Mapa do estado de São Paulo

Mapa do estado de São Paulo

Introdução

O governador do estado de São Paulo, João Dória, tem ganhado destaque no cenário pandêmico da Covid-19, em razão de seus constantes atritos com o presidente da república, Jair Bolsonaro, tendo em vista as posições divergentes sobre como lidar com o problema da Covid-19. No início da pandemia, durante uma reunião por videoconferência sobre a pandemia, entre presidente e governadores, Bolsonaro e Dória promoveram uma cena na qual o tom da discussão tendia mais para desavenças políticas do que para ideias sobre como frear o vírus. Esse não foi um caso isolado, pois de lá para cá, foram inúmeras as vezes em que ambos trocaram acusações e ofensas em tom pessoal. Mais recentemente, houve a desavença entre eles, que acabou com a vacina Coronavac no plano de imunização nacional. A princípio, Dória tinha firmado acordo com o laboratório chinês Sinovac Biotech para produzir a vacina contra o coronavírus em São Paulo. Inicialmente, Bolsonaro tinha se mostrado contrário à vacina, mas seu governo acabou por incluí-la num plano nacional, por ter ficado sem opção de vacinas. Bolsonaro tem intenção de concorrer a um segundo mandato como presidente e Dória também almeja o cargo, o que tem provocado a intensa disputa por atenção e méritos, nesse cenário de pandemia. Além dessa disputa política e do fato da única vacina adquirida pelo país, até o momento do trabalho, ter sido resultado dos esforços de Dória; o estado de São Paulo, atualmente, é o estado com a maior concentração de contaminados (1.658.636) e de mortes pelo vírus (50.652). (Congresso em Foco, 2021). Em razão desses fatos que colocam São Paulo em destaque no país e no mundo, o presente trabalho pretende analisar e destacar pontos em comum e divergentes entre os municípios menos e os municípios mais afetados pelo vírus da Covid 19, a fim de observar se há algum padrão ou relação estatística entre os números de infectados e óbitos. As principais variáveis utilizadas serão as: “Cidade” (uma variável qualitativa nominal) e “Pop_estimada” (uma variável quantitativa discreta), contidas nas bases “covid_30_menor” e “covid_30_menor”, oriundas da base “Covid19”. Além dos recursos estatísticos (como tabelas e gráficos); também serão usados recursos não estatísticos (como notícias sobre o tema em questão) para apontar possíveis interferências de fatores políticos nos resultados sobre a propagação do vírus, que não aparecem explicitamente nos dados estatísticos. Embora se compreenda qualquer decisão tomada e aplicada por autoridades públicas como decisões políticas, quando este trabalho se referir a decisões políticas que influenciam negativamente nos dados sobre propagação do vírus, ele estará falando de posturas que parecem ignorar os dados estatísticos, as opiniões de especialistas e apenas tentam preservar a imagem de certa figura pública para seu eleitorado e para algumas classes econômicas da sociedade.

Objetivo e Hipótese

Analisar dados estatísticos e não estatísticos para verificar se há alguma influência da postura política de figuras como Bolsonaro e Dória, nas políticas de combate à pandemia adotadas nas cidades do estado de São Paulo, e, consequentemente, nos níveis de contaminação e morte.

Metodologia

As metodologias a serem adotadas serão a estatística e a documental, sendo analisadas as variáveis extraídas das bases de dados “Covid 19” (do site GitHub) e “Isolamento”(do site do governo de São Paulo), bem como sites e notícias sobre o tema. Tendo em vista o alto número de municípios, optou-se por extrair duas bases de dados menores, das bases mencionadas. Usando como referência a variável “Confirmados por 100 mil habitantes”, formou-se duas bases de dados da base Covid19, das quais foram selecionadas as cidades com os 30 menores números e as cidades com os 30 maiores números: “covid_30_menor” e “covid_30_menor”. Da base Isolamento, a referência foi a variável “Índice de isolamento”. Como a variável possui observações com informações diárias de março a dezembro, também selecionou-se duas datas específicas para formar as bases mais enxutas: “isolamento_23_03” e “isolamento_20_12”. As bases oriundas da base do site GitHub possuem 30 observações e 8 variáveis, enquanto as oriundas da base do site do governo possuem 105 observações e 6 variáveis. Para a análise estatística, usar-se-á as variáveis “Cidade” e “Pop estimada” como principais e as variáveis “Confirmados”, “Mortes”, “Índice de mortalidade” como secundárias, todas pertencentes às bases covid_30_menor e covid_30_menor, cruzando principais com secundárias. Das bases isolamento_23_03 e isolamento_20_12, usar-se-á apenas a variável “Índice de isolamento’’. A análise documental será realizada a partir de sites oficiais e de notícias on-line da imprensa, a fim de complementar informações e interpretações que não estão explícitas na estatística.

