APPLICATION OF THE ENVIRONMENTAL HEALTH INDICATOR (EHI) IN 208 MUNICIPALITIES IN MINEIROS
REGISTRO DOI: 10.5281/zenodo.8256220
Wesley Elieser Armindo Leal¹
Márcio José Catalunha²
Resumo
Este trabalho diagnosticou as condições de salubridade ambiental de 208 municípios mineiros entre os anos de 2015/2020. Para o diagnóstico, utilizou-se o Indicador de Salubridade Ambiental (ISA), criado no ano de 1999 pelo Conselho Estadual de Saneamento – CONESAN – do Estado de São Paulo. Desde sua criação, o ISA vem se mostrando apto a revelar as condições da saúde ambiental urbana, que se expressam e se modificam por meio dos circundantes fatores ambientais, econômicos e sociais. Para a realização dos cálculos, foi elaborado um algoritmo em linguagem computacional Dart. O desenvolvimento do algoritmo se deu em CLI – Command Line Interface, sem interface, via pixels, que, ao final, realizou quase 200 mil iterações, demonstrando, assim, extrema viabilidade e capacidade de processamento de informações para centenas de municípios simultaneamente. Os resultados do ISA foram submetidos às seguintes metodologias estatísticas: Teste de Correlação Cofenética, Método de Elbow e Dendrograma. O enfoque neste caso, foi o de realizar o agrupamento de clusters com os municípios que possuem alta similaridade e dissimilaridade. Também foram extraídos e apontados os níveis de salubridade anual. Foram constatados o crescimento qualitativo de 8,92% e quantitativo de 27% na faixa de média salubridade ao fim do último ano investigado. Os resultados ainda forneceram evidências de que os municípios mineiros foram menos salubres do que os paulistas em razão de 2 setores: água e esgoto. A escala de resultados apresentados se reveste de enorme relevância, seja para dar conhecimento à população dos municípios acerca dos níveis de salubridade vivenciados, bem como amparar projetos dedicados a maximizar a salubridade ambiental municipal.
Palavras-chave: Salubridade Ambiental. Saneamento. Saúde Urbana.
1. INTRODUÇÃO
A conceituação simultânea entre a salubridade ambiental, compreendida por ser a qualidade ambiental como resultado de condições adequadas de saúde de uma localidade (CONESAN, 1999), e o saneamento básico, que envolve o conjunto de medidas estruturais à promoção da saúde populacional (TRATA BRASIL, 2012), pode ser definida como consistente na qualidade de vida que determinada população usufrui como corolário das ofertas de serviços e estruturas de saneamento conjugadas às condições mesológicas e socioeconômicas. A partir tais conceitos e dessa definição, embora, nas últimas décadas, se constate certa progressão em direção a um estado salubre no Brasil, grande parte dos municípios permanece marcado pelo subdesenvolvimento sanitário (LOBO, 2016).
Os dados disponibilizados pelo Sistema Nacional de Informações sobre Saneamento (SNIS) apontam que em 2020 foram mais de 35 milhões de pessoas sem abastecimento de água tratada e 100 milhões sem acesso à coleta de esgoto (SNIS, 2020). Corrobora ainda o levantamento do Instituto Trata Brasil no ano de 2020 em que vincula 167 mil internações e 1898 mortes provocadas por doenças relacionadas à falta de saneamento ambiental adequado. Doenças entéricas e intoxicações alimentares foram os principais problemas de saúde causados pela ineficácia/inexistência do saneamento (DATASUS, 2021).
Tais dados ganham ainda maior relevância diante da inexistência de Plano Municipal de Saneamento Básico (PMSB). Em Minas Gerais, 54% dos municípios declararam ao SNIS no ano de 2020 não possuir o instrumento, desconhecendo assim suas reais condições sanitárias, epidemiológicas, ambientais e socioeconômicas, os quais seriam esclarecidos com a presença do PMSB.
Diante de cenários onde os diagnósticos inexistem ao predomínio do desconhecimento efetivo dos níveis de saneamento e da rede de determinantes conexos, tais como: saúde, educação, emprego e renda, bem como dos impactos causados na vida do cidadão e das causas das deficiências, a investigação diagnóstica da salubridade ambiental torna-se fundamental.
À vista disso, diversos indicadores têm sido desenvolvidos para quantificar a oferta de serviços públicos que somatizam a salubridade ambiental no quadro municipal. Mitchell (1996) explica que um indicador tem a função de obter informações acerca de um fato, sintetizá-lo, objetivando a demonstração da essência da realidade. Ou seja, os indicadores se prestam a descortinar a visão do todo, e com a comprovação de um fato, oferecer condições para que a realidade seja modificada a partir de metas e objetivos.
Para tanto, o Indicador de Salubridade Ambiental – ISA, tem se apresentado, desde de a sua concepção em 1999 (CONESAN,1999), como um instrumento sofisticado e orientado a proporcionar análise detalhada e integral do ambiente, em especial das condições da saúde urbana. Isso por que as variáveis intrínsecas ao ISA alcançam aspectos do cotidiano urbano das pessoas, que, com frequência e em virtude das modificações dos aspectos econômico-sociais podem reduzir a promoção do binômio saúde/qualidade de vida (SIMA, 2022).
A utilização do ISA tem se mostrado adequada à fundamentação de diagnósticos que evidenciam os riscos sanitário, epidemiológico, socioeconômico e de disponibilidade hídrica. Inclusive, a metodologia ISA foi utilizada em diversos planos de saneamento básico, tendo como exemplo os municípios de Florianópolis/SC, Barbacena/MG e Belo Horizonte/MG, e mais recentemente o Plano Estadual de Saneamento Básico do Estado de São Paulo (PESB).
Neste trabalho, foi proposto a aplicação do ISA em 208 municípios do estado de Minas Gerais. Os municípios eleitos foram aqueles que possuem população máxima de até 20 mil habitantes e que declararam ao SNIS não possuir plano de saneamento básico no ano de 2020. A análise com o ISA considerou a série histórica compreendida entre os anos de 2015 a 2020. O contexto permitiu a elaboração da seguinte hipótese: Os municípios investigados, entre os anos de 2015 a 2020, estiveram em nível insalubre ou de baixo nível de salubridade ambiental com a consequente inalterabilidade a partir do ano de 2015.
Para a realização dos cálculos do ISA, em consideração ao grande volume de informações, foi construído um algoritmo em linguagem Dart. Dart é uma linguagem computacional de programação multiparadigma com aplicações móveis nativas, desktop, web, dentre outras (DART, 2023). O desenvolvimento se deu em CLI – Command Line Interface, sem interface, via pixels. O algoritmo realizou a iteração com os 208 municípios entre 6 variáveis componentes dos indicadores primários e 17 variáveis dos indicadores secundários no decurso de 6 (seis) anos, além cálculos acessórios, chegando ao final a aproximadamente 200 mil iterações.
Os resultados foram submetidos em diversas metodologias estatísticas, como: Teste de Correlação Cofenética, Método de Elbow e Dendrograma. Com os testes estatísticos objetivou-se a aglomeração dos municípios semelhantes e dessemelhantes em clusters. Em um segundo momento, os municípios foram analisados sob o ponto de vista anual. Ao final, os resultados identificados ainda foram submetidos à comparação com os resultados dos municípios paulistas contidos no Relatório de Salubridade Ambiental, originado no PESB (SIMA, 2022).
2. OBJETIVOS
2.1 OBJETIVO GERAL
Diagnosticar a salubridade ambiental de 208 municípios do estado de Minas Gerais.
2.2 OBJETIVOS ESPECÍFICOS:
1. Aplicar o ISA e avaliar a salubridade ambiental em 208 municípios de Minas Gerais;
2. Aferir o progresso e/ou retrocesso da salubridade ambiental dos 208 municípios
analisados no recorte temporal entre os anos de 2015 e 2020;
3. Comparar a salubridade ambiental entre os municípios mineiros e paulistas por meio
do ISA aplicado no ano de 2020.
3. METODOLOGIA
Esta pesquisa objetivou preponderantemente proporcionar aos municípios examinados conhecimento acerca de seu estado de salubridade ambiental com os resultados do ISA. A metodologia proposta de diagnóstico da salubridade ambiental foi realizada em cinco etapas, as quais foram discriminadas de forma pormenorizada no fluxograma da Figura 1.
3.1 LOCALIZAÇÃO DOS MUNICÍPIOS
Foram selecionados municípios de Minas Gerais com até 20 mil habitantes que afirmaram ao SNIS no ano de 2020 não possuir PMSB. Ao todo foram 208 municípios que fizeram a declaração ao órgão federal. Na Figura 2 apresentamos no mapa do Estado de Minas Gerais os municípios examinados.
Figura 2 -Mapa de Minas Gerais com a identificação dos municípios analisados
3.2 CÁLCULOS DO ISA E ATUALIZAÇÕES
Para os cálculos do ISA, realizados com algoritmo elaborado para esse fim, fez-se uso da metodologia original proposta pelo CONESAN (1999) com as atualizações implementadas pela SIMA (2022) relacionadas às informações do SNIS. No Quadro 1, elenca-se a equação final do ISA, a faixa de apuração classificatória estipulada e percentuais, e também os valores de ponderação para cada indicador primário.
Os critérios de cálculo do ISA, as fórmulas, e os modos de pontuação de todos os seus indicadores primários e secundários, de acordo com o que determina o Manual Básico do ISA (CONESAN, 1999) e as atualizações implementadas pela SIMA (2022), estão expostos no Quadro 2:
Quadro 2 – Equações primárias e secundárias do ISA
3.3 ANÁLISE ESTATÍSTICA MULTIVARIADA E UNIVARIADA
3.3.1 Análise multivariada
A análise estatística multivariada consiste em um conjunto de métodos utilizados em situações onde diversas variáveis são medidas simultaneamente em cada elemento amostral (MINGOTI, 1997). Geralmente, o propósito da utilização de técnicas da estatística multivariada é o de simplificar ou facilitar a interpretação do fenômeno de um grande número de informações que está sendo estudado (BAKKE; LEITE; SILVA, 2008). Dentre os vários recursos da análise multivariada tem-se a análise de cluster que é um método exploratório também conhecido como análise de agrupamentos.
