| Código | Descrição |
|---|---|
| 1 | Endereço (coordenada original do Censo 2022) |
| 2 | Endereço (coordenada modificada, apartamentos em mesmo número/face) |
| 3 | Endereço (coordenada estimada) |
| 4 | Face de quadra |
| 5 | Localidade |
| 6 | Setor censitário |
10 CNEFE
10.1 Introdução
Para o IBGE, saber onde as pessoas estão é condição para fazer pesquisas. É preciso localizar os informantes, controlar operações de campo, selecionar amostras e enviar questionários. Sem um cadastro de endereços atualizado e abrangente, essas atividades simplesmente não funcionam. O Cadastro Nacional de Endereços para Fins Estatísticos (CNEFE) é a resposta institucional do IBGE a esse problema.
O CNEFE vai além de ser um instrumento interno do instituto. Governos, empresas e pesquisadores utilizam seus dados para planejar pesquisas amostrais, localizar serviços, avaliar a cobertura de equipamentos públicos, apoiar a defesa civil em emergências climáticas e subsidiar estudos científicos. Além de apoiar o planejamento das pesquisas amostrais do próprio IBGE (ex.: PNAD-C), tem sido bastante utilizado desde a década de 2010 como quadro amostral para seleção aleatória de residências em pesquisas domiciliares no contexto do planejamento de transportes, também conhecidas como Pesquisas Origem-Destino (OD). Vale salientar, por exemplo, o seu uso nas pesquisas OD das regiões metropolitanas de São Paulo (RMSP) e de Salvador (RMS).
Além disso, quando enchentes devastaram o Rio Grande do Sul em 2024, o CNEFE foi uma das ferramentas mobilizadas para identificar endereços em áreas alagadas e apoiar as ações de socorro. O mesmo ocorreu nas tragédias de Brumadinho-MG (2019) e São Sebastião-SP (2023). Nesses casos, é possível dimensionar os impactos nas regiões afetadas ao sobrepor as zonas atingidas às coordenadas dos estabelecimentos e domicílios.
Reconhecendo a importância de mais esse produto do Censo, este capítulo apresenta o CNEFE resultante do Censo Demográfico 2022, a versão mais completa e precisa já publicada, com cerca de 111 milhões de espécies e coordenadas para praticamente todas elas. Veremos como o cadastro é construído, o que ele contém e como acessá-lo e analisá-lo com R por meio do pacote cnefetools.
O CNEFE tem origem em 2005, quando o instituto formalizou o cadastro como produto permanente, criando um padrão unificado de registro e atribuindo à Gerência do Cadastro de Endereços a responsabilidade por sua manutenção. A partir daí, o CNEFE foi progressivamente aprimorado a cada operação censitária. Em 2007, serviu de insumo para a Contagem Populacional. Em 2010, passou por melhorias significativas, sendo associado pela primeira vez aos mapas digitais e tendo seus dados divulgados publicamente, apesar de com geocodificação restrita às áreas rurais. Em 2017, acompanhou o Censo Agropecuário e, em 2022, o cadastro deu um salto qualitativo importante, pois, pela primeira vez, todos os endereços registrados receberam coordenadas geográficas individuais, tornando o CNEFE 100% georreferenciado. A seção seguinte detalha como essa coleta foi conduzida e como as coordenadas foram validadas e corrigidas.
10.2 Aspectos metodológicos da coleta
O CNEFE de 2022 é resultado direto do trabalho dos cerca de 183 mil recenseadores que percorreram o território brasileiro durante a realização do Censo. Para cada setor censitário, o recenseador carregava em seu dispositivo móvel uma lista prévia de endereços, construída a partir de operações anteriores do IBGE. Essa lista continha cerca de 89 milhões de registros.
