Aula 6 - Texto Geografia Politica

Prévia do material em texto

GEOGRAFIA POLÍTICA 
AULA 6 
 
 
 
 
 
 
 
 
 
 
 
 
Prof. Pedro Vicente de Castro 
 
 
 
 
 
2 
CONVERSA INICIAL 
Nesta aula, você será introduzido a conceitos e técnicas úteis para a 
realização de análises que envolvem espaço geográfico. Você será introduzido 
a noções básicas sobre mapas e informações que eles apresentam, bem como 
a alguns de seus estilos mais populares. Você também será introduzido a 
técnicas de análise de dados espaciais que vão além da visualização gráfica e 
oferecem medidas objetivas da existência de padrões geográficos. Você ainda 
será alertado a respeito de algumas armadilhas comuns que enfrentamos ao 
lidar com dados agregados de acordo com unidades geográficas. Por fim, você 
será apresentado a alguns softwares populares para a análise de dados em geral 
e de dados espaciais em particular, bem como fontes de dados, tanto em geral 
quanto espaciais. Para realizar análises que envolvem espaço geográfico, tão 
importante quanto saber utilizar essas ferramentas é saber qual papel o espaço 
desempenha na explicação do fenômeno que nos interessa. Sendo assim, é por 
esse tópico que começamos a discussão. 
TEMA 1 – PAPEL DO ESPAÇO GEOGRÁFICO NAS EXPLICAÇÕES 
Explicações de fenômenos sociais envolvem teorias. Em ciências sociais, 
teorias são histórias sobre por que as pessoas se comportam da maneira como 
se comportam. Elas partem de premissas sobre suas motivações e sobre como 
a situação em que fazem escolhas as influenciam a fazê-las em um sentido e 
não em outro. O propósito da pesquisa empírica é coletar informações que 
permitam a formulação de tais teorias ou analisá-las para verificar se as teorias 
existentes são consistentes com a realidade. 
O espaço geográfico pode entrar de diversas formas na formulação 
dessas teorias. Em geral, essas formas envolvem proximidade geográfica. A 
ideia é que pessoas que estão próximas entre si tendem a se comportar de uma 
maneira mais semelhante do que pessoas que estão distantes entre si. Isso é 
uma instância do que o geógrafo Waldo Tobler (citado por Leonardi, 2013) 
chama de primeira lei da Geografia: “todas as coisas são relacionadas com todas 
as demais, mas aqueles que estão próximas entre si são mais relacionadas do 
que aquelas que estão distantes”. 
Na ciência política, um exemplo de dinâmicas desse tipo são os chamados 
efeitos contextuais. Quando há efeitos contextuais, variáveis no nível dos 
 
 
3 
indivíduos não são suficientes para explicar seu comportamento. Indivíduos com 
as mesmas características se comportam de maneira diferente em virtude do 
contexto no qual estão inseridos. Um exemplo é o chamado efeito de vizinhança 
nos estudos sobre comportamento eleitoral. Efeito de vizinhança se refere à 
hipótese de que o comportamento do eleitor é influenciado pelo comportamento 
dos seus vizinhos. O mesmo eleitor teria uma probabilidade maior de votar no 
partido A do que no partido B em uma vizinhança que apoia mais A do que B e 
vice-versa em uma vizinhança que apoia mais B do que A. 
A noção de efeitos contextuais é controversa. Enquanto alguns autores, 
como o geógrafo John Agnew (1996), argumentam que eles existem e são 
importantes, outros discordam. O cientista político Gary King (1996) argumenta 
que, se indivíduos com as mesmas características se comportam de maneira 
diferente, isso não indica que há efeitos contextuais, mas viés de variável 
omitida: há alguma característica desses indivíduos que é importante para 
explicar seu comportamento que deixamos de fora da nossa análise. A resposta 
é identificar quais são essas características. A explicação do comportamento 
ainda permaneceria nas características individuais. 
Independentemente de quem esteja correto nessa controvérsia, quando 
lidamos com dados espaciais ou espacializados, é importante pensar se/como o 
espaço influencia o fenômeno que queremos explicar. Ele realmente é 
importante por si só ou as variáveis não espaciais já dão conta de tudo? 
TEMA 2 – MAPAS 
Mapas são representações gráficas de um conjunto de informações ou, 
como cientistas sociais costumam dizer, dados. Mapas podem representar tanto 
dados espaciais quanto dados não espaciais. Dados espaciais são aqueles com 
características intrínsecas ao espaço geográfico, como área, distância ou relevo, 
bem como atividades humanas associadas ao território, como a localização de 
edifícios. Dados não espaciais são características que, a princípio, independem 
do espaço em que se encontram A maior parte dos dados políticos, econômicos 
ou sociais com os quais trabalhamos são dados não espaciais, como número de 
votos, custo de vida ou a implementação de uma política pública. Contudo, 
podemos atribuir características espaciais aos dados não espaciais para analisá-
los em função do espaço. Por exemplo, podemos agregar os votos de uma 
 
