Pular para conteúdo

14 — Acessibilidade educacional H3 (HEX-EDU v0.6)

Operacionalização parcial de Pereira, Braga, Serra & Nadalin (2019) para o Rio Municipal: para cada célula H3 do município, computamos uma métrica de acesso a equipamentos educacionais ponderada pela qualidade (IDEB do bairro da escola) e penalizada pela distância. Esta v0.6.1 usa distância haversine entre centroide do hex e ponto da escola; v0.7 substituirá por isócronas via OSM road network.

Paper-base

Pereira, R. H. M.; Braga, C. K. V.; Serra, B.; Nadalin, V. G. (2019). Desigualdades socioespaciais de acesso a oportunidades nas cidades brasileiras — 2019. IPEA TD. https://hdl.handle.net/10419/240730

O paper computa acessibilidade a oportunidades (educação, saúde, emprego, lazer) em 7 capitais brasileiras (Rio incluso) usando isócronas H3 sobre redes de transporte público + ativo. Decompõe por raça e renda. Achado canônico: pessoas brancas e de alta renda têm maior acessibilidade.

Insumos

Dado Fonte Quantidade
Equipamentos educacionais (pontos geo) data.rio Feature Service 0a220ea7972449e39a28210dd317f636 1590 totais
Filtro: equipamentos elegíveis ao IDEB séries iniciais Escola Municipal + CIEP + Escola Especial Municipal 1022
Grid espacial H3 res 8 (Sessão 12) 1593 hexes
Qualidade da escola IDEB do bairro do equipamento (Relatório 06), ano 2023 993/1022 com IDEB
Geometria de bairros data.rio item dc94b29f... (IPP) 166 bairros

29 escolas (3%) ficam em bairros sem IDEB municipal — preenchidas com a mediana 6.0.

Métricas computadas

Para cada hex i:

n_2km(i)            = # equipamentos eleg. em raio de 2 km
n_5km(i)            = # equipamentos eleg. em raio de 5 km
dist_min_km(i)      = distância haversine ao equipamento eleg. mais próximo
acesso_qty(i)       = Σ_j exp(-d(i,j)/d0)              (j em raio de 5 km)
acesso_quality(i)   = Σ_j IDEB(j) · exp(-d(i,j)/d0)    (j em raio de 5 km)

com d0 = 1.5 km (parâmetro de impedância — distância caminhável típica de ~18 min). acesso_quality é a métrica Pereira-style: oportunidade educacional ponderada por qualidade da opção, com penalização exponencial pela distância.

Resultado

Mapa

Distribuição por AP

Achado-headline

AP n hexes acesso_quality médio acesso_quality mediano
AP 3 (Zona Norte) 270 113 126
AP 1 (Centro) 44 96 99
AP 2 (Zona Sul) 134 59 54
AP 5 (Zona Oeste) 757 45 33
AP 4 (Barra/Jacarepaguá) 388 29 18

A Zona Norte (AP 3) lidera o acesso ponderado — não a Zona Sul. Esse é um achado contra-intuitivo se a expectativa é "melhor IDEB médio = melhor acesso". A explicação: AP 3 combina alta densidade urbana (muitas escolas próximas) com IDEB municipal mediano. AP 2 (Zona Sul) tem IDEB médio mais alto mas densidade muito menor — e os melhores alunos provavelmente estão na rede privada, fora do nosso recorte. AP 4 (Barra/Jacarepaguá) sofre dispersão e dependência de transporte.

Em política pública: granularidade administrativa AP continua escondendo variância — o achado within-RA do Relatório 06 se repete aqui em forma diferente (entre APs há variação relevante; mas a média por AP esconde a variação intra-AP, que continua dominante).

Caveats

  • Distância haversine ≠ tempo de viagem real. Caminho até a escola passa por ruas, morros, pontes, transporte público. Esta v0.6.1 usa "linha reta" como aproximação — útil como ordenação, mas não como métrica absoluta. v0.7 substitui por isócronas OSM (osmnx + grafos rodoviários).
  • Qualidade = IDEB do bairro não é IDEB da escola. Conflate múltiplas escolas dentro de um bairro num único valor. Pereira et al. usavam métricas próprias por equipamento; nós usamos o melhor proxy disponível no data.rio.
  • Apenas rede municipal. Migração para escola privada (que confunde o FUN-Rio) também distorce este produto: equipamentos privados/estaduais não aparecem.
  • Filtro 5 km: hexes em zonas peri-urbanas (Guaratiba, Vargem) têm poucas ou zero opções no raio. 18 hexes têm n_5km = 0.
  • d0 = 1.5 km arbitrário: parâmetro de impedância calibrado para "distância caminhável típica". Pereira et al. usam tempos de viagem (tipicamente 30 ou 60 min). v0.7 calibra contra dados reais.

v0.7 — o que falta para a replicação completa

  1. OSM road network via osmnx.graph_from_place("Rio de Janeiro, Brazil", network_type="walk").
  2. Isócronas: para cada hex centroide, computar shortest-path real até cada escola.
  3. Decomposição por SES: cruzar com IPS/IDS por bairro para reproduzir a "decomposição por renda" de Pereira. Esta v0.6 só decompõe por AP (geografia), não por SES.
  4. Múltiplas resoluções: Pereira usa H3 res 9 (~12k hexes) para áreas densas. v0.7 pode ter resolução variável por densidade urbana.

Reproduzir

pip install -r requirements.txt   # inclui scipy

python3 analysis/11_fetch_bairros.py            # se ainda não fez
python3 analysis/12_h3_grid.py                  # se ainda não fez
python3 analysis/25_fetch_escolas_municipais.py # 1590 features, ~500 KiB
python3 analysis/26_hex_accessibility.py        # ~5 s
python3 analysis/27_accessibility_charts.py     # Plotly JSONs

Saídas: data/processed/hex_accessibility.csv (1593 hexes × 9 colunas) + 2 figuras Plotly.

Continue lendo