Ao percorrer o setor, o recenseador tinha três tarefas em relação a cada endereço da lista prévia:
- Confirmar os endereços que ainda existiam (81,5% dos registros prévios foram confirmados);
- Incluir endereços novos que não constavam da lista (34 milhões de registros foram adicionados em campo, representando 31,8% da lista final);
- Excluir endereços que deixaram de existir ou haviam sido incluídos indevidamente (18,5% dos registros prévios foram excluídos).
O resultado final foi uma lista de 106 milhões de endereços, cobrindo a totalidade dos setores censitários do país. É importante frisar que a tabela do CNEFE consiste em registros por espécie (a finalidade de uso da unidade associada ao endereço), e não por endereço. Isso ocorre porque um mesmo endereço pode abrigar mais de uma espécie ao mesmo tempo. Por exemplo, um terreno com uma casa e uma edificação em construção nos fundos ou um domicílio e estabelecimento que coexistem numa mesma unidade. Por isso, o número total de espécies (111 milhões) é maior que o número de endereços (106 milhões).
A novidade mais importante do CNEFE 2022 em relação às edições anteriores é que todos os endereços, não apenas os rurais, receberam coordenadas geográficas individuais. Isso foi possível graças ao uso de dispositivos móveis de coleta equipados com receptor GNSS (Global Navigation Satellite System). Para cada endereço confirmado ou incluído, o aplicativo de coleta exigia três tentativas de captura das coordenadas antes de permitir que o recenseador prosseguisse. As coordenadas eram registradas automaticamente pelo dispositivo e transmitidas ao sistema de acompanhamento do IBGE, o que permitia supervisionar a cobertura territorial em tempo real.
A precisão das coordenadas depende das condições locais de coleta. Em situação ideal, onde não há qualquer tipo de obstáculo para obtenção do posicionamento, o erro quadrático médio (EQM) do receptor GNSS embarcado foi estimado em 5,84 metros. Em condições normais de campo, com edificações horizontais e áreas rurais, o erro chegou a 11,71 metros. Em condições adversas, como áreas com edificações verticais densas, vielas estreitas ou restrições de acesso (como condomínios fechados), o erro pode superar esse valor ou mesmo impossibilitar a captura.
Após a coleta, as coordenadas passaram por um processo de validação, padronização e estimação. Os setores censitários foram agrupados em quatro categorias com critérios distintos de aceitação, refletindo diferenças na organização espacial e na densidade de edificações:
- Grupo 1: setores urbanos com alta densidade de edificações ou núcleos urbanos
- Grupo 2: setores urbanos com baixa densidade ou aglomerados rurais (exceto indígenas)
- Grupo 3: setores rurais (exceto aglomerados rurais)
- Grupo 4: aglomerados rurais do tipo agrupamento indígena
Para cada grupo, foram definidas distâncias máximas de aceitação das coordenadas em relação ao contorno do setor censitário e, onde aplicável, à face de quadra associada ao endereço. Para os setores urbanos (Grupos 1 e 2), o limite foi de até 500 metros do contorno do setor. Já para setores rurais (Grupo 3), o limite em relação ao setor foi de 1.000 metros, enquanto para agrupamentos indígenas (Grupo 4) o limite chegou a 10.000 metros, dada a maior dificuldade de acesso e as imprecisões cartográficas nesses territórios. O Grupo 1 contou ainda com um critério complementar, no qual a coordenada não podia estar a mais de 1.000 metros da face de quadra do endereço.
Um tratamento especial foi aplicado aos apartamentos. Como unidades de um mesmo edifício geram coordenadas naturalmente próximas e com variação aleatória introduzida pelo GNSS, o IBGE substituiu as coordenadas individuais pela mediana do conjunto de unidades com coordenadas válidas no mesmo número e face de quadra. Para edifícios com blocos identificados no complemento, o agrupamento considerou também o bloco, de modo que diferentes torres do mesmo empreendimento recebessem coordenadas distintas. Esse procedimento gerou 6 milhões de coordenadas classificadas como “modificadas” (nível 2).
