Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

O efeito da socioeconomia e
Fatores ambientais sobre a obesidade:
Uma Análise de Regressão Espacial
Ortis Yankey, Kent State University, EUA

Príncipe M. Amegbor, Universidade de Aarhus, Dinamarca

Marcellinus Essah, Universidade de Toronto, Canadá

ABSTRATO

Este artigo examinou o efeito de fatores socioeconômicos e ambientais sobre a obesidade em Cleveland (Ohio)
usando um modelo OLS e três modelos de regressão espacial: modelo de erro espacial, modelo de atraso
espacial e um modelo de erro espacial com resposta defasada espacial (SEMSLR) . A avaliação comparativa
dos modelos mostrou que o SEMSLR e os modelos de erro espacial foram os melhores modelos. O efeito
espacial dos vários modelos de regressão espacial foi estatisticamente significativo, indicando uma interação
espacial essencial entre unidades geográficas vizinhas e a necessidade de levar em conta a dependência
espacial na pesquisa da obesidade. Os autores também encontraram uma associação positiva estatisticamente
significativa entre o percentual de famílias abaixo da pobreza, população negra e beneficiário do SNAP com a
taxa de obesidade. O percentual de universitários apresentou associação negativa estatisticamente significativa
com a taxa de obesidade. O estudo mostra que os resultados de saúde, como a obesidade, não são distribuídos
aleatoriamente, mas estão mais agrupados em bairros carentes e marginalizados.

Palavras-chave

Cleveland, Obesidade, SEMSLR, Análise Espacial, Dependência Espacial, Modelo de Erro Espacial, Modelo de Atraso Espacial

INTRODUÇÃO

Globalmente, a obesidade continua gerando debates nos discursos de saúde pública e alimentação,
especialmente nos países ocidentais, onde a prevalência está aumentando. De fato, a Organização Mundial da
Saúde (OMS) em 2015 indicou que há uma epidemia global de obesidade ocorrendo nos países ocidentais
(OMS, 2015). Compreender o caminho para o desenvolvimento da obesidade é complexo, uma vez que as
causas da obesidade são multifacetadas e multidimensionais. Muitos fatores sociais, ambientais e individuais
contribuem negativamente para a suscetibilidade dos indivíduos à obesidade (Schroeder et al. 2021, Gerlach et
al. 2014, Dinsa et al. 2012, Joshua et al., 2008, McLaren, 2007). No entanto, esses fatores não são independentes
uns dos outros. Em vez disso, eles estão frequentemente entrelaçados na influência da predisposição genética,
atividade física e comportamentos alimentares que contribuem para o risco de obesidade.
Alguns pesquisadores argumentam que entender e direcionar o esforço para combater a obesidade tem a
ver com a compreensão dos fatores ambientais que promovem uma alta ingestão energética e comportamento
sedentário no que eles denominam de “ambiente obesogênico” (Swinburn et al. 1999; Swinburn et al. 2011; Ball
et al. al. 2012; Ewing et al. 2014; Rey-López et al. 2014). Dois fatores distintos, mas complementares (fatores
sociais e fatores ambientais) se combinam para o desenvolvimento da obesidade. Os fatores sociais dizem
respeito à disposição socioeconômica dos indivíduos, como idade, sexo, educação, renda e

DOI: 10.4018/IJAGR.2021100104 *Autor correspondente

Direitos autorais © 2021, IGI Global. É proibido copiar ou distribuir em formulários impressos ou eletrônicos sem permissão por escrito da IGI Global.

58
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

corrida; enquanto os fatores ambientais têm a ver com os ambientes naturais e construídos e como eles
influenciam a atividade física, o acesso aos alimentos e o consumo (Cutts et al. 2009; Jones, 2015; Pouliou e
Elliott, 2010).
Nos EUA, o aumento do consumo de fast-food rico em calorias e um ambiente de “cultura do carro” oferece
poucos incentivos para as pessoas caminharem (Frank et al. 2004; Inagami et al. 2009; Lopez-Zetina et al. 2006;
Swinburn et al. al. 2009). As escolhas de estilo de vida que incentivam menos atividade física, como assistir
televisão (Brocklebank et al. 2015; Ewing et al., 2014; Pouliou & Elliott, 2010; Rey-López et al., 2008) aumentaram
a questão. Entre 2015-2016, a prevalência de obesidade nos EUA foi de 39,8% em adultos e 18,5% entre os
jovens (Hales et al. 2017). A desagregação das taxas de prevalência de obesidade mostra uma diferença
contrastante entre vários grupos socioeconômicos (Frank et al., 2008; Jones, 2015; Wen & Maloney, 2011). A
taxa geral de prevalência de obesidade tem sido consistentemente maior entre pessoas de origem afro-
americana e hispânica (Hales et al. 2017; Wen & Maloney, 2011).
Hales et ai. (2017) estimam que a taxa de obesidade entre asiático-americanos é de 12,7%, 37,9% entre
brancos, 46,8% entre negros e 47,0% entre hispânicos.
Embora os estudos existentes tenham nos esclarecido extensivamente sobre a taxa de prevalência de
obesidade nos EUA e os fatores associados, continua a haver a necessidade de trabalhos de pesquisa que
explorem como os fatores socioeconômicos e ambientais espacialmente padronizados estão associados à
obesidade. A maioria da literatura sobre obesidade usa modelos tradicionais de regressão multivariada, como
regressão de mínimos quadrados ordinários ou modelos de regressão logística, para examinar a associação
entre causas individuais, sociais e ambientais da obesidade. Esses modelos tradicionais de regressão
multivariada não são capazes de capturar a interação espacial entre unidades geográficas vizinhas,
especialmente quando esses dados são agregados em algum tipo de unidade administrativa, como um setor
censitário ou grupos de quarteirões (Frank e Kavage, 2008; Goodchild 2009; Getis, 2007 ).
Recentemente, a distribuição espacial da obesidade tem recebido mais atenção, com muitos estudos
explorando o padrão espacial da obesidade usando vários modelos espaciais, como o uso de Regressão
Ponderada Geográfica, Estatísticas de Varredura Espacial e modelos econométricos espaciais (Adu-Prah e
Oyana, 2015; Black , 2014; Lee et al. 2019; Oshan et al. 2020 Huang et al. 2014; Drewnowski et al. 2014;
Hajizadeh et al. 2016; Chen e Wen, 2010). Embora esses estudos sejam louváveis, permanecem lacunas
significativas em relação aos impulsionadores de tal padronização espacial. Por exemplo, Drewnowski et al.
(2014) empregaram modelos econométricos espaciais para analisar a obesidade em nível censitário. No entanto,
seu trabalho se concentrou apenas na dependência do erro espacial, sem considerar outras fontes potenciais
de dependência espacial. Isso ocorre porque a dependência espacial pode surgir devido a um erro espacial ou
a um efeito de atraso espacial e, para calibrar corretamente um modelo para dependência espacial, a estatística
multiplicadora de Lagrange é usada para avaliar se a dependência espacial é devido a um atraso espacial ou a
um erro espacial ( Anselin e Rey, 2014). Drewnowski et ai. (2014) não avaliaram o tipo de dependência presente
em seu modelo e podem ter capturado a dependência subjetivamente usando um modelo de erro espacial.
Além disso, o conceito de efeitos de transbordamento espacial (Anselin, 2014; LeSage e Pace, 2009;
Golgher e Voss, 2015; Elhorst, 2014) a noção de que as características das áreas vizinhas afetam os resultados
de saúde em um local específico raramente tem sido considerada na obesidade análise nos Estados Unidos.
Modelos que consideram efeitos de transbordamento espacial, como o modelo de defasagem espacial e o
modelo espacial de Durbin (Anselin e Rey, 2014), podem explicar as etiologias da obesidade. Eles podem
oferecer uma compreensão profunda do padrão espacial da taxa de obesidade entre diferentes bairros e como
os fatores socioeconômicos e ambientais se entrelaçam dinamicamente na crescente ameaça da obesidade.
A cidade de Cleveland localizada no nordeste de Ohio teve uma das maiores taxas de prevalência de
obesidade (41,9%) no estado de Ohio (CDC, 2016). A cidade adotou vários programas para aumentar a
atividade física e reduzir a ameaça da obesidade. Um desses programas é o We Run This City (WRTC)
Youth Marathon Program, que visa incentivar os jovens do ensino médio a treinar de 12 a 14 semanas para
correr ou caminhar 1,2 milhas, 6,2 milhas ou 13,1 milhas da Rite Aid Cleveland Marathon. Além disso, de acordo
com seu desafio de cidade inteligente, a cidade está comprometida em melhorar o transporte público e reduzir
a dependência excessiva de veículos particulares para deslocamento. Possui o Mass Rapid Transit System e a Bike

59
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Iniciativa de Cleveland que presta serviços a uma grande parte da população urbana. Cleveland também possui
vários parques urbanos de áreas variadas distribuídos pela cidade para fins recreativos. É neste contexto que
adaptamos nosso estudo para examinar a taxa de obesidade em Cleveland e seus fatores associados.

