9_aopdata_acessibilidade.qmd

#  Estimativas de acessibilidade

Finalmente, o pacote `{aopdata}` também permite baixar, para todas as cidades incluídas no projeto, estimativas de acesso a empregos e a serviços de saúde, de educação e de assistência social para 2017, 2018 e 2019.

Esses dados podem ser baixados com a função `read_access()`, que funciona de maneira análoga às funções `read_population()` e `read_landuse()`, apresentadas anteriormente. Além de indicar a cidade (parâmetro `city`) e o ano de referência (`year`), no entanto, é necessário também informar o modo de transporte (`mode`) e o intervalo do dia (pico, entre 6h e 8h, ou fora-pico, entre 14h e 16h, controlado pelo parâmetro `peak`).

No exemplo a seguir, mostramos como baixar estimativas de acessibilidade no período de pico em São Paulo referentes a 2019. Nesse exemplo, baixamos as estimativas de acessibilidade tanto por automóvel quanto por transporte público e as unimos em um único `data.frame`. Note que essa função resulta em uma tabela que traz também, automaticamente, os dados de população e de uso do solo.

```{r}
#| warning: false
#| message: false
# baixa dados do AOP de acessibilidade por transporte público
acesso_tp <- aopdata::read_access(
  city = "São Paulo",
  mode = "public_transport",
  year = 2019,
  peak = TRUE,
  geometry = TRUE,
  showProgress = FALSE
)

# baixa dados do AOP de acessibilidade por automóvel
acesso_carro <- aopdata::read_access(
  city = "São Paulo",
  mode = "car",
  year = 2019,
  peak = TRUE,
  geometry = TRUE,
  showProgress = FALSE
)

# junta os dados em um único dataframe
dados_sp <- rbind(acesso_tp, acesso_carro)

names(dados_sp)
```

Como podemos ver, assim como nos casos das tabelas de dados sociodemográficos e de uso do solo, os nomes das variáveis de estimativas de acessibilidade estão organizados em códigos, como `CMAEF30`, `TMISB` e `CMPPM60`. Esses códigos são resultado da combinação de três componentes, conforme descrito a seguir.

1. O **tipo de indicador** de acessibilidade: é indicado pelas três primeiras letras do código. Os dados incluem três categorias de indicadores:

   - `CMA` - indicador de acessibilidade cumulativa ativa;
   - `CMP` - indicador de acessibilidade cumulativa passiva; e
   - `TMI` - indicador de tempo mínimo até a oportunidade mais próxima.

2. O **tipo de atividade** para a qual os níveis de acessibilidade foram calculados ou a que pessoas o indicador se refere: é descrito pelas letras seguintes, que estão no meio do código. Os dados incluem estimativas de acessibilidade para diversos tipos de atividades:

   - `TT` - todos os empregos;
   - `TB` - empregos de baixa escolaridade;
   - `TM` - empregos de média escolaridade;
   - `TA` - empregos de alta escolaridade;
   - `ST` - todos os estabelecimentos públicos de saúde;
   - `SB` - estabelecimentos públicos de saúde de baixa complexidade;
   - `SM` - estabelecimentos públicos de saúde de média complexidade;
   - `SA` - estabelecimentos públicos de saúde de alta complexidade;
   - `ET` - todas as escolas públicas;
   - `EI` - escolas públicas de ensino infantil;
   - `EF` - escolas públicas de ensino fundamental;
   - `EM` - escolas públicas de ensino médio;
   - `MT` - todas as matrículas de escolas públicas;
   - `MI` - matrículas de escolas públicas de ensino infantil;
   - `MF` - matrículas de escolas públicas de ensino fundamental;
   - `MM` - matrículas de escolas públicas de ensino médio; e
   - `CT` - todos os CRAS.

   No caso do indicador de acessibilidade passiva, as letras no meio do nome da variável indicam **a qual grupo populacional** os níveis de acessibilidade se referem:

   - `PT` - toda a população;
   - `PH` - população de homens;
   - `PM` - população de mulheres;
   - `PB` - população branca;
   - `PN` - população negra;
   - `PA` - população amarela;
   - `PI` - população indígena;
   - `P0005I` - população de 0 a 5 anos;
   - `P0614I` - população de 6 a 14 anos;
   - `P1518I` - população de 15 a 18 anos;
   - `P1924I` - população de 19 a 24 anos;
   - `P2539I` - população de 25 a 39 anos;
   - `P4069I` - população de 40 a 69 anos; e
   - `P70I` - população de 70 anos ou mais.

3. O **tempo limite de viagem** utilizado no cálculo do indicador: é descrito pelos números ao final do código. Esses números somente se aplicam aos indicadores de acessibilidade cumulativa ativa e passiva e incluem os limites de 15, 30, 45, 60, 90 e 120 minutos, dependendo do modo de transporte.

