#
                              UNIVERSIDADE FEDERAL FLUMINENSE   
                                   ESCOLA DE ENGENHARIA   
                      PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL
                        
                      
                      
                      
                      
                      
       
                      
                                Artigo Final de Estatística
                                
                                
                                
                                
                                
                          
               ANÁLISE DA RELAÇÃO ENTRE O NÚMERO DE CERTIDÕES DE HABITE-SE E   
                       O IDH DOS BAIRROS DA CIDADE DO RIO DE JANEIRO    
                          
                          
                          
                          
                          
                          
                          
                          
                            
                            
                            
                            
                            
                   Aluno: Nathalia Cristina Colares França (M015.220.013)   
                            Email: nathaliacolares@id.uff.br
                        Disciplina: Estatística Aplicada à Engenharia   
                                      
                                       
                                       
                                         Niterói   
                                       
                                          2021

Análise da Relação entre o Número de Certidões de Habite-se e o IDH dos Bairros da Cidade do Rio de Janeiro

Resumo

Este trabalho pretende analisar a relação entre o número de certidões de habite-se emitidas pela prefeitura municipal do Rio de Janeiro no ano de 2015 e os índices de desenvolvimento humano por bairro e áreas de planejamento. Nesse sentido, interpretar a estrutura dos bairros, a fim de compreender a relação entre essas novas construções regulares e as áreas de planejamento. Assim, foram analisadas as hipóteses de correlação entre IDH e novas construções em áreas já consolidadas e áreas ainda em expansão através de uma análise estatística.

Palavras-chave

certidão de habite-se, crescimento urbano, IDH.

1. Introdução

O crescimento observado nas últimas décadas da construção civil no país, bem como o aumento da variedade dos financiamentos imobiliários, podem ser associados a expectativa da casa própria cultivada por muitos brasileiros. Nesse sentido, um dos documentos principais para aquisição de um imóvel é a certidão de habite-se, que comprova que o referido imóvel foi construído segundo o parâmetros dos órgãos municipais de licenciamento (Felizardo et al., 2011). Desse modo, é possível acompanhar o crecimento urbano e aliar aos objetivos do planos diretores das cidades, em um esforço para que se tenha um melhor planejamento e ordenamento municipal.

Entretanto, é sabido que muitas construções são executadas sem a aprovação da prefeitura, por motivos como a falta de informação sobre a necessidade licienciamento, a falta de recursos financeiros para contratação de profissionais responsáveis para execução de obra e, até mesmo, o descrédito da importância da construção regular. Dentre outros perigos dessa conduta, verificam-se desabamentos, construções estruturalmente inseguras e construções em áreas ambientalemente vulneráveis.

Um estudo realizado em 2015 pelo CAU/BR e o Instituto Datafolha revelou, a partir da consulta a 2.419 pessoas em todo o Brasil, que 54% da população economicamente ativa já construiu ou reformou imóvel residencial ou comercial. Somente 14,60% desse grupo informou que contratou um profissional responsável para execução de obra como arquiteto e engenheiro, contra 85,40% que realizaram obra sem acompanhamento de profissional responsável. Além disso, observou-se relação entre a contratação de profissionais especializados e os índices de renda e escolaridade. Ao considerar a população economicamente ativa com ensino superior, 26,2% recorreu à mão de obra especializada para construção ou reforma. Este índice cai para 9,50% para a população com nível de escolaridade fundamental. Em relação à classe, pessoas de classe AB, o índice de utilização de profissionais tecnicamente habilitados é de 25,80%, enquanto ao analisar apenas pessoas da classe A, essa taxa aumenta para 55,30%.

Com o intuito de avaliar as condições de bem-estar de uma população para além do quesito econônimico, o Índice de Desenvolvimento Humano (IDH) foi criado pela ONU na década de 1990 para o Programa das Nações Unidas para o Desenvolvimento (PNUD) que busca avaliar três fatores do desenvolvimento humano: longevidade, educação e renda (Rezendo, 2005). Dessa forma, seguindo a metodologia de cálculo, é possível encontrar um indicador síntese que considera essas três dimensões. Quanto mais próximo de 1, melhor as condições apresentadas.

Diante disso, este trabalho busca verificar a relação entre o número de certidões de habite-se emitidas pela Prefeitura Municipal do Rio de Janeiro no ano de 2015 e o IDH (ano 2000) por bairro e área de planejamento, considerando que o mesmo é medido através dos índices de longevidade, educação e renda. Assim, tem-se como tema central: É possível observar a correlação entre construção regular e o IDH dos bairros e áreas de planejamento do Rio de Janeiro?

2. Objetivo

O objetivo deste trabalho é analisar a relação do IDH (Índice de Desenvolvimento Humanao) dos bairros e área de planejamento do Rio de Janeiro com construção de obras regulares, bem como verificar as tendências de localização de novas construções no município.

3. Metodologia

Primeiramente, foram consultadas as bases de dados referentes a construções regulares junto a Prefeitura Municipal do Rio de Janeiro. Pelo acesso ao Data.Rio, foi verificado que o último dado disponível para análise de obras regulares é o número de certidões de habite-se emitidos em 2015. Logo depois, recorreu-se também ao Data.Rio para localização dos dados do IDH por bairro, sendo obtida os dados referentes ao ano 2000, o mais recente disponível. Com os dados de certidões de habite-se emitidas e IDH, os dados foram colocados em uma mesma planilha e importada para o R Studio, conforme segue:

library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.0.4
library(readxl)
habite_se1 <- read_excel("C:/Users/victo/Desktop/Nathalia/MESTRADO UFF/ESTATISTICA/TRAB FINAL/habite_se1.xls")

