Atividade2-Goiás
Marcos Enrique de Alencar Aires(Aires, M. E.)
2023-11-29
Desigualdade socioeconômica do estado de Goiás em relação aos seus municípios
Introdução:
A desigualdade social é complicada de se categorizar pelos seus diversos aspectos e fatores, mas pode ser dito que são as relações sociais em relação ao gênero, raça, escolaridade, índice de violência e muitos outros.
Um fator muito utilizado para calcular a desigualdade social é o índice de desenvolvimento humano(IDH) que se baseia em 3 principais fatores, educação, saúde e renda, esses fatores são escolhidos, pois abrange diferentes aspectos da vida da sociedade.
O IDH é um número que abrange de 0 até 1, onde quanto mais próximo de 0 pior indica os fatores e vice-versa, Brasil em 2021 teve seu IDH de 0,754 divulgado pelo relatório de Desenvolvimento Humano 2021/2022 ficando na posição 87ª, nesta análise utilizaremos o IDHM que é o índice de desenvolvimento humano municipal.
Outro fator utilizado é o PIB per capita ou renda per capita e é calculada como sendo o PIB municipal do ano dividido pela população municipal do mesmo ano,o PIB per capita do Brasil é de 42247,52 R$ divulgado pelo IBGE,2021, é um fator muito utilizado para analisar o desenvolvimento econômico da determinada região.
É muito importante prestar atenção quando for utilizar o índice do PIB per capita em sua análise, pois ele sozinho não consegue demonstrar a noção completa da situação de uma região, pois estamos analisando somente a renda, além de que se um grupo de pessoas da região for muito mais rica que o resto de sua população o número final do PIB será muito maior do que a realidade da maioria da população daquela região, mas não é por isso que é uma informação inútil já que consegue demonstrar a desigualdade de renda de uma região.
Sendo o objetivo usar o IDHM e o PIB per capita como fatores principais para a análise da desigualdade social do estado de Goiás, comparando entre os municípios, sua população, área por km² e a densidade demográfica.
Material e Métodos:
Local de Estudo e Material:
O local a ser estudado é o estado de Goiás, tendo uma Área Territorial de 340.242,859km², População de 7056495 de pessoas segundo o IBGE,2022 e um IDH de 0,737 segundo o IBGE,2021.
Todos os dados utilizados para essa análise foi obtido pelo banco de dados disponibilizado pelo Instituto Brasileiro de Geografia e Estatística (IBGE), dados a serem utilizados são: PIB per capita - 2020, índice de desenvolvimento humano municipal - 2010 (IDHM), Área por km² - 2022, População residente - 2022, Densidade demográfica - 2022.
O método utilizado para demonstrar essa análise será por gráficos, estilo scatter plot ou gráfico de dispersão como na Figura 1, um gráfico de dispersão usa como dados 2 ou mais informações a serem mostradas no eixo x e y do plano cartesiano, se o gráfico utiliza dados numéricos normalmente quanto mais a direita maior será o número do dado do eixo x e quanto mais acima maior será o dado do eixo y, os dados então serão comparados e um ponto será mostrado onde as 2 informações se encontram assim mostrando o ponto na tela.
Resultados e Discussão:
Começaremos analisando a média e a máxima do IDHM e do PIB per capita do estado de Goiás em relação ao Brasil, relembrando que o IDHM do Brasil é de 0,787 e o PIB per capita é de 42247,52 R$, pode-se notar que o Max do IDHM de Goiás é de 0,799 que é maior que o do Brasil, mas isso sendo Goiânia o único município, podemos perceber o Mean que é a média tendo o valor de 0,695 que é bem abaixo do Brasil, já o PIB per capita é diferente obtendo o máximo de 288690 que é muito acima da média do Brasil, mas uma média de 33711 que é abaixo, essa diferença será mais avaliada posteriormente, Goiás tem 50 municípios acima da média.
## IDHM2010 PIB.per.cap.R$2020
## Min. :0.584 Min. : 9133
## 1st Qu.:0.677 1st Qu.: 19756
## Median :0.697 Median : 25493
## Mean :0.695 Mean : 33711
## 3rd Qu.:0.718 3rd Qu.: 37601
## Max. :0.799 Max. :288690Na Figura 2 que mostra os municípios em relação ao seu PIB per capita é possível perceber que a grande maioria dos municípios se encaixa entre 10000 Reais até 30000 Reais, tendo alguns totalmente fora do padrão com Davinópolis com 288689 Reais sendo o único acima de 200000 Reais e mais 5 municípios acima dos 100000 Reais, com isso já é possível notar um pequeno grupo de municípios com uma faixa bem acima do resto.