**Exemplos:**

- <span style="color: red;">CMA</span><span style="color: black;">EF</span><span style="color: blue;">30</span>: número de escolas públicas de ensino fundamental acessíveis em até 30 minutos de viagem;
- <span style="color: red;">TMI</span><span style="color: black;">SB</span>: tempo de viagem até o estabelecimento público de saúde com serviços de baixa complexidade mais próximo; e
- <span style="color: red;">CMP</span><span style="color: black;">PM</span><span style="color: blue;">60</span>: quantidade de mulheres que conseguem acessar determinada célula da grade espacial em até 60 minutos de viagem.

A descrição completa das variáveis também pode ser consultada na documentação da função, rodando em uma sessão de R o comando `?read_access`. As subseções a seguir mostram exemplos de visualizações desses dados em forma de mapas e gráficos.

## Mapa do tempo para acessar o hospital mais próximo

Neste exemplo, comparamos o tempo de acesso por automóvel e por transporte público até o hospital mais próximo de cada hexágono. Para analisar o tempo mínimo de viagem (`TMI`) até hospitais de alta complexidade (`SA`), utilizamos a variável `TMISA`. Com o código a seguir, carregamos as bibliotecas de visualização de dados e apresentamos a distribuição espacial do tempo de acesso com os dois modos de transporte. Como os tempos de viagem por transporte público costumam ser muito mais longos do que por automóvel, truncamos a distribuição dos valores da variável em sessenta minutos.

```{r}
#| warning: false
#| message: false
#| label: fig-time_to_hospital
#| fig-cap: Tempo de viagem até o hospital de alta complexidade mais próximo em São Paulo
library(ggplot2)
library(patchwork)

# trunca os tempos de viagem em 60 minutos
dados_sp$TMISA <- ifelse(dados_sp$TMISA > 60, 60, dados_sp$TMISA)

ggplot(subset(dados_sp, !is.na(mode))) +
  geom_sf(aes(fill = TMISA), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(
    option = "cividis",
    direction = -1,
    breaks = seq(0, 60, 10),
    labels = c(seq(0, 50, 10), "60+")
  ) +
  labs(fill = "Tempo (em\nminutos)") +
  facet_wrap(
    ~ mode,
    labeller = as_labeller(
      c(car = "Carro", public_transport = "Transporte público")
    )
  ) +
  theme_void()
```

## Mapa da quantidade de empregos acessíveis

Os dados do `{aopdata}` também tornam muito simples a comparação da quantidade de oportunidades acessíveis em diferentes tempos de viagem. Com o código a seguir, por exemplo, ilustramos como visualizar lado a lado as distribuições espaciais do número de empregos acessíveis em até sessenta e noventa minutos de viagem, respectivamente, por transporte público.

```{r}
#| label: fig-accessible_jobs
#| fig-cap: Quantidade de empregos acessíveis por transporte público em São Paulo 
# estabelece valores usados na legenda do mapa
limites_legenda <- c(0, max(acesso_tp$CMATT90, na.rm = TRUE) / 1000000)

# configura os mapas

fig60 <- ggplot(subset(acesso_tp, !is.na(mode))) +
  geom_sf(aes(fill = CMATT60 / 1000000), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(option = "inferno", limits = limites_legenda) +
  labs(
    subtitle = "Até sessenta minutos de viagem",
    fill = "Empregos\n(em milhões)"
  ) +
  theme_void()

fig90 <- ggplot(subset(acesso_tp, !is.na(mode))) +
  geom_sf(aes(fill = CMATT90 / 1000000), color = NA, alpha = 0.9) +
  scale_fill_viridis_c(option = "inferno", limits = limites_legenda) +
  labs(
    subtitle = "Até noventa minutos de viagem",
    fill = "Empregos\n(em milhões)"
  ) +
  theme_void()

fig60 + fig90 + plot_layout(guides = "collect")
```

## Desigualdades de acesso a oportunidades

Existem diversas maneiras de analisar quão desiguais são as condições de acesso a oportunidades nas cidades brasileiras a partir dos dados do `{aopdata}`. Nesta subseção, apresentamos três exemplos deste tipo de análise.

### Desigualdade no tempo de acesso a oportunidades

Neste primeiro exemplo, vamos comparar o tempo médio de viagem até o hospital público mais próximo de pessoas de diferentes níveis de renda. Para isso, calculamos o tempo médio de acesso a estabelecimentos de saúde de alta complexidade ponderado pela população de cada célula da nossa grade espacial. Essa ponderação é necessária porque cada célula, por abrigar um número de pessoas diferente das demais, contribui de forma diferente para a média da população como um todo.