kable(habite_se1, row.names = FALSE)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "900px", height = "600px")
Bairro totalbairro totalresidencial residencialuni residencialbi residencialmulti Nresidencial salas lojas usoexcl industrial COD AP IDH FAIXA_IDH FAIXA_HAB
Abolição 0 0 0 0 0 0 0 0 0 0 70 AP3 0.8565565 Faixa 2 - IDH Alto Faixa 0 (Zero)
Acari 0 0 0 0 0 0 0 0 0 0 111 AP3 0.7196269 Faixa 1 - IDH Médio Faixa 0 (Zero)
Água Santa 0 0 0 0 0 0 0 0 0 0 67 AP3 0.8770597 Faixa 2 - IDH Alto Faixa 0 (Zero)
Alto da Boa Vista 0 0 0 0 0 0 0 0 0 0 34 AP2 0.9259026 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Anchieta 9 8 4 2 2 1 0 1 0 0 107 AP3 0.7880274 Faixa 1 - IDH Médio Faixa 1 (1-199)
Andaraí 2 2 1 0 1 0 0 0 0 0 37 AP2 0.9093028 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Anil 24 22 6 3 13 2 0 0 2 0 116 AP4 0.9110219 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Bancários 1 1 1 0 0 0 0 0 0 0 97 AP3 0.8608754 Faixa 2 - IDH Alto Faixa 1 (1-199)
Bangu 473 426 23 12 391 47 2 40 5 0 141 AP5 0.7940287 Faixa 1 - IDH Médio Faixa 2 (200-599)
Barra da Tijuca 1065 641 70 27 544 424 358 53 12 1 128 AP4 0.9588606 Faixa 3 - IDH Muito Alto Faixa 3 (600-1499)
Barra de Guaratiba 0 0 0 0 0 0 0 0 0 0 152 AP5 0.7436298 Faixa 1 - IDH Médio Faixa 0 (Zero)
Barros Filho 600 600 0 0 600 0 0 0 0 0 112 AP3 0.7495282 Faixa 1 - IDH Médio Faixa 3 (600-1499)
Benfica 1 0 0 0 0 1 0 0 1 0 12 AP1 0.8246010 Faixa 2 - IDH Alto Faixa 1 (1-199)
Bento Ribeiro 67 64 17 10 37 3 0 1 1 1 89 AP3 0.8512702 Faixa 2 - IDH Alto Faixa 1 (1-199)
Bonsucesso 8 8 6 2 0 0 0 0 0 0 40 AP3 0.8610996 Faixa 2 - IDH Alto Faixa 1 (1-199)
Botafogo 120 117 0 0 117 3 0 0 3 0 20 AP2 0.9521520 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Brás de Pina 29 27 6 13 8 2 0 1 1 0 45 AP3 0.8345618 Faixa 2 - IDH Alto Faixa 1 (1-199)
Cachambi 228 227 2 4 221 1 0 0 1 0 65 AP3 0.9003453 Faixa 3 - IDH Muito Alto Faixa 2 (200-599)
Cacuia 1 1 1 0 0 0 0 0 0 0 93 AP3 0.8591950 Faixa 2 - IDH Alto Faixa 1 (1-199)
Caju 0 0 0 0 0 0 0 0 0 0 4 AP1 0.7532059 Faixa 1 - IDH Médio Faixa 0 (Zero)
Camorim 0 0 0 0 0 0 0 0 0 0 129 AP4 0.7458028 Faixa 1 - IDH Médio Faixa 0 (Zero)
Campinho 0 0 0 0 0 0 0 0 0 0 78 AP3 0.9039787 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Campo dos Afonsos 1 1 0 1 0 0 0 0 0 0 136 AP5 0.8564527 Faixa 2 - IDH Alto Faixa 1 (1-199)
Campo Grande 3954 3274 337 172 2765 680 568 71 41 0 144 AP5 0.8096803 Faixa 2 - IDH Alto Faixa 5 (Acima de 3000)
Cascadura 26 25 5 5 15 1 0 0 1 0 82 AP3 0.8326857 Faixa 2 - IDH Alto Faixa 1 (1-199)
Catete 0 0 0 0 0 0 0 0 0 0 18 AP2 0.9013333 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Catumbi 0 0 0 0 0 0 0 0 0 0 6 AP1 0.8016540 Faixa 2 - IDH Alto Faixa 0 (Zero)
Cavalcanti 0 0 0 0 0 0 0 0 0 0 80 AP3 0.8070401 Faixa 2 - IDH Alto Faixa 0 (Zero)
Centro 201 0 0 0 0 201 188 7 6 0 5 AP1 0.8943004 Faixa 2 - IDH Alto Faixa 2 (200-599)
Cidade de Deus 6 6 2 4 0 0 0 0 0 0 118 AP4 0.7506151 Faixa 1 - IDH Médio Faixa 1 (1-199)
Cidade Nova 74 0 0 0 0 74 61 13 0 0 8 AP1 0.8667752 Faixa 2 - IDH Alto Faixa 1 (1-199)
Cidade Universitária 0 0 0 0 0 0 0 0 0 0 105 AP3 0.7777609 Faixa 1 - IDH Médio Faixa 0 (Zero)
Cocotá 45 45 0 0 45 0 0 0 0 0 96 AP3 0.8608754 Faixa 2 - IDH Alto Faixa 1 (1-199)
Coelho Neto 3 3 0 3 0 0 0 0 0 0 110 AP3 0.8058811 Faixa 2 - IDH Alto Faixa 1 (1-199)
Colégio 11 11 1 2 8 0 0 0 0 0 77 AP3 0.7633305 Faixa 1 - IDH Médio Faixa 1 (1-199)
Complexo do Alemão 0 0 0 0 0 0 0 0 0 0 156 AP3 0.7114083 Faixa 1 - IDH Médio Faixa 0 (Zero)
Copacabana 9 0 0 0 0 9 0 2 7 0 24 AP2 0.9564986 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Cordovil 610 31 4 9 18 579 0 0 579 0 46 AP3 0.7911198 Faixa 1 - IDH Médio Faixa 3 (600-1499)
Cosme Velho 0 0 0 0 0 0 0 0 0 0 19 AP2 0.8779724 Faixa 2 - IDH Alto Faixa 0 (Zero)
Cosmos 102 102 5 86 11 0 0 0 0 0 147 AP5 0.7589481 Faixa 1 - IDH Médio Faixa 1 (1-199)
Costa Barros 561 561 1 0 560 0 0 0 0 0 113 AP3 0.7132099 Faixa 1 - IDH Médio Faixa 2 (200-599)
Curicica 65 65 5 6 54 0 0 0 0 0 119 AP4 0.8283194 Faixa 2 - IDH Alto Faixa 1 (1-199)
Del Castilho 394 351 0 1 350 43 43 0 0 0 53 AP3 0.8600352 Faixa 2 - IDH Alto Faixa 2 (200-599)
Deodoro 0 0 0 0 0 0 0 0 0 0 134 AP5 0.8564527 Faixa 2 - IDH Alto Faixa 0 (Zero)
Encantado 11 11 0 2 9 0 0 0 0 0 68 AP3 0.8770597 Faixa 2 - IDH Alto Faixa 1 (1-199)
Engenheiro Leal 0 0 0 0 0 0 0 0 0 0 81 AP3 0.8070401 Faixa 2 - IDH Alto Faixa 0 (Zero)
Engenho da Rainha 0 0 0 0 0 0 0 0 0 0 55 AP3 0.8353765 Faixa 2 - IDH Alto Faixa 0 (Zero)
Engenho de Dentro 3 3 3 0 0 0 0 0 0 0 66 AP3 0.8566219 Faixa 2 - IDH Alto Faixa 1 (1-199)
Engenho Novo 108 102 1 6 95 6 0 6 0 0 61 AP3 0.8584794 Faixa 2 - IDH Alto Faixa 1 (1-199)
Estácio 2 2 0 2 0 0 0 0 0 0 9 AP1 0.8289241 Faixa 2 - IDH Alto Faixa 1 (1-199)
Flamengo 81 0 0 0 0 81 80 1 0 0 15 AP2 0.9590213 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Freguesia 1332 1017 67 12 938 315 300 14 1 0 120 AP4 0.8983871 Faixa 2 - IDH Alto Faixa 3 (600-1499)
Freguesia (Ilha) 2 2 0 2 0 0 0 0 0 0 98 AP3 0.8385434 Faixa 2 - IDH Alto Faixa 1 (1-199)
