ANALYSIS OF SHARED STREETS Task C: Analysis of road space distribution and negative externalities generated by mode in São Paulo City Parceiros: Abril/2022 1 Centro de Inovação em Políticas Públicas – FGV Cidades Equipe do projeto: Coordenação geral: Pesquisadores: Ciro Biderman Bruna Pizzol Claudia Oshiro Coordenação executiva: David Escalante Sanchez Patrícia Alencar Silva Mello Diego Tomasiello Dustin Carlino Coordenadores de área: Gabriela Fischer Armani Claudia Acosta Gabriela Massuda Mariana Giannotti Gabriela Terentim Mariana Levy Gislene Pereira Frederico Roman Ramos Lucas Dias Cardoso German Freiberg Luiza Borges Robin Lovelace Taina Bittencourt Hannah Machado Taina Costa Sumi Mehta Tales Fontana Cunha Vitor Oliveira 1 Agradecimentos Agradecemos a Ana Waksberg Guerrini, Beatriz Moura dos Santos, Carlos Bellas Lamas, Gabriel Pereira Caldeira, Luca Di Biase, Maria Inês Garcia Lippe e Tais Fonseca de Medeiros pelos excelentes comentários e sugestões que aumentaram a qualidade do relatório de maneira substantiva. 2 SUMÁRIO Lista de Siglas ......................................................................................................................................... 5 Lista de Figuras ....................................................................................................................................... 7 Lista de Tabelas .................................................................................................................................... 10 1 Introdução ...................................................................................................................................... 13 2 Distribuição espacial da oferta do sistema viário por modo .......................................................... 20 2.1 Resumo de dados e métodos ............................................................................................... 20 2.2 Análise da distribuição das calçadas por condições mínimas de acesso............................. 22 2.3 Distribuição geral da oferta de espaço viário no MSP .......................................................... 27 2.4 Comparação entre oferta de espaço viário e demanda de viagens por modo ..................... 29 2.5 A distribuição espacial do espaço por modo ......................................................................... 33 2.6 Análise de desigualdades sociais associadas à distribuição de calçadas............................ 38 2.7 Análise comparativa: São Miguel Paulista, Cidade Tiradentes e Moema ............................ 39 2.8 Análise de Políticas Públicas ................................................................................................ 43 3 Emissões veiculares de GEE e contaminantes atmosféricos ....................................................... 48 3.1 Bases de dados ..................................................................................................................... 48 3.2 Métodos e Procedimentos ..................................................................................................... 50 3.3 Resultados para Emissões .................................................................................................... 52 3.4 Índices para emissões ........................................................................................................... 56 4 Tempo de viagem adicional por congestionamento ...................................................................... 59 4.1 Dados e Métodos .................................................................................................................. 59 4.2 Resultados ............................................................................................................................. 64 4.3 Índices para tempo de congestionamento ............................................................................ 70 5 Custos de saúde associados aos sinistros de trânsito ................................................................. 77 5.1 Dados e Métodos .................................................................................................................. 77 5.2 Custos totais de sinistros no MSP ......................................................................................... 83 5.3 Análise de custos de sinistros na área de São Miguel Paulista ............................................ 86 5.4 Índices de Sinistros ............................................................................................................... 88 6 Impactos da qualidade do ar na saúde (externalidades sociais 3) ............................................... 91 6.1 Introdução à poluição do ar e seus impactos ........................................................................ 91 6.2 Dados e método .................................................................................................................... 95 6.3 Resultados ........................................................................................................................... 100 6.4 Índices de impacto da emissão de PM2,5 na saúde ........................................................... 107 7 Estimativas de CAPEX e OPEX para ônibus e automóveis ....................................................... 111 7.1 CAPEX e OPEX: Automóveis ............................................................................................. 111 7.2 CAPEX E OPEX: Ônibus .................................................................................................... 116 8 Conclusão: em direção a uma política pública de transportes equânime................................... 119 Referências ......................................................................................................................................... 140 Apêndice 1 – Metodologia para estimar a distribuição do espaço viário ............................................ 144 Apêndice 2 – Metodologia simplificada para estimar tempo adicional em congestionamento através de dados de velocidade ........................................................................................................................... 154 3 Apêndice 3 – Metodologia para estimar tempo adicional por congestionamento em automóvel através de modelo de alocação de viagens ..................................................................................................... 162 Apêndice 4 – Passo a passo dos avanços na criação da rede de simulação para TPI ..................... 182 Apêndice 5 – Insumos para cálculo de CAPEX e OPEX .................................................................... 196 Apêndice 6 – Análise de sinistros ....................................................................................................... 199 Apêndice 7 – Metodologia para estimar passageiro*quilômetro ......................................................... 213 4 LISTA DE SIGLAS API – Application Programming Interface BIGRS – Iniciativa Bloomberg para Segurança Global no Trânsito CEM – Centro de Estudos da Metrópole CET – Companhia de Engenharia de Tráfego CETESB – Companhia de Tecnologia de Saneamento Ambiental CID – Código Internacional da Doença CO2 – Dióxido de carbono CO2e – Dióxido de carbono equivalente CONTRAN – Conselho Nacional de Trânsito CONVIAS – Departamento do Controle e Cadastro de Infraestrutura Urbana CPDU – Coordenadoria de Planejamento e Desenvolvimento Urbano CPTM – Companhia Paulista de Trens Metropolitanos CTB – Código de Trânsito Brasileiro CTN – Código Tributário Nacional DCV – Doenças cardiovasculares DRESP – Doenças respiratórias DATASUS – Departamento de Informática do Sistema Único de Saúde do Brasil EEA –Agência Ambiental Europeia GEE – Gases de Efeito Estufa (GEE) Geoinfo – Infraestrutura de Dados Espaciais da Embrapa GeoSampa – Plataforma do mapa digital da cidade de São Paulo em formato aberto GPS – sistema de posicionamento global GTFS – Especificação Geral sobre Feeds de Transporte Público IBGE – Instituto Brasileiro de Geografia e Estatística ICS – Instituto Clima e Sociedade IEMA – Instituto de Energia e Meio Ambiente IHME - Health Effects Institute IPCA – Índice Nacional de Preços ao Consumidor Amplo IPCC – Painel Intergovernamental sobre Mudanças Climáticas IPEA – Instituto de Pesquisa Econômica Aplicada Metrô – Companhia do Metropolitano de São Paulo MSP – Município de São Paulo MP – Material particulado MSP – Município de São Paulo NO2 – Dióxido de Nitrogênio O3 – Ozônio 5 OD – Origem/Destino OMS – Organização Mundial da Saúde OSM – Open Street Maps QGis - Geographic Information System PMSP – Prefeitura do Município de São Paulo RMSP – Região Metropolitana de São Paulo SIG – Sistema de Informações Geográficas SIH – Sistema de Informações Hospitalares SEADE – Sistema Estadual de Análise de Dados SIM – Sistema de Informação sobre Mortalidade SMS – Secretaria Municipal de Saúde da Prefeitura de São Paulo SMUL – Secretaria Municipal de Urbanismo e Licenciamento SPTrans – São Paulo Transportes S.A. SUS – Sistema Único de Saúde tac – Tempo adicional por congestionamento tfl – Tempo em fluxo livre TPC – Transporte Público Coletivo TPI – Transporte Privado Individual WFS – Web Feature Service 6 LISTA DE FIGURAS Figura 1. Diagrama resumo de dados e métodos para análise de distribuição do espaço viário ........ 21 Figura 2. Elementos de uma calçada típica (esq.) e larguras mínimas de calçada padrão (dir.) ......... 23 Figura 3. Área de calçadas como porcentagem do espaço viário total segundo cenários de acessibilidade. ....................................................................................................................................... 25 Figura 4. Distribuição do espaço viário por componente e subcomponente da rede ........................... 28 Figura 5. Comparação das distribuições da demanda de viagens e da oferta viária por modo. .......... 30 Figura 6. Relação entre demanda de viagens e oferta viária por modo. .............................................. 31 Figura 7. Participação do espaço viário alocado para cada modo de transporte, por zona ................. 34 Figura 8. Valores médios de largura de calçadas e proporção de viagens a pé em zonas OD. .......... 