Para as coordenadas inválidas ou ausentes, o IBGE aplicou uma cadeia de estimações em ordem decrescente de precisão, diferenciada por tipo de setor. Nos setores urbanos e de aglomerados rurais, as regras foram, em ordem de prioridade: (i) mediana das coordenadas capturadas pelo recenseador durante a aplicação do questionário naquele endereço; (ii) mediana das coordenadas de outros endereços do setor com mesmo número, mesmo logradouro e mesma face de quadra; (iii) coordenada registrada em operação censitária anterior para o mesmo endereço, desde que confirmado no Censo 2022; (iv) ponto médio da linha da face de quadra associada ao endereço; e (v) centroide do setor censitário. Nos setores rurais, onde não há organização por faces de quadra, as regras priorizaram a localização do recenseador durante a entrevista e coordenadas de endereços vizinhos no percurso. Ao final, 747 mil coordenadas foram estimadas e classificadas no nível 3, e apenas 358 mil (0,32% do total) ficaram em níveis inferiores ao endereço (face de quadra, localidade ou setor).
O resultado desse processo é representado pelo campo NV_GEO_COORD, que classifica cada registro em um de seis níveis:
Os resultados, em geral, confirmam a alta qualidade posicional do CNEFE 2022. De fato, 99,68% dos 111 milhões de registros foram geocodificados ao nível do endereço. Desses, 93,8% mantiveram a coordenada original coletada em campo, 5,5% receberam coordenada modificada pelo procedimento de padronização de apartamentos e apenas 0,7% foram estimados. Apenas 0,32% do total ficou em níveis de precisão menor (face de quadra, localidade ou setor). Maiores detalhes sobre esse processo podem ser encontrados no documento metodológico do CNEFE (IBGE, 2024). Entendido o processo de obtenção e validação das coordenadas, o próximo passo é compreender o que o CNEFE contém e como seus campos se organizam.
10.3 Conteúdo e estrutura dos dados
A versão completa do CNEFE 2022 conta com 29 variáveis. Mencionaremos o significado de algumas delas nesta seção. Os campos se organizam em cinco grupos funcionais, conforme a Tabela 10.2:
| Grupo | Variáveis |
|---|---|
| Localização geográfica | COD_UF, COD_MUNICIPIO, COD_DISTRITO, COD_SUBDISTRITO, COD_SETOR, NUM_QUADRA, NUM_FACE |
| Endereço textual | NOM_TIPO_SEGLOGR, NOM_SEGLOGR, NUM_ENDERECO, DSC_MODIFICADOR, NOM/VAL_COMP_ELEM1-5, CEP, DSC_LOCALIDADE |
| Coordenadas | LATITUDE, LONGITUDE, NV_GEO_COORD |
| Espécie e uso | COD_ESPECIE, DSC_ESTABELECIMENTO, COD_TIPO_ESPECIE, COD_INDICADOR_ESTAB_ENDERECO, COD_INDICADOR_CONST_ENDERECO, COD_INDICADOR_FINALIDADE_CONST |
| Identificador | COD_UNICO_ENDERECO |
O grupo de localização geográfica vincula cada endereço à hierarquia territorial do IBGE. Os campos COD_UF a COD_SETOR identificam toda a hierarquia territorial, da unidade federativa ao setor censitário. NUM_QUADRA e NUM_FACE refinam essa localização dentro do setor, associando o endereço a uma quadra e a uma face específica, o trecho de logradouro entre duas esquinas consecutivas que pode ser percorrido pela calçada.