 
4 
eleição desde o nível da urna até o nível municipal ou estadual. Ou então calcular 
o custo de vida em uma região da cidade ou no município inteiro. 
2.1 Tipos de mapa, projeções e coordenadas 
Como já dito, mapas são representações gráficas de dados. Os dados são 
elementos fundamentais que os mapas apenas apresentam de maneira visual. 
Diferentes mapas se distinguem em diversos aspectos. Um deles é a maneira 
como os dados que são apresentados no mapa são organizados. Nessa 
dimensão, mapas podem ser do tipo raster ou do tipo vetorial. Em mapas raster, 
cada pixel da imagem corresponde a uma unidade de informação no conjunto de 
dados original. Esses dados são organizados em uma grade, com n colunas por 
n linhas, em que a informação contida em cada célula corresponde a um pixel 
no mapa. Mapas extremamente detalhados, criados com base em imagens de 
satélite, com informações topográficas, costumam ser desse tipo. No caso de 
mapas vetoriais, os dados são organizados em uma tabela (ou algum objeto com 
formato de tabela). Para cada linha da tabela (ou unidade de observação) há 
coordenadas que associam as informações que ela contém a um ponto do mapa. 
Uma coluna traz as coordenadas na dimensão horizontal e outra as coordenadas 
na dimensão vertical. Cada linha pode conter várias informações que são 
associadas a um mesmo ponto. Utilizando-se desses pontos, é possível 
representar linhas e polígonos. 
Mapas são representações em duas dimensões, isto é, planas. Mas a 
Terra não é plana, ela tem um formato semelhante a uma esfera. E não é 
possível converter a superfície de uma esfera em uma área plana. Por isso, todo 
mapa é uma adaptação da realidade a uma superfície bidimensional, plana. 
Essas adaptações podem ser feitas de diferentes formas, que são conhecidas 
como projeções cartográficas. Sendo uma adaptação, toda projeção envolve 
alguma distorção em relação à realidade. Essa distorção pode ser de área, 
ângulo, forma, distância e direção. Sendo assim, mapas são soluções de 
compromisso que visam a preservar alguma característica da realidade que nos 
interessa, em prejuízo das demais. Uma projeção equivalente ou de igual área, 
por exemplo, preserva as áreas analisadas. Já uma projeção conforme preserva 
os ângulos, distorcendo menos as formas que outras projeções. E uma projeção 
azimutal preserva as distâncias em relação ao ponto em que ela é centrada. A 
mais famosa projeção da Terra é provavelmente a de Mercator, que adapta o 
 
 
5 
globo a um cilindro. Isso preserva as características das regiões próximas à linha 
do equador, enquanto distorce drasticamente as daquelas próximas aos polos 
norte e sul. 
Dado que toda representação bidimensional da Terra envolve distorções, 
diferentes representações geram diferentes coordenadas para um mesmo ponto 
na realidade. Por isso, existem diferentes sistemas de referência de 
coordenadas (SRC ou CRS, na sigla em inglês) correspondentes a diferentes 
representações bidimensionais da Terra. Um SRC é composto por um ponto de 
origem, uma elipse e um datum.Há diferentes data, produzidos por diferentes 
órgãos e com diferentes finalidades. Aquele que traz a representação mais 
acurada do território brasileiro é o SIRGAS 2000, utilizada em mapas oficiais. 
Outros data comumente utilizados para mapas do Brasil são os SAD69 e 
Córrego Alegre, a que o SIRGAS 2000 sucedeu. 
2.2 Estilos de mapa 
Em mapas, podemos usar pontos, linhas, polígonos e outras formas para 
representar uma série de informações diferentes. A escolha de algumas formas 
para representar determinadas informações constitui estilos consagrados. Um 
desses são os mapas coropléticos. Nesse estilo de mapa são atribuídas cores a 
áreas como bairros, municípios ou países, de acordo com os níveis de uma 
variável categórica ou contínua. É de praxe usar diferentes cores no caso de 
uma variável categórica e variações no tom de uma única cor no caso de uma 
variável contínua. Essas duas escolhas ainda podem ser combinadas para 
mostrar simultaneamente uma variável categórica e uma contínua. Por exemplo, 
é possível atribuir uma cor para os municípios em que determinado partido 
ganhou a eleição e outra para aqueles em que perdeu e ainda variar o tom 
dessas duas cores de acordo com a margem de vitória ou derrota. 
Mapas de pontos mostram a localização de algum objeto, evento ou outro 
fenômeno de interesse. Já mapas de símbolos proporcionais mostram os níveis 
de uma variável associada a pontos no espaço (por exemplo, o número de 
habitantes por município). Mapas de pontos, ao mostrarem a localização de 
algum fenômeno de interesse, também mostram, indiretamente, sua 
concentração. Mas mapas isopléticos, ou de calor, fazem isso de maneira direta. 
Em vez de pontos, eles mostram linhas que conectam os pontos no espaço onde 
há um mesmo nível de concentração do fenômeno, as chamadas isolinhas. Além 
 