35 Figura 9. Distancias totais diária de caminhada por área urbanizada da zona. ................................... 36 Figura 10. Distancias totais diárias de caminhada por área de calçada da zona. ................................ 37 Figura 11. Distribuição das áreas de calçada por faixas de largura e por decil de renda familiar ....... 38 Figura 12. Distribuição das áreas de calçada por faixas de largura e por grupo social de raça e classe ............................................................................................................................................................... 39 Figura 13. Recorte das bases de dados para as Zonas OD da região de São Miguel Paulista .......... 41 Figura 14. Recorte das bases de dados para a Zona OD da região de Moema .................................. 42 Figura 15. Recorte das bases de dados para a Zona OD da região de Cidade Tiradentes ................ 42 Figura 16. Fluxograma geral da metodologia ‘bottom-up’ para emissões de GEE e contaminantes atmosféricos .......................................................................................................................................... 51 Figura 17. Emissões diárias de Dióxido de Carbono (ton/dia) por fonte emissora ............................... 52 Figura 18. Emissões diárias de Metano (ton/dia) por fonte emissora .................................................. 53 Figura 19. Emissões diárias de Óxido Nitroso(ton/dia) por fonte emissora .......................................... 53 Figura 20. Emissões diárias de Dióxido de Carbono Equivalente (ton/dia) por fonte emissora ........... 54 Figura 21. Gráfico esquemático da relação entre tempo de viagem por saturação na via .................. 60 Figura 22. Resumo de dados e métodos para tempo adicional por congestionamento para TPI ........ 63 Figura 23. Resumo de dados e métodos para tempo adicional por congestionamento para TPC ...... 64 Figura 24. Distribuição horária da demanda e das distancias médias de viagem para TPC e TPI. .... 65 Figura 25. Distribuição horária das velocidades observadas no Uber Movement na rede viária. ........ 65 Figura 26. Duração média das viagens (em min.) por transporte privado individual por hora do dia .. 66 Figura 27. Tempo total das viagens (em minutos) por transporte privado individual por hora do dia .. 67 Figura 28. Duração média das viagens (em min.) por transporte público coletivo por hora do dia ..... 68 Figura 29. Tempo total das viagens (em min.) por transporte público coletivo por hora do dia ........... 69 Figura 30. Mortes por Sinistros (2013 a 2020) ...................................................................................... 83 Figura 31. Area de detalhamento da análise de custos de sinistros .................................................... 87 Figura 32. Estimativa de emissões relativas por tipo de fonte – RMSP ............................................... 92 Figura 33. MP2,5: Evolução das concentrações médias anuais – MSP – 2010-2019 ......................... 93 Figura 34. Concentrações médias de alta temporada de O3, em μg/m3, entre 2000 e 2021, classificadas conforme as diretrizes de qualidade do ar (DQA) e as metas intermediárias (MI) da OMS para MSP 94 Figura 35. NO2: Evolução das concentrações médias anuais – MSP – 2010-2019 ............................ 94 Figura 36. Diagrama das avaliações de impacto na saúde e econômicos. .......................................... 95 7 Figura 37. Diagrama de emissões veiculares relativas na cidade de São Paulo em 2019 ................ 100 Figura 38. Equilíbrio Esquemático no Volume de Uso do Automóvel ................................................ 127 Figura 39. Proporção dos Investimentos em Asfaltamento na Cidade de São Paulo por Ano .......... 131 Figura 40. Base de dados de polígonos de calçadas ......................................................................... 145 Figura 41. Base de dados de polígonos de vias ................................................................................. 146 Figura 42. Base de dados de corredores de ônibus e seus atributos................................................. 146 Figura 43. Base de dados de faixas exclusivas de ônibus ................................................................. 147 Figura 44. Base de dados de linhas de ônibus do transporte público. ............................................... 148 Figura 45. Base de dados de ciclovias e ciclofaixas. .......................................................................... 149 Figura 46. Base de dados de radares da CET.................................................................................... 150 Figura 47. Base de dados de classificação viária da CET. ................................................................. 151 Figura 48. Variabilidade das velocidades médias das vias do centro expandido. .............................. 158 Figura 49. Variabilidade das velocidades médias das vias do centro expandido (detalhe). .............. 159 Figura 50. Densidade de viagens por tempos de duração ................................................................. 160 Figura 51. Composição dos tempos de viagem com número de viagens constante ao longo do dia 161 Figura 52. Gráfico de tempo de viagem por saturação da via ............................................................ 163 Figura 53. Exemplo de carregamento da rede viária com os respectivos níveis de saturação. ........ 164 Figura 54. Exemplo de carregamento da rede viária com os respectivos níveis de saturação. ........ 165 Figura 55. Detalhe da rede de transporte da RMSP para TPI ............................................................ 168 Figura 56. Detalhe da rede de transporte da RMSP para TPI após filtros ......................................... 169 Figura 57. Detalhe de conectores gerados na rede de transporte. .................................................... 170 Figura 58. Visualização dos resultados preliminares da alocação TPI............................................... 172 Figura 59. Tela de visualização API de dados de radares da PMSP. ................................................ 174 Figura 60. Amostra dos resultados da consulta de contagem de veículos. ....................................... 176 Figura 61. Amostra da base de dados da UBER. ............................................................................... 177 Figura 62. Detalhe da base de dados de radares e OSM. ................................................................. 177 Figura 63. Exemplos de análises exploratórias combinando fontes de volumes veiculares dos radares com velocidades da UBER. ................................................................................................................. 179 Figura 64. Detalhe da rede de transporte da RMSP para TPI. ........................................................... 182 Figura 65. Detalhe da rede de transporte da RMSP para TPI após filtros. ........................................ 183 Figura 66. Detalhe de conectores gerados na rede de transporte. .................................................... 185 Figura 67. Detalhe de conectores gerados na rede de transporte. .................................................... 186 Figura 68. Recorte da matriz de produção e atração.......................................................................... 188 Figura 69. Abrindo o projeto de rede de transporte para alocação de TPI no QGIS. ......................... 189 Figura 70. Acessando a ferramenta “Traffic Assignment” através do QGIS. ..................................... 189 Figura 71. Carregando a matriz de origem e de destino de TPI através do QGIS . ........................... 190 Figura 72. Carregando a matriz de origem e de destino de TPI através do QGIS. ............................ 191 Figura 73. Configurando a aba de alocação de TPI através do QGIS. .............................................. 192 Figura 74. Relacionamento dos resultados da alocação com a rede de transporte. .......................... 193 Figura 75. Ferramenta “Stacked Bandwidth” para visualização dos resultados preliminares. ........... 193 Figura 76. Configuração da ferramenta “Stacked Bandwidth”. ........................................................... 194 Figura 77. Visualização dos resultados preliminares da alocação TPI............................................... 195 Figura 64. Sinistros de trânsito no MSP de janeiro 2013 a fevereiro de 2021. .................................. 200 8 Figura 65. Fluxograma da metodologia de identificação de áreas prioritárias ................................... 201 Figura 66. Detalhe espaço celular criado para a realização da análise espacial. .............................. 201 Figura 67. Densidade e hotspots para totais de sinistros .................................................................. 202 Figura 68. Densidade e hotspots para totais de sinistros envolvendo caminhões ............................. 203 Figura 72. Distribuição das densidades de atropelamento por quilômetro de via nas células ........... 205 Figura 73. Densidade e hotspots de atropelamento por quilômetro de via nas células ..................... 206 Figura 74. Detalhes de áreas críticas a atropelamentos selecionadas .............................................. 207 9 LISTA DE TABELAS Tabela 1. Distribuição do espaço de calçadas por largura e declividade ............................................. 25 Tabela 2. Valores totais (Ha) e percentuais da área de componente do espaço viário no MSP ......... 27 Tabela 3. Valores totais e percentuais da área de componente do espaço viário no MSP ................. 29 Tabela 4. Distribuição do espaço viário no Município de São Paulo .................................................... 32 Tabela 5. Detalhamento da infraestrutura viária na zona OD de Cid Tiradentes. ................................ 40 Tabela 6. Divisão do Espaço por Modo em uma e duas Dimensões ................................................... 43 Tabela 7. Necessidade de Área Adicional para Garantir Calçadas com Qualidade ............................ 