1.0 Introdução

    A educação é um processo fundamental na formação e desenvolvimento dos indivíduos, desempenhando um papel importante na construção de conhecimento, habilidades e valores.

    Os anos iniciais (1° ao 5° ano) do ensino fundamental representam uma fase essencial no desenvolvimento educacional das crianças, servindo como alicerce para suas jornadas acadêmicas futuras. Durante esse período, os estudantes começam a consolidar as habilidades fundamentais em leitura, escrita e matemática.

    A abordagem pedagógica nos anos iniciais (1° a 5° ano) é frequentemente centrada no aluno, levando em consideração as diferentes formas de aprendizado. A educação nesse estágio não se limita apenas à sala de aula, sendo complementada por atividades extracurriculares e práticas que conectam o conteúdo acadêmico à vida cotidiana.

1.1 O que é o IDEB?

    O Índice de Desenvolvimento da Educação Básica (Ideb), criado em 2007, é uma métrica que combina dados de aprovação escolar e desempenho em avaliações, proporcionando uma visão abrangente da qualidade educacional.

    O Ideb é calculado com base no aprendizado dos alunos em português e matemática (Saeb) e no fluxo escolar (taxa de aprovação).

\[ \text{Aprendizado} \times \text{Fluxo} = \text{IDEB} \]

  • O indicador de aprendizado varia de 0 até 10 e quanto maior, melhor.
  • O indicador de Fluxo quanto maior o valor, maior a aprovação.

Essa abordagem permite estabelecer metas educacionais e orientar políticas públicas.

1.2 Objetivo

    Analisar a distribuição espacial do Índice de Desenvolvimento da Educação Básica (IDEB) nos anos iniciais (1° ao 5° ano) do ensino fundamental em escolas públicas dos 184 municípios do estado do Ceará, referentes ao ano de 2021, a fim de identificar padrões regionais de desempenho e fornecer informações para a formulação de políticas educacionais que visem à melhoria da qualidade do ensino na região.

2.0 Materiais e Métodos

2.1 Banco de dados

    O conjunto de informações abrange dados dos anos iniciais (1° ao 5° ano) das escolas públicas de 184 municípios do estado do Ceará, referentes ao ano de 2021.

## Shape municípios
shape_ceara<-st_read("CE_Municipios_2022/CE_Municipios_2022.shp")

## shape mesoregião
Meso_ceara<-st_read("CE_Mesorregioes_2022/CE_Mesorregioes_2022.shp")

## IDEB dos anos iniciais de 2021 no Ceará
dados<-read_xlsx("Dados_ceara_2022.xlsx")

    Na análise utilizando dados de área, as regiões em questão serão claramente delimitadas geograficamente. Uma região de interesse particular será dividida em \(n\) áreas, cada uma contendo uma observação aleatória, denotada por \(Y_i\).

2.2 Mapa municípios do estado do Ceará

# Ajustar margens para garantir que o título e outros elementos sejam visíveis
par(mar=c(5,5,5,5))

# Plotar a geometria do shapefile
plot(st_geometry(shape_ceara), lwd = 1.5,
     main = "Visualização espacial dos 184 municípios do estado do Ceará.")

# Adicionar a barra de escala
scalebar(100, xy=c(-36.8, -6.5), 
         type="bar", below="km",
         cex=0.7, lonlat=TRUE, divs=4)

# Adicionar a rosa dos ventos
compassRose(-36.5, -5.7, cex=0.7)  # Ajuste a coordenada y conforme necessário

2.3 Mapa mesoregião

    O estado do Ceará é subdividido em 7 mesorregiões.

# Definir as cores e texto da legenda
CORES_meso <- c("#e3a72f","#d54b1a","#988864","#54bf46","#8B0A50","#3A5FCD","#B22222")
legtext <- Meso_ceara$NM_MESO

# Configurar margens do gráfico para garantir que o título apareça
par(mar=c(5, 5, 5, 5))  # Margens ajustadas para incluir espaço no lado direito

# Plotar o mapa das mesorregiões
plot(st_geometry(Meso_ceara), col=CORES_meso, lwd=2,
     main="Mesorregiões do estado do Ceará", 
     border="black")

# Adicionar a camada de shape_ceara ao mapa
plot(st_geometry(shape_ceara), add=TRUE, border="black", lwd=0.1)

# Adicionar a legenda
legend("bottomright", fill=CORES_meso, 
       legend=legtext, 
       title="Mesorregiões", title.font=2,
       bty="n", cex=1.0,
       border="black")

