-
Notifications
You must be signed in to change notification settings - Fork 0
/
3.3_equity_measures.qmd
156 lines (112 loc) · 7.34 KB
/
3.3_equity_measures.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
---
from: markdown+emoji
code-annotations: hover
---
# Medidas de equidade
Uma questão central na pesquisa e prática em transporte envolve avaliar como os benefícios de acessibilidade dos sistemas e projetos de transporte são distribuídos entre diferentes grupos socioeconômicos e demográficos. As preocupações com a equidade no transporte estão fundamentalmente relacionadas a dois tipos de questões: (1) desigualdade de acessibilidade e (2) pobreza de acessibilidade. **Nesta seção, você aprenderá a usar o pacote `{accessibility}` para calcular diferentes indicadores de desigualdade e pobreza de acessibilidade.**
<img align="right" src="/images/accessibility_logo.png?raw=true" alt="logo" width="140">
Em um artigo recente, discutimos as vantagens e desvantagens de várias métricas de desigualdade e pobreza mais comumente usadas na literatura de transporte [@karner2024advances] - PDF aberto [aqui](https://www.urbandemographics.org/publication/2024_transp_measuring_transportation_equity/). Os slides abaixo fornecem um *resumo muito breve* de algumas ideias discutidas no artigo, apenas o suficiente para acompanhar esta seção do workshop. No entanto, recomendo fortemente a leitura completa do artigo.
<!-- Slides -->
<p><embed src="slides/3.3_equity_metrics.pdf" style="width:100.0%;height:100vh;" /></p>
Nesta seção, usaremos alguns conjuntos de dados de exemplo para a cidade de Belo Horizonte (Brasil), que acompanham o pacote `{accessibility}`. No bloco de código abaixo, lemos a matriz de tempo de viagem e os dados de uso do solo e calculamos o número médio de empregos acessíveis em 30 minutos por transporte público.
```{r, message=FALSE}
library(accessibility)
library(ggplot2)
library(dplyr)
# path to data
data_dir <- system.file("extdata", package = "accessibility")
# read travel matrix and land use data
ttm <- readRDS(file.path(data_dir, "travel_matrix.rds"))
lud <- readRDS(file.path(data_dir, "land_use_data.rds"))
# calculate threshold-based cumulative access
access_df <- cumulative_cutoff(
travel_matrix = ttm,
land_use_data = lud,
opportunity = "jobs",
travel_cost = "travel_time",
cutoff = 30
)
head(access_df)
```
:mag_right: Hora de uma inspeção visual rápida! Podemos unir nossos resultados de acessibilidade com os dados de uso do solo/população e visualizar como a acessibilidade ao emprego é distribuída entre diferentes grupos de renda.
```{r}
# merge acces and land use data
df <- access_df |>
rename(jobs_access = jobs) |>
left_join(lud, by='id')
# remove spatial units with no population
df <- filter(df, population > 0)
# box plot
ggplot(data = df) +
geom_boxplot(show.legend = FALSE,
aes(x = income_decile,
y = jobs_access / 1000,
weight = population,
color = income_decile)) +
scale_colour_brewer(palette = 'RdBu') +
labs(subtitle = 'Número de empregos acessíveis em 30 minutos por transporte público',
x = 'Decis de renda', y = 'Empregos (em milhares)') +
scale_x_discrete(labels = c("D1\npobres",
paste0("D", 2:9),
"D10\nricos")) +
theme_minimal()
```
O box plot mostra uma distribuição muito desigual de acesso a oportunidades de emprego. Agora vamos ver o que podemos aprender sobre desigualdade e pobreza de acessibilidade nesta região com alguns indicadores
::: {.callout-tip appearance="simple"}
Uma explicação detalhada de todas as medidas de desigualdade e pobreza abordadas no `{accessibility}` está disponível na [documentação do pacote](https://ipeagit.github.io/accessibility/articles/inequality_and_poverty.html).
:::
# Medidas de desigualdade
## Razão de Palma
A razão de Palma é calculada como a acessibilidade média dos 10% mais ricos dividida pela acessibilidade média dos 40% mais pobres. Valores do Índice de Palma maiores que 1 indicam que a população mais rica tem níveis de acessibilidade mais altos do que a população mais pobre, enquanto valores menores que 1 indicam a situação oposta.
No exemplo aqui, vemos que a população mais rica pode acessar, em média, 3,8 vezes mais empregos do que a população pobre.
```{r}
palma <- palma_ratio(
accessibility_data = access_df,
sociodemographic_data = lud,
opportunity = "jobs",
population = "population",
income = "income_per_capita"
)
palma
```
## ~~Índice de Gini~~
Provavelmente, você não deveria estar usando o índice de Gini para medir desigualdade de acessibilidade ;) [veja @karner2024advances].
## Índice de concentração
O índice de concentração (CI) estima a extensão em que as desigualdades de acessibilidade estão sistematicamente associadas aos níveis socioeconômicos dos indivíduos. Os valores do CI podem variar teoricamente entre -1 e 1 (quando toda a acessibilidade está concentrada na pessoa mais ou menos favorecida, respectivamente). Valores negativos indicam que as desigualdades favorecem os pobres, enquanto valores positivos indicam um viés pró-rico.
```{r}
ci <- accessibility::concentration_index(
accessibility_data = access_df,
sociodemographic_data = lud,
opportunity = "jobs",
population = "population",
income = "income_per_capita",
type = "corrected"
)
ci
```
# Medidas de pobreza
## Medidas de pobreza Foster-Greer-Thorbecke (FGT)
A função `fgt_poverty()` calcula as métricas FGT, uma família de medidas de pobreza originalmente proposta por @foster1984class, e que pode ser usada para captar a extensão e a gravidade da pobreza de uma distribuição de acessibilidade. A família FGT é composta por três medidas:
- FGT0: captura a extensão da pobreza como uma simples contagem - ou seja, a proporção de pessoas abaixo da linha de pobreza;
- FGT1: também conhecido como "índice de gap de pobreza", captura a gravidade da pobreza como a distância percentual média entre a linha de pobreza e a acessibilidade dos indivíduos abaixo dessa linha;
- FGT2: simultaneamente capta a extensão e a gravidade da pobreza, calculando o número de pessoas abaixo da linha de pobreza ponderado pelo tamanho do déficit de acessibilidade em relação à linha de pobreza.
Essa função inclui um parâmetro adicional `poverty_line`, usado para definir a linha de pobreza abaixo da qual os indivíduos são considerados em situação de pobreza de acessibilidade. Para o propósito deste exercício, consideraremos o percentil mais baixo de 25% de acesso como nossa linha de pobreza, que neste exemplo é aproximadamente 23 mil empregos.
::: {.callout-important appearance="simple"}
Lembrete rápido de que a definição de uma linha de pobreza de acessibilidade é, em última análise, uma decisão moral e política e não simplesmente uma questão empírica ou técnica [@pereira2017distributive; @lucas2019measuring].
:::
```{r}
# get the 25th percentile of access
quant25 <- quantile(access_df$jobs, .25)
poverty <- fgt_poverty(
accessibility_data = access_df,
sociodemographic_data = lud,
opportunity = "jobs",
population = "population",
poverty_line = quant25
)
poverty
```
Interpretação rápida:
- FGT0: 14,8% da população está em situação de pobreza de acessibilidade
- FGT1: a acessibilidade daqueles em situação de pobreza de acessibilidade é, em média, 5% menor que a linha de pobreza
- FGT2: não possui uma interpretação direta, mas pode-se dizer que o nível/intensidade geral de pobreza é de 2,8%.