45 Tabela 8. Valores totais e percentuais da área de componente do espaço viário no MSP hipotética para políticas públicas de valorização dos modos coletivos e ativos ........................................................... 45 Tabela 9. Fatores de emissão e de consumo de combustível médios para automóveis ..................... 49 Tabela 10. Fatores de emissão e de consumo de combustível médios para motocicletas .................. 49 Tabela 11. Fatores de emissão e de consumo de combustível médios para ônibus ........................... 50 Tabela 12.Estimativas de emissões diárias de GEE e contaminantes atmosféricos (em toneladas) por tipo de veículo (base OD 07)................................................................................................................. 54 Tabela 13. Contribuição de cada tipo de veículo nas emissões diárias de GEE e contaminantes atmosféricos por tipo de veículo (base OD 07) ..................................................................................... 55 Tabela 14. Emissão de CO2 equivalente em gramas por km e custo social por 1.000 km ................. 57 Tabela 15. Detalhamentos das viagens e dos tempos gastos para cada hora do dia para automóveis (minutos) ................................................................................................................................................ 67 Tabela 16. Detalhamentos das viagens e dos tempos gastos para cada hora do dia. ........................ 69 Tabela 17. Índices de Congestionamento para Automóveis ................................................................ 71 Tabela 18. Índices de Congestionamento para Ônibus ........................................................................ 73 Tabela 19. Índices de tempo perdido (segundos/km) e custo do tempo (R$ de setembro de 2017/mil km) para autos no Município de São Paulo (2017) ............................................................................... 74 Tabela 20. Índices de tempo perdido (segundos/km) e custo do tempo (R$ de setembro de 2017/mil km) para ônibus no Município de São Paulo (2017) ............................................................................. 75 Tabela 21. Valores monetários dos custos de sinistros de trânsito por tipo de custo (IPEA) .............. 78 Tabela 22. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP ....................................................................................................................................................... 80 Tabela 23. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP ....................................................................................................................................................... 80 Tabela 24. Custo anual de sinistros de trânsito (exceto atropelamentos) valores em milhões de R$ (dez/2019) ............................................................................................................................................. 81 Tabela 25. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP ............................................................................................................................................................... 81 Tabela 26. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP ... 81 Tabela 27. Média de custo anual de atropelamentos valores em milhões de reais (dez/2019) ........... 82 Tabela 28. Proporção do custo anual médio (2013 a 2020) por modo................................................. 83 Tabela 29. Média do total de Vítimas Anuais (2013 a 2020) por tipo de Sinistros de Trânsito para Modos Selecionados ......................................................................................................................................... 85 10 Tabela 30. Média de Vítimas Anuais (2013 a 2020) por mil viagens .................................................... 85 Tabela 31. Custo Médio Diário de Sinistralidade por mil viagens por modo (R$ de dez/2019) ........... 86 Tabela 32. Sinistros ocorridos em São Miguel Paulista entre 2013 e 2020 ......................................... 87 Tabela 33. Custo dos sinistros ocorridos em São Miguel paulista entre 2013 e 2020 ......................... 88 Tabela 34. Índices de Sinistros por milhões de quilômetros por tipo de sinistro .................................. 88 Tabela 35. Índice de externalidade negativa dos sinistros (vítimas por milhão de km/custos sociais em R$ de dezembro de 2021 por milhares de km) ..................................................................................... 89 Tabela 36. Padrões de qualidade do ar do Estado de São Paulo e Índices recomendados pela OMS ............................................................................................................................................................... 93 Tabela 37. Lista de desfechos de saúde para a avaliação de impacto da poluição do ar ................... 96 Tabela 38. Funções de concentração resposta para desfechos de saúde infantil atribuídos à exposição de MP 2,5 .............................................................................................................................................. 97 Tabela 39. Função para atribuições a internações totais para uma mudança de 10 μg/m3 na exposição de MP 2,5 .............................................................................................................................................. 98 Tabela 40. Estimativa de emissão veicular relativa de material particulado no MSP em 2019 ......... 100 Tabela 41. Impacto de longo prazo da contaminação atmosférica de MP2,5 na saúde infantil em 2019 – MSP .................................................................................................................................................. 101 Tabela 42. Impacto de curto prazo da contaminação atmosférica de MP2,5 em número de internações por doenças respiratórias e cardiovasculares no MSP em 2019 ........................................................ 101 Tabela 43. Impacto de longo prazo da contaminação atmosférica de MP2,5 no número de óbitos no MSP em 2019 ...................................................................................................................................... 101 Tabela 44. Custos diretos de internações devido à poluição do ar no MSP em 2019 ....................... 102 Tabela 45. Custos indiretos de perda de produtividade devido a internações atribuídas a exposição a MP2,5 no MSP em 2019 ..................................................................................................................... 103 Tabela 46. Custo médio das internações causados pela contaminação de MP2,5 na saúde no MSP em 2019 ..................................................................................................................................................... 103 Tabela 47. Custos indiretos de perda de produtividade devido a óbitos atribuídos a exposição a MP2,5 no MSP em 2019 ................................................................................................................................. 104 Tabela 48. Custo social atribuído à exposição a MP2,5 no MSP em 2019 ........................................ 104 Tabela 49. Impactos das emissões veiculares na saúde por categoria de veículo e MP2,5 no MSP em 2019 ..................................................................................................................................................... 104 Tabela 50. Custo social por categoria de veículo e devido à emissão de MP 2,5 no MSP em 2019 105 Tabela 51. Custos de internação e óbito em reais de dezembro de 2021 por modo decorrente de emissões de PM2,5 pelo setor de transportes no Município de São Paulo ....................................... 107 Tabela 52. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (internações e óbitos por milhão de km) ............................................................................................. 108 Tabela 53. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (Reais de Dezembro de 2021 por milhão de pax*km) ......................................................................................... 109 Tabela 54. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (internações e óbitos por milhão de km e Reais de Dezembro de 2021 por mil pax*km) .................. 110 Tabela 55. Valor da frota de automóveis na RMSP ............................................................................ 112 Tabela 56. Custos de Operação das Viagens de Automóveis na RMSP ........................................... 114 Tabela 57. Frota do Sistema de Transporte Metropolitano do Município de São Paulo .................... 116 11 Tabela 58. Custo do Sistema de Transporte Metropolitano do Município de São Paulo ................... 116 Tabela 59. Externalidades negativas por origem associadas a cada modo em unidades físicas por milhares de km .................................................................................................................................... 119 Tabela 60. Externalidades negativas por origem associadas a cada modo em R$ de Dezembro de 2021 por milhares de km .............................................................................................................................. 120 Tabela 61. Variações de Externalidade com uma Mudança para o Ônibus ....................................... 121 Tabela 62. Variações no Custo Social da Externalidade por modo com a Mudança para o Ônibus em R$ de Dezembro de 2021 por milhares de km ................................................................................... 124 Tabela 63. Contribuição Percentual de Externalidades em Relação ao Ônibus por modo ................ 125 Tabela 64. Arrecadação decorrente de uma contribuição por externalidades negativas ................... 125 Tabela 65. Estimativa Aproximada do Custo de Provisão e Manutenção da Infraestrutura Viária na Cidade de São Paulo (Reais de 12/2021) ........................................................................................... 129 Tabela 66. Arrecadação e Gastos do Sistema de Mobilidade (R$ bilhões de 12/2021) .................... 135 Tabela 67. Estrutura de atributos das camadas segmentos e links. .................................................. 