SIMPEP 2013 Desigualdade entre o morro e o asfalto: um estudo sobre a infraestrutura no município do Rio de Janeiro
INEQUALITY BETWEEN THE SLUMS AND THE CITY: A STUDY ON INFRASTRUCTURE IN THE MUNICIPALITY OF RIO DE JANEIRO Joana A. Siqueira –
[email protected] Departamento de Engenharia Elétrica Pontifícia Universidade Católica do Rio de Janeiro Rita de Cassia Monteiro Afonso -
[email protected] Laboratório de Tecnologia e Desenvolvimento Social COPPE/UFRJ
Resumo: Discussões em torno da qualidade de vida nas comunidades, assim como a busca por ações a fim de minimizar a desigualdade entre o morro e o asfalto, são recorrentes e históricas. A instalação das Unidades de Polícia Pacificadora nas favelas do Rio de Janeiro, marca uma fase na qual a segurança é devolvida ao Estado. No entanto, há ainda deficiências relacionadas à educação, empregabilidade e infraestrutura, que fazem parte dos aspectos socioculturais e ambientais que compõem o conceito de sustentabilidade. Este artigo utiliza-se de técnicas de redes neurais artificiais para buscar compreensão sobre a infraestrutura destas favelas em comparação com os demais bairros, através da utilização de dados do Censo 2010 realizado pelo Instituto Brasileiro de Geografia e Estatística – IBGE. O objetivo do estudo foi colaborar para a compreensão desses padrões de comportamento nas comunidades para descobrir deficiências estruturais que possam embasar propostas para a melhora da qualidade de vida local. Os resultados indicam que estas favelas apresentam infraestrutura inferior a maior parte dos bairros do município e ainda, que estudos do mesmo gênero, com maior aprofundamento, podem traçar um quadro detalhado que indique com maior refinamento as localidades mais deficientes assim como as melhorias necessárias. Palavras chave: Redes Neurais Artificiais; Mapa de Kohonen; Infraestrutura; Comunidades; UPPs.
Abstract: Discussions around the quality of life in communities, as well actions to minimize the gap between the slums and the city, are recurrent and historical. The installation of the Pacifying Police Units in the slums of Rio de Janeiro, marks a stage in which the security returned to the State. However, there are still deficiencies as education, employment and infrastructure, which are part of the socio-cultural and environmental aspects, part of the concept of sustainability. This article uses techniques of artificial neural networks to seek understanding of the infrastructure of these slums compared with other districts, using data from the 2010 Census conducted by the Brazilian Institute of Geography and Statistics - IBGE. The aim of the study was to assist in understanding these patterns of behavior in
communities to find out structural deficiencies on which to base proposals for improving the local quality of life. The results indicate that these slums have less infrastructure most neighborhoods and further studies of the same dimension, with greater depth, can draw a detailed picture showing more refinement poorer localities as well as the necessary improvements. Palavras chave: Artificial Neural Network; Kohonen Map or Network; Infrastructure; Slums; Comunidades; UPPs - Pacifying Police Units.
1. Introdução O surgimento das favelas no Rio de Janeiro ocorre no início do século XX. Sua origem está relacionada à então modernização urbana, responsável pela remoção de cortiços, sem que houvesse políticas habitacionais a fim de realocar esta população. Com isso, os espaços vazios localizados próximos ao centro foram ocupados, numa tentativa da população de evitar longas distâncias e elevação do custo com transporte. Surge, assim, a favela (PERO, 2005). Apesar da palavra “favela” trazer um conceito compreendido facilmente pelas pessoas em geral, a sua definição é uma questão muito discutida. Não há uma definição de favela sobre a qual haja concordância por parte dos teóricos. A dificuldade de defini-la está associada ao fato de se tratar de um espaço dinâmico que está sujeito a alterações físicas e demográficas, sejam elas devido a demandas e ações organizadas pelos próprios moradores ou a intervenções governamentais. Segundo Jailson Silva (2009), ainda que não haja uma definição única, historicamente, a representação das favelas está associada à ausência. “... é apreendido, em geral, como uma espaço destituído de infra-estrutura urbana – água, luz, esgoto, coleta de lixo; sem arruamento; globalmente miserável; sem ordem; sem lei; sem regras; sem moral” (SILVA, 2009).