Os resultados da análise de cluster podem ser expressos e organizados em gráficos, do tipo dendrograma, em que se demonstra as relações entre os componentes observados. No dendrograma, a similaridade é medida ao longo do eixo “y” e as várias observações são listadas no eixo “x”. A interpretação dos dados segue os níveis de semelhança e de dessemelhança, ou seja, apura-se os objetos que guardam entre si maior nível de semelhanças, de modo que os dessemelhantes sejam tão diferentes quanto possível em sua estrutura (KASSAMBARA, 2017). A Figura 7 mostra o exemplo do conjunto de dados e o dendrograma representativo a partir do cálculo do conjunto de dados.
Figura 3 – Organização dos dados no dendograma
Distância euclidiana
O agrupamento dos elementos é baseado na distância que estes possuem entre si (HAIR JUNIOR et al., 2009), sendo a distância euclidiana a mais comumente utilizada para estimar medidas de similaridade/dissimilaridade (SAPUTRA; SAPUTRA; OSWARI, 2020). A distância euclidiana é representada na Equação 1.
Quanto aos métodos de encadeamento, ou seja, as formas de se definir a distância entre dois clusters, apontam Fernandes e Solimun (2022) os seguintes métodos de ligação:
- Ligação Simples (Single): distância mínima. A característica definidora do método é que a distância entre grupos é definida como a distância entre o par de objetos mais próximo, considerando-se apenas os pares constituídos por um objeto de cada grupo. O Método Single é representado pela Equação 2:
Onde: d é a distância, o objeto i está no cluster r e o objeto j está no cluster s. Diz-se, então, que o valor mínimo dessas distâncias corresponde à distância entre os clusters r e s. Ou seja, a distância entre dois clusters é dada pelo valor de ligação mais curto entre os clusters.
- Ligação Completa (Complete): o Método Completo de agrupamento é o oposto da Ligação Simples. A distância entre grupos é definida como a distância entre o par de objetos mais distante, um de cada grupo. O Método Completo está representado pela Equação 3:
Onde d é distância, o objeto i está no cluster r e o objeto j está no s. Afirma-se, então, que o valor máximo dessas distâncias representa a distância entre os clusters r e s. Ou seja, a distância entre dois clusters é dada pelo valor de ligação mais longo entre os clusters.
- Método Centroide: no Método Centroide a distância entre dois clusters é a distância entre os dois vetores médios dos clusters. Em cada estágio do processo, são combinados dois clusters que possuem a menor distância do centroide (Equação 4).
- Ligação Média (Average): nesse método a distância entre dois clusters é definida como a média das distâncias entre todos os pares de objetos, em que cada par é composto por um objeto de cada grupo. O Método Average é representado pela Equação 5:
- Ligação de Ward: o Método Ward baseia-se em minimizar a perda de informações. Essa metodologia procura formar partições levando em consideração perdas que podem ser associadas aos clusters. A cada união dos pares dos agrupamentos é considerado o critério da soma do erro do quadrado, que visa minorar a perda de informação. A Equação de Ward é aqui representada pela Equação 6:
Validação do método de ligação
A validação do melhor método de ligação pode ser obtida pelo Coeficiente de Correlação Cofenética (CCC). O CCC mede o grau de ajuste entre a matriz de semelhança (matriz cofenética C) e a matriz que resulta do método de agrupamento (matriz fenética F). Rohlf (1970) enfatiza que correlações cofenéticas superiores a 0,7 sugerem bons agrupamentos. A fórmula de cálculo do CCC está demonstrada na Equação 7 (CARVALHO, et al., 2017).
Números ideais de agrupamentos
Outro modelo estatístico aplicável à análise de cluster é o chamado Método de Elbow. Nesse teste, calcula-se a soma das distâncias quadradas de cada ponto ao centro dos erros em cada intervalo definido de clusters.
A figuração do Método de Elbow é um gráfico que projeta a melhor consistência de cluster, traçando a soma dos erros do quadrado (SSE). O decréscimo mais extremo em forma de cotovelo é considerado o cluster ideal. O valor ótimo de cluster é aquele obtido do maior erro de diminuição do cluster (LARASATI; MAREN; WULANDARI, 2021). Representa-se matematicamente o Método de Elbow na Equação 8:
Onde k é o número do cluster definido; Xj é dado j no cluster i; e Ci é o início aleatório dos centroides.
3.3.2 Análise univariada
Na estatística univariada a análise ocorre com cada variável separadamente permitindo que métodos descritivos e inferenciais verifiquem a representatividade, a falta de dados, obtenção de relações funcionais, bem como a extração de afirmação acerca de uma população.
Neste trabalho, os métodos estatísticos univariados complementarão a análise de cluster. Por meio de uma abordagem quantitativa e visual, serão utilizados gráficos do tipo boxplot para evidenciar o comportamento de cada variável. Na figura 4 demonstra-se a estrutura básica de um boxplot.
Figura 4 – Esquema de um gráfico boxplot
O boxplot também é usado para comparar a equivalência entre grupos de amostras tanto para estudos transversais quanto para longitudinais, caso em que a figuração gráfica apresenta duas ou mais caixas, dependendo do número de grupos comparados. Isso permite a comparação direta das distribuições (AMIT; HEIBERGER; LANE, 2008).
3.4 AMBIENTE DE CÁLCULO E DE ANÁLISE ESTATÍSTICA
Diversas bases de dados foram consultadas para a realização dos cálculos do ISA e delas extraídas as informações para a composição das variáveis do ISA. A base de dados para cada indicador do ISA, sendo primário ou secundário, em associação a outros cálculos acessórios, conteve mais de 1200 linhas, totalizando ao final do processo aproximadamente 50 mil linhas. Em vista do grande volume de informações e também em razão de se garantir a higidez tanto do processamento quanto dos resultados do ISA, foi elaborado um algoritmo na linguagem de Dart. Dart é uma linguagem de programação multiparadigma, criada pelo Google, no ano de 2011, altamente versátil com aplicações móveis nativas, desktop,web, dentre outras (DART, 2023). O desenvolvimento do algoritmo foi realizado em CLI – Command Line Interface, sem interface, via pixels. A execução do algoritmo demonstrou elevada capacidade de processamento de informação, realizando no caso a iteração com os 208 municípios entre 6 variáveis componentes dos indicadores primários, 17 variáveis dos indicadores secundários, dentre outras parametrizações, em contextualização com as informações dos anos de 2015/2020, produzindo algo em torno de 200 mil iterações. Em relação às operações estatísticas, estas se deram através dos especializados softwares: R Core Team – version 4.1.1 (R CORE TEAM, 2022), Minitab 21 (MINITAB, 2022). Para a produção dos mapas foi utilizado o software Qgis – versão 3.28.0 (QGIS, 2023).
4. RESULTADOS E DISCUSSÕES
4.1 ANÁLISE DO RESULTADO DO INDICADOR PRIMÁRIO DE ABASTECIMENTO DE ÁGUA (IAB)
Para a composição dos clusters utilizou-se o Método Average. Na Tabela 1, demonstramos os valores obtidos para cada método.
Conforme o Gráfico 1, o Método de Elbow indicou de modo ambíguo a opção. Optou-se então por 3 (três) agrupamentos. O dendrograma relativo ao IAB (Gráfico 2) compõe o restante das caracterizações.
Gráfico 1 – Método de Elbow– IAB
Fonte: Autor (2023)
Apresentam-se no Gráfico 3 os resultados da análise exploratória dos dados relativos ao IAB.
Os 3 (três) agrupamentos (Grupos 1, 2 e 3), como se nota, possuem extensas variabilidades. O IQR do Grupo 1 possui variação de 31,30%; o do Grupo 2, 33,04%; e o do Grupo 3, 54,23%. A dispersão interquartílica do Grupo 1 inicia-se em 63,99%, ao passo que a do Grupos 2 inicia-se em 33% e a do Grupo 3, em 8,25%. Enquanto o Q3 do Grupo 1 atinge 95,3%, os dos Grupos 2 e 3 marcam 66,37% e 62,49%, respectivamente.
Essas informações nos conduzem à consideração de que a capacidade de abastecimento de água da maior parte dos municípios caracterizados nos Grupos 2 e 3 para o Indicador de Abastecimento de Água está reduzida a valores inferiores a 66%. Situam-se nesses grupos, por exemplo: Bocaína de Minas, Douradoquara, Caranaíba e Marmelópolis.
Embora o IAB de alguns municípios incluídos no Grupo 1 figurem no LI, com início em 30,79%, pode-se afirmar que o referido Grupo é totalmente distinto dos demais. A demonstração dessa proposição, além de matemática, é também visual, com a localização da mediana do Grupo 1 em 66%, acima do Q3 dos Grupos 2 e 3, frisando a distorção entre os comparados.
Independentemente de haver disparidade positiva do Grupo 1 em relação aos demais, cabe uma verificação mais crítica concernente ao limite superior do citado grupo. Apenas 25% dos municípios que compõem o Grupo 1 apresentaram índices superiores a 95%. A maioria (75%) apresentou deficiências em algum dos serviços públicos vinculados à cobertura de abastecimento, qualidade da água e/ou saturação dos sistemas produtores. Assim, não obstante a apresentação de resultados superiores por esse Grupo, ainda há larga margem para melhorias.