 
6 
disso, o espaço entre diferentes isolinhas é preenchido com cores que variam de 
acordo com nível de concentração do fenômeno (por exemplo, o número de 
crimes cometidos na extensão do território de um município). 
Cartogramas são mapas que distorcem a forma e o tamanho das áreas 
de acordo com o nível de uma variável associada às áreas (por exemplo, a 
população dos estados brasileiros). Já mapas de fluxo indicam o movimento de 
algum elemento, como pessoas, mercadorias ou informações, no espaço por 
meio de linhas. Por fim, os diagramas de Voronoi são representações gráficas 
de áreas construídas de acordo com um critério específico. Seu ponto de partida 
é um mapa de pontos. Um diagrama de Voronoi divide o espaço em um número 
de polígonos igual ao número de pontos, de forma que cada polígono contém 
apenas um ponto. O critério específico que caracteriza os diagramas de Voronoi 
é que qualquer outro ponto dentro do polígono estará mais próximo do ponto 
original contido naquele polígono do que de qualquer outro ponto original contido 
nos demais polígonos. 
TEMA 3 – TÉCNICAS DE ANÁLISE ESPACIAL 
Como já dissemos, mapas são uma representação gráfica de dados 
espaciais ou espacializados. A associação dos dados a um ponto, linha ou 
polígono no espaço é, portanto, uma condição necessária de sua confecção. Em 
mapas vetoriais, isso é feito por meio de coordenadas. Essa informação, 
contudo, nem sempre está pronta para ser utilizada. Mas é possível recuperá-la 
de outras informações. 
Mapas permitem que observemos visualmente padrões geográficos na 
distribuição de objetos, eventos ou outros fenômenos de interesse. Mas nossos 
olhos podem nos enganar. Temos a tendência de identificar padrões visuais 
mesmo quando eles não existem. A identificação de padrões visualmente tem 
um elemento de subjetividade que pode nos induzir a erro. Por isso, o ideal é 
utilizar técnicas que retornam medidas objetivas sobre o aspecto geográfico do 
fenômeno de interesse. 
3.1 Georreferenciamento, distância e vizinhança 
A técnica para recuperar as coordenadas de latitude e longitude de uma 
unidade de observação é chamada de georreferenciamento ou geocodificação. 
 
 
7 
Para utilizá-la, é necessário ter alguma outra informação que associe a unidade 
a um ponto do espaço, como o endereço. Serviços on-line, como o Google Maps, 
permitem que se obtenham as coordenadas de um endereço. Isso pode ser feito 
manualmente ou de maneira automatizada, com rotinas programadas em 
softwares de análise de dados. Ter as coordenadas das unidades de observação 
é uma condição necessária não apenas para a confecção de mapas vetoriais, 
mas também para outras tarefas úteis, como cálculos de distância e confecção 
de matrizes de vizinhança. 
A medida espacial mais elementar é a distância entre dois pontos, linhas 
ou polígonos associados a um fenômeno. Isso é facilmente computável em 
softwares de análise de dados. Uma medida um pouco mais complexa é a 
vizinhança, a qual mede a relação entre duas unidades de observação que são 
associados a diferentes elementos no espaço. Ela pode ser uma variável 
categórica, simplesmente indicando que as duas unidades são ou não são 
vizinhas, ou uma variável contínua, indicando o quão intensamente relacionadas 
essas duas unidades são. Essa informação, para todas as unidades de 
observação, é organizada em uma matriz de vizinhança ou matriz de pesos 
espaciais, em que a primeira linha e a primeira coluna indicam a unidade de 
observação e os restantes das células o nível de vizinhança para cada par de 
unidades. 
Matrizes de vizinhança ou de pesos espaciais podem ser construídas com 
base em diferentes critérios de vizinhança. Um possível critério é a distância 
entre as unidades, unidades mais próximas entre si sendo mais intensamente 
relacionadas do que unidades mais distantes entre si (na prática, é necessário 
transformar a variável distância, de forma que as unidades mais próximas entre 
si apresentem valores mais altos e não mais baixos). Um critério comum é a 
contiguidade, que se aplica a unidades associadas no espaço a polígonos e 
produz uma medida categórica. De acordo com esse critério, são consideradas 
vizinhas de uma unidade todas aquelas cujos polígonos são contíguos ao dela 
no espaço. 
Outro critério popular é o dos k vizinhos mais próximos (k-nearest 
neighbors). De acordo com esse critério, são considerados vizinhos de uma 
unidade todas as k unidades com as menores distâncias em relação a ela, sendo 
k um número definido pelo pesquisador. Outro critério é aquele que considera 
vizinhas a uma unidade todas a unidades com distâncias em relação a ela 
 
