Escolar Documentos
Profissional Documentos
Cultura Documentos
Ribeirão Preto
2014
Alexandre da Silva Mello
Ribeirão Preto
2014
Ficha catalográfica preparada pelo Centro de Processamento Técnico da
Biblioteca Central da UNAERP
Forecasting the amounts of municipal solid waste generated is basal to choose and
plan the operations and processes involved in the waste management chain at the
municipal level. Thus, equations were developed to predict the per capita municipal
solid waste generation rate (TGP) in municipalities of São Paulo State. For this, it
was assumed by premise that demographic (population) and socioeconomic (Gross
Domestic Product per capita) variables had interfered in the generation rates. The
data series involved the years of 2008, 2010 and 2012. Initially, Pearson coefficients
(r) were calculated to verify if there was a correlation between the dependent variable
(TGP) and the independent variables (population and GDP per capita) for each
municipality. The Pearson coefficients were in the range of 0.69 to 0.74 for
population variable and 0.06 to 0.08 for GDP per capita variable. Thus, GDP per
capita was discarded as an independent variable and only the population variable
was used to correlate the TGP. Subsequently, several functions were used in order
to fit the TGP as a function of population by the least squares method. The fit quality
was evaluated by the values of determination coefficient (R2), Root-Mean-Square
Errors (RMSE) and coefficient of efficiency (E). The per capita municipal solid waste
generation rates were shown to have two population domains, because there was a
discontinuity in population equal to 100 thousand inhabitants. For the year 2008, the
proposed equation to represent the TGP to municipalities up to 100 thousand
inhabitants resulted in R2, of 0.15, RMSE of 0.056 kg.hab-1.d-1, and E of 0.14. For
municipalities with more than 100 thousand inhabitants the proposed equation to
represent the TGP resulted in resulted in R2, of 0.86, RMSE of 0.041kg.hab-1.d-1, and
E of 0.97. For the year 2010, the proposed equation to represent the TGP to
municipalities up to 100 thousand inhabitants resulted in R2, of 0.15, RMSE of 0.051
kg.hab-1.d-1, and E of 0.15. For municipalities with more than 100 thousand
inhabitants the proposed equation to represent the TGP resulted in resulted in R2, of
0.88, RMSE of 0.033 kg.hab-1.d-1, and E of 0.98. For the year 2012, the proposed
equation to represent the TGP to municipalities up to 100 thousand inhabitants
resulted in R2, of 0.15, RMSE of 0.049 kg.hab-1.d-1, and E of 0.15. For municipalities
with more than 100 thousand inhabitants the proposed equation to represent the
TGP resulted in resulted in R2, of 0.88, RMSE of 0.032 kg.hab-1.d-1, and E of 0.98.
For the data set of the three years, the proposed equations to represent the TGP to
municipalities up to 100 thousand inhabitants resulted in R2 of 0.15 and 0.16, RMSE
of 0.055kg.hab-1.d-1, and E of 0.28. For municipalities with more than 100 thousand
inhabitants the proposed equation to represent the TGP resulted in resulted in R2, of
0.85, RMSE of 0.032 kg.hab-1.d-1 , and E of 0.82. Although values of R2 and E had
been less than 0.90, Student’s t- test showed that equations represent average
values of the respective data sets with probability above 97% so the proposed
equations were classified as adequate to predict the TGP.
Keywords: Equation. Per capita generation rate. Prediction. Municipal solid waste.
São Paulo State.
LISTA DE FIGURAS
Figura 1 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2008 ........................................................... 49
Figura 2 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2010 ........................................................... 50
Figura 3 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2012 ........................................................... 51
Figura 4 -Taxas de geração per capita de RSU em função da população dos nos
municípios do estado de São Paulo em 2008 ........................................................... 52
Figura 5 - Taxas de geração per capita de RSU em função da população dos
municípios do estado de São Paulo em 2010 ........................................................... 52
Figura 6 - Taxas de geração per capita de RSU em função da população dos
municípios do estado de São Paulo em 2012 ........................................................... 53
Figura 7 - Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes em 2008....................................................... 55
Figura 8 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100 mil habitantes em 2008 ............................................... 56
Figura 9 - Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes em 2010....................................................... 57
Figura 10 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.000 habitantes em 2010.............................................. 58
Figura 11 -Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes ..................................................................... 59
Figura 12 – Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.0000 habitantes em 2012............................................ 60
Figura 13 – Taxas de geração per capita de RSU em função da PIB per capita nos
municípios do Estado de São Paulo em 2008, 2010 e 2012 ..................................... 61
Figura 14 - Taxas de geração per capita de RSU em função da população dos
municípios nos anos de 2008, 2010 e 2012 .............................................................. 62
Figura 15 - Taxas de geração per capita de RSU em função da população dos
municípios com menos de 100.000 habitantes em 2008, 2010 e 2012..................... 63
Figura 16 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.000 habitantes em 2008, 2010 e 2012 ........................ 63
LISTA DE TABELAS
Hab Habitante
RS Resíduos Sólidos
RD Resíduos Domiciliares
PIB Média PIB per capita médio anual de todos os municípios do Estado de
São Paulo
TGPmedidai Taxa de geração per capita anual média obtida de cada município
TGP medida Média da taxa de geração per capita anual de todos os municípios do
Estado de São Paulo.
TGP
calci Taxa de geração per capita anual média calculada de cada município
TGP calc Média da taxa de geração per capita anual calculada de todos os
municípios do Estado de São Paulo
xi Variável independente
dados
ycalci Variável dependente calculada para cada elemento do conjunto de
dados
1 INTRODUÇÃO ............................................................................................. 17
2 OBJETIVOS ................................................................................................. 19
2.1 OBJETIVO GERAL ...................................................................................... 19
2.2 OBJETIVOS ESPECÍFICOS ........................................................................ 19
3 REVISÃO DA LITERATURA ....................................................................... 20
3.1 RESÍDUOS SÓLIDOS .................................................................................. 21
3.1.1 Definição....................................................................................................... 21
3.1.2 Classificação dos Resíduos Sólidos ............................................................. 21
3.1.3 Caracterização dos Resíduos Sólidos Urbanos ........................................... 23
3.2 ASPECTOS AMBIENTAIS E DE SAÚDE COLETIVA RELACIONADOS
AOS RESÍDUOS SÓLIDOS URBANOS ..................................................... 25
3.3 LEGISLAÇÃO E GERENCIAMENTO DOS RESÍDUOS SÓLIDOS
URBANOS NO BRASIL............................................................................... 27
3.4 PANORAMAS ATUAIS SOBREA GERAÇÃO DE RESÍDUOS SÓLIDOS E
ESTIMATIVAS DAS GERAÇÕES ................................................................ 30
3.5 AVALIAÇÕES ESTATÍSTICAS ................................................................... 38
3.5.1 Coeficiente de Correlação de Pearson (r) .................................................... 38
3.5.2 Qualidade de Ajuste ..................................................................................... 39
3.5.3 Avaliação de Probabilidade .......................................................................... 41
4 MATERIAS E MÉTODOS ............................................................................ 43
4.1 CARACTERIZAÇÃO DO ESTADO DE SÃO PAULO ................................ 43
4.2 LEVANTAMENTO DOS DADOS ................................................................ 44
4.3 COEFICIENTE DE CORRELAÇÃO (r DE PEARSON) .............................. 44
4.3.1 Avaliação da Correlação entre PIB per Capita e a Taxa de Geração per
Capita ...................................................................................................................... 45
4.3.2 Avaliação de Correlação entre População e a Taxa de Geração per Capita....
...................................................................................................................... 45
4.3.3 Teste de Probabilidade ................................................................................. 46
4.4 ESCOLHA DAS EQUAÇÕES ..................................................................... 46
4.4.1 Avaliação dos Ajustes................................................................................... 47
5 RESULTADOS E DISCUSSÃO ................................................................... 49
5.1 AVALIAÇÃO DE CORRELAÇÃO (r de PEARSON) .................................. 49
5.2 AVALIAÇÃO DE EQUAÇÕES PARA PREVISÃO DE GERAÇÃO PER
CAPITA EM FUNÇÃO DA POPULAÇÃO ................................................... 53
6 CONCLUSÕES ............................................................................................ 66
7 SUGESTÕES PARA TRABALHOS FUTUROS........................................... 68
REFERÊNCIAS ......................................................................................................... 68
APÊNDICE A – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2008 ............................................................................................ 74
APÊNDICE B – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES - CETESB REFERENTE
AO PERÍODO DE 2010 ............................................................................................ 90
APÊNDICE C – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2012 .......................................................................................... 106
1 INTRODUÇÃO
17
Projeções realísticas das quantidades de resíduos gerados são importantes
para uma gestão eficaz. Estimativas de geração são muitas vezes utilizadas para
justificar medidas específicas de planejamento, no que diz respeito à destinação
ambientalmente adequada dos resíduos sólidos. Mediante a projeção do tipo de
resíduo e das quantidades geradas, a tomada de decisão deve ser embasada em
dados com menor grau de incerteza, o que infelizmente muitas vezes não ocorre em
grande parte dos municípios (CHUNG, 2010).
O Estado de São Paulo é formado por 655 municípios no ano de 2012, com
uma população total em 2013 de 42.304.694 habitantes. É o Estado mais
urbanizado do Brasil, com taxa de urbanização registrada em 2010 de 95,9%
(SEADE, 2013). Abriga o maior parque industrial e, consequentemente, a maior
produção econômica do país. Por ser o Estado mais rico, apresenta maior Índice de
Desenvolvimento Humano (0, 783 em uma escala de 0 a 1). Em 2012, gerou cerca
de 56.626 t.d-1 de RSU, deste montante cerca de 55.967 t.d-1 foram coletados. Do
total coletado, 76,3% tiveram como destino aterros sanitários e o restante, cerca de
23,7% foram enviados a aterros controlados ou lixões, não recebendo deste modo
tratamento adequado (ABRELPE, 2012). Sendo assim, este estudo teve como
objetivo desenvolver equações que permitissem estimar a taxa de geração per
capita (TGP) de resíduos sólidos urbanos nos municípios do Estado de São Paulo,
como variável dependente, a partir de duas variáveis independentes, as populações
(P) e os Produtos Internos Brutos per capita (PIB) de cada município para os anos
de 2008, 2010 e 2012.
18
2 OBJETIVOS
Desenvolver uma equação que permita estimar a taxa de geração per capita
(TGP) de resíduos sólidos urbanos nos municípios do Estado de São Paulo, a partir
de variáveis demográficas e socioeconômicas.
19
3 REVISÃO DA LITERATURA
20
3.1 RESÍDUOS SÓLIDOS
3.1.1 Definição
21
Classe II A- Não-inertes: são resíduos que não apresentam periculosidade,
não se enquadram na classe I ou Classe II B, porém não são inertes e apresentam
como características: combustibilidade, biodegradabilidade ou solubilidade em água;
Classe II B - Resíduos inertes: são aqueles que, ao serem submetidos à
teste de solubilização (NBR10006/2004) não tiveram nenhum de seus constituintes
solubilizados em concentrações superiores aos padrões de portabilidade da água.