Além disso, destaca-se a diferença da qualidade dos serviços prestados nas favelas e fora delas. É nesse contexto que surgem as UPPs – Unidade de Polícia Pacificadora - , parte da política de segurança pública do Estado do Rio de Janeiro, com o intuito de desarmar o tráfico e devolver o poder das comunidades ao Estado e aos moradores (CUNHA, 2011). Nessas favelas, então, o que se supõe é o caos tenha se desinstalado, dando lugar a uma área organizada pelo Estado. Desta maneira, a questão referente à ordem teria sido supostamente resolvida e, restaria, da definição de favela, a ausência de infraestrutura. É neste contexto, então, que se define a principal motivação do artigo: comparar, por meio de sistemas computacionais, áreas distintas do Município do Rio de Janeiro no que tange a infraestrutura. No estudo serão discriminadas áreas de favela (somente aquelas que possuem UPPs) e de não favela e serão criados clusters com o objetivo de agrupar localidades com padrões semelhantes de infraestrutura. Os resultados proporcionarão um maior conhecimento em relação a estrutura das comunidades e bairros do Rio de Janeiro, permitirá, também, verificar se de fato as favelas possuem infraestrutura inferior aos demais bairros do Rio de Janeiro e, ademais, podem ser tomados como balizadores na orientação de políticas públicas e ações sociais cada vez mais presentes devido a instalação das UPPs – Unidades de Polícia Pacificadora. O desenvolvimento sustentável destas regiões depende também de saneamento básico, iluminação pública, acesso à energia, pavimentação e coleta de lixo. Neste aspecto, a
localização dos logradouros permite ao cidadão a comprovação de residência, muitas vezes exigida nas vagas de emprego e para crédito no comércio, por exemplo. 2. Base de Dados Para subsidiar o trabalho foram utilizadas questões presentes na Base de Universo do Censo Demográfico 2010 do IBGE (2010). O Censo Demográfico é uma pesquisa realizada pelo Instituto Brasileiro de Geografia e Estatística – IBGE -, que ocorre de dez em dez anos, onde são investigadas características de toda a população brasileira e dos domicílios localizados em território nacional. A base utilizada – Base do Universo – contém informações por setor censitário e possui questões que foram investigadas para toda a população. Segundo definições encontradas no site do próprio Instituto, setor censitário é a menor unidade territorial delimitada para fins operacionais. Vale destacar, ainda, que as questões contempladas no banco de dados, são variáveis de contagem, que representam o total de domicílios ou pessoas com determinadas características. Desta maneira, foram selecionados os dados relativos a infraestrutura presentes na Base de Universo. Na própria base de dados há informação indicando à que bairro cada setor censitário pertence, permitindo agregar esses setores para a obtenção das informações de infraestrutura de cada um dos bairros do município. Como visto anteriormente, não há unanimidade em relação à definição de favela e, consequentemente, também não há precisão em relação as suas delimitações. Dessa maneira, optou-se por utilizar a delimitação fornecida pelo Instituto Pereira Passos – IPP -, para as comunidades pacificadas. Vale destacar que, para os bairros que possuem favelas pacificadas dentro de sua delimitação, os bairros foram considerados apenas como a parte de não-favela, caso contrário haveria duplicidade de informação na base. E, deste modo, a base é composta por informações de 200 favelas e não-favelas do Rio de Janeiro. Foram selecionadas inicialmente todas as variáveis relacionadas à infraestrutura e partir da análise da variabilidade dos dados, foram escolhidas as variáveis finais, que são apresentadas a seguir. E por se tratar de dados de contagem, foram calculados percentuais eliminando a necessidade de normalização dos dados. - Domicílios particulares permanentes com abastecimento de água da rede geral - Domicílios particulares