Em relação à análise anual, o Gráfico 4 pontua os percentuais alcançados:
No Gráfico 4, a exposição das distribuições nos anos de 2015, 2016, 2017 e 2018 demonstrou haver muita semelhança entre elas, principalmente no tocante às medidas de dispersão e do valor das medianas. A variabilidade compreendida no ano de 2015 foi de 34,74%; em 2016, foi de 33,65%; no ano de 2017, a marca foi de 32,81%; em 2018, de 28,99%; em contraposição, os municípios nos anos de 2019 e 2020 obtiveram baixa variabilidade, com IQRs em 4,4% e 3,28%, respectivamente.
A despeito da confirmação das variabilidades divergentes entre os anos de 2015/2018 e 2019/2020, os conjuntos anuais são semelhantes quanto aos valores medianos. Há um padrão de valor demonstrando que 50% dos municípios obtiveram apenas 66% no IAB. Além disso, as posições assimétricas inferiores denotam a aproximação do quartil inferior. A verificação das medianas contidas no Gráfico 4 mostra que elas estão plenamente vinculadas ao valor exposto do IAB no Grupo 1 do Gráfico 3, corroborando-se. O valor da mediana nos anos analisados aponta a necessidade urgente de avançar nas infraestruturas componentes do IAB.
4.2 ANÁLISE DO RESULTADO DO INDICADOR PRIMÁRIO DE ESGOTAMENTO SANITÁRIO (IES)
Para a composição dos clusters no IES utilizamos o Método Average. A opção por esse método se deu em razão dos resultados do Coeficiente de Correlação Cofenética (CCC). Na Tabela 2 demonstramos os valores obtidos para cada método.
O Método de Elbow indica que a opção por dois agrupamentos é a mais indicada. No Gráfico 5 mostram-se os resultados do teste, e no Gráfico 6, o dendrograma correspondente para os resultados.
Apresenta-se no Gráfico 7 os resultados da análise exploratória com boxplot dos dados relativos ao IES.
Fica evidente que os Grupos 1 e 2 possuem diferenças robustas. O Grupo 1 é marcado por uma excessiva quantidade de outliers e apenas um traço de caixa a altura de 33,33%. A inexistência de box para o Grupo 1 decorre da enorme concentração dos dados em um único ponto sem dispersão estatística considerável para a amalgamação. O traço em 33,33% denuncia a enorme precariedade para o serviço integral de esgotamento sanitário.
Ainda sobre o Grupo 1, os piores resultados são apontados pelos outliers inferiores, que atestam que dezenas de municípios atingiram resultados variando entre 16% e 28%. Os municípios de Rio do Prado (2016/2020), Estrela do Indaiá (2016/2018), Datas (2016), Curral de Dentro (2020), Abre Campo e Aguanil (2015/2017), Ampara do Serra (2019/2020), Bertópolis (2015/2018) e Caputira (2017/2020), por exemplo, figuram com os péssimos resultados apontados pelos outliers.
Os valores apurados para o IES, principalmente, nos municípios investigados do Grupo 1, além de extremamente negativos, corroboram algumas constatações de pesquisas realizadas com o ISA em diversas localidades do Brasil. Nos estudos de Pinto et al. (2014), Gama (2013), e Pinto et al. (2016), os resultados do IES margearam os 33%, valores semelhantes aos aqui encontrados e que notabilizam que as condições de esgotamento sanitário dos municípios de pequeno porte constituem um problema comum e com um padrão similar em todo território nacional.
Os ínfimos percentuais identificados no Grupo1 foram ocasionados principalmente por causa da inexistência de Estação de Tratamento de Esgotos (ETE). Inclusive essa constatação também foi apontada recentemente em um levantamento realizado pela SEMAD em 2021, mais especificamente no Panorama de Abastecimento de Água e Esgotamento Sanitário (MINAS GERAIS, 2021). Nesse documento ratificou-se que os municípios com até 20 mil habitantes do estado representam a maioria entre aqueles que não possuem ETE.
Um pouco melhor do que o Grupo 1, o Grupo 2 atingiu mediana sobreposta ao Q1 com nível de 66,66% e Q3 em 84%. Além disso, e positivamente, o Grupo 2 também apresenta alguns municípios no LS, por exemplo: Delfinópolis (2019/2020), Campina Verde, Carlos Chagas, Borda da Mata, Conceição da Barra de Minas e Novo Oriente de Minas (2015 a 2020).
Um dado a ser considerado tomando como base o bojo in totum da apuração do IES é a discrepância na distribuição dos municípios analisados ao longo dos anos nos Grupos 1 e 2. De todas as possibilidades, levando-se em consideração os 208 municípios ao longo de 6 anos, apenas 16% estão presentes no Grupo 2, enquanto a ampla maioria, de 84%, está entre aqueles pertencentes ao Grupo 1. Essa observação se reveste de muita relevância, pois endossa a diferença presente entre os grupos, além de condicionar uma análise com aspecto mais global.
Os resultados dos modelos em que se comparam os níveis de IES foram, além dos Grupos 1 e 2, validados na aplicação e investigação anual, conforme o Gráfico 8.
Em geral, as diferenças entre os IQRs foram tão somente de 10%, indicando praticamente uma inalterabilidade interquartílica (Q1 e Q3). Somado a isso, tem-se os resultados de Q1 sobrepostos com as medianas no percentual 33 em todas as caixas. Isso permite inferir que os resultados vistos sob o ângulo direcionado pelos métodos estatísticos, como o demonstrado no Grupo 1, estão em sintonia com os resultados verificados anualmente e a longo prazo.
4.3 ANÁLISE DO RESULTADO DO INDICADOR PRIMÁRIO DE RESÍDUOS SÓLIDOS (IRS)
O Indicador Primário de Resíduos Sólidos possui em síntese a função de apontar o panorama geral e quantificar a importância que o município concede aos resíduos sólidos que produz. Para tanto, foram realizados os cálculos do CCC (Tabela 3), posteriormente o Método de Elbow(Gráfico 9) e, por fim, a produção do dendrograma (Gráfico 10).
O método estatístico do dendrograma projetou as estruturas dos dados demonstrando graficamente a posição de semelhança e dessemelhança entre os municípios. A análise exploratória dos dados relativos ao IRS foi caracterizada no Gráfico 11.
Similarmente ao IES, os agrupamentos amalgamados pelos métodos estatísticos no IRS reproduziram substancial distinção entre os municípios analisados. A forte ênfase balizada pelas medianas em 90% e 33% de desempenho, sobrepostas ao Q3, respectivamente nos Grupos 1 e 2, explicam que 100% dos municípios atingiram no máximo o nível mediano do Grupo 1, denotando assim os níveis de atenção que os resíduos sólidos urbanos, de uma forma global (ICR, IQR e ISR), têm recebido dos municípios.
Os índices observados no Grupo 1, embora não sejam os percentuais ideais, especialmente quando verificada a extensa variação projetada pelo IQR, demarcado em 33,33%, com Q1 em 57% e Q3 em 90%, e, ainda, o LI em 16,30%, são muito melhores que os percentuais apurados para o Grupo 2.
A distinção dos grupos apresentados pelo dendrograma (azul e vermelho) nos conduz a outra análise. Houve uma divisão quase homogênea entre os municípios investigados, atestando que 47% deles integram o Grupo 1, ao passo que 53% compõem o Grupo 2. Esses percentuais, além de ressaltar o déficit, comprovam que o conjunto integral de municípios analisados retratam com bastante coerência alguns números em âmbito nacional. Essa afirmação pode ser verificada em percentuais aproximados aos apurados pela Confederação Nacional de Municípios – CNM, que, no ano de 2019, identificou que 44,7% de 75% dos municípios brasileiros não cumpriram com as metas estipuladas pelo PNRS (CNM, 2020).
Outra condução analítica que nos fornece detalhes confiáveis sobre os desempenhos atingidos são os outliers. No caso do Grupo 1, os outliers inferiores apontam dois desempenhos irrisórios, com valores de 4,31% e 0,73%, referentes aos municípios de Liberdade e São Pedro da União, respectivamente. No caso do Grupo 2, os outliers iniciam em 2,77% e seguem até 31,04%. Nesse último caso, Riacho dos Machados, Ninheira, Ritápolis, Santa Maria do Salto, Ponto dos Volantes, Novo Oriente de Minas, Comercinho, Caputira, Francisco Badaró, Joaíma e Itacarambi figuraram entre os municípios que apresentaram alguns desses baixos valores.
A partir das constatações do IRS, principalmente no que tange ao Grupo 1, valores observados em outros estudos mostraram-se abaixo do valor mediano apurado neste trabalho. Na pesquisa de França et al. (2022), empreendida no município de Itabaiana/SE, o IRS apontou o valor de 77,44 pontos. Em Costa et al. (2019), estudo realizado em cidades paraibanas com contato direto com o oceano Atlântico, o IRS apontou o desempenho de 66,67% para as cidades de João Pessoa e Cabedelo, valor este semelhante ao encontrado por Maccarini (2019), que, ao estudar os bairros compreendidos na Bacia Hidrográfica do Rio Cachoeira, localizada na área urbana do município de Joinville/SC, obteve 66,05 pontos.
Os percentuais apontados pelo IRS, e com isso, as distinções projetadas pelos agrupamentos definidos estatisticamente devem nos conduzir a uma análise crítica acerca dos motivos ensejadores das disparidades verificadas. A complexa temática dos resíduos sólidos sugere que os inúmeros entraves históricos enfrentados, seja de ordem normativa ou política, além da insuficiência de recursos financeiros, são possivelmente as causas que impedem um enfrentamento combativo da questão do lixo por parte do poder público. Essas dificuldades, na maioria das vezes, têm sido materializadas pelo Poder Legislativo, que, ao longo do tempo, e com diversas alterações realizadas na PNRS, vem atuando na postergação do cumprimento da lei, o que inevitavelmente tem prejudicado a dinâmica ambiental que se entrelaça à salubridade urbana, culminando, portanto, nos baixos desempenhos identificados pelo IRS.