Antes de realizar o cálculo, cabe observar que algumas células da cidade não conseguem acessar nenhum hospital em até duas horas de viagem. Nesses casos, o valor das variáveis de tempo mínimo de viagem é infinito (`Inf`). Para lidar com isso, neste exemplo substituímos todos os valores `Inf` por um tempo de viagem de 120 minutos.

```{r}
#| label: fig-time_to_hospital_by_income
#| fig-cap: Média de tempo de viagem por transporte público em São Paulo até o hospital mais próximo
# copia os dados de acesso em um novo dataframe
desigualdade_tp <- data.table::as.data.table(acesso_tp)

# substitui os valores Inf por 120
desigualdade_tp[, TMISA := ifelse(is.infinite(TMISA), 120, TMISA)]

# calcula o tempo de viagem médio por decil de renda
desigualdade_tp <- desigualdade_tp[
  ,
  .(media = weighted.mean(x = TMISA, w = P001, na.rm = TRUE)),
  by = R003
]
desigualdade_tp <- subset(desigualdade_tp, !is.na(media))

ggplot(desigualdade_tp) +
  geom_col(aes(y = media, x = factor(R003)), fill = "#2c9e9e", color = NA) +
  scale_x_discrete(
    labels = c("D1\nmais\npobres", paste0("D", 2:9), "D10\nmais\nricos")
  ) +
  labs(x = "Decil de renda", y = "Tempo de viagem (em minutos)") +
  theme_minimal()
```

### Desigualdade no número de oportunidades acessíveis

Outra maneira de examinar a desigualdade de acesso a oportunidades é comparar a quantidade de oportunidades acessíveis por diferentes grupos populacionais considerando os mesmos modos de transporte e limites de tempo de viagem. Nesse caso, analisamos o indicador de acessibilidade cumulativa ativa, representado por variáveis cujos códigos começam com `CMA` na base de dados do `{aopdata}`. No exemplo a seguir, comparamos a quantidade de empregos acessíveis por pessoas de diferentes decis de renda, considerando viagens de transporte público limitadas em sessenta minutos de viagem.

```{r}
#| label: fig-accessible_jobs_by_income
#| fig-cap: Distribuição do número de empregos acessíveis por transporte público em São Paulo
ggplot(subset(acesso_tp, !is.na(R003))) +
  geom_boxplot(
    aes(x = factor(R003), y = CMATT60 / 1000000, color = factor(R003))
  ) +
  scale_color_brewer(palette = "RdBu") +
  labs(
    color = "Decil\nde renda",
    x = "Decil de renda",
    y = "Empregos acessíveis (em milhões)"
  ) +
  scale_x_discrete(
    labels = c("D1\nmais\npobres", paste0("D", 2:9), "D10\nmais\nricos")
  ) +
  theme_minimal()
```

Por fim, podemos também comparar como o uso de diferentes modos de transporte resulta em diferentes níveis de acessibilidade para a população e como essa diferença varia entre cidades. No exemplo a seguir, comparamos a quantidade de empregos acessíveis em até trinta minutos de viagem a pé e de carro. Para isso, precisamos primeiro baixar os dados de acessibilidade por ambos os modos para todas as cidades do projeto.

```{r}
#| message: false
dados_carro <- aopdata::read_access(
  city = "all",
  mode = "car",
  year = 2019,
  showProgress = FALSE
)

dados_caminhada <- aopdata::read_access(
  city = "all",
  mode = "walk",
  year = 2019,
  showProgress = FALSE
)
```

Em seguida, calculamos para cada cidade e para cada modo de transporte a média ponderada do número de empregos acessíveis em até trinta minutos (`CMATT30`). Feito isso, juntamos essas estimativas em uma única tabela e calculamos a razão entre os níveis de acessibilidade por carro e os níveis de acessibilidade a pé.

```{r}
# calcula a média de empregos acessíveis em 30 minutos

media_carro <- dados_carro[
  ,
  .(acesso_carro = weighted.mean(CMATT30, w = P001, na.rm = TRUE)),
  by = name_muni
]

media_caminhada <- dados_caminhada[
  ,
  .(acesso_caminhada = weighted.mean(CMATT30, w = P001, na.rm = TRUE)),
  by = name_muni
]

# junta os dados e calcula a razão entre o nível de acesso por carro e a pé
media_acesso <- merge(media_carro, media_caminhada)
media_acesso[, razao := acesso_carro / acesso_caminhada]

head(media_acesso)
```

Finalmente, podemos visualizar os resultados graficamente:

```{r}
#| label: fig-car_walk_ratio
#| fig-cap: Diferença entre a quantidade de empregos acessíveis por automóvel e por caminhada em até trinta minutos de viagem nas vinte maiores cidades do Brasil
ggplot(media_acesso, aes(x = razao, y = reorder(name_muni, razao))) +
  geom_bar(stat = "identity") +
  geom_text(aes(x = razao + 3 , label = paste0(round(razao), "x"))) +
  labs(y = NULL, x = "Razão entre a acessibilidade de carro e a pé") +
  theme_classic()
```

Como esperado, a @fig-car_walk_ratio mostra que é possível acessar muito mais empregos em até 30 minutos com viagens de carro do que com viagens a pé. Essa diferença, porém, varia muito entre cidades. Em São Paulo e em Brasília, viagens de automóvel de até trinta minutos permitem acessar, em média, um número de empregos 54 vezes maior do que viagens a pé de mesma duração. Em Belém, onde observamos a menor diferença, o automóvel permite acessar 17 vezes mais empregos do que a caminhada - razão ainda considerável, porém menor do que a das demais cidades.