Galeão 0 0 0 0 0 0 0 0 0 0 104 AP3 0.7777609 Faixa 1 - IDH Médio Faixa 0 (Zero)
Gamboa 15 15 0 0 15 0 0 0 0 0 2 AP1 0.7923458 Faixa 1 - IDH Médio Faixa 1 (1-199)
Gardênia Azul 3 3 1 2 0 0 0 0 0 0 117 AP4 0.7677571 Faixa 1 - IDH Médio Faixa 1 (1-199)
Gávea 23 20 1 0 19 3 0 3 0 0 29 AP2 0.9704354 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Gericinó 0 0 0 0 0 0 0 0 0 0 160 AP5 0.7940287 Faixa 1 - IDH Médio Faixa 0 (Zero)
Glória 12 0 0 0 0 12 12 0 0 0 16 AP2 0.9401722 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Grajau 34 34 1 0 33 0 0 0 0 0 38 AP2 0.9378806 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Grumari 0 0 0 0 0 0 0 0 0 0 133 AP4 0.8944695 Faixa 2 - IDH Alto Faixa 0 (Zero)
Guadalupe 14 12 4 5 3 2 0 2 0 0 106 AP3 0.8099473 Faixa 2 - IDH Alto Faixa 1 (1-199)
Guaratiba 543 539 22 28 489 4 0 2 2 0 151 AP5 0.7436298 Faixa 1 - IDH Médio Faixa 2 (200-599)
Higienópolis 11 11 1 5 5 0 0 0 0 0 50 AP3 0.8817761 Faixa 2 - IDH Alto Faixa 1 (1-199)
Honório Gurgel 4 4 1 3 0 0 0 0 0 0 87 AP3 0.8041258 Faixa 2 - IDH Alto Faixa 1 (1-199)
Humaitá 0 0 0 0 0 0 0 0 0 0 21 AP2 0.9590079 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Imperial de São Cristóvão 533 21 0 2 19 512 512 0 0 0 10 AP1 0.8330008 Faixa 2 - IDH Alto Faixa 2 (200-599)
Inhaúma 20 19 0 6 13 1 0 1 0 0 54 AP3 0.8098968 Faixa 2 - IDH Alto Faixa 1 (1-199)
Inhoaíba 13 13 1 0 12 0 0 0 0 0 146 AP5 0.7473468 Faixa 1 - IDH Médio Faixa 1 (1-199)
Ipanema 5 2 0 0 2 3 3 0 0 0 25 AP2 0.9621515 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Irajá 405 151 13 10 128 254 242 12 0 0 76 AP3 0.7983644 Faixa 1 - IDH Médio Faixa 2 (200-599)
Itanhangá 6 6 6 0 0 0 0 0 0 0 127 AP4 0.8220259 Faixa 2 - IDH Alto Faixa 1 (1-199)
Jabour 0 0 NA NA NA NA NA NA NA NA 163 AP5 0.7940287 Faixa 1 - IDH Médio Faixa 0 (Zero)
Jacaré 0 0 0 0 0 0 0 0 0 0 51 AP3 0.8389273 Faixa 2 - IDH Alto Faixa 0 (Zero)
Jacarepaguá 4068 3374 13 0 3361 694 662 27 4 1 115 AP4 0.7694553 Faixa 1 - IDH Médio Faixa 5 (Acima de 3000)
Jacarezinho 0 0 0 0 0 0 0 0 0 0 155 AP3 0.7310015 Faixa 1 - IDH Médio Faixa 0 (Zero)
Jardim América 14 13 4 7 2 1 0 0 1 0 49 AP3 0.8389882 Faixa 2 - IDH Alto Faixa 1 (1-199)
Jardim Botânico 4 4 4 0 0 0 0 0 0 0 28 AP2 0.9573839 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Jardim Carioca 6 6 2 0 4 0 0 0 0 0 100 AP3 0.8362974 Faixa 2 - IDH Alto Faixa 1 (1-199)
Jardim Guanabara 93 88 4 4 80 5 0 5 0 0 99 AP3 0.9630007 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Jardim Sulacap 25 19 6 3 10 6 0 6 0 0 137 AP5 0.8564527 Faixa 2 - IDH Alto Faixa 1 (1-199)
Joá 0 0 0 0 0 0 0 0 0 0 126 AP4 0.9588606 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Lagoa 19 19 0 0 19 0 0 0 0 0 27 AP2 0.9594229 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Lapa 0 0 0 0 0 0 0 0 0 0 161 AP1 0.8943004 Faixa 2 - IDH Alto Faixa 0 (Zero)
Laranjeiras 3 3 1 2 0 0 0 0 0 0 17 AP2 0.9574364 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Leblon 15 8 1 0 7 7 6 0 1 0 26 AP2 0.9670673 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Leme 2 0 0 0 0 2 0 0 2 0 23 AP2 0.9554135 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Lins de Vasconcelos 2 2 0 2 0 0 0 0 0 0 62 AP3 0.8586420 Faixa 2 - IDH Alto Faixa 1 (1-199)
Madureira 130 125 2 5 118 5 0 4 1 0 83 AP3 0.8313447 Faixa 2 - IDH Alto Faixa 1 (1-199)
Magalhães Bastos 8 8 3 5 0 0 0 0 0 0 138 AP5 0.8017215 Faixa 2 - IDH Alto Faixa 1 (1-199)
Mangueira 0 0 0 0 0 0 0 0 0 0 11 AP1 0.7998239 Faixa 1 - IDH Médio Faixa 0 (Zero)
Manguinhos 0 0 0 0 0 0 0 0 0 0 39 AP3 0.7259912 Faixa 1 - IDH Médio Faixa 0 (Zero)
Maracanã 103 101 1 4 96 2 0 1 1 0 35 AP2 0.9439270 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Maré 0 0 0 0 0 0 0 0 0 0 157 AP3 0.7215836 Faixa 1 - IDH Médio Faixa 0 (Zero)
Marechal Hermes 13 13 6 7 0 0 0 0 0 0 90 AP3 0.8144355 Faixa 2 - IDH Alto Faixa 1 (1-199)
Maria da Graça 3 3 1 2 0 0 0 0 0 0 52 AP3 0.8600352 Faixa 2 - IDH Alto Faixa 1 (1-199)
Méier 4 3 0 3 0 1 0 1 0 0 63 AP3 0.9307112 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Moneró 4 4 0 0 4 0 0 0 0 0 102 AP3 0.9039750 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Olaria 31 30 4 9 17 1 1 0 0 0 42 AP3 0.8533835 Faixa 2 - IDH Alto Faixa 1 (1-199)
Oswaldo Cruz 43 43 7 11 25 0 0 0 0 0 88 AP3 0.8548439 Faixa 2 - IDH Alto Faixa 1 (1-199)
Paciência 11 7 5 2 0 4 0 3 1 0 148 AP5 0.7512006 Faixa 1 - IDH Médio Faixa 1 (1-199)
Padre Miguel 19 15 3 6 6 4 0 4 0 0 140 AP5 0.8043718 Faixa 2 - IDH Alto Faixa 1 (1-199)
Paquetá 0 0 0 0 0 0 0 0 0 0 13 AP1 0.8222642 Faixa 2 - IDH Alto Faixa 0 (Zero)
Parada de Lucas 4 4 2 2 0 0 0 0 0 0 47 AP3 0.7451596 Faixa 1 - IDH Médio Faixa 1 (1-199)
Parque Anchieta 16 12 4 4 4 4 0 4 0 0 108 AP3 0.8325550 Faixa 2 - IDH Alto Faixa 1 (1-199)
Parque Columbia 7 7 5 2 0 0 0 0 0 0 159 AP3 0.7196269 Faixa 1 - IDH Médio Faixa 1 (1-199)
Pavuna 963 949 5 4 940 14 0 13 1 0 114 AP3 0.7898837 Faixa 2 - IDH Alto Faixa 3 (600-1499)
Pechincha 203 132 13 5 114 71 60 10 1 0 121 AP4 0.9001583 Faixa 3 - IDH Muito Alto Faixa 2 (200-599)