167 Tabela 68. Estrutura de atributos da camada nodes. ......................................................................... 167 Tabela 69. Frota de Automóveis na Região Metropolitana de São Paulo .......................................... 196 Tabela 70. Média dos preços dos veículos na amostra por ano modelo em cada ano referência .... 196 Tabela 71. Valor da frota de automóveis na RMSP ............................................................................ 197 Tabela 72. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada ........................................ 209 Tabela 73. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada ........................................ 209 Tabela 74. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada ................................................. 209 Tabela 75. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada ......................................................... 210 Tabela 76. Sinistros por milhão de km rodado por modo com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada .......................................................................... 210 Tabela 77. Índice de externalidade negativa dos Sinistros (vítimas por milhão de km/custos sociais por milhares de km) com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada ...................... 210 Tabela 78. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada ....................................... 211 Tabela 79. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada ....................................... 211 Tabela 80. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada ................................................ 211 Tabela 81. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada ........................................................ 212 Tabela 82. Índice de externalidade negativa dos Sinistros (vítimas por milhão de km/custos sociais por milhares de km) com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada ..................... 212 12 1 INTRODUÇÃO Este relatório apresenta a descrição metodológica e os principais resultados das atividades associadas ao Task C do Plano de Trabalho do projeto Analysis of Shared Streets. Neste documento apresentamos dados sobre a distribuição do espaço por modo de transporte, bem como a metodologia e as estimativas das externalidades negativas em 4 áreas: (i) emissões de CO2e; (ii) tempo de congestionamento; (iii) sinistros de trânsito e, (iv) impactos na saúde do excesso de emissão de material particulado fino (PM2,5). Para cada uma dessas dimensões das externalidades negativas geradas pelo transporte propomos uma maneira de monetizar as consequências das diferentes escolhas modais. Os resultados obtidos oferecem um panorama abrangente e bastante específico das diversas externalidades associadas aos deslocamentos dos habitantes da cidade, em grande medida derivados do uso intensivo do transporte motorizado individual, problema bastante conhecido e muito debatido para a cidade de São Paulo, porém não suficientemente estudado enquanto à quantificação dos efeitos negativos sobre a população. Distribuição do espaço viário A primeira parte deste relatório, no capítulo 2, está dedicada ao estudo da distribuição do espaço viário na cidade de São Paulo (entendido como a superfície livre para circulação por qualquer meio de locomoção, ou seja, “de parede a parede”) entre os diferentes modos de transporte. Os resultados mostram as grandes disparidades existentes na distribuição do espaço viário no MSP. A área destinada ao tráfego misto, utilizada predominantemente pelo transporte privado individual motorizado (TPI) é mais do que 9 vezes maior do que o espaço utilizado pelo transporte público coletivo motorizado (TPC): 60,8% versus 6,5% respectivamente. Se contabilizarmos unicamente as faixas exclusivas de ônibus (2,9%), essa diferença é de vinte vezes. A superfície total de calçadas corresponde a 32,1%, mas ao descontar as áreas que na prática não estão disponíveis para circulação de pedestres (como a Faixa de Serviço para mobiliário urbano, árvores e postes de iluminação) e as calçadas com largura abaixo do mínimo (de 1,20 m livres para passagem), o espaço para pedestres se reduz a 17,1% do total. De fato, se considerarmos o padrão mínimo desejável estipulado pela Prefeitura no Manual de Desenho Urbano de 1,80 m de largura livre para circulação, a cidade destina apenas 11,9% do espaço viário para deslocamentos a pé. Essa distribuição da oferta contrasta com a divisão modal da demanda de deslocamentos. Tomando como base a razão entre o espaço viário utilizado por cada modo e respectivo número de viagens diárias, em um extremo encontramos as viagens em automóvel e moto particular e outros modos (taxi, fretado, escolar), que contam com 13,6 m2/viagem diária 13 realizada. No outro extremo está o viário utilizado pelo transporte público, com um indicador dez vezes menor: 2,3 m2/viagem (ou, se for contabilizada apenas a área das faixas exclusivas de ônibus, 0,7 m2/viagem). A área para a mobilidade a pé também mostra um forte contraste com o TPI. No cenário mais otimista, o indicador é de 8,1 m2/viagem, mas à medida que vamos deixando a análise mais realista, a relação oferta/demanda fica cada vez mais crítica. Se for contabilizada somente a área de calçadas com condições mínimas de acessibilidade, essa métrica cai para 4,3 m2/viagem. E quando incluímos as viagens em TPC juntamente com os deslocamentos totalmente a pé, resulta em um espaço de 2,1 m2/viagem diária que depende de calçadas para completar os trajetos desde a origem até o destino. Esse fato evidencia a atual falta de prioridade dos deslocamentos a pé e, ainda mais crítico, do transporte público, que apesar de conseguir transportar mais pessoas por m2 e, portanto, ser mais eficiente que o carro do ponto de vista de uso do espaço, tem muito menos área reservada no viário. O maior uso de espaço público pelos carros se torna um subsídio implícito ao transporte individual privado, dado que não há cobrança de taxas ou contribuição adicional e todo o custo de manutenção das vias que acaba sendo pago apenas pela prefeitura, exceto no caso dos motoristas de aplicativo que pagam pelo uso do viário. Na prática, como discutido nos dois últimos capítulos deste documento, o investimento no viário mesmo para os modos individuais motorizados ainda é bastante baixo se considerarmos o estoque de infraestrutura disponível. Externalidades Para além desse subsídio, o transporte individual motorizado é fonte de externalidades negativas como o congestionamento, as mortes e lesões no trânsito, morbimortalidade causada pela má qualidade do ar e a emissão de gases de efeito estufa. Assim como os dados associados ao consumo do espaço do sistema viário indicam uma desproporcionalidade na relação de pessoas transportadas e uso de espaço quando comparados os modos individuais privados com os modos de transporte coletivos, as estimativas de contribuição do carro para as externalidades negativas sociais (congestionamento, insegurança viária e contaminantes atmosféricos) e ambientais (emissões relacionadas aos efeitos de aquecimento global) também indicam um impacto consideravelmente desproporcional entre os modos individual motorizado e coletivo. A única exceção ocorre na emissão de PM2,5 que, mesmo quando consideramos a emissão por vigem*km o ônibus acaba sendo um emissor mais relevante do que o automóvel (mas não mais do que a motocicleta). De todo modo, como mostramos no relatório, a emissão de PM2,5 não representa uma externalidade negativa tão relevante como as demais. 14 Externalidades ambientais Com relação às externalidades ambientais, conforme detalhado no capítulo 3, se considerarmos as estimativas em dióxido de carbono equivalente (CO2e) como um indicador agregado do potencial indutor do efeito estufa, os automóveis contribuem com mais que o dobro das emissões diárias no município de São Paulo em comparação com os ônibus municipais, atingindo 72,3% (75,4% se somarmos também as motocicletas) frente aos 24,6% emitidos pelo ônibus (somando municipais e rodoviários). No caso dos contaminantes atmosféricos, os ônibus são responsáveis por um custo de R$7,9 por mil quilômetros de viagem comparado com apenas R$1,5 mil dos automóveis, mas ainda abaixo do índice para motocicletas de R$17,3 mil. Esse é um ponto potencialmente favorável à migração para eletromobilidade ainda que essa discussão necessite de muito mais profundidade. Externalidades congestionamento As externalidades sociais relativas à poluição atmosférica e insegurança viária são de difícil percepção pela sociedade quanto a dimensão de seu impacto, diferentemente do congestionamento, percebido diariamente por todas as pessoas que realizam deslocamentos em modos motorizados, seja por transporte privado individual ou por ônibus. Como descrito no capítulo 4, adotando premissas bastante conservadoras de velocidades na rede viária, estima-se que as viagens realizadas em automóvel na cidade de São Paulo 1 gastam em média pelo menos 83% de tempo a mais no trânsito do que comparado com uma situação sem nenhum congestionamento (ou seja, 45% da duração total das viagens total corresponde a tempo adicional em função da lentidão causada pela saturação viária). Na hora pico da tarde, entre 18:00 e 19:00, o congestionamento é responsável por 56% da duração total, o que significa que as pessoas viajando em automóvel gastam 128% mais do que comparado ao cenário em fluxo livre, mais do que o dobro do tempo mínimo. Um agravante de grande relevância para esta análise é também o tempo adicional que os motoristas de automóvel impõem sobre as viagens de transporte público, pois mesmo que o tempo adicional em TPC seja comparativamente menor do que para TPI, mesmo havendo grande parcela de viagens em metrô, trem e corredores exclusivos, ainda assim os passageiros de ônibus gastam em média 20% a mais de tempo nos seus deslocamentos comparativamente ao cenário sem congestionamento. Na hora pico, esse tempo de viagem adicional sobe para 26% relativamente à situação de fluxo livre. Em termos absolutos, as pessoas viajando em 1 Considerando os