# Adicionar a barra de escala no lado esquerdo
scalebar(100, xy=c(-42.9, -7.5), 
         type="bar", below="km",
         cex=0.7, lonlat=TRUE, divs=4)

# Adicionar a rosa dos ventos no lado esquerdo
compassRose(-42.6, -7.0, cex=0.7)

3.0 Concatenando os bancos de dados

# Garantir que a coluna NM_MUN em shape_ceara seja do tipo caractere
shape_ceara$NM_MUN <- as.character(shape_ceara$NM_MUN)

# Verificar a estrutura da coluna NM_MUN após a conversão
head(shape_ceara$NM_MUN)

# Realizar a junção com o dataframe 
shape_ceara <- merge(shape_ceara, dados, by.x = "NM_MUN", by.y = "Municipio", all.x = TRUE)

# Verificar a estrutura do dataframe resultante
head(shape_ceara)

names(shape_ceara)

4.0 Análise Descritiva

# Converter shape_ceara para tibble
dados_descritiva <- as_tibble(shape_ceara)

# Estatísticas descritivas
ideb <- dados_descritiva %>%
  summarise(
    Indice = "IDEB",
    Minimo = min(`IDEB(2021)`, na.rm = TRUE),  
    Maximo = max(`IDEB(2021)`, na.rm = TRUE),
    Media = round(mean(`IDEB(2021)`, na.rm = TRUE), 2),  # Arredondar a média após o cálculo
    Mediana = median(`IDEB(2021)`, na.rm = TRUE)
  )

# Exibir as estatísticas em uma tabela formatada
kable(
  ideb, 
  align = "c",
  caption = "Estatísticas descritivas dos índices de desenvolvimento de educação básica dos municípios do estado do Ceará em 2021"
)
Estatísticas descritivas dos índices de desenvolvimento de educação básica dos municípios do estado do Ceará em 2021
Indice Minimo Maximo Media Mediana
IDEB 3.6 6.4 4.5 4.5

4.1 Histograma

hist(dados_descritiva$`IDEB(2021)`, xlab = paste0(names(dados_descritiva[1])),
     col = "#698B69", lwd = 2,border="white", 
     main = "Histograma do IDEB do estado da Ceará do ano de 2021",
     panel.first = grid(NA,10, lwd = 1, lty = 1),
     xlim = c(3.6,7.0), ylim = c(0,60))

abline(v=mean(dados_descritiva$`IDEB(2021)`), col="red", lwd=2)
abline(v=median(dados_descritiva$`IDEB(2021)`), col="blue", lwd = 3, lty = 2)

legend("right", legend =c("Média","Mediana"),
       col=c('red',"blue"),lty = c(1,2),lwd=c(2,3), 
       cex =1.2, title = "Legenda", title.font = 2)

5.0 Mapa IDEB

    De acordo com o ldeb, o estado alcançou 6 pontos nos anos iniciais do ensino fundamental (do 1º ao 5º ano), atingindo a meta nacional estabelecida para o primeiro ciclo em 2021.

library(tmap)

# Criar o mapa com tmap
map <- tm_shape(shape_ceara) + 
  tm_polygons(n = 4, style = "quantile", border.col = "grey80", lwd = 0.5,
              col = "IDEB(2021)", palette = "Greens")+
  tm_legend(outside = TRUE, text.size = 0.8) +
  tm_compass(position = c("left", "bottom"), size = 1) +  # Adiciona a rosa dos ventos
  tm_scale_bar(position = c("left", "bottom"), width = 0.2) +  # Adiciona a barra de escala
  tm_layout(frame = FALSE, main.title = "IDEB 2021: Desempenho dos Anos Iniciais do Ensino Fundamental no Ceará" ,
            main.title.size = 0.9)

# Exibir o mapa
map

5.1 O Municipio com o maior índicie de IDEB no estado do ceará

    Ararendá foi o município com o maior IDEB do Ceará em 2021, alcançando um índice de 6.4. Situado na Mesorregião do Sertão Cearense, o município tem se destacado pelo seu notável desempenho educacional, resultado de investimentos contínuos em programas de formação de professores e melhorias na infraestrutura das escolas. Com cerca de 10 mil habitantes, Ararendá se consolidou como referência em gestão educacional eficiente. Esse sucesso reflete não apenas a qualidade das políticas públicas adotadas, mas também o forte envolvimento da comunidade escolar, que contribui para elevar o IDEB acima da média.