 
8 
inferiores a um valor fixo. Em outros termos, todas as unidades estão dentro de 
um raio de distância fixo. Esses são só alguns exemplos. Matrizes de vizinhança 
podem ser construídas de inúmeras formas diferentes. 
3.2 Dependência espacial 
Matrizes de vizinhança são utilizadas em análises estatísticas que 
consideram a possibilidade de dependência espacial entre as unidades de 
observação. Um pressuposto comum de análises estatísticas é que os valores 
de uma variável em diferentes unidades de observação são independentes entre 
si, isto é, o valor em uma unidade não influencia o valor em outra. Isso pode ser 
falso na realidade. Uma das maneiras com que isso pode acontecer é quando o 
valor da variável em uma unidade influencia o valor dessa mesma variável em 
uma unidade vizinha. É isso que chamamos de dependência espacial. 
Uma medida de dependência espacial é a autocorrelação espacial. 
Correlação é uma medida de associação entre a maneira como duas variáveis 
variam entre diferentes unidades de observação. Valores positivos indicam que 
elas variam da mesma forma: quando uma aumenta em uma unidade, a outra 
também aumenta na mesma proporção. Valores negativos indicam o contrário: 
quando uma aumenta, a outra diminui. E valores próximos do zero indicam que 
elas não são correlacionadas. Autocorrelação mede o quão associada uma 
variável é consigo mesma (por isso auto) em unidades vizinhas.Medidas de autocorrelação podem ser globais, medindo a dependência 
espacial no conjunto dos dados, ou locais, medindo o quanto uma variável em 
uma observação específica é correlacionada consigo mesma nas unidades 
vizinhas. As medidas locais são chamadas de indicadores locais de associação 
espacial ou LISA (sigla do nome em inglês: local indicator of spatial association). 
A medida mais popular de autocorrelação é o I de Moran. Como acontece 
com medidas de correlação, como a de Pearson, valores positivos indicam 
autocorrelação positiva: quando a variável aumenta em uma unidade, ela 
também aumenta nas unidades vizinhas. Valores negativos indicam 
autocorrelação negativa: quando a variável aumenta em uma unidade, ela 
diminui nas unidades vizinhas. Valores próximos a zero indicam ausência de 
autocorrelação. O LISA pode ser calculado utilizando-se a mesma técnica 
envolvida no I de Moran, e o resultado recebe a mesma interpretação. 
 
 
9 
Outra análise de dependência espacial é a regressão espacial. 
Regressão linear é uma técnica muito popular em ciências sociais para analisar 
a relação entre duas variáveis. Ela retorna coeficientes, que correspondem à 
mudança na variável dependente ou resposta associados a uma mudança de 
uma unidade na variável independente ou explicativa. Regressão linear é um tipo 
de análise em que é comum pressupor que os valores de uma variável em 
diferentes unidades de observação são independentes entre si. Mas isso pode 
ser falso na realidade. Regressão espacial é uma técnica de regressão linear 
que considera a possibilidade de dependência espacial entre as unidades de 
observação. 
Há dois modelos básicos de regressão espacial: defasagem espacial 
(spatial lag) e erro espacial (spatial error). O primeiro modela os valores da 
variável resposta como uma função em parte dos valores dela mesma nas 
unidades vizinhas. O segundo modela os valores do termo de erro como uma 
função dos valores dele mesmo nas unidades vizinhas. A escolha entre qual dos 
dois modelos utilizar deve ser fundamentada em teoria. Modelos de defasagem 
espacial são apropriados quando acreditamos que há um processo de difusão 
na realidade: os valores da variável em uma unidade influenciam os valores dela 
mesma nas unidades vizinhas. Por exemplo, podemos acreditar que ter vizinhos 
democráticos aumenta a probabilidade de que um país seja ele mesmo 
democrático. 
Já modelos de erro espacial são apropriados quando acreditamos que as 
unidades vizinhas se comportam de maneira semelhante, mas por outra razão 
que não sabemos identificar de antemão. Por isso, modelos de erro espacial são 
teoricamente menos interessantes. Frequentemente eles apenas indicam que 
não incluímos no modelo alguma variável que explica o comportamento 
semelhante das unidades vizinhas, isto é, que há o que se chama em estatística 
de viés de variável omitida. 
TEMA 4 – ARMADILHAS COMUNS 
Frequentemente, os dados espaciais ou espacializados com os quais 
trabalhamos são agregados, ou seja, cada unidade de observação não 
corresponde a um único objeto, evento ou fenômeno de interesse, mas a um 
conjunto deles associado a uma unidade espacial, como um bairro, um município 
ou um estado. Nesses casos, é preciso tomar cuidado ao tirar conclusões sobre 
 