Apesar das dificuldades impostas, a amostragem da série histórica revela algumas positivas modificações ocorridas durante os anos, conforme Gráfico 12:
Embora os IQRs sejam extensos e sem modificações, as medianas, por outro lado, têm apontado para um crescimento do desempenho dos municípios. Nos anos de 2015 e 2016, as medianas fixaram-se, juntamente com o primeiro quartil, em 33,33%. Em 2017, 2018 e 2019 houve um crescimento que foi mantido sequencialmente em 57,33%. Já no ano de 2020, a mediana apontou 80% de desempenho, demonstrando com isso o progresso nos níveis do IRS.
Confirmam a modificação ilustrada no Gráfico 12 os números, por exemplo, do município de São João da Mata, que, no ano de 2015, obteve 33,33% de desempenho, progredindo para 90% em 2020. Percentuais análogos aos demonstrados foram obtidos pelos municípios de Santana do Garambéu, Rio do Prado, Olímpio Noronha, Nova União, Itumirim, Grão-Mogol, Cristais, Cônego Marinho e Aguanil, entre outros. Em contraste aos avanços, cinco municípios fizeram o caminho inverso, sendo eles: Bandeira, Cachoeira da Prata, Luisburgo, São Sebastião do Rio Verde e Virgolândia.
4.4 ANÁLISE DO RESULTADO DO INDICADOR PRIMÁRIO DE CONTROLE DE VETORES (ICV)
A análise do ICV teve início com o cálculo do CCC a fim de se constatar o melhor método de ligação.
O Método de Elbowindica que a opção por dois agrupamentos para os dados do ICV é a mais indicada. No Gráfico 13, apresentamos esses resultados e, mais adiante, demonstramos o dendrograma (Gráfico 14) e o boxplot (Gráfico 15).
O dendrograma (Gráfico 14) alocou todos os municípios que obtiveram a pontuação máxima em todos os anos no Grupo 2. Em análise conjunta com o boxplot (Gráfico 15), ao todo, 61% do Grupo 2 correspondeu a esses municípios com alto desempenho. A outra parte foi composta por municípios que margearam os percentuais entre 90% e 99%, os quais foram apontados pelos outliers. Em contrapartida, o Grupo 1 reuniu os municípios que alternaram muitas vezes com resultados percentualmente inferiores ao longo da série.
A mediana do Grupo 2 sobreposta ao Q3 evidenciou a ótima performance dos municípios inseridos nesse grupo, porém, como já mencionado, o grupo possui outliers que apontam para resultados discrepantes daqueles que formam o box. Municípios como: Datas, Claro dos Poções, Chiador, Ritápolis, Santana da Vargem, Bertópolis, Córrego Danta, Carvalhópolis, além de outros, figuraram com valores atípicos.
Já o Grupo 1, formado por 63% dos municípios analisados nesta pesquisa, reproduziu variabilidades denotadas com o IQR de 24,4%. A mediana do grupo alcançou 97%, valor que demonstra que o grupo também consolidou bons resultados. O Q1 marcou 75%, faixa em que se concentraram os municípios de Aricanduva, Bandeira, Congonhal, Delta, Delfinópolis, Dona Eusébia, Guimarânia, Icaraí de Minas, Luz, Olaria, Santa Rosa da Serra, Uruana de Minas, além de alguns outros.
Os resultados inferiores concernentes ao Grupo 1 foram evidenciados pelo outliers pertencentes aos municípios de São Gonçalo do Pará (37,5% em 2018), Crucilândia (36,19% em 2015), Manga (34,47% em 2018), Arinos (25% em 2020) e São Gonçalo do Rio Abaixo (7,86% em 2019). No caso do município de São Gonçalo do Pará, o pífio desempenho foi ocasionado pela constatação das doenças leptospirose e esquistossomose, ambas no ano de 2018. Em Crucilândia, no ano de 2015, foram apontados casos de dengue e leptospirose, que impactaram negativamente o ICV, da mesma forma que em Manga, em 2018, e em Arinos, em 2020. Em São Gonçalo do Rio Abaixo, por sua vez, as três doenças que compõem o ICV (dengue, esquistossomose e leptospirose) foram detectadas no ano de 2019.
As doenças verificadas com o ICV fazem parte do rol de Doenças Relacionadas ao Saneamento Ambiental Inadequado – DRSAI e são agrupadas conforme a Classificação Internacional de Doenças – CID em: doenças transmitidas por inseto vetor: Dengue (A90, A91); Doenças transmitidas através do contato com a água: esquistossomose (B65) e leptospirose (A27), além de outras formas de transmissão e doenças (FUNASA, 2013).
A incidência repetida ou a conjugação de várias doenças, como as detectadas pelo ICV e por seus indicadores secundários, levam à asseveração de que os serviços de saneamento estiveram comprometidos nos municípios que apresentaram desempenhos insatisfatórios. Esse comprometimento ficou cabalmente confirmado com as constatações de internações hospitalares e óbitos consequentes das doenças analisadas. Em São Gonçalo do Rio Abaixo, no mesmo ano em foi detectado o trio de doenças (2019), houve um óbito, precedido por outros três, sendo um em 2015 e outros dois em 2016. Houve ainda dezoito internações entre os anos de 2015 e 2020, segundo o DataSUS, um padrão que se repetiu em outros municípios identificados pelos outliers. Em Arinos ocorreram dois óbitos em 2020, e outros dezoito entre 2015 e 2019, além de 281 internações. Em Manga, foram três mortes em 2018, que, com a exceção deste ano, restou contabilizadas mais seis óbitos entre 2015 e 2020, além de 103 internações. Em Crucilândia, ocorreram onze internações no período (DATASUS, 2023).
Resultados apontados pelo ICV em outros estudos com o ISA identificaram pontuações que se assemelham aos resultados identificados no Grupo 1. No estudo de Pinto et al. (2014), foi demonstrado o resultado de 81,25 pontos obtido pelo município de São Pedro do Iguaçu/PR. Na pesquisa de Neumann et al. (2013) realizada no loteamento Lagoa Carapebus, localizado no município de Serra/ES, a pontuação chegou a 87,5 pontos. Já no estudo de Cabral et al. (2013a), no município de Céu Azul/PR, foi obtido um resultado igual a 75 pontos. No estudo de Santos et al. (2015), aplicando o indicador ao município de Palotina/PR, foi mensurado o total de 43,75 pontos do ICV.
Passando à análise anual, os resultados indicados pelo ICV também propõem uma larga compreensão acerca do panorama das doenças nos municípios. O Gráfico 16 ilustra isso:
O melhor ano entre os analisados foi o de 2017; a pequena dispersão (IQR de 2,25%, Q1 em 97,75% e Q3 em 100%) concentrou 83% dos municípios, apesar do apontamento dos outliers. Alguns outliers indicaram o que já foi asseverado anteriormente, ou seja, os baixos desempenhos obtidos. No ano de 2015, os valores discrepantes apontaram os municípios de Pains, Ubaí, Crucilândia e Manga; em 2016, os municípios de Paula Cândido, Ubaí e São José do Divino; em 2017, foram São Gonçalo do Pará e Luislândia; em 2018, Arinos, Itanhandu, São Gonçalo do Pará, Guiricema, e novamente Manga; no ano de 2019, foram São Sebastião do Rio Verde e São Gonçalo do Rio Abaixo; e em 2020, Arinos e Cedro do Abaeté. Outros municípios também desempenharam mal, porém ficaram mais próximos do box de cada ano.
4.5 INDICADOR PRIMÁRIO DE RECURSOS HÍDRICOS (IRH)
Os clusters foram compostos utilizando o método Average, conforme definição dada pelo CCC. Na Tabela 5, estão demonstrados os valores obtidos para cada método.
O Método de Elbowindicou que o número ideal de agrupamento foi igual a dois. No Gráfico 17 são apresentados esses resultados.
O dendrograma refletiu os resultados dos agrupamentos, conforme demonstrado no Gráfico 18. Logo em seguida, a partir dos resultados e agrupamentos realizados, foi então gerado o Gráfico 19.
A pequena dispersão do Grupo 1 reuniu ao todo 96% de todos os resultados anuais, sendo ainda demarcado pela mediana à altura de 81,08%, o que asseverou a diferença em relação ao Grupo 2, então com mediana em 31,74%, Q1 em 30,88% e Q3 em 80,65%.
O Grupo 2 foi formado somente pelos municípios de Bocaina de Minas, Rio Acima, Pouso Alto, Mamonas, Carrancas, Ipiaçu, Uruana de Minas e São Sebastião da Bela Vista. O IQR do grupo apontou o percentual de 49,77%. Essa alta dispersão foi provocada pela oscilação entre exíguos e bons resultados dos citados municípios, que variaram entre 30,88% (Q1) e 80,65% (Q3), porém com maior preponderância para os resultados menores, motivo pelo qual a mediana ficou apenas em 31,74%.
Tanto os outliers apontados pelo Grupo 1 quanto o alto valor do IQR do Grupo 2 devem ser considerados conjuntamente e podem ser explicados. Quando realizados os cálculos do IDM (indicador secundário do IRH), diversos municípios estiveram com a ausência de informação do IN022_AE (indicador do SNIS). A inexistência dessa informação consignou aos respectivos municípios a pontuação de 0 (zero pontos) no IDM, o que logicamente acabou refletindo-se no IRH. O dendrograma, por sua vez, ao realizar a aproximação dos semelhantes, acomodou no Grupo 1 aqueles municípios com os melhores resultados e, à exceção, aqueles que produziram resultados próximos ao percentual de 30% uma única vez na série histórica. De modo inverso, o dendrograma alocou no Grupo 2 os municípios que mais vezes produziram os piores resultados, e que raramente produziram resultados próximos ao Q3. Em relação aos níveis anuais do IRH, os resultados ratificaram as informações expostas pelo Grupo 1. Os resultados da série histórica foram demonstrados no Gráfico 20:
Praticamente não houve variação dos percentuais do IRH entre os anos. Os outliers denunciaram as constatações outrora debatidas.
