Análise espacial das variáveis de saneamento, coleta de lixo,

abastecimento de água e IFDM saúde dos municípios da região

norte do Brasil
Geizi Gonçalves Marinho, geizi.goncalves@mail.uft.edu.br;
Ana Lúcia de Medeiros, analucia@mail.uft.edu.br;
Claudomiro Moura Gomes André, andrecmg@mail.uft.edu.br;

Resumo

O objetivo do trabalho foi analisar a distribuição espacial do IFDM saúde e das variáveis
ambientais (saneamento, coleta de lixo e água tratada) nos municípios da Região Norte do
Brasil. As variáveis estão positivamente correlacionadas (p<0,001) com o IFDM saúde em
2010, (coleta de lixo, 0,4954, saneamento, 0,3662 e água tratada, 0,3127). Foi detectada
distribuição espacial significativa, com o índice de Morin para as 4 variáveis, com valores entre
0,4625 e 0,0662. O LISA mostrou que há alta concentração espacial de municípios com
autocorrelação positiva alto/alto e baixo/baixo.

Palavras-chave: análise espacial; saneamento básico; saúde; coleta de lixo; água tratada

Resumen

El objetivo del trabajo fue analizar la distribución espacial del IFDM salud y las variables
ambientales (saneamiento, recolección de basura y agua tratada) en los municipios de la
Región Norte de Brasil. Las variables están positivamente correlacionadas (p<0,001) con el
IFDM salud en 2010, (recolección de basura, 0,4954, saneamiento, 0,3662 y agua tratada,
0,3127). Se detectó una distribución espacial significativa, con el índice de Morin con valores
entre 0,4625 y 0,0662. El LISA mostró que hay una concentración espacial de municipios con
autocorrelación positiva.

Palabras clave: IFDM salud, agua corriente, recolección de basura, saneamiento.

Abstract
The aim of the study was to assess the spatial distribution of the IFDM health and the
environmental indicators (sanitation, solid waste management and potable water supply) in
the municipalities of the North Region of Brazil. The variables are positively correlated
(p<0.001) with IFDM health in 2010, (solid waste management, 0.4954, sanitation, 0.3662 and
potable water supply, 0.3127). A significant spatial distribution was detected, with Morin’s
index between 0.4625 and 0.0662. LISA showed that there is a spatial concentration of
municipalities with positive autocorrelation.
Keywords: IFDM health, piped water, garbage collection, sanitation.

1- INTRODUÇÃO

Há um debate teórico acerca da saúde desde o final do século XIX que associava a
condição de saúde de um indivíduo às questões particulares e biológicas. Com o passar do
tempo, se observou que a saúde estava ligada ou era determinada por variáveis econômicas,
sociais, culturais e regionais. (BUSS, PELLEGRINI FILHO, 2012). Passaram a observar que
as desigualdades da saúde estão associadas às desigualdades de renda, logo, a doença não
está apenas dentro do corpo do indivíduo, ela pode ser sentida e vista por todos. Ao dizer
isso, se está inferindo que parte da solução dos problemas de saúde podem ser resolvidos
por meio de políticas públicas transversais (BARATA, 2009).
Segundo Freitas e Giatti (2009), Giatti e Cutolo (2012) e Moura, Landau e Ferreira
(2016), o acesso ao saneamento básico, a água tratada e a uma adequada coleta de lixo ou
tratamento de resíduos, pode se traduzir em menos doenças e iniquidades na saúde.
Segundo Buss e Pellegrini Filho (2007), esse conceito é atribuído a uma dada situação em
que as desigualdades de saúde são injustas e possíveis de serem corrigidas.
O objetivo deste trabalho foi analisar a distribuição espacial do IFDM saúde e das
variáveis saneamento, coleta de lixo e acesso a água tratada nos municípios da Região Norte
do Brasil em 2010.
No ano de 2019, a Pesquisa Nacional de Saúde (PNS) por amostragem sobre
informações de domicílios indicou que as regiões norte e nordeste do Brasil apresentaram a
menor incidência de domicílios com água encanada em relação às regiões sudeste e centro-
oeste (PNS, 2019). Costa (2013) indica que o aumento de gastos da União em relação ao
saneamento básico leva o nível de gastos com saúde pública a ser menor por ser um efeito
de longo prazo responsável por aumentar a expectativa de vida da população em até 20 anos.
Segundo Barata (2009), na América Latina, as desigualdades sociais possuem ligação
com o processo saúde-doença, pois, segundo a autora, a classe social a que o indivíduo
pertence é uma variável que indica os determinantes do perfil da saúde e doença. A autora
mostra que na concepção weberiana, a saúde passa a ser afetada pela posição social e
econômica que cada indivíduo ocupa, que ao contrário de sociedades mais igualitárias, que
possuem maior “coesão social”, tem impacto direto nos mais vulneráveis economicamente o
que provoca uma deterioração da vida pública no sentido de comunidade.
A estratificação social citada pela autora ao ser lançada sobre o Brasil mostra que essa
desigualdade tanto no âmbito social quanto regional afetam a qualidade de vida dos indivíduos
economicamente vulneráveis. Por esse motivo, a criação do Sistema Único de Saúde (SUS)
e sua garantia pela Constituição Federal de 1988 representa um dos maiores avanços sociais
do país (PAIM, 2009). A criação do SUS foi uma resposta do Estado com vistas a minimizar
as iniquidades sociais, porém, apesar dos avanços e de bons resultados, não resolveu e só
resolverá tais problemas, se as políticas públicas forem delineadas de forma transversal.

