Navigation – Plan du site
Dossiê Geografia, saúde e ambiente: Uma abordagem da complexidade dos problemas atuais na saúde

Desigualdades na mortalidade infantil no Município de São Paulo: em busca do melhor indicador

Inégalités dans la mortalité infantile dans la municipalité de São Paulo : à la recherche du meilleur indicateur
Inequalities in infant mortality in the municipality of São Paulo: in search of the best indicator
Ligia Vizeu Barrozo

Résumés

On estime que la population mondiale continuera d'augmenter jusqu'à atteindre la stabilité autour de 11 milliards de personnes en 2075. Par conséquent, l'environnement urbain, le logement pour la majorité de la population mondiale, doit être considéré comme une priorité stratégique dans un avenir proche, à la fois de l'impact sur les ressources naturelles et l'équité du bien-être et de la justice sociale. La pauvreté (absolue et relative) et sa relation avec la santé restent un défi, même dans les pays à revenu élevé. À São Paulo, il existe un gradient socio-spatial des risques relatifs pour certaines mortalités, qui augmentent à mesure que le profil socio-environnemental de la population se détériore. Pour briser le lien entre la pauvreté et la santé, il faut comprendre les modèles spatiaux au-delà du revenu comme indicateur agrégé. Ainsi, j'ai testé si le revenu est toujours le meilleur indicateur pour expliquer la mortalité infantile dans la ville de São Paulo. Pour cela, j'ai présenté une étude écologique et transversale avec expression spatiale à travers la mise en œuvre d'un projet dans le Système d'Information Géographique, à partir de l'unité géographique de la zone échantillon du recensement démographique de 2010. J'ai comparé la performance du revenu en tant qu'indicateur avec d'autres indicateurs qui expriment la composition de la population, les conditions socio-économiques, l'inégalité des revenus et la ségrégation résidentielle. Les données sur les décès par DATASUS correspondaient aux années 2006 à 2009. Les risques relatifs ont été calculés par le biais du programme SaTScan, en considérant le sexe comme covariable. Les données socio-économiques ont été obtenues à partir des microdonnées du recensement démographique de 2010 en se référant aux zones d'échantillonnage. Les analyses statistiques comprenaient des modèles de régression linéaire non spatiale simples (Ordinary Least Squares). En raison de la dépendance spatiale des résidus de ces modèles, des modèles de régression spatiale globale ont été appliqués, qui n'ont pas permis d'expliquer complètement les mortalités étudiées. Enfin, les modèles de régression géographiquement pondérés ont permis de vérifier les associations spatiales importantes. L'Indice de Concentration dans les Extrêmes (ICE) pour le revenu et la race blanche ou la couleur aisée des Noirs, des Mixtes ou des Indigènes pauvres était le meilleur prédicteur de la mortalité infantile (R2 = 0.39 et AIC = 59.28). Les résultats permettent de conclure qu'il est possible d'aller au-delà du revenu en intégrant des aspects de la ségrégation résidentielle selon le revenu et la couleur ou la race combinés.

Haut de page

Texte intégral

Introdução

1É estimado que a população global continue crescendo e se estabilize em torno de 11 bilhões de habitantes em 2075 (HANCOCK, 2018). Muito longe das previsões catastróficas para o destino da população humana, Max Roser, economista da University of Oxford, tem trazido grande alento ao mostrar com dados, que apesar de a população ter se multiplicado por sete nos últimos 200 anos, a Humanidade avançou espantosamente neste período, na redução da pobreza, do analfabetismo, da mortalidade infantil, no aumento no número de pessoas que vivem em democracias e na melhora do nível de educação (UNIVERSITY OF OXFORD, 2018). Por outro lado, o ambiente natural tem sofrido grande impacto em seus recursos e biodiversidade – que se traduz em um desafio enorme a ser enfrentado tendo em vista o crescimento esperado e a necessidade da manutenção de recursos para prover esta população.

2A relação entre saúde urbana e pobreza tem merecido atenção desde o final da Primeira Revolução Industrial. A despeito do tempo decorrido, este tópico ainda alimenta um debate fervoroso na literatura. Importantes autores como Michael Marmot, epidemiologista, e Amartya Sen, prêmio Nobel de Economia em 1998, têm debatido a importância da pobreza absoluta e relativa por décadas. A complexidade na quebra do elo entre pobreza e saúde passa por dimensões fora da alçada dos investigadores a quem cabe, no entanto, o dever de identificar e apontar determinantes sociais explicativos de situações de saúde iníquas. A renda tem sido assinalada como um indicador muito limitado para auxiliar nesta tarefa. (MARMOT, 2005). Ao estudar os padrões espaciais de diversas mortalidades entre residentes do município de São Paulo no nível de agregação do Distrito Administrativo, usando um indicador socioambiental modificado a partir do desenvolvido pela Secretaria do Verde e do Meio Ambiente de São Paulo (2004), constatamos que havia um gradiente socioespacial dos riscos relativos que aumentava à medida que piorava o perfil socioambiental (BARROZO; MIRANDA, 2010). Tal gradiente é nítido para diabetes mellitus, doenças cerebrovasculares e pneumonias, embora não seja para outras causas. Existe uma lacuna na saúde que chega a 20 anos de diferença em expectativa de vida observada no espaço intraurbano de São Paulo entre os Distritos Administrativos mais afluentes e os mais pobres, ou seja, a expectativa de vida dos lugares mais ricos vai diminuindo em direção aos lugares mais pobres. Esta lacuna na saúde (ou The Health Gap, como cunhado por MARMOT, 2015) acompanha, grosso modo, o gradiente social. Esta lacuna é também observada nas realidades intraurbanas de Baltimore, Estados Unidos da América, em Glasgow, na Escócia, em Londres, na Inglaterra. Os problemas de saúde dos países de renda média são similares aos dos países de renda alta (MARMOT 2017, p. 1312). Identificar as condições sociais que os explicam pode contribuir para medidas que atuem para a ruptura do elo.

3No nível do indivíduo, as relações entre as condições socioeconômicas e sua saúde são claras: quanto melhor a posição socioeconômica, melhor a saúde (MARMOT, 2007). No nível agregado ou ecológico é possível perceber o papel do lugar, com sua composição populacional, e contexto ambiental e socioeconômico (MEDRONHO et al., 2009) a partir de estudos que consideram o espaço de forma explícita em suas análises. Como do ponto de vista teórico a renda é insuficiente para explicar completamente os determinantes sociais envolvidos no processo saúde-doença, o presente estudo pretende contribuir para o avanço da compreensão de tais relações a partir da comparação da eficiência da renda e de outros indicadores em explicar a variabilidade espacial de padrões de desfechos em saúde.

4Um aspecto interessante dos indicadores é a escala de análise. Relações observadas em uma escala nem sempre são observadas em outra. Esta diferença de escala acaba gerando controvérsias e debates interessantes sobre relações observadas em alguns lugares, mas não em outros. Não só a escala, mas o recorte geográfico pode alterar as relações encontradas. Além do já amplamente conhecido efeito do Problema da Unidade de Área Modificável, quando, segundo Openshaw e Taylor (1981 apud BRIGGS et al., 2007, p. 451), o uso de diferentes unidades espaciais pode mudar completamente os padrões espaciais aparentes e suas associações, também o recorte geográfico em termos de ampliação da área de estudo pode alterar os resultados de um teste de varredura espacial, entre outros.