Nos poucos estudos em que se utilizou o IRH, os valores apontados mostraram-se bem semelhantes aos aqui apurados. Nos estudos de Cabral et al. (2013a; 2013b), pesquisando os municípios de Missal/PR e Céu Azul/PR, foram encontrados os valores de 75 e 83,33 pontos, respectivamente. No trabalho de Teixeira (2017), o valor médio apontado para os distritos do município de Ouro Preto/MG foi de 86,17%.
4.6 INDICADOR PRIMÁRIO SOCIOECONÔMICO (ISE)
A análise do Indicador Primário de Socioeconômico (ISE) indica, pelo cálculo do CCC, que o método de ligação mais indicado é o Average (Tabela 6).
No Método de Elbowa indicação que se firma é a opção por dois agrupamentos para os dados do ISE (Gráfico 21). Na sequência, os outros gráficos completam a exposição dos resultados.
Gráfico 21 – Método de Elbow – ISE
De acordo com o Gráfico 23, a distinção entre os Grupos 1 e 2 pode ser elucidada da seguinte maneira: o Grupo 1, formado por 70% dos 208 municípios analisados, obteve 84,68% no valor mediano; além disso, o grupo obteve percentuais máximos, conforme mostra o pequeno LS do grupo, que agregou os municípios de Bom Jesus da Penha, Borda da Mata, Botelhos, Cachoeira da Prata, Caldas, Campanha, Campina Verde, Campo Florido, Carrancas, Carvalhópolis, Cascalho Rico, Claraval, Cristais, Dona Eusébia, Douradoquara, Guarda-Mor, Ingaí, Itanhandu, Itaú de Minas, Luz, Moema, Medeiros, Nova Resende, Pains, Rio Acima, Santana da Vargem, São Gonçalo do Pará, São José da Barra e Tocantins.
Embora tenham sido constatados bons resultados no Grupo 1, com Q1 iniciando em 71,25%, há que se considerar o LI do grupo, que, no nível mais baixo, apurou-se 45,08%, tendo sido produzido pelo município de Abre Campo. Além de Abre Campo, que teve pontuação reduzida por causa da conjugação de péssimos resultados nos três indicadores que compõem o ISE, também constam no LI: Piedade dos Gerais, Setubinha, Santana do Garambéu e Vargem Bonita, com pontuações 0 (zero) no IED; Canaã e Cedro do Abaeté, com resultados insuficientes no IRF e IED; e Datas, com 0 (zero) no IRF.
No Grupo 2, a mediana sobreposta ao Q1 em 33,33% indicou os baixos desempenhos apresentados por quase todo o grupo. A maioria dos péssimos resultados encontrados foi ocasionada pela ocorrência de pontuação 0 (zero) nos indicadores secundários de renda e educação, podendo-se destacar os municípios de Bertópolis, Aricanduva, Águas Vermelhas, Virgolândia, Ubaí, Rio do Prado, Ponto dos Volantes, Novorizonte e Montalvânia.
Em relação aos outliers acima do box do Grupo 2, não foram apontados percentuais que diferissem com certo grau de majoração do grupo, porém os identificados abaixo informaram alguns resultados ainda piores. O município de Riacho dos Machados, no ano de 2016, desempenhou apenas 10%, o que foi provocado pela baixa pontuação no ISP em consonância com a inexistência de pontos no IRF e IED. Outros municípios, como Manga, Águas Formosas e Carlos Chagas, que obtiveram 16,86%, 16,75%, 22,50%, respectivamente, pontuaram minimamente no ISP e IRF, além de não pontuarem no IED.
Os resultados anuais do ISE foram projetados no Gráfico 24.
As pequenas variabilidades ficaram por conta das medianas e dos Limites Inferiores. A mediana atingiu 74,31% no ano de 2015; em 2016, foi de 72,09%; em 2017, de 73,63%; em 2018, atingiu 72,58%; em 2019, 73,63%; e em 2020, 74,46%. O LI, no ponto mínimo em 2015, apontou 22,50%, sendo o responsável por tal valor o município de Carlos Chagas. Em 2016, o valor irrisório de 10% foi obtido pelos municípios de Aiuruoca e Riacho dos Machados; em 2017 e 2018, a marca de 16,75% foi produzida por Águas Formosas; no ano de 2019, o resultado de 10% foi obtido por Montalvânia; e, em 2020, 16,86% pertenceu a Manga.
Os valores observados no ISE guardam inequívocas semelhanças com as apurações realizadas tanto pelo IRF quanto pelo IED. Quando dos cálculos do IRF e IED, análises dos indicadores secundários do ISE, foram verificadas a vinculação de seus resultados com os resultados de estudos das mesorregiões do estado de Minas Gerais que trouxeram à tona as deficiências quanto à renda e à educação.
As baixas pontuações dos resultados do IRF demonstraram que houve uma preponderância de municípios ao norte do estado de Minas de Gerais, que envolve as regiões Norte, Noroeste, Vale do Jequitinhonha e Vale do Mucuri com os piores índices. Tal constatação tem sido alvo de diversos estudos que confirmam o achado nesta pesquisa. No estudo de Pereira e Souza (2018), em que os autores analisaram a situação da pobreza na região norte de Minas Gerais, foi identificado um alto nível de pobreza para a grande parte da população da localidade, constatando-se a insuficiência de itens básicos para a sobrevivência, como esgoto sanitário, banheiro e acesso à escolaridade, o que dificulta o desenvolvimento social e econômico da região. Em outro estudo, de Santos e Pales (2014), foram comparadas as macrorregiões do estado. Foi verificado que a renda per capita dos municípios da macrorregião do Norte do estado apresentou os menores valores, demonstrando com isso a imensa desigualdade econômica entre as regiões de Minas Gerais.
No caso da análise do IED, de modo análogo ao IRF, restou comprovado o déficit educacional. Essa asseveração conta com o endosso de outros estudos. Silva e Almeida (2017), condicionaram o baixo desempenho dos municípios à evasão escolar, à inexistência de projetos educacionais e à falta de formação adequada dos professores. No estudo de Alves (2017), em que se investigou os determinantes do desempenho escolar nas séries iniciais do ensino fundamental, o autor reforçou a constatação de tendência de baixos resultados para os municípios das regiões Norte, Noroeste, Vale do Jequitinhonha e Vale do Mucuri.
Os dados apresentados, em suma pelo ISE, explicitaram o modo distinto com que a renda financeira e a educação caracterizaram os municípios, evidenciando a privação de renda e escolarização para muitos. A constatação se reveste de importância singular, pois avulta a análise concernente às dimensões monetária e educacional, uma vez que a elas se ligam outras áreas indispensáveis.
4.7 RESULTADOS DO ISA
Com os resultados dos indicadores primários, foi realizado o cálculo do ISA. Os resultados do ISA foram, então, submetidos às análises estatísticas, a começar pelo CCC no intuito de se conhecer o melhor método de ligação (Tabela 36).
Com o método de ligação identificado (Average), o cálculo do Método de Elbow apresentou relativa ambiguidade quanto ao número ideal de agrupamentos. Optou-se então pela quantidade de três agrupamentos (Gráfico 25).
Com a identificação e escolha da quantidade de agrupamentos, foi gerado o dendrograma (Gráfico 26) e o mapa identificando as semelhanças e dessemelhanças entre os municípios (Figura 5).
Conforme verificado no Gráfico 27, a divisão dos grupos estabeleceu faixas distintas para cada um deles. O Grupo 1, a partir do resultado da mediana em 77,04%, situou os municípios no nível salubre (75,51% a 100%); o Grupo 2, com mediana em 55,02%, em média salubridade (50,51% a 75,50%); e o Grupo 3, cuja mediana apresentou valor de 36,85%, foi classificado na faixa de baixa salubridade (25,51% a 50,50%).
No caso do Grupo 1, que representou 12% do total de municípios analisados, foram evidenciadas localidades com resultados acima do percentual 80, conforme informa o LS, sendo eles: Borda Mata, Guarará, São Pedro da União, Santa Cruz do Escalvado, Itamogi, Campina Verde e Guarda-Mor, o qual obteve a pontuação mais alta (94,35%) no ano de 2020.
Níveis salubres como os identificados neste trabalho também foram verificados em vários outros estudos, como o de Cabral et al. (2013a), que apurou para o município de Céu Azul/PR 81,76 pontos do ISA; o de Rezende (2021), em Brodowski/SP, com 85,75 pontos; além das pesquisas em Palotina/PR (SANTOS et al., 2015), São Pedro do Iguaçu (PINTO et al., 2015) e Missal/PR (CABRAL et al., 2013b).
Ainda em direção ao Grupo 1, também foram notados os resultados informados pelos outliers inferiores, salientando-se as atípicas pontuações de Guapé e São Pedro da União. Esses dois municípios exemplificaram algumas das oscilações constatadas na série histórica: o ISA em Guapé apontou 39,74% no ano de 2015 e, em 2020, foi de 69,66%. Já em São Pedro da União, foi verificado 47,45% em 2015 e, no ano de 2020, o resultado passou para 70,05%.