Nosso estudo visa explorar o padrão espacial da obesidade na cidade de Cleveland. Examinamos a
associação entre fatores socioeconômicos e ambientais na taxa de obesidade fazendo uma avaliação comparativa
de um modelo OLS e três outros modelos de regressão espacial: um modelo de erro espacial, um modelo de
atraso espacial e um modelo híbrido que captura tanto o erro espacial quanto efeito de atraso espacial no mesmo
modelo. Também exploramos como o efeito de transbordamento espacial pode estar associado à obesidade em
Cleveland.

MÉTODOS E DADOS

Fonte de dados e medidas

A variável dependente utilizada para o estudo foi a taxa de prevalência de obesidade medida como a porcentagem
ajustada por idade de adultos (ÿ 18 anos) que eram obesos (índice de massa corporal ÿ 30 kg/m2 ) em 2016
obtida do projeto 500 cidades do Center for Disease Controle (CDC). O projeto 500 cities é uma iniciativa do CDC
que fornece estimativas de pequenas áreas em nível de cidade e setor censitário para fatores de risco de doenças
crônicas, resultados de saúde e serviços clínicos preventivos para as 500 maiores cidades dos EUA (CDC, 2016).
O projeto de 500 cidades usa dados do Sistema de Vigilância de Fatores de Risco Comportamental do CDC
(BRFSS) juntamente com dados demográficos do US Census Bureau para calcular estimativas de pequenas áreas
em nível de setor censitário para essas cidades.
Variáveis socioeconômicas e fatores ambientais da vizinhança foram utilizados como preditores para este
estudo. As variáveis socioeconômicas preditoras utilizadas no estudo são o percentual de famílias abaixo do nível
de pobreza, o percentual de população negra, o percentual de domicílio sem carro, o percentual da população (25
anos ou mais) com nível superior, a percentual de unidades habitacionais vagas e percentual de beneficiários do
Programa de Assistência Nutricional Complementar (SNAP). Essas variáveis socioeconômicas foram baseadas
em dados da American Community Survey e foram obtidas do US Census Bureau. Essas variáveis foram baseadas
na estimativa de 5 anos do US Census Bureau (2012-2017), que aumentou a confiabilidade estatística em
comparação com as estimativas de 1 ano (US Census Bureau, 2014).

Os fatores ambientais da vizinhança usados como variáveis preditoras para este estudo incluem a pontuação
de acessibilidade do Greenspace, um índice de caminhabilidade e a densidade de restaurantes de fast-food. A
acessibilidade do espaço verde foi calculada usando o Método de Área de Captação Flutuante em Dois Passos
(2SFCA) com uma função de decaimento de distância proposta por Wang (2014). O método 2SFCA considera a
acessibilidade a uma comodidade urbana com base na oferta e demanda dessa comodidade urbana dentro de
uma distância de viagem especificada conhecida como área de captação. Para acessibilidade de espaços verdes,
um tempo de viagem de 10 minutos foi considerado a distância de viagem apropriada que os indivíduos estão
dispostos a caminhar para acessar um espaço verde urbano (Dai, 2011). O índice de caminhabilidade foi
desenvolvido com base na metodologia proposta por Peiravian et al. (2014) que mede a caminhabilidade do bairro
combinando o uso do solo, conectividade de ruas, densidade comercial e densidade populacional com base no
conceito de entropia. O número de restaurantes de fast-food em Cleveland foi derivado do banco de dados
Reference USA. Esses restaurantes de fast food foram extraídos com base em seu número de código de Classificação Industrial Pad
Esse conjunto de dados tinha o nome do restaurante, seu endereço e uma descrição detalhada das operações do
restaurante. O endereço do restaurante foi geocodificado e exibido no ArcMap. Eles foram então agregados ao
nível do setor censitário e padronizados por 1.000 habitantes para encontrar a densidade de restaurantes de fast
food por 1.000 pessoas. As variáveis usadas para este estudo foram selecionadas com base em uma extensa
revisão da literatura sobre como esses fatores podem estar associados à obesidade (Swinburn et al. 2009, Hales
et al. 2017, Cohen et al. 2013; Wen & Maloney, 2011, Joshua et al. . 2008; McLaren 2007).

60
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Análise estatística

Examinamos a associação entre a taxa de obesidade e fatores socioeconômicos e ambientais da vizinhança

usando quatro modelos de regressão diferentes. Esses modelos são regressão Ordinary Least Square (OLS),
Spatial Lag Regression (também conhecido como Spatial Autoregressive model, SAR), Spatial Error Model (SEM)
e Spatial Error Models with Spatial Lagged Responses (SEMSLR). Primeiro ajustamos a regressão OLS onde a
taxa de obesidade em cada setor censitário é considerada independente de todos os outros setores censitários
vizinhos no local do estudo. Um dos diagnósticos de uma regressão OLS é verificar a autocorrelação espacial
dentro do termo de erro. Supõe-se que os resíduos de um modelo ajustado sejam normalmente e independentemente
distribuídos com média 0 e variância constante. Se essas suposições forem violadas e os erros forem espacialmente
dependentes, as estimativas dos parâmetros do modelo serão tendenciosas e o OLS pode não ser mais apropriado
(Chi e Zhu, 2019; Anselin e Rey, 2014). Quando há autocorrelação espacial nos resíduos, as inferências baseadas
nas estimativas do coeficiente de regressão MQO podem ser enganosas.

Após ajustar o MQO, nosso modelo mostrou a presença de autocorrelação espacial (dependência espacial)
nos resíduos utilizando a estatística I de Moran. A estatística do multiplicador de Lagrange foi então usada para
avaliar se a dependência espacial é devido ao atraso espacial ou a um erro espacial. Os resultados preliminares
revelaram a presença tanto de dependência de defasagem espacial quanto de dependência de erro espacial, que
foram estatisticamente significantes. Com base nesse resultado, usamos os outros três modelos, a saber, SAR,
SEM e SEMSLR, que são modelos de regressão espacial para contabilizar a dependência espacial nos dados. O
modelo Spatial Lag Model (SAR) foi usado para explicar a presença de uma dependência de atraso espacial, e um
SEM foi usado para explicar uma dependência de erro espacial. O SEMSLR foi usado para contabilizar os dois
tipos de dependência espacial em um único modelo de regressão.
No ajuste dos modelos de regressão espacial, uma matriz de pesos espaciais foi construída com base na
matriz de pesos de contiguidade da rainha (W). A matriz de pesos W é especificada como uma matriz de
contiguidade binária normalizada por linhas, onde duas unidades espaciais são consideradas vizinhas se
compartilharem uma borda comum ou tiverem seus vértices se tocando. Se duas unidades espaciais são
consideradas vizinhas, sua matriz de peso Wij = 1 (a elas é atribuído um peso de 1), ou caso contrário, elas
recebem um peso de zero (Wij = 0) se os elementos não forem vizinhos. A matriz de peso espacial criada foi então
utilizada nos modelos de regressão espacial para capturar as dependências espaciais.

Modelo de Atraso Espacial (SAR)

O modelo SAR incorpora uma estrutura espacial autorregressiva chamada de defasagem espacial denominada
Rho(ÿ) para capturar a dependência espacial na estrutura de dados (Anselin e Rey, 2014, LeSage e Pace, 2009).
Este modelo assume que a taxa de obesidade para um determinado setor censitário é afetada pela taxa de
obesidade no setor censitário vizinho. O modelo SAR é da forma

2
y = ÿWy + Xÿ + ÿ, ÿ ~ N (0, ÿ .)………………………………………………. (1)

onde y é a variável dependente, ÿ é o coeficiente de regressão para o atraso espacial que relaciona a variável
dependente y para um determinado local ao valor de seu vizinho mais próximo, Wy é a matriz de peso espacial da
variável dependente, ÿ é o coeficiente do preditor variável X, e ÿ é o erro aleatório. O modelo SAR é frequentemente
utilizado quando há evidência de forte autocorrelação espacial no resultado considerado.

