1 Mobilidade x Economia
Este trabalho busca verificar o comportamento da dinâmica de demanda por tranporte público e acidentalidade e suas relações com indicadores socioeconômicos do município de Porto Alegre.
Foram obtidos de fontes oficiais dados de envelhecimento da população, razão de dependência e desempenho econômico. A partir destes dados, vislumbrou-se verificar longitudinalmente a alavancagem da demanda por tranporte público, bom como a variação da acidentalidade em função dos indicadores considerados.
2 Transporte Público
2.1 Número de Passageiros
2.1.1 Razão de Dependência
A razão de dependência fornece a relação da quantidade de crianças (população menor de 14 anos) e idosos (população com 65 anos ou mais) para cada pessoa em idade ativa (entre 15 e 64 anos).
\[Razão\, de\, Dependência = \frac{(pessoas < 15)+(pessoas>=65)}{(14>pessoas<65)}\]
Por meio desse indicador é possível avaliar como a compressão ou aumento da população potencialmente ativa pode impactar a demanda pelo tranporte público.
Os dados abaixo demonstram que a variação da demanda por transporte público não se relaciona diretamente com razão de dependencia. Indicando que a compressão na parcela da população economicamente ativa parece não afetar significativamente na redução de usuários do Transporte Público, uma vez que os dados não sustentam esta hipótese.
| Passageiros Ano | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 40069570.49 | -593927111.53 – 674066252.50 | 0.895 |
| RazaoDependencia | 6233917.38 | -8277537.75 – 20745372.50 | 0.377 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.046 / -0.010 | ||
Abaixo é apresentado o gráfico de regressão do número de passageiros explicado pela variação do grau de dependência na população de Porto alegre. A tendencia de horizontalidade da regressão demonstra a pouca alavancagem da demanda em função da razão de dependência.
2.1.2 Envelhecimento da População
Para fins de cálculo do envelhecimento da população, calcula-se a evolução da parcela da população constituída por idosos com 65 anos ou mais. Por meio dessa análise busca-se verificar a associação entre envelhecimento da população e demanda pelo transporte público.
\[Envelhecimento = \frac{pessoas>=65)}{pessoas<65}\]
A um nível se gignificância de 99.9% é possível afirmar que o envelhecimento da população explica 81% da variação no número de passageiros transportados anualmente.
É importante observar que a população idosa compõe parcela do grupo de dependentes no cálculo da razão de dependência apresentada na seção anterior. Uma vez que a razão de dependência compõe a relação de jovens e idosos versus população potencialmente ativa, percebe-se que o efeito de dependencia de jovens não afeta significativamente a demanda por transporte público. Fica demonstrado que, ao desagregar as faixas etárias e considerar apenas a evolução dos dependentes idosos, o incremento da parcela de idosos na composição populacional relaciona-se diretamente com a redução na demanda por transporte público.
Este fenômeno pode ser constatado quando o gráfico da relação Razão de Dependência x Passageiros/Ano não forma estruturas, enquanto que a relação de Envelhecimento x Passageiros/Ano forma uma estrutura linear considerável.
| Passageiros Ano | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 526034245.75 | 474530762.91 – 577537728.58 | <0.001 |
| Envelhecimento | -20171009.40 | -24982428.77 – -15359590.02 | <0.001 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.821 / 0.811 | ||
2.1.3 Valor Adicionado Fiscal (VAF)
O VAF é o principal critério para cálculo do índice de Participação Municipal IPM (Lei Complementar Nº 63/1990 Art. 3º). É através do IPM que o município tem a sua cota-parte definida no ICMS pertencente aos municípios.
Este indicador traduz a vitalidade comercial do município, pois visa traduzir não a produção de riqueza (PIB), mas o valor de transações das mercadorias saídas, acrescido do valor das prestações de serviços; servindo como uma proxy da operação comercial no município.
A partir dos dados anuais de VAF buscou-se estabelecer a relação entre incrementos anuais do VAF e o número de passageiros anuais, visando identificar se há algum efeito da alavancagem econômica municipal sobre a demanda de Transporte Público.
A um nível se gignificância de 99% é possível afirmar que o Valor Adicionado Fiscal explica 42% da variação no número de passageiros transportados anualmente.
| Passageiros Ano | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 384188680.87 | 342188725.08 – 426188636.66 | <0.001 |
| ValAdicFiscal | -3578.41 | -5570.13 – -1586.68 | 0.001 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.458 / 0.426 | ||
2.1.4 Variação do Valor Adicionado Fiscal
Enquanto o Valor Adicionado Fiscal considera incrementos de valor adicionado, nesse cenário é considerada a variação marginal do valor adicionado fiscal.