 
10 
o nível individual com base nos dados no nível agregado e vice-versa. Em 
particular, é preciso estar alerta para três problemas em potencial: falácia 
ecológica, falácia atomista ou composicional e problema de unidade de área 
modificável. 
Às vezes, observamos um padrão no nível agregado e somos tentados a 
concluir que ele também é observado no nível individual. Contudo, isso pode não 
ser verdade. Quando concluímos erroneamente que um padrão no nível 
agregado se repete no nível individual, cometemos a chamada falácia ecológica. 
Por exemplo, nas eleições presidenciais nos Estados Unidos, os candidatos do 
Partido Republicano costumam ganhar nos estados mais pobres, enquanto os 
do Partido Democrata costumam ganhar nos estados mais ricos. Baseados 
nesse dado agregado, podemos ficar tentados a concluir que os eleitores mais 
pobres tendem a votar nos candidatos do Partido Republicano, enquanto os mais 
ricos tendem a votar naqueles do Partido Democrata. 
Mas o dado agregado é compatível com outros dois padrões no nível 
individual: que não haja relação entre renda e preferência partidária (todos os 
eleitores dos estados mais pobres são mais propensos a votar no Partido 
Republicano e os dos estados mais ricos naqueles do Partido Democrata, 
independentemente da renda); e que quanto maior a renda de um eleitor, mais 
propenso ele é a votar no Partido Republicano e vice-versa. Na realidade, esse 
é o padrão observado no nível individual: o partido republicano tende a ir melhor 
nos estados mais pobres, mas dentro desses estados são os eleitores mais ricos 
que têm maior propensão a votar no partido. 
Às vezes, somos tentados a fazer o contrário: observar um padrão no nível 
individual e concluir que ele também é observado no nível agregado. Mas isso 
também pode não ser verdade. Quando concluímos erroneamente que um 
padrão no nível individual se repete no nível agregado, cometemos a chamada 
falácia atomista ou composicional. O exemplo sobre a relação entre renda e 
preferência partidárias nas eleições presidenciais nos Estados Unidos é 
pertinente aqui também. 
Como vimos, quanto maior a renda de um eleitor, mais propenso ele é a 
votar no Partido Republicano e vice-versa. Levando em conta esse dado no nível 
individual, podemos ficar tentados a concluir que os estados mais ricos tendem 
a votar nos candidatos do Partido Republicano, enquanto os mais pobres tendem 
a votar naqueles do Partido Democrata. Mas, como já vimos, isso não é verdade. 
 
 
11 
Nesse exemplo, conclusões sobre o nível individual com base no agregado são 
tão equivocadas quanto conclusões sobre o nível agregado baseadas no 
individual. No primeiro caso, cometemos a falácia ecológica; no segundo, a 
falácia atomista ou composicional. 
O mesmo dado no nível individual pode ser agregado de acordo com 
diferentes unidades de área. Votos, por exemplo, podem ser agregados por urna, 
município, estado etc. Às vezes, nossas conclusões podem variar de acordo com 
a unidade de área escolhida. Trata-se do problema da unidade de área 
modificável (MAUP, na sigla em inglês). Esse problema pode ter duas fontes. A 
primeira é a escala da unidade de área: ao agregar em um nível inferior ou 
superior, podemos chegar a conclusões diferentes. Votos, por exemplo, podem 
ser agregados por urna ou por município, levando-nos a conclusões diferentes. 
A segunda fonte é a partição da unidade de área. No caso do problema 
originado na escala, todas as unidades no nível inferior são contidas na unidade 
de nível superior. Mas diferentes unidades de área também podem repartir o 
mesmo espaço de maneiras diferentes e isso também pode nos levar a 
conclusões diferentes. Indicadores de saúde do município de São Paulo, por 
exemplo, podem ser agregados por subprefeitura ou por macrorregiões da 
saúde. Essas duas unidades repartem o município de São Paulo de maneiras 
diferentes. Uma não contém a outra e vice-versa. 
TEMA 5 – FERRAMENTAS 
Nesta seção, vamos recomendar algumas ferramentas para análise de 
dados e, em particular, para análise de dados espaciais. Essas ferramentas são 
de dois tipos. Primeiramente, softwares de análise de dados e de dados 
espaciais. Alguns deles são conhecidos como sistemas de informação 
geográfica (GIS, na sigla em inglês). Em segundo lugar, fontes de dados e de 
dados espaciais. 
5.1 Softwares 
O ArcGIS é um sistema de informação geográfica produzido pela Esri. 
Trata-se, provavelmente, do software de GIS mais completo para o usuário 
médio, e com farto material de instruções de uso disponível on-line e em 
bibliotecas. Seu uso é bastante intuitivo, permitindoque o usuário abra dados 
 