Modelo de erro espacial (SEM)

Neste caso, a dependência espacial é contabilizada por um termo de erro e um termo de erro associado
espacialmente defasado (Anselin e Rey, 2014). O modelo é da forma:

61
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

2 .)…………………………… (2)
y = Xÿ + u, u = ÿWu + ÿ, ÿ ~ N (0, ÿ

onde y é a variável dependente, ÿ é o coeficiente de inclinação da variável preditora X, u é um vetor do termo de erro, ÿ é
um parâmetro de erro espacial escalar, W é a matriz de peso espacial e ÿ é um vetor de termos de erro que são
normalmente e independentemente distribuídos. Quando o escalar ÿ = 0, o SEM se reduz a um modelo OLS

Modelos de erro espacial com respostas com atraso espacial (SEMSLR)

O SEMSLR também conhecido como Modelo de Erro Espacial com dependência de atraso é uma técnica de regressão
espacial que é um modelo de erro espacial, mas inclui uma variável de resposta espacialmente defasada (Chi e Zhu, 2019).
Este modelo considera a dependência de erro espacial e uma dependência de atraso espacial quando ambas as
dependências espaciais existem em um modelo OLS. Uma variável de resposta de atraso espacial é criada usando a
matriz de peso espacial e, em seguida, é tratada como uma variável independente adicional e adicionada às variáveis
preditoras para ajustar um SEM. A variável de resposta de atraso espacial é tratada como uma variável explicativa e
modelada exogenamente, e o termo de erro é modelado endogenamente como em um SEM. O modelo é da forma:

2 .)……………………………… (3)
y = Xÿ+ ÿW1 y + u, u= ÿW2 u + ÿ, ÿ ~ N (0, ÿ

Onde y é a variável dependente, ÿ é o coeficiente de inclinação da variável preditora X, ÿ é o escalar para a variável
de resposta espacialmente defasada, W1 é a matriz de peso espacial usada para criar a variável de resposta de
defasagem espacial y, u é um vetor de o termo de erro, ÿ é um coeficiente escalar para o termo de erro espacialmente
defasado, W2 é a matriz de peso espacial para o termo de erro u e, ÿ é um vetor de termos de erro que são distribuídos
normal e independentemente.
Enquanto a interpretação do modelo SEM e SEMSLR é direta e semelhante a um modelo OLS, a interpretação de
um modelo SAR é diferente. O termo autoregressivo ÿWy no modelo SAR significa que a expectativa de y não é Xÿ a
menos que ÿ =0. Assim, a interpretação usual do coeficiente de regressão não se sustenta no modelo SAR devido ao
termo autorregressivo. No modelo SAR, a associação entre a taxa de obesidade e as variáveis preditoras pode ser
decomposta em efeitos diretos, indiretos e totais. O efeito direto refere-se ao impacto das mudanças nas variáveis
preditoras de um determinado setor censitário sobre as mudanças na variável desfecho para aquele mesmo setor
censitário. O efeito indireto refere-se ao impacto das mudanças nas variáveis preditoras de um setor censitário vizinho
sobre a variável desfecho do setor censitário focal. O impacto total é a soma dos efeitos das covariáveis do setor censitário
focal e de todos os setores censitários vizinhos. Um efeito de transbordamento ocorre quando o resultado e as covariáveis
para um setor censitário focal afetam o resultado para um setor censitário vizinho, e os efeitos nos setores censitários
focal e vizinho (efeitos diretos e indiretos) estão na mesma direção (LeSage e Pace, 2009, Golgher e Voss, 2015, Capello,
2009)

Vários diagnósticos foram adotados para garantir a eficiência dos modelos de regressão. O Fator de Inflação de
Variância (VIF) foi utilizado para verificar a multicolinearidade com as variáveis explicativas. O Global Moran I foi usado
para verificar a autocorrelação espacial dentro dos resíduos da regressão para os vários modelos para garantir que os
resíduos não sejam autocorrelacionados. O desempenho dos modelos de regressão foi avaliado usando o Critério de
Informação de Akaike e suas estimativas R-Quadrado. Um AIC menor é considerado modelo ótimo no sentido de ajuste
de modelo equilibrado e parcimônia do modelo. O OLS, SEM e SEMSLR foram ajustados usando o software Geoda, e o
pacote R SPDEP foi usado para ajustar o modelo SAR e estimar os efeitos diretos, indiretos e totais. O ArcGIS foi usado
para mapear as diversas variáveis e estimativas dos modelos.

62
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

RESULTADO

Estatísticas Descritivas de Variáveis

A Tabela 1 apresenta as estatísticas descritivas das variáveis utilizadas no estudo. O número total de censos
em Cleveland foi de 175. A porcentagem média da taxa de prevalência de obesidade na área de estudo foi
41,1 por cento, com desvio padrão de 6,56. Na área de estudo, 33,73% das famílias viviam abaixo do
nível de pobreza com desvio padrão de 16,63. Em média, 26,77% dos domicílios não tinham
carro, com desvio padrão de 16,63. A porcentagem média de diplomados universitários foi relativamente baixa
9,40%. O percentual médio de domicílios vagos e beneficiários do SNAP foi de 21,67% e 37,15%,
respectivamente. A pontuação média de acessibilidade de espaços verdes foi de 8,95. Cleveland é relativamente caminhável,
com pontuação média de caminhabilidade de 0,41 e desvio padrão de 0,14. Em média, cada censo
O setor tinha pelo menos 2 restaurantes de fast-food (valor médio de 2,62) localizados dentro de seu limite.

Tabela 1. Estatísticas Descritivas das Variáveis (N=175)

Média Padrão Desenvolvedor Mínimo Máximo

Porcentagem - taxa de obesidade 41.10 6,56 24.10 53,30

Porcentagem - Famílias abaixo da pobreza 33,73 16,63 0,2 89.10

Porcentagem - População Negra 56,58 35,65 1,74 100

Porcentagem - Família sem carro 26,77 14,72 2.09 74,71

Porcentagem - Ensino Superior 9,40 7.04 0 41.10

Percentual - Unidade Habitacional Vaga 21.67 31/10 3,40 48,40

Porcentagem - Destinatário do SNAP 37.15 15.32 2,0 91,00

Pontuação de acessibilidade do Greenspace 8,95 21.44 0,13 180,41

Pontuação de caminhabilidade do bairro 0,41 0,14 0 0,88

Densidade do restaurante fast-food 2,62 2,68 1 27

A Figura 1 mostra a distribuição espacial da obesidade no estudo. Há um padrão agrupado de

alta prevalência de obesidade para a zona leste da cidade, com taxas de obesidade variando entre 43,2% -
53,3%. A zona oeste da cidade tem uma baixa taxa de prevalência de obesidade variando entre 24,1% - 43,2%. UMA
taxa mínima de obesidade de 24,1% indica que mais de 24,1% da população adulta em Cleveland
com idade igual ou superior a 18 anos pode-se dizer que sofre de obesidade em termos relativos.
Além disso, um mapa coroplético das variáveis socioeconômicas preditoras é apresentado na Figura 2.
ver uma porcentagem maior de famílias abaixo da pobreza (Fig 2A), uma porcentagem maior de população negra
(Fig 2B), e uma porcentagem maior de domicílios sem carro (Fig 2C) encontrada no lado leste da
cidade, e um percentual relativamente menor para essas variáveis no oeste. Uma porcentagem maior de pessoas
que tinham ensino superior (Fig. 2D) estavam na porção norte da cidade, e uma baixa porcentagem
localizava-se a leste. A porcentagem de receptores do SNAP (Fig 2E) também foi maior no leste e
a cidade central.
A Figura 3 mostra a distribuição espacial das covariáveis ambientais da vizinhança, a saber
a porcentagem de moradias vagas (Fig 3A), pontuação de acessibilidade de espaços verdes (Fig 3B), índice de caminhabilidade
(Fig. 3C) e densidade de restaurantes de fast-food (Fig. 3D). Uma porcentagem maior de moradias desocupadas foi
encontrado no leste, e uma porcentagem menor foi no oeste. A acessibilidade aos espaços verdes era relativamente

63
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Figura 1. Taxa de obesidade por setores censitários em Cleveland

menor na cidade, com poucos setores censitários que tiveram maior pontuação de acessibilidade de espaços
verdes. Em geral, Cleveland era relativamente caminhável, com uma grande proporção da cidade tendo um índice
de caminhabilidade mais alto. A densidade de restaurantes de fast-food (Fig. 3D) foi maior no norte e menor no leste.