# Definindo os parâmetros de margem
par(mar = c(1, 0, 2, 0))

# Plotar o mapa das mesorregiões
plot(st_geometry(Meso_ceara), col = NA, lwd = 2,
     main = "Município com o Maior IDEB no Ceará - 2021", 
     border = "black")

# Plotando a geometria dos municípios 
plot(st_geometry(shape_ceara), lwd = 0.5, col = NA, border = "black", 
     add = TRUE)

# Selecionando o município com o maior IDEB
mun_alto <- shape_ceara[which.max(shape_ceara$`IDEB(2021)`), ]

# Plotar o município com o maior IDEB
plot(st_geometry(mun_alto), col = "green", border = "black", lwd = 2, add = TRUE)

# Adicionando a escala
scalebar(100, xy = c(-36.0, -6.5), type = "bar", below = "km",
         cex = 0.7, lonlat = TRUE, divs = 4)

# Adicionando a rosa dos ventos
compassRose(-35.7, -5.5, cex = 0.7)

# Adicionando a legenda com caixa preenchida
legend("bottomright", fill = "green", 
       legend = "Maior IDEB", bty = "n", cex = 1, 
       title = "Classificação", title.font = 2)

5.2 Os 10 maiores e menores indicies de IDEB no estado do ceará

# Definindo os parâmetros de margem
par(mar = c(1,0,2,0))

# Plotando a geometria dos municípios 
plot(st_geometry(shape_ceara), lwd = 0.1, col = "lightgray", 
     main = "Top 10 Municípios com IDEB mais Baixo e Alto no Ceará")

# Selecionando exatamente 10 municípios com os IDEBs mais baixos
mun_baixo <- head(shape_ceara[order(shape_ceara$`IDEB(2021)`), ], 10)
plot(st_geometry(mun_baixo), col = "red", add = TRUE)

# Selecionando exatamente 10 municípios com os IDEBs mais altos
mun_alto <- head(shape_ceara[order(shape_ceara$`IDEB(2021)`, decreasing = TRUE), ], 10)
plot(st_geometry(mun_alto), col = "green", add = TRUE)

# Adicionando a escala
scalebar(100, xy = c(-36.0, -6.5), type = "bar", below = "km",
         cex = 0.7, lonlat = TRUE, divs = 4)

# Adicionando a rosa dos ventos
compassRose(-35.7, -5.5, cex = 0.7)

# Adicionando a legenda
legtext <- c("10 mais altos", "10 mais baixos")
legend("bottomright", fill = c("green", "red"), 
       legend = legtext, bty = "n", cex = 1, 
       title = "Classificação", title.font = 2)


    Onde podemos observar na tabela abaixo os nomes dos respectivos municípios :

library(dplyr)
library(knitr)

# Selecionando os 10 municípios com os menores IDEB
menores = dados_descritiva %>%
  filter(`IDEB(2021)` <= 3.9) %>%
  dplyr::select(NM_MUN, `IDEB(2021)`) %>%
  arrange(`IDEB(2021)`) %>%
  head(10)

# Selecionando os 10 municípios com os maiores IDEB
maiores = dados_descritiva %>%
  filter(`IDEB(2021)` >= 5.0) %>%
  dplyr::select(NM_MUN, `IDEB(2021)`) %>%
  arrange(desc(`IDEB(2021)`)) %>%
  head(10)

# Índices para as posições
indice = seq(1, 10)

# Criando a tabela para os menores IDEB
menores_tab = cbind(`Posição` = paste0(indice, "º"), 
                    `Município` = menores$NM_MUN, 
                    `IDEB(2021)` = menores$`IDEB(2021)`)

# Criando a tabela para os maiores IDEB
maiores_tab = cbind(`Posição` = paste0(indice, "º"), 
                    `Município` = maiores$NM_MUN, 
                    `IDEB(2021)` = maiores$`IDEB(2021)`)

# Exibindo a tabela para os menores IDEB
kable(menores_tab, 
      caption = "Os 10 municípios com os menores IDEB.")
Os 10 municípios com os menores IDEB.
Posição Município IDEB(2021)
1º Altaneira 3.6
2º Umirim 3.6
3º Salitre 3.7
4º Santa Quitéria 3.7
5º Umari 3.7
6º Capistrano 3.8
7º Miraíma 3.8
8º Antonina do Norte 3.9
9º Barreira 3.9
10º Pindoretama 3.9 
# Exibindo a tabela para os maiores IDEB (opcional, se quiser exibir ambas)
kable(maiores_tab, 
      caption = "Os 10 municípios com os maiores IDEB.")
Os 10 municípios com os maiores IDEB.
Posição Município IDEB(2021)
1º Ararendá 6.4
2º Pacujá 5.7
3º Independência 5.6
4º Itaiçaba 5.4
5º Bela Cruz 5.2
6º Cariús 5.2
7º Ipu 5.2
8º Pedra Branca 5.2
9º Russas 5.2
10º Sobral 5.2