permanentes com outra forma de abastecimento de água - Domicílios particulares permanentes com banheiro de uso exclusivo dos moradores ou sanitário e esgotamento sanitário via rede geral de esgoto ou pluvial - Domicílios particulares permanentes com banheiro de uso exclusivo dos moradores ou sanitário e esgotamento sanitário via fossa séptica - Domicílios particulares permanentes com banheiro de uso exclusivo dos moradores ou sanitário e esgotamento sanitário via fossa rudimentar - Domicílios particulares permanentes com banheiro de uso exclusivo dos moradores ou sanitário e esgotamento sanitário via vala - Domicílios particulares permanentes, com banheiro de uso exclusivo dos moradores ou sanitário e esgotamento sanitário via rio, lago ou mar - Domicílios particulares permanentes com lixo coletado por serviço de limpeza
- Domicílios particulares permanentes com lixo coletado em caçamba de serviço de limpeza - Domicílios particulares permanentes com lixo jogado em terreno baldio ou logradouro - Domicílios particulares permanentes com energia elétrica de companhia distribuidora - Domicílios particulares permanentes com energia elétrica de outras fontes - Domicílios particulares permanentes próprios, alugados ou cedidos – Existe identificação do logradouro - Domicílios particulares permanentes próprios, alugados ou cedidos - Existe iluminação pública - Domicílios particulares permanentes próprios, alugados ou cedidos - Existe pavimentação - Domicílios particulares permanentes próprios, alugados ou cedidos - Existe esgoto a céu aberto - Domicílios particulares permanentes próprios, alugados ou cedidos - Existe lixo acumulado nos logradouros 3. Metodologia – Redes Auto-Organizáveis Para a realização dos agrupamentos serão utilizadas Redes Neurais Artificiais, que são sistemas que utilizam conexões entre unidades de processamento denominadas neurônios artificiais a fim de processar informações (BRAGA, 2012). Mais precisamente será utilizado o Mapa Auto-Organizável de Kohonen. Trata-se de uma rede linear com treinamento não supervisionado e camada única, onde todos os processadores recebem todas as entradas, estão dispostos de forma bidimensional e a forma topológica pode ser diversa (hexagonal, retangular, dentre outros). É um método muito utilizado para agrupamento (FARIA, 2010). Como seu algoritmo de treinamento é não supervisionado, não se tem conhecimento a priori sobre os grupos que se deseja formar, assim como não se conhecem as características de cada grupo. Desta maneira, a rede trabalha com base na redundância dos dados de entrada e tenta extrair características intrínsecas aos dados para, com base nelas, fazer os agrupamentos. O algoritmo de treinamento tem como princípio a competição, desta maneira, os neurônios competem entre si para ter o direito de atualizar seus pesos e de seus vizinhos, dentro e um raio de vizinhança definido. Assim, o processo de treinamento funciona da seguinte forma: o neurônio definido como vencedor é aquele cujo vetor de pesos apresenta menor distância em relação ao vetor de entradas apresentado. Determina-se uma área – raio de vizinhança – para a qual os neurônios cooperarão entre si, de maneira que seus pesos sejam atualizados. O neurônio vencedor estará no centro dessa vizinhança e os processadores mais próximos a ele terão uma atualização maior nos pesos. Os pesos são atualizados de forma que se aproximem do vetor de entradas, para que então, se direcionem ao centro do grupo ao qual aquela entrada pertence. A métrica de distância mais comumente utilizada, e que será adotada nesse trabalho, é a distância euclidiana, no entanto é possível utilizar outras, como Minkowski, Manhattan, Hamming, etc (KOHONEN, 2001). O treinamento ocorre em duas fases: a de ordenação, na qual o número de vizinhos é alto e os pesos sofrem ajustes mais brutos e a fase de ajuste fino, em que os pesos são atualizados lentamente direcionando-se ao centro dos grupos. Os pesos são atualizados em