2- REVISÃO DE LITERATURA

2.1 - ANÁLISE DA DISTRIBUIÇÃO ESPACIAL

A distribuição espacial vem se tornando comum nos estudos acadêmicos nos últimos
anos, pois tem contado com o SIG que é a sigla do sistema de informação geográfica que
oferece um baixo custo para a produção de dados metodológicos com uma interface
agradável ao usuário. O sistema citado garante ao usuário a visualização espacial de uma ou
mais variáveis de uma região por meio de mapas, ou seja, se o usuário dispõe de uma gama
de dados e uma base geográfica sólida, esse sistema consegue realizar um mapeamento
todo colorido que permite que seja visualizado a análise do fenômeno estudado (CÂMARA,
MONTEIRO, FUCKS, CARVALHO; 2002).
Esse tipo de dado consegue realizar uma ligação entre propriedades e
relacionamentos, considerando a localização espacial da variável estudada (CÂMARA,
MONTEIRO, FUCKS, CARVALHO; 2002). Segundo os autores, John Snow durante o século
XIX foi um dos pioneiros no estudo envolvendo análise espacial, onde buscou relacionar a
sujeira concentrada nas regiões baixas e pantanosas da cidade de Londres durante a
epidemia de cólera com a ingestão de água nociva à saúde.
 O resultado do estudo mostrou uma ligação entre os óbitos provocados pela cólera
com as bombas de água que abastecia a cidade naquele período como o epicentro da
epidemia que assolou a capital inglesa. Mais tarde, estudos confirmaram a hipótese levantada
por Snow, sendo esse um dos primeiros casos de análise espacial conhecido na literatura.
Nos últimos anos, surgiram muitos trabalhos nas mais diversas áreas do conhecimento
que lançaram mão das ferramentas espaciais para entender a distribuição da pobreza em
municípios da região norte (LEITE, 2016), em municípios do Estado de Alagoas, Paraná,
Minas Gerais (TEIXEIRA, 2020; ROMERO, 2006; DA SILVA, BORGES, PARRÉ; 2013),
outros usaram desta poderosa técnica para analisar a correlação espacial do programa bolsa
família e do desenvolvimento humano no Brasil (BRAMBILLA et al, 2017), para estudar a
correlação espacial da incidência da covid e o índice de desenvolvimento humano nos
municípios do Ceará (MACIEL, SILVA, FARIAS; 2020). Em todos esses trabalhos, foi possível
aferir que havia características semelhantes entre os municípios vizinhos ou contíguos, ou, a
distribuição no espaço das variáveis não se dava de forma independente, o que reforça a lei
de Tobler “(...) todos os objetos relacionados no espaço são parecidos, porém, objetos mais
próximos se parecem mais do que objetos mais distantes” (FERREIRA, 2007).
Considerando a heterogeneidade do território brasileiro e as suas idiossincrasias,
entende-se ser essa uma boa técnica estatística a ser usada, uma vez que mostra as relações
de dependência ou independência das variáveis distribuídas no espaço. Leite (2016) ao
analisar a distribuição espacial da pobreza na região norte concluiu que ela não ocorre de
forma aleatória na região e que foi possível encontrar clusters de pobreza e de riqueza,
demonstrando auto autocorrelação espacial positiva. O mesmo achado também foi
encontrado no trabalho de Teixeira (2020), onde o autor estudou a distribuição da pobreza
nos municípios de Alagoas e concluiu que os municípios sofrem efeitos dos vizinhos.

2.2 - ÍNDICE FIRJAN DE DESENVOLVIMENTO MUNICIPAL (IFDM)

O Índice Firjan de Desenvolvimento Municipal (IFDM) avalia o desenvolvimento

municipal das cinco grandes regiões do país: Norte, Nordeste, Sul, Sudeste e Centro-Oeste.
Este índice analisa uma dimensão social constituída por variáveis da educação e da saúde
de atenção básica, e, uma econômica que avalia o emprego e renda. O IFDM agregado é
usado para avaliar o desenvolvimento de 95% dos municípios brasileiros nos anos de 2005 a
2016. Além do IFDM geral é possível também usar o IFDM dos temas que o compõem, como
por exemplo: saúde, educação, emprego e renda. Os mesmos variam entre 0 e 1, sendo que
quanto mais próximo de 1, mais desenvolvido. Os intervalos se configuram da seguinte forma:
quando o indicador estiver abaixo de 0,4 pode-se considerar que o município tem baixo
desenvolvimento, entre 0,4 e 0,6, desenvolvimento regular, entre 0,6 até 0,8 é configurado
como desenvolvimento moderado e acima de 0,8 o município analisado apresenta um alto
índice de desenvolvimento na área de ‘emprego e renda’, ‘saúde’ e ‘educação’ (AVELINO,
BRESSAN, CUNHA, 2013).
Para classificar esses resultados nas três áreas de desenvolvimento socioeconômico
foi adotado critérios de análise para cada variável estudada, por exemplo, na variável saúde
se analisa o número de óbitos infantis e por causas mal definidas, a proporção de
atendimentos adequados à realização de pré-natal e o número de internações realizados no
município. Existem muitos estudos que usaram o IFDM para avaliar o desenvolvimento de
municípios brasileiros, dessa forma, entende-se que esse é um índice consolidado e que
oferece informações relevantes que ajudam a avaliar as políticas públicas em saúde, em
educação e na geração de emprego e renda em grande parte dos municípios brasileiros.
Estudo realizado por Reinaldo (2021), mostrou que os indicadores da Firjan (IFDM e IFGF)
estão consolidados no meio acadêmico. O Índice Firjan de Desenvolvimento Municipal (IFDM)
apresentou o maior número de trabalhos publicados em diversas áreas do conhecimento,
principalmente nas áreas de ciências sociais aplicadas, ciências humanas e ciências da
saúde. Quanto aos periódicos, um dos que possuem mais trabalhos publicados sobre o IFDM,
destaca-se a Revista Ciência & Saúde Coletiva, que aborda publicações que tratam de fatores
socioeconômicos relacionados à mortalidade, internações e fatores de risco à saúde pública.