 
12 
espaciais, conduza análises e produza visualizações. É um software pago, ao 
contrário de outros listados nesta seção. 
Saiba mais 
Acesse o link a seguir para obter mais informações sobre o ArcGIS: 
ArcGIS On-line. Disponível em: <https://www.esri.com/pt-
br/arcgis/products/arcgis-on-line/overview>. Acesso em: 19 fev. 2021. 
O QGis é um software livre (ou seja, que permite acesso e uso de qualquer 
pessoa a seu código fonte) de GIS, que desempenha funções semelhantes à do 
ArcGIS. Ele é distribuído gratuitamente, produzido por diversos desenvolvedores 
voluntários, que mantêm o programa atualizado. 
O QGis tem versões em português, pode ser usado em diversos sistemas 
operacionais e costuma demandar menos capacidade operacional da máquina. 
Ele também é de fácil uso e possui uma comunidade on-line bastante ativa, 
facilitando a resolução de dúvidas. 
Saiba mais 
Para maiores informações e download do programa, você pode acessar 
o link a seguir: 
QGIS – Um Sistema de Informação Geográfica livre e aberto. Disponível 
em: <https://qgis.org/pt_BR/site/>. Acesso em: 19 fev. 2021. 
O GeoDa também é um software livre (portanto, gratuito), mantido 
atualmente pela Universidade de Chicago, cujo foco principal é a análise e a 
modelagem de dados espaciais, sendo muito usado para o cálculo de 
autocorrelação espacial (mas que também pode ser usado para a produção de 
visualizações de mapas temáticos, como mapas coropléticos). Infelizmente, ele 
só possui versões em inglês. Contudo, para aqueles que se sentem confortáveis 
com a língua, é uma boa opção para as análises mencionadas anteriormente, 
pois é bastante intuitivo e veloz. 
Saiba mais 
O download do programa pode ser feito acessando o link a seguir: 
GEODA – An Introduction to Spatial Data Analysis. Disponível em: 
<http://geodacenter.github.io/>. Acesso em: 19 fev. 2021. 
 
 
13 
O TerraView é um software GIS criado pela Divisão de Processamento de 
Imagens do Instituto Nacional de Pesquisas Espaciais (INPE), sendo livre e 
gratuito. Ele permite a manipulação de dados espaciais, além da realização de 
diversas operações com eles. Como se trata de um software desenvolvido por 
um órgão do Estado brasileiro, ele tem versão em português. Ele também conta 
com diversos usuários pelo país, que produzem materiais de auxílio, muitos 
deles disponíveis na internet. 
Saiba mais 
Para mais informações, acesse o link a seguir: 
TERRALIB AND TERRAVIEW WIKI PAGE. Disponível em: 
<http://www.dpi.inpe.br/terralib5/wiki/doku.php>. Acesso em: 19 fev. 2021. 
O MapInfo é um software de GIS pago, produzido pela Pitney Bowes 
Software, com versões em português. Há uma comunidade ativa de usuários de 
MapInfo no Brasil, que disponibiliza vídeos e cursos sobre o software, que podem 
ajudar os iniciantes. 
Saiba mais 
Maiores informações sobre o programa podem ser encontradas 
acessando o link a seguir: 
PRECISILY. Disponível em: <https://www.precisely.com/about-us/pitney-
bowes-software-and-data?utm_medium=Redirect-PB&utm_source=Direct-
Traffic>. Acesso em: 19 fev. 2021. 
O Stata é um software (pago) de análise de dados estatísticos, produzido 
pela StataCorp., muito utilizado em todo o mundo na área de ciências sociais. 
Apesar disso, não são muitos os usuários habituais do Stata que conhecem 
alguns dos pacotes que permitem carregar e manipular dados espaciais, além 
de produzir análises e visualizações neste programa. Dentre esses pacotes, 
existem o spmap, o shp2dta (compatível com dados no formato Esri shapefile) e 
o mif2dta (compatível com dados no formato MapInfo Interchange). Para aqueles 
que já fazem uso desse software, conhecer esses pacotes é uma boa opção 
(eles também contam com fóruns on-line de dúvidas). 
 