função da taxa de aprendizado, que nesse algoritmo é comumente adaptativa, assumindo valores menores ao fim do algoritmo. O raio de vizinhança também diminui na medida em que ocorrem as iterações (BRAGA, 2012). Vale ressaltar, ainda, que foram utilizados dois tipos de treinamento: o treinamento por batch, no qual todos os padrões são apresentados à rede e somente depois são ajustados os pesos, e o treinamento sequencial, para o qual os pesos são atualizados a cada apresentação de padrão. Para a análise da qualidade da rede foram analisadas duas medidas de erro: o erro de quantização (EQ) e o erro topográfico (ET). O primeiro funciona como uma medida da resolução da rede e representa a distância média absoluta entre cada entrada e seu neurônio vencedor. O topográfico, por sua vez, indica o quanto que o mapa preserva a topologia dos dados de entrada. Assim, quanto mais neurônios possuir a rede menor tende a ser o EQ e, no entanto, maior tende a ser ET, em um dado limiar. Desta forma, o que se deseja é encontrar uma rede que apresente equilíbrio desses valores. A construção dos mapas foi realizada através da utilização do software MATLAB R2008a, utilizando o SOM Toolbox (VESANTO et al, 2000). 4. Construção das redes e mapas finais A construção e a escolha de um mapa adequado ao problema apresentado foram feitas através da realização de inúmeros experimentos na busca por aquele que apresentasse menor valor para os erros EQ e ET. Nas diversas simulações realizadas foram variados os parâmetros que compõem uma rede neural Auto-Organizável como topologia, raio e tempo de treinamento na fase de ordenação e de ajuste fino. Foram selecionados dois mapas finais, um com construído com treinamento por bath e outro com treinamento seqüencial. 4.1. Mapa I - treinamento por batch O primeiro mapa selecionado foi obtido através da utilização do treinamento por batch. As melhores configurações obtidas, assim como os erros, seguem apresentados na Tabela I. Tabela I: Configuração da rede neural – Treinamento por batch
Configuração
Rede escolhida
Malha
Hexagonal
Tamanho
20x20
Normalização
-
Fase de ordenação
20 épocas
Fase de ajuste fino
3000 épocas
Raio
[3 1]
EQ
0,088
ET
0
Tal mapa foi escolhido dentre 20 experimentos realizados para os quais se manteve o tipo de treinamento e foram variados os parâmetros. O resultado segue na Figura I.
Figura I: Mapa de Kohonen – Treinamento por batch
Pela matriz U é possível ver claramente delineados dois grupos, um maior e um pequeno no canto superior esquerdo. Fazendo uma análise minimalista seria possível supor, ainda, mais três pequenos grupos, como se nota no mapa abaixo: 1 4 5
3
2
Figura II: Mapa de Kohonen – Treinamento por batch – Delimitação dos grupos
A análise de cada uma das variáveis para os grupos formados é apresentada na Tabela II. As células pontilhadas representam as características mais marcantes de cada um dos grupos formado, enquanto as variáveis em cinza são aquelas que apresentam comportamento semelhante para os grupos delineados. São elas: energia, lixo, esgoto a céu aberto e lixo acumulado no logradouro. Observando-se os mapas dessas variáveis, no entanto, percebe-se que há variação nos seus valores, mas que isso não foi determinante para o agrupamento. Vale ressaltar, que a análise de resultados será feita detalhadamente mais a frente. Tabela II: Comportamento das variáveis por grupo – Mapa com treinamento batch
O objetivo inicial do presente estudo era a comparação das características relacionadas à infraestrutura de áreas de favela e de não favela. Então, definidos os grupos, é importante analisar a quais deles as localidades pertencem, a fim de poder fazer a comparação proposta. Para isso, segue apresentado o mapa com os labels – Figura III. Vale citar, que os rótulos dos bairros e comunidades presentes no mapa foram criados de maneira que o N representasse as áreas de não favela, enquanto que o F, as de favela. Em vermelho estão destacadas as comunidades.