2.3 – Variáveis ambientais e as suas relações com a saúde pública

Existe uma extensa literatura, especialmente após a segunda metade do século 20,
que trouxe grandes contribuições para o entendimento dos determinantes da saúde, das suas
iniquidades e desigualdades. Por muitos anos, a saúde era analisada sob os aspectos
individuais e bastante particularizada sob as condições clínicas do paciente. Com o
crescimento das desigualdades regionais, principalmente nos países pobres e em
desenvolvimento, se passou a perceber e a tratar as questões de saúde dentro de uma
perspectiva mais ampla, e, muitos estudos demonstraram que ela é determinada por variáveis
ambientais, econômicas, institucionais, sociais e regionais. (SUBRAMANIAN, BELLI,
KAWACHI, 2002; BUSS, PELLEGRINI FILHO, 2007).
Dentre os determinantes da saúde, Buss e Pellegrini Filho (2007) abordam o modelo
de Dahlgren e Whitehead que explica os mesmos considerando quatro camadas: a primeira
mapeia as características individuais e estilo de vida, a segunda evidencia a importância da
coesão e do capital social, a terceira trata de questões relacionadas às condições de vida e
do trabalho e por fim, a quarta, apresenta as questões econômicas, culturais e sociais mais
gerais da sociedade. Este trabalho foca alguns elementos presentes na terceira camada do
modelo, onde entram as variáveis de acesso à água tratada, a coleta de lixo e ao saneamento
básico.
Segundo a Embrapa (2016), doenças hídricas correspondem à segunda maior taxa de
mortalidade infantil no mundo, perdendo apenas para doenças ligadas a infecções
respiratórias. O relatório revela que no Brasil, cerca de sete crianças vêm a óbito por dia,
vítimas de diarreia, sendo a maior responsável por essa situação a má qualidade da água
fornecida para as famílias atingidas, que em sua maioria, representam a camada social mais
vulnerável do país.
Giatti e Cutolo (2012), Freitas e Giatti (2009) fizeram um estudo para mostrar a relação
entre o acesso à água tratada, o saneamento básico, o desmatamento, a ausência de coleta
de lixo e a saúde na Amazônia legal e chegaram a conclusão que apesar da região ter grandes
mananciais de água doce, boa parte da população não tem acesso a água tratada e ao
saneamento básico, e tão pouco a uma adequada coleta de lixo. Mostraram que a população
sofre com doenças associadas ao meio ambiente e a ausência de ações sustentáveis que
possam promover o desenvolvimento da região. Essa condição é preocupante e desperta
para a necessidade do Estado desenvolver e implantar políticas públicas para prover o acesso
desses serviços à população. Em trabalho feito sobre os determinantes sociais da saúde de
atenção primária no enfrentamento da Covid-19 no Estado do Pará, Affonso et al (2021),
mostra também que os aspectos relacionados ao saneamento básico, habitação e renda
dificultaram o combate à doença neste estado, e, que ela se proliferou em ambientes
socialmente desiguais e pobres.
Por fim, Leite (2016) ao espacializar a pobreza da região norte mostrou que há muito
a ser feito por essa região no que tange a implantação de políticas públicas. Espera-se que
elas sejam efetivas com vistas a mitigar as desigualdades sociais, porque ao fazer isso, estará
também minimizando as iniquidades e desigualdades de saúde.
3- METODOLOGIA

O objetivo do trabalho foi analisar a distribuição espacial do IFDM saúde, saneamento

básico, coleta de lixo e acesso a água tratada nos municípios da Região Norte do Brasil em
2010. O método da pesquisa usado foi o quantitativo com a aplicação da técnica de correlação
espacial que é uma ferramenta utilizada para analisar diferentes fenômenos que envolvem
variáveis espaciais, como a pobreza de um dado território, o efeito da transferência de renda
sobre municípios, práticas de gestão orçamentária, de boa governança e de variáveis
associadas à saúde, como saneamento, coleta de lixo, água tratada e o próprio indicador de
saúde (LEITE, 2016; AFFONSO et al, 2020; ROMERO, 2006).
O trabalho de Buss e Pellegrini Filho (2012) apresenta o modelo de Dahlgren e
Whitehead que buscou compreender as desigualdades e iniquidades da saúde à luz de quatro
camadas que envolvem as características individuais, coletivas, sociais, econômicas e
culturais. O modelo teórico metodológico deste trabalho está fundamentado na premissa de
que a desigualdade de saúde é determinada por variáveis ambientais, sociais, econômicas e
individuais. Alguns estudos associam os indicadores de saúde a fatores individuais, porém,
há outros que apresentam evidências teóricas e empíricas para mostrar que a pobreza e o
não acesso a água tratada, a saneamento básico e a um ambiente sem coleta de lixo são
determinantes para uma população doente (SUBRAMANIAN, BELLI, KAWACHI; 2002). São
estudos que procuram explicar como a estratificação econômica e social conseguem entrar
no corpo humano, e, por conseguinte, gerar iniquidades e desigualdades no acesso aos
serviços de saúde.
Nesse sentido, considerando esses aspectos, justifica-se as escolhas das variáveis
usadas neste trabalho para mostrar como elas estão distribuídas espacialmente, e, a partir
disso, colocar luz quanto a formulação das políticas públicas de saúde e as transversais,
considerando que não basta apenas criar meios para tratar as doenças, mas, evitá-las, porque
elas são adquiridas pelo simples fato de não se ter renda ou acesso aos serviços essenciais
que garantem minimamente a dignidade humana.

3.1 - Fonte de dados

Os dados relativos ao saneamento, água tratada e a coleta de lixo foram extraídos do

censo do IBGE (2010 com acesso em 2023) para todos os municípios da região Norte do
Brasil. A variável saneamento é o percentual de residentes em domicílios atendidos por rede
de esgoto ou que tenha fossa asséptica, a variável água tratada é o percentual de residentes
em domicílios com abastecimento de água via rede, a coleta de lixo o percentual de residentes
com coleta regular do lixo, os dados acerca do índice Firjan de desenvolvimento municipal
(IFDM) relativo à saúde foram extraídos da base de dados oficiais da Federação das indústrias
do Estado do Rio de Janeiro (Firjan).

3.2 - Correlação espacial das variáveis

Para observar a ocorrência da autocorrelação espacial que mede a associação entre