6.0 Matriz de vizinhança

Sendo as áreas da região de estudo denotada por \(A_i\), temos:

\[ w_{ij} = \begin{cases} 0, & \text{se as áreas } A_i = A_j; \\ 0, & \text{se as áreas } A_i \neq A_j \text{ e não forem vizinhas}; \\ 1, & \text{se as áreas } A_i \neq A_j \text{ e forem vizinhas}. \end{cases} \]

# Primeiro, crie a lista de vizinhança
ShapeCE.nb1 <- poly2nb(shape_ceara, queen = TRUE)

# Exiba a classe do objeto para confirmação
class(ShapeCE.nb1)
## [1] "nb"
# Extraia o nome dos municípios
municipios <- shape_ceara$NM_MUN  # Supondo que a coluna com o nome dos municípios seja 'NOME_MUNICIPIO'

# Crie uma lista mostrando o nome do município e seus vizinhos
lista_vizinhos <- lapply(seq_along(ShapeCE.nb1), function(i) {
  list(
    municipio = municipios[i],
    vizinhos = municipios[ShapeCE.nb1[[i]]]
  )
})

# como visualizar o nome de um município e seus vizinhos
lista_vizinhos[[1]]  # Vizinhos do primeiro município na lista
## $municipio
## [1] "Abaiara"
## 
## $vizinhos
## [1] "Brejo Santo"  "Milagres"     "Missão Velha"
lista_vizinhos[[2]]  # Vizinhos do segundo município na lista
## $municipio
## [1] "Acarape"
## 
## $vizinhos
## [1] "Barreira"   "Chorozinho" "Guaiúba"    "Pacajus"    "Redenção"
lista_vizinhos[[3]]
## $municipio
## [1] "Acaraú"
## 
## $vizinhos
## [1] "Amontada"  "Bela Cruz" "Cruz"      "Itarema"   "Marco"     "Morrinhos"
lista_vizinhos[[4]]
## $municipio
## [1] "Acopiara"
## 
## $vizinhos
##  [1] "Arneiroz"                  "Catarina"                 
##  [3] "Deputado Irapuan Pinheiro" "Iguatu"                   
##  [5] "Jucás"                     "Mombaça"                  
##  [7] "Piquet Carneiro"           "Quixelô"                  
##  [9] "Saboeiro"                  "Solonópole"
lista_vizinhos[[5]]
## $municipio
## [1] "Aiuaba"
## 
## $vizinhos
## [1] "Antonina do Norte" "Arneiroz"          "Campos Sales"     
## [4] "Catarina"          "Parambu"           "Saboeiro"
lista_vizinhos[[6]]
## $municipio
## [1] "Alcântaras"
## 
## $vizinhos
## [1] "Coreaú"  "Massapê" "Meruoca" "Moraújo" "Sobral"
lista_vizinhos[[7]]
## $municipio
## [1] "Altaneira"
## 
## $vizinhos
## [1] "Assaré"            "Farias Brito"      "Nova Olinda"      
## [4] "Santana do Cariri"
lista_vizinhos[[8]]
## $municipio
## [1] "Alto Santo"
## 
## $vizinhos
## [1] "Iracema"               "Jaguaribara"           "Morada Nova"          
## [4] "Potiretama"            "São João do Jaguaribe" "Tabuleiro do Norte"
lista_vizinhos[[9]]
## $municipio
## [1] "Amontada"
## 
## $vizinhos
## [1] "Acaraú"            "Itapipoca"         "Itarema"          
## [4] "Miraíma"           "Morrinhos"         "Santana do Acaraú"
lista_vizinhos[[10]] # ...
## $municipio
## [1] "Antonina do Norte"
## 
## $vizinhos
## [1] "Aiuaba"       "Assaré"       "Campos Sales" "Saboeiro"     "Tarrafas"
# Converta a lista de vizinhança em um objeto de pesos espaciais
library(spdep)
vizinhança_2 <- nb2listw(ShapeCE.nb1, style = "W", zero.policy = FALSE)