5Outro aspecto importante é a evolução do indicador. Os indicadores, em geral, perdem seu poder explicativo das desigualdades quando uma determinada população avança na distribuição da variável medida. Acontece, por exemplo, com o saneamento básico no município de São Paulo. No censo de 2010, a porcentagem média de domicílios com rede geral de esgoto era de 91,7% com mediana de 95,03% (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE, 2011). Este indicador perdeu seu poder explicativo das diferenças em um contexto global do município, felizmente. No entanto, ainda serve como indicador em outras regiões brasileiras, onde o acesso à rede de esgoto ainda não se tornou universal. Será que em um país como o Brasil, classificado como de renda média alta, a renda já é um indicador limitado? Afinal, é possível avançar para além da renda como indicador para as mortalidades no município de São Paulo?

6Assim, este trabalho procurou verificar o quanto o padrão espacial da mortalidade infantil em São Paulo ainda pode ser explicado por indicadores agregados em áreas, em particular, avaliar o poder explicativo da renda como indicador em face de outras dimensões do espaço social urbano. A mortalidade infantil foi escolhida por representar a capacidade de uma sociedade em oferecer condições mínimas para que uma criança nasça e se desenvolva durante o período vulnerável de até um ano, tendo em vista que as condições de habitação, qualidade ambiental do entorno, condições de vida da família, educação sanitária e cuidados de saúde são fundamentais para o bom desenvolvimento de um recém-nascido. Adicionalmente, pode-se avaliar a situação de iniquidades em saúde a partir da distribuição da mortalidade infantil e evidenciar locais de maior vulnerabilidade. A lógica para a definição do melhor indicador passará pela lógica da análise espacial, segundo a qual, o melhor indicador não deverá deixar resíduos espacialmente dependentes em análise de regressão linear espacial. Os resíduos com dependência espacial indicam que ainda existem elementos importantes para explicar a mortalidade infantil que apresentam arranjo espacial e não foram contemplados no modelo.

Delineamento da pesquisa empírica

7Segundo Ferreira (2014, p. 59), as respostas a perguntas espaciais “dependem da relação entre objetos e valores situados em diferentes planos de informação e entre objetos e valores situados em um mesmo plano de informação”. Para que isso ocorra, a abordagem da Ciência Espacial é a mais apropriada. Os padrões espaciais precisam ser identificados por meios mais eficientes do que o cérebro humano, que naturalmente procura encontrar padrões mesmo quando de fato não ocorrem. Portanto, as distribuições espaciais das taxas precisam ser submetidas a testes estatísticos que permitam a identificação de agrupamentos, por exemplo. Todas as análises subsequentes não podem deixar de considerar a localização dos fenômenos de forma explícita. Assim sendo, delineei um estudo ecológico, transversal que incluiu um período de quatro anos para promover certa estabilidade das taxas, reduzindo flutuações anuais aleatórias, com expressão espacial por meio da implantação de um projeto em um Sistema de Informações Geográficas (ArcGIS 10.1). O desenho deste estudo parte dos padrões espaciais dos óbitos ocorridos em crianças de até um ano de idade residentes do município de São Paulo, de 2006 a 2009, utilizando a unidade geográfica das áreas de ponderação, definidas pelo (IBGE) para o Censo de 2010 (IBGE, 2010). Os riscos relativos da mortalidade infantil por área de ponderação foram obtidos por meio de padronização por sexo e, então, submetidos a uma análise estatística espacial para a identificação de agrupamentos espaciais de alto ou baixo risco.

8De acordo com a hipótese de incapacidade do indicador renda como melhor indicador da mortalidade infantil em São Paulo, outros indicadores foram definidos segundo sua capacidade explicativa potencial de outras dimensões do espectro social, tais como: composição da população por raça ou cor, desigualdade de rendimento (Índice de Gini), segregação residencial (por renda, por cor ou raça e por renda e cor ou raça combinados) e um índice socioeconômico composto. Todos os indicadores foram obtidos a partir dos microdados do Censo Demográfico.

9A etapa seguinte consistiu na elaboração de modelos de regressão linear simples entre a mortalidade infantil e a renda e entre cada um dos demais indicadores.

Unidade geográfica

  • 1 YULE, G. U.; KENDALL, M. G. An introduction to the Theory of Statistics. London: Griffin, 1950.

10A definição da unidade geográfica adequada é crucial para a observação ou não de algumas relações. Desde Yule e Kendall1 (1950, apud HAYNES e GALE, 2000, p. 276) é conhecida a relação entre o tamanho da área e a força das correlações. Quanto maior a área de agregação, mais fortes as correlações e vice-versa. É por isso que algumas correlações que existem no nível de agregação de países, nem sempre são observadas em unidades menores.

11O município de São Paulo apresentava, em 2010, 18.435 setores censitários e 310 áreas de ponderação IBGE (2011). O setor censitário é a menor entidade geográfica para a qual o Censo Demográfico brasileiro tabula dados censitários decenais. As áreas de ponderação correspondem ao nível geográfico definido para a aplicação de procedimentos estatísticos que permitem o uso de levantamentos amostrais válidos para toda a população. Assim, uma área de ponderação inclui um grupo de setores censitários, respeitando os limites destes. Em São Paulo, a média da população nos setores censitários era de 611 pessoas (desvio padrão = 313) em 2010. Nas unidades das áreas de ponderação, a média da população era de 36.156 pessoas (desvio padrão = 8.577). A variação de 23,7% entre as populações das áreas de ponderação é menos do que a metade da variação nos setores censitários (51,2%), conferindo às áreas de ponderação uma população mais estável e, portanto, mais adequada à análise proposta.

12Quanto à agregação temporal, é importante estabilizar os padrões geográficos para reduzir o número de áreas com número pequeno de casos (PICKLE, 2009). Nesta pesquisa, os dados foram analisados somando-se os óbitos em um período de quatro anos (2006, 2007, 2008 e 2009).

Dados de mortalidade infantil

13Os dados utilizados corresponderam aos óbitos ocorridos em crianças de até um ano de idade entre 2006 e 2009, residentes do município de São Paulo, obtidos do Departamento de Informática do Sistema Único de Saúde (DATASUS). A partir dos endereços das crianças que foram a óbito, os dados foram geocodificados por setor censitário pela Fundação SEADE. Como os dados eram anteriores a 2010, a Fundação SEADE utilizou os setores censitários de 2000 como referência. Por meio da extração dos centroides dos setores de 2000 fiz a equivalência com as áreas de ponderação de 2010. Em relação aos dados, é importante destacar que não tive acesso aos endereços das crianças, mas ao setor censitário ao qual pertenciam. Esta informação agregada não viola a confidencialidade dos dados, mesmo que os resultados sejam representados em uma base dasimétrica. As taxas para as áreas de ponderação foram calculadas por padronização indireta no programa SaTScan (KULLDORFF, 2014), considerando-se o sexo como covariável.

Indicadores

14Como indicadores, além da renda foram definidos os seguintes: desigualdade de rendimento, índice socioeconômico (indicador socioeconômico composto) e segregação residencial (índices de concentração nos extremos). Os indicadores e seus cálculos são descritos a seguir e resumidos no Quadro 1.