Resultados de Regressão OLS e Diagnósticos para Dependência Espacial A Tabela

2 abaixo apresenta o resultado do modelo de regressão OLS. A partir do modelo, o percentual de famílias abaixo
da pobreza, o percentual da população negra, o percentual de domicílio sem carro, o percentual de unidade
habitacional desocupada, o percentual de beneficiários do SNAP, a pontuação de acessibilidade de espaços
verdes e o índice de caminhabilidade foram associados positivamente com taxa de obesidade. O percentual de
famílias abaixo da pobreza, o percentual de população negra e o percentual de beneficiários do SNAP apresentaram
coeficientes estatisticamente significativos (p=0,05). Em média, o percentual de famílias abaixo da pobreza, o
percentual de população negra e o percentual de beneficiários do SNAP aumentam a taxa de obesidade em 0,03%,
0,12% e 0,11%, respectivamente.
Por outro lado, o percentual de universitários e a densidade de restaurantes de fast-food foram negativamente
associados à taxa de obesidade. O percentual de universitários diminui a taxa de obesidade em 0,18%, e esse
resultado é estatisticamente significativo (p=0,00), enquanto a densidade de fast-food diminui a taxa de obesidade
em 0,04%. O R-Square ajustado do modelo foi de 0,87, indicando que o modelo OLS pode explicar 87% da
variância na taxa de obesidade. O VIF para as variáveis ficou abaixo de 5; portanto, não há indicação de que a
multicolinearidade esteja influenciando os resultados.
Após o ajuste do modelo OLS, examinamos os resíduos para verificar a presença de autocorrelação espacial
usando a estatística Morans I e a estatística Lagrange Multiplier (LM). O Moran

64
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Figura 2. (A) Famílias abaixo do nível de pobreza (B) População negra (C) Domicílio sem veículo (D) Ensino superior (E)
Beneficiário do SNAP

O índice foi de 0,19 com valor z (4,64) que foi estatisticamente significativo, indicando a presença de
autocorrelação espacial como pode ser visto na Tabela 2. Ao examinar se a dependência espacial é devido
ao atraso espacial ou erro espacial, o teste LM robusto indicou uma presença estatisticamente significativa
de ambas as dependências. LM robusto para atraso = 4,81 e LM robusto para erro = 9,25. Diagnósticos espaciais

65
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Figura 3. (A) Habitação desocupada (B) Acessibilidade do espaço verde (C) Índice de caminhabilidade (D) Densidade de fast food

dependência no modelo OLS significa que há especificação incorreta nas estimativas do modelo OLS, e
modelos de regressão espacial são necessários para explicá-los.

Modelos de regressão espacial

A Tabela 3 apresenta o resultado dos modelos de regressão espacial. O resultado dos modelos de
regressão espacial, como visto na Tabela 3, mostra que a direção geral do coeficiente entre o modelo OLS
(como visto na Tabela 2) e os modelos de regressão espacial (Tabela 3) são os mesmos, exceto para o
percentual do domicílio sem carro. O coeficiente SAR para o percentual de domicílio sem veículo é negativo,
enquanto os modelos SEM, SEMSLR e OLS, essa variável está positivamente associada à taxa de
obesidade. As variáveis estatisticamente significativas no modelo OLS (Tabela 2), ou seja, a porcentagem
de famílias abaixo da pobreza, a porcentagem da população negra, a porcentagem de pessoas com nível
superior e a porcentagem de beneficiários do SNAP, também foram estatisticamente significativas na SAR,
SEM e os modelos SEMSLR. Em geral, as magnitudes dos coeficientes (em termos de valor absoluto) das
variáveis independentes nos modelos de regressão espacial (Tabela 3) são relativamente menores do que
nas estimativas MQO (Tabela 2).
O coeficiente estima a interpretação no SEM, e o SEMSLR é o mesmo, assim como o modelo de
regressão OLS. No geral, o percentual da população negra, o percentual de domicílio sem carro, o
percentual de escolaridade superior e o índice de caminhabilidade tiveram a associação mais forte com a
taxa de obesidade para os modelos SEM e SEMSLR (Tabela 3). A porcentagem da população negra e a
porcentagem de receptores do SNAP aumentam a taxa de obesidade em 0,11% e 0,09%, respectivamente,
para os modelos SEM e SEMSLR. Da mesma forma, a porcentagem de domicílios sem

66
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Tabela 2. Regressão Linear Multivariada (Modelo OLS, N=175)

Coeficiente Padrão Erro Valor P VIF

Interceptar 30,82 1,06 0,000***

Porcentagem - Famílias abaixo da pobreza 0,03 0,02 0,05* 2,52

Porcentagem - População Negra 0,12 0,01 0,000*** 1,95

Porcentagem - Família sem carro 0,26 1,69 0,88 2.07

Porcentagem - Ensino Superior -0,18 0,04 0,000*** 2.10

Percentual - Unidade Habitacional Vaga 0,03 0,02 0,10 1,55

Porcentagem - Destinatário do SNAP 0,11 0,02 0,000*** 3,73

Pontuação de acessibilidade do Greenspace 0,001 0,01 0,93 1.11

Pontuação de caminhabilidade do bairro 0,06 1,37 0,96 1,18

Densidade do restaurante fast-food -0,04 0,07 0,62 1,32

Diagnóstico para dependência espacial MI/DF Valor Valor P

I de Moran para residuais 0,19 4,64 0,000***

Teste LM para atraso 1 7.09 0,01**

Teste LM para erro 1 16h00 0,000***

Teste LM robusto para atraso 1 4,81 0,05*

Teste LM robusto para erro 1 9,25 0,000***

Medidas de Ajuste

Quadrado R ajustado 0,87

AIC 794,47

***p<0,001, **p<0,01, *p<0,05, Jarque-bera (valor P= 0,33), teste de Breusch-Pagan (valor P=0,31)

um carro aumenta a taxa de obesidade em 2,11% e 1,83% para o SEM e o SEMSLR, respectivamente.
Além disso, o índice de caminhabilidade para um setor censitário também aumenta a taxa de obesidade em 0,99% e
0,84% para o SEM e o SEMSLR, respectivamente. Ao contrário, o percentual de universitários
resulta em uma diminuição de 0,17% na taxa de obesidade para os modelos SEM e SEMSLR, e esse resultado
é estatisticamente significativo (p<0,05).
O efeito do erro espacial do SEM (ÿ =0,47, p<0,05) foi estatisticamente significativo, sugerindo
a presença de variáveis não mensuradas espacialmente não estruturadas no nível do setor censitário que podem ser
associada à obesidade. O modelo SEMSLR produz dois efeitos de dependência espacial, ou seja, o
efeito de atraso e o efeito de erro espacial. O efeito de atraso espacial no modelo SEMSLR (ÿ=0,05, p>0,05)
é positivo, mas não estatisticamente significativo. Por outro lado, o efeito do erro espacial no SEMSLR
modelo (ÿ=0,44, p<0,05) é positivo e estatisticamente significativo.
Concentramos nossa atenção nas estimativas de parâmetros do modelo SAR na Tabela 3 e oferecemos uma
interpretação do efeito direto e do efeito indireto. Relatamos apenas os estatisticamente significativos
coeficientes, ou seja, porcentagem de famílias abaixo da pobreza, porcentagem da população negra,
a porcentagem de diplomados universitários e a porcentagem de beneficiários do SNAP. Especificamente, encontramos
que um aumento percentual no percentual de famílias abaixo da pobreza para um determinado setor censitário resulta
em um aumento de 0,02% na taxa de obesidade para esse mesmo setor censitário (efeito direto = 0,02), e um aumento na
o percentual de famílias abaixo da pobreza para setores censitários vizinhos resulta em um aumento de 0,01%

67
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

na taxa de obesidade para um setor censitário focal (efeito indireto=0,01). Para a população negra, observamos uma
Aumento de 0,09% na taxa de obesidade para um determinado censo devido a um aumento percentual na população negra
para esse mesmo censo (efeito direto = 0,09) e um aumento de 0,01% na taxa de obesidade para um determinado censo
devido ao aumento percentual da população negra para o censo vizinho (efeito indireto).
A porcentagem de receptores de SNAP teve um efeito direto de aumento de 0,11% na taxa de obesidade em um
setor censitário focal e um aumento indireto de 0,02% na taxa de obesidade devido a um aumento percentual no SNAP
destinatário no setor censitário vizinho. O percentual de universitários teve um efeito direto e
efeito indireto que se associou negativamente com a taxa de obesidade. Além disso, o coeficiente de
efeito espacialmente defasado (ÿ=0,17, p<0,05) foi estatisticamente significativo. Isso significa que a proporção
da obesidade em um setor censitário é significativamente influenciada pela variação nos setores censitários vizinhos
devido à proximidade espacial entre si.

