Desenvolvimento e resultados
A Análise Fatorial por Componentes Principais (PCA) configura-se em técnica exploratória que lida com variáveis MÉTRICAS que possuem, entre si, consideráveis valores de correlação, a fim de se estabelecer nova(s) variável(is) que capture(m) o comportamento conjunto das variáveis originais. Essas variáveis têm o nome de Fator.
Logo, temos 2 condições para se usar o PCA:
- As variáveis devem ser métricas;
- Elas devem ter um alto grau de correlação entre si.
Pesquisadores da Universidade de Leeds, Inglaterra, realizaram uma meta-análise com 93 estudos sobre o impacto do transporte sobre empregos com título Does transport help people to gain employment? A systematic review and meta-analysis of the empirical evidence[1], encontraram 17 estudos que associaram acesso ao transporte público e probabilidade de empregabilidade.
A meta-regressão realizada no estudo encontrou forte correlação em possuir um automóvel e empregabilidade, especialmente for a dos EUA. O acesso mais próximo de estações de transporte público resultou em maiores vantagens competitivas para jovens e mulheres.
A tabela abaixo demonstra as variáveis por bairros da cidade do Rio de Janeiro obtidos no site DATA.RIO: rendas domiciliares por família e per capita obtida (Tabela 875 do IBGE), os estabelecimentos comerciais e empregos gerados pelas 5 principais atividades econômicas que geram mais empregos como comércio, serviços privados e serviços públicos (Tabela 2843 do IBGE):
| Bairro | Região Administrativa | Renda2024capita | Renda2024 | Massa salarial 2021 | CNPJ2016 | Empregos2016 |
| Abolição | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 4.037.911,96 | ||
| Acari | Pavuna | R$ 945,06 | R$ 2.970,25 | R$ 3.336.519,28 | ||
| Alto da Boa Vista | Tijuca | R$ 5.044,05 | R$ 13.288,92 | R$ 4.509.415,39 | ||
| Anchieta | Anchieta | R$ 1.128,52 | R$ 3.451,24 | R$ 13.931.474,32 | 188 | 1490 |
| Andarai | Vila Isabel | R$ 3.878,05 | R$ 10.432,50 | R$ 20.091.529,51 | ||
| Anil | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 7.651.343,18 | ||
| Bancarios | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 613.403,30 | ||
| Bangu | Bangu | R$ 1.118,10 | R$ 3.473,78 | R$ 46.688.015,94 | 1894 | 19262 |
| Barra da Tijuca | Barra da Tijuca | R$ 6.284,67 | R$ 17.600,10 | R$ 572.263.763,26 | ||
| Benfica | São Cristovão | R$ 1.231,19 | R$ 3.729,85 | R$ 26.864.349,28 | 601 | 12073 |
| Bento Ribeiro | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 4.604.070,31 | 241 | 1740 |
| Bonsucesso | Ramos | R$ 1.495,11 | R$ 4.450,52 | R$ 83.360.810,97 | 1432 | 29791 |
| Botafogo | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 584.513.879,16 | ||
| Bras de Pina | Penha | R$ 1.361,62 | R$ 4.245,07 | R$ 4.045.621,60 | 229 | 1478 |
| Cachambi | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 6.604.794,35 | ||
| Cacuia | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 4.886.318,42 | ||
| Caju | Portuária | R$ 845,85 | R$ 2.597,67 | R$ 28.059.057,13 | ||
| Campinho | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 7.252.678,37 | ||
| Campo Grande | Campo Grande | R$ 1.252,90 | R$ 3.948,69 | R$ 157.108.887,56 | 4037 | 44483 |
| Cascadura | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 17.605.484,46 | 593 | 5502 |
| Catete | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 18.429.618,18 | ||
| Catumbi | Rio Comprido | R$ 1.972,81 | R$ 5.895,91 | R$ 1.808.488,51 | ||