Dicionário das Variáveis

 Dicionário <- data.frame(
    Variaveis = c("Estado ou UF", "Cidade ou Município", "Confirmados", "Mortes", "Pop_estimada", "Cod_IBGE", "Conf_por_100_hab", "Índice_mortal", "Data", "Med_Ind_Isolam"),
    Descrição = c("Referente à sigla do estado de São Paulo", "Cidades ou Municípios do Estado de São Paulo", "Referente aos números de casos confirmados", "Referente ao número de mortes", "Referente à população estimada", "Referente aos códigos de cada cidade no IBGE", "Referente ao número de casos confirmados por cada 100 mil habitantes", "Referente ao índice de mortalidade do vírus","Referente aos dias descritos pelos dados", "Referente ao índice de isolamento diário de março a dezembro"))

library(DT)
datatable(Dicionário)
covid_31_menor <- covid19[covid19$Conf_por_100_hab < 850.4747, ]
covid_31_maior <- covid19[covid19$Conf_por_100_hab > 5348.333, ]
covid_31_menor <- slice(covid_31_menor, c(-31))
covid_31_maior <- slice(covid_31_maior, c(-31))
covid_31_menor <- na.omit(covid_31_menor)
covid_31_maior <- na.omit(covid_31_maior)

Tabelas

library(DT)
datatable((covid19), class = 'cell-border stripe', caption = 'Tabela1- Dados da Covid 19')
datatable((covid_31_menor), class = 'cell-border stripe', caption = 'Tabela2- 30 cidades com menor número de casos por 100 habitantes')
datatable((covid_31_maior), class = 'cell-border stripe', caption = 'Tabela3- 30 cidades com maior número de casos por 100 habitantes')
isolamento <- read.csv2("/cloud/project/isolamento.csv", header=FALSE, comment.char="#")

isolamento <-isolamento %>% rename(Municipio = V1)
isolamento <-isolamento %>% rename(Cod_IBGE = V2)
isolamento <-isolamento %>% rename(Pop_estimada = V3)
isolamento <-isolamento %>% rename(UF = V4)
isolamento <-isolamento %>% rename(Data = V5)
isolamento <-isolamento %>% rename(Med_Ind_Isolam = V6)

  
isolamento <- slice(isolamento, c(-1))

isolamento_22_03 <- isolamento %>% filter(Data=="domingo, 22/03")
isolamento_20_12 <- isolamento %>% filter(Data=="domingo, 20/12")
library(DT)
datatable((isolamento), class = 'cell-border stripe', caption = 'Tabela4- Índice de isolamento de março a dezembro')
## Warning in instance$preRenderHook(instance): It seems your data is too big
## for client-side DataTables. You may consider server-side processing: https://
## rstudio.github.io/DT/server.html
datatable((isolamento_22_03), class = 'cell-border stripe', caption = 'Tabela5- Índice de isolamento de 22/03')
datatable((isolamento_20_12), class = 'cell-border stripe', caption = 'Tabela6- Índice de isolamento de 20/12')

Gráficos

Refinamento das variáveis por menores casos por 100 mil habitantes
library(ggplot2)
library(forcats)

covid_31_menor %>%
  ggplot( aes(x=Cidade, y=Pop_estimada)) +
    geom_bar(stat="identity", fill="blue", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('População estimada por cidade')

covid_31_menor %>%
  ggplot( aes(x=Cidade, y=Confirmados)) +
    geom_bar(stat="identity", fill="red", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw() + ggtitle('Casos confirmados por cidade')

covid_31_menor %>%
  ggplot( aes(x=Cidade, y=Mortes)) +
    geom_bar(stat="identity", fill="green", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('Mortes por cidade')

covid_31_menor %>%
  ggplot( aes(x=Cidade, y=Índice_mortal)) +
    geom_bar(stat="identity", fill="brown", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('Índice de mortalidade por cidade')

Nos gráficos acima, destacam-se entre os municípios com baixa população estimada, menor número de casos confirmados, mortes zero e, consequentemente, índice de mortalidade também, São João do Pau d’Alho, Óleo e Lutécia.