Desempenho dos modelos

Comparamos o desempenho do modelo OLS (Tabela 2) e os modelos de regressão espacial (Tabela

3), ou seja, o Spatial Lag Model (SAR), o Spatial Error Model (SEM) e o modelo SEMSLR
usando seus valores R-Square e AIC. Resultados da Tabela 2, que tem o modelo OLS, e Tabela
3, que possui os modelos de regressão espacial indicam que o modelo SEMSLR está mais bem ajustado aos dados.
O AIC do SEMSLR (AIC=776,38) é menor em relação aos demais modelos. O quadrado R para o
SEMSLR foi de 90%. Isto foi seguido pelo SEM (AIC = 778,00, R-Quadrado = 0,90) e o SAR
modelo (AIC=789,28, R-Quadrado = 0,89). O modelo OLS (Tabela 2) foi o pior de todos os modelos
(AIC = 794,47, R-Quadrado ajustado = 0,87). É de notar que embora o SEMSLR tenha sido o melhor
modelo, não vemos nenhuma diferença considerável entre este modelo e o modelo SEM. Usualmente,

Tabela 3. Resultados da Análise de Regressão Espacial (N=175)

Modelo de Atraso Espacial (Efeito) Erro espacial SEMSLR

Coeficiente Direto Indireto Total Coeficiente Coeficiente

Porcentagem - Famílias abaixo da pobreza 0,03(0,02)* 0,02* 0,01 0,04* 0,03(0,01)* 0,03(0,02)*

Porcentagem - População Negra 0,09(0,01)*** 0,09*** 0,02** 0,11*** 0,11(0,01)*** 0,11(0,01)***

Porcentagem - Família sem carro -0,14(1,62) -0,14 -0,03 -0,17 2.11 (1.69) 1,83 (1,69)

Porcentagem - Ensino Superior -0,16(0,03)*** -0,16*** -0,03* -0,19*** -0,17(0,03)*** -0,17(0,04)***

Percentual - Unidade Habitacional Vaga 0,01(0,02) 0,01 0,001 0,02 0,02(0,02) 0,02(0,02)

Porcentagem - Destinatário do SNAP 0,11(0,02)*** 0,11*** 0,02* 0,13*** 0,09(0,02)*** 0,09(0,02)***

Pontuação de acessibilidade do Greenspace 0,002(0,008) 0,002 0,00 0,002 0,002(0,007) 0,002(0,008)

Pontuação de caminhabilidade do bairro 0,27(1,31) 0,26 0,05 0,32 0,99(1,24) 0,84(1,26)

Densidade do restaurante fast-food -0,04(0,07) -0,04 -0,01 -0,05 -0,002(0,07) -0,003(0,07)

Atraso espacial 0,17(0,06)**

Erro espacial 0,47(0,09)***

Atraso espacial (SEMSLR) 0,05(0,07)

Erro Espacial (SEMSLR) 0,44(0,09)*

Medidas de Ajuste

R-Quadrado 0,89 0,90 0,90

AIC 789,28 778,00 776,38

Morans I para resíduos 0,11 -0,003 -0,003

Erro padrão entre parênteses; ***p<0,001, **p<0,01, *p<0,05

68
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

geralmente pensa-se que os valores de AIC dentro de 3 entre si não produzem nenhuma diferença discernível.
O R-Square para o SEMSLR e o SEM foi o mesmo (R-Square = 0,90), e seus AICs foram menores que 3 pontos
de diferença. Também verificamos que os resíduos dos modelos de regressão espacial (Tabela 3) não foram
estatisticamente autocorrelacionados com o índice de Moran I, que é diferente do modelo OLS (Tabela 2) em
que os resíduos são autocorrelacionados espacialmente.

DISCUSSÃO

A crescente ameaça de obesidade entre a população dos Estados Unidos exige uma compreensão de como os
fatores espaciais podem influenciar o resultado da obesidade. O uso de modelos multivariados tradicionais,
como o OLS, pressupõe que as observações são independentes da localização geográfica. Isso desafia os
cenários do mundo real em que os resultados de saúde geralmente dependem do local ou da localização
(Amegbor et al.2020; Matthews e Yang, 2012). Ao contrário dos modelos tradicionais de regressão multivariada,
modelos estatísticos espaciais como o modelo SAR nos permitem explorar a variabilidade da associação em
diferentes locais do estudo. Neste trabalho, estudamos como a interação espacial pode influenciar a taxa de
obesidade entre setores censitários vizinhos. Também analisamos como os fatores socioeconômicos e
ambientais da vizinhança podem estar associados à obesidade na área de estudo.
Comparando o desempenho dos quatro modelos empregados neste estudo: o modelo OLS, o modelo SAR,
o modelo SEM e o modelo SEMSLR usando seu AICc e seu R-Square mostra que o modelo SEMSLR e os
modelos SEM foram os modelos mais preferíveis para calibrando o efeito espacial em nosso local de estudo.
Isto foi seguido pelo modelo SAR, que era mais preferível que o modelo OLS. Isso significa que a dependência
espacial decorrente de fatores de nível de vizinhança deve ser uma consideração importante na análise da
obesidade. Embora o modelo SEMSLR tenha contabilizado tanto o efeito do erro espacial quanto o efeito do
atraso espacial no mesmo modelo, vemos que o efeito do erro espacial foi estatisticamente significativo,
enquanto o efeito do atraso espacial não foi. Isso significa que grande parte da autocorrelação espacial pode ser
atribuída a um efeito de erro no modelo SEMSLR. No modelo SEM, também encontramos um efeito de erro
estatisticamente significativo neste modelo. Isso destaca a possibilidade de variáveis não mensuradas ou erros
sistemáticos que estão espacialmente correlacionados e associados à obesidade; portanto, precisa ser
contabilizado para gerar uma estimativa não tendenciosa do coeficiente de interesse.
Embora o modelo SAR tenha sido o terceiro melhor modelo, uma perspectiva interessante surge da
utilização deste modelo. O efeito de atraso espacial na SAR foi positivo e estatisticamente significativo, o que
significa que há um efeito de transbordamento da obesidade, e os fatores que afetam o risco de aumento da
obesidade em um bairro provavelmente afetarão o risco de aumento da obesidade em bairros próximos e todo o
estudo área. Esse resultado corrobora o conceito de efeito de vizinhança (Sampson et al. 2002, Morenoff, 2003;
Caughy et al. 2007), segundo o qual os processos sociais que afetam os resultados de saúde não afetam apenas
a vizinhança imediata, mas também o que ocorre nas áreas circunvizinhas. Ou seja, os indivíduos dentro de um
bairro são mais propensos a interagir com os bairros vizinhos. Portanto, o fator contextual nesses bairros vizinhos
provavelmente afetará seu risco de obesidade. Assim, além do argumento de que a obesidade é resultado
predominantemente do estilo de vida individual ou de predisposições genéticas, o ambiente sociocultural e
geopolítico mais amplo, incluindo o sistema alimentar, também aumenta a suscetibilidade dos indivíduos à
obesidade. Os resultados deste estudo apoiam o argumento sobre a necessidade de enfrentar o ambiente
sociocultural e geopolítico mais amplo, incluindo o sistema alimentar, a fim de enfrentar o rápido aumento da
obesidade (LeBesco, 2011; Guthman, 2013).
No geral, o achado deste estudo afirma a convicção de que desfechos de saúde, como a obesidade, não
ocorrem aleatoriamente em regiões geográficas. Em vez disso, esses resultados tendem a ser agrupados em
algumas áreas – muitas vezes áreas carentes e áreas com características de bairro insalubres (Stafford et al.
2010; Bedimo-Rung et al. 2005, Rachele et al. 2017). A Figura 1 mostra claramente esse padrão agrupado de
obesidade em Cleveland. O conhecimento de pesquisas existentes mostra que as pessoas que vivem em bairros
carentes são mais propensas a ter IMC inicial mais alto e maior ganho de peso ao longo do tempo (Stafford et al. 2010).
Mesmo em bairros carentes onde o ambiente construído favorece caminhadas e atividades físicas,