A um nível se gignificância de 99% é possível afirmar que A Variação Marginal do VAF explica 38% da variação no número de passageiros transportados anualmente.
| Passageiros Ano | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 292033970.78 | 273839116.44 – 310228825.11 | <0.001 |
| VaricaoValAdicFisc | 309273128.21 | 120629271.28 – 497916985.15 | 0.003 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.413 / 0.379 | ||
2.1.5 Modelo Composto
Considerando a complexidade gerada por modelos de regressão compostos, a uso de modelos multivariádos é justificado quando o ganho informacional é sigficativo. Levando em conta que o envelhecimento populacional por si só explica 81% da variação na demanda, e que os modelos multivariados são capazes de explicar no máximo 80% do fenômeno; pelo princípio da parcimônia considera-se que o modelo de regressão simples para os dados utilizados é o mais recomendado.
##
## ==============================================================================================
## Dependent variable:
## --------------------------------------------------------------------------
## PassageirosAno
## (1) (2) (3)
## ----------------------------------------------------------------------------------------------
## Ano 4,174,419.000
## (6,319,267.000)
##
## Populacao -106.736 101.786
## (371.948) (192.999)
##
## Envelhecimento -33,112,706.000* -21,230,001.000*** -19,887,563.000***
## (18,494,466.000) (4,216,440.000) (3,284,712.000)
##
## VaricaoValAdicFisc 3,724,478.000 13,855,846.000 8,770,263.000
## (76,293,780.000) (73,318,775.000) (71,023,396.000)
##
## Constant -7,573,469,851.000 389,287,896.000 522,455,720.000***
## (12,056,897,738.000) (255,538,834.000) (38,371,553.000)
##
## ----------------------------------------------------------------------------------------------
## Observations 19 19 19
## R2 0.830 0.825 0.822
## Adjusted R2 0.782 0.790 0.799
## Residual Std. Error 16,329,304.000 (df = 14) 16,019,579.000 (df = 15) 15,654,036.000 (df = 16)
## F Statistic 17.113*** (df = 4; 14) 23.557*** (df = 3; 15) 36.859*** (df = 2; 16)
## ==============================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.013 Segurança
3.1 Acidentes Fatais
3.1.1 Razão de Dependencia
Busca descrever a variação entre ocorrências de acidentes fatais e a razão de dependência. Os dados abaixo demonstram que não há a identificação de relação entre razão de dependência e fatalidades no trânsito.
| Fatais | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | -100.68 | -701.63 – 500.28 | 0.728 |
| RazaoDependencia | 5.34 | -8.41 – 19.10 | 0.424 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.038 / -0.019 | ||
3.1.2 Envelhecimento populacional
Busca descrever a variação entre ocorrências de acidentes fatais e envelhecimento da população.
A um nível se gignificância de 99.9% é possível afirmar que o envelhecimento da população explica 77% da variação no número de fatalidades no trânsito de Porto Alegre.
| Fatais | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 330.58 | 277.89 – 383.28 | <0.001 |
| Envelhecimento | -18.67 | -23.60 – -13.75 | <0.001 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.790 / 0.778 | ||
3.1.3 Valor Adicionado Fiscal
Busca descrever a variação entre ocorrências de acidentes fatais e incrementos do VAF. A um nível se gignificância de 99.9% é possível afirmar que os valores absolutos de VAF explicam 50% da variação no número de fatalidades em Porto Alegre.
| Fatais | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 205.63 | 168.67 – 242.59 | <0.001 |
| ValAdicFiscal | -0.00 | -0.01 – -0.00 | <0.001 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.529 / 0.501 | ||
3.1.4 Variação do Valor Adicionado Fiscal
Busca descrever a variação entre ocorrências de acidentes e a variação marginal do VAF.
| Fatais | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 118.70 | 98.93 – 138.48 | <0.001 |
| VaricaoValAdicFisc | 213.85 | 8.81 – 418.90 | 0.042 |
| Observations | 19 | ||
| R2 / R2 adjusted | 0.222 / 0.176 | ||
3.1.5 Modelo Composto
O modelo de regressão multivariado para fatalidades no trânsito performou melhor com o uso de apenas duas variáveis (Envelhecimento Populacional e VAF). A uso de regressão multivariada resultou num ganho de informação de 5% quando considerado o \(R^2\) ajustado.
##
## ========================================================================================
## Dependent variable:
## --------------------------------------------------------------------
## Fatais
## (1) (2) (3)
## ----------------------------------------------------------------------------------------
## Ano 1.717
## (5.717)
##
## Populacao 0.0001 0.0002
## (0.0003) (0.0002)
##
## Envelhecimento -29.931* -25.044*** -22.989***
## (16.732) (3.769) (2.987)
##
## VaricaoValAdicFisc -129.892* -125.725* -133.510*
## (69.024) (65.532) (64.588)
##
## Constant -3,093.893 181.210 385.058***
## (10,908.010) (228.400) (34.895)
##
## ----------------------------------------------------------------------------------------
## Observations 19 19 19
## R2 0.844 0.843 0.834
## Adjusted R2 0.799 0.812 0.814
## Residual Std. Error 14.773 (df = 14) 14.318 (df = 15) 14.236 (df = 16)
## F Statistic 18.937*** (df = 4; 14) 26.848*** (df = 3; 15) 40.328*** (df = 2; 16)
## ========================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01