| Centro | Centro | R$ 2.572,35 | R$ 5.340,28 | R$ 3.007.140.816,61 | 14492 | 391986 |
| Cidade de Deus | Cidade de Deus | R$ 855,52 | R$ 2.733,85 | R$ 1.200.326,67 | ||
| Cidade Universitaria | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 176.678.742,37 | ||
| Coelho Neto | Pavuna | R$ 945,06 | R$ 2.970,25 | R$ 19.917.876,48 | 573 | 9869 |
| Colegio | Irajá | R$ 1.750,23 | R$ 5.133,82 | R$ 3.903.979,24 | 97 | 406 |
| Copacabana | Copacabana | R$ 6.046,06 | R$ 13.187,18 | R$ 117.559.121,32 | ||
| Cordovil | Vigário Geral | R$ 1.051,04 | R$ 3.354,07 | R$ 14.373.177,70 | ||
| Cosmos | Campo Grande | R$ 1.252,90 | R$ 3.948,69 | R$ 3.903.979,24 | 162 | 1221 |
| Curicica | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 55.333.839,80 | ||
| Del Castilho | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 17.781.615,92 | 324 | 5747 |
| Deodoro | Realengo | R$ 1.419,47 | R$ 4.235,99 | R$ 3.045.935,21 | 43 | 301 |
| Encantado | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 1.812.120,62 | ||
| Engenho da Rainha | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 2.446.915,38 | ||
| Engenho de Dentro | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 22.740.511,81 | 473 | 5370 |
| Engenho Novo | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 10.014.256,24 | ||
| Estacio | Rio Comprido | R$ 1.972,81 | R$ 5.895,91 | R$ 15.726.952,90 | ||
| Flamengo | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 66.166.437,47 | ||
| Freguesia – Jacarepagua | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 47.642.071,44 | ||
| Freguesia – Ilha do Governador | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 10.450.307,38 | ||
| Galeao | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 34.121.227,02 | ||
| Gavea | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 73.562.690,49 | ||
| Gloria | Centro | R$ 2.572,35 | R$ 5.340,28 | R$ 73.546.244,72 | ||
| Grajau | Vila Isabel | R$ 3.878,05 | R$ 10.432,50 | R$ 8.622.823,14 | ||
| Guadalupe | Anchieta | R$ 1.128,52 | R$ 3.451,24 | R$ 6.188.920,74 | ||
| Guaratiba | Guaratiba | R$ 923,06 | R$ 3.006,19 | R$ 20.530.561,13 | ||
| Higienopolis | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 6.795.499,14 | ||
| Honorio Gurgel | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 3.731.484,56 | 41 | 320 |
| Humaita | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 22.054.424,99 | 394 | 4499 |
| Inhauma | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 76.797.292,10 | ||
| Inhoaiba | Campo Grande | R$ 1.252,90 | R$ 3.948,69 | R$ 3.312.415,75 | 130 | 976 |
| Ipanema | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 83.199.203,12 | ||
| Iraja | Irajá | R$ 1.750,23 | R$ 5.133,82 | R$ 44.824.574,12 | ||
| Itanhanga | Barra da Tijuca | R$ 6.284,67 | R$ 17.600,10 | R$ 4.487.254,96 | ||
| Jacare | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 13.085.017,57 | ||
| Jacarepagua | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 340.619.619,68 | ||
| Jardim Botanico | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 74.746.115,00 | ||
| Jardim Carioca | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 6.059.900,14 | ||
| Jardim Guanabara | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 14.300.706,36 | ||
| Jardim Sulacap | Realengo | R$ 1.419,47 | R$ 4.235,99 | R$ 4.925.312,25 | ||
| Lagoa | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 342.649.501,68 | ||