plot(covid_31_menor$Pop_estimada, covid_31_menor$Confirmados, 
     col = "blue",
     xlab = "Pop estimada",
     ylab = "Confirmados",
     main = "População estimada por caso confirmado", pch=10)

plot(covid_31_menor$Pop_estimada, covid_31_menor$Mortes,
     col = "red",
     xlab = "Pop estimada",
     ylab = "Mortes",
     main = "População estimada por mortes", pch=10)

plot(covid_31_menor$Pop_estimada, covid_31_menor$Índice_mortal,
     col = "purple",
     xlab = "Pop estimada",
     ylab = "Índice mortalidade",
     main = "População estimada por índice de mortalidade", pch=10)

Quando analisados os casos confirmados e as mortes por população, percebe-se a tendência dos gráficos a aumentarem, à medida que o número de população aumenta. O índice de mortalidade se concentra entre as menores populações, bem como os outros dois gráficos, ainda que ocorram outliers em todos eles.

Refinamento das variáveis por maiores casos por 100 mil habitantes

covid_31_maior %>%
  ggplot( aes(x=Cidade, y=Pop_estimada)) +
    geom_bar(stat="identity", fill="blue", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('População estimada por cidade')

covid_31_maior %>%
  ggplot( aes(x=Cidade, y=Confirmados)) +
    geom_bar(stat="identity", fill="red", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('Casos confirmados por cidade')

covid_31_maior %>%
  ggplot( aes(x=Cidade, y=Mortes)) +
    geom_bar(stat="identity", fill="green", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('Mortes por cidade')

covid_31_maior %>%
  ggplot( aes(x=Cidade, y=Índice_mortal)) +
    geom_bar(stat="identity", fill="brown", alpha=.6, width=.4) +
    coord_flip() +
    xlab("Cidades") +
    theme_bw()+ ggtitle('Índice de mortalidade por cidade')

Entre os municípios com maior número de população estimada, maiores casos confirmados, maior número de mortes e alto índice de mortalidade, destacam-se São José do Rio Preto, Santos e Cubatão.

plot(covid_31_maior$Pop_estimada, covid_31_maior$Confirmados, 
     col = "blue",
     xlab = "Pop estimada",
     ylab = "Confirmados",
     main = "População estimada por casos confirmados", pch=10)

plot(covid_31_maior$Pop_estimada, covid_31_maior$Mortes,
     col = "red",
     xlab = "Pop estimada",
     ylab = "Mortes",
     main = "População estimada por mortes", pch=10)

plot(covid_31_maior$Pop_estimada, covid_31_maior$Índice_mortal,
     col = "purple",
     xlab = "Pop estimada",
     ylab = "Índice mortalidade",
     main = "População estimada por índice de mortalidade", pch=10)

Sobre o comportamento dos gráficos acima, os resultados são bem similares aos mesmos gráficos aplicados na primeira base de dados sobre a Covid19, com o número maior de contaminados e de mortes tendendo para locais mais populosos.

Índice de isolamento dos meses de março e dezembro em escala crescente
isolamento_22_03 <- with(isolamento_22_03, isolamento_22_03[order(Med_Ind_Isolam, Municipio, decreasing=FALSE), ])
head(isolamento_22_03)
##              Municipio Cod_IBGE Pop_estimada UF           Data Med_Ind_Isolam
## 24           CATANDUVA  3511102       122497 SP domingo, 22/03            49%
## 74 PRESIDENTE PRUDENTE  3541406       230371 SP domingo, 22/03            49%
## 56             LIMEIRA  3526902       308482 SP domingo, 22/03            50%
## 3         ARA\xc7ATUBA  3502804       198129 SP domingo, 22/03            51%
## 4           ARARAQUARA  3503208       238339 SP domingo, 22/03            51%
## 11             BARUERI  3505708       276982 SP domingo, 22/03            51%
isolamento_20_12 <- with(isolamento_20_12, isolamento_20_12[order(Med_Ind_Isolam, Municipio, decreasing=FALSE), ])
head(isolamento_20_12)
##          Municipio Cod_IBGE Pop_estimada UF           Data Med_Ind_Isolam
## 32          FRANCA  3516200       355901 SP domingo, 20/12            37%
## 52         JANDIRA  3525003       126356 SP domingo, 20/12            37%
## 54      JUNDIA\xcd  3525904       423006 SP domingo, 20/12            37%
## 38  HORTOL\xc2NDIA  3519071       234259 SP domingo, 20/12            38%
## 47 ITAQUAQUECETUBA  3523107       375011 SP domingo, 20/12            38%
## 62         MAU\xc1  3529401       477552 SP domingo, 20/12            38%

Há uma redução de 12,7% do índice de isolamento, se for extrair a diferença das médias dos 6 municípios expostos nas duas tabelas que representam os municípios com menor índice de isolamento, uma do começo do ano e outra do final.