No que diz respeito a sua origem, segundo a Lei de nº 12.305 de 2 de
agosto de 2010, os resíduos sólidos podem ser classificados em:
a) resíduos domiciliares: são os resíduos gerados diariamente nas
residências;
b) resíduos de limpeza urbana: são os resíduos provenientes do serviço de
limpeza urbana;
c) resíduos sólidos urbanos: os englobados nos itens a e b;
d) resíduos de estabelecimentos comerciais e prestadores de serviços: os
resíduos gerados nos estabelecimentos comerciais, como escritórios, lojas, hotéis,
restaurantes, supermercados, bancos entre outros
e) resíduos dos serviços públicos de saneamento básico: os gerados nessas
atividades, excetuados os referidos no item c;
f) resíduos industriais: são compostos por vários tipos de materiais,
dependendo do ramo de atividade industrial, do processamento e da matéria-prima
empregada;
g) resíduos de serviços de saúde: os gerados nos serviços de saúde,
conforme definido em regulamento ou em normas estabelecidas pelos órgãos do
SISNAMA e do SNVS.
h) resíduos da construção civil: são resíduos provenientes de construções,
reformas, reparos e demolição de obras da construção civil;
i) resíduos agrossilvopastoris: os gerados nas atividades agropecuárias e
silviculturais, incluídos os relacionados a insumos utilizados nessas atividades;
j) resíduos de serviços de transportes: os originários de portos, aeroportos,
terminais alfandegários, rodoviários e ferroviários e passagens de fronteira;
k) resíduos de mineração: os gerados na atividade de pesquisa, extração ou
beneficiamento de minérios;
Os resíduos sólidos podem ainda ser classificados quanto a sua
degradabilidade (facilmente degradáveis: como restos de alimentos;
22
moderadamente degradáveis: como papéis, papelão e materiais celulósicos;
dificilmente degradáveis: como trapos, pedaços de pano, serragens, aparas de
couro, borracha e madeira; não-degradáveis: vidros, metais, plásticos, terra, pedras,
e outros); quanto à sua natureza física (seco ou molhado), e, finalmente, quanto à
sua composição (matéria orgânica ou inorgânica) (SILVA, 2005).
1
A composição gravimétrica traduz o percentual de cada componente em relação ao peso total da
amostra de resíduo analisada (IBAM - MANUAL GERENCIAMENTO INTEGRADO DE RESÍDUOS
SÓLIDOS, 2001).
23
Tabela 1 - Estimativa da composição gravimétrica dos resíduos sólidos urbanos coletados no
Brasil em 2008
24
Tabela 2 - Composição dos resíduos sólidos urbanos em diferentes países
25
dióxido de carbono. Além disto, as alterações ambientais causadas pela poluição ao
longo do tempo têm o poder de comprometer ecossistemas causando danos muitas
vezes irreversíveis (SEIDEL, 2010).
Em relação à saúde pública, os resíduos atuam como fator indireto na
transmissão de doenças por meio de vetores que encontram nos resíduos sólidos
urbanos alimento e condições ideais para sua sobrevivência e proliferação, deixando
claro desta forma a trajetória pela qual pode ocorrer a transmissão de doenças
provenientes da falta de gerenciamento correto destes resíduos (BROLLO; SILVA,
2001; DEUS; LUCA; CLARKE, 2004).
De acordo com estudo realizado por Oliveira e Santos (2012) o qual avaliou
a saúde ocupacional dos garis de Hidrôlandia em Goiás, e conforme relatado por
Ferreira e Anjos (2001), dentre os agentes físicos, químicos e biológicos que se
destacam pela capacidade de causar danos a saúde humana e o meio ambiente
estão:
i) agentes físicos: o odor dos resíduos pode ocasionar mal estar, cefaléias e
náuseas em pessoas que se encontrem próximas a eles; a poeira pode ser
responsável pelo desconforto, perda momentânea da visão, e por problemas
respiratórios e pulmonares; menos divulgada temos o fator estético dos resíduos o
qual pode causar grande desconforto e náusea. Outro agente físico de risco
apontado são os elementos perfurantes e cortantes, que trazem risco tanto aos
trabalhadores responsáveis pela limpeza quanto àqueles que por algum motivo
tiveram acesso a estes resíduos.
ii) agentes químicos: a presença mais frequente é de pilhas e baterias; óleos
e graxas; pesticidas/herbicidas; solventes; tintas; produtos de limpeza; cosméticos;
remédios; aerossóis. Como já classificado previamente, a presença de muitos
destes agentes pode apresentar periculosidade, podendo ser responsáveis
saturnismo e distúrbios no sistema nervoso (pela presença de chumbo, cádmio e
mercúrio), dentre outras doenças.
iii) agentes biológicos: Microrganismos patogênicos presentes em itens
como lenços de papel, curativos, fraldas descartáveis, papel higiênico, absorventes,
agulhas e seringas descartáveis podem ser os responsáveis pela transmissão de
doenças através do trato intestinal (Ascaris lumbricoides; Entamoebacoli;
Schistosoma mansoni); o vírus causador da hepatite (principalmente do tipo
B),dermatites, entre outras.
26
3.3 LEGISLAÇÃO E GERENCIAMENTO DOS RESÍDUOS SÓLIDOS
URBANOS NO BRASIL
27
adequadas de proteção ao meio ambiente contra danos e prejuízos causados por
pelos resíduos. Este panorama quando comparado ao de 2011 demonstra que
apesar dos incentivos e legislação restrita grande parte dos resíduos coletados no
Brasil ainda tem destino impróprio, uma vez que os dados deste ano apontaram que
42% dos resíduos coletados foram destinados a locais impróprios.
A Constituição Federal prevê ao poder público municipal a responsabilidade
de zelar pela limpeza, coleta e destinação final do resíduo urbano como mencionado
anteriormente. Com a nova lei de nº 12.305/2010 instituída em 02 de agosto de 2010
que institui a Política Nacional de Resíduos Sólidos (PNRS), o papel das prefeituras
ganha maior destaque com princípios e diretrizes, dentro de um conjunto de
responsabilidades que tem o potencial de mudar o panorama dos resíduos no Brasil
(CEMPRE, 2010).
A PNRS, a priori de responsabilidade do governo federal, também demanda
uma participação intensa dos Estados, Distrito Federal e dos municípios, não
apenas no que diz respeito a viabilidade mas também a sua manutenção. O Art. 4o
menciona que a Política Nacional de Resíduos Sólidos reúne o conjunto de
princípios, objetivos, instrumentos, diretrizes, metas e ações adotadas pelo Governo
Federal, isoladamente ou em regime de cooperação com Estados, Distrito Federal,
Municípios ou particulares, com vistas à gestão integrada e ao gerenciamento
ambientalmente adequado dos resíduos sólidos. Os municípios deste modo têm
obrigação legal de erradicar áreas insalubres até agosto de 2014.
Um dos objetivos apresentadas no PNRS, abordado no art. 7º, parágrafo
décimo, diz respeito à:
regularidade, continuidade, funcionalidade e universalização da prestação
de serviços públicos de limpeza urbana e manejo de resíduos sólidos, com
adoção de mecanismos gerenciais e econômicos que assegurem a
recuperação dos custos dos serviços prestados, como forma de garantir sua
sustentabilidade operacional e financeira, observada a Lei nº 11.445, de
2007 (LEI FEDERAL nº 12305/2010).
28
devendo ainda constar os principais geradores de resíduos, os custos envolvidos e
indicadores de desempenho do serviço público neste campo (CEMPRE, 2010).
Na Tabela 3 são mostrados os números de municípios com iniciativas de
coleta seletiva no Brasil, nos anos de 2011 e 2012. Com os dados dispostos de
acordo com as diferentes regiões do país pode-se observar uma concentração maior
municípios com iniciativas de coleta seletiva nas regiões Sudeste e Sul do País,
provavelmente devido ao estágio de desenvolvimento mais avançado destas
localidades (ABRELPE, 2012).
Tabela 3 - Municípios com iniciativas de coleta seletiva estratificados por região brasileira
Iniciativas Centro-
Norte Nordeste Sudeste Sul BRASIL
de coleta Oeste
Seletiva 2011 2012 2011 2012 2011 2012 2011 2012 2011 2012 2011 2012
Sim 209 213 651 678 131 148 1336 1342 936 945 3263 3326
Não 240 236 1143 1116 335 318 332 326 252 243 2302 2339
Total 449 1794 466 1668 1188 5565
Fonte: Abrelpe, 2012
29
para alcançar os objetivos colimados, caberá ao poder público, em parceria
com a iniciativa privada: - Incentivar a pesquisa, o desenvolvimento, a adoção
e a divulgação de novas tecnologias, de reciclagem, tratamento e disposição
final de resíduos sólidos, inclusive de prevenção à poluição e - Promover a
implementação, em parcerias com os municípios, instituições de ensino e
pesquisa e organizações não governamentais, de programa estadual de
capacitação de recursos humanos com atuação na área de resíduos sólidos”.
(LEI ESTADUAL nº 12300/2006)
30
pesquisas diretas realizadas junto aos Municípios. Depois de coletados e tratados os
dados são transformados em indicadores per capita. A assertividade das projeções é
analisada através do coeficiente de correlação (R2), e para as definições de
equações que permitam realizar as projeções, as mesmas são submetidas a análise
através do métodos dos mínimos quadrados, eliminando pontos extremos, através
da técnica de análise e regressão. A determinação dos mínimos quadrados é
utilizada com o objetivo demonstrar a tendência das projeções e validar a fórmula
encontrando assim uma equação que permita a realização de projeção para cada
munícipio. O teste de Fisher é empregado para analisar o quanto as variáveis
contribuem para a explicação das variações apresentadas nas projeções. os
coeficientes das variáveis que compõem as equações obtidas são testados em sua
significância. Os dados quantitativos relativos aos RSU estão diretamente
relacionados à comunidade em que se encontra. A projeção da geração de RSU por
região e estados, bem como para o total nacional, resulta da aplicação dos índices
de coleta da pesquisa PNAD, obtendo-se por extrapolação os valores para os
próximos anos.
No Brasil, a primeira pesquisa elaborada para análise da situação dos
resíduos sólidos urbanos foi a Pesquisa Nacional de Saneamento Básico, realizada
pelo governo brasileiro através do Instituto Brasileiro de Geografia e Estatística em
1989 e divulgada em 1992. O interesse de então conduzir estudos com objetivo de
identificar fatores sociais, econômicos e demográficos associados à geração de
resíduos sólidos no país levou não só o governo, mas entidades privadas a
pesquisarem tais interações e aproximarem assim os dados do setor privado às
estatísticas oficiais (FIGUEIREDO, 2011).
Dentre os indicadores adotados para mensurar a geração de resíduos
sólidos de uma determinada população, a geração per capita é um dos mais
utilizados e é calculado a partir da quantidade de resíduos sólidos produzido por
determinado habitante em uma unidade de tempo estabelecida.
Monteiro et al. (2001) relataram que muitos técnicos consideram de 0,5 a 0,8
kg.hab-1.d-1 como a faixa de variação média de geração de resíduo sólido para o
Brasil. No entanto, na ausência de dados mais precisos, a geração per capita pode
ser estimada através da Tabela 4.