7.0 Índice de Moram

7.1 Índice de Moram Global

    O índice de Moran global funciona como um coeficiente de correlação que expressa a relação entre uma variável espacial e seu valor médio. Para o cálculo, emprega-se a matriz de vizinhança, utilizando a seguinte fórmula:

\[ I = \frac{n \sum_{i=1}^{n} \sum_{j=1}^{n} w_{ij} (y_i - \bar{y}) (y_j - \bar{y})}{\sum_{i=1}^{n} \sum_{j=1}^{n} w_{ij} \sum_{i=1}^{n} (y_i - \bar{y})^2} \]

onde:

  • \(n\) é o número de áreas;
  • \(y_i\) é o valor do atributo considerado na área \(i\);
  • \(\bar{y}\) é o valor médio do atributo na região de estudo;
  • \(w_{ij}\) são os pesos atribuídos conforme a conexão entre as áreas \(i\) e \(j\);

Utilizamos um teste de hipótese para o índice de Moran global, no qual avaliamos a presença de autocorrelação espacial, com as seguintes hipóteses:

  • \(H_0:\) Não há evidências de autocorrelação espacial;
  • \(H_1:\) Existem evidências de autocorrelação espacial;
Moran_global<-moran.test(shape_ceara$`IDEB(2021)`, vizinhança_2)
Moran_global
## 
##  Moran I test under randomisation
## 
## data:  shape_ceara$`IDEB(2021)`  
## weights: vizinhança_2    
## 
## Moran I statistic standard deviate = 2.412, p-value = 0.007933
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.104518309      -0.005464481       0.002079250

    Os resultados sugerem que há evidência estatisticamente significativa de autocorrelação espacial positiva para o IDEB(2021) entre os municípios do Ceará. É provável que municípios geograficamente próximos tenham valores de IDEB semelhantes do que o esperado por acaso, embora a correlação não seja muito forte.

7.2 Índice de Moram Local

    O Índice de Moran Local, fornecerá valores específicos para cada área da região, que será calculada com base na fórmula a seguir:

\[ I = \frac{\sum_{i=1}^{n} \sum_{j=1}^{n} w_{ij} Z_i Z_j}{\sum_{i=1}^{n} Z_i^2} \]

moran_local <- moran.plot(
  shape_ceara$`IDEB(2021)`,  # Vetor de valores do índice IDEB
  listw = vizinhança_2,      # Objeto de pesos espaciais
  xlim = c(3.2, 6.5),        # Limites do eixo x
  labels = shape_ceara$NM_MUN, # Rótulos dos pontos
  main = "Diagrama do Índice de Moran Local", # Título do gráfico
  cex = 0.5                  # Tamanho do texto dos rótulos
)

8.0 LISA map

    Mostra a associação local entre municípios com base no Índice Local de Moran e a significância ou clusters relacionados aos vizinhos próximos.

Para LISA Cluster MAP:

## Lisa CLUSTER
list_w <- vizinhança_2
Sd_1 <- shape_ceara$`IDEB(2021)` - mean(shape_ceara$`IDEB(2021)`)
mI_1 <- moran_local[, 5]
C_mI <- mI_1 - mean(mI_1) 

quadrant <- vector(mode = "numeric", length = nrow(moran_local))
quadrant[Sd_1 > 0 & mI_1 > 0] <- 1  # Alto-Alto
quadrant[Sd_1 < 0 & mI_1 > 0] <- 2  # Baixo-Baixo
quadrant[Sd_1 > 0 & mI_1 < 0] <- 3  # Alto-Baixo
quadrant[Sd_1 < 0 & mI_1 < 0] <- 4  # Baixo-Alto

signif <- 0.05
quadrant[moran_local[, 5] > signif] <- 5  # Não Significativo

colors <- c("red", "blue", "lightpink", "skyblue2", "white")

# Plot do Mapa
par(mfrow = c(1, 2), mar = c(1,0,2,0))
plot(st_geometry(shape_ceara), col = colors[quadrant], main = " LISA Cluster Map")
plot(st_geometry(Meso_ceara), add = TRUE, lwd = 2)

# Adicionando a escala
scalebar(100, xy = c(-38.1, -7.9), type = "bar", below = "km",
         cex = 0.7, lonlat = TRUE, divs = 4)
# Adicionando a rosa dos ventos
compassRose(-37.6, -7.0, cex = 0.7)  