| Laranjeiras | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 57.113.319,84 | ||
| Leblon | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 90.080.577,07 | ||
| Lins de Vasconcelos | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 29.504.363,39 | ||
| Madureira | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 168.366.863,65 | 1956 | 18893 |
| Magalhaes Bastos | Realengo | R$ 1.419,47 | R$ 4.235,99 | R$ 1.253.161,89 | 72 | 449 |
| Mangueira | São Cristovão | R$ 1.231,19 | R$ 3.729,85 | R$ 1.037.055,00 | 28 | 348 |
| Manguinhos | Ramos | R$ 1.495,11 | R$ 4.450,52 | R$ 96.497.067,14 | 289 | 11000 |
| Maracana | Vila Isabel | R$ 3.878,05 | R$ 10.432,50 | R$ 223.253.515,18 | 726 | 8764 |
| Marechal Hermes | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 39.293.354,10 | 253 | 2053 |
| Maria da Graca | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 4.454.073,50 | ||
| Meier | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 196.668.148,59 | 1981 | 13762 |
| Monero | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 2.601.730,85 | ||
| Olaria | Ramos | R$ 1.495,11 | R$ 4.450,52 | R$ 21.608.035,50 | 581 | 6467 |
| Oswaldo Cruz | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 2.385.257,42 | 153 | 1726 |
| Paciencia | Santa Cruz | R$ 853,72 | R$ 2.783,35 | R$ 6.594.019,13 | 279 | 2024 |
| Padre Miguel | Bangu | R$ 1.118,10 | R$ 3.473,78 | R$ 5.850.338,20 | 315 | 2885 |
| Parada de Lucas | Vigário Geral | R$ 1.051,04 | R$ 3.354,07 | R$ 9.073.114,76 | 138 | 1564 |
| Pavuna | Pavuna | R$ 945,06 | R$ 2.970,25 | R$ 70.253.138,03 | ||
| Pechincha | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 29.176.979,46 | ||
| Pedra de Guaratiba | Guaratiba | R$ 923,06 | R$ 3.006,19 | R$ 1.981.367,71 | ||
| Penha | Penha | R$ 1.361,62 | R$ 4.245,07 | R$ 117.099.548,96 | ||
| Penha Circular | Penha | R$ 1.361,62 | R$ 4.245,07 | R$ 36.352.589,44 | 773 | 14516 |
| Piedade | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 7.081.916,99 | 322 | 3961 |
| Pilares | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 22.846.154,96 | ||
| Portuguesa | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 6.928.501,75 | ||
| Quintino Bocaiuva | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 39.303.585,49 | 223 | 8595 |
| Ramos | Ramos | R$ 1.495,11 | R$ 4.450,52 | R$ 235.306.533,61 | 801 | 11621 |
| Realengo | Realengo | R$ 1.419,47 | R$ 4.235,99 | R$ 36.292.856,70 | 826 | 9915 |
| Recreio dos Bandeirantes | Barra da Tijuca | R$ 6.284,67 | R$ 17.600,10 | R$ 30.273.664,96 | ||
| Riachuelo | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 6.066.144,14 | 129 | 1220 |
| Ribeira | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 7.610.023,76 | ||
| Rio Comprido | Rio Comprido | R$ 1.972,81 | R$ 5.895,91 | R$ 635.678.983,42 | ||
| Rocha Miranda | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 5.319.240,77 | 333 | 2543 |
| Santa Cruz | Santa Cruz | R$ 853,72 | R$ 2.783,35 | R$ 127.351.397,03 | 1013 | 15177 |
| Santissimo | Campo Grande | R$ 1.252,90 | R$ 3.948,69 | R$ 2.546.880,02 | 127 | 811 |
| Santo Cristo | Portuária | R$ 845,85 | R$ 2.597,67 | R$ 265.376.117,02 | ||
| Sao Conrado | Lagoa | R$ 9.513,25 | R$ 22.906,12 | R$ 8.292.270,68 | ||
| Sao Cristovao | São Cristóvão | R$ 1.231,19 | R$ 3.729,85 | R$ 267.646.222,43 | 127 | 811 |
| Senador Camara | Bangu | R$ 1.118,10 | R$ 3.473,78 | R$ 5.892.211,23 | 194 | 2344 |