69
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

esses benefícios são neutralizados por fatores socioeconômicos (Cutts et al. 2009). A taxa de pobreza pode
impedir que os moradores de bairros carentes se beneficiem dos benefícios de saúde de seu ambiente construído
(Jones, 2015). Há também a interseção de um bairro carente com maior proporção de populações negras,
moradias vagas e beneficiários do SNAP. (Collins e Bilge, 2020; Glass et al. 2017; Ragin e Fiss, 2016). Todos
esses fatores socioeconômicos culminam em uma maior taxa de obesidade. Nosso estudo indica que famílias
abaixo da pobreza, proporção de população negra, porcentagem de moradias vagas e porcentagem de
beneficiários do SNAP foram positivamente associados à obesidade em Cleveland em todos os modelos de
regressão. Uma olhada no mapa de distribuição espacial da obesidade (Fig. 1) e nos mapas socioeconômicos
para essas variáveis (Fig. 2) confirma esse resultado. Uma maior taxa de obesidade foi associada a uma maior
porcentagem dessas variáveis socioeconômicas em Cleveland.
A pontuação de acessibilidade do espaço verde e o índice de caminhabilidade não tiveram nenhum efeito
estatisticamente significativo sobre a obesidade. Este resultado é contrário a outros estudos que encontraram
uma associação positiva estatisticamente significativa com a obesidade (Casagrande et al. 2011; Glazier et al.
2014; Rundle et al. 2009; Lachowycz e Jones, 2011). Nosso estudo também mostrou que domicílios sem carro
particular e educação universitária estavam negativamente associados à obesidade. Esse resultado corrobora
outros estudos que mostram que possuir um carro ou ambiente de “cultura do carro” está positivamente associado
à obesidade, uma vez que o carro oferece pouco incentivo para as pessoas andarem (Xu e Wang, 2015; Inagami
et al. 2009; Lopez-Zetina et al. al. 2006). Além disso, o nível educacional mais alto foi negativamente associado à
obesidade (Cohen et al. 2013; Kim 2016) entre a população dos EUA. Isso provavelmente pode ser atribuído ao
fato de que uma pessoa instruída também tem um status socioeconômico mais alto e pode entender a necessidade
de se alimentar de forma saudável e se exercitar. Por fim, vemos uma associação negativa entre a densidade de
restaurantes de fast-food e a taxa de obesidade. Esse resultado é bastante surpreendente, pois autores como
Swinburn et al. (2011) concluíram que o aumento da obesidade global pode ser atribuído ao aumento do consumo de fast foods.
Nosso estudo é muito significativo em termos da implicação política para os profissionais de saúde pública.
Este estudo demonstrou que as taxas de obesidade não são distribuídas aleatoriamente dentro de um determinado
local, mas bairros carentes com maior proporção de população negra, pobreza, moradias vagas etc. podem ser
particularmente vulneráveis à obesidade. Esses pontos críticos para a taxa de obesidade merecem atenção
especial aos profissionais de saúde pública no esforço de combater a obesidade. Em Cleveland, vemos um
hotspot de maior taxa de obesidade e uma maior porcentagem desses fatores socioeconômicos (pobreza, negros,
moradia vaga e beneficiário do SNAP) na parte leste da cidade. Mais recursos precisam ser focados nessas
comunidades para minimizar as disparidades socioeconômicas que tornam essas comunidades vulneráveis.
Além disso, este estudo também demonstrou que, em nosso esforço para reduzir a obesidade em Cleveland, é
importante que os profissionais de saúde pública considerem como os processos sociais nas unidades geográficas
vizinhas podem contribuir para a obesidade em uma região específica. Vemos um efeito de transbordamento
significativo de fatores socioeconômicos e ambientais que afetam a obesidade não apenas nos setores censitários
focais, mas também nas regiões vizinhas. Portanto, os esforços de combate à obesidade devem garantir uma
abordagem muito inclusiva e unificada, onde todos os bairros sejam incluídos nos mecanismos de intervenção
para conter a taxa de obesidade.
Como em qualquer estudo, algumas limitações precisam ser reconhecidas em nossa pesquisa. Em primeiro
lugar, existem vários fatores individuais, socioeconômicos e ambientais que podem estar associados à obesidade.
No entanto, nosso estudo foi limitado a apenas nove variáveis que foram selecionadas com base em uma extensa
revisão da literatura e disponibilidade de dados. Outros fatores associados à obesidade não foram considerados
neste estudo. Em estudos futuros, veremos alguns desses fatores. Além disso, a escolha da matriz de peso da
vizinhança utilizada neste estudo pode ter impactado o resultado do nosso estudo. Em estudos futuros, esperamos
explorar diferentes matrizes de peso e seu impacto na análise da obesidade. Por fim, reconhecemos que o uso
do censo como unidade de análise pode estar sujeito ao problema da unidade de área modificável devido à
natureza ampla dos setores censitários. No entanto, nossa variável de desfecho (taxa de obesidade) do CDC
estava no nível do setor censitário. Portanto, não tivemos outra opção a não ser utilizar os setores censitários
como unidade de análise. Apesar dessas limitações, nosso estudo é muito significativo em termos da metodologia
que usamos.

70
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

REFERÊNCIAS

Adu-Prah, S., & Oyana, T. (2015). Permitindo uma vida saudável: padrões espaço-temporais de prevalência de sobrepeso e
obesidade entre jovens nos Estados Unidos. International Journal of Applied Geospatial Research, 6(2), 98–116. doi:10.4018/
ijagr.2015040106

Amegbor, PM, Yankey, O., Rosenberg, MW, & Sabel, CE (2020). Examinando a variabilidade espacial na associação entre o
uso indevido de álcool pelo parceiro masculino e a violência do parceiro íntimo contra as mulheres em Gana: Uma análise
GWR. Jornal de Violência Interpessoal. doi:10.1177/0886260519900299 PMID:32028823

Anselin, L., & Rey, SJ (2014). Econometria espacial moderna na prática: Um guia para GeoDa, GeoDaSpace e PySAL. GeoDa
Press LLC.

Ball, K., Lamb, K., Travaglini, N., & Ellaway, A. (2012). Conectividade das ruas e obesidade em Glasgow, Escócia: Impacto da
idade, sexo e posição socioeconômica. Health & Place, 18(6), 1307–1313. doi:10.1016/j. healthplace.2012.09.007
PMID:23085939

Bedimo-Rung, AL, Mowen, AJ, & Cohen, DA (2005). O significado dos parques para a atividade física e a saúde pública: um
modelo conceitual. American Journal of Preventive Medicine, 28(2), 159–168. doi:10.1016/j. amepre.2004.10.024 PMID:15694524

Preto, NC (2014). Uma abordagem ecológica para entender a prevalência de obesidade em adultos nos Estados Unidos: uma
análise em nível de condado usando regressão geograficamente ponderada. Applied Spatial Analysis and Policy, 7(3), 283–
299. doi:10.1007/s12061-014-9108-0

Brocklebank, LA, Falconer, CL, Page, AS, Perry, R., & Cooper, AR (2015). Tempo sedentário medido por acelerômetro e
biomarcadores cardiometabólicos: uma revisão sistemática. Medicina Preventiva, 76, 92-102. doi:10.1016/j.ypmed.2015.04.013
PMID:25913420

Capello, R. (2009). Derramamentos espaciais e crescimento regional: Uma abordagem cognitiva. Estudos Europeus de
Planejamento, 17(5), 639-658. doi:10.1080/09654310902778045