O grupo de endereço textual codifica os componentes do Padrão de Registro de Endereços adotado pelo IBGE (IBGE, 2022):
DSC_LOCALIDADE: nome da localidade onde o endereço está situado. Nas áreas urbanas corresponde ao bairro e, nas rurais, ao nome da região (povoado, assentamento, comunidade). Em territórios de povos tradicionais, inclui o prefixo de tradicionalidade, como “Aldeia Indígena” ou “Comunidade Quilombola”.NOM_TIPO_SEGLOGReNOM_SEGLOGR: tipo e nome do logradouro. O tipo indica a natureza da via (Rua, Avenida, Travessa, Estrada etc.) e eventualmente o título do homenageado (Doutor, Santa, Coronel etc.). O nome é a denominação própria do logradouro.NUM_ENDERECO: número que indica a posição da edificação no logradouro.DSC_MODIFICADOR: sufixo alfanumérico associado ao número, usado para diferenciar unidades com a mesma numeração (ex.: 1367 A, 1367 B) ou para indicar sistemas de numeração não oficiais, como os de companhias de energia ou saúde. O valor “SN” indica que o endereço não possui nenhuma numeração conhecida.NOM_COMP_ELEM1aNOM_COMP_ELEM5eVAL_COMP_ELEM1aVAL_COMP_ELEM5: até cinco pares de elemento e valor que individualizam a unidade dentro de uma edificação com múltiplas unidades. Os complementos seguem a hierarquia do mais abrangente ao mais específico (ex.: Bloco A, Apartamento 43; ou Quadra 7, Lote 37, Casa 2). Exemplos de elementos: bloco, apartamento, casa, sala, loja, fundos, sobrado.CEP: código de endereçamento postal de oito dígitos mantido pelos Correios, que pode referenciar um bairro, um logradouro, um trecho de logradouro ou, em casos específicos, um único edifício.
O campo COD_UNICO_ENDERECO é um identificador numérico único por endereço físico. Como um mesmo endereço pode gerar múltiplos registros no CNEFE (um por espécie), esse campo permite agrupar todas as espécies pertencentes a uma mesma localização.
Uma das variáveis mais relevantes para análises temáticas do CNEFE é COD_ESPECIE, que classifica cada registro segundo a finalidade de uso do endereço. São oito categorias, cobrindo desde domicílios particulares até edificações em construção, como indicado na Tabela 10.3:
| Código | Espécie | Total |
|---|---|---|
| 1 | Domicílio particular | 90,6 milhões |
| 2 | Domicílio coletivo | 104 mil |
| 3 | Estabelecimento agropecuário | 4,1 milhões |
| 4 | Estabelecimento de ensino | 264 mil |
| 5 | Estabelecimento de saúde | 247,5 mil |
| 6 | Estabelecimento de outras finalidades | 11,7 milhões |
| 7 | Edificação em construção ou reforma | 3,5 milhões |
| 8 | Estabelecimento religioso | 579,8 mil |
O campo DSC_ESTABELECIMENTO registra o nome do estabelecimento tal como coletado pelo recenseador, em texto livre e sem padronização, para todos os registros que não são domicílios particulares. Apesar disso, é útil para identificar tipos específicos de equipamentos por busca de palavras-chave, como hospitais, escolas ou igrejas de determinadas denominações.
O campo COD_TIPO_ESPECIE detalha o tipo de edificação dos domicílios particulares: casa (101), casa de vila ou em condomínio (102), apartamento (103) e outros (104). Para as edificações em construção, COD_INDICADOR_FINALIDADE_CONST indica o uso planejado: residencial (1), não residencial (2), misto (3) ou indeterminado (4). Já COD_INDICADOR_CONST_ENDERECO registra o número de unidades em construção no endereço, com categorias única, múltipla com até dez unidades, múltipla com mais de dez unidades e quantidade desconhecida.
Para estabelecimentos de ensino, saúde, religiosos e de outras finalidades, o campo COD_INDICADOR_ESTAB_ENDERECO registra quantas vezes a mesma espécie ocorre em um mesmo endereço, como consultórios e lojas em uma galeria comercial. As categorias são as mesmas: único, múltiplo com até dez, múltiplo com mais de dez e quantidade desconhecida.