| Senador Vasconcelos | Campo Grande | R$ 1.252,90 | R$ 3.948,69 | R$ 2.482.454,42 | 137 | 1058 |
| Sepetiba | Santa Cruz | R$ 853,72 | R$ 2.783,35 | R$ 2.558.707,85 | ||
| Tanque | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 8.701.230,23 | ||
| Taquara | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 54.427.063,37 | ||
| Taua | Ilha do Governador | R$ 2.242,26 | R$ 6.594,79 | R$ 2.634.399,71 | ||
| Tijuca | Tijuca | R$ 5.044,05 | R$ 13.288,92 | R$ 123.605.395,46 | ||
| Todos os Santos | Méier | R$ 2.268,18 | R$ 6.511,61 | R$ 3.931.092,93 | ||
| Tomas Coelho | Inhaúma | R$ 1.419,47 | R$ 4.235,99 | R$ 1.116.655,03 | ||
| Turiacu | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 9.455.921,27 | ||
| Urca | Botafogo | R$ 6.373,24 | R$ 14.667,09 | R$ 1.873.923,01 | ||
| Vargem Grande | Barra da Tijuca | R$ 6.284,67 | R$ 17.600,10 | R$ 5.713.477,01 | ||
| Vaz Lobo | Madureira | R$ 1.453,91 | R$ 4.339,74 | R$ 3.134.191,15 | ||
| Vicente de Carvalho | Irajá | R$ 1.750,23 | R$ 5.133,82 | R$ 4.916.095,29 | 240 | 2985 |
| Vigario Geral | Vigário Geral | R$ 1.051,04 | R$ 3.354,07 | R$ 50.336.087,76 | 230 | 6952 |
| Vila da Penha | Irajá | R$ 1.750,23 | R$ 5.133,82 | R$ 14.472.436,97 | ||
| Vila Isabel | Vila Isabel | R$ 3.878,05 | R$ 10.432,50 | R$ 271.909.105,27 | ||
| Vila Valqueire | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 15.168.040,28 | ||
| Vista Alegre | Irajá | R$ 1.750,23 | R$ 5.133,82 | R$ 3.757.322,10 | ||
| Praca da Bandeira | Tijuca | R$ 5.044,05 | R$ 13.288,92 | R$ 17.094.193,35 | ||
| Praca Seca | Jacarepaguá | R$ 2.123,44 | R$ 6.308,21 | R$ 5.655.016,03 |
A Análise PCA é um método matemático usado para simplificar conjuntos de dados complexos. Ele encontra padrões identificando direções (chamadas de componentes principais) que capturam a maior variação nos dados.
Imagine que você tem uma tabela onde as linhas são genes e as colunas são amostras (uma típica matriz de dados RNA-seq). O PCA compacta esses dados de alta dimensão em menos variáveis Componentes Principais (PCs) para que possamos visualizar e compreender melhor os relacionamentos.
O resultado? Um gráfico PCA. Cada ponto representa uma amostra, e quanto mais próximos dois pontos estiverem, mais semelhantes serão seus perfis de expressão. Mas aqui está o problema: o gráfico PCA pode mudar com base em como você pré-processa seus dados.
Código Python para análise fatorial por Componentes Principais (PCA):
O código Python realiza as seguintes ações:
- Carrega dados:
- Lê duas planilhas do arquivo Excel
Supervia_PCA.xlsx:Posto_Empregos2021eEstatSupervia.
- Seleciona colunas:
- De
Posto_Empregos2021:Renda2024,CNPJ2016,Soma de Empregos2016. - De
EstatSupervia: colunas com “Média Mensal” no nome.
- Combina e limpa dados:
- Concatena os dados selecionados em um
DataFrame. - Remove linhas com valores ausentes.
- Padroniza e aplica PCA:
- Padroniza os dados com
StandardScaler. - Aplica Análise de Componentes Principais (PCA) usando
sklearn.decomposition.PCA.
- Processa resultados:
- Cria um
DataFramecom os resultados do PCA (componentes principais, ex.:PC1,PC2). - Exibe a variância explicada por cada componente principal.
- Cria um
DataFramecom as cargas dos componentes (contribuição das variáveis originais).
- Salva resultados:
- Exporta os resultados do PCA e as cargas para o arquivo Excel
PCA_Results.xlsxem duas abas:PCA ResultsePCA Loadings.