Pedra de Guaratiba 127 126 0 12 114 1 0 1 0 0 153 AP5 0.7436298 Faixa 1 - IDH Médio Faixa 1 (1-199)
Penha 1001 999 6 14 979 2 0 0 1 0 43 AP3 0.8042513 Faixa 2 - IDH Alto Faixa 3 (600-1499)
Penha Circular 14 13 6 7 0 1 0 0 1 0 44 AP3 0.8264170 Faixa 2 - IDH Alto Faixa 1 (1-199)
Piedade 14 14 0 3 11 0 0 0 0 0 69 AP3 0.8504964 Faixa 2 - IDH Alto Faixa 1 (1-199)
Pilares 445 3 0 0 3 442 442 0 0 0 71 AP3 0.8310766 Faixa 2 - IDH Alto Faixa 2 (200-599)
Pitangueiras 0 0 0 0 0 0 0 0 0 0 94 AP3 0.8584455 Faixa 2 - IDH Alto Faixa 0 (Zero)
Portuguesa 0 0 0 0 0 0 0 0 0 0 103 AP3 0.9039750 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Praça da Bandeira 167 167 0 1 166 0 0 0 0 0 32 AP2 0.8667752 Faixa 2 - IDH Alto Faixa 1 (1-199)
Praça Seca 247 247 5 7 235 0 0 0 0 0 124 AP4 0.8450472 Faixa 2 - IDH Alto Faixa 2 (200-599)
Praia da Bandeira 1 1 1 0 0 0 0 0 0 0 95 AP3 0.8584455 Faixa 2 - IDH Alto Faixa 1 (1-199)
Quintino Bocaiúva 14 13 2 0 11 1 0 0 1 0 79 AP3 0.8499814 Faixa 2 - IDH Alto Faixa 1 (1-199)
Ramos 36 34 6 8 20 2 0 0 2 0 41 AP3 0.8572782 Faixa 2 - IDH Alto Faixa 1 (1-199)
Realengo 495 489 23 16 450 6 3 2 1 0 139 AP5 0.8029871 Faixa 2 - IDH Alto Faixa 2 (200-599)
Recreio 4628 3058 87 76 2895 1570 1373 195 2 0 132 AP4 0.8944695 Faixa 1 - IDH Médio Faixa 5 (Acima de 3000)
Riachuelo 64 64 0 2 62 0 0 0 0 0 59 AP3 0.9053976 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Ribeira 27 27 0 0 27 0 0 0 0 0 91 AP3 0.8591950 Faixa 2 - IDH Alto Faixa 1 (1-199)
Ricardo de Albuquerque 0 0 0 0 0 0 0 0 0 0 109 AP3 0.8070300 Faixa 2 - IDH Alto Faixa 0 (Zero)
Rio Comprido 1 1 1 0 0 0 0 0 0 0 7 AP1 0.8492875 Faixa 2 - IDH Alto Faixa 1 (1-199)
Rocha 5 5 3 2 0 0 0 0 0 0 58 AP3 0.8389273 Faixa 2 - IDH Alto Faixa 1 (1-199)
Rocha Miranda 31 28 5 13 10 3 1 2 0 0 86 AP3 0.8152312 Faixa 2 - IDH Alto Faixa 1 (1-199)
Rocinha 0 0 0 0 0 0 0 0 0 0 154 AP2 0.7321132 Faixa 1 - IDH Médio Faixa 0 (Zero)
S. Conrado 254 253 1 0 252 1 0 0 1 0 31 AP2 0.8733686 Faixa 2 - IDH Alto Faixa 2 (200-599)
Sampaio 0 0 0 0 0 0 0 0 0 0 60 AP3 0.8389273 Faixa 2 - IDH Alto Faixa 0 (Zero)
Santa Cruz 1572 1557 8 22 1527 15 0 11 3 1 149 AP5 0.7416839 Faixa 1 - IDH Médio Faixa 4 (1500-2999)
Santa Teresa 0 0 0 0 0 0 0 0 0 0 14 AP1 0.8779724 Faixa 2 - IDH Alto Faixa 0 (Zero)
Santíssimo 4 4 2 2 0 0 0 0 0 0 143 AP5 0.7803828 Faixa 1 - IDH Médio Faixa 1 (1-199)
Santo Cristo 8 0 0 0 0 8 0 4 4 0 3 AP1 0.7923458 Faixa 1 - IDH Médio Faixa 1 (1-199)
São Francisco Xavier 1 1 1 0 0 0 0 0 0 0 57 AP3 0.7998239 Faixa 1 - IDH Médio Faixa 1 (1-199)
Saúde 0 0 0 0 0 0 0 0 0 0 1 AP1 0.7923458 Faixa 1 - IDH Médio Faixa 0 (Zero)
Senador Camará 14 14 4 4 6 0 0 0 0 0 142 AP5 0.7682607 Faixa 1 - IDH Médio Faixa 1 (1-199)
Senador Vasconcelos 5 3 1 2 0 2 0 0 2 0 145 AP5 0.8019104 Faixa 2 - IDH Alto Faixa 1 (1-199)
Sepetiba 1 1 1 0 0 0 0 0 0 0 150 AP5 0.7606939 Faixa 1 - IDH Médio Faixa 1 (1-199)
Tanque 245 12 1 0 11 233 195 38 0 0 123 AP4 0.8309430 Faixa 2 - IDH Alto Faixa 2 (200-599)
Taquara 1563 995 17 9 969 568 539 24 5 0 122 AP4 0.8762988 Faixa 2 - IDH Alto Faixa 4 (1500-2999)
Taua 2 2 2 0 0 0 0 0 0 0 101 AP3 0.8171733 Faixa 2 - IDH Alto Faixa 1 (1-199)
Tijuca 869 421 4 4 413 448 437 10 1 0 33 AP2 0.9259026 Faixa 3 - IDH Muito Alto Faixa 3 (600-1499)
Todos os Santos 2 2 0 1 1 0 0 0 0 0 64 AP3 0.9220335 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Tomás Coelho 143 143 2 1 140 0 0 0 0 0 56 AP3 0.8017627 Faixa 2 - IDH Alto Faixa 1 (1-199)
Turiaçu 7 7 3 4 0 0 0 0 0 0 85 AP3 0.8118529 Faixa 2 - IDH Alto Faixa 1 (1-199)
Urca 0 0 0 0 0 0 0 0 0 0 22 AP2 0.9521520 Faixa 3 - IDH Muito Alto Faixa 0 (Zero)
Vargem Grande 7 4 2 2 0 3 0 0 2 1 131 AP4 0.7458028 Faixa 1 - IDH Médio Faixa 1 (1-199)
Vargem Pequena 367 365 13 18 334 2 0 1 1 0 130 AP4 0.7458028 Faixa 1 - IDH Médio Faixa 2 (200-599)
Vasco da Gama 0 0 0 0 0 0 0 0 0 0 158 AP1 0.8330008 Faixa 2 - IDH Alto Faixa 0 (Zero)
Vaz Lobo 5 5 1 0 4 0 0 0 0 0 84 AP3 0.8070401 Faixa 2 - IDH Alto Faixa 1 (1-199)
Vicente de Carvalho 9 9 1 5 3 0 0 0 0 0 73 AP3 0.7728247 Faixa 1 - IDH Médio Faixa 1 (1-199)
Vidigal 0 0 0 0 0 0 0 0 0 0 30 AP2 0.8733686 Faixa 2 - IDH Alto Faixa 0 (Zero)
Vigário Geral 10 9 2 2 5 1 1 0 0 0 48 AP3 0.7633305 Faixa 1 - IDH Médio Faixa 1 (1-199)
Vila Kosmos 19 16 2 1 13 3 3 0 0 0 72 AP3 0.8761840 Faixa 2 - IDH Alto Faixa 1 (1-199)
Vila da Penha 26 26 9 7 10 0 0 0 0 0 74 AP3 0.9093500 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Vila Isabel 29 29 3 4 22 0 0 0 0 0 36 AP2 0.9009217 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Vila Kennedy 0 NA NA NA NA NA NA NA NA NA 162 AP5 0.7940287 Faixa 1 - IDH Médio Faixa 0 (Zero)
Vila Militar 2 2 0 2 0 0 0 0 0 0 135 AP5 0.8564527 Faixa 2 - IDH Alto Faixa 1 (1-199)
Vila Valqueire 115 87 10 2 75 28 24 4 0 0 125 AP4 0.9039787 Faixa 3 - IDH Muito Alto Faixa 1 (1-199)
Vista Alegre 11 11 3 7 1 0 0 0 0 0 75 AP3 0.7983644 Faixa 1 - IDH Médio Faixa 1 (1-199)
Zumbi 0 0 0 0 0 0 0 0 0 0 92 AP3 0.8584455 Faixa 2 - IDH Alto Faixa 0 (Zero)