os municípios usou-se a estatística I de Moran global. Esse método permite aferir se há
similaridades entre as variáveis presentes em um conjunto de indivíduos espacialmente
distribuídos (ALMEIDA, 2012). A existência de similaridade espacial é indicativo de que a
distribuição da variável entre os municípios não é dispersa e nem aleatória. Nesse caso, as
variáveis em estudos são ditas autocorrelacionadas e apontam para padrões ao longo do
espaço, ou seja, há formação de clusters ou de agrupamentos.
 O índice I de Moran é a ferramenta mais utilizada para calcular a autocorrelação
espacial e situa-se entre -1 a +1, valores do índice próximos a zero ou não significativos,
apontam para uma independência espacial, isto é, para uma ausência de autocorrelação
espacial significativa entre os valores da variável de interesse entre as regiões. Valores
positivos e significativos do I de Moran indicam uma dependência ou autocorrelação espacial
positiva, nestes casos, o valor da variável de interesse em determinado município tende a ser
similar aos de seus vizinhos. Já os valores negativos e significativos do I de Moran indicam a
presença de uma autocorrelação ou dependência espacial negativa, isto é, o valor da variável
em questão em um determinado município tende a ser diferente dos valores observados em
seus vizinhos. Formalmente este índice é expresso por:
𝑛 ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 (𝑋𝑖 − 𝑋̅)(𝑋𝑗 − 𝑋̅)
𝐼=
(∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 ) ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Onde, 𝐼 é o Índice Moran, 𝑛 é o número de observações, 𝑋𝑖 e 𝑋𝑗 são os valores observados
da variável dos municípios 𝑖 e 𝑗, 𝑋̅ é a média do valor observado da variável de interesse de
todos os municípios, 𝑤𝑖𝑗 representa os elementos da matriz de peso espacial que define as
relações de vizinhança, isto é, o peso espacial para o par de unidades espaciais 𝑖 e 𝑗, medindo
o grau de interação entre elas, com 𝑖 = 1, 2,..., 𝑛 e 𝑗 = 1, 2,..., 𝑛.
A indicação de presença de associação espacial global pode demonstrar
conformidade com padrões locais, porém, isso não é absoluto. Alguns casos de ausência de
associação espacial global encobrem padrões locais de associação. Para superar tal
empecilho e identificar a ocorrência padrões de autocorrelação local, Anselin e Bera (1998)
propõe uma decomposição em categorias do indicador I de Moran, o Indicador Local de
Associação Espacial – LISA, dado por:
𝑛
(𝑋𝑖 − 𝑋̅)
𝐼𝑖 = ∑ 𝑤𝑖𝑗 (𝑋𝑗 − 𝑋̅)
𝑠𝑋2
𝑗=1

Onde: 𝐼𝑖 é o Índice Moran Local (LISA) para o município 𝑖; 𝑛 é o número de observações, 𝑋𝑖

e 𝑋𝑗 são os valores observados da variável dos municípios 𝑖 e 𝑗; 𝑋̅ é a média do valor
observado da variável de interesse de todos os municípios; 𝑠𝑋2 é a estimativa da variância da
variável e, 𝑤𝑖𝑗 representa os elementos da matriz de peso espacial que define as relações de
vizinhança, isto é, o peso espacial para o par de unidades espaciais 𝑖 e 𝑗, medindo o grau de
interação entre elas, com 𝑖 = 1, 2,..., 𝑛, e, 𝑗 = 1, 2,..., 𝑛.
Segundo Almeida (2012), esse indicador fornece uma medida de agrupamento dos
valores semelhantes, identificando clusters espaciais, estatisticamente significantes. A partir
da estatística LISA, pode-se determinar quatro padrões de autocorrelação espacial. Estes
padrões são definidos como alto-alto e baixo-baixo que apontam os indivíduos que
apresentam uma associação espacial homogênea, isto é, indivíduos com valores altos/baixos
da variável de interesse e que a sua vizinhança tem valores também altos/baixos. Já os
padrões alto-baixo e baixo-alto indicam padrões heterogêneos de associação espacial, isto é,
indivíduos com valores altos/baixos da variável e sua vizinhança com valores baixos/altos.
Todas as estimativas dos Índices de Moran, global e local, foram realizadas usando o
pacote spdep no R (BIVAND e WONG, 2018 e, BIVAND, 2022).
4- RESULTADOS E DISCUSSÕES

4.1 – Análise descritiva de variáveis ambientais da região Norte do Brasil

A região norte do Brasil é composta por sete estados, sendo eles: Amapá, Amazonas,
Acre, Pará, Rondônia, Roraima e Tocantins. Possui uma extensão territorial de 3.853.669,77
km², representando 45,25% do território brasileiro, no entanto, apesar de sua vasta área
territorial a região não comporta uma densidade demográfica considerável (TCU, 2018).
Como observado na Tabela 1, os indicadores de água tratada, coleta de esgoto e lixo
por região apresenta maior concentração nas regiões sul, sudeste e centro-oeste do Brasil,
enquanto as regiões que historicamente possuem as maiores desigualdades sociais e
econômicas (Norte e Nordeste) apresentam, relativamente, as piores notas. A Região Norte
é a que apresenta o pior índice sanitário em relação às outras regiões do país, que quando
observado a região por dentro, percebe-se que o estado de Rondônia tem a pior distribuição
de água tratada (37,64%) e coleta de esgoto (22,17%), enquanto o Pará, a pior distribuição
de coleta de lixo da região norte (67,98%).
Os estados com a melhor distribuição de água tratada na Região Norte são Roraima
(79,34%) e Tocantins (78,35%), enquanto Amazonas (40,21%) e Roraima (42,22%)
apresentam a melhor distribuição de coleta de esgoto. O estado do Amapá (88,81%) e
Tocantins (76,11%) apresentam a melhor distribuição de coleta de lixo, sendo os estados da
região norte com melhor Índice Firjan de Desenvolvimento Municipal (IFDM), Roraima (0,698)
e Tocantins (0,702), enquanto Pará (0,515) e Amapá (0,577) apresentam o pior IFDM saúde.

Tabela 1: Distribuição das variáveis socioeconômicas por região e estados da região

norte do Brasil em 2010.
População Água Esgoto Lixo
IFDM
Total População % População % População %
Por Estado da Região Norte
AC 728610 332595 45.65% 244160 33.51% 518753 71.20% 0.5803
AM 3463804 2176642 62.84% 1392951 40.21% 2588785 74.74% 0.5790
AP 664409 368617 55.48% 147949 22.27% 590048 88.81% 0.5774
PA 7524921 3537405 47.01% 2189666 29.10% 5115080 67.98% 0.5152
RO 1544220 581175 37.64% 342295 22.17% 1113050 72.08% 0.6451
RR 446404 354165 79.34% 188494 42.22% 339079 75.96% 0.6982
TO 1374575 1076913 78.35% 387293 28.18% 1046166 76.11% 0.7022
Por Região
Norte 15746943 8427512 53.52% 4892808 31.07% 11310961 71.83% 0.5691
Nordeste 52773819 39720159 75.26% 22766035 43.14% 38455817 72.87% 0.6389
Centro-Oeste 13936359 11354585 81.47% 7062805 50.68% 12487515 89.60% 0.7849
Sudeste 79799898 71735421 89.89% 68334799 85.63% 75528630 94.65% 0.8075
Sul 27204377 23122501 85.00% 19160750 70.43% 24819974 91.24% 0.8379
Brasil 189461396 154360178 81.47% 122217197 64.51% 162602897 85.82% 0.7435
Brasil sem
Norte 173714453 145932666 84.01% 117324389 67.54% 151291936 87.09% 0.7593
Fonte: Elaboração própria a partir do Censo IBGE 2010 e Firjan.