Quadro 1 - Indicadores, cálculos e fontes dos dados

Nome do indicador

Sigla/acrônimo

Cálculo

Fonte

Renda

Logrenda

Logaritmo do rendimento bruto mensal médio (V6525 da Planilha Pessoas)

microdados do Censo Demográfico (IBGE, 2011)

Índice composto

INDEXSE

Barrozo et al. (2017)

microdados do Censo Demográfico (IBGE, 2011)

Índices de Concentração nos Extremos

ICErenda (80%-20%/T)

ICEcor [(branca-preta)/total]

ICEppi [(branca-PPI)/total]

ICEedu [(ens. Superior - ens. Fund.)/total]

ICErendpr [(branca afluente – preta pobre)/total]

ICErendppi [(branca afluente – PPI pobre)/total]

ICErendbr [(branca afluente – branca pobre)/total]

ICEi=(Ai-Pi)/Ti, onde Ai: número de pessoas do extremo privilegiado; Pi: número de pessoas do extremo menos privilegiado; Ti: total da população.

microdados do Censo Demográfico (IBGE, 2011)

Índice de desigualdade de renda (Gini)

Gini_rend

yi: rendimento domiciliar (V6529 da Planilha Pessoas); n: número de valores não ausentes

microdados do Censo Demográfico (IBGE, 2011)

Renda e desigualdade de rendimento

15A informação de renda como indicador correspondeu ao rendimento bruto mensal em todos os trabalhos (V6525 da planilha Pessoas dos microdados), no mês de julho de 2010.

16A desigualdade de renda tem sido associada com desigualdade nos riscos em saúde. Assim, para verificar o poder explicativo da desigualdade de renda, utilizei o Índice de Gini calculado por área de ponderação a partir dos questionários da amostra dos microdados do Censo de 2010. A variável utilizada foi a V6529 (rendimento domiciliar, domicílio particular, em julho de 2010) da planilha Pessoas. O Índice de Gini varia de 0 a 1. Um valor baixo corresponde a uma distribuição mais igualitária (0 corresponde a igualdade completa), enquanto 1 corresponde à desigualdade completa.

17O coeficiente de Gini local foi calculado segundo a equação (1):

18Onde,

19yi são os dados de entrada (rendimento da pessoa i) organizados em ordem decrescente (yi≤yi + 1)

20n é o número de valores não ausentes no conjunto de dados de entrada

Índice Composto

21O índice socioeconômico composto foi desenvolvido com base na metodologia de Lalloué et al. (2013) que usaram análise de componentes principais para a criação de um indicador composto em três regiões metropolitanas francesas: Lille, Lyon e Marseille. O índice socioeconômico (IndexSE) desenvolvido para São Paulo por BARROZO et al. (2017) tem como referência espacial as áreas de ponderação de 2010. Uma revisão bibliográfica direcionou a escolha das variáveis iniciais com base em seu significado para a finalidade de estudo de desigualdade em saúde. Nesta pesquisa, conceitos teóricos de privação foram usados para auxiliar na definição das variáveis (KRIEGER, WILLIAMS e MOSS, 1997; DUNCAN et al., 2002). As variáveis inicialmente escolhidas entre as disponíveis nos microdados do Censo compreenderam 44, de acordo com os seguintes grupos: renda, pobreza, riqueza, educação, privação material e social, aspectos culturais e mobilidade. Após as análises de componentes principais, o índice resultante compreendeu 27 variáveis cobrindo todos os tópicos definidos inicialmente e explica 75,6% da variância.

Índices de Concentração nos Extremos (polarização ou segregação residencial)

22Outra forma de se medir a desigualdade refere-se aos indicadores de concentração nos extremos, desenvolvido por Massey (1996, 2012), que medem a concentração geográfica simultânea de dois grupos. O Índice de Concentração nos Extremos (ICE) tem sido aplicado mais recentemente em estudos de saúde para avaliar os riscos diferenciados de grupos em relação a alguns desfechos e riscos tais como hipertensão, exposição à poluição do ar, prematuridade e mortalidade infantil (FELDMAN et al., 2015; HUYNH et al., 2017; KRIEGER et al., 2014, 2015; KRIEGER et al., 2017).

23Como uma medida de polarização sócio-espacial, o ICE quantifica os extremos dos grupos privilegiados e com privação em uma métrica única e avalia a extensão da concentração da população em um ou outro grupo.

24Ai: número de pessoas categorizadas como pertencendo ao extremo mais privilegiado;

25Pi: número de pessoas categorizadas como pertencentes ao grupo menos privilegiado;

26Ti: total da população na área estudada.

27Assim, o ICE varia de -1 a +1. Quanto mais próximo de -1 ou de +1, maior a polarização no extremo inferior ou superior. O valor 0 representa, portanto, duas possibilidades: ou nenhum dos residentes está na melhor ou pior categoria ou um número igual de pessoas está na melhor ou pior categorias, em ambos os casos, indica que a área não é dominada por concentrações nos extremos de nenhum dos dois grupos (FELDMAN et al., 2015). Huynh et al. (2017) destacam a vantagem do ICE em relação ao comumente utilizado índice de Gini para desigualdade econômica. O ICE indica direção e permite distinguir entre uma área com extrema concentração de baixa renda versus extrema concentração de alta renda (às quais seriam atribuídos os mesmos valores de índice de Gini).

  • 2 Como referência, em 2010, o salário mínimo era de R$510,00.
  • 3 na equação, o numerador é composto pela subtração entre o número de pessoas cujo rendimento era igu (...)

28Foram calculadas sete diferentes medidas de ICE: (1) ICE para renda, para o qual foram estabelecidos os percentis 20 e 80 do rendimento (variável V6529 da planilha Pessoa dos microdados do Censo de 2010), cujos valores são de R$1.000,002 e R$5.400,00, respectivamente3; (2) ICE para raça, estabelecendo como extremos o número de pessoas autodeclaradas da cor ou raça branca e o número de pessoas autodeclaradas da cor ou raça preta; (3) ICE para raça, estabelecendo como extremos o número de pessoas autodeclaradas da cor ou raça branca e o número de pessoas autodeclaradas da cor ou raça preta, parda ou indígena; (4) ICE para educação, estabelecendo como extremos o número de pessoas acima de 25 anos com nível de educação superior e o número de pessoas acima de 25 anos com nível de educação fundamental ou fundamental incompleto (variável V6400 da planilha Pessoa dos microdados do Censo de 2010); (5) ICE para renda e cor ou raça, estabelecendo como extremos o número de pessoas autodeclaradas da cor ou raça branca cujo rendimento era igual ou superior a R$5.400,00 e o número de pessoas autodeclaradas da cor ou raça preta cujo rendimento era igual ou inferior a R$1.000,00; (6) ICE para renda e cor ou raça, estabelecendo como extremos o número de pessoas autodeclaradas da cor ou raça branca cujo rendimento era igual ou superior a R$5.400,00 e o número de pessoas autodeclaradas da cor ou raça branca cujo rendimento era igual ou inferior a R$1.000,00; (7) ICE para renda e cor ou raça, estabelecendo como extremos o número de pessoas autodeclaradas da cor ou raça branca cujo rendimento era igual ou superior a R$5.400,00 e o número de pessoas autodeclaradas da cor ou raça preta, parda ou indígena cujo rendimento era igual ou inferior a R$1.000,00.

29Os índices de concentração nos extremos, assim como os outros indicadores, foram calculados no programa SPSS v.20.

Identificando o melhor indicador

30O primeiro passo para a geração dos modelos foi a análise exploratória dos dados por meio de histogramas e Box-plots. A variável dependente (mortalidade infantil) foi examinada e apresentou distribuição normal. Todas as variáveis (dependente e independentes) foram avaliadas quanto às premissas dos Modelos de Mínimos Quadrados Ordinários (MQO) (Figueiredo Filho et al., 2011), sem violações. Os modelos foram rodados no programa GeoDaTM (1.12.01, outubro de 2017), seguindo as etapas sugeridas por Anselin (2005).