Descrição da Base de Dados

a) Descrição das Variáveis / Dicionário de Dados

Bairro: Nomes do bairros da cidade do Rio de Janeiro

Total Bairro (totalbairro): Número de certidões de habite-se emitidas no bairro, incluindo obras residenciais e não residenciais.

Total Residencial (totalresidencial) : Número de certidões de habite-se emitidas para obras residenciais, incluindo tipologiais unifamiliares, bifamiliares e multifamiliares.

Residencial Unifamiliar (residencialuni): Número de certidões de habite-se emitidas para residências unifalimiares, isto é, destinada a abrigar uma unidade residencial.

Residencial Bifamiliar (residencialbi): Número de ceridões de habite-se emitidas para residencias bifalimiares, isto é, destinada a abrigar duas unidades residenciais, superpostas ou justapostas.

Residencial Multifamiliar (residencialmulti): Número de ceridões de habite-se emitidas para residencias multifamiliares, isto é, destinada a abrigar mais de duas unidades residenciais.

Total Não Residencial (Nresidencial): Número de certidões de habite-se emitidas para obras não residenciais, incluindo tipologiais salas, lojas, de uso exclusivo e industrial.

Salas: Número de ceridões de habite-se emitidas para salas comerciais.

Lojas: Número de ceridões de habite-se emitidas para lojas comerciais.

Uso Exclusivo (usoexcl): Número de ceridões de habite-se emitidas para uso exclusivo, destinada a abrigar um único uso ou atividade não residencial por lote, apresentando uma única numeração.

Industrial: Número de ceridões de habite-se emitidas para uso industrial.

COD: Código numérico de cada bairro.

AP: Área de planejamento a que o bairro pertence, conforme subdivisão em grupos feita pela prefeitura.

IDH: Índice de desenvolvimento humano por bairro, levando-se em consideração longevidade, educação e renda.

FAIXA_IDH: Faixas de clasificação de IDH: IDH médio (0,500 - 0,799), IDH alto (0,800 - 0,899), IDH muito alto (0,900 - 1,000).

FAIXA_HAB: Faixas de clasificação de números de habite-ses emitidos: Faixa 0 (zero), Faixa 1 (1-199), Faixa 2 (200-599), Faixa 3 (600-1499), Faixa 4 (1500-2999) e Faixa 5 (Acima de 3000).

b) Amostra de dados

A amostra é composta por 163 bairros, sendo uma composição dos dados obtidos a partir da Tabela 3394 - Habite-se - Unidades totais concedidas por tipo, segundo as Áreas de Planejamento, Regiões de Planejamento, Regiões Administrativas e Bairros - Município do Rio de Janeiro - 2015, fornecidos pelo Data.Rio da Prefeitura do Rio de Janeiro e os dados de IDH fornecidos também pelo Data.Rio através da Tabela 1172 - Índice de Desenvolvimento Humano Municipal (IDH), por ordem de IDH, segundo os bairros ou grupo de bairros - 2000. Desse modo, tem-se 163 bairros analisados e 16 variáveis.

Cabe ressaltar que nos dados de IDH não haviam dados dos bairros da Lapa, Vila Kenedy e do Gericinó. Por esse motivo, o IDH do bairro da Lapa foi considerado o mesmo do Centro e o IDH dos bairros do Gericinó e Vila Kenedy foi considerado o mesmo do bairro de Bangu.

Os bairros do Rio de Janeiro são divididos em cinco áreas de planejamento (AP): AP1 - Bairos que compõe o centro histórico da cidade; AP2 - Bairros concentrados na Zona Sul e a Grande Tijuca; AP3 - Bairros que compõe a Zona Norte; AP4 - Bairros da Baixada de Jacarépaguá; AP5 - Bairros da Zona Oeste.

c) Construção dos indicadores

Os dados referentes a quantificação dos números de emissões de certidões de habite-se por bairro foram obtibidos pela disponibilização dos dados pela Prefeitura do Rio de Janeiro, sendo divididas em residencial e não residencial.