Figura III: Mapa de Kohonen – Treinamento por batch – Identificação dos bairros e/ou comunidades
É possível reparar que a maior parte das favelas está localizada na parte superior central do mapa, conforme destacado em vermelho na Figura III. Assim, foi realizada uma análise das características presentes nessa parte superior do mapa, a fim de verificar as condições das favelas, no que tange a infraestrutura. Tabela III: Comportamento das variáveis em favelas e não favelas – Mapa com treinamento por batch
Vale ressaltar que está sendo considerada como favela a área superior do mapa destacada em vermelho na Figura III. Isso porque aquela parte é composta majoritariamente por comunidades. As áreas de não favela, portanto, é a área fora da maior marcação vermelha do mapa. Além disso, na tabela acima apresentada, está sendo mostrado o padrão que predomina para cada variável nas duas áreas distintas, mas há, por exemplo, pequenos pontos localizados com comportamento distinto dos apresentados. Ainda assim, a tabela permite traçar uma visão geral sobre as principais características das áreas de favela e não favela, que serão esmiuçadas mais à frente. 4.2. Mapa II - Treinamento seqüencial No mapa apresentado anteriormente, a grande maioria das localidades pertence ao Grupo 2. Na tentativa de discriminar mais os bairros e comunidades e distribuí-los em mais grupos de maneira a possibilitar uma análise mais ampla, foram testadas redes com treinamento sequencial. O melhor mapa foi obtido após a realização de 19 experimentos com parâmetros variados e tem suas configurações apresentadas na Tabela IV. Tabela IV: Configuração da rede neural – Treinamento sequencial
Configuração
Rede escolhida
Malha
Hexagonal
Tamanho
10x10
Normalização
-
Treinamento
3000 épocas
Raio
[2 1]
EQ
0,1522
ET
0,02
Deve-se considerar que esse mapa, obtido pelo treinamento seqüencial, apresenta erros superiores aos do mapa treinado por batch. Entretanto, seus resultados também serão considerados visto que proporcionam maior distribuição das localidades e, assim, melhores análises.
Figura IV: Mapa de Kohonen – Treinamento seqüencial
Percebe-se que pela matriz U é sugerida a criação de dois grupos. E mais a frente serão apresentadas suas análises. Mais uma vez, estão em cinza as varáveis que possuem comportamento similar para ambos os grupos e pontilhadas as características mais marcantes de cada um deles. Vale ressaltar que chamou-se de Grupo 1 aquele localizado na parte inferior esquerda do mapa, enquanto que o Grupo 2 é aquele localizado mais à direita. Tabela V: Comportamento das variáveis por grupo – Mapa com treinamento seqüencial
A seguir será feita a análise dos labels, para identificar que comunidades e bairros pertencem aos grupos formados. Uma vez mais, estão destacadas em vermelho no mapa as comunidades estudadas.
Figura V: Mapa de Kohonen – Treinamento sequencial – Identificação dos bairros e/ou comunidades
Percebe-se, então, que o Grupo 1 é predominantemente formado por comunidades, o que torna desnecessária uma análise adicional para as áreas de favelas. 5. Análise dos resultados 5.1. Mapa I - Treinamento por batch Como visto anteriormente, os mapas apresentam quantidade e localização distintas para os grupos formados. No Mapa I é possível criar cinco agrupamentos, que separam localidades com diferentes padrões de infraestrutura. Nota-se que são separados, no Grupo I, bairros e comunidades com infraestrutura baixa, uma vez que seus componentes apresentam abastecimento de água via poço ou nascente na propriedade e o esgotamento sanitário é feito de outras formas que não a rede geral de esgoto ou pluvial (fossa séptica, fossa rudimentar e vala). Sobre as características do entorno, à exceção das variáveis de esgoto a céu aberto e lixo, que tem comportamento similar em todos os grupos, percebe-se que o Grupo 1 apresenta valores baixos para identificação do logradouro, iluminação pública e existência de pavimentação. Assim, pode-se dizer que o Grupo 1 representa bairros e/ou comunidades com infraestrutura mais precária. Em relação às favelas, o que se percebe é que esse grupo não é composto por elas – Figura III –, indicando que as comunidades estudadas não são as localidades com pior infraestrutura do município. Seu principal componente é o bairro de Grumari, localizado na Zona Oeste do Rio de Janeiro. O Grupo 2, em contra partida, representa as localidades com melhor infraestrutura, que tem a maior parte dos seus domicílios com rede geral de abastecimento de água, rede geral ou pluvial de esgoto e em ruas com identificação, pavimentadas e com iluminação pública. Nota-se que a maior parte das localidades se encontra neste grupo, assim sendo, pode-se dizer que, no geral, a infraestrutura do município do Rio de Janeiro é boa. Há que se analisar, no entanto, as exceções. O terceiro, quarto e quinto grupos apresentam características muito similares ao Grupo 2, divergindo apenas em alguns atributos. Assim, compreendem bairros e comunidades com infraestrutura intermediária.