31
Tabela 4 - Índices estimados de produção per capita de resíduos sólidos adotados em função
da população urbana
32
Segundo Contador (2000), uma variação de 0,5 kg em Moçambique a 1,9 kg
na Austrália pode ser observada por meio dos dados obtidos a partir de 36 países.
Entre a camada social menos favorecida, verificou-se que a geração não é inferior a
0,3 a 0,4 kg.hab-1.d-1. Na Tabela 6 são fornecidas a geração per capita em função da
renda e, portanto, indiretamente de sua classe econômica.
No que diz respeito ao Brasil, segundo dados do IBGE (2002), se for levado
em consideração somente os resíduos domiciliares (RD), em todos municípios foram
coletados diariamente cerca de 125.281 t de RD do total de RSU coletados, e a
estimativa da geração per capita de RD seria de 738 g.hab-1.d-1. (OLIVEIRA et al.,
2004), o que mostra que esta classe representa uma parcela significativa dos
resíduos sólidos urbanos, e devido ao seu risco potencial ao meio ambiente e à
saúde, necessitam de gestão e gerenciamento integrados em concordância com a
manutenção da qualidade ambiental.
No Estado de São Paulo, em seu inventário anual, a Companhia Ambiental
do Estado de São Paulo (CETESB), no ano de 2014, apontou índices de produção
por habitante apresentado na Tabela 7, usualmente empregados para estimar a
quantidade de resíduos sólidos dispostos.
-1 -1
População (hab) Produção (kg.hab .d )
Até 25.000 0,7
De 25.001 a 100.000 0,8
De 100.001 a 500.000 0,9
Maior que 500.000 1,1
Fonte: Cetesb, 2014
33
A exceção a essa regra é feita ao município de São Paulo, para o qual são
adotadas as quantidades diárias de resíduos divulgados oficialmente pelas
concessionárias do serviço municipal. Para os municípios onde são efetuadas
pesagens das quantidades de resíduos destinadas ao tratamento e/ou disposições
finais poderão ocorrer índices diferentes dos acima indicados, em decorrência de
vários fatores, tais como: tipo da atividade produtiva predominante no município,
nível socioeconômico, sazonalidade de ocupação, existência de programas de
coletas seletivas e ações governamentais que objetivem a conscientização da
população quanto à redução da geração de resíduos (CETESB, 2014).
Muitos são os trabalhos descritos na literatura que propõem métodos de
estimativas da geração de resíduos, dentre eles, um estudo realizado por Purcell e
Magette (2009) quantificou e identificou a distribuição da geração de resíduos
urbanos biodegradáveis (RSB) em áreas residenciais e de estabelecimentos
comerciais como restaurantes, hotéis e hospitais, em Dublin. Para realização desse
trabalho, variáveis sócio-econômicas, tipos de habitação, assim como os tamanhos
e principais atividades dos estabelecimentos comerciais foram considerados como
as principais determinantes que contribuem para a variabilidade espacial da geração
de RSB e um modelo de sistema de informação geográfica (SIG) de geração de
RSB foi criado. Dados estatísticos incluindo status sócio-econômico e o tamanho da
família foram coletados, assim como informações da literatura sobre taxas de
geração de RSB para estabelecimentos residenciais e comerciais. Estas previsões
foram combinadas para dar estimativas RSB globais para a região, estimativas estas
que podem ajudar as decisões de planejamento e de políticas de resíduos. Como
resultado observou-se que a técnica de previsão das residências apresentou uma
estimativa global mais precisa da geração de resíduos domésticos do que a técnica
de classe social. Ao alterar os dados de entrada, os autores afirmam que esta
ferramenta de estimativa pode ser adaptada para o uso em outras localizações,
trazendo assim grandes benefícios.
Outro trabalho, realizado por Vijayet et al. (2005), também apresentou uma
metodologia baseada em um Sistema de Informações Geográfica (SIG), para
estimar a geração de resíduos sólidos decorrentes de determinada sociedade, com
disposição feita em coletores públicos, com base na densidade populacional e PIB
per capita dessa sociedade. Apesar de diversos autores validarem essa
34
metodologia, eles não apresentam nenhuma modelagem matemática que represente
a mesma.
Navarro et al. (2002) propuseram dois modelos desenvolvidos, tendo como
objeto de estudo cidades gregas e espanholas, onde os mesmos propuseram
técnicas distintas para prever a geração de resíduos sólidos urbanos. A primeira
baseia-se em dinâmica não linear, na qual é proposto um modelo comparativo de
desempenho, com uma média sazonal auto regressiva em movimento denominado
(sARIMA). A segunda técnica assume que a geração de resíduos sólidos urbanos é
um sistema dinâmico discreto de uma única variável escalar. Apesar de desvios
resultantes de até 5%, não disponibilizaram equações que permitissem utilização.
A possível relação entre fatores demográficos e socioeconômicos foi alvo de
estudo no trabalho realizado por Pinto, Pereira e Freitas (2012), onde utilizando
dados sobre a quantidade de resíduos sólidos gerada em Belo Horizonte, população
o Índice de Qualidade de Vida Urbana (IQVU) do ano 2000, foi possível demonstrar
através da utilização dos Modelos Lineares de Regressão Múltipla que o IQVU
juntamente com o número de moradores são variáveis que influenciam a geração de
resíduos sólidos no município em estudo, demonstrando ainda que exista influência
de variáveis tais como sexo, raça/cor, idade e renda do responsável pelo domicílio e
tipo de esgotamento sanitário. No entanto, as equações descritas são aplicáveis
apenas ao município avaliado.
Um segundo trabalho nesse mesmo município, em 2002, foi realizado
empregando-se diferentes métodos estatísticos os quais permitiram chegar a
conclusão de que os fatores como socioeconômicos tais como educação e renda, e
demográficos como estrutura etária e domiciliar, são importantes na definição
volume de resíduos gerado em sub-regiões do município. Nesta conclusão o
consumo foi visto como o elo entre as dimensões população e geração de resíduos
(SILVA, BARBIERI e MONTE-MÓR, 2012). Ainda em Belo Horizonte, Dias et al.
(2012) apresentaram um modelo matemático visando identificar a relação entre a
geração per capita de resíduos e a renda per capita em alguns bairros, encontrando
um coeficiente de determinação de 0,85.
Benítez et. al (2008) propuseram para uma cidade do México modelos
capazes de relacionar a geração per capita de RS (variável dependente) para
diferentes variáveis (independentes), tais como educação, renda por domicílio e
número de moradores. Após coleta de dados da geração, quantificação e
35
composição dos resíduos domiciliares, os modelos de previsão foram definidos e
para cada fase de amostragem de resíduos foi desenvolvido um modelo matemático
diferente, a fim de encontrar o que apresentasse a melhor relação linear para prever
geração de resíduos sólidos residenciais. A fim de analisar o modelo que melhor
explicasse a previsão cada conjunto de dados, foi analisado separadamente para
determinar quão boa eram as medidas de ajuste, posteriormente foram empregados
testes de normalidade, Kolmogorov-Smirnov, multicolinearidade e
heterocedasticidade. Foram estabelecidos ainda modelos para explorar a
combinação entre as variáveis a fim de selecionar aqueles que apresentaram um R2
superior, neste modelo formulado com as quatro variáveis em análise o teste Durban
- Watson foi aplicado. O valor máximo do coeficiente de determinação (R2) foi de
0,51.
Em estudos na Europa e nos Estados Unidos, a geração de RSU tem sido
correlacionada com valores correspondentes ao produto interno bruto (PIB) e
população. Em um estudo realizado em algumas localidades destas duas regiões,
em períodos específicos, foi desenvolvido um modelo que buscava associar as
despesas relacionadas ao consumo total ao PIB; este modelo criado foi utilizado
para estimar os valores das frações individuais de resíduos sólidos gerados. Para o
desenvolvimento do modelo, as atividades foram divididas em duas partes, a
primeira lida com a predição do total de resíduos sólidos municipais coletados por
um país e a segunda atenta-se a estimar a composição destes resíduos. Para a
primeira parte, dados estatísticos disponíveis da tonelagem anual de resíduos
sólidos urbanos, PIB e população foram correlacionados. As correlações permitiram
previsões satisfatórias da quantidade total de resíduos sólidos urbanos a serem
obtidos tanto para os países europeus quanto para os EUA. Os desvios entre os
valores previstos e medidos são, no entanto, muito menor no caso dos EUA, porque
o modelo correspondente baseia-se em dados de um mesmo país. Boa combinação
entre os valores previstos e medidos para as frações individuais de resíduos sólidos
municipal foram alcançadas, no entanto, o modelo de predição das frações
individuais no resíduo sólido municipal para os países europeus, baseia-se
exclusivamente em informações disponíveis para o Reino Unido
(DASKALOPOULOS; PROBERT, 1998).
Em um estudo realizado por Keses; Duzgun; Aksoy (2012), em diferentes
localidades na Turquia, foram levados em consideração fatores sócio-econômicos e
36
climáticos na determinação da taxa de geração de RSU. Nesta pesquisa foram
utilizados modelos de autoregressão espacial simultânea e regressão
geograficamente ponderada para as análises de dados espaciais. Semelhante a
regressão dos mínimos quadrados ordinários, os coeficientes de regressão são
globais em modelos de autoregressão espacial, o que significa que o efeito de uma
dada variável independente sobre uma variável dependente é válido para todo o
país. Já a regressão geograficamente ponderada e a autoregressão espacial
simultânea revela o impacto local de um determinado fator (ou variável
independente) sobre as taxas de geração de resíduos de diferentes províncias.
Obtiveram neste estudo coeficientes de Pearson (r) no intervalo de 0,47 a 0,59,
porém com valores das raízes quadradas de erro médio ao quadrado (RMSE) da
ordem de 50% dos valores previstos.
Xu et al. (2013) desenvolveram um modelo híbrido que combinou o modelo
sazonal auto-regressivo de média móvel ao sistema de cinza para a previsão de
geração de resíduos sólidos urbanos em uma cidade na China, por múltiplas escalas
de tempo sem a necessidade de considerar outras variáveis, tais como dados
demográficos e sócio econômicos. Os resultados alcançados demonstraram que o
modelo foi bastante preciso, porém restrito à cidade avaliada.
Hockett; Lober e Pilgrim (1995) correlacionaram a taxa de geração de RSU
no Estado da Carolina do Norte (EUA) através de variáveis sócio-econômicas,
porém sem envolver a população de cada município, e obteve R2 no intervalo de
0,37 a 0,50.
Como demonstrando vários são os trabalhos que objetivaram estimar a
geração de resíduos de determinada população, sendo este o princípio para uma
gestão eficaz dos resíduos gerados. Neste sentindo Beigl; Lebersorger e Salhofer
(2008) realizaram uma revisão dos modelos já publicados de geração de resíduos
sólidos urbanos identificando as metodologias propostas e analisando-as no que diz
respeito a sua aplicação, que deve ser escolhida de acordo com o objetivo do
trabalho. Entretanto, a pesquisa aponta em sua discussão três modelos com maior
relevância, por poderem ser aplicados na maioria dos casos. São eles análises de
correlação e regressão, e comparação de grupos.