31O percurso das análises passa pela regressão de Mínimos Quadrados Ordinários e a análise de dependência espacial dos resíduos. Se a dependência espacial ocorrer, a etapa seguinte é verificar se um modelo de regressão espacial global consegue explicar satisfatoriamente as relações estudadas. Os modelos de regressão espacial tentam explicar as relações por meio de uma “média” global para o comportamento estudado, sem considerar a variação local (FOTHERINGHAM, BRUNSDOM e CHARLTON, 2002, p. 25). Neste caso, os resíduos dos modelos não deverão apresentar dependência espacial e outras premissas de normalidade e heteroscedasticidade devem ser respeitadas. Quando estas condições não ocorrem, modelos espaciais locais, tais como os modelos de regressão geograficamente ponderados (Geographically Weighted Regression – GWR) podem melhorar a compreensão das relações, em alguns casos, dramaticamente.

  • 4 AIC = −2L+2K, onde L é a log-verossimilhança e K é o número de parâmetros no modelo (ANSELIN, 2004)(...)

32Os modelos de regressão geograficamente ponderados foram calculados no ArcGIS 10.1, aplicando-se a análise Kernel do tipo “adaptive” e o método de largura de banda AIC (acrônimo de Akaike Information Criterion), a partir do qual o programa encontra o número ótimo de vizinhos. Foram rodados 10 modelos considerando-se os riscos padronizados da mortalidade infantil como variável dependente e cada um dos 10 indicadores como variáveis independentes. Os resultados foram mapeados usando a representação coroplética do risco observado, risco predito, coeficiente da variável independente, R2 local e resíduos padronizados para cada modelo. O coeficiente I de Moran foi calculado para todos os mapas de resíduos padronizados para avaliação da dependência espacial. Os melhores modelos foram considerados com base nos critérios de menor AIC4 e dependência espacial dos resíduos padronizados não significativa.

Compreendendo as relações entre mortalidade infantil e lugar

33 De 2006 a 2009, a taxa média anual de mortalidade infantil foi de 14,14 por mil nascidos vivos. Em termos absolutos, 8.074 crianças foram a óbito. Em termos de distribuição espacial das taxas nas áreas de ponderação, 229 apresentaram taxa estatisticamente não diferente da média do Município, 49 apresentaram baixo risco e 33, risco alto (Figuras 1a e 1b). A distribuição espacial revela locais de alto risco em expressiva área central e nos extremos norte, sul e leste do Município (Figura 1b). Como referência, neste período a taxa de mortalidade do Brasil era de 20,89 por mil nascidos vivos e no mundo todo, 49,4 (variando de 2,16 em Singapura a 116,97, em Serra Leoa) (UNITED NATIONS, 2015).

34Outro estudo em São Paulo já havia mostrado a tendência espacial das taxas para as principais causas de mortalidade para o ano de 1999 para a unidade espacial dos distritos e subdistritos de paz ou distritos administrativos (DRUMOND Jr., 2002). A taxa média de mortalidade infantil do Município era de 16,3 por mil nascidos vivos variando de 5 por mil na melhor condição socioeconômica a 28,6, na pior.

Figura 1 – Distribuição espacial da mortalidade infantil ocorrida entre residentes do Município de São Paulo, de 2006 a 2009, segundo área de ponderação, sobreposta pelo Distrito Administrativo. a) Riscos relativos e, b) Agrupamentos espaciais

Figura 1 – Distribuição espacial da mortalidade infantil ocorrida entre residentes do Município de São Paulo, de 2006 a 2009, segundo área de ponderação, sobreposta pelo Distrito Administrativo. a) Riscos relativos e, b) Agrupamentos espaciais

Fontes: Cartografia: IBGE (2010), Barrozo et al. (2015); Dados de mortalidade: DATASUS; Dados de população: IBGE (2010).

  • 5 Detalhes da busca: ("spatial analysis"[MeSH Terms] OR ("spatial"[All Fields] AND "analysis"[All Fie (...)
  • 6 Detalhes da busca: “análise espacial AND mortalidade infantil AND Brasil”, em 1º de janeiro de 2018

35A busca de artigos indexados usando as palavras “spatial analysis infant mortality brazil” retornou 48 artigos indexados na base PUBMED5. As causas de mortalidade infantil abrangeram um espectro amplo, incluindo: tuberculose, helmintíase, leishmaniose visceral, neurocisticercose, hanseníase, homicídios, diarreia e mal formação congênita. As escalas de análise variaram de estado, região a município. Na busca realizada na base SciELO6 foram encontrados apenas cinco artigos: um no Município do Rio de Janeiro (d’ORSI e CARVALHO, 1998), um em Porto Alegre (SHIMAKURA et al., 2001), identificação de áreas de risco no Município de Goiânia (NETO et al., 2001), sobre o padrão espacial em Belo Horizonte (MALTA et al., 2001) e sobre as relações com condições de vida em Salvador (COSTA et al., 2001). Entre os artigos sobre o tema destaca-se o de Szwarcwald, Andrade e Bastos (2002) que avaliaram o efeito da concentração residencial da pobreza na mortalidade infantil no município do Rio de Janeiro. Os autores concluíram que propriedades do ambiente residencial contextualmente influenciavam a saúde. No entanto, a abordagem adotada calcula a relação por meio do coeficiente de Pearson de forma global sem considerar a heterogeneidade espacial nas correlações e o espaço não é incluído de forma explícita. Pela possível contribuição de estudos neste tema à compreensão do papel do lugar, à gestão da qualidade dos serviços de saúde e das condições socioeconômicas da população vulnerável, ainda existem muitas lacunas a serem preenchidas a partir de uma abordagem espacial.

36O presente estudo não permite inferir relações causais. Contudo, seu delineamento admite a verificação do papel do lugar na explicação dos padrões espaciais da mortalidade estudada. A segregação por renda e cor ou raça preta, parda e indígena (ICErendppi) é o indicador que melhor explica a mortalidade infantil em São Paulo entre os outros indicadores analisados (Tabela 1). Uma diferença de três pontos entre AICs entre modelos de regressão já permite afirmar que o modelo com a pontuação menor é o mais explicativo (ANSELIN, 2005). O coeficiente I de Moran para os resíduos deste modelo geograficamente ponderado não é estatisticamente significativo (p=0,15), indicando que não existem resíduos espaciais que ainda precisam ser explicados. Para mortalidade infantil a segregação por renda e cor ou raça explica cerca de 40% da variabilidade espacial do risco no município.

37E a renda como indicador? O indicador renda (seu log foi utilizado) apresentou resíduos com padrão espacial significativo, indicando que não consegue explicar completamente a variabilidade espacial da mortalidade infantil. Ainda falta algum componente espacial a ser incorporado. O IndexSE tem um desempenho muito superior, apesar da sua alta correlação com a renda. O R2 da renda foi de 0,24 (AIC 108,68) e resíduos com dependência espacial. O IndexSE teve R2 de 0,36 (AIC 72,91) sem dependência espacial nos resíduos. Sem sombra de dúvida, o ICErendppi é o indicador mais explicativo (R2 = 0,39, AIC = 59,28) sem dependência espacial nos resíduos e AIC muito inferior aos demais. Assim, usar a renda para explicar a variabilidade espacial da mortalidade infantil implicaria em simplificação considerável.