Casagrande, SS, Gittelsohn, J., Zonderman, AB, Evans, MK, & Gary-Webb, TL (2011). Associação de caminhabilidade com
obesidade em Baltimore City, Maryland. American Journal of Public Health, 101(S1), S318–S324. doi:10.2105/AJPH.2009.187492
PMID:21164099

Caughy, MOB, Hayslett-McCall, KL, & O'Campo, PJ (2007). Nenhum bairro é uma ilha: incorporando efeitos de vizinhança
distal em estudos multiníveis de competência de desenvolvimento infantil. Health & Place, 13(4), 788–798. doi:10.1016/
j.healthplace.2007.01.006 PMID:17382574

Centro para Controle de Doenças. (2016). Projeto 500 Cidades: Dados locais para uma saúde melhor. Washington, DC:
Instituto Urbano. https://www.cdc.gov/places/about/500-cities-2016-2019/index.html

Chen, DR, & Wen, TH (2010). Elucidando a dinâmica socioespacial em mudança dos efeitos da vizinhança sobre o risco de
obesidade em adultos em Taiwan de 2001 a 2005. Health & Place, 16(6), 1248–1258. doi:10.1016/j. healthplace.2010.08.013
PMID:20832348

Chi, G., & Zhu, J. (2019). Modelos de regressão espacial para as ciências sociais (Vol. 14). Publicações SAGE.

Cohen, AK, Rai, M., Rehkopf, DH, & Abrams, B. (2013). Nível educacional e obesidade: Uma revisão sistemática. Obesity
Reviews, 14(12), 989–1005. doi:10.1111/obr.12062 PMID:23889851

Collins, PH, & Bilge, S. (2020). Interseccionalidade. John Wiley & Filhos.

Cutts, BB, Darby, KJ, Boone, CG, & Brewis, A. (2009). Estrutura da cidade, obesidade e justiça ambiental: uma análise
integrada de barreiras físicas e sociais para ruas transitáveis e acesso a parques. Ciências Sociais e Medicina, 69(9),
1314-1322. doi:10.1016/j.socscimed.2009.08.020 PMID:19751959

Dai, D. (2011). Disparidades raciais/étnicas e socioeconômicas na acessibilidade de espaços verdes urbanos: onde intervir?
Paisagem e Planejamento Urbano, 102(4), 234–244. doi:10.1016/j.landurbplan.2011.05.002

Dinsa, GD, Goryakin, Y., Fumagalli, E., & Suhrcke, M. (2012). Obesidade e status socioeconômico em países em
desenvolvimento: uma revisão sistemática. Obesity Reviews, 13(11), 1067-1079. doi:10.1111/j.1467-789X.2012.01017.x
PMID:22764734

71
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Drewnowski, A., Rehm, CD, & Arterburn, D. (2014). A distribuição geográfica da obesidade por setor censitário entre 59.767
adultos segurados em King County, WA. International Journal of Obesity, 38(6), 833-839. doi:10.1038/ ijo.2013.179
PMID:24037278

Elhorst, JP (2014). Econometria espacial: dos dados transversais aos painéis espaciais (Vol. 479). Springer.
doi:10.1007/978-3-642-40340-8

Ewing, R., Meakins, G., Hamidi, S., & Nelson, AC (2014). Relação entre expansão urbana e atividade física, obesidade e
morbidade - Atualização e refinamento. Health & Place, 26, 118–126. doi:10.1016/j. healthplace.2013.12.008 PMID:24434082

Frank, LD, Andresen, MA, & Schmid, TL (2004). Relações da obesidade com o design da comunidade, atividade física e
tempo gasto em carros. American Journal of Preventive Medicine, 27(2), 87–96. doi:10.1016/j. amepre.2004.04.011
PMID:15261894

Frank, LD, & Kavage, S. (2008). Planejamento urbano e saúde pública: uma história de separação e reconexão.
Journal of Public Health Management and Practice, 14(3), 214–220. doi:10.1097/01.PHH.0000316478.42264. a7 PMID:18408544

Frank, LD, Kerr, J., Sallis, JF, Miles, R., & Chapman, J. (2008). Uma hierarquia de correlatos sociodemográficos e ambientais
de caminhada e obesidade. Medicina Preventiva, 47(2), 172-178. doi:10.1016/j. ypmed.2008.04.004 PMID:18565576

Gerlach, G., Herpertz, S., & Loeber, S. (2015). Traços de personalidade e obesidade: uma revisão sistemática. Obesity
Reviews, 16(1), 32–63. doi:10.1111/obr.12235 PMID:25470329

Getis, A. (2007). Reflexões sobre autocorrelação espacial. Ciência Regional e Economia Urbana, 37(4), 491–496. doi:10.1016/
j.regsciurbeco.2007.04.005

Glass,JE, Rathouz, PJ, Gattis, M.,Joo, YS, Nelson,JC, & Williams, EC (2017). Interseções de pobreza, raça/etnia e sexo:
consumo de álcool e resultados adversos nos Estados Unidos. Psiquiatria Social e Epidemiologia Psiquiátrica, 52(5), 515–524.
doi:10.1007/s00127-017-1362-4 PMID:28349171

Glazier, RH, Creatore, MI, Weyman, JT, Fazli, G., Matheson, FI, Gozdyra, P., Moineddin, R., Shriqui, V.
K., & Booth, GL (2014). Densidade, destinos ou ambos? Uma comparação de medidas de caminhabilidade em relação a
comportamentos de transporte, obesidade e diabetes em Toronto, Canadá. PLoS One, 9(1), e85295. doi:10.1371/
journal.pone.0085295 PMID:24454837

Golgher, AB, & Voss, PR (2016). Como interpretar os coeficientes de modelos espaciais: Spillovers, efeitos diretos e indiretos.
Demografia Espacial, 4(3), 175–205. doi:10.1007/s40980-015-0016-y

Goodchild, MF (2009). Que problema? Autocorrelação espacial e ciência da informação geográfica.

Análise Geográfica, 41(4), 411-417. doi:10.1111/j.1538-4632.2009.00769.x

Guthman, J. (2013). Medidas fátuas: A construção artificial da epidemia de obesidade. Critical Public Health, 23(3), 263–273.
doi:10.1080/09581596.2013.766670

Hajizadeh, M., Campbell, MK, & Sarma, S. (2016). Uma análise econométrica espacial da obesidade adulta: evidências do
Canadá. Applied Spatial Analysis and Policy, 9(3), 329–363. doi:10.1007/s12061-015-9151-5

Hales, CM, Carroll, MD, Fryar, CD e Ogden, CL (2017). Prevalência de obesidade entre adultos e jovens: Estados Unidos,
2015–2016. Resumo de dados do NCHS, nº 288.

Huang, R., Moudon, AV, Cook, AJ, & Drewnowski, A. (2015). O agrupamento espacial da obesidade: o ambiente construído
importa? Journal of Human Nutrition and Dietetics, 28(6), 604–612. doi:10.1111/jhn.12279 PMID:25280252

Inagami, S., Cohen, DA, Brown, AF, & Asch, SM (2009). Índice de massa corporal, concentração de fast food e restaurantes
de bairro e posse de carro. Journal of Urban Health, 86(5), 683-695. doi:10.1007/s11524- 009-9379-y PMID:19533365

Jones, A. (2015). Instabilidade residencial e obesidade ao longo do tempo: o papel do ambiente social e construído.
Health & Place, 32, 74-82. doi:10.1016/j.healthplace.2015.01.001 PMID:25655942

72
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Joshu, CE, Boehmer, TK, Brownson, RC, & Ewing, R. (2008). Fatores pessoais, de vizinhança e urbanos associados à
obesidade nos Estados Unidos. Jornal de Epidemiologia e Saúde Comunitária, 62(3), 202–208. doi:10.1136/jech.2006.058321
PMID:18272734

Kim, YJ (2016). O efeito a longo prazo da educação sobre a obesidade nos EUA. Economia e Biologia Humana, 21, 100-109.
doi:10.1016/j.ehb.2015.12.003 PMID:26828291

Lachowycz, K., & Jones, AP (2011). Greenspace e obesidade: Uma revisão sistemática das evidências. Obesity Reviews,
12(5), e183–e189. doi:10.1111/j.1467-789X.2010.00827.x PMID:21348919

LaSage, J., & Pace, RK (2009). Introdução à Econometria Espacial, Estatística: Livros Didáticos e Monografias.
Imprensa Acadêmica.