 
 
14 
Saiba mais 
Para maiores informações sobre o Stata, acesse o link a seguir: 
STATA. Disponível em: <https://www.stata.com/>. Acesso em: 19 fev. 
2021. 
Por fim, o R é uma linguagem de programação e também um software 
(livre e gratuito) que vem ganhando cada vez mais usuários, especialmente nas 
ciências sociais. Apesar de menos intuitivo para usuários iniciantes, o potencial 
de seu uso é enorme, uma vez que ele possibilita a produção de dados e análises 
espaciais e as mais diversas visualizações, exigindo menos capacidade 
computacional do computador e permitindo a automatização de rotinas (como a 
produção de centenas de mapas a partir de um único bloco de código). Uma das 
principais novidades neste software nos últimos anos foi a criação do pacote sf 
(simple features), que facilitou enormemente o trabalho com dados espaciais no 
R. 
Saiba mais 
Para download do R e outras informações, acesse o link a seguir: 
R. The R Project for Statistical Computing. Disponível em: < https://www.r-
project.org/>. Acesso em; 19 fev. 2021. 
5.2 Dados 
O Instituto Brasileiro de Geografia e Estatística (IBGE) fornece 
gratuitamente arquivos espaciais com mapas de todo o país, em diferentes 
subdivisões e períodos de tempo. 
Saiba mais 
Esses arquivos podem ser acessados pelo link a seguir: 
IBGE – Instituto Brasileiro de Geografia e Estatística. Visualize mapas. 
IBGE, [S.d.]. Disponível em: <https://mapas.ibge.gov.br/bases-e-
referenciais/bases-cartograficas.html>. Acesso em: 19 fev. 2021. 
O Atlas do Desenvolvimento Humano no Brasil (também conhecido como 
Atlas Brasil) é uma plataforma de consulta de informações relacionadas ao Índice 
de Desenvolvimento Humano Municipal (IDHM) para todo o país. Podemos 
 
 
15 
acessar essas informações tanto diretamente quanto fazendo o download dos 
dados pelo site. Os mapas disponibilizados na plataforma vêm com essas 
informações incluídas como variáveis. 
Saiba mais 
O Atlas Brasil foi desenvolvido pelo Programa das Nações Unidas para o 
Desenvolvimento (PNUD), Instituto de Pesquisa Econômica Aplicada (IPEA) e 
Fundação João Pinheiro (FJP-MG) e pode ser acessada pelo link a seguir: 
ATLAS DO DESENVOLVIMENTO HUMANO DO BRASIL. Disponível em: 
<https://atlasbrasil.org.br/>. Acesso em: 19 fev. 2021. 
O IPEA Data é uma plataforma criada pelo IPEA que organiza e 
disponibiliza (em diferentes formatos) uma ampla variedade de dados 
macroeconômicos, regionais e sociais do país, em nível municipal, estadual e 
nacional. Essas informações podem ser associadas em mapas para a realização 
de análises espaciais. 
Saiba mais 
A plataforma está disponível acessando o link a seguir: 
IPEADATA. Disponível em: <http://ipeadata.gov.br/>. Acesso em: 19 fev. 
2021. 
O Centro de Estudos da Metrópole (CEM-USP) é um grupo de pesquisa 
interdisciplinar, sediado na Universidade de São Paulo. O CEM-USP 
disponibiliza tanto mapas prontos quanto diversos conjuntos de dados (espaciais 
ou espacializáveis). Para acessar esses dados, o usuário somente precisa fazer 
um cadastro gratuito. 
Saiba mais 
Para conhecer o site do CEM-USP, acesse o link a seguir: 
CENTRO DE ESTUDOS DA METRÓPOLE. Disponível em: 
<http://centrodametropole.fflch.usp.br/pt-br>. Acesso em: 19 fev. 2021. 
O site da INDE centraliza uma série de dados espaciais brasileiros, dos 
mais diversos assuntos, que estão disponíveis para acesso e download pelos 
usuários. Os dados podem ser acessados no site: https://inde.gov.br/ 
 