Esses dados são preocupantes, uma vez que se parte da premissa do modelo teórico
metodológico, que essas variáveis são determinantes das iniquidades e desigualdades da
saúde, logo, acredita-se que os Estados que apresentam tais indicadores podem também
apresentar sérios problemas quanto ao acesso à saúde (BUSS, PELLEGRINI FILHO, 2012;
(SUBRAMANIAN, BELLI, KAWACHI; 2002).
Na Figura 1 são apresentadas as distribuições dos valores das 4 variáveis avaliadas
ao longo dos 449 municípios da região Norte. A Figura 1A, mostra que o IFDM saúde não está
distribuído de forma aleatória na região, com concentração do indicador com valor
relativamente mais elevado no Estado do Tocantins, e, em parte dos estados de Roraima e
Rondônia. Para estes, o indicador supera 0,64 que indica que a saúde se encontra em
desenvolvimento moderado. Dentre eles, destaca-se o estado do Tocantins, com a maior nota
(0,70). O estado do Pará é o mais populoso da região (Tabela 1) e é aquele, cujo indicador
reflete, relativamente, a menor nota de desenvolvimento em saúde (0,51).

Figura 1. Distribuição dos valores ao longo dos municípios da região Norte para as
variáveis IFDM saúde (A); Coleta de lixo (B); Abastecimento de água (C) e, Acesso a
esgoto sanitário (D).

No que se refere a distribuição espacial da coleta de lixo na região, (Figura 1B)

percebe-se que ela está presente com maior intensidade (cor mais escura) em mais estados
da região, porém, de forma concentrada em alguns estados. No Tocantins, 76,11% da
população têm acesso à coleta de lixo, porém, percebe-se que ela se intensifica na faixa que
corta o Estado no sentido sul/norte que reflete o desenho da BR 153, onde estão situadas e
avizinhadas as maiores cidades do Estado (OLIVEIRA, 2018). O Amapá é aquele que
apresentou o maior acesso a coleta de lixo, onde 88,8% da população tem acesso a esse
serviço, porém, deve-se ressaltar, que o mesmo é o segundo menor em população (664.409
mil habitantes).
Os mapas mostram que a variável água tratada (Figura 1C) está melhor distribuída
espacialmente em toda a região, destacando-se os estados de Rondônia e Acre como os que
detêm a maior parcela da população sem acesso a ela. Os estados de Roraima e Tocantins
se destacam como os que a boa parte da população (79,34% e 78,35%) tiveram acesso à
água tratada em 2010. O Estado do Amazonas, neste período, tem a segunda maior
população da região e 62,84% dela teve acesso à água tratada. A variável esgoto (Figura 1D),
é aquela onde se percebe a pior distribuição espacial na região em 2010, onde nenhum estado
conseguiu garantir o acesso a 50% da sua população.
Como mostra o modelo teórico metodológico de Whitehead (BUSS, PELLEGRINI
FILHO, 2012), as doenças são determinadas por várias dimensões, e, neste trabalho,
observa-se as variáveis associadas ao acesso a alguns serviços básicos que melhoram a
qualidade de vida das pessoas. Segundo dados do SIDRA (2016) as internações hospitalares
por doenças relacionadas ao saneamento ambiental inadequado no ano de 2016, mostraram
que a região Norte lidera o número de internações de praticamente todas as categorias de
doenças que se originam da falta de saneamento básico, de coleta de lixo e de água tratada.
Na mesma plaina, em relação a doenças transmitidas feco-oral 278,8 casos em 100 mil
habitantes foram registradas na região Norte, o mesmo indicador nas regiões Nordeste e
Sudeste, foram respectivamente, 228,1 e 50,1 em 100 mil habitantes, sendo esta última, a
região com menor incidência de internações hospitalares.
Internações relacionadas a doenças transmitidas por inseto vetor são elevadas no
Centro-Oeste 54,6 casos em 100 mil habitantes, nas regiões Norte 43,6 e Nordeste 51,2 casos
em 100 mil habitantes, apresentando menor incidência na região Sul com 11,6 casos em 100
mil habitantes. Doenças transmitidas pelo contato com a água possuem maior incidência nas
regiões Sul 3,1 e Norte 1,3 casos em 100 mil habitantes, enquanto a região Centro-Oeste
apresenta 0,3 casos em 100 mil habitantes, sendo a menor quantidade de internações em
função desse problema (SIDRA, 2016).
Em relação a internações devido a má higiene, o nordeste lidera, seguido do norte e
sul do Brasil. As internações devido a geo-helmintos e teníases é mais incidente na região
norte e menor no Centro-Oeste. (SIDRA, 2016). Estudos feitos para municípios e estados
brasileiros mostram que o manejo inadequado de resíduos sólidos gera externalidades
negativas, e, pode-se dizer que internações é uma dentre muitas que estão associadas a ela
(MOURA, LANDAU, FERREIRA, 2016; BATISTA, 2016).
As variáveis estão positivamente, com valores moderados, e significativamente
correlacionadas (p<0,001) com o IFDM saúde, que é o indicador de qualidade da saúde básica
das populações dos municípios no ando de 2010, (coleta de lixo, 0,4954, saneamento, 0,3662
e água tratada, 0,3127).
No que se refere aos dados do produto interno bruto da região Norte (IBGE, 2010),
este teve um crescimento real entre 2010 e 2019 de 32,71% enquanto que o crescimento real
para o Brasil foi de 12,55%. Considerando os sete estados da região, 79,96% do PIB da região
Norte advém dos estados do Pará, Amazonas e Rondônia, com participação de 41,65%,
26,98% e 11,33%, respectivamente. A contribuição dos demais estados ao PIB da região
Norte está condicionada a apenas um dígito, onde, dentre esse grupo, destaca-se o estado
do Tocantins com 8,70%. Quando se observa os dados do Tocantins em termos globais,
percebe-se que há uma mudança de padrão, tendo em vista que o Estado não está entre os
mais ricos da região, porém, é aquele que apresenta, relativamente, os melhores indicadores
relacionados à saúde e seus determinantes. A região Norte apresenta algumas similaridades
geográficas, culturais e sociais, porém, há que se reconhecer que as variáveis associadas às
doenças se expressam pelas suas respectivas paisagens e características geográficas que
se diferenciam no espaço (CONFALONIERI, 2005). Nesta linha, acredita-se que o Tocantins,
dada a sua localização no espaço amazônico, se beneficia pelo menos, no que tange às
questões epidemiológicas.