Os dados de IDH, Índice de Desenvolvimento Humano, por bairro foram obtidos a partir da média aritmética simples de três índices referentes as dimensões de longevidade (IDHM-Longevidade), educação (IDHM-Educação) e renda (IDHM-Renda).

O índice de longevidade (IDH-L), segundo informação do Armazém de Dados da prefeitura do Rio de Janeiro, é obtido a partir do indicador esperança devida ao nascer. Já o índice de educação (IDH-E) é obtido a partir da taxa de alfabetização e da taxa bruta de frequência à escola. O índice de renda (IDHM-R) é obtido a partir do indicador de Renda per capita.

d) Etapas da análise dos dados

I - Foram construídos gráficos de Boxplot da Área de Planejamento (grupo de bairros) e o IDH, além do Boxplot da Área de Planejamento e total de habite-ses emitidos para comparação.

II - Foi analisado o gráfico de dispersão do número de habite-ses por bairro e seu IDH correspondente e traçado a linha de tendência. Além disso, foi verificada a correlação entre as variáveis IDH e número total de habite-ses por bairro.

III - Foram elaborados os testes de hipóteses para analisar a relação de cada área de planejamento com o IDH e também com o número de habite-ses emitidos.

IV - Foram apresentados os mapas para melhor visualização dos índices de IDH e os números de certidões de habite-se emitidas.

Para realização dos testes de hipótese, foi analisada a influência da área de planejamento nas distribuições de IDH e número de habite-ses. Adotou-se alpha=0,05 para todos os testes realizados. Dessa forma, a regra de decisão foi definida como:

Se p-value ≤ alpha, rejeita a hipótese nula (H0).

Se p-value > alpha, não rejeita a hipótese nula (H0).

4. Resultados e Discussões

Os resultados obtidos pelas análises realizadas com a base de dados, através do R Studio, seguem.

Foi possível verificar que a média de emissões de certidões de habite-ses, por bairro, no Rio de Janeiro, foi de 188,1 e o bairro que apresentou o valor máximo de habite-ses foi o Recreio que na última década vem expandindo a oferta imobiliária. Vale ressaltar que dos 163 bairros analisados, 40 deles não tiveram nenhum habite-se no período analisado.

tabela_bairro <- table(habite_se1$totalbairro)
tabela_bairro
## 
##    0    1    2    3    4    5    6    7    8    9   10   11   12   13   14   15 
##   42    8    8    5    6    4    3    3    3    3    1    5    1    2    6    2 
##   16   19   20   23   24   25   26   27   29   31   34   36   43   45   64   65 
##    1    3    1    1    1    1    2    1    2    2    1    1    1    1    1    1 
##   67   74   81   93  102  103  108  115  120  127  130  143  167  201  203  228 
##    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 
##  245  247  254  367  394  405  445  473  495  533  543  561  600  610  869  963 
##    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 
## 1001 1065 1332 1563 1572 3954 4068 4628 
##    1    1    1    1    1    1    1    1
summary(habite_se1$totalbairro)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0     0.0     8.0   185.8    64.5  4628.0

I - Boxplot do IDH por Área de Planejamento

habite_se1 <- read_excel("C:/Users/victo/Desktop/Nathalia/MESTRADO UFF/ESTATISTICA/TRAB FINAL/habite_se1.xls")

boxplot(habite_se1$IDH ~ habite_se1$AP,
        col=c("red","blue","yellow", "green", "gray"),
        main="Boxplot IDH por Área de Planejamento",
        xlab = "AP",
        ylab = "IDH")

A partir do gráfico, é possível verificar que a Área de Planejamento 2 (AP2) possui um outlier, enquanto a Área de Planejamento 3 (AP3) possui três outliers. Isso significa que para essas área de planejamento existem bairros que estão foram do esperado para o IDH, estando muito acima ou estando muito abaixo do IDH médio, mostrando que tais Áreas de Planejamento não são tão homogêneas em termos de longevidade, educação e renda per capta.

É possível notar que as Área de Planejamento 3 (AP3) e 4 (AP4) apresentam maior variabilidade de IDH em relação as outras áreas, enquanto as Áreas de Planejamento 2 (AP2) e 5 (AP5) apresentam menor variabilidade de IDH. A Área de Planejamento 4 (AP4) apresenta, ainda, a maior amplitude interquartil, enquanto a Área de Planejamento 2 (AP2) apresenta as maiores taxas de IDH e a Área de Planejaento 5 (AP5), as menores.

boxplot(habite_se1$totalbairro ~ habite_se1$AP,
        col=c("red","blue","yellow", "green", "gray"),
        main="Boxplot Habite-se por Área de Planejamento",
        xlab = "AP",
        ylab = "Total Emissões de Certidões de Habite-se")

Por meio do boxplot é possível notar que todas as Áreas de Planejamento possuem outliers. A Área de Planejamento 4 (AP4) apresentou os maiores números de emissões de certidões de habite-se. Isso pode ser justificado pelo fato as Áreas de planejamento 1, 2 e 3 já estarem mais consolidadas em relação as Áreas de Planejamento 4 e 5.

II - Gráfico de Dispersão: Habite-ses X IDH por Bairro

plot(habite_se1$totalbairro, habite_se1$IDH, pch=19)
abline(lsfit(habite_se1$totalbairro, habite_se1$IDH),col="red")

cor(habite_se1$totalbairro, habite_se1$IDH)
## [1] -0.03721537

A correlação entre número de habite-ses e IDH por bairro é -0.03996331, o que resulta em uma correlação levemente negativa. Entretanto, não é possível confirmar que quanto maior o IDH, menor a emissão de certidões de habite-se. Por outro lado, pode-se considerar que as áreas com maiores IDHs tratam-se de bairros mais consolidados que já não permitem número expressivo de novas construções.

variaveis_quanti<-c("totalbairro", "totalresidencial", "Nresidencial", "IDH")

habite_se1[,variaveis_quanti]
## # A tibble: 163 x 4
##    totalbairro totalresidencial Nresidencial   IDH
##          <dbl>            <dbl>        <dbl> <dbl>
##  1           0                0            0 0.857
##  2           0                0            0 0.720
##  3           0                0            0 0.877
##  4           0                0            0 0.926
##  5           9                8            1 0.788
##  6           2                2            0 0.909
##  7          24               22            2 0.911
##  8           1                1            0 0.861
##  9         473              426           47 0.794
## 10        1065              641          424 0.959
## # ... with 153 more rows
cor(habite_se1[,variaveis_quanti])
##                  totalbairro totalresidencial Nresidencial         IDH
## totalbairro       1.00000000               NA           NA -0.03721537
## totalresidencial          NA                1           NA          NA
## Nresidencial              NA               NA            1          NA
## IDH              -0.03721537               NA           NA  1.00000000
library(corrplot)
## corrplot 0.84 loaded
correlacao_habite_se1<-cor(habite_se1[,variaveis_quanti])
correlacao_habite_se1
##                  totalbairro totalresidencial Nresidencial         IDH
## totalbairro       1.00000000               NA           NA -0.03721537
## totalresidencial          NA                1           NA          NA
## Nresidencial              NA               NA            1          NA
## IDH              -0.03721537               NA           NA  1.00000000
corrplot(correlacao_habite_se1)

Através do Corrplot, é possível verificar que, de fato, o IDH não possui correlação positiva com os números totais de habite-ses, sejam eles residenciais ou não residenciais. Isto pode ser explicado pelo fato de as áreas mais consolidadas apresentarem os IDHs maiores, onde o processo de ocupação é mais antigo. Este é o caso da AP2 que contempla a Grande Tijuca e a Zona Sul, onde verifica-se grande densidade e baixo potencial de expansão.