O Grupo 3, difere do Grupo 1, apenas em relação ao esgotamento sanitário que é feito predominantemente por fossa séptica e, em seguida, por rede geral de esgoto ou pluvial e a iluminação pública, que é baixa nesses locais. E, então, se caracteriza por domicílios com precariedade na forma de esgotamento sanitário e na iluminação pública. Os Grupos 4 e 5 têm praticamente as mesmas características, diferindo apenas na intensidade dos valores considerados médios na tabela. Assim como o Grupo 3, eles representam locais com infraestrutura intermediária, no entanto, os maiores atrasos estão relacionados à coleta de lixo, que é feita por caçamba e por serviço de limpeza e às características do entorno, pois somente um percentual médio de seus domicílios são guarnecidos de identificação do logradouro, iluminação pública e pavimentação. Ao analisar mais especificamente as comunidades do município – Tabela III –, percebe-se que os tópicos de infraestrutura que apresentam maior diferença nas áreas de favela e não favela são relativos a coleta de lixo e a algumas características do entorno. Assim, o que se pode dizer é que nas comunidades estudadas do Rio de Janeiro a coleta de lixo é predominantemente por meio de caçambas, enquanto que nos demais bairros se dá por serviço de limpeza. Além disso, as áreas de favelas são mais deficitárias em relação à iluminação pública, identificação do logradouro e pavimentação das ruas. Além disso, na Figura III é possível identificar comunidades que se encontram destacadas das demais. Isso é indício de que, em relação á infraestrutura local, essas favelas apresentam comportamento distinto. Os pontos destacados correspondem às favelas Batam, Cidade de Deus e Complexo do Alemão e, então, pode-se dizer que essas comunidades apresentam infraestrutura superior a das demais. 5.2. Mapa II - Treinamento seqüencial No Mapa II, são formados apenas dois agrupamentos. Na análise dos labels, foi possível perceber que o Grupo 1 é composto prioritariamente por comunidades, à exceção dos pontos destacados fora da área deste grupo na Figura V. Desta maneira, as favelas pertencentes ao Grupo 1 apresentam, claramente, infraestrutura inferior a localidades do Grupo 2, apresentando pior desempenho em todas as variáveis analisadas. As favelas desta área possuem um percentual considerável de domicílios com outra forma de abastecimento de água - que não rede geral e poço ou nascente na propriedade – e esgotamento sanitário através de valas. Em relação ao lixo, percebe-se que é prioritariamente recolhido por caçamba de serviço de limpeza ou jogado em terrenos baldios e ruas. A energia elétrica é predominantemente obtida por outras fontes e possui baixo percentual de domicílios localizados em ruas com identificação, pavimentação e iluminação pública. Percebe-se, ainda, que as diferenças mais marcantes são em relação a energia elétrica, coleta de lixo e características do entorno. No entanto, na parte superior esquerda do mapa, encontram-se bairros com infraestrutura ainda mais baixa que das localidades do Grupo 1. Dentre eles está, inclusive, Grumari, que também foi apontado no mapa anterior como um bairro bem carente de estrutura em relação aos quesitos avaliados. Há também comunidades que pertencem ao outro grupo – Grupo 2 – e que estão destacadas no mapa, o que indica que essas possuem infraestrutura melhor que as demais. Essas comunidades são as mesmas destacadas no primeiro mapa e são elas: Cidade de Deus, Complexo do Alemão e Batam. Assim, percebe-se que independente do segundo mapa promover uma distribuição melhor dos bairros e comunidades entre os grupos, ambas as redes levaram a resultados muito semelhantes. 5.3. Análise final