O Grupo 2 foi responsável por agregar o maior percentual de municípios: 76% no total. A média salubridade constatada no grupo em maior número também é própria de outros trabalhos. Rezende (2021) e Aravéchia Júnior (2010) apontaram que cerca de 67% dos municípios estudados em seus trabalhos estiveram entre os percentuais 50% e 75%. A identificação de média salubridade análogo aos achados nesta pesquisa foi ainda observada em diversas outras localidades, a exemplo do Loteamento Carapebus/ES (NEUMANN; CALMON; AGUIAR, 2013), em Cocal do Sul/SC (BAGGIO, 2013) e em Marechal Deodoro/AL (BASTOS et al., 2014).
Partindo para os níveis de salubridade distintos do restante do Grupo 2, temos, acima do Q3 (65,53%) e abaixo do Q1 (47,87%), as extensões figuradas pelo LI e LS, que identificaram alguns municípios no nível salubre e outros no nível de baixa salubridade. Situaram-se no LS os municípios de Cambuquira (83,76% – 2020), Congonhal (78,17% – 2017), Capim Branco (78,09% – 2018), Carmo de Minas (78,38% – 2018), Guimarânia (70,39% – 2020), Córrego Danta (78,15% – 2019), Ibitiúra de Minas (77,67% – 2020), Guiricema (75,10% – 2015), Conceição do Rio Verde (77,24% – 2019), Cristais (77,00% – 2020), Palma (76,87% – 2020), Piraúba (76,39% – 2016), Piracema (76,65% – 2018), Cruzília (75,61% – 2015), São João da Mata (75,82% – 2017).
Ainda no Grupo 2, no LI as piores marcas foram obtidas por Camacho (46,25% – 2019), Cristina (46,71% – 2015), Ibiracatu (42,31% – 2016), Rio do Prado (41,53% – 2018), Bonito de Minas (40,88% – 2019), Heliodora (38,56% – 2016), Águas Vermelhas (38,37% – 2018), Bom Jesus da Penha (39,77% – 2015), Ingaí (38,53% – 2015), Cordislândia (37,24% – 2015), Vargem Bonita (37,75% – 2017), Jequitaí (36,43% – 2017), Caranaíba (33,04% – 2019), Coronel Murta (31,32% – 2020), Santana do Garambéu (30,07% – 2019), Douradoquara (30,01% – 2019) São João da Lagoa (29,50% – 2015), Moema (26,25%) e Nova Era (25,82% – 2018). Além disso, foram observados dois outliers, um pertencente a Bias Fortes que anotou 18,97% em 2015 e outro a Soledade de Minas, com 17,75% no ano de 2015; ambos os resultados entraram na faixa da insalubridade (0,00% a 25,50%).
O Grupo 3, que agregou os municípios com os piores percentuais na sequência histórica, obteve Q1 de 29,59% e Q3 igual a 40,62%, o que o posiciona entre os limites de baixa salubridade. As pontuações obtidas pelo grupo são similares às dos municípios goianos de Vicentinópolis, Corumbá de Goiás, Matrinchã, Santa Rita do Novo Destino, Faina, Mineiros, Panamá, Nova Roma, Colinas do Sul, Guarinos, Trombas e Mossâmedes, que foram estudados por Lima (2014). Além disso, em algum grau, elas se assemelham às pontuações aferidas para o município de Belém/PA entre os anos de 2012 e 2016, como visto por Colina (2018).
Assim como os outros grupos, o Grupo 3 consignou alguns resultados da faixa de média salubridade, como Bocaina de Minas (58,45% – 2020), Uruana de Minas (59,76% – 2020) e Rio Acima (70,31% – 2020), porém também indicou que 19% da composição do grupo foi caracterizada como insalubre. O LI e os outliers inferiores apontaram os seguintes municípios como insalubres: Datas (24,14% – 2015), Olhos D’Água (23,29% – 2015 e 21,86% – 2016), Felício dos Santos (23,11% – 2019; 21,75% – 2020; e 14,87% – 2015), Mamonas (13,67% – 2017; 12,20% – 2018; e 12,16% – 2019), Pouso Alto (18,17% – 2018; 18,16% – 2017; 18,11% – 2016; e 16,94% – 2015), Carrancas (18,10% – 2015), Rio Acima (17,08% – 2019), Passa-Vinte (16,64% – 2016) e Ipiaçu (15,61% – 2018; 14,24% – 2017; e 13,91% – 2019).
A investigação dos resultados na série histórica revela algumas modificações, conforme demonstrado no Gráfico 28:
Os IQRs apresentaram as seguintes variabilidades anuais: 21,10% em 2015; 19,24% em 2016; 23,79% em 2017; 21,58% em 2018; 21,73% em 2019; e 16,15% em 2020, indicando que houve uma maior aproximação dos resultados entre os municípios no último ano analisado.
A consideração de um menor IQR associada à elevação da mediana e do Q1 e Q3, tal como ocorreu no ano de 2020, apresentou, na prática, a modificação dos resultados do ISA para muitos municípios. No ano de 2015, a mediana, Q1 e Q3 apresentaram os percentuais de 52,23%, 42,42% e 63,53%, respectivamente. Naquele ano, os percentuais indicados pelo Q1 e pela mediana, foram responsáveis por acomodar quase 50% das pontuações dos municípios na faixa de baixa de salubridade, enquanto o restante foi classificado como de média salubridade. As medianas dos anos de 2016, 2017, 2018, 2019 e 2020 foram de 54,07%; 56,19%; 56,26%; 59,54%; e 61,15%, respectivamente.
Qualitativamente, com base nas medianas, do ano inicial investigado para o ano de 2016, os municípios progrediram 1,84%. Em relação a 2017, o avanço foi de 3,96%; em 2018, foi de 4,03%; de 7,31% em 2019; tendo a maior diferença em 2020, quando houve um aumento de 8,92%, sinalizando um crescimento médio anual do ISA de 1,78%.
Em relação às modificações quantitativas, a descrição dos resultados anuais categorizados pelas faixas do ISA para os 208 municípios pode ser sumarizada da seguinte forma:
Tais resultados indicam que houve evolução quantitativa de 27% de municípios na faixa de “média salubridade” se comparados o ano de 2015 em relação a 2020, bem como a redução de 26% de municípios na faixa de “baixa salubridade”.
4.8 COMPARAÇÃO DA SALUBRIDADE ENTRE MUNICÍPIOS MINEIROS E PAULISTAS
O ISA em seu nascedouro apontou como uma de suas finalidades a comparabilidade de situações de salubridade ambiental entre os municípios (CONESAN, 1999). Essa objetividade visa, para além do esclarecimento do panorama da salubridade local, à possibilidade de, ao se verificar o status da salubridade de outra localidade, estimular os ajustes nas políticas que efetivem níveis crescentes de qualidade ambiental.
Variadas causas têm, entretanto, impedido a realização de comparações entre os ISAs. Entre elas, as diversas alterações, que vão desde a modificação de pesos até a supressão de indicadores primários e/ou secundários, o que restringe a comparabilidade a tão somente duas hipóteses: a) às análises que levaram em consideração composições idênticas; e b) às análises de um mesmo ISA ao longo do tempo (TEIXEIRA et al., 2018).
Em atenção a essas observações, a presente pesquisa foi estruturada de modo a guardar a originalidade do ISA, conjuntamente com as atualizações efetuadas pela SIMA (2022), as quais proporcionam a uniformização da base de dados para o cálculo integral do ISA. A partir disso, estão os resultados do ISA apurados nesta pesquisa aptos à realização de comparação interna, e doravante protrair-se no tempo, e externas.
Recentemente, a SIMA realizou o exame da salubridade ambiental em todos os municípios do estado de São Paulo. Os resultados estão contidos no documento Relatório de Salubridade Ambiental (SIMA, 2022). De posse desse Relatório, procedeu-se o cruzamento com os dados do SNIS, entre os quais foram identificados os municípios paulistas em igualdade de situação com os municípios mineiros, quais sejam: municípios com população de até 20 mil habitantes e sem plano de saneamento básico. Foram identificados 84 municípios paulistas com as referidas características. Os resultados do ISA-SP, bem como de seus indicadores primários, foram projetados juntamente ao ISA-MG do ano de 2020, conforme Gráfico 29.
Da análise se depreende que os municípios mineiros foram menos salubres em dois setores: água e esgoto. Enquanto as medianas do IAB-MG e do IES-MG apontaram 66,00% e 33,33%, respectivamente, as medianas do IAB-SP e do IES-SP indicaram 81,42% e 86,15%, na devida ordem. Ao se averiguar os aludidos indicadores primários em busca da razão para as diferenças, constatou-se que o déficit, no caso do IAB-MG, foi gerado pelo Indicador Secundário de Saturação do Sistema Produtor (ISA), segundo o qual apenas 13% dos municípios não estão com a sua capacidade de produção de água saturada. Uma situação muito diferente da apresentada pelos municípios paulistas, em que 62% possuem a capacidade de produção normalizada. Com relação ao IES, as defasagens se deram por conta do ITE e do ISE. No ITE, o percentual de municípios mineiros com a nota máxima no ano de 2020 foi de 27%, apuração em sentido bem oposto ao percentual dos paulistas, de 98%. Quanto ao ISE, 17% foi o desempenho para os municípios mineiros e 29% para os municípios do estado de São Paulo.
Embora os percentuais paulistas das áreas de água e esgoto tenham ficado à frente, deve-se fazer a seguinte ressalva: diante da constatação de campos nulos nos registros do SNIS para o cálculo dos indicadores, a SIMA adotou o valor médio apurado dos demais municípios. Em sentido oposto, o presente trabalho, em virtude da responsabilidade inerente ao município de realizar a coleta e o repasse das informações ao SNIS, foi considerada a nota 0 (zero), diante da impossibilidade de valoração. Esses fatores cooperaram para aumentar a distância de resultados.