4.2 – Análise exploratória dos dados espaciais da região Norte

Nesta seção será analisada a distribuição espacial das variáveis saneamento básico,
coleta de lixo, água tratada e IFDM saúde na região Norte do Brasil. A análise espacial mostra
o grau de associação entre a mesma variável no espaço geográfico e as estimativas do índice
Moran estão apresentadas na Tabela 2. As estimativas para todas as variáveis foram positivas
e considerando o nível de significância estatístico de 5%, todas as correlações são
significativas. As variáveis IFDM saúde e água tratada apresentaram um IM relativamente
maior dentre as variáveis 0.4362 e 0.4625, respectivamente. Isso significa que, relativamente,
há uma dependência espacial entre os municípios que detêm os melhores indicadores, ou
seja, existe autocorrelação positiva entre essas variáveis em municípios desta região e que
ela é estatisticamente significativa. Por outro lado, para as demais variáveis, o IM foi
relativamente baixo, a exemplo do saneamento básico que foi próximo a zero, denotando uma
menor dependência espacial. Desse modo, pode-se aferir que, dada a distribuição espacial
dessa variável com pouca dependência, há uma baixa similaridade na variável saneamento
básico para o conjunto dos municípios da região.

Tabela 2: Índice Morin para os municípios da Região Norte do Brasil (2010)

Variável I Moran p-valor

IFDM saúde 0.43616 <0.001

Coleta de lixo 0.18262 <0.001

Água tratada 0.46250 <0.001

Saneamento básico 0.06621 0.014

Fonte: elaboração própria a partir dos dados do IBGE (2010 com acesso em 2023)

Giatti (2007) faz uma discussão sobre a relação entre os indicadores de saúde da
Amazônia e o precário acesso da população ao saneamento básico e demais variáveis
ambientais, de deslocamento populacional de pequenas comunidades para as pequenas
cidades, a proximidade com a floresta e os processos de impactação de ambientes naturais,
além dos aspectos socioculturais que estão associados a uma cultura multissecular da região.
Os IM 's apresentados neste estudo são corroborados pelo estudo de Giatti (2007) e diante
disso, mostra que há ausência de políticas públicas transversais efetivas nesta região do
Brasil.
A Tabela 3 e a Figura 2 mostram, respectivamente, o número de clusters de municípios
da região Norte considerando as correlações locais (LISA) entre as variáveis estudadas e a
sua distribuição espacial de acordo com os Estados. Para o IFDM saúde houve a formação
de 100 clusters, sendo 47 do tipo (alto-alto) e 36 do tipo (baixo-baixo), que denotam uma
autocorrelação positiva. Para o primeiro caso, isso significa que há uma parcela significativa
de municípios com valores elevados para esta variável e que são circundados por vizinhos na
mesma situação. Para o segundo caso, há uma parcela também significativa de municípios
com baixo valor para variável e cujos vizinhos estão na mesma condição. Este resultado,
evidencia uma alta similaridade entre os municípios. Vale ressaltar que dos clusters do tipo
alto-alto (41) foram observados no Tocantins e os outros 6 clusters em Roraima (Figura 2A).
Nos clusters do tipo alto-alto observados no Tocantins, há uma concentração de municípios
no entorno da capital Palmas e de Araguaína, segunda maior cidade do Estado. Entre os 36
clusters do tipo baixo-baixo, observa-se 23 no Estado do Pará e 11 no Amazonas.

Tabela 3: Clusters de municípios à luz das correlações espaciais dos municípios da

Região Norte do Brasil em 2010

Tipo de Agrupamento Variáveis avaliadas

(Cluster)
IFDM saúde Coleta de lixo Água tratada Saneamento básico

Alto-Alto [High-High] 47 27 51 11

Alto-Baixo [High-Low] 10 8 3 1

Baixo-Alto [Low-High] 7 11 10 23

Baixo-Baixo [Low-Low] 36 20 50 2

Total 100 66 114 37

Fonte: elaboração própria a partir dos dados do IBGE (2010).

Para a variável acesso a água tratada, foram detectados 114 clusters significativos, e
em sua maioria, demonstrando a elevada similaridade na distribuição espacial entre os
municípios em que 51 estão classificados como alto-alto e 50 como baixo-baixo. Novamente,
à semelhança do observado para o IFDM, houve uma concentração dos clusters do tipo alto-
alto no Tocantins, onde dos 51 clusters 45 estão neste Estado (Figura 2C). Entre os clusters
do tipo baixo-baixo, 29 encontram-se em Rondônia (56% dos municípios do Estado), temos
também 20 clusters deste tipo no Pará e apenas 1 no Amazonas. Para os demais estados, a
autocorrelação não foi estatisticamente significativa, logo, infere-se que, à luz dos dados, há
uma distribuição espacial aleatória nos valores desta variável. Considerando que a saúde é
determinada por essas variáveis, é possível aferir que havendo concentração espacial do
indicador com autocorrelação espacial baixo-baixo, pode-se dizer que esses municípios estão
mais suscetíveis a ter indicadores de saúde relativamente inferior aos municípios que
compõem clusters com alta correlação positiva do tipo alto-alto.
Para as variáveis coleta de lixo e saneamento básico, ocorreu pouca formação de
clusters, quando comparado às variáveis anteriores, o que significa que para essas variáveis,
há, relativamente uma distribuição espacial mais aleatória entre os municípios. Para coleta de
lixo, observa-se 47 clusters, 27 do tipo alto-alto e 20 do tipo baixo-baixo (Tabela 3),
evidenciando uma correlação positiva para esta variável. Além disso, percebe-se uma
distribuição espacial menos concentrada dos clusters quando comparados ao ocorrido com
IFDM e Água tratada, para a variável os clusters alto-alto foram observados nos estados do
Tocantins, Amapá, Pará e Rondônia com 17, 6, 3 e 1 clusters, respectivamente. Entre os 20
agrupamentos que expressam correlação positiva do tipo baixo-baixo, temos apenas Pará
com 11 e Amazonas com 9 (Figura 2B).
 No que diz respeito a variável saneamento básico, a Figura 2D mostra que o LISA para
o estado do Tocantins, apresentou dois clusters: um formado por autocorrelação positiva alto-
alto e outro com correlação negativa baixo-alto. Isso mostra que no primeiro caso, existem
municípios com valores elevados de acesso a saneamento circundados por outros na mesma
situação, logo há uma relação de dependência espacial entre os mesmos. Foi possível
observar clusters evidenciando autocorrelação espacial negativa (baixo/alto) nos estados do
Tocantins (12), Roraima (4), Pará (4), Amazonas (2) e Rondônia (1) (Figura 2D). No Acre se
observou um cluster com autocorrelação positiva (alto-alto). No estado do Pará se observaram
também dois pequenos clusters com alta correlação positiva do tipo baixo-baixo. Isso significa
dizer que neste estado os municípios onde uma parcela da população não tem acesso ao
saneamento básico, tem como vizinhos, municípios na mesma situação.
Rodrigues, Verson e Da Câmara (2019) realizaram um estudo para aferir a distribuição
espacial de acesso aos serviços básicos de saneamento para as microrregiões brasileiras e
mostraram que a região norte foi a região que mais apresentou clusters com alta correlação
espacial negativa do tipo alto-baixo e baixo-alto, ou seja, as microrregiões destes estados com
alto valor para a variável em questão com seus vizinhos apresentando baixo valor e vice-
versa.