Tendo em vista os resultados dos dois mapas construídos e as análises dois agrupamentos feitos, é possível chegar a algumas conclusões sobre o tema estudado. Os dois mapas apontam para deficiências encontradas na infraestrutura das comunidades do Município. As favelas estudadas, em sua maioria, apresentam comportamento diferenciado das demais localidades, isso fica evidente nos dois mapas analisados, visto que no Mapa II constituem um grupo separado e que no Mapa I ficam localizadas em uma parte específica do mapa. Há deficiência em quase todos os quesitos estudados. Nota-se que as comunidades ainda apresentam um percentual considerável de domicílios que estão localizados em ruas sem pavimentação, sem iluminação pública e sem nome identificado. Essas são as chamadas características do entorno e sua deficiência nas comunidades pode ser devido ao crescimento desordenado das mesmas, sem planejamento urbano que possibilitasse ao poder público atuar minimizando essas questões. No entanto, para confirmar a afirmação seriam necessários outros estudos e a busca por referência teórica. Além disso, é perceptível que a coleta de lixo, que para grande parte dos domicílios do Município é feita por serviço de limpeza, nas comunidades é feita majoritariamente pela utilização de caçambas de lixo. Pode-se supor que essa questão esteja associada à dificuldade da atuação do serviço de limpeza nessas localidades que são prioritariamente compostas por becos, vielas e escadarias, o que impediria a utilização de caminhões. No entanto, vale ressaltar mais uma vez, que essas são apenas suposições. A quantidade relativa de domicílios que utiliza energia elétrica de outras fontes que não companhia distribuidora, também é maior nas comunidades, como constatado pelo Mapa II e isso pode estar associado à cultura de utilização de ligações elétricas clandestinas – os chamados “gatos”. Outras questões estudadas foram em relação ao abastecimento de água e esgotamento sanitário e o que se percebe – através da análise do Mapa II – é que nas favelas também predominam as formas mais usuais que são rede geral de água e rede geral ou pluvial de esgoto. No entanto, nas comunidades ainda há um percentual considerável de domicílios que utilizam outra forma de abastecimento de água – que não por abastecimento geral e por poço ou nascente – e que tem esgotamento sanitário feito através da utilização de valas. E esses meios não são vistos em quantidade significativa na maior parte das demais localidades. Percebe-se ainda que há duas variáveis que não foram muito significativas para nenhum dos dois agrupamentos propostos. Tanto em favelas quanto em não favelas a maior parte dos domicílios está localizada em ruas sem esgoto a céu aberto e sem lixo depositado. Embora tenha sido apresentado déficit das favelas em relação a diversos quesitos, é necessário ter em mente que há bairros com infraestrutura ainda pior, como é o caso de Grumari, apontado nos dois estudos feitos como o local com uma das piores estruturas do Rio de Janeiro em relação às características estudadas. Vale ressaltar, que só foram analisados separadamente os resultados das comunidades com UPP, então, é possível que dentre as demais localidades que apresentam infraestrutura deficitária haja bairros que possuem favelas em suas delimitações e seria necessário analisar caso a caso para verificar. Além disso, nos dois agrupamentos realizados, o maior grupo é aquele caracterizado pela boa infraestrutura. Isso nos leva a crer que , apesar das inúmeras deficiências estruturais constatadas, o Município, no geral, apresenta boa infraestrutura. 6. Conclusão