Tabela 1 – Risco relativo de mortalidade infantil: resultados dos modelos de Mínimos Quadrados Ordinários (OLS) e modelos de regressão geograficamente ponderados (GWR) – valores de R2 global ajustado, coeficiente β, valor de p para o modelo OLS, valor de Akaike Criterion Information (AIC), coeficiente I de Moran para os resíduos padronizados e significância do coeficiente I (valor p).

Tabela 1 – Risco relativo de mortalidade infantil: resultados dos modelos de Mínimos Quadrados Ordinários (OLS) e modelos de regressão geograficamente ponderados (GWR) – valores de R2 global ajustado, coeficiente β, valor de p para o modelo OLS, valor de Akaike Criterion Information (AIC), coeficiente I de Moran para os resíduos padronizados e significância do coeficiente I (valor p).

Logrenda: logaritmo do rendimento médio mensal; INDEXSE: indicador socioeconômico composto; ICErenda: índice de concentração nos extremos por renda; ICEcor: índice de concentração nos extremos por cor ou raça; ICEppi: índice de concentração nos extremos por cor ou raça branca sobre cor ou raça preta, parda e indígena; ICEedu: índice de concentração nos extremos por educação (nível superior sobre nível fundamental completo ou incompleto); ICErendpr: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas pretas pobres); ICErendppi: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas pretas, pardas e indígenas pobres); ICErendbr: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas brancas pobres); Gini_rend: Índice de Gini do rendimento domiciliar.

38A segregação residencial econômico-racial para mortalidade infantil atua em dois sentidos contrários. A segregação da população branca rica tem relação com o menor risco de mortalidade infantil (coeficientes negativos em tons azuis na Figura 2c) e a segregação da população PPI pobre tem relação com o aumento do risco (coeficientes positivos em tons de laranja na Figura 2c) nos extremos sul e leste, menos no norte.

39O agrupamento do centro histórico do município pode ter raízes em condições de moradias precárias e insalubres, como cortiços e prédios ocupados, e a vulnerabilidade socioeconômica de grupos de imigrantes, como os vindos da Bolívia, moradores da área conhecida como Cracolândia e outros grupos.

40Wilkinson e Pickett (2006) conduziram uma revisão de 155 estudos sobre a associação entre distribuição de renda e saúde. Os estudos foram classificados segundo suporte que davam à hipótese de que maiores diferenças de renda estavam associadas com padrões mais baixos de saúde. A grande maioria dos estudos (70%) sugeria que a saúde era pior em sociedades onde as diferenças de renda eram maiores. Para Wilkinson e Pickett (2006), os estudos realizados em áreas grandes (internacionais ou regionais em um país) eram mais favoráveis à hipótese porque a desigualdade de renda neste contexto serviria como uma medida da escala da estratificação social ou de sua hierarquia. Em áreas pequenas, a desigualdade de renda seria afetada pelo grau de segregação residencial dos ricos e pobres. A saúde das pessoas em bairros com privação seria pior não por causa da desigualdade dentro do bairro, mas porque estas pessoas estariam segregadas em relação à sociedade. Neste sentido, os resultados do presente estudo em relação à medida de desigualdade contribui para a compreensão de que a desigualdade de renda que ocorre no nível das áreas de ponderação (pequenas áreas) explica pouco a mortalidade estudada (R2=0,22, AIC = 131,07). Não é a desigualdade de renda dentro da área de ponderação a melhor variável explicativa em São Paulo, mas a concentração de renda associada à cor ou raça, como já foi mencionado. A componente cor ou raça é imprescindível nesse caso.

Figura 2 – Resultados do modelo de regressão geograficamente ponderado para mortalidade infantil: a) risco relativo observado, b) valores preditos do risco relativo, c) coeficientes da variável explanatória (ICErendppi), d) valores do R2 local do modelo e, e) resíduos padronizados e teste de dependência espacial (I de Moran).

Figura 2 – Resultados do modelo de regressão geograficamente ponderado para mortalidade infantil: a) risco relativo observado, b) valores preditos do risco relativo, c) coeficientes da variável explanatória (ICErendppi), d) valores do R2 local do modelo e, e) resíduos padronizados e teste de dependência espacial (I de Moran).

Fontes: Cartografia: IBGE (2010); Dados de cor ou raça e renda: IBGE (2010).

41Em geral, os lugares de melhores condições de infraestrutura e acesso aos serviços de saúde podem trazer benefício à saúde de populações mais vulneráveis. Não é o que se observa no centro histórico de São Paulo em relação à mortalidade infantil. O agrupamento espacial de alto risco contesta a relativa vantagem de grupos vulneráveis ao residirem em áreas com infraestrutura consolidada, melhores oportunidades de emprego ou trabalho informal e indicadores socioeconômicos relativamente satisfatórios. Ainda em termos especulativos, pois não tive acesso aos dados individuais de mortalidade e estes não apresentam detalhes importantes sobre as condições socioeconômicas de quem foi a óbito, a provável grande privação de indivíduos que habitam o centro de São Paulo parece não lhes permitir auferir as vantagens potenciais que o lugar oferece em relação aos bairros periféricos. Neste caso, a privação absoluta atual (baixos rendimentos e condições inadequadas de moradia) aliada à privação de toda uma vida subjugariam os benefícios do efeito do lugar. A questão central dessas populações vulneráveis parece ser a da sobrevivência.

42Segundo Allik et al. (2016) as medidas de censos demográficos são as melhores para serem usadas por permitirem comparações entre países e ao longo do tempo. Para São Paulo, o indicador desenvolvido não aponta apenas a privação material. Ele contempla um panorama mais amplo que inclui os sete grupos pretendidos, como descrito na metodologia.

43Recente estudo conduzido no estado de Massachussets, Estados Unidos da América, analisou os latrocínios e assaltos não fatais em duas escalas de agregação para verificar se medidas locais permitiriam observar associações mais fortes com a segregação residencial (KRIEGER et al., 2017). Os resultados obtidos permitiram concluir que estudos sobre segregação e saúde devem usar medidas locais e incluir a segregação econômico-racial para evitar a subestimação do impacto adverso da segregação na saúde. A combinação entre dados de cor ou raça e renda, em geral, permite detectar gradientes sociais mais nítidos do que os obtidos por taxa de pobreza e concentração de renda apenas. Resultados semelhantes foram encontrados em Boston e Nova Iorque. O presente estudo conduzido em São Paulo parece trazer contribuição às relações entre segregação e saúde para as grandes cidades latino-americanas. Assim como observado por Krieger et al. (2017), estudos como estes permitem o questionamento sobre a representatividade política das minorias desfavorecidas socialmente na esfera local.

  • 7 SABATINI, F.; CÁCERES, G.; CERDA, J. Segregación residencial en las grandes ciudades chilenas, 1970 (...)