Nas Figuras 3,4,5 que compara Área por km², População residente e Densidade demográfica em relação ao PIB per capita, pode-se notar que os municípios com maiores PIB per capita estão entre os menores em todos os 3 fatores, tendo nenhum município grande em questão desses 3 fatores chegando perto, mas ao mesmo tempo percebe-se que a maioria dos municípios também se enquadra, uma hipótese a ser levantada é que para esses 6 municípios terem essa grande diferença com o Davinópolis tendo 3,94 de densidade demográfica, deve haver um pequeno grupo de pessoas com uma renda bem acima dos demais, mas é necessário mais dados e uma análise profunda no local para se tirar conclusões, outra coisa a se pontuar é Goiânia a capital de Goiás ter um PIB per capita que se encaixa exatamente na média do seu estado, porém possuindo de longe a maior população, só perdendo para Valparaíso de Goiás em Densidade demográfica, entretanto tendo o dobro do PIB per capita.
Na Figura 6 que mostra os municípios em relação ao seu IDHM demonstra a grande maioria dos municípios entre 0,65 e 0,75, tendo novamente somente 6 municípios que ultrapassam essa faixa, sendo a capital Goiânia de longe o maior IDHM com 0,799 sendo o único município acima da média nacional, somente 3 ficam abaixo dos 0,60 sendo o menor Cavalcante com 0,584.
Nas Figuras 7,8,9 é possível dizer que quanto mais população ou densidade demográfica maior a probabilidade de um IDHM alto, já que a maioria dos que estão entre os maiores nesses fatores estão ou na média ou acima, mas esse número é muito pequeno para confirmar essa correlação, mas pode ser um fator a se considerar, Goiânia tendo o maior IDHM e a maior População pode ser um fator, entretanto além dessa pontuação não consegui notar uma correlação entre a Área do estado e o IDHM.
Na Figura 10 iremos comparar o IDHM e o PIB per capita entre eles, para poder ver se existe uma correlação direta entre os 2, uma pequena tendência para quanto maior o PIB per capita maior é o IDHM, mas não é uma relação direta tendo vários municípios fora dessa curva, até por ela ser tão pequena é possível a análise de desconsiderá-la e ter como conclusão a não relação entre as duas, mas acho dados importantes para a compreensão desse objetivo.
Conclusão:
Perante do que foi mostrado, é possível afirmar que não existe correlação direta entre PIB per capita e o IDHM do estado de Goiás, porém pode-se notar uma levíssima tendência para quanto mais PIB per capita maior o IDHM, além de ser praticamente impossível analisar desigualdade social usando só esses 2 parâmetros, tendo outros bem importantes como raça, gênero, criminalização, marginalização, índice de violência, escolaridade e ainda muitos outros, é possível notar um maior IDHM entre estados mais populosos, tendo a capital como maior IDHM e a maior população, necessária uma maior análise para concretizar essa afirmação, e uma grande diferença no PIB per capita de 6 municípios em relação ao resto do estado, tendo a crer a existência de grupos com um padrão de vida muito elevado a média do estado, sendo no ano de 2023 o salário mínimo de 1320 Reais e a média do PIB per capita do estado de Goiás de 33711 Reais que ainda é abaixo a média nacional, é plausível atestar que esses pequenos grupos influenciam bastante a média do PIB per capita e por isso é preciso ter cuidado a analisar e levar em consideração esses dados, sendo necessário um estudo mais aprofundado nos municípios do estado de Goiás com foco nessas pontuações para ter uma resposta concreta sobre a situação da desigualdade social.
Referências:
Instituto Brasileiro de Geografia e Estatística. Disponível em:https://www.ibge.gov.br/ Acesso em: 28 de novembro de 2023.
Hugo Mota. Disponível em:https://brasilescola.uol.com.br/o-que-e/geografia/o-que-e-idh.htm Acesso em: 28 de novembro de 2023.
United Nation Development Programme.Disponível em:https://www.undp.org/pt/brazil/o-que-%C3%A9-o-idhm Acesso em: 28 de novembro de 2023.
Agência Câmara de Notícias.Disponível em:https://www.camara.leg.br/noticias/957339-medida-provisoria-aumenta-salario-minimo-para-r-1-320-a-partir-de-maio/ Acesso em: 28 de novembro de 2023.