Com os campos compreendidos, a seção seguinte mostra como acessar e explorar esses dados diretamente no R.
10.4 Explorando os dados do CNEFE em R
10.4.1 Leitura dos dados
O pacote cnefetools foi desenvolvido para facilitar o acesso e a análise do CNEFE no R (Pedreira Junior & Stabile, 2026). Ele já foi utilizado anteriormente no capítulo 7, sobre Agregados por Setor Censitário, quando produzimos as informações dos Agregados em outras unidades espaciais que não o setor censitário, por meio de uma operação de interpolação dasimétrica com apoio dos domicílios do CNEFE. Se ainda não o instalou, lembre-se de executar:
install.packages("cnefetools")Para explorar os dados do CNEFE, utilizaremos duas funções principais. read_cnefe() baixa os dados por município e faz sua leitura para uso imediato no R, enquanto cnefe_counts(), além de baixar e ler os dados do CNEFE, conta os tipos de espécie de endereço (Tabela 10.3) agregados em qualquer malha de polígonos de interesse. Algumas funções de apoio também acompanham o pacote, como cnefe_dictionary(), que abre o dicionário de dados em Excel, e cnefe_doc(), que abre a nota metodológica em PDF.
Vamos começar carregando o pacote cnefetools e os demais pacotes auxiliares necessários:
library(cnefetools)
library(geobr)
library(dplyr)
library(sf)
library(ggplot2)
library(mapview)A função read_cnefe() recebe o código IBGE do município e pode retornar dois tipos de objetos, a depender do argumento output. Caso output = "arrow" (default), será retornado um Arrow Table. Este formato é útil porque os arquivos do CNEFE costumam ser grandes nos municípios maiores (São Paulo-SP, por exemplo, possui mais de 5,6 milhões de coordenadas). Caso output = "sf", a função retorna um objeto sf com todos os registros do CNEFE como pontos geográficos em SIRGAS 2000, pronto para análises espaciais. Uma outra praticidade da função é o parâmetro cache = TRUE, que baixa os arquivos uma única vez e os relê nas execuções seguintes sem novo download.
Para carregar os dados de Porto Alegre-RS, como um arquivo geográfico, por exemplo, fazemos:
# Obtendo código IBGE de Porto Alegre com o geobr
poa_ibge <- lookup_muni("Porto Alegre")$code_muni
# Lendo o CNEFE de Porto Alegre:
poa_cnefe <- read_cnefe(
code_muni = poa_ibge,
cache = TRUE,
output = "sf"
)Com os dados carregados, podemos fazer uma contagem sumarizada dos registros por espécie, por exemplo. Para tanto, lançamos mão da função count() do dplyr, conforme o código abaixo:
poa_cnefe |>
sf::st_drop_geometry() |> # Remove geometria para processamento ficar mais leve
count(COD_ESPECIE) |>
mutate(
especie = case_when(
COD_ESPECIE == 1 ~ "Domicílio particular",
COD_ESPECIE == 2 ~ "Domicílio coletivo",
COD_ESPECIE == 3 ~ "Est. agropecuário",
COD_ESPECIE == 4 ~ "Est. de ensino",
COD_ESPECIE == 5 ~ "Est. de saúde",
COD_ESPECIE == 6 ~ "Est. de outras finalidades",
COD_ESPECIE == 7 ~ "Edificação em construção",
COD_ESPECIE == 8 ~ "Est. religioso"
),
perc_especie = round(100*(n/sum(n)),3)
) |>
select(COD_ESPECIE, especie, n, perc_especie) |>
knitr::kable(
col.names = c("Código", "Espécie", "Nº Registros", "Perc. Registros (%)"),
