COVID 19 no estado de Pernambuco no Brasil – o que os dados têm a dizer?

Autores

  • Ana Paula Amazonas Soares
  • Eliane Aparecida Pereira de Abreu
  • Joed Freire Pereira da Silva
  • Paula Tarcimam G. Santos
  • Maurício Oliveira

DOI:

https://doi.org/10.34140/bjbv8n3-147

Palavras-chave:

aglomerados, COVID-19, dispêndios municipais, perfil municipal

Resumo

A intensificação do processo de globalização tem proporcionado, ao longo do tempo, aceleração na circulação de mercadorias, de ativos financeiros e de pessoas entre os diversos países. O fluxo mais intenso na movimentação de pessoas permite que a disseminação das doenças entre as diversas regiões ocorra com maior rapidez. Esta rapidez no processo de disseminação foi constatada recentemente com a A/H1N1 e a Covid-19. A Covid surgiu em Wuhan no final de 2019 e no primeiro semestre de 2020 já tinha espalhado pelos demais continentes do Planeta. No Brasil, a doença se intensificou em Março/2020 e em Pernambuco em Abril/2020. A trajetória da doença, expressa em número de casos e mortes para o Brasil e Pernambuco pode ser vista em análise de decomposição de séries temporais. Para avaliar o impacto da doença nos municípios do Estado de Pernambuco, foi realizada análises de aglomerados com dois conjuntos de dados com o objetivo de verificar a capacidade destas diferentes áreas atenderem a demanda de gastos gerada pela Covid-19. Foi aplicada a metodologia de aglomerados hierárquicos com distância de Pearson e ligações de Ward, cm dados dos perfis municipais anteriores à pandemia, dados do sistema de saúde e do dispêndio municipal com saúde e saneamento. Os resultados são exibidos em mapas e realizando comparações entre ambos agrupamentos com base na média de despesas. A conclusão é que com a introdução dos dados da COVID-19 ao perfil municipal, municípios movimentam-se entre grupos e nova estrutura de grupos é construída e os municípios terão de se adaptar a novos padrões de despesa. O resultado esperado seria que, com a introdução dos casos e mortes, a rearrumação dos municípios faria com que municípios migrassem para grupos com maior padrão de despesa. Entretanto, alguns municípios com alta e baixa participação no dispêndio, passam a participar de grupos com menor dispêndio.

Referências

ABERLAITZ, O.; GURRUTXAGA, I.; MUGUERZA, J.; PEREZ, J. M.; PERONA, I. An extensive comparative study of cluster validity indices. Pattern Recognition, v. 46, p. 243-256, 2013.

CENTERS FOR DISEASE CONTROL AND PREVENTION – CDC. 2009 H1N1 pandemic: burden of disease. 2020. Disponível em: https://www.cdc.gov/flu/pandemic-resources/burden-of-h1n1.html. Acessado em: 10 set. 2020.

COTA, W. COVID-19 Brasil: dados por município. 2020. Disponível em: https://covid19br.wcota.me/#municipio. Acessado em: 10 set. 2020.

FÁVERO, L. P.; BELFIORE, P. Análise de dados: técnicas multivariadas exploratórias com SPSS e Stata. São Paulo: Elsevier, 2015.

GALILI, T. dendextend: an R package for visualizing, adjusting, and comparing trees of hierarchical clustering. Bioinformatics, 2015. DOI: https://doi.org/10.1093/bioinformatics/btv428.

LATTIN, J. M.; CARROLL, J. D.; GREEN, P. E. Análise de dados multivariados. São Paulo: Cengage Learning, 2011.

LI, L.; PRAKASH, B. A. Time series clustering: complex is simpler! In: PROCEEDINGS OF THE 28TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 2011, Bellevue, WA. Proceedings [...]. Bellevue, WA, 2011.

LIAO, T. W. Clustering of time series data – a survey. Pattern Recognition, v. 38, p. 1857-1874, 2005.

ŁUCZAK, M. Hierarchical clustering of time series data with parametric derivative dynamic time warping. Expert Systems with Applications, v. 62, p. 116-130, 2016.

MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005.

MORETTIN, P. A.; TOLOI, C. M. C. Modelos para previsão de séries temporais. Rio de Janeiro: Instituto de Matemática Pura e Aplicada, 1981. (13º Colóquio Brasileiro de Matemática).

NAÇÕES UNIDAS. UNAIDS Data. 2020. Disponível em: https://aidsinfo.unaids.org/. Acessado em: 10 set. 2020.

NADIF, M.; GOVAERT, G. Cluster analysis. In: GOVAERT, G. (ed.). Data analysis. Hoboken: Wiley, 2010. Disponível em: ProQuest Ebook Central. Acessado em: 27 ago. 2018.

QGIS DEVELOPMENT TEAM. QGIS geographic information system. Open Source Geospatial Foundation Project, 2019. Disponível em: http://qgis.osgeo.org.

R CORE TEAM. R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2017. Disponível em: https://www.R-project.org/.

SECRETARIA DE PLANEJAMENTO DO ESTADO – SEPLAG. Corona dados. 2020. Disponível em: https://dados.seplag.pe.gov.br/apps/corona_dados.html. Acessado em: 19 ago. 2020.

SECRETARIA DO TESOURO NACIONAL – STN. Relatório anual 2018. Brasília, DF: Secretaria do Tesouro Nacional, 2020.

SHMUELI, G.; LICHTENDAHL JR., K. C. Practical time series forecasting with R: a hands-on guide. [S. l.]: Axelrod Schnall Publishers, 2015.

VELICER, W. F.; FAVA, J. L. Time series analysis. In: WEINER, I. B. (ed.). Handbook of psychology. v. 4, cap. 23, p. 581-606. Hoboken: Wiley, 2003.

WARD JR., J. H. Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, v. 58, p. 236-244, 1963.

WICKHAM, H. ggplot2: elegant graphics for data analysis. New York: Springer-Verlag, 2009.

WIKIPEDIA. Silhouette (clustering). 2016. Disponível em: https://en.wikipedia.org/w/index.php?title=Silhouette_(clustering)&oldid=749126445. Acessado em: 10 ago. 2019.

WORLD HEALTH ORGANIZATION – WHO. Emergencies: diseases. 2020. Disponível em: https://www.who.int/emergencies/diseases/en/. Acessado em: 10 set. 2020.

Downloads

Publicado

2026-09-24

Como Citar

Soares, A. P. A., Abreu, E. A. P. de, Silva, J. F. P. da, Santos, P. T. G., & Oliveira, M. (2026). COVID 19 no estado de Pernambuco no Brasil – o que os dados têm a dizer?. Brazilian Journal of Business, 8(3), e89437. https://doi.org/10.34140/bjbv8n3-147

Edição

Seção

Artigos