37
3.5 AVALIAÇÕES ESTATÍSTICAS
r=
∑ (xi − x )(yi − y medida ) (1)
(x − x )2 . (y − y )2
∑ i ∑ i medida
38
sendo xi a variável independente observada, é o valor médio da variável
39
2
n
[ ][ ]
∑ ymedidai − y medida . ycalci − y calc
2 i =1
R =
0,5 n 0,5
(2)
n 2 2
( ) (
∑ y medidai − y medida .∑ ycalci − y calc )
i =1 i =1
40
n
∑ (y medida i − y calc
i
)2
i =1
RMSE = (3)
n
n
∑ [y medidai − ycalci ]2
E = 1 − i =1 (4)
n
∑ [ymedidai − y medida ]
2
i =1
41
O teste t de Student utiliza conceitos estatísticos para rejeitar ou não uma
hipótese nula quando a estatística de teste (t) segue uma distribuição t de Student.
Essa premissa é normalmente usada quando a estatística de teste segue uma
distribuição normal, mas a variância da população é desconhecida. Assim, utiliza-se
uma variância amostral, e com esse ajuste, a estatística de teste passa a seguir uma
distribuição t de Student. Isso significa que, se forem realizadas amostras de
determinado tamanho a partir de uma única população e se forem calculadas as
médias de uma variável desta população que apresenta uma distribuição normal, a
distribuição dessas médias seguiria uma distribuição t de Student. O formato da
distribuição t de Student é dependente do número de graus de liberdade, ou seja,
quanto maior este número mais concentrada é a distribuição. Quanto maiores os
graus de liberdade mais a distribuição t de Student se aproxima da distribuição
normal.
Ao calcular o valor de t pela Equação 5 e aplicá-lo na função densidade de
probabilidade da distribuição t de Student, avalia-se a integral desta função para
valores maiores ou iguais a t. Esta área representa a probabilidade da média das
amostras em estudo terem apresentados valores observados ou valores mais
extremos. Se a probabilidade desse resultado ter ocorrido for pequena, pode-se
concluir que o resultado observado é estatisticamente relevante. Essa probabilidade
também é chamada de p-valor ou p. Consequentemente, o nível de confiança é
igual a 1-p-valor. Normalmente, utiliza-se um ponto de corte para o p-valor ou para o
nível de confiança para definir se a hipótese nula deve ser rejeitada ou não. Se o p-
valor for menor que este ponto de corte, a hipótese nula é rejeitada. Caso contrário a
hipótese nula não é rejeitada (TIBONI, 2010).
r
t =
(5)
1− r2
n−2
42
4 MATERIAL E MÉTODOS
43
paulista o número de empresas de grande porte com alto potencial poluidor é
expressivo, no entanto, atualmente é considerada mais crítica a poluição
proveniente das atividades domésticas tais como restos de alimentos, esgoto,
metais leves, embalagens e vasilhames em geral (BIBLIOTECA VIRTUAL DO
GOVERNO DO ESTADO DE SÃO PAULO, 2013).
44
4.3.1 Avaliação da Correlação entre PIB per Capita e a Taxa de Geração per
Capita
A relação entre a TGP em função do PIB per capita (PIBP) foi realizada
através do emprego do coeficiente r de Pearson. Tal avaliação foi utilizada no intuito
de analisar se existia uma correlação linear entre o PIB per capita da população dos
municípios de São Paulo e a geração de resíduos, para os anos de 2008, 2010 e
2012, calculada através da Equação 6.
r=
∑ (PIBPi − PIBP)(TGPmedida i
− TGP medida )
(6)
( 2
) ( 2
)
∑ PIBPi − RP . ∑ TGPmedidai − TGP medida
na qual PIBPi é o PIB per capita anual média dos habitante de cada município e
PIBP é a média do PIB per capita anual de todos os municípios do Estado de São
Paulo, TGPmedidai é a taxa de geração per capita observada em cada município e
TGP medida a média da taxa de geração per capita observada de todos os municípios
do Estado de São Paulo.
r=
∑ (Pi − P)(TGPmedidai − TGPmedida )
(7)
P − P 2 . TGP
( ) ( 2
)
∑ i ∑ medidai − TGPmedida
r
t =
(8)
1− r2
n−2
46
TGP = (a / P) + b (12)
2
n
∑ TGP [
medidai − TGP medida . ][
TGPcalc i − TGP calc]
2
R = i =1
0 , 5 0 , 5 (15)
n 2 n 2
( ) (
∑ TGPmedidai − TGP medida .∑ TGPcalc i − TGP calc )
i =1 i =1
n
∑ (TGPmedidai )
− TGPcalci 2
RMSE = i =1
n (16)
47
n
∑ [TGPmedida i − TGPcalc i ]2
E = 1 − i =1 (17)
n
∑ [TGPmedida i − TGP medida ]
2
i =1
48
5 RESULTADOS E DISCUSSÃO
Figura 1 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2008
1,20
1,00
TGP em 2008 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
0,00 50000,00 100000,00 150000,00 200000,00
Figura 2 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2010
1,20
1,00
TGP em 2010 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
0,00 50000,00 100000,00 150000,00 200000,00
Renda per Capita Anual em 20010- RD (R$.hab-1)
50
Figura 3 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2012
1,20
1,00
TGP em 2012 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
0,00 50.000,00 100.000,00 150.000,00 200.000,00 250.000,00
51
Figura 4 -Taxas de geração per capita de RSU em função da população dos nos municípios do
estado de São Paulo em 2008
1,20
1,00
TGP em 2008 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
Figura 5 - Taxas de geração per capita de RSU em função da população dos municípios do
estado de São Paulo em 2010
1,20
1,00
TGP em 2010 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
52
Figura 6 - Taxas de geração per capita de RSU em função da população dos municípios do
estado de São Paulo em 2012
1,00
0,80
TGP em 2012 (kg.hab-1.d-1)
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
Uma vez que estas duas variáveis (Pi e TGPmedidai) apresentaram correlação
e forte dependência nos três anos em estudo, partiu-se para a aplicação do método
dos mínimos quadrados para a determinação das constantes de ajuste (a, b e c das
equações 9 a 14) para previsão da taxa de geração per capita de RSU nos anos de
2008, 2010 e 2012 em função da população dos municípios do Estado de São
Paulo.
-1 -1
Tabela 8 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2008
2
Funções População a b c R RMSE E
até 100 mil 0,0203 0,1401 - 0,15 0,056 0,14
TGP= a.Ln(P) + b
acima 100 mil 0,1081 -0,7826 - 0,80 0,042 0,97
até 100mil 0,0008 3,1297 0,2230 0,07 0,121 0,15
TGP = a .( LnP ) b + c
acima 100 mil 0,0036 2,1114 -0,1734 0,86 0,041 0,97
até 100 mil 0,0318 0,0234 - 0,07 0,122 0,07
TGP = ( LnP ) a + b
acima 100 mil 0,1314 -1,0733 - 0,85 0,042 0,85
até 100 mil 0,0009 34,1265 0,07 0,129 0,07
TGP = (a / P) + b
acima 100 mil -0,0040 2,0729 0,85 0,049 0,84
até 100 mil -5,0928 3,5372 0,3452 0,04 0,13 0,04
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1145 7,2481 0,7145 0,64 0,065 0,61
até 100 mil -51,6158 3,3823 51,9609 0,04 0,132 0,04
TGP = a. exp[ b /( P c )]
acima 100 mil 88,7285 -350,1795 -88,0143 0,66 0,065 0,61
54
Figura 7 - Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes em 2008
1,20
TGP medida
1,00
TGP em 2008 (kg.hab-1.d-1) TGP calculada
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000
População em 2008 - P (habitantes)
55
Figura 8 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100 mil habitantes em 2008
1,20
TGP medida
1,00 TGP calculada
TGP em 2008 (kg.hab-1.d-1)
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
População em 2008 - P (habitantes)
-1 -1
Tabela 9 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2010
2
Funções População a b C R RMSE E
até 100 mil 0,0211 0,1339 - 0,15 0,053 0,15
TGP= a.Ln(P) + b
acima 100 mil 0,1107 -0,812 - 0,86 0,034 0,86
até 100mil 0,2100 3,9432 0,2791 0,15 0,051 0,15
TGP = a .( LnP ) b + c
acima 100 mil 0,5239 0,5931 -1,7691 0,88 0,033 0,98
até 100 mil 0,0211 0,1342 - 0,15 0,059 0,15
TGP = ( LnP ) a + b
acima 100 mil 0,1107 -0,8125 - 0,86 0,034 0,84
até 100 mil 0,0054 3,9430 - 0,15 0,053 0,15
TGP = (a / P) + b
acima 100 mil -0,8123 0,4964 - 0,87 0,034 0,81
até 100 mil -5,0048 3,0979 0,3469 0,08 0,055 0,08
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1085 7,1164 0,7002 0,71 0,058 0,61
até 100 mil -51,5897 2,1467 51,9366 0,08 0,055 0,08
TGP = a. exp[ b /( P c )]
acima 100 mil 79,5491 -345,8764 -78,8476 0,71 0,050 0,70
56
Nota-se pelos resultados da Tabela 9 que a função correspondente à
Equação 10 melhor representou a TGP para municípios com população até 100 mil
habitantes, com valores de R2 de 0,15; RMSE de 0,051 kg.hab-1.d-1 e E de 0,15;
apesar dos baixos valores e R2 e E, o valor de RMSE representa aproximadamente
17 % do valor médio, quando comparados com a TGP prevista para a maioria dos
municípios deste conjunto. Além disso, a Lei 12305/2010 previu soluções
consorciadas para o gerenciamento integrado de resíduos sólidos entre municípios,
que é alternativa viável, sobretudo para pequenos municípios. Portanto, é
necessário verificar se a Equação 10, com as constantes a, b e c correspondentes, é
capaz de representar conjuntos de municípios de diferentes populações no mesmo
domínio estudado (até 100 mil habitantes). A Figura 9 permite observar a curva
fornecida pela Equação 10 para representar a TGP de municípios com menos de
100 mil habitantes no ano de 2010.
Figura 9 - Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes em 2010
1,20
TGP medida
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000
População em 2010 - P (habitantes)
Para municípios com mais de 100 mil habitantes, a Equação 10 foi a que
melhor se ajustou aos dados, com maior R2 (0,88), menor RMSE (0,033 kg.hab-1.d-1))
e maior valor de E (0,98). O coeficiente de eficiência de 0,98 é compatível com
previsão satisfatória de acordo com Silva et al. (2008). Na Figura 10 é mostrada a
curva obtida com a Equação 10 para municípios com população acima de 100 mil
habitantes em 2010.