align = c("c","c","c","c"),
format.args = list(decimal.mark = ",")
)| Código | Espécie | Nº Registros | Perc. Registros (%) |
|---|---|---|---|
| 1 | Domicílio particular | 686846 | 90,109 |
| 2 | Domicílio coletivo | 833 | 0,109 |
| 3 | Est. agropecuário | 128 | 0,017 |
| 4 | Est. de ensino | 1194 | 0,157 |
| 5 | Est. de saúde | 1592 | 0,209 |
| 6 | Est. de outras finalidades | 61068 | 8,012 |
| 7 | Edificação em construção | 8627 | 1,132 |
| 8 | Est. religioso | 1951 | 0,256 |
10.4.2 Mapeando estabelecimentos específicos
Podemos explorar o CNEFE de inúmeras formas, inclusive aproveitando a coluna em texto aberto DSC_ESTABELECIMENTO preenchida pelos recenseadores no caso de estabelecimentos. Na aplicação abaixo, filtramos os registros com COD_ESPECIE == 5 (estabelecimentos de saúde) e, dentro deles, buscamos os que têm “hospital” no nome do estabelecimento por meio do campo DSC_ESTABELECIMENTO, com a ajuda da função grepl(). Na configuração abaixo, procuramos a palavra “hospital” em qualquer variação de maiúsculas e minúsculas, usando o argumento ignore.case = TRUE:
poa_saude <- poa_cnefe |>
filter(COD_ESPECIE == 5)
poa_hospitais <- poa_saude |>
filter(grepl("hospital", DSC_ESTABELECIMENTO, ignore.case = TRUE))Para visualizar a distribuição espacial, usamos o limite municipal de Porto Alegre como camada de fundo e sobrepomos os dois conjuntos de pontos:
poa_muni <- read_municipality(
code_muni = 4314902,
year = 2022,
simplified = FALSE
)
ggplot() +
geom_sf(data = poa_muni, fill = "grey95", color = "grey60", linewidth = 0.4) +
geom_sf(data = poa_saude, color = "steelblue", size = 0.6, alpha = 0.5) +
geom_sf(data = poa_hospitais, color = "firebrick", size = 1.5) +
theme_minimal() +
labs(
x = NULL, y = NULL,
caption = "Fonte: CNEFE 2022 (IBGE) | Pacote cnefetools"
)
NotaBuscas por texto no DSC_ESTABELECIMENTO
O campo DSC_ESTABELECIMENTO é texto livre coletado pelo recenseador. Isso significa que a mesma instituição pode aparecer grafada de formas diferentes em registros distintos (com abreviações, sem acentos ou com erros de digitação). Ao usar grepl() para filtrar por palavras-chave, vale testar variações da busca para não perder registros relevantes.
10.4.3 Agregando contagens espacialmente por tipo
Ao analisar a distribuição espacial de endereços, muitas vezes queremos trabalhar com recortes espaciais em vez de pontos individuais. A função cnefe_counts() resolve isso ao baixar os dados do CNEFE e agregá-los a células hexagonais H3 ou a polígonos fornecidos pelo usuário, retornando a contagem de registros por espécie em cada unidade espacial.
Os principais argumentos são:
code_muni: código IBGE do municípiopolygon_type:"hex"para grade hexagonal H3 ou"user"para polígonos personalizadosh3_resolution: resolução da grade H3 (padrão 9, células de aproximadamente 0,1 km²)polygon: objetosfcom os polígonos (obrigatório quandopolygon_type = "user")backend: motor de processamento, que pode ser"duckdb"(mais rápido, default) ou"r"(sem dependências extras)
O retorno é um objeto sf com oito colunas de contagem, uma por espécie (addr_type1 a addr_type8), além da geometria das células ou polígonos.