Atlas Socioeconômico Rio Grande do Sul. Disponível em:https://atlassocioeconomico.rs.gov.br/indice-de-desenvolvimento-humano-idh-e-idhm Acesso em: 28 de novembro de 2023.
Rotina:
library(ggplot2)
library(hrbrthemes)
library(readxl)
library(fBasics)
library(plotly)
library(scales)
GOData = read_excel("Goias.xlsx",sheet = 1)
GOdata = as.data.frame(GOData)
teste <- data.frame(
cond = rep(c("condition_1", "condition_2"), each=10),
x = 1:100 + rnorm(100,sd=9),
y = 1:100 + rnorm(100,sd=16)
)
exemplo1 <- ggplot(teste, aes(x=x, y=y)) +
geom_point( color="#69b3a2") +
labs(title = "Figura 1")
data <- data.frame(
PIB_per_capita = GOdata$`PIB.per.cap.R$2020`,
Municípios = GOdata$Município,
Área_km2022 = GOdata$`Área_km²2022`,
Popu.resi2022 = GOdata$Popu.resi2022,
Dens.demo2022 = GOdata$Dens.demo2022,
IDHM2010 = GOdata$IDHM2010
)
summary_show <- GOdata[,c("IDHM2010","PIB.per.cap.R$2020")]
summary(summary_show)
p1 <- ggplot(data, aes(x=Municípios, y=PIB_per_capita,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>PIB per capita: ", PIB_per_capita))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 2") +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank()) +
scale_y_continuous(labels = comma)
p1_plotly <- ggplotly(p1, tooltip = "text")
p1_plotly
p2 <- ggplot(data, aes(x=Área_km2022, y=PIB_per_capita,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>PIB per capita: ", PIB_per_capita))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 3") +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank()) +
scale_y_continuous(labels = comma)
p2_plotly <- ggplotly(p2, tooltip = "text")
p2_plotly
p3 <- ggplot(data, aes(x = Popu.resi2022, y = PIB_per_capita,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>PIB per capita: ", PIB_per_capita))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 4") +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank()) +
scale_y_continuous(labels = scales::comma)
p3_plotly <- ggplotly(p3, tooltip = "text")
p3_plotly
p4 <- ggplot(data, aes(x = Dens.demo2022, y = PIB_per_capita,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>Densidade demográfica: ", Dens.demo2022,
"<br>PIB per capita: ", PIB_per_capita))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 5") +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank()) +
scale_y_continuous(labels = scales::comma)
p4_plotly <- ggplotly(p4, tooltip = "text")
p4_plotly
p5 <- ggplot(data, aes(x=Municípios, y=IDHM2010,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>IDHM: ", IDHM2010))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 6") +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank()) +
scale_y_continuous(labels = comma)
p5_plotly <- ggplotly(p5, tooltip = "text")
p5_plotly
p6 <- ggplot(data, aes(x=Área_km2022, y=IDHM2010,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>IDHM: ", IDHM2010))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 7") +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank()) +
scale_y_continuous(labels = comma)
p6_plotly <- ggplotly(p6, tooltip = "text")
p6_plotly
p7 <- ggplot(data, aes(x = Popu.resi2022, y = IDHM2010,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>IDHM: ", IDHM2010))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 8") +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank()) +
scale_y_continuous(labels = scales::comma)
p7_plotly <- ggplotly(p7, tooltip = "text")
p7_plotly
p8 <- ggplot(data, aes(x = Dens.demo2022, y = IDHM2010,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>Densidade demográfica: ", Dens.demo2022,
"<br>IDHM: ", IDHM2010))) +
geom_point( color="#69b3a2") +
labs(title = "Figura 9") +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank()) +
scale_y_continuous(labels = scales::comma)
p8_plotly <- ggplotly(p8, tooltip = "text")
p8_plotly
p9 <- ggplot(data, aes(x = IDHM2010, y = PIB_per_capita,
text = paste("Município: ", Municípios,
"<br>Área/km²: ", Área_km2022,
"<br>População: ", Popu.resi2022,
"<br>Densidade demográfica: ", Dens.demo2022,
"<br>IDHM: ", IDHM2010,
"<br>PIB per capita: ", PIB_per_capita))) +
geom_point(color = "#69b3a2") +
labs(title = "Figura 10") +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank()) +
scale_y_continuous(labels = scales::comma)
p9_plotly <- ggplotly(p9, tooltip = "text")
p9_plotly