Índice de isolamento dos meses de março e dezembro em escala decrescente
isolamento_22_03 <- with(isolamento_22_03, isolamento_22_03[order(Med_Ind_Isolam, Municipio, decreasing=TRUE), ])
head(isolamento_22_03)
##               Municipio Cod_IBGE Pop_estimada UF           Data Med_Ind_Isolam
## 91  S\xc3O SEBASTI\xc3O  3550704        90328 SP domingo, 22/03            73%
## 100             UBATUBA  3555406        91824 SP domingo, 22/03            70%
## 13            BEBEDOURO  3506102        77555 SP domingo, 22/03            67%
## 39            IBI\xdaNA  3519709        79479 SP domingo, 22/03            66%
## 58               LORENA  3527207        89125 SP domingo, 22/03            65%
## 22        CARAGUATATUBA  3510500       123389 SP domingo, 22/03            65%
isolamento_20_12 <- with(isolamento_20_12, isolamento_20_12[order(Med_Ind_Isolam, Municipio, decreasing=TRUE), ])
head(isolamento_20_12)
##                       Municipio Cod_IBGE Pop_estimada UF           Data
## 91          S\xc3O SEBASTI\xc3O  3550704        90328 SP domingo, 20/12
## 13                    BEBEDOURO  3506102        77555 SP domingo, 20/12
## 86  S\xc3O JO\xc3O DA BOA VISTA  3549102        91771 SP domingo, 20/12
## 100                     UBATUBA  3555406        91824 SP domingo, 20/12
## 80       SANTANA DE PARNA\xcdBA  3547304       142301 SP domingo, 20/12
## 65                   MOGI MIRIM  3530805        93650 SP domingo, 20/12
##     Med_Ind_Isolam
## 91             55%
## 13             54%
## 86             51%
## 100            49%
## 80             49%
## 65             49%

Também houve a tendência de redução de isolamento, entre as cidades com maior índice de isolamento, havendo a diferença mé dia de 16,5% de redução. Nos dois recortes, envolvendo índice médio de isolamento entre o mesmo intervalos de tempo, houve redução do índice de isolamento, o que pode ser consequência de políticas de afrouxamento de medidas restritivas, descrença da população nessas mesmas medidas ou ambos os fatores, dentre outros.