deslocamentos com origem e destino dentro do MSP. 15 automóvel gastam 1,07 milhão de horas adicionais no trânsito2 e os passageiros de transporte público, 1,25 milhão de horas em excesso3. Externalidades sinistros Ainda na dimensão de externalidades sociais, foram feitas análises sobre sinistros de trânsito com base em dados disponíveis no GeoSampa, conforme detalhado no capítulo 5. Apesar de ter sido possível identificar uma certa tendência de declínio geral no número de vítimas ao longo do período analisado (2013 a 2020), a queda esteve concentrada no primeiro período (2013 a 2016) ficando então estagnada em cerca de mil mortes por ano. A participação do transporte individual nos sinistros é muito maior do que dos modos coletivos e ativos, sendo que automóveis envolvem em média 46% dos sinistros e as motocicletas respondem por 40% das vítimas não fatais. Considerando os sinistros fatais (exceto atropelamentos), as motocicletas contribuíram majoritariamente com 43% de todas as vítimas fatais no período analisado, seguidas por automóveis (34%) e, com participação significativamente menor, pelos sinistros fatais envolvendo ônibus (10%). Nesse quesito a bicicleta aparece como um gerador considerável de sinistralidade a ponto de ser questionável a sua contribuição como redutor de externalidades negativas. Consideramos que estimar essas externalidades negativas do transporte individual motorizado, bem como o custo associado, é uma etapa fundamental para podermos avançar nas políticas públicas para o desincentivo do uso do transporte individual motorizado. Para estimar os custos relativos aos sinistros de trânsito foi adotada a metodologia proposta pelo IPEA (2015), que foi corrigida para os valores de 2019 utilizando o IPCA. As análises indicam que as motocicletas são responsáveis pelos maiores custos agregados médios, totalizando um custo médio anual de 263 milhões de reais. Isso decorre da predominância de fatalidades associada a este meio de transporte. Em seguida, os automóveis são os que mais impactam os custos médios, alcançando valores médios de 240 milhões de reais anuais. Sinistros envolvendo ônibus e caminhões geram custos médios anuais de 53 milhões de reais e 32 milhões de reais respectivamente. Considerando-se todos os sinistros fatais e não fatais (exceto atropelamentos), o custo médio anual dos sinistros com vítimas no MSP alcança um valor anual de cerca de 624 milhões de reais. Analisando exclusivamente os atropelamentos, chegamos ao valor médio de aproximadamente 220 milhões de reais, sendo que cerca de 40% desse total envolve automóveis. Motocicletas e ônibus contribuem com 20% cada para 2 Correspondentes às 4,8 milhões de viagens diárias em automóvel no MSP (condutor e passageiro), cuja duração média é de 29,6 minutos. 3 Correspondentes às 7,0 milhões de viagens diárias em TPC no MSP, cuja duração média é de 64,2 minutos. 16 o total. O restante se distribui entre atropelamentos envolvendo caminhões, bicicletas e outros modos de transporte. Externalidades saúde O transporte motorizado emite material particulado além de gases do efeito estufa. Esse material tem efeitos significativos sobre a saúde dos cidadãos. Nesse caso, a emissão de ônibus é mais problemática do que as emissões de automóveis particulares, mas o padrão Euro 6 (ainda não adotado em São Paulo) reduziu consistentemente essas emissões. Estimamos 2.701 óbitos em 2019 relacionados com as consequências de longo prazo do excesso de material particulado de Pm2,5. Registramos 1.742 internações no período que podem ser associadas à emissão de partículas. Mesmo com a intensidade de uso por veículo que observamos no ônibus, essa é o único caso em que a externalidade negativa gerada pelo ônibus por passageiro*km supera a dos automóveis. Considerando os custos relacionados às mortes e internações, os ônibus seriam responsáveis por um custo de R$7,9 por mil passageiros*km comparado com R$1,5 por mil passageiros*km de automóvel. Apesar de bem abaixo do impacto das emissões de motocicleta de R$17,3 por mil passageiros*km esse é um caso que o ônibus representa um papel relevante nas emissões. O impacto do material particulado é, evidentemente, uma questão tecnológica, mas com a característica especial que a tecnologia está perto de chegar em um ponto próximo da solução do problema. Se conseguirmos baixar para valores abaixo do nível crítico, a presença de PM2,5 em princípio deixaria de ter efeitos visíveis sobre a saúde. A OMS recomenda uma média anual máxima de 5 µg/m3 para a emissão de PM2,5. Em São Paulo, essa média está na faixa de 17 µg/m3. Para estimar a contribuição dos transportes, utilizamos a proporção de cada modo de transporte na geração de PM2,5 em relação a todos os emissores e atribuímos essa parcela ao transporte. Um possível questionamento é que “bastaria” ficar abaixo do nível crítico para garantir que a emissão de partículas finas não afete a saúde. É possível que, se o transporte zerasse suas emissões, estaríamos já muito próximos desse nível crítico. Nesse sentido, a contribuição do transporte seria praticamente total se considerarmos o efeito de zerar essas emissões em oposição a se responsabilizar com a sua parcela nas emissões no total de consequências. Optamos pela definição mais conservadora onde a responsabilidade do transporte se limita à sua participação. Consequências para a Política Pública Cada capítulo deste relatório apresenta um componente dessa análise, desde a distribuição do espaço viário até as externalidades mencionadas. No capítulo 7, realizamos uma estimativa de CAPEX e OPEX para ônibus e automóveis na RMSP. Os usuários de veículo 17 gastam, em média, R$11,7 bilhões ao ano em custos operacionais e R$40,8 bilhões em custos de carregamento desse capital. No caso do transporte por ônibus, a estimativa de gastos em capital em 2021 foi de R$1,4 bilhões por ano e o custo operacional de R$7,6 bilhões totalizando R$9 bilhões. Não surpreende o fato de que a proporção do capital é muito menor no custo do ônibus pois o veículo é utilizado com muito mais intensidade e esse é mais um dos argumentos a favor desse modo. No capítulo 8 concluímos com uma proposta de política pública a partir dos dados apresentados nos capítulos anteriores. Os sete apêndices detalham os métodos adotados. Quando combinamos todas os custos sociais associados ao transporte motorizado privado, notamos que cada mil quilômetros percorridos de automóvel migrando para o ônibus representariam uma economia social de R$442 por dia. A redução de emissões de gases do efeito estufa, sinistros e congestionamentos mais do que compensariam a perda em termos de emissão de particulados. As motocicletas não ficam muito longe. Uma redução de mil quilômetros percorridos em bicicletas, alterando-se para o ônibus gerariam um ganho social da ordem de R$187 para a sociedade. Claro que, se reduzirmos os quilômetros de caminhada substituindo pelo ônibus teríamos uma perda para a sociedade de R$31 a cada mil quilômetros transferidos. A lógica econômica sugere que se cobre pelas externalidades negativas geradas. Esse é um caso raro no qual a cobrança de uma taxa não gera “perda de peso morto” para a sociedade. Em geral cobramos impostos para oferecer bens públicos os quais não seriam ofertados sem que a cobrança fosse impositiva. Ou seja, aceitamos alguma distorção na economia para produzir bens públicos. Esse é um caso no qual a cobrança reduziria as distorções ao invés de aumentar. O natural seria utilizar esse recurso em bens públicos de mobilidade. As ruas e calçadas representariam esse caso pois não há como impedir uma pessoa de utilizar uma via ou calçada e um indivíduo a mais na calçada não impede o uso de outro indivíduo, ainda que um carro a mais na via, a partir de um certo ponto, represente um custo a todos os usuários. A discussão que fecha o relatório destaca um fato conhecido na economia mas muitas vezes confuso para o público em geral. O Transporte Público não é um Bem Público pois o uso do sistema por 100 usuários impede que outros 100 usuários utilizem o veículo (assumindo uma lotação de 100 passageiros); e é relativamente fácil impedir o uso do ônibus ainda que no caso brasileiro esse custo seja bastante alto por conta dos cobradores (raramente utilizados em outros países). Mesmo assim, poderia fazer sentido pagar o OPEX do ônibus por conta da sua capacidade de atender a tantos passageiros por viagem. Não tem muito sentido, em termos de eficiência, financiar a operação do ônibus. Transformando em algo mais concreto, o subsídio ao ônibus pode reduzir os quilômetros de caminhada o que aumentaria as externalidades negativas do transporte em geral. 18 Discutimos então a questão social. Como a maioria dos usuários de ônibus são as camadas mais vulneráveis da sociedade, um maior subsídio ao sistema representaria uma política progressiva. O problema do subsídio ao transporte público como política distributiva é que o mesmo não tem uma das principais exigências de uma política social: foco. Ao subsidiar o transporte público estamos subsidiando todos os usuários independente da renda. Portanto, uma política pública distributiva nessa área deveria focar o subsídio apenas nas camadas mais pobres. Já existe um mecanismo desses no Brasil, o Vale Transporte. Se fosse possível universalizar o vale transporte, teríamos como garantir que nenhuma família gastasse mais do que 6% da sua renda em mobilidade (uma necessidade). 19 2 DISTRIBUIÇÃO ESPACIAL DA OFERTA DO SISTEMA VIÁRIO POR MODO Esta etapa da análise estuda a distribuição do espaço viário no município de São Paulo e seu uso por diferentes modos de transporte. A análise identifica as áreas totais dedicadas ao uso exclusivo para circulação de pedestres, de bicicletas e de ônibus, bem como a distribuição do uso das áreas de tráfego misto, utilizado predominantemente por transporte privado individual (TPI), como automóveis particulares e motocicletas, mas com alguma presença de transporte público coletivo (TPC) e outros modos. Essa análise foi desenvolvida a partir de bases de dados disponíveis publicamente, principalmente com fontes da própria Prefeitura de São Paulo e de institutos de pesquisa, possibilitando sua verificação e replicabilidade. Com base na distribuição da oferta viária é possível comparar a alocação de espaço em função da demanda de viagens de cada modo de deslocamento na cidade. 