57
Figura 10 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.000 habitantes em 2010
1,20
0,80
0,60
0,40
0,20
0,00
10.000 100.000 1.000.000 10.000.000
58
-1 -1
Tabela 10 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2012
2
Funções População a b c R RMSE E
até 100 mil 0,0212 0,1338 - 0,15 0,052 0,15
TGP= a.Ln(P) + b
acima 100 mil 0,1085 -0,7872 - 0,85 0,034 0,98
até 100mil 7,2653 3,9432 0,2791 0,15 0,049 0,15
TGP = a .( LnP ) b + c
acima 100 mil 2,4411 0,2793 -4,3707 0,88 0,032 0,98
até 100 mil 0,0053 3,9471 - 0,15 0,052 0,15
TGP = ( LnP ) a + b
acima 100 mil 0,8122 0,4964 - 0,85 0,034 0,87
até 100 mil 0,0211 0,1340 - 0,13 0,067 0,15
TGP = (a / P) + b
acima 100 mil 0,1085 - 0,7874 - 0,86 0,034 0,88
até 100 mil -5,0112 3,1298 0,3477 0,09 0,054 0,09
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1095 7,1380 0,7002 0,73 0,047 0,96
até 100 mil -51,5893 2,2182 51,9370 0,09 0,054 0,09
TGP = a. exp[ b /( P c )]
acima 100 mil 79,5475 -345,8763 -78,8492 0,73 0,047 0,83
Figura 11 -Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000
População em 2012 - P (habitantes)
59
Figura 12 – Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.0000 habitantes em 2012
TGP medida
1,00 TGP calculada
0,80
TGP em 2012 (kg.hab-1.d-1)
0,60
0,40
0,20
0,00
10.000 100.000 1.000.000 10.000.000
População em 2012 - P (habitantes)
Tabela 11 - Valores dos coeficientes a, b e c para municípios com população de até 100 mil
habitantes para Equação 9 e acima de 100 mil habitantes para Equação 10
60
Nota-se pela Figura 13 que as taxas de geração per capita de RSU em
função dos PIB per capita apresentaram os mesmos comportamentos para os anos
de 2008, 2010 e 2012. Sendo assim, é de se esperar que o coeficiente de Pearson
(r) para o conjunto amplo de dados seja semelhante ao valor obtido para cada ano
individualmente. O valor de r para TGP de RSU em função do PIB foi de 0,08,
comprovando que também não houve correlação considerável entre essas duas
variáveis para esse conjunto de dados, uma vez que r foi inferior a 0,10 (COHEN,
1988; DANCEY & REIDY, 2005).
No que diz respeito à avaliação da influência da variável população na taxa
de geração per capita observada para os municípios em função de população para
os anos de 2008, 2010 e 2012, é possível afirmar com base no resultado
representado pela Figura 14 que existe correlação positiva entre as TGP de RSU
com a população nos municípios do Estado de São Paulo. Para o conjunto de
resultados referentes aos anos em estudo, o coeficiente de correlação de Pearson
(r) foi igual a 0,62, ou seja, no intervalo 0,50 a 1 que expressa grande dependência
para Cohen (1988), e no intervalo de 0,60 a 0,70 que classifica a correlação entre
moderada a forte para Dancey e Reidy (2005).
Figura 13 – Taxas de geração per capita de RSU em função da PIB per capita nos municípios
do Estado de São Paulo em 2008, 2010 e 2012
1,20
TGP em 2008
TGP em 2008-2012 (kg.hab-1.d-1)
0,60
0,40
0,20
0,00
R$ - R$ 50.000,00 R$ 100.000,00 R$ 150.000,00 R$ 200.000,00
61
Figura 14 - Taxas de geração per capita de RSU em função da população dos municípios nos
anos de 2008, 2010 e 2012
-1 -1
Tabela 12 - Parâmetros de ajuste da TGP ((kg.hab .d ) em função da População (hab) para
2008, 2010 e 2012
2
Funções População a b C R RMSE E
até 100 mil 0,0225 0,1154 - 0,16 0,055 0,28
TGP= a.Ln(P) + b
acima 100 mil 0,1155 -0,8730 - 0,85 0,037 0,81
até 100mil 0,1486 -1,0675 0,2678 0,15 0,055 0,07
TGP= a.(LnP)b + c acima 100 mil 0,4608 -2,6303 -4,2608 0,85 0,032 0,82
62
2010 e 2012. Para municípios com mais de 100 mil habitantes, a Equação 10 foi a
mais adequada para ajustar aos dados, com maior R2 (0,85), menor RMSE (0,032
kg.hab-1.d-1) e maior valor de E (0,82). A curva correspondente a essa função está
representada na Figura 16, representando 222 pontos para municípios com mais de
100 mil habitantes, com base nos 2008, 2010 e 2012.
Figura 15 - Taxas de geração per capita de RSU em função da população dos municípios com
menos de 100.000 habitantes em 2008, 2010 e 2012
1,20
1,00
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000
População em 2008-2012- P (habitantes)
Figura 16 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.000 habitantes em 2008, 2010 e 2012
1,20
TGP medida TGP calculada
TGP em 2008-2012 (kg.hab-1.d-1)
1,00
0,80
0,60
0,40
0,20
0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
63
Tabela 123 - TGP médias medidas e calculadas pelas equações 9 e 10 por faixa de população
nos anos de 2008 - 2012.
65
6 CONCLUSÕES
66
kg.hab-1.d-1. E 0,0325 kg.hab-1.d-1., respectivamente para municípios com menos e
mais de 100 mil habitantes.
Portanto, as equações propostas foram qualificadas como adequadas para
se prever as TGP de RSU, alcançando dessa forma o objetivo pretendido, de
disponibilizar equações que permitissem estimar as TGP de RSU para os municípios
do Estado de São Paulo, a partir de variáveis demográficas ou socioeconômicas.
67
7 SUGESTÕES PARA TRABALHOS FUTUROS
68
REFERÊNCIAS
69
CALDERONI, S. Os bilhões perdidos no lixo. 2ª ed. São Paulo:Humanitas, 1998.
CHUNG, S S. Projecting municipal solid waste: The case of Hong Kong SAR.
Resources, Conservation and Recycling, v.54, p. 759-768, 2010.
70
DASKALOPOULOS, E.; BADR, O.; PROBERT, S.D. Municipal solid waste: a
prediction methodology for the generation rate and composition in the European
Union and the United States of America. Resources, Conservation and Recycling,
v. 24, n. 1, p. 155-166, 1998.
71
LEGATES, D R; McCABE JR, G J.Evaluating the use of “goodness-of-fit” measures
in hydrologic and hydroclimatic model validation. Water Resources Research, v. 35,
n. 1, p. 233–241, 1999.
72
SECTAM - SECRETARIA EXECUTIVA DE CIÊNCIA E TECNOLOGIA E
MEIO ambiente. MANUAL. Lixo – este problema tem solução. Série Saneamento
Ambiental, Belém, n. 1,1997.
SILVA, Joelma Maria Santos. Uma revisão bibliográfica sobre resíduos sólidos
domésticos e algumas considerações sobre Uberlândia/MG e condomínio
Miranda V – município de Uberlândia-MG. 2005. 118 f. Monografia (Graduação) -
Universidade Federal de Uberlândia, Uberlândia, 2005.
73
APÊNDICE A – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDOS DOMICILIARES- CETESB
REFERENTE AO PERÍODO DE 2008
74
Continua
75
Continua
76
Continua
77
Continua
78
Continua
79
Continua
80
Continua
81
Continua
82
Continua
83
Continua
84
Continua
85
Continua
86
Continua
87
Continua
88
Uru 25.348 1.397 0,4 0,286
Urupês 11.647 12.347 4,1 0,332
Valentim Gentil 13.489 9.952 3,5 0,352
Valinhos 29.520 105.282 39,8 0,378
Valparaíso 11.826 22.165 7,7 0,347
Vargem 7.132 7.092 1,1 0,155
Vargem Grande do Sul 9.338 38.925 14,5 0,373
Vargem Grande Paulista 15.076 43.664 17,5 0,401
Várzea Paulista 12.493 105.954 53,0 0,500
Vera Cruz 9.232 10.065 3,3 0,328
Vinhedo 71.364 62.240 24,3 0,390
Viradouro 7.548 17.924 6,8 0,379
Vista Alegre do Alto 25.335 6.682 2,3 0,344
Vitória Brasil 11.198 1.664 0,5 0,300
Votorantim 14.621 104.413 50,5 0,484
Votuporanga 13.725 80.819 31,1 0,385
Zacarias 16.104 2.384 0,7 0,294
Conclui
89
APÊNDICE B – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES - CETESB REFERENTE
AO PERÍODO DE 2010
90
Continua
91
Continua
92
Continua
93
Continua
94
Continua
95
Continua
96
Continua
97
Continua
98
Continua
99
Continua
100
Continua
101
Continua
102
Continua
103
Continua
104
Continua
105
APÊNDICE C – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2012
106
Continua
107