LeBesco, K. (2011). Neoliberalismo, saúde pública e os perigos morais da gordura. Critical Public Health, 21(2), 153–164.
doi:10.1080/09581596.2010.529422

Lee, KH, Heo, J., Jayaraman, R., & Dawson, S. (2019). Proximidade de parques e áreas naturais como determinante ambiental
de disparidades espaciais na prevalência de obesidade. Geografia Aplicada (Sevenoaks, Inglaterra), 112, 102074. doi:10.1016/
j.apgeog.2019.102074

Lopez-Zetina, J., Lee, H., & Friis, R. (2006). A ligação entre a obesidade e o ambiente construído. Evidências de uma análise
ecológica de obesidade e quilômetros de viagem de veículos na Califórnia. Health & Place, 12(4), 656-664. doi:10.1016/
j.healthplace.2005.09.001 PMID:16253540

Matthews, SA, & Yang, TC (2012). Mapeando os resultados das estatísticas locais: Usando regressão geograficamente
ponderada. Pesquisa Demográfica, 26, 151-166. doi:10.4054/DemRes.2012.26.6 PMID:25578024

McLaren, L. (2007). Situação socioeconômica e obesidade. Epidemiologic Reviews, 29(1), 29–48. doi:10.1093/ epirev/mxm001
PMID:17478442

Morenoff, JD (2003). Mecanismos de vizinhança e a dinâmica espacial do peso ao nascer. American Journal of Sociology,
108(5), 976-1017. doi:10.1086/374405 PMID:14560732

Oshan, TM, Smith, JP, & Fotheringham, AS (2020). Visando o contexto espacial dos determinantes da obesidade por meio de
regressão multiescala geograficamente ponderada. International Journal of Health Geographics, 19(1), 1–17. doi:10.1186/
s12942-020-00204-6 PMID:32248807

Peiravian, F., Derrible, S., & Ijaz, F. (2014). Desenvolvimento e aplicação do Índice de Ambiente Pedestre (PEI). Journal of
Transport Geography, 39, 73–84. doi:10.1016/j.jtrangeo.2014.06.020

Pouliou, T., & Elliott, SJ (2010). Determinantes individuais e socioambientais de sobrepeso e obesidade no Canadá urbano.
Health & Place, 16(2), 389–398. doi:10.1016/j.healthplace.2009.11.011 PMID:20022286

Rachele, JN, Kavanagh, A., Brown, WJ, Healy, AM, Schmid, CJ e Turrell, G. (2017). Desvantagem socioeconômica do bairro
e índice de massa corporal entre adultos de meia-idade residencial estáveis: resultados do estudo longitudinal multinível
HABITAT. Medicina Preventiva, 105, 271-274. doi:10.1016/j. ypmed.2017.09.017 PMID:28963008

Ragin, CC e Fiss, PC (2016). Desigualdade interseccional. Imprensa da Universidade de Chicago. doi:10.7208/ chicago/
9780226414546.001.0001

Rey-López, JP, Vicente-Rodríguez, G., Biosca, M., & Moreno, LA (2008). Comportamento sedentário e desenvolvimento da
obesidade em crianças e adolescentes. Nutrição, Metabolismo e Doenças Cardiovasculares, 18(3), 242–251. doi:10.1016/
j.numecd.2007.07.008 PMID:18083016

Rundle, A., Neckerman, KM, Freeman, L., Lovasi, GS, Purciel, M., Quinn, J., Richards, C., Sircar, N., & Weiss, C. (2009).
Ambiente alimentar da vizinhança e caminhabilidade predizem obesidade na cidade de Nova York. Perspectivas de Saúde
Ambiental, 117(3), 442–447. doi:10.1289/ehp.11590 PMID:19337520

Sampson, RJ, Morenoff, JD, & Gannon-Rowley, T. (2002). Avaliando “efeitos de vizinhança”: Processos sociais e novos rumos
na pesquisa. Revisão Anual de Sociologia, 28(1), 443-478. doi:10.1146/annurev. soc.28.110601.141114

73
Machine Translated by Google

Revista Internacional de Pesquisa Geoespacial Aplicada

Volume 12 • Edição 4

Schroeder, K., Schuler, BR, Kobulsky, JM, & Sarwer, DB (2021). A associação entre efeitos adversos
Experiências na infância e obesidade infantil: uma revisão sistemática. Obesity Reviews, obr.13204. doi:10.1111/
obr.13204 PMID:33506595

Stafford, M., Brunner, EJ, Head, J., & Ross, NA (2010). Privação e o desenvolvimento da obesidade:
Um estudo longitudinal multinível na Inglaterra. American Journal of Preventive Medicine, 39(2), 130–139.
doi:10.1016/j.amepre.2010.03.021 PMID:20621260

Swinburn, B., Egger, G., & Raza, F. (1999). Dissecando ambientes obesogênicos: o desenvolvimento e
aplicação de uma estrutura para identificar e priorizar intervenções ambientais para a obesidade. Medicina Preventiva, 29(6),
563-570. doi:10.1006/pmed.1999.0585 PMID:10600438

Swinburn, B., Sacks, G., & Ravussin, E. (2009). Artigo Especial O aumento da oferta de energia alimentar é mais
do que o suficiente para explicar a. The American Journal of Clinical Nutrition, 90, 1453-1456. doi:10.3945/
ajcn.2009.28595 PMID:19828708

Swinburn, BA, Sacks, G., Hall, KD, McPherson, K., Finegood, DT, Moodie, ML, & Gortmaker, SL
(2011). A pandemia global de obesidade: moldada por fatores globais e ambientes locais. Lancet, 378(9793),
804-814. doi:10.1016/S0140-6736(11)60813-1 PMID:21872749

Escritório do Censo dos EUA. (2014). Desenho e Metodologia de Pesquisa da Comunidade Americana. Disponível online em: http://
www. Censo. gov/acs/www/Downloads/survey_methodology/acs_design_metho dology_report_2014. pdf

Escritório do Censo dos EUA. (2017). Características Econômicas Selecionadas (2013-2017) Pesquisa da Comunidade Americana
Estimativas de 5 anos). American FactFinder., 1(X), 1–8.

Wang, F. (2014). Métodos quantitativos e aplicações socioeconómicas em SIG. Imprensa CRC. doi:10.1201/b17967

Wen, M., & Maloney, TN (2011). Isolamento residencial latino e o risco de obesidade em Utah: o papel da
contexto socioeconômico, ambiental construído e subcultural do bairro. Journal of Immigrant and Minority Health, 13(6), 1134–1141.
doi:10.1007/s10903-011-9439-8 PMID:21274631

Organização Mundial da Saúde. (2015). Relatório provisório da comissão sobre o fim da obesidade infantil (nº OMS/
NMH/PND/ECHO/15.1). Organização Mundial da Saúde.

Xu, Y., & Wang, F. (2015). Ambiente construído e obesidade por urbanidade nos EUA. Saúde e Lugar, 34, 19–2.
doi:10.1016/j.healthplace.2015.03.010 PMID:25864019

Ortis Yankey é doutorando no Departamento de Geografia da Kent State University. Seu interesse de pesquisa se concentra em
Epidemiologia Espacial, Geografia Médica e da Saúde e Modelos Bayesianos Espaço-temporais.

Prince Michael Amegbor atualmente trabalha como pesquisador de pós-doutorado no BERTHA (Big Data Center for Environment and
Health) e no Departamento de Ciências Ambientais da Universidade de Aarhus. Prince tem doutorado em Geografia Humana pelo
Departamento de Geografia e Planejamento da Queen's University (Kingston ON). Sua pesquisa se concentra em determinantes sociais
da saúde, análise espacial de resultados de saúde e saúde ambiental.

Marcelino Essah é Ph.D. Estudante de Geografia Humana na Universidade de Toronto, Canadá. Sua pesquisa atual se concentra na
economia política/ ecologia das políticas alimentares e reformas agrárias. Marcellinus também é apaixonado por mineração de ouro,
CSR, sustentabilidade e desenvolvimento comunitário em Gana. Ele publicou em Resources Policy: Um periódico dedicado à economia
e questões políticas relacionadas à extração, produção e uso de combustíveis fósseis e minerais.

74