III - Testes de hipóteses para verificar as distribuições das variáveis IDH e Número de Habite-ses.

AP X IDH

Primeiramente, foi analisada a relação entre a área de planejamento de cada bairro e o IDH, isto é, uma análise de relação entre variável qualitativa e variável quantitativa. Foram assumidas as seguintes hipóteses para verificação do pressuposto da normalidade dos dados através do teste de Shapiro Wilk, considerando alpha = 0,05:

H0: Dados seguem distribuição normal.

H1: Dados não seguem distribução normal.

mod <- aov(IDH ~ AP, data =habite_se1)
resid <- residuals(mod)
shapiro.test(resid)
## 
##  Shapiro-Wilk normality test
## 
## data:  resid
## W = 0.982, p-value = 0.03242
qqnorm(resid)
qqline(resid)

Foi encontrado p-valor = 0.03681 que, seguindo a regra de decisão, rejeita a hipótese nula de que havia uma distribuição normal dos dados. Dessa forma, é necessário utilizar o teste de Kruskal-Wallis, uma vez que temos cinco variáveis qualitativas.

H0: Distribuições iguais de IDH por área, isto é, AP1 = AP2 = AP3 = AP4 = AP5.

H1: Pelo menos uma AP possui distribuição diferente das demais.

kruskal.test(IDH ~ AP, data = habite_se1)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  IDH by AP
## Kruskal-Wallis chi-squared = 54.139, df = 4, p-value = 4.922e-11

Foi encontrado um p-valor de p-value = 8.607e-11, que rejeita a hipótese nula. Assim, prosseguiu-se com o Teste de Comparações Múltiplas de Wilcoxon, pois as distribuições de IDH por área de planejamento não são semelhantes, devendo-se avaliar quais apresentam diferenças (Ross, 2020).

PMW1 <- pairwise.wilcox.test(habite_se1$IDH,
                            habite_se1$AP,
                            p.adjust.method="fdr")
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
PMW1
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  habite_se1$IDH and habite_se1$AP 
## 
##     AP1     AP2     AP3     AP4    
## AP2 1.5e-05 -       -       -      
## AP3 0.74559 2.5e-09 -       -      
## AP4 0.46313 0.00091 0.42713 -      
## AP5 0.02070 2.5e-07 0.00091 0.02070
## 
## P value adjustment method: fdr

Com a matriz resultante do teste, é possível verificar que:

  • AP1 e AP2 tem distribuição de dados de IDH diferentes;
  • AP1 e AP3 tem distribuição de dados de IDH semelhantes;
  • AP1 e AP4 tem distribuição de dados de IDH semelhantes;
  • AP1 e AP2 tem distribuição de dados de IDH diferentes;
  • AP2 e AP3 tem distribuição de dados de IDH diferentes;
  • AP2 e AP4 tem distribuição de dados de IDH diferentes;
  • AP2 e AP5 tem distribuição de dados de IDH diferentes;
  • AP3 e AP4 tem distribuição de dados de IDH semelhantes;
  • AP3 e AP5 tem distribuição de dados de IDH diferentes;
  • AP4 e AP5 tem distribuição de dados de IDH diferentes;

Tem-se então que as áreas de planejamento 4 e 5, caracterizado pela ocupação mais recente da cidade, apresentam distribuição de dados IDH diferente do que é apresentado nas áreas 1, 2 e 3 que claramente se assemelham. Depreende-se então que o IDH, de fato, é impactado pela variável área de planejamento.

AP X HABITE-SE

Da mesma forma, analisando o número de habite-ses e a relação com a área de planejament, temos primeiro a verificação da normalidade através do teste de Shapiro Wilk:

H0: Dados seguem distribuição normal.

H1: Dados não seguem distribução normal.

habite_se1$totalbairro <- as.numeric(habite_se1$totalbairro)
mod1 <- aov(totalbairro ~ AP, data =habite_se1)
resid1 <- residuals(mod1)
shapiro.test(resid1)
## 
##  Shapiro-Wilk normality test
## 
## data:  resid1
## W = 0.50122, p-value < 2.2e-16
qqnorm(resid1)
qqline(resid1)

Foi encontrado p-value < 2.2e-16 que rejeita a hipótese nula de que havia uma distribuição normal dos dados. Segue-se o teste de Kruskal-Wallis:

H0: Distribuições iguais de números de habite-ses, isto é, AP1 = AP2 = AP3 = AP4 = AP5.

H1: Pelo menos uma AP possui distribuição diferente das demais.

kruskal.test(totalbairro ~ AP, data = habite_se1)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  totalbairro by AP
## Kruskal-Wallis chi-squared = 11.509, df = 4, p-value = 0.02141

Com um p-valor de p-value = 0.01225, rejeita-se a hipótese nula. Pelo Teste de Comparações Múltiplas de Wilcoxon:

habite_se1$totalbairro <- as.numeric(habite_se1$totalbairro)

PMW <- pairwise.wilcox.test(habite_se1$totalbairro,
                            habite_se1$AP,
                            p.adjust.method="fdr")
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
PMW
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  habite_se1$totalbairro and habite_se1$AP 
## 
##     AP1   AP2   AP3   AP4  
## AP2 0.197 -     -     -    
## AP3 0.115 0.943 -     -    
## AP4 0.050 0.089 0.054 -    
## AP5 0.115 0.703 0.681 0.228
## 
## P value adjustment method: fdr

Verifica-se pela matriz resultante que somente há diferença na distribuição das quantidades de habite-se entre a AP1 e AP4, apresenta p-valor = 0,05. Isso pode ser explicado pela grande quantidade de certidões emitidas para a AP4, área com grande pontencial de expansão. Diante disso, de fato, o número de certidões de habite-se emitidos, de fato, é impactado pela variável área de planejamento.