Continua
Boituva 31.685,54 49.851 18,6 0,373
Bom Jesus dos Perdões 17.385,96 20.429 7,1 0,348
Bom Sucesso de Itararé 12.831,90 3.605 1,0 0,277
Borá 35.083,82 806 0,3 0,372
Boracéia 28.869,67 4.320 1,5 0,347
Borborema 18.607,05 14.658 5,3 0,362
Borebi 35.046,37 2.330 0,8 0,343
Botucatu 24.489,04 129.234 62,0 0,480
Bragança Paulista 21.005,91 148.925 71,9 0,483
Braúna 11.843,33 5.083 1,8 0,354
Brejo Alegre 45.048,77 2.599 0,9 0,346
Brodowski 13.582,73 21.514 8,4 0,390
Brotas 21.346,88 21.848 7,5 0,343
Buri 19.213,86 18.654 6,0 0,322
Buritama 18.464,72 15.569 5,9 0,379
Buritizal 58.867,69 4.090 1,3 0,318
Cabrália Paulista 33.056,96 4.340 1,5 0,346
Cabreúva 56.316,20 42.500 14,3 0,336
Caçapava 29.419,88 85.593 29,2 0,341
Cachoeira Paulista 13.689,58 30.373 9,9 0,326
Caconde 13.670,16 18.554 5,1 0,275
Cafelândia 18.045,92 16.683 5,8 0,348
Caiabu 13.284,63 4.072 1,3 0,319
Caieiras 23.527,34 88.122 34,2 0,388
Caiuá 17.312,95 5.125 0,8 0,156
Cajamar 89.628,40 65.513 25,5 0,389
Cajati 19.785,81 28.301 8,3 0,293
Cajobi 14.145,06 9.824 3,7 0,377
Cajuru 12.926,86 23.624 8,4 0,356
Campina do Monte Alegre 21.705,64 5.602 1,9 0,339
Campinas 37.179,10 1.090.915 750,1 0,688
Campo Limpo Paulista 14.611,50 75.118 29,9 0,398
Campos do Jordão 13.424,06 48.132 19,1 0,397
Campos Novos Paulista 22.873,84 4.573 1,4 0,306
Cananéia 10.897,25 12.223 4,2 0,344
Canas 10.010,15 4.464 1,7 0,381
Cândido Mota 19.596,07 29.944 11,3 0,377
Cândido Rodrigues 21.860,95 2.674 0,9 0,337
Canitar 10.077,67 4.462 1,7 0,381
Capão Bonito 14.066,42 46.129 15,1 0,327
Capela do Alto 12.579,33 17.871 5,9 0,330
Capivari 25.621,88 49.288 18,6 0,377
Caraguatatuba 15.157,46 103.148 39,3 0,381
108
Continua
Carapicuíba 10.585,76 372.010 222,9 0,599
Cardoso 14.154,20 11.822 4,3 0,364
Casa Branca 22.536,32 28.449 9,3 0,327
Cássia dos Coqueiros 16.114,84 2.614 0,7 0,268
Castilho 43.725,42 18.310 5,5 0,300
Catanduva 22.355,39 113.492 56,2 0,495
Catiguá 14.885,18 7.182 2,6 0,362
Cedral 18.582,48 8.100 2,6 0,321
Cerqueira César 23.393,01 17.770 6,4 0,360
Cerquilho 63.470,01 40.706 15,3 0,376
Cesário Lange 17.986,36 15.809 4,3 0,272
Charqueada 14.640,57 15.289 5,5 0,360
Chavantes 19.348,84 12.108 4,5 0,372
Clementina 18.079,55 7.240 2,7 0,373
Colina 28.364,16 17.438 6,5 0,373
Colômbia 33.433,29 5.999 1,7 0,283
Conchal 17.680,58 25.479 9,6 0,377
Conchas 19.654,82 16.423 5,3 0,323
Cordeirópolis 79.091,70 21.435 7,7 0,359
Coroados 18.257,76 5.321 1,7 0,319
Coronel Macedo 17.881,73 4.951 1,5 0,303
Corumbataí 34.998,02 3.882 0,8 0,206
Cosmópolis 16.038,41 60.370 22,3 0,369
Cosmorama 18.090,10 7.199 2,0 0,278
Cotia 34.218,34 206.775 123,1 0,595
Cravinhos 18.071,57 32.014 12,5 0,390
Cristais Paulista 20.124,54 7.688 2,2 0,286
Cruzália 33.451,93 2.246 0,6 0,267
Cruzeiro 17.378,94 77.375 30,1 0,389
Cubatão 46.348,32 119.733 59,8 0,499
Cunha 7.954,37 21.758 4,8 0,221
Descalvado 25.538,84 31.262 11,1 0,355
Diadema 30.386,20 388.898 233,1 0,599
Dirce Reis 16.692,02 1.694 0,5 0,295
Divinolândia 14.407,04 11.138 3,0 0,269
Dobrada 10.176,01 8.030 3,1 0,386
Dois Córregos 24.824,81 24.979 9,4 0,376
Dolcinópolis 15.497,74 2.091 0,8 0,383
Dourado 18.464,17 8.610 3,1 0,360
Dracena 16.584,29 43.518 16,1 0,370
Duartina 13.114,49 12.232 4,4 0,360
Dumont 13.476,92 8.336 3,2 0,384
Echaporã 17.051,55 6.274 2,0 0,319
109
Continua
Eldorado 11.279,87 14.689 2,9 0,197
Elias Fausto 41.102,14 15.961 5,1 0,320
Elisiário 18.213,06 3.175 1,2 0,378
Embaúba 18.727,96 2.418 0,8 0,331
Embu 21.742,60 243.496 145,6 0,598
Embu-Guaçu 10.843,22 63.357 24,6 0,388
Emilianópolis 13.943,87 3.032 1,0 0,330
Engenheiro Coelho 13.309,89 16.381 4,7 0,287
Espírito Santo do Pinhal 19.686,70 42.043 14,9 0,354
Espírito Santo do Turvo 23.286,48 4.301 1,5 0,349
Estiva Gerbi 19.056,77 10.162 3,2 0,315
Estrela do Norte 19.067,31 8.203 0,8 0,098
Estrela d'Oeste 86.783,68 2.661 2,7 1,015
Euclides da Cunha 8.984,73 9.530 2,4 0,252
Paulista
Fartura 14.652,56 15.349 4,9 0,319
Fernando Prestes 22.477,44 5.543 1,9 0,343
Fernandópolis 19.032,34 64.986 25,2 0,388
Fernão 14.968,70 1.575 0,3 0,190
Ferraz de Vasconcelos 10.584,23 170.947 81,3 0,476
Flora Rica 21.734,17 1.717 0,6 0,349
Floreal 20.634,37 2.984 1,0 0,335
Flórida Paulista 14.264,30 13.017 4,1 0,315
Florínea 61.126,18 2.803 1,0 0,357
Franca 17.808,81 321.670 189,2 0,588
Francisco Morato 7.125,61 156.578 77,9 0,498
Franco da Rocha 14.504,13 134.005 61,5 0,459
Gabriel Monteiro 34.500,13 2.706 0,9 0,333
Gália 16.860,56 6.939 2,1 0,303
Garça 18.690,28 43.112 15,7 0,364
Gastão Vidigal 12.351,77 4.253 1,5 0,353
Gavião Peixoto 83.972,95 4.446 1,4 0,315
General Salgado 20.924,87 10.655 3,6 0,338
Getulina 16.158,04 10.802 3,3 0,305
Glicério 17.091,16 4.578 1,3 0,284
Guaiçara 11.027,96 10.817 3,9 0,361
Guaimbê 12.469,90 5.445 1,9 0,349
Guaíra 25.845,40 37.673 14,5 0,385
Guapiaçu 24.240,60 18.265 6,4 0,350
Guapiara 11.587,45 17.850 2,9 0,162
Guará 17.779,06 19.949 7,7 0,386
Guaraçaí 20.066,81 8.395 2,7 0,322
Guaraci 17.825,38 10.087 3,6 0,357
110
Continua
Guarani d'Oeste 12.340,66 1.967 0,7 0,356
Guarantã 25.449,50 6.412 2,2 0,343
Guararapes 26.426,55 30.764 11,4 0,371
Guararema 18.501,68 26.240 9,0 0,343
Guaratinguetá 19.713,39 112.827 53,7 0,476
Guareí 16.081,53 15.047 3,4 0,226
Guariba 17.424,79 35.918 14,0 0,390
Guarujá 14.120,27 293.295 175,6 0,599
Guarulhos 35.235,12 1.236.884 863,4 0,698
Guatapará 20.447,39 7.024 2,1 0,299
Guzolândia 14.395,46 4.797 1,6 0,334
Herculândia 16.073,53 8.764 3,2 0,365
Holambra 49.553,71 11.772 3,4 0,289
Hortolândia 34.185,87 196.934 97,9 0,497
Iacanga 42.114,58 10.188 3,5 0,344
Iacri 18.918,78 6.387 2,0 0,313
Iaras 16.459,21 6.819 1,2 0,176
Ibaté 16.235,14 31.165 11,9 0,382
Ibirá 13.275,60 11.039 4,1 0,371
Ibirarema 22.509,96 6.827 2,5 0,366
Ibitinga 17.009,30 53.806 20,6 0,383
Ibiúna 12.083,70 71.891 10,0 0,139
Icém 16.618,16 7.529 2,6 0,345
Iepê 25.159,16 7.663 2,7 0,352
Igaraçu do Tietê 9.135,65 23.433 9,3 0,397
Igarapava 24.818,41 28.147 10,6 0,377
Igaratá 14.356,04 8.884 2,8 0,315
Iguape 11.056,01 28.975 9,9 0,342
Ilha Comprida 16.879,75 9.279 3,7 0,399
Ilha Solteira 52.311,43 25.166 9,4 0,374
Ilhabela 12.400,35 28.993 11,4 0,393
Indaiatuba 29.065,93 207.556 122,2 0,589
Indiana 9.959,44 4.816 1,6 0,332
Indiaporã 15.819,49 3.888 1,3 0,334
Inúbia Paulista 17.975,45 3.659 1,3 0,355
Ipaussu 13.309,89 13.769 5,1 0,370
Iperó 16.732,68 29.446 7,2 0,245
Ipeúna 22.559,63 6.200 2,1 0,339
Ipiguá 12.066,81 4.568 1,1 0,241
Iporanga 7.670,10 4.276 1,0 0,234
Ipuã 17.701,87 14.377 5,5 0,383
Iracemápolis 25.697,24 20.499 8,0 0,390
Irapuã 16.466,98 7.335 2,6 0,354
111
Continua
Irapuru 11.076,40 7.819 2,2 0,281
Itaberá 17.395,06 17.767 4,8 0,270
Itaí 20.001,78 24.302 7,6 0,313
Itajobi 18.636,75 14.787 4,9 0,331
Itaju 25.252,41 3.308 1,0 0,302
Itanhaém 13.458,20 88.609 35,0 0,395
Itaóca 9.003,02 3.228 0,7 0,217
Itapecerica da Serra 23.969,85 154.948 76,5 0,494
Itapetininga 20.214,76 146.249 66,2 0,453
Itapeva 15.098,39 88.221 29,7 0,337
Itapevi 31.426,82 204.749 122,2 0,597
Itapira 27.599,47 69.033 25,6 0,371
Itapirapuã Paulista 9.006,31 3.909 0,8 0,205
Itápolis 20.183,38 40.272 14,6 0,363
Itaporanga 11.392,92 14.566 4,4 0,302
Itapuí 31.443,35 12.353 4,7 0,380
Itapura 28.161,93 4.407 1,4 0,318
Itaquaquecetuba 11.400,03 326.371 195,3 0,598
Itararé 13.841,83 48.066 17,7 0,368
Itariri 7.754,17 15.655 4,0 0,256
Itatiba 33.307,63 103.574 34,8 0,336
Itatinga 16.529,92 18.312 6,6 0,360
Itirapina 18.979,42 15.798 5,7 0,361