Figura 2. Mapas de Cluster LISA para as variáveis IFDM saúde (A); Coleta de lixo (B);
Abastecimento de água (C) e, Acesso a esgoto sanitário (D).
5- CONCLUSÃO

A região Norte vem sendo objeto de estudo desde muitos anos, e, apesar de pouca
efetividade, diversas políticas públicas foram desenvolvidas para mitigar as desigualdades
inter-regionais. Desde os estudos de saúde que marcam a contemporaneidade, muitos
projetos públicos foram feitos com o objetivo de organizar planos de intervenção sanitária para
a região (CONFALONIERI, 2005).
Este trabalho tem como base o modelo teórico-metodológico apresentando por Buss
e Pellegrini Filho (2012) e desenvolvido por Dahlgren e Whitehead que buscou compreender
as desigualdades e iniquidades da saúde à luz de quatro camadas que envolvem as
características individuais, coletivas, sociais, econômicas e culturais, e, dentre as camadas,
buscou-se analisar variáveis pertencentes a camada social (qualidade de vida) que envolvem
saneamento, coleta de lixo e água tratada.
Os dados coletados e analisados à luz da análise espacial mostram que a distribuição
destas variáveis no espaço estão padronizadas e são dependentes, logo, pode-se dizer que
a distribuição não é aleatória. No que tange a análise descritiva, se percebeu que os estados
do Pará, Amazonas e Rondônia são aqueles que aparecem com a maior participação no PIB
do Estado, porém, não são eles que apresentam as melhores notas para o IFDM saúde, para
o acesso a água tratada, a coleta de lixo e ao saneamento básico.
Quanto ao aspecto da análise espacial, o índice Moran (IM) mostrou que o IFDM saúde
e água tratada para os municípios da região, estão relativamente mais concentrados no
espaço, ou melhor dizendo, uma distribuição espacial menos aleatória. Quanto à formação de
clusters, se percebeu que existem muitos deles na região, no entanto, o Tocantins concentra,
relativamente, a maior parte, especialmente, aqueles que expressam correlação espacial
positiva do tipo alto-alto. Isso significa dizer que os municípios apresentam, comparado com
os dos demais estados, valores elevados e estão próximos dos que apresentam valores altos.
O indicador Lisa foi calculado e os dados reforçaram a tendência à formação de clusters na
região.
Os dados analisados estão defasados em 13 anos por falta de informações oficiais
que cubram todos os municípios da região Norte, porém, eles apontam tendências que podem
contribuir para melhorar a compreensão do território amazônico. Além disso, os dados aqui
apresentados abrem uma lacuna para apresentar, não somente que nesta região há alta
concentração espacial das variáveis, o que não é positivo, mas, sobretudo, entender o porquê
da sua existência. Dessa forma, sugere-se que mais trabalhos sejam feitos com vistas a
melhorar a compreensão das causas, que, ao serem descobertas, possam contribuir para a
solução dos problemas.

6- BIBLIOGRAFIA

ALMEIDA, E; Econometria espacial aplicada. Ed. Alínea, Campinas-SP, 2012.