Análise dos Dados

Nos gráficos com os dados da base sobre menores índices, destacam-se com seu baixo número de população estimada, de contaminação, mortes zero e zero índice de mortalidade, até o momento que se iniciou este trabalho, os municípios de São João do Pau d’Alho, Óleo e Lutécia, todos situados no interior e tendo sua economia voltada para a agricultura e pecuária. No gráfico com os dados da base sobre maiores índices, destacam-se com seu elevado número de população estimada, de contaminação, mortes e índice de mortalidade, municípios como São José do Rio Preto, Santos e Cubatão. São José do Rio Preto é uma cidade do interior com ampla variedade cultural, comercial, que possui rodovias, aeroporto e foi considerada um ótimo lugar para se morar, devido à sua infraestrutura e outros fatores. (Moving Blog, 2018?) Santo é um município litorâneo, também considerado um ótimo lugar para se morar, com base em seu IDH, pela expectativa de vida, educação e PIB, seus pontos fortes são o turismo e a pesca, por se tratar de uma região de praias. (Governo de SP, 2020?) Cubatão faz parte da Região Metropolitana da Baixada Santista, mas é o único município dessa região que não é litorâneo. Ele abriga um grande parque industrial. (Achei Tudo Região, 2020) Em comum, as estatísticas apontam cidades do primeiro grupo, que se situam em regiões rurais, menos numerosas e cujos níveis de contaminação e mortes são zero ou baixos; enquanto, no segundo grupo de municípios, são locais com população mais numerosa, com atividades que tendem a aglomerar pessoas (como turismo ou o parque industrial), facilitação de circulação de pessoas, por rodovias ou aeroporto e elevado número de contaminação e mortes por covid 19. Assim sendo, o vírus encontra um campo fértil em locais com grande volume de gente acumulando. Por isso, apesar dos municípios rurais não costumarem ter uma boa infraestrutura de combate ao vírus, seu nível de contaminação e mortes continuam baixos. Podemos citar o exemplo de Óleo, que mesmo não tendo casos confirmados, foi reclassificado pelo governo como fase 1, tendo em vista critérios como taxa de ocupação de UTI e total de leitos para cada 100 mil habitantes. (G1 Itapetininga e Região, 2020) Uma pesquisa recente também apontou que os lugares com maior intensidade de contaminação têm sido os que possuem maior IDH, pois as pessoas voltaram a sair e frequentar bares e festas. (Ferreira; Sobrinho; Brito, 2021) Embora o governo do estado de São Paulo tenha adotado medidas de restrição de regiões, tentando controlar o fluxo de gente e não parar a economia de vez, com as fases da quarentena (1-vermelha, 2-laranja, 3-amarela, 4-verde e 5-azul) e a partir dos critérios: i. capacidade de resposta do sistema de saúde (composto pelos indicadores: (a) taxa de ocupação de leitos hospitalares destinados ao tratamento intensivo de pacientes com Covid-19 e (b) quantidade de leitos hospitalares destinados ao tratamento intensivo de pacientes com Covid-19 por 100 mil habitantes) e ii. evolução da epidemia (composto por três resultados: (a) taxa de contaminação, (b) taxa de internação e (c) taxa de óbitos), nem todos os prefeitos aderem a essas medidas como recomendado. No final do ano de 2020, ao menos 12 cidades litorâneas não cumpriram a decisão do governador de colocar todos os municípios em fase vermelha e tiveram comércios abertos, movimentação turística e praias cheias, pois optaram por priorizar sua economia, no momento, afirmando que o governo estadual comunicou as medidas muito tarde e que tinham adotado seus próprios protocolos.(Niederauer, 2020) Nesse caso, o fator político pode ser um agravante na contaminação, pois ações desalinhadas entre os entes, decisões tomadas com atraso ou mesmo ignorando as recomendações de especialistas podem levar ao aumento do número de pessoas contaminadas e de óbitos. As medidas de combate e contenção do vírus podem se tornar ineficientes por inúmeras razões, dentre as quais se encontram o surgimento de novas variações do vírus, até mais resistentes, com mais pessoas aglomerando, e a confusão ou descrença de parte da população nas ações desencontradas dos gestores públicos, pois ainda que cada ente possua sua autonomia e suas competências, basta uma fala do chefe do executivo federal, na mídia, contrária às ações do executivo estadual para algumas pessoas começarem a desrespeitar os decretos estaduais ou mesmo as normas federais. A mesma relação pode se estabelecer entre estados e municípios. Os dados já mostram reduções no índice de isolamento, agora, se já não é sabido, basta saber até onde essa redução tem sido controlada e como fazer, caso a mudança nos dados não tenha ocorrido sob o controle de estados e municípios, mas de vontade própria da população, que pode desconhecer a gravidade e as consequências da situação.

Considerações Finais

Assim sendo, fatores como o geográfico e o populacional podem demonstrar estatisticamente os municípios mais e menos afetados, podendo ajudar especialistas e autoridades localizarem os lugares ou regiões a serem priorizadas, aprofundando-se em estudos para compreender as razões pelas quais certa localidade aparecem naquela posição estatística. Nos casos selecionados, percebeu-se, entre os municípios com menos contaminado e mortes, que apesar deles acostumarem ter menor infraestrutura para combater a propagação do vírus, como exemplificado no caso de Óleo, o fato de serem municípios mais pacatos, afastados, menos populosos e vivendo de atividades rurais, influencia no resultado de contaminação e mortes, pois há menos aglomeração entre pessoas e menos contato entre pessoas de diferentes lugares. Diferente dos municípios supramencionados, os grupos daqueles com maior população, com alguma atividade turística ou industrial, mesmo contendo melhor infraestrutura, o número de contaminados e mortes são maiores. Talvez, porque as decisões e posturas adotadas por chefes do executivo local não devam ser tão locais e porque as ferramentas de medição e sondagem sobre a propagação do vírus adotadas pelo estado possam revelar informações mais completas e amplas, no momento. Tomar decisões meramente políticas pode agravar justamente os setores que algumas autoridades dizem priorizar, pois manter setores comerciais não tão essenciais abertos, numa fase vermelha, onde o número de leitos hospitalares já chegou ao seu limite, pode levar um município ao colapso, caso surja uma nova onda de contaminados. Assim sendo, a postura política de autoridades, à frente de algum governo, de tomar decisões sem considerar dados estatísticos e a interpretação deles por especialistas, tem maior possibilidade de influenciar negativamente no número de contaminados e de óbitos pelo coronavírus. Por isso, a melhor iniciativa dessas figuras seria traçar estudos, trocarem informações e estabelecerem planos de combate à pandemia alinhados e se manterem atualizadas, dialogarem com a população de maneira clara e transparente.