IV - Mapas de visualização dos dados

Os mapas foram elaborados para melhor visualização do dados, sendo construídos também com o R. No mapa das áreas de planejamento estão representadas cada região seguindo as mesmas cores utilizadas no boxplot para comparação.

library(spdep)
## Warning: package 'spdep' was built under R version 4.0.4
## Loading required package: sp
## Loading required package: spData
## Warning: package 'spData' was built under R version 4.0.4
## To access larger datasets in this package, install the spDataLarge
## package with: `install.packages('spDataLarge',
## repos='https://nowosad.github.io/drat/', type='source')`
## Loading required package: sf
## Warning: package 'sf' was built under R version 4.0.4
## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
library(stringr)
library(maptools)
## Warning: package 'maptools' was built under R version 4.0.4
## Checking rgeos availability: TRUE
library(rgdal)
## Warning: package 'rgdal' was built under R version 4.0.4
## rgdal: version: 1.5-23, (SVN revision 1121)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 3.2.1, released 2020/12/29
## Path to GDAL shared files: C:/Users/victo/Documents/R/win-library/4.0/rgdal/gdal
## GDAL binary built with GEOS: TRUE 
## Loaded PROJ runtime: Rel. 7.2.1, January 1st, 2021, [PJ_VERSION: 721]
## Path to PROJ shared files: C:/Users/victo/Documents/R/win-library/4.0/rgdal/proj
## PROJ CDN enabled: FALSE
## Linking to sp version:1.4-5
## To mute warnings of possible GDAL/OSR exportToProj4() degradation,
## use options("rgdal_show_exportToProj4_warnings"="none") before loading rgdal.
## Overwritten PROJ_LIB was C:/Users/victo/Documents/R/win-library/4.0/rgdal/proj
library(readxl)
dados <- read_excel("C:/Users/victo/Desktop/Nathalia/MESTRADO UFF/ESTATISTICA/TRAB FINAL/habite_se1.xls")

##carregando o mapa
banco <-readShapeSpatial(file.choose())
## Warning: readShapeSpatial is deprecated; use rgdal::readOGR or sf::st_read
## Warning: readShapePoly is deprecated; use rgdal::readOGR or sf::st_read
## Field name: 'Área' changed to: 'Ã.rea'
names(dados)[12]<-"CODBNUM"

## Relaciona os estados do "banco" com as informações dos "dados"
base <- merge(banco,dados,by.x="CODBNUM",by.y="CODBNUM")
library(rgeos)
## Warning: package 'rgeos' was built under R version 4.0.4
## rgeos version: 0.5-5, (SVN revision 640)
##  GEOS runtime version: 3.8.0-CAPI-1.13.1 
##  Linking to sp version: 1.4-5 
##  Polygon checking: TRUE
library(tmap)
## Warning: package 'tmap' was built under R version 4.0.4
tm_shape(base)+ tm_fill("AP",palette=c("red","blue","yellow", "green", "gray"), style="jenks", title = "Mapa 1 - Área de Planejamento") +
  tm_borders() + tm_layout(frame=F)
## Warning: The projection of the shape object base is not known, while it seems to
## be projected.
## Warning: Current projection of shape base unknown and cannot be determined.

Abaixo é demonstrado o mapa dos IDHs de cada bairro, sendo classificados por faixas: IDH médio (0,500 - 0,799), IDH alto (0,800 - 0,899), IDH muito alto (0,900 - 1,000).

tm_shape(base)+ tm_fill("FAIXA_IDH",palette="Blues", style="jenks", title = "Mapa 2 - Faixa de IDH por Bairro") +
  tm_borders() + tm_layout(frame=F)
## Warning: The projection of the shape object base is not known, while it seems to
## be projected.
## Warning: Current projection of shape base unknown and cannot be determined.

O Mapa 2 evidencia que, de fato, os menores IDHs encontram-se nas áreas mais recentes em ocupação, isto é, na Baixada de Jacarépaguá e Zona Oeste (AP4 e AP5), confirmando as informações obtidas pelas análises do Boxplot.

tm_shape(base)+ tm_fill("totalbairro",palette="Blues", style="jenks", title = "Mapa 3 - Certidões de Habite-se por Bairro") +
  tm_borders() + tm_layout(frame=F)
## Warning: The projection of the shape object base is not known, while it seems to
## be projected.
## Warning: Current projection of shape base unknown and cannot be determined.

O Mapa 3 foi elaborado a partir da quantidade certidões de habite-se emitidas por bairro, de modo que é possível verificar no mapa as áreas com maior número de habite-ses encontram-se também nas áreas de planejamento AP4 e AP5, mesmo que eles tenham apresentado no Mapa 2 menores IDHs. Isto revela que as construções regulares nesses locais não se pauta em um aumento de bem-estar sustentado pelos índices de IDH, mas sim demonstra que são os locais de maior procura pela expansão imobiliária dada o pontencial de expansão e áreas para construção.

5. Conclusões

Em face dos resultados obtidos, pode-se concluir que as áreas de planejamento nas quais os bairros do Rio de Janeiro são divididos, são além de divisões territoriais, agrupamentos com características de IDH semelhantes. Alguns bairros, como é o caso do Recreio, se destacam em termos de números de habite-ses emitidos pela prefeitura, devido a expansão imobiliária que é percebida pricipalmente na região da Baixada de Jacarépaguá e na Zona Oeste, respectivamente AP4 e AP5. Entretanto, não se verifica que o alto número de novas construções regulares seria reflexo de um IDH superior dos referidos bairros, mas sim da oferta de terrenos edificáveis e potencial de expansão de áreas com ocupação mais recente. Nesse sentido, percebe-se que as áreas centrais, de acupação mais antiga, tendem a não comportar um maior número novas construções dado o adensamento ocorrido ao longo dos anos.

Cabe ressaltar que o número de certidões emitidas de habite-se pelo município, embora tenha relação com prática da construção regular, não se confirmou sendo proporcional aos bairros de maior IDH, uma vez que a variável IDH não possui associação positiva com o número total de habite-ses por bairro. Além disso, através dos testes de hipóteses, observou-se que a varivável Área de Planejamento (AP) interfere tanto no IDH quanto no número de habite-ses. Foi verificado que a AP4 se destaca em relação a distribuição das outras áreas de planejamento no que se refere a quantidade de habite-ses. Já em relação ao IDH, observa-se semlhaças na distribuição das AP4 e AP5.

6. Referências Bibliográficas

FELIZARDO, D. P.; ROSSO, P. Análise dos Edifícios Residenciais em Criciúma (SC) que Obtiveram Certidão de Habite-se no Período 2004–2011. 1º Seminário de Pesquisa, Extensão e Inovação do IF-SC, Campus Criciúma. 2011.

Pesquisa Datafolha e CAU/BR. Disponível em: https://www.caubr.gov.br/pesquisa2015/. Acesso em 16 mar. 2021.

REZENDE, A. J.; SLOMSKI, V.; CORRAR, L. J. A Gestão Pública Municipal e a Eficiência dos Gastos Públicos: Uma Investigação Empírica Entre as Políticas Públicas e o Índice De Desenvolvimento Humano (IDH) dos Municípios do Estado de São Paulo. Revista Universo Contábil, vol. 1, núm. 1, enero-abril, 2005, pp. 24-40 Universidade Regional de Blumenau Blumenau, Brasil.

ROSS, S. D. Manual de Análise de Dados.2020. Disponível em: https://livro.metodosquantitativos.com/docs/.Acesso em 16 mar. 2021.