilizado,
mudando somente o nome da variável no comando Spmap para densidade.
/* Gera mapa utilizando informações sobre as APs*/
Spmap densidade using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2) legt(densidade) -
Aplicou o comando Spmap, fcolor e legt à variável densidade e usou as coordenadas coordrec,
e o código(code).
- Densidade Média de Carros ao Quadrado
Para a obtenção da variável densidade média ao quadrado, foi utilizado o seguinte
comando no Stata:
Gen densidade2= densidade^2 – Criou a variável densidade2 que foi igual a variável
densidade elevada ao quadrado.
Para gerar o mapa de densidade média ao quadrado, o mesmo procedimento anterior
foi utilizado, mudando somente o nome da variável no comando Spmap para densidade2.
/* Gera mapa utilizando informações sobre as APs*/
Spmap densidade2 using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2) legt(densidade2).
Aplicou o comando Spmap, fcolor e legt à variável densidade2 e usou as coordenadas
coordrec, e o código(code).
- Distância ao Centro
Para a obtenção da distância ao centro de cada área de ponderação, foi necessária a
utilização do programa Qgis e dos shapefiles da cidade do Recife e da Praça Rio Branco.
Após localizar o centroide de cada área de ponderação no mapa do Recife, a distância
ao centro foi estimada pelo Qgis do centroide de cada área em relação à Praça Rio Branco
onde está localizado o Marco Zero do Recife.
Figura 14: Centroides das áreas de ponderação do Recife
Fonte: elaborado pelo autor
Para gerar o mapa da distância ao centro no Stata, o mesmo procedimento anterior
foi utilizado, mudando somente o nome da variável no comando Spmap para distancia.
/* Gera mapa utilizando informações sobre as APs*/
Spmap distancia using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2) legt(distancia).
Aplicou o comando Spmap, fcolor e legt à variável distancia e usou as coordenadas coordrec,
e o código(code).
- Distância ao Centro ao Quadrado
Para a obtenção da variável distância ao centro ao quadrado, foi utilizado o seguinte
comando no Stata:
Gen distancia2= distancia^2 – Criou a variável distancia2 que foi igual a variável distancia
elevada ao quadrado.
Para gerar o mapa de distância ao centro ao quadrado, o mesmo procedimento
anterior foi utilizado, mudando somente o nome da variável no comando Spmap para
distancia2.
/* Gera mapa utilizando informações sobre as APs*/
Spmap distancia2 using coordrec, id(code) fcolor(gs16 gs10 gs5 gs2) legt(distancia2).
Aplicou o comando Spmap, fcolor e legt à variável distancia2 e usou as coordenadas
coordrec, e o código(code).