Com relação aos outros indicadores primários, os resultados se apresentaram mais favoráveis à salubridade dos municípios mineiros. No IRS, as medianas demarcaram 79% para ambos os indicadores, com uma maior dispersão do IQR do IRS-MG, com 57,33%, em comparação com o IQR do IRS-SP, que foi de 22,03%. Entretanto, o Q3 do IRS-MG alcançou um nível mais alto. O ICV-MG foi bem superior ao ICV-SP, tendo o Q1 e Q3 do ICV-MG apontado 90,11% e 100%, e os quartis do ICV-SP demarcado 75% e 83,78%, respectivamente. Para o IRH-MG, a pequena dispersão interquartílica anotada pela mediana em 80,67% esteve acima da mediana do IRH-SP, que ficou em 78,34%. Com referência ao ISE-MG, embora o indicador tenha apresentado dispersão maior, foram expressos valores mais elevados, com a mediana e Q3 em posições contrastantes com o ISE-SP.
Quanto ao ISA, os valores finais apontaram medianas de 61,15% e de 77,83% para o ISA-MG e o ISA-SP, enquadrando-os nas faixas de média salubridade e salubre, respectivamente.
A partir da com a análise gráfica, deve-se considerar, a fim de modificação do panorama da salubridade dos municípios mineiros, que as grandes dispersões observadas no IES-MG, IRS-MG e ISE-MG precisam ser reduzidas por intermédio da elevação dos quartis e das medianas. Em relação ao IAB-MG, seu nível, juntamente com o do IES-MG, se apresentou como um dos piores, indicando a necessidade premente da elevação da faixa para patamares mais salubres.
Com a demonstração dos resultados comparados foi proporcionada uma visão clara de setores que necessitam de um exponencial crescimento para que o ambiente salubre seja vivenciado pelas populações de muitos municípios.
5 CONCLUSÕES
No contexto da aplicação do ISA, mantida a formulação original e com as atualizações propostas pela SIMA (2022), foi verificada, de modo profundo, a realidade da salubridade ambiental dos 208 municípios mineiros selecionados para esta investigação. Em concomitância à utilização do ISA, o emprego das técnicas estatísticas cooperou para a elucidação do comportamento em todo o período analisado e a visão projetada pela integração das metodologias possibilitou a verificação do ISA de diferentes formas:
a) Com a elaboração do algoritmo: o algoritmo, em linguagem Dart, demonstrou viabilidade de cálculo total do ISA com segurança, rapidez e eficiência, simplificando processos e oferecendo capacidade de processamento de informações para centenas de municípios simultaneamente;
b) Com o dendrograma: permitiu-se a clarificação do retrato da salubridade ocorrida in totum durante a série histórica (2015 a 2020), com a indicação dos municípios com níveis de salubridade semelhantes e dessemelhantes;
c) Com a análise anual: foi possível investigar o modo como se apresentou a salubridade nos municípios ano a ano, possibilitando, inclusive, predições futuras;
A partir dos cálculos e resultados do ISA, todos os indicadores primários e secundários receberam tratamento analítico igualitário. Guardou-se essa compreensão, entendendo a importância individual de cada indicador. Essa observância atendeu à orientação estipulada pelo ISA em seu Manual Básico (CONESAN, 1999) de que a análise não deve se restringir ao valor global, mas também a todas as componentes.
Desse modo, foi possível obter respostas esclarecedoras em relação à conjectura apresentada de que os municípios poderiam se apresentar em condições insalubres ou de baixa salubridade. A hipótese foi parcialmente confirmada, pois de fato se comprovou a baixa salubridade no ano de 2015, mas não em 2020, quando se comprovou um novo patamar mais favorável à salubridade ambiental.
Outra vertente do processo avaliativo foi o cotejo entre o nível de salubridade ambiental dos municípios mineiros e paulistas. A comparação empreendida apresentou a presença de duas grandes lacunas nos municípios mineiros: o IAB e o IES. Essa constatação permitiu, graças ao aprofundamento da investigação, asseverar, de um modo pontual, que os déficits dos municípios mineiros estiveram, em sua maior parte, relacionados à saturação dos sistemas produtores de água para abastecimento e à inexistência de Estação de Tratamento de Esgotos.
Assim, diante da escala dos resultados apresentados nesta pesquisa, conclui-se que as informações produzidas se revestem de relevância para proporcionar conhecimento acerca da realidade do ambiente vivido, bem como para amparar projetos dedicados a maximizar a salubridade ambiental, algo que se mostrou tão essencial para a população das localidades examinadas.
REFERÊNCIAS
BAGGIO, D. B. (2013) Aplicação do Indicador de Salubridade Ambiental (ISA) no município de Cocal do Sul/SC. f.132. Monografia (Curso de Engenharia Ambiental) – Universidade do Extremo Sul Catarinense, Criciúma/SC.
BAKKE, H. A.; LEITE, A. S. M.; SILVA, L. B. Estatística multivariada: aplicação da análise fatorial na engenharia de produção. Revista Gestão Industrial. Ponta Grossa, v. 04, n. 04, p. 01-14, 2008. DOI: https://doi.org/10.3895/S1808-04482008000400001
BASTOS, A.L.; GAMA, R.S.; CAVALCANTE, A.S.G.; GAMA, J.A.S. (2014) Adaptação e aplicação do Índice de Salubridade Ambiental (ISA) para o município de Marechal Deodoro/AL. In: Congresso Norte Nordeste de Pesquisa e Inovação, 9., Anais…São Luís/MA. 2014.
BRASIL. Ministério da Saúde. DATASUS (Departamento de Informática do SUS). 2021. Disponível em: <http://www2.datasus.gov.br/DATASUS/index.php>. Acesso em: 2 jun. 2023
BRASIL. Ministério do Desenvolvimento Regional. Portaria nº 490, de 22 de março de 2021. Estabelece os procedimentos gerais para o cumprimento do disposto no inciso IV do caput do art. 50 da Lei n. 11.445, de 5 de janeiro de 2007, e no inciso IV do caput do art. 4º do Decreto n. 10.588, de 24 de dezembro de 2020. Diário Oficial da União, Brasília, DF, 23 mar. 2021. Disponível em: <https://www.in.gov.br/en/web/dou/-/portaria-n-490-de-22-de-marco-de-2021-309988760>. Acesso em: 5 jan. 2023.
CABRAL, A. C. et al. Município de Céu Azul e Sua Salubridade Ambiental. Revista Brasileira de Energias Renováveis, v.4, p. 12-17, 2013. DOI: http://dx.doi.org/10.5380/rber.v2i3.33813
CABRAL, A. C. et al. Salubridade Ambiental do Município de Missal – PR. Revista Brasileira de Energias Renováveis. v. 2, p. 73-78, 2013b. DOI: http://dx.doi.org/10.5380/rber.v2i4.35457
CARVALHO, P. R.; MUNITA, C. S.; LAPOLLI, A. L. Validity studies among hierarchical methods of cluster analysis using cophenetic correlation coeficiente. International Nuclear Atlantic Conference – INAC. 2017. Disponível em: < http://repositorio.ipen.br/bitstream/handle/123456789/28213/24038.pdf?sequence=1&isAllowed=y#:~:text=The%20cophenetic%20correlation%20coefficient%20consists,the%20simplification%20provided%20by%20the> Acesso em: 22 mar. 2023
CNM. Confederação Nacional dos Municípios. Diagnóstico da Política Nacional de Resíduos Sólidos. 2020. Disponível em: <https://static.poder360.com.br/2021/06/diagnostico-politica-nacional-de-residuos-cnm-2020.pdf>. Acesso em: 5 abr. 2023.
COLINA, V. A. C. Índice de Salubridade Ambiental (ISA) aplicado ao município Belém do Estado do Pará. 2018. Dissertação (Mestrado em Engenharia Civil) – Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2018. Disponível em: <https://ppgec.propesp.ufpa.br/ARQUIVOS/dissertacoes/2018/DISSERTA%C3%87%C3%83O%20-%20Valentina%20Castillo.pdf>. Acesso em: 28 mar. 2023.
CONESAN. Conselho Estadual de Saneamento – Indicador de Salubridade Ambiental (ISA) – Manual Básico. São Paulo, 1999.
COSTA, S. G. F.; GADELHA, C. L. M.; FILGUEIRA, J. A. Saneamento básico e salubridade ambiental em cidades do litoral do estado do Paraíba. Revista DAE, São Paulo, v. 67, n. 219, p. 9-23, out./dez. 2019. DOI: https://doi.org/10.4322/dae.2019.041
DART. Dart overview. [Sl], [2023?] Disponível em: <https://dart.dev/overview>. Acesso em: 2 jan. 2023.
DATASUS. Departamento de Informática do SUS. Informações Epidemiológicas e Morbidade. Doenças e Agravos de Notificação – 2007 em diante. 2023. Disponível em: < https://datasus.saude.gov.br/acesso-a-informacao/doencas-e-agravos-de-notificacao-de-2007-em-diante-sinan/>. Acesso em: 28 jan. 2023.
FRANÇA, J. de M., BARBOSA, T. A., MENDONÇA, L. C. Adaptação do Indicador de Salubridade Ambiental (ISA): estudo de caso no povoado bom jardim, Itabaiana – SE. Revista AIDIS De Ingeniería Y Ciencias Ambientales. Investigación, Desarrollo Y práctica, 15(3), 1191–1202. 2022. DOI: https://doi.org/10.22201/iingen.0718378xe.2022.15.3.80928
FUNASA. Fundação Nacional de Saúde. 1º Caderno de pesquisa em engenharia de saúde pública / Fundação Nacional de Saúde. Brasília: Funasa, 2013, 244 p. Disponível em: <http://www.funasa.gov.br/documents/20182/39040/1%C2%BA+Caderno+de+pesquisa+de+engenharia+de+sa%C3%BAde+p%C3%BAblica+2013.pdf>. Acesso em: 18 abr. 2023.