# Plot da Legenda
par(mar = c(1, 2, 3, 2))
barplot(0, yaxt = "n", xaxt = "n", xlab = NA, ylab = NA)
legend("center", 
       legend = c("Alto-Alto", "Baixo-Baixo", "Alto-Baixo", "Baixo-Alto", "Não Sig."), 
       fill = colors, cex = 1.0, y.intersp = 1, x.intersp = 1)

Para o LISA Significance MAP:

## Lisa SIGNIFICANCE
LISA_ideb <- classIntervals(moran_local[, 5], style = "quantile", n = 5)

colors <- c("red", "blue", "skyblue2", "white")
COL_Lisa_ideb <- findColours(LISA_ideb, colors)

# Plot do Mapa e Legenda
par(mfrow = c(1, 2), mar = c(1,0,2,0))  # Ajusta para dois gráficos lado a lado

# Plot do Mapa
plot(st_geometry(shape_ceara), col = COL_Lisa_ideb ,  main = "LISA Significance Map")
plot(st_geometry(Meso_ceara), add = TRUE, lwd = 2)

# Adicionando a escala
scalebar(100, xy = c(-38.1, -7.9), type = "bar", below = "km",
         cex = 0.7, lonlat = TRUE, divs = 4)
# Adicionando a rosa dos ventos
compassRose(-37.6, -7.0, cex = 0.7)  


# Plot da Legenda
par(mar = c(1, 2, 3, 2))
barplot(0, yaxt = "n", xaxt = "n", xlab = NA, ylab = NA)
legend("center", fill = attr(COL_Lisa_ideb, "palette"), 
       legend = c("0.1%", "1.0%", "5.0%", "N.sgf"), cex = 1.0)

9.0 Template Interativo

library(tmap)

# Define o modo de visualização interativa
tmap_mode("view")
## tmap mode set to interactive viewing
# Cria o mapa interativo
tm_shape(shape_ceara) + 
  tm_fill("IDEB(2021)",
          palette = "Spectral",
          popup.vars = c("NM_MUN" = "NM_MUN", "IDEB(2021)" = "IDEB(2021)")
  ) + 
  tm_legend(outside=TRUE) +
  tm_layout(frame = FALSE)

10.0 Consideração Finais

    Em decorrência das descobertas feitas ao longo deste estudo, é imperativo que o IDEB é uma preocupação crescente no estado do Ceará e exige a atenção de todos os setores da sociedade.
Ao longo deste estudo, observamos a crescente incidência de alguns municípios e a necessidade urgente de medidas para melhoria dos demais.

    A educação é a base para o desenvolvimento de uma sociedade próspera e justa, e investir em seu aprimoramento é um investimento no futuro. A ação conjunta e a implementação de medidas efetivas são essenciais para alcançar avanços significativos e proporcionar uma educação de qualidade a todas as crianças e jovens do estado de Ceará.

11.0 Referências

ANDI - Comunicação e Direitos. IDEB: Brasil Avança nos Anos Iniciais do Ensino Fundamental. 2024. Acessado em: 31 de agosto de 2024. Disponível em: https:andi.org.br/2024/08/ideb-brasil-avanca-nos-anos-iniciais-do-ensino-fundamental.

IBGE. Instituto Brasileiro de Geografia e Estatística. IBGE: Malha municipal, 2021. Disponivel em: https://www.ibge.gov.br/geociencias/organizacao-do-territorio/malhas-territoriais/15774-malhas.html?=&t=acesso-ao-produto. Acesso em: 03 Out. 2022. Dados vetoriais.

Secretaria Especial de Comunicação Social. IDEB 2023: Brasil alcança meta prevista nos anos iniciais do ensino fundamental. 2024. Acessado em: 03 set. 2024. Disponível em: https://www.gov.br/secom/pt-br/assuntos/noticias/2024/08/ideb-2023-brasil-alcanca-meta-prevista-nos-anos-iniciais-do-ensino-fundamental.

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP). Metas do IDEB - INEP. 2024. Acesso em: 3 set. 2024. Disponível em: https://www.gov.br/inep/pt-br/areas-de-atuacao/pesquisas-estatisticas-e-indicadores/ideb/metas.

QEdu. Ceará - Indicadores de Educação. 2024. Acesso em: 31 ago. 2024. Disponível em: https://qedu.org.br/uf/23-ceara.

BLANFORD, J. et al. Project 4: Local Indicators of Spatial Association. PennState: College of Earth and Mineral Sciences. Disponivel em: https://www.e-education.psu.edu/geog586/node/673. Acesso em: 02 Nov. 2022.