ANSELIN, L; BERA, A; Spatial dependence in linear regression models with an introduction to
spatial econometrics. In: Hanndbook of applied economic statistics. New York, 1998.
AVELINO, Bruna Camargos; BRESSAN, Valéria Gama Fully; CUNHA, Jacqueline Veneroso
Alves. Estudos sobre os fatores contábeis que influenciam o Índice Firjan de
Desenvolvimento Municipal (IFDM) nas capitais brasileiras. Brasília: Revista de educação
e pesquisa em contabilidade, 1 set. 2013. Disponível em:
https://www.repec.org.br/repec/article/view/993. Acesso em: 08 maio 2023.
BARATA, Rita Barradas. Como e por que as desigualdades sociais fazem mal à saúde.
1° ed. Rio de Janeiro: Editora Fiocruz, 2009. 120 p.
BATISTA, C. S. Doenças diarreicas agudas relacionadas ao saneamento básico no Estado
de Pernambuco no período de 2008 a 2014. 2016. 63 f. Dissertação (Mestrado em Gestão e
Economia da Saúde) – Centro de Ciências Sociais e Aplicadas, Programa de Pós - graduação
em Gestão e Economia da Saúde, Universidade Federal de Pernambuco, Recife, 2016.
Bivand, Roger. Wong, David W. S. Comparing implementations of global and local indicators
of spatial association TEST, 27(3), 716-748. 2018. URL https://doi.org/10.1007/s11749-018-
0599-x
Bivand, Roger. R Packages for Analyzing Spatial Data: A Comparative Case Study with Areal
Data. Geographical Analysis, 54(3), 488-518. 2022 URL https://doi.org/10.1111/gean.12319
BRAMBILLA, M. et al. Desenvolvimento municipal e Programa Bolsa Família no Brasil: uma
análise espacial. Revista Espacios, v. 38, n. 39, p. 13-29, 2017.
CÂMARA, Gilberto; MONTEIRO, Antônio Miguel; FUCKS, Suzana Druck; CARVALHO, Marilia
Sá. Análise espacial e geoprocessamento. São José dos Campos, SP: Instituto Nacional
de Pesquisas Espaciais – INPE, 2002. Disponível em:
https://www.academia.edu/510127/An%C3%A1lise_espacial_e_geoprocessamento. Acesso
em: 02 maio 2023.
CONFALONIERI, Ulisses EC. Saúde na Amazônia: um modelo conceitual para a análise de
paisagens e doenças. Estudos avançados, v. 19, p. 221-236, 2005.
COSTA, Marcelo Ferreira. Os impactos do saneamento básico nos estados brasileiros
sobre os indicadores dominantes de saúde. FGV Repositório Digital, Brasil, p. 41, 27 jun.
2013. Disponível em: http://hdl.handle.net/10438/11210. Acesso em: 23 março 2023.
DA SILVA, Leandro Nunes Soares; BORGES, Murilo José; PARRÉ, José Luiz. Distribuição
espacial da pobreza no Paraná. Revista de Economia, v. 39, n. 3, 2013.
FERREIRA, B. C. Concepção de metodologia de análise espacial para suporte à decisão
estratégica e militar. Dissertação de mestrado em geografia. Departamento de Geografia.
UnB, Brasília, 2007.
FREITAS, Carlos Machado de; GIATTI, Leandro Luiz. Indicadores de sustentabilidade
ambiental e de saúde na Amazônia Legal, Brasil. Cadernos de Saúde Pública, v. 25, p. 1251-
1266, 2009.
GIATTI, L. L; CUTOLO, S. A. Acesso à água para consumo humano e aspectos de saúde
pública na Amazônia Legal. Ambiente & sociedade, v. 15, p. 93-109, 2012.
GIATTI, Leandro Luiz. Reflexões sobre água de abastecimento e saúde pública: um estudo
de caso na Amazônia brasileira. Saúde e Sociedade, v. 16, p. 134-144, 2007.
IBGE (Rio de Janeiro). Governo Federal. Pesquisa Nacional de Saúde 2019: Informações
sobre domicílios, acesso e utilização dos serviços de saúde. Rio de Janeiro, 2020.
Disponível em: http://www.rio.rj.gov.br/dlstatic/10112/4440720/4373682/PNS2019.pdf.
Acesso em: 01 maio 2023.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Disponível em:
https://www.ibge.gov.br/explica/tamanhos-dos-municipios/. Acesso em: 01 de maio. 2023.
IPEADATA (Brasil). Instituto Brasileiro de Geografia e Estatística - IBGE. PIB Estadual:
Preços de mercado. Brasil: Ipeadata, 20 dez. 2022. Disponível em:
http://www.ipeadata.gov.br/Default.aspx. Acesso em: 15 abril 2023.
LEITE, S. D. Análise da distribuição espacial da pobreza na região norte do Brasil. Revista
Economia e Desenvolvimento, v. 15, n. 2, p. 215-231, 2017.
MACIEL, Jacques Antonio Cavalcante; CASTRO-SILVA, Igor Iuco; FARIAS, Mariana
Ramalho de. Análise inicial da correlação espacial entre a incidência de COVID-19 e o
desenvolvimento humano nos municípios do estado do Ceará no Brasil. Revista brasileira
de epidemiologia, v. 23, 2020.
MOURA, L.; LANDAU, E. C; FERREIRA, A. M. Doenças Relacionadas ao Saneamento
Ambiental Inadequado no Brasil. In: LANDAU, E. C; MOURA, L. Variação geográfica do
saneamento básico no Brasil em 2010: domicílios urbanos e rurais. (Ed.). Brasília: Embrapa,
2016, p. 189-211
OLIVEIRA, Nilton Marques. Transição do Norte de Goiás ao território do estado do Tocantins.
Revista Tocantinense de Geografia, v. 7, n. 12, p. 53-82, 2018.
PAIM, Jairnilson Silva. O que é o SUS. 1°. ed. Rio de Janeiro: Editora Fiocruz, 2009. 148 p.
REINALDO, W.T. Painel de indicadores para os municípios do Tocantins abordagem a partir
dos índices Firjan de desenvolvimento municipal e Firjan de gestão fiscal. Dissertação de
mestrado. Programa de Mestrado Profissional em Administração Pública (PROFIAP). UFT,
Palmas, 2021.
RODRIGUES, Karla Cristina Tyskowski Teodoro; VENSON, Auberth Henrik; DA CAMARA,
Marcia Regina Gabardo. Distribuição espacial do acesso aos serviços de saneamento básico
nas microrregiões brasileiras de 2006 a 2013. Revista brasileira de gestão e
desenvolvimento regional, v. 15, n. 1, 2019.
ROMERO, Julio A. R. “Análise espacial da pobreza municipal do estado de Minas Gerais –
1991-2000.” ANAIS do XIV Encontro Nacional de Estudos Populacionais, ABEP,
Caxambu. 2006.
SIDRA (Brasil). Instituto Brasileiro de Geografia e Estatística - IBGE. Tabela 898: Internações
hospitalares por doenças relacionadas ao saneamento ambiental inadequado, total e
segundo as categorias de doenças. Brasil: Sistema IBGE de Recuperação Automática -
SIDRA, 2016. Disponível em: https://sidra.ibge.gov.br/tabela/898#resultado. Acesso em: 11
maio 2023.
SUBRAMANIAN, Sankaran Venkata; BELLI, Paolo; KAWACHI, Ichiro. The macroeconomic
determinants of health. Annual review of public health, v. 23, n. 1, p. 287-302, 2002.
TEIXEIRA, K. H. Uma análise espacial da pobreza no Estado de Alagoas. Redes. Revista do
Desenvolvimento Regional, v. 25, n. 2, p. 2668-2692, 2020.
TRIBUNAL DE CONTAS DA UNIÃO (Brasília). República Federativa do Brasil. Relatório
Desenvolvimento Sustentável Norte 2030: Visão geral, desafios, governança da atuação
estatal em prol do desenvolvimento sustentável da região, recursos disponíveis, ação
estatal e do controle externo para suplantar os desafios existentes. Brasília: Portal
Tribunal de Contas da União, 2018. Disponível em:
https://portal.tcu.gov.br/data/files/64/E7/97/8E/1933071076A7C107E18818A8/Fisc_Norte_rel
atorio_desenvolvimento_sustentavel_2030.pdf. Acesso em: 10 maio 2023.