Itirapuã 12.942,68 5.963 2,0 0,335
Itobi 11.018,84 7.554 2,7 0,357
Itu 31.915,30 156.011 72,8 0,467
Itupeva 47.284,34 47.127 16,1 0,342
Ituverava 17.144,65 38.927 14,6 0,375
Jaborandi 14.785,64 6.608 2,5 0,378
Jaboticabal 25.618,65 72.070 27,9 0,387
Jacareí 26.923,82 213.155 125,9 0,591
Jaci 34.058,04 5.824 2,0 0,343
Jacupiranga 13.660,15 17.226 3,8 0,221
Jaguariúna 74.200,86 45.975 17,7 0,385
Jales 18.386,58 47.093 17,7 0,376
Jambeiro 163.908,91 5.494 1,0 0,182
Jandira 16.570,90 110.026 54,8 0,498
Jardinópolis 15.877,19 38.372 14,7 0,383
Jarinu 22.536,07 24.596 7,5 0,305
Jaú 17.439,63 132.933 64,2 0,483
Jeriquara 27.598,67 3.149 1,0 0,318
Joanópolis 12.281,64 11.903 4,7 0,395
João Ramalho 24.851,89 4.180 1,4 0,335
112
Continua
José Bonifácio 24.550,47 33.164 12,0 0,362
Júlio Mesquita 10.912,75 4.455 1,7 0,382
Jumirim 26.830,38 2.861 0,7 0,245
Jundiaí 58.325,48 374.731 214,6 0,573
Junqueirópolis 17.619,45 18.890 6,2 0,328
Juquiá 10.658,38 19.138 4,8 0,251
Juquitiba 9.887,07 28.961 8,9 0,307
Lagoinha 13.406,09 4.831 1,3 0,269
Laranjal Paulista 19.371,88 25.557 9,1 0,356
Lavínia 18.750,41 9.218 1,8 0,195
Lavrinhas 10.164,13 6.647 2,4 0,361
Leme 18.751,17 92.841 36,3 0,391
Lençóis Paulista 32.481,91 62.056 24,2 0,390
Limeira 26.848,21 278.661 161,9 0,581
Lindóia 14.150,57 6.855 2,7 0,394
Lins 29.923,56 71.960 28,4 0,395
Lorena 17.366,28 82.971 32,3 0,389
Lourdes 15.733,72 2.140 0,7 0,327
Louveira 198.995,30 38.654 14,7 0,380
Lucélia 13.047,42 20.031 6,9 0,344
Lucianópolis 17.025,21 2.257 0,7 0,310
Luís Antônio 55.946,44 11.764 4,5 0,383
Luiziânia 13.972,57 5.105 1,9 0,372
Lupércio 14.947,25 4.365 1,5 0,344
Lutécia 23.320,78 2.698 0,9 0,334
Macatuba 31.402,25 16.309 6,3 0,386
Macaubal 16.111,82 7.689 2,7 0,351
Macedônia 13.231,97 3.655 1,1 0,301
Magda 21.607,49 3.181 1,1 0,346
Mairinque 21.805,87 43.543 14,0 0,322
Mairiporã 15.562,24 83.206 28,9 0,347
Manduri 12.571,12 9.062 3,1 0,342
Marabá Paulista 19.689,91 4.928 0,9 0,183
Maracaí 41.646,66 13.363 4,8 0,359
Marapoama 30.902,82 2.672 0,9 0,337
Mariápolis 9.889,77 3.921 1,3 0,332
Marília 19.892,65 218.641 125,1 0,572
Marinópolis 14.479,64 2.106 0,7 0,332
Martinópolis 16.424,28 24.400 8,2 0,336
Matão 63.836,28 77.270 30,3 0,392
Mauá 18.125,78 422.398 252,7 0,598
Mendonça 14.677,33 4.730 1,5 0,317
Meridiano 16.568,45 3.840 1,1 0,286
113
Continua
Mesópolis 27.647,28 1.882 0,6 0,319
Miguelópolis 17.411,74 20.588 7,7 0,374
Mineiros do Tietê 12.073,92 12.099 4,6 0,380
Mira Estrela 15.419,07 2.841 0,8 0,282
Miracatu 13.129,70 20.439 4,2 0,205
Mirandópolis 12.736,02 27.630 9,8 0,355
Mirante do Paranapanema 9.915,09 17.139 4,0 0,233
Mirassol 20.605,70 54.329 21,1 0,388
Mirassolândia 12.128,10 4.350 1,4 0,322
Mococa 19.459,84 66.363 24,5 0,369
Mogi das Cruzes 24.617,42 393.548 216,8 0,551
Mogi Guaçu 22.472,87 138.520 65,6 0,474
Mogi Mirim 34.758,40 86.997 32,5 0,374
Mombuca 15.816,76 3.282 1,1 0,335
Monções 35.463,61 2.139 0,7 0,327
Mongaguá 14.935,54 47.499 18,8 0,396
Monte Alegre do Sul 19.161,88 7.234 1,7 0,235
Monte Alto 23.283,27 46.932 17,9 0,381
Monte Aprazível 25.850,75 22.078 8,0 0,362
Monte Azul Paulista 16.865,87 18.877 7,1 0,376
Monte Castelo 18.437,91 4.060 1,3 0,320
Monte Mor 28.185,49 50.186 18,7 0,373
Monteiro Lobato 11.169,97 4.170 0,7 0,168
Morro Agudo 28.808,93 29.481 11,3 0,383
Morungaba 30.724,04 11.956 4,1 0,343
Motuca 22.704,13 4.330 1,3 0,300
Murutinga do Sul 13.286,95 4.206 1,0 0,238
Nantes 46.185,29 2.750 1,0 0,364
Narandiba 52.948,15 4.342 1,3 0,299
Natividade da Serra 9.589,76 6.654 1,1 0,165
Nazaré Paulista 14.471,60 16.612 5,6 0,337
Neves Paulista 18.058,90 8.760 3,2 0,365
Nhandeara 23.155,73 10.774 3,5 0,325
Nipoã 17.110,13 4.380 1,5 0,342
Nova Aliança 19.502,49 6.006 2,0 0,333
Nova Campina 19.895,80 8.638 2,3 0,266
Nova Canaã Paulista 17.900,15 2.083 0,3 0,144
Nova Castilho 40.809,77 1.138 0,3 0,264
Nova Europa 16.883,62 9.508 3,5 0,368
Nova Granada 14.042,87 19.382 7,2 0,371
Nova Guataporanga 9.539,74 2.185 0,8 0,366
Nova Independência 64.997,85 3.181 1,0 0,314
Nova Luzitânia 11.580,96 3.513 1,3 0,370
114
Continua
Nova Odessa 41.949,12 52.179 20,4 0,391
Novais 11.433,67 4.741 1,7 0,359
Novo Horizonte 24.027,25 36.998 13,7 0,370
Nuporanga 30.801,39 6.866 2,5 0,364
Ocauçu 16.350,45 4.166 1,3 0,312
Óleo 19.806,17 2.646 0,7 0,265
Olímpia 22.315,16 50.409 19,0 0,377
Onda Verde 37.071,56 3.931 1,2 0,305
Oriente 11.346,29 6.116 2,3 0,376
Orindiúva 28.725,61 5.839 2,1 0,360
Orlândia 24.435,59 40.149 15,6 0,389
Osasco 58.817,14 668.128 467,5 0,700
Oscar Bressane 14.421,02 2.536 0,8 0,315
Osvaldo Cruz 17.037,17 31.035 11,1 0,358
Ourinhos 16.975,99 103.930 50,5 0,486
Ouro Verde 13.736,27 7.862 2,9 0,369
Ouroeste 77.558,74 8.631 3,1 0,359
Pacaembu 11.157,96 13.292 3,9 0,293
Palestina 19.011,80 11.248 3,7 0,329
Palmares Paulista 8.380,44 11.196 4,3 0,384
Palmeira d'Oeste 15.250,73 9.519 2,9 0,305
Palmital 25.129,78 21.233 7,8 0,367
Panorama 12.195,51 14.672 5,7 0,388
Paraguaçu Paulista 17.064,29 42.535 15,4 0,362
Paraibuna 11.259,38 17.425 2,1 0,121
Paraíso 16.866,15 5.943 2,1 0,353
Paranapanema 22.490,96 18.137 5,8 0,320
Paranapuã 17.444,40 3.831 1,4 0,365
Parapuã 21.295,86 10.820 3,6 0,333
Pardinho 25.716,22 5.668 1,8 0,318
Pariquera-Açu 12.073,68 18.525 5,1 0,275
Parisi 16.368,88 2.040 0,7 0,343
Patrocínio Paulista 27.368,53 13.156 4,2 0,319
Paulicéia 17.063,00 6.445 2,1 0,326
Paulínia 97.128,95 85.759 33,8 0,394
Paulistânia 27.244,25 1.779 0,5 0,281
Paulo de Faria 24.585,03 8.600 3,1 0,360
Pederneiras 20.584,83 41.977 15,6 0,372
Pedra Bela 11.846,67 5.797 0,6 0,104
Pedranópolis 17.852,30 2.542 0,6 0,236
Pedregulho 17.987,93 15.767 4,6 0,292
Pedreira 16.828,94 42.197 16,7 0,396
Pedrinhas Paulista 27.321,12 2.947 1,0 0,339
115
Continua
Pedro de Toledo 8.982,14 10.303 2,8 0,272
Penápolis 19.270,29 58.883 22,5 0,382
Pereira Barreto 29.196,59 24.956 9,3 0,373
Pereiras 20.150,14 5.579 2,0 0,358
Peruíbe 13.794,85 60.617 23,9 0,394
Piacatu 13.257,97 5.352 1,9 0,355
Piedade 13.176,62 52.337 9,5 0,182
Pilar do Sul 16.255,43 26.647 8,4 0,315
Pindamonhangaba 25.449,92 14.095 71,6 5,080
Pindorama 16.027,11 15.229 5,8 0,381
Pinhalzinho 12.922,10 13.320 2,6 0,195
Piquerobi 14.444,46 3.543 1,1 0,310
Piquete 9.165,79 14.012 5,3 0,378
Piracaia 12.844,49 25.288 10,1 0,399
Piracicaba 31.510,67 368.029 215,6 0,586
Piraju 15.866,46 28.530 10,3 0,361
Pirajuí 13.600,48 22.959 7,5 0,327
Pirangi 15.123,79 10.678 3,8 0,356
Pirapora do Bom Jesus 9.061,63 16.084 6,4 0,398
Pirapozinho 19.641,54 24.945 9,5 0,381
Pirassununga 23.847,38 70.584 25,8 0,366
Piratininga 12.490,19 12.218 4,2 0,344
Pitangueiras 18.632,02 35.715 13,7 0,384
Planalto 19.845,48 4.544 1,5 0,330
Platina 25.151,86 3.223 1,0 0,310
Poá 30.332,53 10.716 52,6 4,909
Poloni 19.185,60 5.456 1,9 0,348
Pompéia 28.672,78 20.136 7,5 0,372
Pongaí 16.440,68 3.463 1,2 0,347
Pontal 17.831,19 41.383 16,1 0,389
Pontalinda 13.743,70 4.127 1,4 0,339
Pontes Gestal 42.743,59 2.516 0,8 0,318
Populina 19.452,92 4.203 1,4 0,333
Porangaba 19.452,92 8.498 1,6 0,188
Porto Feliz 19.751,82 49.222 16,5 0,335
Porto Ferreira 21.784,55 51.787 20,3 0,392
Potim 8.110,85 2.039 6,0 2,943
Potirendaba 20.451,15 15.626 5,6 0,358
Pracinha 8.071,23 3.044 0,6 0,197
Pradópolis 46.771,68 17.857 6,6 0,370
Praia Grande 14.918,37 268.473 160,4 0,597
Pratânia 16.117,32 4.664 1,4 0,300
Presidente Alves 15.584,45 4.106 1,4 0,341
116
Continua
Presidente Bernardes 14.059,80 13.476 4,2 0,312