Resumo: O código carrega dados de empregos e estatísticas da Supervia, seleciona colunas relevantes, aplica PCA após padronização, exibe variâncias e cargas dos componentes, e salva os resultados em um arquivo Excel.
Variância explicada por componente principal:
PC1: 66.12%
PC2: 33.17%
PC3: 0.71%
Cargas dos Componentes Principais:
Renda2024 CNPJ2016 Soma de Empregos2016
PC1 0.070718 0.705437 0.705236
PC2 0.997488 -0.047148 -0.052863
PC3 -0.004041 0.707203 -0.706999
- Carregamento dos Dados
- Os dados são carregados de duas planilhas:
- Posto_Empregos2021: Contém informações como renda, número de CNPJs e empregos.
- EstatSupervia: Contém médias mensais relacionadas à Supervia.
- Dados relevantes são selecionados, resultando em variáveis métricas (quantitativas e contínuas).
- Os dados são carregados de duas planilhas:
- Concatenação e Tratamento
- As colunas selecionadas de ambas as tabelas são combinadas, formando um único DataFrame.
- Linhas com valores ausentes (NaN) são removidas para evitar erros no cálculo.
- Padronização dos Dados
- StandardScaler: Os dados são escalonados para média 0 e desvio padrão 1.
- Padronizar é essencial na PCA porque variáveis com magnitudes diferentes poderiam influenciar mais os resultados.
- Aplicação da PCA
- A PCA é aplicada ao conjunto de dados padronizados.
- Os resultados incluem:
- Componentes principais (PCs): Novas variáveis ortogonais que explicam a variância nos dados.
- Variância explicada: Percentual de variância capturado por cada componente.
- Cargas dos componentes: Contribuição de cada variável original em cada componente principal.
- Exportação dos Resultados
- Os resultados são salvos em um arquivo Excel, contendo:
- Resultados da PCA (valores de cada observação para os PCs).
- Cargas dos componentes principais (relação entre variáveis originais e PCs).
- Os resultados são salvos em um arquivo Excel, contendo:
Resultados e Interpretação
- Variância Explicada por Componente Principal
- O código imprime a proporção da variância explicada por cada componente (ex.: PC1, PC2, etc.).
- Se o PC1 explicar a maior parte da variância (ex.: > 50%), ele resume bem os dados originais.
- A soma acumulada da variância explicada indica quantos componentes são necessários para capturar uma parcela significativa (ex.: 90%) da variância total.
Exemplo de interpretação:
yaml
Copiar código
Variância explicada por componente principal:
PC1: 62.5%
PC2: 18.3%
PC3: 10.1%
…
- PC1 captura 62,5% da variância, mostrando que ele sintetiza grande parte da informação.
- PC2 e PC3 explicam variâncias menores, mas ainda podem ser relevantes.
- Cargas dos Componentes Principais
- As cargas indicam a contribuição de cada variável original em cada componente.
- Valores altos (positivos ou negativos) mostram variáveis mais importantes para o respectivo PC.
Exemplo de saída das cargas:
markdown
Copiar código
Cargas dos Componentes Principais:
Renda2024 CNPJ2016 Soma de Empregos2016 Média Mensal 1 …
PC1 0.65 0.72 0.18 0.10 …
PC2 -0.45 0.30 -0.78 0.12 …
PC3 0.12 -0.10 0.10 0.95 …
Interpretação:
- Para o PC1, variáveis como Renda2024 e CNPJ2016 têm altas cargas positivas, indicando forte contribuição.
- Para o PC2, a variável Soma de Empregos2016 contribui negativamente, enquanto outras têm menor influência.
- Para o PC3, Média Mensal 1 domina, sugerindo que captura aspectos independentes.
- Correlação entre as Variáveis
- A PCA identifica correlações entre variáveis:
- Variáveis que têm cargas semelhantes (e sinal igual) em um componente estão positivamente correlacionadas.
- Variáveis com cargas de sinais opostos estão negativamente correlacionadas.
- Componentes principais são ortogonais (não correlacionados entre si).