44A utilização do ICE para renda combinado com a raça ou cor permitiu verificar associação mais forte com a mortalidade estudada do que a renda ou raça ou cor separadamente, assim como o observado por Feldman et al. (2015, p. 1203) nos Estados Unidos, ao estudarem hipertensão. Para Sabatini (2006), segregação residencial seria um fenômeno e não um problema em si. Durante o processo de assimilação em uma cidade multiétnica, a segregação apresenta também um lado positivo na formação da identidade social. A confiança é um importante capital social com um forte conteúdo comunitário. Mesmo nas cidades latino-americanas, onde a segregação residencial relaciona-se mais à questão socioeconômica do que à racial em comparação à norte-americana, as pessoas procuram morar próximas a outras pessoas com as quais compartilham identidades culturais. Por outro lado, a segregação residencial se tornaria negativa quando excede “a escala de alcance a pé” e limitaria as opções de interação física entre classes sociais, levando à desintegração dos pobres. Esta segregação não seria voluntária, pois esta classe seria excluída de certos bairros e áreas da cidade. Quando há concentração de bairros pobres circundados por bairros pobres atingindo uma vasta área geográfica potencializam as consequências negativas da pobreza. Os problemas sociais decorrentes incluiriam baixo desempenho escolar, desemprego, gravidez na adolescência e casas de pessoas jovens que não trabalham ou estudam e mais vulneráveis a cair em problemas de dependência de drogas e delinquência, como observado em cidades chilenas por Sabatini et al.7 (2001 apud SABATINI, 2006). É neste ponto que a segregação residencial atua de forma muito negativa no município de São Paulo, onde o mesmo panorama pode ser observado. Segundo Moraes e Costa (1987) a segregação espacial é desencadeada por mecanismos de valorização do solo urbano e de autossegregação, produzindo fortes diferenciais intraurbanos marcados por desigualdades sociais. Adicionalmente, a segregação intensifica efeitos psicossociais que envolvem insegurança, ansiedade, isolamento social, ambientes socialmente perigosos, bulliyng e depressão que afetam a saúde (MARMOT, 2001). A violência relacionada à segregação em São Paulo e outras cidades capitais de Regiões Metropolitanas brasileiras tem levado a uma situação generalizada de insegurança e seus efeitos psicossociais a toda população.

45O programa de transferência de renda com a obrigatoriedade de matrícula de crianças na escola (Bolsa Família) tem se mostrado efetivo para a redução da pobreza e consequente melhora da saúde, por meio da redução da desigualdade. Rasella et al. (2013) observaram que a taxa de mortalidade global entre menores de cinco anos e as taxas por causas relacionadas à pobreza, tais como diarreia e desnutrição, diminuíram à medida que a cobertura do Programa Bolsa Família aumentou no Brasil, considerando o período de 2004 a 2009, em escala municipal. Nery et al. (2014) constataram redução da taxa de detecção da hanseníase no Brasil no período de 2004 a 2011 associada com o aumento da cobertura do Programa Bolsa Família, ao mesmo tempo em que o Programa Saúde da Família demonstrou eficiência em detectar novos casos da doença. Evidências na redução da incidência de tuberculose também foram encontradas por Nery et al. (2017).

Considerações finais

46A busca por equidade na saúde das populações em países de grandes disparidades socioeconômicas é um desafio permanente que deve ser perseguido a partir de sólidas evidências empíricas. Os resultados encontrados aqui permitem evidenciar injustiças espaciais na mortalidade infantil. No entanto, não avaliei diretamente a qualidade do lugar em relação à distribuição e qualidade dos serviços de saúde. Estes estão diretamente ligados ao atendimento aos partos, cujas complicações constituem importante causa de mortalidade neonatal.

47As evidências robustas sobre os determinantes sociais que atuam localmente podem auxiliar na implementação de intervenções que contribuam para a ruptura dos mecanismos biológicos causadores da situação de doença. Também permitem verificar que os riscos da mortalidade estudada são diferentes no município de São Paulo, não sendo possível uma explicação global, não sendo possível uma explicação global, já que a configuração dos lugares gera processos que atuam localmente. Há uma heterogeneidade na periferia que foi captada localmente. No entanto, o delineamento deste estudo não possibilita a compreensão se o lugar é o determinante do diferencial de mortalidade infantil ou se é a exclusão social que leva à segregação de determinados grupos sociais em locais insalubres, com pouco acesso aos serviços de saúde.

48Vale destacar que a utilização de modelos geograficamente ponderados é inovadora para identificar o indicador mais explicativo tanto na literatura geográfica quanto na epidemiológica. Para além da mortalidade infantil, o delineamento de estudo adotado permite avaliar a importância local do contexto socioeconômico nos desfechos em saúde para subsidiar políticas públicas potencialmente redutoras de desigualdades.

49O indicador socioeconômico proposto deverá ser aprimorado em função dos resultados aqui obtidos com a inclusão de variáveis de segregação residencial (ICEs) e desigualdade de rendimento (Índice de Gini). Trabalho futuro deverá avaliar as dimensões do acesso e qualidade dos serviços de saúde e da violência urbana, o que permitirá verificar a contribuição local destes indicadores, de forma independente e conjunta.

50À Fundação SEADE (Fundação Sistema Estadual de Análise de Dados) pela disponibilidade dos dados de mortalidade. A Wellington Araújo Nogueira, analista de dados (Big Data Analytics) e Maíra Coube Salmen, do Hospital Israelita Albert Einstein, por viabilizarem o cálculo do Índice de Gini por área de ponderação. Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), processo número 301550/2017-4.

Haut de page

Bibliographie

Anselin, L. Exploring spatial data with GeoDaTM: a workbookUrbana, 2004. . Disponível em: <http://www2.geog.ucl.ac.uk/~jessletzbichler/GEOG2003/geodaworkbook.pdf>. Acesso em: 25 jan. 2012.

Anselin, L. Spatial Regression Analysis in R A WorkbookUrbana, 2005. . Disponível em: <http://www.drs.wisc.edu/documents/articles/curtis/cesoc977-11/W15_Anselin2007.pdf>. Acesso em: 25 jan. 2012.

Barrozo, L. V.; André, C. D. S.; Rodrigues, G. P.; Cabral-Miranda, W. Development of a new socioeconomic index for health research in Brazil: first approach. In: 14th International Conference on Urban Health: the New Urban Agenda and Sustainable Development Goals, Coimbra. Anais... Coimbra: 2017.

Barrozo, L. V.; Pérez-Machado, R. P.; Small, C.; Cabral-Miranda, W. Changing spatial perception: dasymetric mapping to improve analysis of health outcomes in a megacity. Journal of Maps, v. 5647, n. October, p. 1–6, 22 out. 2015. Disponível em: <http://www.tandfonline.com/doi/full/10.1080/17445647.2015.1101403>.

Barrozo, L. V.; Miranda, M. J. Geografia da mortalidade em São Paulo. In: Saldiva, P. et al. (Ed.). Meio Ambiente e Saúde: o Desafio das Metrópoles. São Paulo: Ex-Libris Comunicação Integrada, 2010. p. 172–185.

Briggs, D.; Gulliver,J.; Fecht, D.; Vienneau, D. M. Dasymetric modelling of small-area population distribution using land cover and light emissions data. Remote Sensing of Environment, v. 108, n. 4, p. 451-466.

Costa, M. Da C. N.; Azi, P. De A.; Paim, J. S.; Silva, L. M. V. da. Mortalidade infantil e condições de vida: a reprodução das desigualdades sociais em saúde na década de 90. Cadernos de Saúde Pública, v. 17, n. 3, p. 555–567, jun. 2001. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-311X2001000300011&lng=pt&tlng=pt>.

D’Orsi, E.; Carvalho, M. S. Perfil de nascimentos no Município do Rio de Janeiro: uma análise espacial. Cadernos de Saúde Pública, v. 14, n. 2, p. 367–379, abr. 1998. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-311X1998000200013&lng=pt&tlng=pt>.

Drumond Jr., M. Vida e Morte em São Paulo. São Paulo: Ed. Brasiliense, 2002.

Duncan, G. J.; Daly, M. C.; Mcdonough, P.; Williams, D. R. Optimal Indicators of Socioeconomic Status for Health Research. American Journal of Public Health, v. 92, n. 7, p. 1151–1157, 2002.