GAMA, J. A. S. Índice de Salubridade Ambiental em Maceió aplicado à Bacia Hidrográfica do Riacho Reginaldo em Maceió/AL. 2013. Dissertação (Mestrado em Recursos Hídricos e Saneamento) – Programa de Pós-Graduação em Recursos Hídricos e Saneamento, Universidade Federal de Alagoas, Maceió. 2013. Disponível em: <http://www.repositorio.ufal.br/handle/riufal/5183>. Acesso em: 5 fev. 2023.
HAIR JUNIOR, J. F. et al. Análise Multivariada de Dados. 6ª ed, São Paulo: Bookman., 2009. 688 p.
KASSAMBARA, A. Practical Guide To Cluster Analysis in R. 1 ed. USA: STHDA. 2017. 187 p.
LARASATI, A.; MAREN, R.; WULANDARI, R. Utilizing Elbow Method for Text Clustering Optimization in Analyzing Social Media Marketing Content of Indonesian E-Commerce. Jurnal Teknik Industri, [S. l.], v. 23, n. 2, p. 111-120, 2021. Disponível em: <https://doi.org/10.9744/jti.23.2.111-120>. Acesso em: 23 fev. 2023.
LAVRENKO, V. Agglomerative clustering: dendrogram. YouTube. 2015. Disponível em: <https://www.youtube.com/watch?v=1jW9xlEtQao>. Acesso em: 20 maio 2023.
LOBO, R. L. N. O Saneamento Básico no Brasil: Um estudo sobre a distribuição de investimentos públicos federais nas cidades médias entre 2004 e 2013. 2016. Dissertação (Mestrado em Planejamento Urbano e Regional) – Programa de Pós-Graduação em Planejamento Urbano, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2016. Disponível em: <http://objdig.ufrj.br/42/teses/859334.pdf>. Acesso em: 7 jan. 2023.
MACCARINI, M. B. Análise da salubridade ambiental na Bacia Hidrográfica do Rio Cachoeira utilizando o método Indicador de Salubridade Ambiental – ISA. 2019. Dissertação (Mestrado em Engenharia Civil) – Curso de Mestrado Acadêmico em Engenharia Civil do Centro de Ciências Tecnológicas da Universidade do Estado de Santa Catarina. Joinvile. 2019. Disponível em: < https://www.udesc.br/arquivos/cct/id_cpmenu/706/2019_02_26__Marta_Beatriz_Maccarini_1562600980396_706.pdf> Acesso em: 8 mar. 2023.
MINAS GERAIS. Secretaria de Estado de Meio Ambiente e Desenvolvimento Sustentável. Panorama de abastecimento de água e esgotamento sanitário 2021. Secretaria de Estado de Meio Ambiente e Desenvolvimento Sustentável. Belo Horizonte: Semad, 2021a. 106 p. Disponível em: <https://www.agenciaminas.mg.gov.br/ckeditor_assets/attachments/12543/panorama_abastecimento_de_agua_e_esgotamento.pdf>. Acesso em: 14 mar. 2023.
MINGOTI, S. A.; SILVA, A. F. Um exemplo de aplicação de técnicas de estatística univariada na construção de índice de preço. Nova Economia. [S. l.], v. 7, n. 2, 1997. Disponível em: <https://revistas.face.ufmg.br/index.php/novaeconomia/article/view/2249>. Acesso em: 10 maio 2023.
MINITAB. Minitab Statistical Software, Data Analysis Software. Version 21. Minitab Incorporation, State College. 2022.
MITCHELL, G. Problems and Fundamentals of Sustainable Development Indicators. Sustainable Development, [S. l.], v. 4, n. 1, p. 1–11, mar. 1996. Disponível em: <https://www.academia.edu/5259950/PROBLEMS_AND_FUNDAMENTALS_OF_SUSTAINABLE_DEVELOPMENT_INDICATORS>. Acesso em: 10 fev. 2023.
NEUMANN, B.; CALMON, A. P. S.; AGUIAR, M. M. Aplicação do ISA e Diagrama de Pareto como ferramentas de gestão do loteamento Lagoa Carapebus. Latin American Journal of Business Management, [S. l.], v. 4, n. 1, p. 44-65, jan./jun. 2013. Disponível em: <https://www.lajbm.com.br/index.php/journal/article/view/120/73>. Acesso em: 5 jan. 2023.
PEREIRA, N. J.; SOUZA, K. R. Pobreza no estado de Minas Gerais: uma análise da região norte. Revista Iniciativa Econômica, Araraquara, v. 4, n. 2, jul./dez. 2018. Disponível em: <https://periodicos.fclar.unesp.br/iniciativa/article/view/11787/9105>. Acesso em: 20 maio 2023.
PINTO, L P., CABRAL, A C., PERISSATO, S M., AZEVEDO, K D., et al. Salubridade ambiental do municipio de São Pedro do Iguaçu/PR. Revista Brasileira de Energias Renováveis. 2014. DOI: http://dx.doi.org/10.5380/rber.v3i1.36916
PINTO, L. P. et al. Condição ambiental do município de Diamante do Oeste – PR, Brazilian journal of Biosystems Engineering, [S. l.], v. 10, n. 1, p. 62–68. 2016. DOI: http://dx.doi.org/10.5380/rber.v3i1.36916
PINTO, L. P. et al. Salubridade ambiental do município de São Pedro do Iguaçu/PR. Revista Brasileira de Energias Renováveis, [S. l.], v. 3, n. 1, p. 55-64, 2014. DOI: http://dx.doi.org/10.5380/rber.v3i1.36916
QGIS. Qgis Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project. 2023. Disponível em: <http://qgis.osgeo.org>. Acesso em: 7 fev. 2023.
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna. 2022. Disponível em: <https://www.R-project.org>. Acesso em: 2 jan. 2023.
REZENDE, D. Avaliação da salubridade ambiental como fator de contribuição à gestão de recursos hídricos na porção noroeste da Bacia do Rio Pardo (SP). 2020, Dissertação (Mestrado em Engenharia Urbana). Programa de Pós-Graduação em Engenharia Urbana, Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: <https://repositorio.ufscar.br/handle/ufscar/13792>. Acesso em: 17 fev. 2023.
ROHLF, J. Society of systematic biologists adaptive hierarchical clustering schemes. Society of Systematic Biologists Stable. [S. l.], v. 19, n. 1, p. 58–82, 1970. DOI: https://doi.org/10.2307/2412027
SANTOS, G. R.; PALES, R. C. Estratégias de desenvolvimento em Minas Gerais: uma análise comparada das macrorregiões de planejamento. Cadernos do Desenvolvimento. Rio de Janeiro, v. 9, n. 14, p.163-185. 2014. Disponível em: <http://www.cadernosdodesenvolvimento.org.br/ojs-2.4.8/index.php/cdes/article/view/129>. Acesso em: 23 abr. 2023.
SANTOS, R. F. et al. Aplicação de indicadores no município de Palotina/PR. Brazilian Journal of Biosystems Engineering, [S.l.], v. 9, n. 1, p. 84-89, 2015. DOI: https://doi.org/10.18011/bioeng2015v9n1p84-89
SAPUTRA, D. M.; SAPUTRA, D.; OSWARI, L. D. Effect of Distance Metrics in Determining K-Value in K-Means Clustering Using Elbow and Silhouette Method. In: Sriwijaya International Conference on Information Technology and Its Applications (SICONIAN), 2019. Proceedings… [S.l.]: Atlantis Press, v.172, 2010, p. 341-346. DOI: https://doi.org/10.2991/aisr.k.200424.051
SENGE, Peter, et al. Escolas que aprendem: um guia da Quinta Disciplina para educadores, pais e todos que se interessam pela educação. Porto Alegre: Artmed, 2005.
SILVA, M. A.; ALMEIDA, S. P. N. C. Os resultados do IDEB no Norte de Minas: um estudo comparativo. Revista Educação, Escola e Sociedade. Montes Claros, v. 10, n.10, p. 105-116. 2017. Disponível em: <https://www.periodicos.unimontes.br/index.php/rees/article/view/171>. Acesso em: 10 abr. 2023.
SIMA. Secretaria de Infraestrutura e do Meio Ambiente do Estado de São Paulo. Plano Estadual de Saneamento Básico do Estado de São Paulo. São Paulo: SIMA, 2022. Disponível em: <https://smastr16.blob.core.windows.net/publicacoes/sites/39/2022/11/relatorio-de-salubridade-ambiental-vf.pdf>. Acesso em: 30 abr. 2023
STEPHAN, I. I. C.; MARIA, A. C. S. Os desafios do planejamento e gestão urbanos em pequenas cidades de Minas Gerais. Revista Nacional de Gerenciamento de Cidades, [S. l.], v. 3, n. 15, p. 124-141, 2015. DOI: https://doi.org/10.17271/231884723152015996
TEIXEIRA, D. A.; PRADO FILHO, J. F.; SANTIAGO, A. F. Indicador de salubridade ambiental: variações da formulação e usos do indicador no Brasil. Engenharia Sanitária e Ambiental, [S. l.], v. 23, n. 3, p. 543-556, maio/jun. 2018. DOI: https://doi.org/10.1590/S1413-41522018170866
TRATA BRASIL. Instituto Trata Brasil. Manual de saneamento básico. 2012. Disponível em: <https://tratabrasil.org.br/manual-do-saneamento-basico/ >. Acesso em: 21 jun. 2022.
1.Mestrando do Curso de Pós-Graduação em Engenharia Ambiental da Universidade Federal do Tocantins. e-mail: wesley.leal@mail.uft.edu.br Filiação / Currículo
2.Docente do Curso de Pós-Graduação em Engenharia Ambiental da Universidade Federal do Tocantins. Doutor em Engenharia Agrícola (MPEA/UFT). e-mail: catalunha@uft.edu.br