Presidente Epitácio 12.205,65 41.511 15,5 0,373
Presidente Prudente 21.541,33 209.396 122,9 0,587
Presidente Venceslau 13.316,30 37.962 14,5 0,382
Promissão 27.845,43 36.124 12,2 0,338
Quadra 19.263,14 3.297 0,3 0,091
Quatá 24.589,87 12.909 4,8 0,372
Queiroz 71.345,12 2.875 1,0 0,348
Queluz 9.173,84 11.535 3,8 0,329
Quintana 15.716,46 6.058 2,2 0,363
Rafard 15.580,76 8.635 3,0 0,347
Rancharia 34.156,62 28.809 10,3 0,358
Redenção da Serra 12.516,96 3.857 0,9 0,233
Regente Feijó 19.773,48 18.639 6,9 0,370
Reginópolis 15.092,03 7.618 1,8 0,236
Registro 20.038,07 54.313 19,3 0,355
Restinga 15.182,16 6.688 2,1 0,314
Ribeira 8.673,01 3.344 0,5 0,150
Ribeirão Bonito 15.546,45 12.220 4,5 0,368
Ribeirão Branco 10.803,30 18.023 3,7 0,205
Ribeirão Corrente 22.521,33 4.312 1,4 0,325
Ribeirão do Sul 19.638,15 4.442 1,3 0,293
Ribeirão dos Índios 17.355,11 2.184 0,7 0,321
Ribeirão Grande 13.969,50 7.427 0,9 0,121
Ribeirão Pires 17.405,18 113.902 56,9 0,500
Ribeirão Preto 30.208,71 614.759 427,4 0,695
Rifaina 15.062,24 3.447 1,2 0,348
Rincão 13.750,07 10.421 3,4 0,326
Rinópolis 12.559,73 9.906 3,4 0,343
Rio Claro 28.741,33 188.019 91,5 0,487
Rio das Pedras 33.631,92 30.123 11,6 0,385
Rio Grande da Serra 11.895,84 44.669 17,8 0,398
Riolândia 14.648,81 10.781 3,4 0,315
Riversul 9.486,89 6.076 1,8 0,296
Rosana 45.937,23 19.326 6,2 0,321
Roseira 30.352,58 9.701 3,7 0,381
Rubiácea 30.297,99 2.767 0,6 0,217
Rubinéia 13.164,52 2.886 0,9 0,312
Sabino 16.805,79 5.243 1,8 0,343
Sagres 16.573,77 2.390 0,7 0,293
Sales 15.429,36 5.541 2,0 0,361
Sales Oliveira 20.405,44 10.691 3,9 0,365
Salesópolis 12.790,70 15.760 4,0 0,254
117
Continua
Salmourão 15.791,13 4.857 1,7 0,350
Saltinho 19.730,49 7.187 2,4 0,334
Salto 25.536,97 106.743 52,9 0,496
Salto de Pirapora 14.709,00 40.639 12,7 0,313
Salto Grande 16.592,24 8.819 3,2 0,363
Sandovalina 82.457,00 3.760 1,0 0,266
Santa Adélia 16.466,64 14.417 5,4 0,375
Santa Albertina 13.689,56 5.735 2,0 0,349
Santa Bárbara d'Oeste 21.942,60 180.967 89,7 0,496
Santa Branca 14.976,73 13.837 4,9 0,354
Santa Clara d'Oeste 12.808,71 2.080 0,6 0,288
Santa Cruz da Conceição 20.992,12 4.049 1,1 0,272
Santa Cruz da Esperança 22.671,96 1.968 0,5 0,254
Santa Cruz das Palmeiras 11.195,42 30.370 11,7 0,385
Santa Cruz do Rio Pardo 24.506,08 44.209 16,1 0,364
Santa Ernestina 10.322,49 5.552 2,1 0,378
Santa Fé do Sul 22.852,35 29.504 11,3 0,383
Santa Gertrudes 20.746,53 22.256 8,7 0,391
Santa Isabel 17.831,35 51.118 16,0 0,313
Santa Lúcia 12.064,94 8.287 3,1 0,374
Santa Maria da Serra 16.609,45 5.486 1,9 0,346
Santa Mercedes 15.493,71 2.834 1,0 0,353
Santa Rita do Passa 19.114,30 26.511 9,5 0,358
Quatro
Santa Rita d'Oeste 19.600,47 2.529 0,7 0,277
Santa Rosa de Viterbo 19.461,50 24.098 9,2 0,382
Santa Salete 23.781,18 1.453 0,3 0,206
Santana da Ponte Pensa 15.356,74 1.619 0,4 0,247
Santana de Parnaíba 41.711,29 112.651 55,7 0,494
Santo Anastácio 13.156,58 20.451 7,6 0,372
Santo André 26.052,16 678.957 100,0 0,147
Santo Antônio da Alegria 17.226,03 6.356 1,9 0,299
Santo Antônio de Posse 21.745,48 20.902 7,6 0,364
Santo Antônio do 31.710,47 7.693 2,4 0,312
Aracanguá
Santo Antônio do Jardim 21.173,33 5.925 1,4 0,236
Santo Antônio do Pinhal 10.879,96 6.502 1,5 0,231
Santo Expedito 12.450,85 2.830 1,0 0,353
Santópolis do Aguapeí 14.141,50 4.322 1,7 0,393
Santos 75.067,09 419.530 251,5 0,599
São Bento do Sapucaí 11.791,17 10.480 2,0 0,191
São Bernardo do Campo 47.181,73 771.543 530,2 0,687
São Caetano do Sul 78.697,41 150.110 75,0 0,500
São Carlos 24.678,10 224.828 129,1 0,574
118
Continua
São Francisco 13.212,36 2.787 0,9 0,323
São João da Boa Vista 25.325,30 84.241 32,3 0,383
São João das Duas 14.775,02 2.558 0,8 0,313
Pontes
São João de Iracema 29.850,28 1.790 0,6 0,335
São João do Pau d'Alho 22.518,74 2.096 0,7 0,334
São Joaquim da Barra 24.348,45 46.994 18,4 0,392
São José da Bela Vista 17.332,81 8.437 3,0 0,356
São José do Barreiro 11.871,08 4.072 1,1 0,270
São José do Rio Pardo 23.123,65 52.075 18,4 0,353
São José do Rio Preto 23.607,19 413.198 232,2 0,562
São José dos Campos 39.544,94 638.990 436,7 0,683
São Lourenço da Serra 11.212,77 14.152 5,1 0,360
São Luís do Paraitinga 11.065,22 10.394 2,5 0,241
São Manuel 18.944,13 38.514 15,0 0,389
São Miguel Arcanjo 17.945,65 31.516 8,6 0,273
São Paulo 42.166,80 11.337.021 10750,0 0,948
São Pedro 15.591,51 32.039 10,7 0,334
São Pedro do Turvo 17.272,69 7.226 2,1 0,291
São Roque 18.781,30 80.045 28,9 0,361
São Sebastião 38.480,55 75.625 8,9 0,118
São Sebastião da Grama 15.494,19 12.068 20,8 1,724
São Simão 20.158,83 14.410 5,2 0,361
São Vicente 10.683,78 335.241 200,4 0,598
Sarapuí 18.188,66 9.149 2,7 0,295
Sarutaiá 12.072,74 3.612 1,2 0,332
Sebastianópolis do Sul 29.822,08 3.080 1,0 0,325
Serra Azul 8.629,14 11.668 3,3 0,283
Serra Negra 15.873,83 26.633 9,2 0,345
Serrana 14.226,82 39.517 15,6 0,395
Sertãozinho 39.027,38 111.612 55,0 0,493
Sete Barras 14.240,83 12.944 2,9 0,224
Severínia 16.803,74 15.690 6,0 0,382
Silveiras 10.588,32 5.831 1,2 0,206
Socorro 15.128,77 37.073 10,1 0,272
Sorocaba 30.196,39 596.060 411,4 0,690
Sud Mennucci 26.413,42 7.441 2,6 0,349
Sumaré 32.023,22 245.909 144,1 0,586
Suzanápolis 34.738,55 3.444 0,9 0,261
Suzano 21.840,47 265.877 153,4 0,577
Tabapuã 16.669,50 11.446 4,2 0,367
Tabatinga 13.900,53 14.853 5,1 0,343
Taboão da Serra 20.868,96 249.353 148,9 0,597
119
Continua
Taciba 55.992,20 5.762 2,0 0,347
Taguaí 18.492,11 11.202 3,2 0,286
Taiaçu 14.951,20 5.921 2,1 0,355
Taiúva 13.412,26 5.441 2,0 0,368
Tambaú 18.657,04 22.422 8,0 0,357
Tanabi 17.087,73 24.194 8,7 0,360
Tapiraí 11.607,38 7.966 2,3 0,289
Tapiratiba 15.626,76 12.720 4,2 0,330
Taquaral 16.983,48 2.727 1,0 0,367
Taquaritinga 15.780,31 54.172 20,5 0,378
Taquarituba 15.924,93 22.322 7,8 0,349
Taquarivaí 17.422,85 5.219 1,1 0,211
Tarabai 10.236,36 6.689 2,5 0,374
Tarumã 28.464,72 13.100 4,9 0,374
Tatuí 22.608,46 108.709 51,6 0,475
Taubaté 34.673,27 282.098 165,2 0,586
Tejupá 15.828,19 4.764 1,2 0,252
Teodoro Sampaio 15.514,68 21.517 7,0 0,325
Terra Roxa 11.953,07 8.578 3,3 0,385
Tietê 29.374,62 37.348 13,5 0,361
Timburi 14.564,06 2.639 0,8 0,303
Torre de Pedra 10.037,43 2.265 0,6 0,265
Torrinha 15.218,12 9.378 3,2 0,341
Trabiju 22.726,49 1.560 0,6 0,385
Tremembé 11.957,50 41.604 14,9 0,358
Três Fronteiras 12.652,98 5.452 1,8 0,330
Tuiuti 16.632,00 6.028 1,2 0,199
Tupã 19.833,84 63.494 24,4 0,384
Tupi Paulista 15.519,61 14.362 4,5 0,313
Turiúba 30.999,44 1.993 0,6 0,301
Turmalina 21.742,39 1.946 0,6 0,308
Ubarana 20.594,93 5.401 2,0 0,370
Ubatuba 13.725,65 80.012 31,1 0,389
Ubirajara 13.877,53 4.453 1,3 0,292
Uchoa 17.163,72 9.512 3,5 0,368
União Paulista 33.471,26 1.624 0,5 0,308
Urânia 15.085,93 8.837 3,0 0,339
Uru 45.071,43 1.238 0,4 0,323
Urupês 15.638,34 12.798 4,5 0,352
Valentim Gentil 20.619,51 11.292 4,1 0,363
Valinhos 36.517,36 109.290 51,7 0,473
Valparaíso 17.372,18 22.982 8,7 0,379
Vargem 8.905,77 8.992 1,8 0,200
120
Continua
Vargem Grande do Sul 13.793,10 39.553 15,0 0,379
Vargem Grande Paulista 20.346,53 44.111 17,5 0,397
Várzea Paulista 16.100,94 108.522 54,1 0,499
Vera Cruz 10.729,85 10.741 3,7 0,344
Vinhedo 112.616,84 65.377 25,1 0,384
Viradouro 11.675,78 17.426 6,8 0,390
Vista Alegre do Alto 26.923,34 7.124 2,6 0,365
Vitória Brasil 15.088,94 1.742 0,6 0,344
Votorantim 19.173,62 110.080 52,8 0,480
Votuporanga 17.535,78 85.578 33,2 0,388
Zacarias 26.600,39 2.373 0,7 0,295
Conclui
121