Feldman, J. M.; Waterman, P. D.; Coull, B. A.; Krieger, N. Spatial social polarisation: using the Index of Concentration at the Extremes jointly for income and race/ethnicity to analyse risk of hypertension. Journal of Epidemiology and Community Health, v. 69, n. 12, p. 1199–1207, dez. 2015. Disponível em: <http://jech.bmj.com/lookup/doi/10.1136/jech-2015-205728>.

Ferreira, M. C. Iniciação à análise geoespacial. São Paulo: Editora UNESP, 2014.

Fotheringham, A. S.; Brunsdom, C.; Charlton, M. Geographically Weighted Regression: the analysis of spatially varying relationships. West Sussex: John Wiley & Sons Ltd., 2002.

Hancock, J. R. Os gráficos que mostram o avanço espetacular da humanidade nos últimos dois séculos. El País, 2018. Disponível em: <https://brasil.elpais.com/brasil/2018/01/23/actualidad/1516705169_487110.html>.

Huynh, M.; Spasojevic, J.; Li, W.; Maduro, G.; Van Wye, G.; Waterman, P. D.; Krieger, N. Spatial social polarization and birth outcomes: preterm birth and infant mortality – New York City, 2010–14. Scandinavian Journal of Public Health, p. 1–10, 6 abr. 2017. Disponível em: <http://journals.sagepub.com/doi/10.1177/1403494817701566>.

Instituto Brasileiro de Geografia e Estatística. Base de informações do Censo Demográfico 2010: Resultados do Universo por Setor Censitário. Rio de Janeiro, RJ: Centro de Documentação e Disseminação de Informações, 2011.

Instituto Brasileiro de Geografia e Estatística. Notas metodológicas do Censo Demográfico 2010. Rio de Janeiro, RJ: Centro de Documentação e Disseminação de Informações, 2010.

Krieger, N.; Feldman, J. M.; Waterman, P. D.; Chen, J. T.; Coull, B. A.; Hemenway, D. Local Residential Segregation Matters: Stronger Association of Census Tract Compared to Conventional City-Level Measures with Fatal and Non-Fatal Assaults (Total and Firearm Related), Using the Index of Concentration at the Extremes (ICE) for Racial, Econ. Journal of Urban Health, v. 94, n. 2, p. 244–258, 27 abr. 2017. Disponível em: <http://link.springer.com/10.1007/s11524-016-0116-z>.

Krieger, N.; Waterman, P. D.; Gryparis, A.; Coull, B. A. Black carbon exposure more strongly associated with census tract poverty compared to household income among US black, white, and Latino working class adults in Boston, MA (2003–2010). Environmental Pollution, v. 190, p. 36–42, jul. 2014. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0269749114001067>.

Krieger, N.; Waterman, P. D.; Gryparis, A.; Coull, B. A. Black carbon exposure, socioeconomic and racial/ethnic spatial polarization, and the Index of Concentration at the Extremes (ICE). Health & Place, v. 34, p. 215–228, jul. 2015. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S135382921500074X>.

Krieger, N.; Williams, D. R.; Moss, N. E. Measuring social class in US public health research: concepts, methodologies, and guidelines. Annu Rev Public Health, v. 18, p. 341–378, 1997.

Kulldorff, M. SaTScan User Guide for version 9.3. 2014. Disponível em: <http://www.satscan.org/>.

Lalloué, B.; Monnez, J.-M.; Padilla, C.; Kihal, W.; Le Meur, N.; Zmirou-Navier, D.; Deguen, S. A statistical procedure to create a neighborhood socioeconomic index for health inequalities analysis. International Journal for Equity in Health, v. 12, n. 21, p. 1–11, 2013.

Malta, D. C.; Almeida, M. C. De M.; Dias, M. A. De S.; Merhy, E. E. A mortalidade infantil em Belo Horizonte, Minas Gerais, Brasil, por área de abrangência dos Centros de Saúde (1994-1996). Cadernos de Saúde Pública, v. 17, n. 5, p. 1189–1198, out. 2001. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-311X2001000500019&lng=pt&tlng=pt>.

Marmot, M. Psychosocial and material pathways in the relation between income and health: a response to Lynch et al. BMJ, v. 322, n. 7296, p. 1233–1236, 19 maio 2001. Disponível em: <http://www.bmj.com/cgi/doi/10.1136/bmj.322.7296.1233>.

Marmot, M. Social determinants of health inequalities. The Lancet, v. 365, n. 19, p. 1099–1104, 2005.

Marmot, M. Brazil: rapid progress and the challenge of inequality. International Journal for Equity in Health, v. 15, n. 1, p. 177, 17 dez. 2016. Disponível em: <http://equityhealthj.biomedcentral.com/articles/10.1186/s12939-016-0465-y>.

Marmot, M. Achieving health equity: from root causes to fair outcomes. The Lancet, v.370, n. 9593, p. 1153-1163, 2007. https://doi.org/10.1016/S0140-6736(07)61385-3

Marmot, M. The Health Gap: The Challenge of an Unequal World: the argument. International Journal of Epidemiology, v. 46, n. 4, p. 1312–1318, 1 ago. 2017. Disponível em: <http://academic.oup.com/ije/article/46/4/1312/4102087/The-Health-Gap-The-Challenge-of-an-Unequal-World>.

Massey, D. S. The age of extremes: concentrated affluence and poverty in the twenty-first century. Demography, v. 33, p. 395–412, 1996.

Massey, D. S. Reflections on the dimensions of segregation. Social Forces, v. 91, p. 39–43, 2012.

Medronho, R. A., Bloch, K. V., Luiz, R. R., & Werneck, G. L. Epidemiologia. 2ª. Ed. São Paulo: Atheneu, 2009.

Moraes, A. C. R.; Costa, W. M. Geografia e crítica: a valorização do espacço. 2ed. ed. São Paulo: Hucitec, 1987.

Nery, J. S.; Pereira, S. M.; Rasella, D.; Penna, M. L. F.; Aquino, R.; Rodrigues, L. C.; Barreto, M. L.; Penna, G. O. Effect of the Brazilian Conditional Cash Transfer and Primary Health Care Programs on the New Case Detection Rate of Leprosy. PLoS Neglected Tropical Diseases, v. 8, n. 11, p. e3357, 20 nov. 2014. Disponível em: <http://dx.plos.org/10.1371/journal.pntd.0003357>.

Nery, J. S.; Rodrigues, L. C.; Rasella, D.; Aquino, R.; Barreira, D.; Torrens, A. W.; Boccia, D.; Penna, G. O.; Penna, M. L. F.; Barreto, M. L.; Pereira, S. M. Effect of Brazil’s conditional cash transfer programme on tuberculosis incidence. The International Journal of Tuberculosis and Lung Disease, v. 21, n. 7, p. 790–796, 1 jul. 2017. Disponível em: <http://www.ingentaconnect.com/content/10.5588/ijtld.16.0599>.

Neto, O. L.; Barros, M. B.; Martelli, C. M.; Silva, S. A.; Cavenaghi, S. M.; Siqueira, J. B. J. [Differential patterns of neonatal and post-neonatal mortality rates in Goiania, Brazil, 1992-1996: use of spatial analysis to identify high-risk areas]. Cadernos de Saúde Pública, v. 17, n. 5, p. 1241–1250, 2001.