 
16 
O repositório de dados eleitorais do Tribunal Superior Eleitoral (TSE) 
centraliza uma série de dados eleitorais brasileiros, como aqueles de 
candidaturas, eleitorado ou resultados. 
Saiba mais 
Eles também são de livre acesso por meio do link a seguir: 
TSE – Tribunal Superior eleitoral. Repositório de dados eleitorais. TSE, 
[S.d.]. Disponível em: < https://www.tse.jus.br/eleicoes/estatisticas/repositorio-
de-dados-eleitorais-1/repositorio-de-dados-eleitorais>. Acesso em: 19 fev. 2021. 
O Cepesp Data é uma plataforma desenvolvida pelo Centro de Política e 
Economia do Setor Público (CEPESP) da Fundação Getúlio Vargas (FGV), que 
organiza,cataloga e disponibiliza em formatos mais amigáveis uma série de 
dados disponibilizados pelo TSE. Dentre eles, estão disponibilizados mapas 
eleitorais de cada candidato, produzidos pelo Cepesp. 
Saiba mais 
A plataforma do Cepesp Data está disponível acessando o link a seguir: 
CEPESP DATA. Disponível em: <https://cepespdata.io/>. Acesso em: 19 
fev. 2021. 
O Departamento de Informática do Sistema Único de Saúde (Datasus) 
disponibiliza uma grande quantidade de dados sobre diferentes aspectos da 
saúde no Brasil. 
Saiba mais 
Esses dados podem ser encontrados no site: 
DATASUS. Transferência da arquivos. Datasus, [S.d.]. Disponível em: 
<http://datasus.saude.gov.br/transferencia-de-arquivos/>. Acesso em: 19 fev. 
2021. 
O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira 
(INEP), autarquia vinculada ao Ministério da Educação, também produz e 
disponibiliza dados referentes à educação no Brasil, dentre eles o Censo 
Escolar, o Censo da Educação Superior, além de informações sobre o ENEM e 
o ENADE. 
 
 
17 
Saiba mais 
A plataforma de dados abertos do INEP pode ser encontrada acessando 
o link a seguir: 
INEP – Instituto Nacional de Estudos e Pesquisas Educacionais Anísio 
Teixeira. Dados abertos. Inep, [S.d.]. Disponível em: 
<http://portal.inep.gov.br/web/guest/dados>. Acesso em: 19 fev. 2021. 
NA PRÁTICA 
A equipe de visualização de dados do jornal digital Nexo faz um excelente 
trabalho de produzir gráficos e mapas bastante atrativos visualmente, trazendo 
várias informações relevantes sobre fenômenos políticos e sociais da atualidade. 
Os mapas seguem os princípios apresentados nesta aula e podem ser uma boa 
fonte de informação ou inspiração. 
Saiba mais 
Todos os materiais desta equipe podem ser encontrados acessando o link 
a seguir: 
NEXO. Disponível em: <https://www.nexojornal.com.br/grafico/>. Acesso 
em: 19 fev. 2021. 
A equipe de dados do jornal O Estado de São Paulo produziu um especial 
chamado Como votou sua vizinhança?, utilizando dados das eleições de 2018 e 
combinando técnicas como georreferenciamento e diagramas de Voronoi. Com 
isso, eles criaram pequenas vizinhanças e mostraram, tanto em matérias quanto 
em um mapa interativo, como essas regiões em todo o país votaram em 2018. 
Saiba mais 
Para conhecer esse especial, acesse o link a seguir: 
MENEGAL, R.; LAGO, C. de. Como votou sua vizinhança? Explore o 
mapa mais detalhado das eleições. O Estadão, 27 out. 2018. Disponível em: 
<https://www.estadao.com.br/infograficos/politica,como-votou-sua-vizinhanca-
explore-o-mapa-mais-detalhado-das-eleicoes,935858>. Acesso em: 19 fev. 
2021. 
 
 
18 
FINALIZANDO 
Nesta aula você foi introduzido a conceitos e técnicas úteis para a 
realização de análises que envolvem espaço geográfico. Antes de tudo, 
discutimos a importância de saber qual papel o espaço desempenha na 
explicação do fenômeno que nos interessa. Na sequência, você foi introduzido a 
noções básicas sobre mapas e as informações que eles apresentam, bem como 
a alguns estilos populares de mapas. Você também foi introduzido a técnicas de 
análise de dados espaciais que vão além da visualização gráfica e oferecem 
medidas objetivas da existência de padrões geográficos. Você ainda foi alertado 
a respeito de algumas armadilhas comuns que enfretamos ao lidar com dados 
agregados de acordo unidades geográficas. Por fim, você foi apresentado a 
alguns softwares populares para a análise de dados, em geral, e de dados 
espaciais, em particular, bem como fontes de dados, tanto em geral quanto 
espaciais. 
 
 
 
 
19 
REFERÊNCIAS 
AGNEW, J. Mapping politics: how context counts in electoral geography. 
Political Geography, v. 15, n. 2, p. 129–146, 1996. 
KING, G. Why context should not count. Political Geography, v. 15, n. 2, p. 159–
164, fev. 1996 
LEONARDI, I. Mapeamento de intenções geográficas. MundoGeo, 15 fev. 2013. 
Disponível em: <https://mundogeo.com/2013/02/15/geomarketing-
3/#:~:text=Waldo%20Tobler%2C%20conhecido%20por%20ter,coisas%20mais
%20pr%C3%B3ximas%20est%C3%A3o%20mais>. Acesso em: 19 fev. 2021.