Para identificar padrões intra-urbanos de distribuição de equipamentos de ensino e religiosos em Porto Alegre, usamos a grade hexagonal H3 com resolução 8 (células de aproximadamente 0,7 km²). Antes de fazer os cálculos, precisamos agregar os dados:
poa_hex <- cnefe_counts(
code_muni = 4314902,
polygon_type = "hex",
h3_resolution = 8,
cache = TRUE,
verbose = FALSE
)Vamos visualizar nas figuras abaixo, por exemplo, as contagens de estabelecimentos de ensino (addr_type1) e estabelecimentos religiosos (addr_type8) geradas no código anterior e armazenadas em poa_hex:
poa_hex |>
ggplot() +
geom_sf(aes(fill = addr_type4)) +
scale_fill_distiller(palette = "Blues", direction = 1) +
labs(fill = "# Estabelecimentos\nde Ensino") +
theme_minimal()
poa_hex |>
ggplot() +
geom_sf(aes(fill = addr_type8)) +
scale_fill_distiller(palette = "Oranges", direction = 1) +
labs(fill = "# Estabelecimentos\nReligiosos") +
theme_minimal()
Observem que diversas análises podem ser realizadas com esses dados. Podemos, por exemplo, produzir índices comparativos entre usos distintos em determinadas regiões. No caso abaixo, calculamos a proporção de estabelecimentos de ensino em relação ao total de estabelecimentos de ensino e religiosos em cada célula. Células com valores próximos a 1 indicam predominância de ensino, já aquelas próximas a 0, predominância religiosa:
library(mapview)
poa_hex_ratio <- poa_hex |>
# Filtra somente os hexágonos com pelo menos um estabelecimento (ensino ou religioso):
filter((addr_type4 + addr_type8) > 0) |>
# Computa indicador de proporção de ensino:
mutate(prop_ensino = addr_type4 / (addr_type4 + addr_type8))
mapview(
poa_hex_ratio,
zcol = "prop_ensino",
layer.name = "Predominância de Ensino",
legend = TRUE
)Lembre-se de que é possível também produzir contagens para malhas espaciais além da H3 com a cnefe_counts(). No exemplo abaixo, utilizamos os bairros de Porto Alegre como unidades de contagem. Primeiro baixamos os bairros com read_neighborhood() do pacote geobr, filtrando pelo município:
poa_brr <- read_neighborhood(year = 2022, simplified = F) |>
filter(name_muni == "Porto Alegre")Posteriormente, usamos polygon_type = "user" e fornecemos o sf com os bairros como argumento polygon:
poa_brr_counts <- cnefe_counts(
code_muni = 4314902,
polygon_type = "user",
polygon = poa_brr
)Warning: Polygon coverage: "100.0%" of CNEFE points captured.
ℹ 762110 of 762239 points are within the provided polygon.
ℹ 129 points fell outside the polygon and were not counted.Mapeando o resultado:
mapview(
poa_brr_counts,
zcol = "addr_type1",
layer.name = "# Domicílios particulares"
)10.5 Exercícios
Cobertura de saúde em Salvador: Baixe os dados do CNEFE para Salvador (código 2927408) e filtre os estabelecimentos de saúde (
COD_ESPECIE == 5). Usecnefe_counts()com hexágonos para mapear a densidade desses estabelecimentos. Quais regiões da cidade apresentam menor concentração de equipamentos de saúde?Expansão imobiliária em Porto Alegre: Usando
COD_ESPECIE == 7(edificações em construção ou reforma), identifique as regiões de Porto Alegre com maior número de obras ativas. Filtre apenas as de finalidade residencial (COD_INDICADOR_FINALIDADE_CONST == 1) e mapeie sua distribuição. O padrão corresponde ao que você esperaria com base no conhecimento sobre a expansão urbana da cidade?Comparação entre cidades: Compare a razão entre estabelecimentos religiosos e de ensino em Belo Horizonte (3106200), Recife (2611606) e Porto Alegre (4314902). Use
cnefe_counts()com hexágonos e calcule, para cada cidade, a mediana da proporçãoaddr_type8 / (addr_type4 + addr_type8)entre os hexágonos com ao menos um estabelecimento de cada tipo. Qual das três cidades apresenta a maior proporção relativa de templos religiosos?