Pickle, L. W. A history and critique of U.S. mortality atlases. Spatial and Spatio-temporal Epidemiology, v. 1, n. 1, p. 3–17, out. 2009. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S1877584509000057>. Acesso em: 24 set. 2011.

Rasella, D.; Aquino, R.; Santos, C. A. T.; Paes-Sousa, R.; Barreto, M. L. Effect of a conditional cash transfer programme on childhood mortality: a nationwide analysis of Brazilian municipalities. The Lancet, v. 382, n. 9886, p. 57–64, jul. 2013. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0140673613607151>.

Sabatini, F. The Social Spatial Segregation in the Cities of Latin America. [s.l: s.n.].

Secretaria do Verde e do Meio Ambiente de São Paulo. O Verde, o Território, o Ser Humano: diagnóstico e bases para a definição de Políticas Públicas para as Áreas Verdes no Município de São Paulo. [s.l: s.n.].

Shimakura, S. E.; Carvalho, M. S.; Aerts, D. R. G. C.; Flores, R. Distribuição espacial do risco: modelagem da mortalidade infantil em Porto Alegre, Rio Grande do Sul, Brasil. Cadernos de Saúde Pública, v. 17, n. 5, p. 1251–1261, out. 2001. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-311X2001000500025&lng=pt&tlng=pt>.

Szwarcwald, C. L.; Andrade, C. L. T. De; Bastos, F. I. Income Inequality, Residential Poverty Clustering and Infant Mortality: A Study in Rio de Janeiro, Brazil. Social Science & Medicine (1982), v. 55, n. 12, p. 2083–2092, dez. 2002.

United Nations. World Population Prospects: the 2015 Revision. [s.l: s.n.].

University of Oxford. Max Roser. Disponível em: <http://www.ox.ac.uk/research/research-in-conversation/our-place-world/max-roser>. Acesso em: 28 jan. 2018.

Wilkinson, R. G.; Pickett, K. E. Income inequality and population health: a review and explanation of the evidence. Social Science & Medicine (1982), v. 62, n. 7, p. 1768–84, abr. 2006. Disponível em: <http://www.ncbi.nlm.nih.gov/pubmed/16226363>. Acesso em: 20 jul. 2011.

Yule, G. U.; Kendall, M. G. An introduction to the Theory of Statistics. London: Griffin, 1950.

Haut de page

Notes

1 YULE, G. U.; KENDALL, M. G. An introduction to the Theory of Statistics. London: Griffin, 1950.

2 Como referência, em 2010, o salário mínimo era de R$510,00.

3 na equação, o numerador é composto pela subtração entre o número de pessoas cujo rendimento era igual ou superior a R$5.400,00 e o número de pessoas cujo rendimento era igual ou inferior a R$1.000,00, dividido pelo total de pessoas que responderam ao questionário em cada área.

4 AIC = −2L+2K, onde L é a log-verossimilhança e K é o número de parâmetros no modelo (ANSELIN, 2004).

5 Detalhes da busca: ("spatial analysis"[MeSH Terms] OR ("spatial"[All Fields] AND "analysis"[All Fields]) OR "spatial analysis"[All Fields]) AND ("infant mortality"[MeSH Terms] OR ("infant"[All Fields] AND "mortality"[All Fields]) OR "infant mortality"[All Fields]) AND ("brazil"[MeSH Terms] OR "brazil"[All Fields]), em 29 de dezembro de 2017.

6 Detalhes da busca: “análise espacial AND mortalidade infantil AND Brasil”, em 1º de janeiro de 2018.

7 SABATINI, F.; CÁCERES, G.; CERDA, J. Segregación residencial en las grandes ciudades chilenas, 1970-1992: Concepción y Valparaíso. Santiago: Mideplan, 2001.

Haut de page

Table des illustrations

URL http://journals.openedition.org/confins/docannexe/image/15010/img-1.png
Fichier image/png, 1,4k
URL http://journals.openedition.org/confins/docannexe/image/15010/img-2.png
Fichier image/png, 2,5k
URL http://journals.openedition.org/confins/docannexe/image/15010/img-3.png
Fichier image/png, 1,3k
Titre Figura 1 – Distribuição espacial da mortalidade infantil ocorrida entre residentes do Município de São Paulo, de 2006 a 2009, segundo área de ponderação, sobreposta pelo Distrito Administrativo. a) Riscos relativos e, b) Agrupamentos espaciais
Crédits Fontes: Cartografia: IBGE (2010), Barrozo et al. (2015); Dados de mortalidade: DATASUS; Dados de população: IBGE (2010).
URL http://journals.openedition.org/confins/docannexe/image/15010/img-4.jpg
Fichier image/jpeg, 340k
Titre Tabela 1 – Risco relativo de mortalidade infantil: resultados dos modelos de Mínimos Quadrados Ordinários (OLS) e modelos de regressão geograficamente ponderados (GWR) – valores de R2 global ajustado, coeficiente β, valor de p para o modelo OLS, valor de Akaike Criterion Information (AIC), coeficiente I de Moran para os resíduos padronizados e significância do coeficiente I (valor p).
Légende Logrenda: logaritmo do rendimento médio mensal; INDEXSE: indicador socioeconômico composto; ICErenda: índice de concentração nos extremos por renda; ICEcor: índice de concentração nos extremos por cor ou raça; ICEppi: índice de concentração nos extremos por cor ou raça branca sobre cor ou raça preta, parda e indígena; ICEedu: índice de concentração nos extremos por educação (nível superior sobre nível fundamental completo ou incompleto); ICErendpr: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas pretas pobres); ICErendppi: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas pretas, pardas e indígenas pobres); ICErendbr: índice de concentração nos extremos por renda e cor (pessoas brancas ricas sobre pessoas brancas pobres); Gini_rend: Índice de Gini do rendimento domiciliar.
URL http://journals.openedition.org/confins/docannexe/image/15010/img-5.png
Fichier image/png, 24k
Titre Figura 2 – Resultados do modelo de regressão geograficamente ponderado para mortalidade infantil: a) risco relativo observado, b) valores preditos do risco relativo, c) coeficientes da variável explanatória (ICErendppi), d) valores do R2 local do modelo e, e) resíduos padronizados e teste de dependência espacial (I de Moran).
Crédits Fontes: Cartografia: IBGE (2010); Dados de cor ou raça e renda: IBGE (2010).
URL http://journals.openedition.org/confins/docannexe/image/15010/img-6.jpg
Fichier image/jpeg, 384k
Haut de page

Pour citer cet article

Référence électronique

Ligia Vizeu Barrozo, « Desigualdades na mortalidade infantil no Município de São Paulo: em busca do melhor indicador », Confins [En ligne], 37 | 2018, mis en ligne le 03 octobre 2018, consulté le 11 décembre 2018. URL : http://journals.openedition.org/confins/15010 ; DOI : 10.4000/confins.15010

Haut de page

Auteur

Ligia Vizeu Barrozo

Departamento de Geografia, Universidade de São Paulo (USP), lija@usp.br

Articles du même auteur

Haut de page

Droits d’auteur

Licence Creative Commons
Confins – Revue franco-brésilienne de géographie est mis à disposition selon les termes de la licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.

Haut de page
  • Logo Revue soutenue par l’Institut des sciences humaines et sociales du CNRS
  • Logo DOAJ - Directory of Open Access Journals
  • Logo Index Latindex
  • Logo IHEAL (Institut des Hautes Études de l'Amérique Latine)
  • Logo CREDA (Centre de recherche et de Documentation sur les Amériques)
  • Logo USP (Universidade de São Paulo)
  • OpenEdition Journals