2.1 Resumo de dados e métodos A análise da distribuição do espaço viário para o Município de São Paulo foi realizada utilizando bases de dados abertos e georreferenciados obtidos em plataformas oficiais da prefeitura de São Paulo e de centros de pesquisas. O processamento desses dados em Sistemas de Informação Geográfica (SIG) permitiu estimar o espaço alocado a cada modo de transporte, combinando as diversas fontes de informação conforme resumido na Figura 1. 20 Figura 1. Diagrama resumo de dados e métodos para análise de distribuição do espaço viário Fonte: Elaboração própria Os insumos e fontes utilizados foram os seguintes: • GEOSAMPA: polígonos de calçadas, faixas exclusivas de ônibus, rede ciclovaria (GeoSampa, 2021); • Geoinfo/SMUL: polígonos de vias (pistas e faixas de rolamento) (Geoinfo, 2021); • SPTrans: itinerários das linhas de ônibus municipais (SPTrans, 2019); • Centro de Estudos da Metrópole (CEM): corredores de ônibus (CEM, 2021b); • CET-SP: volumes por tipo de veículo nos pontos de radar (CET, 2021). O Apêndice 1 – Metodologia para estimar a distribuição do espaço viário apresenta uma descrição mais detalhada dos insumos, processamento e formulação matemática dos métodos utilizados na presente análise. O principal resultado da análise é a distribuição do espaço total alocado para cada modo de transporte, representado na parte inferior da figura. Essa distribuição da oferta pode ser comparada com a demanda de viagens na cidade, tal como discutido na seção 2.4. Mas antes disso, apresentam-se os resultados de dois subcomponentes da presente análise: o detalhamento das áreas de calçada segundo o padrão de acessibilidade (seção 2.2) e a distribuição do uso do viário em tráfego misto entre TPI e TPC (seção 0). 21 2.2 Análise da distribuição das calçadas por condições mínimas de acesso O Manual de Desenho Urbano e Obras Viárias da Prefeitura de São Paulo inicia a seção 3.2. dedicada ao Espaço do Pedestre com a seguinte definição: “O espaço do pedestre compreende a porção da via destinada prioritária ou exclusivamente ao fluxo de pedestres e tem como função principal servir à mobilidade a pé” (Prefeitura Municipal de São Paulo, 2021, p.66). Partindo dessa premissa, faz-se necessário realizar uma análise mais cuidadosa e detalhada da área total de calçadas com a finalidade de identificar o espaço efetivamente disponível para caminhar. A circulação de pedestres requer espaço suficiente para circulação a pé com condições mínimas de largura e desobstruída longitudinalmente ao longo dos trajetos realizados nas calçadas. Outros fatores também contribuem para as condições de acesso e circulação, como a declividade, a geometria da via, a existência de degraus, de obstruções, o material construtivo e o estado de conservação. Nesta análise são considerados apenas alguns desses atributos chave, de maneira a chegar em uma análise preliminar do espaço disponível para deslocamentos a pé, especialmente aqueles que podem ser avaliados por meio das bases de dados disponíveis, como largura da calçada e declividade. Componentes da rede de caminhabilidade e condicionantes para a circulação Um dos primeiros elementos a investigar é a parcela das calçadas que não faz parte da rede de caminhabilidade e, portanto, não compõe o espaço útil para circulação a pé. Nesse sentido, a chamada Faixa de Serviço, certamente não faz parte do espaço destinado ao pedestre. A faixa de serviços é definida como a área “destinada a acomodar o mobiliário urbano, a vegetação e os postes de iluminação ou sinalização” que tipicamente se situa em posição adjacente à guia e possui largura mínima de 70cm. Assim, esse espaço não será computado como parte da área destinada à circulação de pedestres. A área disponível para circulação é definida como a Faixa Livre, que deve ter uma largura mínima de 1,20m para oferecer as condições básicas de acessibilidade de maneira a respeitar as Normas Técnicas de Acessibilidade da ABNT – Associação Brasileira de Normas Técnicas. Adicionalmente, em termos urbanísticos, também deve ser considerada a chamada Faixa de Acesso, “destinada à acomodação das interferências resultantes da implantação, do uso e da ocupação das edificações, exclusivamente nas calçadas com mais de 2m (dois metros) de largura” segundo o Manual de Desenho Urbano e Obras Viárias. Entretanto, a avaliação dessa parcela é extremamente dependente do contexto urbano e do ambiente construído, e, 22 portanto, a presente análise, assume a premissa simplificadora de que toda a largura para além da Faixa de Serviço seja computada como área disponível para circulação de pedestres. A Figura 2 do Manual de Desenho Urbano e Obras Viárias mostrada abaixo ilustra de maneira esquemática esses três elementos básicos de uma calçada típica. Figura 2. Elementos de uma calçada típica (esq.) e larguras mínimas de calçada padrão (dir.) Fonte: Manual de Desenho Urbano e Obras Viárias (Prefeitura Municipal de São Paulo, 2021) A largura mínima desejável recomendada é de 1,80m de Faixa Livre, o que implica em uma calçada com largura mínima total de 2,50m incluindo a Faixa de Serviço. As condições mínimas básicas de circulação, abaixo do recomendado, porém garantindo os parâmetros de acessibilidade, requerem a largura de 1,20m de Faixa Livre anteriormente citadas, o que representa uma calçada de 1,90m de largura total (a Figura 2 ilustra essas duas situações). Assim, as calçadas com largura total menor a 1,90m, para efeitos da presente análise, foram consideradas como abaixo do mínimo para dar condições de circulação suficientes para pedestres. Finalmente, foi considerada também a declividade das vias para identificar a parcela da rede de caminhabilidade que impõe condições mais restritivas em termos de acessibilidade. Foram contabilizadas separadamente, para cada tipo de calçadas, aquelas com declividade acima de 8,33%. Essa característica por si só constitui uma dificuldade adicional para o deslocamento com plena autonomia para pessoas com mobilidade reduzida. Entretanto, ao 23 ser um atributo relacionado à própria topografia, não pode ser superado de maneira direta por políticas públicas por parte da Prefeitura. Mas, para além de ser uma informação relevante quando se analisa o espaço urbano, caracterizando as condições gerais para deslocamento, também representam um dado pertinente para a análise de políticas de mobilidade urbana em função de implicações indiretas. As ruas com alta declividade tendem a apresentar degraus nas calçadas derivado das adaptações realizadas no processo de consolidação do ambiente construído ao longo dos anos, priorizando o acesso ao lote em detrimento da continuidade longitudinal das calçadas. Nesse sentido, existe uma margem de ação por parte do poder público para mitigar essas barreiras, seja fiscalizando e promovendo a readequação dessas calçadas ou por meio do alargamento do espaço para pedestres, realocando espaço da via destinado ao tráfego misto ou ao estacionamento e destinando-o para pedestres. Análise desagregada das áreas de calçadas A classificação pela largura e declividade das calçadas possibilita obter um panorama mais preciso, mesmo que ainda parcial, das condições que as calçadas oferecem para a circulação a pé. As calçadas foram classificadas cruzando as seguintes categorias: • Largura: o Largura total abaixo de 70cm: não há disponibilidade para circulação de pedestres. o Largura total entre 70 e 190cm: abaixo do mínimo aceitável para circulação de pedestres (menos de 120cm). o Largura total entre 190 e 250cm: abaixo do desejável para a circulação de pedestres (menos de 180cm para circulação). o Largura total acima de 250cm: atende o mínimo desejável para a circulação de pedestres (mais de 180cm p/ circulação). • Declividade: o Abaixo de 8,33%: dentro do recomendado para acessibilidade. o Acima de 8,33%: impões limitações de acessibilidade e tipicamente cria condições desfavoráveis para o ambiente construído. A Tabela 1 apresenta a distribuição do espaço de calçadas para a cidade de São Paulo segundo a classificação apresentada acima. A área total de calçadas no MSP é de 6.210 hectares, da qual mais de um terço corresponde a faixa de serviço (incluindo calçadas com largura total menor a 70cm). Dos 66% restantes, 12,8% não podem ser consideradas parte efetiva da rede de caminhabilidade já que não apresentam sequer 1,20m livres para circulação (após descontar a faixa de serviço). Isso deixa apenas 53,2% da superfície total de calçadas como área realmente computável para a circulação de pedestres. E a parcela que atende o 24 padrão mínimo desejável de 1,80m de largura livre constitui unicamente 2300 ha, o que representa 37% da área total de calçadas. Tabela 1. Distribuição do espaço de calçadas por largura e declividade Porcentagem Largura livre Porcentagem da Tipo de Declivid do espaço Largura total (circulação e Area de total (ha) área total de calçada ade viário total acesso) calçadas (%) (%) Faixa de serviço - - - 2.108,6 2.108,6 34,0% 34,0% 10,9% Abaixo do < 1,20m Alta 154,3 2,5% 0,70m a 1,90m 797,1 12,8% 4,1% mínimo < 1,20m < 8,33% 642,8 10,4% Padrão 1,20m a 1,80m Alta 171,6 2,8% 1,90m a 2,50m 1.004,2 16,2% 5,2% mínimo 1,20m a 1,80m < 8,33% 832,6 13,4% Padrão > 1,80m Alta 238,1 3,8% > 2,50m 2.300,7 37,0% 11,9% minimo > 1,80m < 8,33% 2.062,6 33,2% Área Total de Calçadas 6.210,6 100,0% Área Total de Espaço Viário 19.342,6 32,1% Fonte: Elaboração própria a partir dos dados de polígonos de calçadas disponibilizados pelo Geosampa. Quando comparado à oferta total da rede viária, fica evidente o quão reduzido é o espaço dedicado à circulação a pé. Apenas 11,9% do viário (considerando como viário faixa de rolamento, espaço para estacionamento e as calçadas denominado em geral de "parede a parede"). A Figura 3 resume de maneira esquemática a parcela do espaço viário disponível para os diferentes critérios de classificação, mostrando a área efetivamente disponível com condições mínimas e desejáveis de acessibilidade para pedestres: apesar da superfície total de calçadas