Este estudo utilizou dados obtidos pelo Censo 2010 realizado pelo IBGE e teve como objetivo o agrupamento de bairros e comunidades do município do Rio de Janeiro em função da infraestrutura local. O trabalho proporcionou maior conhecimento sobre a estrutura das diferentes localidades do Rio de Janeiro. E através da utilização de redes neurais Auto-Organizáveis foi possível agrupar bairros e comunidades com infraestrutura semelhante no que diz respeito ao abastecimento de água, forma de esgotamento sanitário, coleta de lixo, obtenção de energia elétrica dos domicílios e pavimentação, iluminação pública e identificação das ruas em que estão localizados. E nos dois mapas utilizados os resultados apresentados foram semelhantes. Pôde-se constatar que há bairros no Município que apresentam menor estrutura do que as favelas estudadas. No entanto, as comunidades ainda apresentam déficit em relação a alguns quesitos. Deve-se melhorar, nas favelas, principalmente questões relacionadas a coleta de lixo, energia elétrica e características do entorno. Em comparação com a maior parte dos demais bairros do município, as comunidades apresentam percentual superior de domicílios que tem lixo coletado por caçamba e que tem o mesmo jogado em ruas ou terreno baldio. Além disso, apresentam também maior percentual de energia obtida por outra forma que não por meio da companhia distribuidora. Há que se considerar, ainda, que a maior parte dos domicílios nas favelas está localizado em ruas sem pavimentação, sem identificação do logradouro e sem iluminação pública. O estudo exemplifica o tipo de contribuição que a utilização de Mapas de Kohonen em dados de diferentes localidades pode trazer. Estudos similares, com modificações no intuito de discriminar mais os grupos formados, podem possibilitar ainda um melhor apontamento de localidades que necessitam de políticas no sentido de melhorar as condições locais. Uma possibilidade seria a redução do conjunto de bairros estudados, retirando aqueles com infraestrutura considerada boa. No entanto, os resultados já obtidos podem contribuir para direcionar as políticas públicas e ações sociais relacionadas à infraestrutura, visto que apresenta indicações de locais que merecem atenção mais imediata por serem mais carentes e deficitários em relação às questões abordadas. Referências AFFONSO, G. S. Mapas auto-organizáveis de Kohonen (SOM) aplicados na avaliação dos parâmetros da qualidade da água. 2011. Tese (Mestrado em ciências na área de tecnologia nuclear – reatores) – IPEN – Autarquia associada à universidade de São Paulo. BRAGA, A.P. et al. Redes Neurais Artificiais: Teorias e Aplicações. 2ª edição. Rio de Janeiro: LTC, 2012. CUNHA, J. B.. O PAC e a UPP no “Complexo Pavão-Pavãozinho-Cantagalo”: processo de implementação de políticas públicas em uma favela da zona sul da Cidade do Rio de Janeiro. Salvador: XI Congresso Luso Afro Brasileiro de Ciências Sociais, 2011. FARIA, E.L. et al. Introdução ao toolbox de redes neurais de Kohonen. Espírito Santo: Centro Brasileiro de Pesquisas Físicas, 2010. GONDIM, L. M. P. Habitação Popular, Favela e Meio Ambiente. In: Simpósio temático – Urbanismo na sociedade de risco: violência urbana e vulnerabilidade ambiental. IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo demográfico 2010: Aglomerados subnormais – primeiros resultados. Rio de Janeiro, 2010. KOHONEN, T. Self-Organizing Maps. 3ª edição. Berlin: 2001. PERO, V. et al. Discriminação no mercado do trabalho: o caso dos moradores de favelas cariocas. Rio de Janeiro: IPP, 2005. SILVA, J. S. et al. O novo carioca. 1ª edição. Rio de Janeiro: Mórula Editorial, 2012.
SILVA J. S. et al. O que é a favela, afinal?. Rio de Janeiro: Observatório de Favelas, 2009. VERONESE, T. B. Aplicação de Mapa de Kohonen para classificação de texturas em imagens SAR em ambiente paralelo. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2008. VESANTO, J.. Neural network tool for data mining: SOM Toolbox. 2000. VESANTO, J. et al. Self-Organizing Map in Matlab: the SOM Toolbox. 2000.