- A PCA identifica correlações entre variáveis:
Exemplo de conclusão:
- Renda2024 e CNPJ2016 têm cargas altas e similares no PC1, indicando forte correlação positiva.
- Soma de Empregos2016 apresenta relação negativa no PC2, sugerindo que captura variabilidade distinta.
Conclusão
- São variáveis métricas?
- Sim, as variáveis escolhidas (Renda2024, CNPJ2016, etc.) são quantitativas e contínuas, adequadas para PCA.
- Correlação entre variáveis?
- Sim, a análise PCA indica correlação entre variáveis (representada pelas cargas nos componentes principais).
- Variáveis com cargas altas e semelhantes em um componente principal estão correlacionadas.
- Redução de Dimensionalidade:
- A PCA reduz a dimensionalidade, mantendo a maior parte da variância. Isso permite simplificar a análise sem perder muita informação.
Código Python para plotar um mapa de bairros com empregos que geram passageiros:
O código Python realiza as seguintes ações:
- Carrega dados:
- Lê a planilha
Posto_Empregos2021do arquivo ExcelSupervia_PCA.xlsx. - Carrega dados geográficos dos bairros do arquivo
Limite_de_Bairros.geojson.
- Pré-processa dados de empregos:
- Remove linhas com valores ausentes na coluna
Soma de Empregos2016. - Converte
Soma de Empregos2016para numérico, tratando valores inválidos comoNaNe removendo-os.
- Combina dados:
- Une os dados geográficos dos bairros com os dados de empregos, combinando pela coluna
nome(bairros) eBairro(df_postos), usando uminner join.
- Cria o mapa:
- Plota os bairros com uma escala de cores (
turbo) baseada na colunaSoma de Empregos2016, com bordas pretas e transparência. - Adiciona um fundo de mapa (
CartoDB.Positron) usandocontextily. - Define título, rótulos de longitude e latitude, e ajusta o layout.
- Exibe o mapa:
- Mostra o mapa gerado.
Resumo: O código carrega dados de empregos (2016) e geográficos de bairros, combina-os, e cria um mapa coroplético que visualiza a soma de empregos por bairro com uma escala de cores e fundo de mapa.
Conclusões:
É notável observar que os efeitos das mudanças do mercado de trabalho após a Pandemia de Covid-19 afetaram a utilização dos transportes coletivos nas grandes cidades do mundo, incluindo a região metropolitana do Rio de Janeiro. A queda da frequência de passageiros no Sistema ferroviário foi de 50% em relação aos níveis de utilização observados em 2016;
Os estudos acadêmicos indicam uma grande necessidade de melhor integração com os demais modais de transporte coletivos como ônibus e metrô;
Ao longo das décadas, as intervenções com dinheiro público dos gestores urbanos trouxeram maior conforto e segurança operacional nos trens urbanos da cidade do Rio de Janeiro, mas contribuíram para o déficit crescente nas contas do estado do Rio de Janeiro;
As médias observadas nos Ramais Belford Roxo e Vila Inhomirim indicam a necessidade de substituição do Modal de transporte para outro mais econômico e com um modelo de negócios atraente para a iniciativa privada;
A nossa proposta sobre a substituição dos trens e estações do Ramal Belford Roxo busca uma melhor segurança operacional, aumentar o número de passageiros atendidos, auxiliar na recuperação judicial da Concessionária de trens e uma alternativa viária para a ligação do Centro da cidade com regiões empobrecidas para promover sua revitalização;
Faz-se necessário um trabalho conjunto entre governo estadual, AGETRANSP e ANTT para avaliar alternativas e soluções de integração em diferentes modais de transporte na Região metropolitana do Rio de Janeiro.
Outra proposta que poderia ser estudada seria a duplicação da passagem férrea sobre a Avenida Francisco Bicalho para possibilitar maior fluxo de trens com segurança e menor tempo de viagens.
[1] Does transport help people to gain employment? A systematic review and meta-analysis of the empirical evidence – White Rose Research Online
Blog Paracleto 