compor 32% do viário total, 21% é o que está disponível para circulação desobstruída (descontando faixa de serviço), somente 17% apresenta largura mínima de 1,20m para circulação, e apenas 12% atendem as condições mínimas desejáveis de 1,80m de largura livre. Figura 3. Área de calçadas como porcentagem do espaço viário total segundo cenários de acessibilidade. Tipo de calçada Largura total Faixa de serviço 32, 1% % superficie total de calçadas - Abaixo do mínimo 0,70m a 1,90m 21, 2% % para circulação incluindo área sem condições mínimas Padrão mínimo 1,90m a 2,50m 17, 1% % área com condições mínimas para circulação Padrão mínimo desejavel > 2,50m 11, 9% % área com largura mínima desejável Fonte: Elaboração própria a partir dos dados de polígonos de calçadas disponibilizados pelo Geosampa 25 Análise da distribuição do uso do viário em tráfego misto entre TPC e TPI A área dedicada ao tráfego misto representa praticamente dois terços da superfície total do espaço viário. Esse componente da rede é utilizado indiscriminadamente por diversos modos de transporte, incluindo automóveis e motocicletas particulares, taxis, veículos de transporte coletivo e de carga. Mas a distribuição desse uso não é uniforme. A análise das diferentes parcelas do volume de tráfego é de particular interesse para este estudo, particularmente para distinguir a proporção do uso por parte do transporte público coletivo. A partir da base de dados de dados de radares da CET, foram removidos os radares localizados em vias com corredores de ônibus, faixas exclusivas e os radares em que não foi contado nenhum ônibus ao longo do mês de abril. Esses filtros foram feitos visando separar somente as vias de tráfego misto. Para compatibilizar as áreas de uso das vias de tráfego misto pelos veículos de TPC e TPI, os veículos de TPC foram estimados como 2,5 vezes maiores do que os veículos de TPI. O valor 2,5 foi estimado com base na frota da SPTrans, que é composta principalmente por ônibus do tipo Padron e miniônibus, que apresentam, respectivamente, comprimento médio de 14m e 9,6m de acordo com a NBR 155704, que dispõe sobre as especificações para fabricação de veículos para transporte coletivo de passageiros, enquanto o comprimento médio dos automóveis populares no Brasil varia de 4m a 5m. Em seguida, os dados de radares foram associados às vias correspondentes, calculadas as médias de veículos do tipo TPC e TPI por hora para cada via e extrapoladas essas médias para as demais vias de acordo com a sua classe e localização utilizando o recorte de subprefeituras. A extrapolação das médias de veículos foi realizada agrupando as classes de via local e coletoras em uma classe de vias de "baixa hierarquia" e as classes de via arterial e de trânsito rápido em uma classe de vias de "alta hierarquia". Para estimar o uso das vias de tráfego misto em cada subprefeitura, foram calculados os percentuais de vias de baixa e alta hierarquia em cada subprefeitura e relacionados com os seus respectivos percentuais médios de uso por hierarquia de via. A estimativa geral para o município de São Paulo foi computada considerando a média de uso das vias por TPC e TPI de cada subprefeitura ponderada pela área total de suas vias. Os resultados mostram que as vias de tráfego misto são majoritariamente usadas por veículos de TPI, com 86,5% de uso, contra apenas 13,5% de uso por veículos de TPC (ônibus). Outro aspecto que cabe destacar é que a área do viário dedicada ao estacionamento em via pública de forma geral está incluída nessa categoria de área para tráfego misto. A rigor, essa parcela do viário tem dupla finalidade: circulação e estacionamento. Para efeitos desta análise, ambas finalidades representam a destinação predominante ao TPI, e assim permitem evidenciar os desequilíbrios de alocação de espaço entre modos. Mas a análise específica 4 https://www.cnmp.mp.br/portal/images/Comissoes/DireitosFundamentais/Acessibilidade/NBR_15570- 2009_Transp_Coletivo_Urbano.pdf 26 desagregando a área para estacionamento constitui uma frente relevante para aprofundamento futuro em função da disponibilidade de dados que possibilitem esse refinamento. 2.3 Distribuição geral da oferta de espaço viário no MSP A Tabela 2 apresenta o resultado da análise para a cidade de São Paulo, com a distribuição do espaço viário entre cada componente da rede estimada a partir da combinação dos dados georreferenciados utilizando a metodologia descrita acima. A Figura 4 mostra graficamente essa distribuição, separando em colunas diferentes cada componente principal (calçadas, faixas de ônibus, ciclovias e tráfego misto). Esses resultados mostram as grandes disparidades existentes na distribuição do espaço viário no MSP. Tabela 2. Valores totais (Ha) e percentuais da área de componente do espaço viário no MSP Distribuição por Distribuição Componente viário por tipo de uso Componente Desagregada Área % Área % Faixa de serviço 2,108.6 10.9% Calçadas Sem condições mínimas p/ circulação de pedestres 6,210.60 32.1% 797.1 4.1% Com condições mínimas p/ circulação de pedestres 3,304.9 17.1% Faixas de ônibus (uso exclusivo de TPC) 561.7 2.9% 561.7 2.9% Vias com linhas Uso TPC 687.7 3.6% Tráfego 5,093.80 26.3% de ônibus Uso TPI 4,406.1 22.8% misto Vias sem linhas de ônibus (uso exclusivo de TPI) 7,348.50 38.0% 7,348.5 38.0% Ciclovias e Ciclofaixas (uso exclusivo bicicletas) 128.5 0.7% 128.5 0.7% Total 19,343.10 100.0% 19,343.1 100.0% Fonte: Elaboração própria a partir de dados de polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM Á área para circulação veicular nas vias em tráfego misto constituem 64,3% dos 19.343 hectares da oferta viária total, sendo 38% correspondentes a ruas sem linhas de ônibus e 26,3% às vias onde operam rotas de transporte público. O seguinte elemento com maior participação são as calçadas, totalizando 32,1% quando computada toda a superfície, mas que ao aplicar as categorias descritas anteriormente resulta em uma área com condições efetivas para circulação de pedestres de apenas 17,1%. As áreas dedicadas exclusivamente para ônibus e para bicicletas constituem uma parcela muito menor da oferta viária, com somente 2,9% e 0,7% respectivamente. 27 Figura 4. Distribuição do espaço viário por componente e subcomponente da rede Fonte: Elaboração própria a partir de dados de polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM Ao aplicar os resultados da distribuição do uso das vias em tráfego misto entre veículos de transporte coletivo e demais tipos de veículos, é possível reagrupar as categorias e identificar a área total alocada para cada modo transporte. A Tabela 3 mostra esse resultado em três cenários diferentes: • Alocação por modo relativo à área total, considerando toda a superfície de calçadas (total de 19.343 ha); • Alocação por modo descontando as faixas de serviço (total de 17.234 ha); e • Alocação por modo levando em conta apenas a área de calçada com condições mínimas para circulação de pedestres, ou seja, com largura maior que 1,90m (total de 16.437 ha). Enquanto no primeiro cenário a área para pedestres representa 32%, quando são consideradas de fato as condições mínimas de acessibilidade essa participação se reduz a 20% dos 16.437 há totais de espaço efetivo para circulação. O espaço ocupado pelo transporte público continua com um valor muito baixo, de apenas 7,6%, e o de bicicletas ainda menos significativo com somente 0,8%. 28 Tabela 3. Valores totais e percentuais da área de componente do espaço viário no MSP % por modo % sobre % sobre Componente viário por tipo de uso % sobre disponível acessível Modo área total para para circulação circulação Faixa de serviço - Sem condições mínimas p/ - Calçadas circulação de pedestres 32.1% Pedestres 23.8% Com condições mínimas p/ 20.1% circulação de pedestres Faixas de ônibus (uso exclusivo de TPC) Vias com 6.5% 7.2% 7.6% TPC Uso TPC linhas de Tráfego ônibus Uso TPI misto 60.8% 68.2% 71.5% TPI Vias sem linhas de ônibus (uso exclusivo de TPI) Ciclovias (uso exclusivo bicicletas) 0.7% 0.7% 0.8% Bicicleta Total 100.0% 100.0% 100.0% Área total por categoria 19,343.10 17,234.50 16,437.40 Fonte: Elaboração própria a partir de dados de polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM 2.4 Comparação entre oferta de espaço viário e demanda de viagens por modo A distribuição de espaço contrasta bastante com a participação de cada modo de transporte na demanda de viagens da cidade de São Paulo. A Figura 5 mostra as duas distribuições lado a lado, com a correspondência entre ambas, onde, entre outros fatores, é visível a disparidade entre a demanda de viagens em TPI e outros modos (taxi, fretado, escolar), com 33% da participação modal (somando ambos) e o espaço alocado ao tráfego misto já descontada a área usada pelo TPC, com 60,8% do viário total (ou 71,5%, no cenário que considera apenas a área útil para circulação). Em contraposição, o transporte público, que representa 34,5% das viagens diárias, conta apenas com 6,5% do espaço viário. As viagens realizadas 100% a pé são 32,4% do total diário, mas conforme visto anteriormente a área para circulação de presentes com condições mínimas de acessibilidade é de somente 17,1%. Se considerarmos que praticamente todas as viagens em TPC dependem das 29 calçadas para o trecho inicial (do ponto de origem até a parada ou estação) e final (entre o desembarque e alcançar o destino final), esse 17,1% de área para circulação de pedestres deve atender a um total de 66,9% dos deslocamentos diários da cidade. Figura 5. Comparação das distribuições da demanda de viagens e da oferta viária por modo. Fonte: Elaboração própria a partir de dados de polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM As disparidades dessa relação entre área disponível e demanda para cada modo fica ainda mais evidente na Figura 6, onde é calculada a razão de metros quadrados por viagem realizada em um dia útil. É importante destacar que esse resultado é apenas um indicador comparativo e não representa a densidade de uso, mas ajuda a visualizar o grande desequilíbrio entre o espaço alocado e a participação de cada modo de transporte. Em um extremo encontramos as viagens em automóvel e moto particular e outros modos (taxi, fretado, escolar), que contam com 14,9 m2/viagem diária realizada. No outro extremo está o viário utilizado pelo transporte público, com um indicador dez vezes menor: 1,5 m2/viagem. De fato, se for contabilizada apenas a área das faixas exclusivas de ônibus, o indicador cai para 0,7. A área para a mobilidade a pé também mostra um forte contraste com o TPI. No cenário “não qualificado”, o indicador é de 8,1 m2/viagem, mas à medida que vamos deixando a análise mais qualitativa, em função das condições de caminhabilidade, a relação oferta/demanda fica 30 cada vez mais crítica. Se for contabilizada somente a área de calçadas com condições mínimas de acessibilidade, essa métrica já cai para 4,3. E quando incluímos as viagens em TPC juntamente com os deslocamentos totalmente a pé, resulta em um espaço de 2,1 m2/viagem diária que depende de calçadas para completar os trajetos desde a origem até o destino. Figura 6. Relação entre demanda de viagens e oferta viária por modo. Fonte: Elaboração própria a partir de dados de polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM A Tabela 4 sumariza os resultados da alocação do espaço a partir de três índices de distribuição do espaço. O primeiro índice é estimado a partir da proporção do espaço dedicado ao modo, vis a vis a proporção de viagens do modo. Como dividimos duas proporções, o índice não tem unidade. O segundo índice é a proporção do espaço em relação à proporção de passageiros*km por modo. Esse índice também não tem dimensão mas, como a proporção de passageiros*km da caminhada é menor do que a proporção de viagens, o índice acaba sendo bem maior para esse modo. O terceiro índice utiliza o mesmo numerador (espaço dedicado), mas utiliza passageiros*km como denominador. Portanto, esse índice é dimensional dado em milhões de km por passageiro (visto que parte da divisão de km2 por passageiros*km). Utilizamos no numerador km2 ao invés de hectares para não trabalhar com números tão pequenos. Para computar esses índices foi necessário levar em conta as viagens de taxi, moto, veículos fretados e de veículos escolares. Isso porque o espaço que denominamos como dedicado ao TPI, na realidade engloba esses modos. Detalhes da estimativa de pax*km aparece no Apêndice 7 mas aqui realizamos uma aproximação para 31 estimar esse dado para Fretados e Vans: assumimos que as viagens desses dois modos têm em média a mesma extensão que as viagens de auto. Tabela 4. Distribuição do espaço viário no Município de São Paulo Modo Área Viagens Pax*km Índices Há (1) % (2) Milhares % (4) Pax*km (5) % (6) Viagens Pax*km m2/pax*km (3) (2)/(4) (2)/(6) (1)/(5) Pedestre 4.102 24% 7.734 35% 16.994.962 8% 0,68 2,90 2,41 Ônibus 1.250 7% 5.502 25% 115.266.472 56% 0,29 0,13 0,11 Bicicleta 129 1% 212 1% 789.071 0% 0,78 1,96 1,63 Outros * 11.755 68% 8.650 39% 73.696.624 36% 1,74 1,91 1,60 Total 17.236 100% 22.098 100% 206.747.129 100% 1,00 1,00 0,83 *Combinação de todos os modos motorizados individuais: Auto, Taxi, Moto, Fretado e Escolar Fonte: Tabulação própria a partir de dados do GeoSampa, CEM e Pesquisa OD 2017 A interpretação dos dois primeiros índices é bastante direta. Se o índice estiver acima de 1, significa que o modo tem espaço mais do que proporcional ao seu peso (em termos de viagens). Ambos os índices são adimensionais pois estamos comparando proporções. No primeiro índice a comparação se dá por viagem enquanto no segundo índice se dá por uso.. Quando comparamos a proporção de viagens notamos que pedestres, ônibus e bicicletas apresentam índices abaixo de um enquanto os motorizados excluindo o ônibus têm um índice acima de 1. O pior índice se verifica para o ônibus com 0,29. O índice do ônibus é ainda mais baixo quando comparamos com o uso: 0,13. Ou seja, o ônibus ocupa apenas 13% do seu uso relativo do espaço. Uma discussão mais profunda na comparação entre o índice de viagens e o índice de uso é que o primeiro tem uma visão implícita de que cada indivíduo "vale o mesmo". O segundo índice valoriza mais os indivíduos que se deslocam por distâncias maiores. Os que se deslocam a pé, de bicicleta ou de ônibus acabam utilizando menos espaço seja pelo comprimento da viagem seja pela sua ocupação efetiva e, no caso do ônibus, graças ao compartilhamento do veículo, cada usuário ocupa relativamente menos espaço viário. Esse é um fato bastante explorado nas análises de transporte. Em outras palavras, não precisamos necessariamente dividir igualmente o espaço entre os modos para garantir uma melhoria na qualidade dos modos que geram menores externalidades negativas (os modos ativos e coletivos). Mas os modos que usam menos espaço também estão economizando espaço dos modos que necessitam de muito espaço (notadamente os automóveis particulares) e poderiam ser recompensados por isso. 32 2.5 A distribuição espacial do espaço por modo A distribuição de espaço entre modos, em termos de área por viagem produzida na zona de tráfego, apresentada na tabela 4, apresenta considerável variação espacial. A Figura 7 mostra a participação do espaço viário dedicada a cada modo de transporte por zona da Pesquisa OD 2017. As áreas para TPC e bicicleta são tão reduzidas que ao analisar utilizando a mesma escala que para os demais modos praticamente não é possível observar o comportamento territorial. Mas o padrão das calçadas com largura acima da mínima de 1,90m já mostra uma maior concentração em muitas zonas do Centro Expandido e menores concentrações em zonas mais periféricas. De fato, ao analisar em maior detalhe o espaço de calçadas apresentado na Figura 8, essas desigualdades ficam mais evidentes. Ainda que a área total de calçadas no sistema viário municipal represente 32,1% em média do espaço total dedicado à mobilidade (somando com a faixa de serviço), as estimativas apresentadas na nota técnica “Priorizar o transporte ativo a pé” (CEM, 2021) apontam para evidentes discrepâncias entre as áreas da cidade. A Figura 8 mostra que as áreas periféricas e aquelas que incluem comunidades como Paraisópolis e Heliópolis despontam como valores médios abaixo do limiar recomendado de largura mínima (1,90m) e ainda apresentam um volume de viagens a pé em proporção superior ao valor médio da cidade de 32,4%. 33 Figura 7. Participação do espaço viário alocado para cada modo de transporte, por zona Fonte: Elaboração própria a partir de dados de polígonos das zonas OD disponibilizados pelo Metrô, polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM 34 Figura 8. Valores médios de largura de calçadas e proporção de viagens a pé em zonas OD. Fonte: Elaboração própria com base na Nota Técnica “Priorizar o transporte ativo a pé” (CEM, 2021) A demanda de deslocamentos a pé também pode ser visualizada pelas distancias totais de caminhada em cada zona. A Figura 9 mostra uma forma de visualizar a intensidade ou densidade de caminhada, considerando a extensão total dos deslocamentos a pé5 dividida 5Essas distancias incluem tanto as viagens a pé de origem a destino, quanto os trechos de caminhada das viagens por transporte público até o ponto de embarque e desde o local de desembarque até o destino final. 35 pela superfície total urbanizada em cada zona da Pesquisa OD. Como seria esperado, há uma forte correlação entre a quantidade de deslocamentos e a concentração de destinos de viagem, motivo pelo qual observamos as maiores densidades de distancias a pé em zonas centrais, com mais empregos e próximas de eixos estruturais de transporte. Figura 9. Distancias totais diária de caminhada por área urbanizada da zona. Fonte: Elaboração própria com base nos dados da Pesquisa OD 2017 e área urbanizada de 2015 extraídas através de imagens do satélite Landsat 36 Ao cruzar essa medida de demanda de caminhada com as áreas de calçada em cada zona (Figura 10), o resultado mostra que os locais no entorno dos eixos estruturais de transporte também são os que mais se destacam. Mesmo contando com calçadas mais largas que o resto da cidade (Figura 8), as zonas que apresentam as relações mais altas entre demanda de caminhada e oferta de calçadas localizam-se no centro da cidade e nas proximidades da rede metroviária, especialmente em regiões concentradoras de empregos, comercio e serviços. Figura 10. Distancias totais diárias de caminhada por área de calçada da zona. Fonte: Elaboração própria com base nos dados da Pesquisa OD 2017 e dados de calçadas disponibilizados no Geosampa 37 2.6 Análise de desigualdades sociais associadas à distribuição de calçadas O espaço destinado a calçadas, além de escasso, apresenta também uma distribuição que reforça as desigualdades sociais na cidade. O padrão espacial observado no mapa da Figura 8, com calçadas mais estreitas quanto mais periférica a zona, ao ser cruzado com a população residente resulta em uma distribuição que favorece os grupos mais favorecidos da sociedade. Analisando pelo recorte de renda familiar, mostrado na Figura 11, os 30% mais ricos desfrutam (decis D8, D9 e D10) moram em zonas com as maiores larguras de calçada. Em particular os 10% de maior renda contam com mais da metade das calçadas com largura acima do mínimo desejável de 2,50 m, praticamente o dobro do que os 70% mais pobres, e uma quantidade consideravelmente menor de calçadas abaixo do padrão mínimo de 1,90 m (26% para o D10 comparado com os pelo menos 44% do D1 ao D8). Figura 11. Distribuição das áreas de calçada por faixas de largura e por decil de renda familiar Fonte: Elaboração própria com base nos dados do censo de 2010 e dados de calçadas disponibilizados no Geosampa Quando cruzamos com os atributos de classe e de raça da população adulta ocupada6 (Figura 12) também é possível notar como as pessoas brancas de classe alta reside em zonas com percentual consideravelmente maior de calçadas com largura acima do mínimo desejável de 6 Pessoas entre 18 e 65 anos com alguma ocupação ou rendimento. 38 2,50 m. Essa análise mostra como o recorte de raça reforça ainda mais as desigualdades sociais, pois comparando dentro da população de classe alta, é visível a diferença entre as pessoas brancas, que moram em zonas com 36% de calçadas largas, e as pessoas negras da mesma classe social, com 27% de calçadas acima de 2,50 m. A infraestrutura para andar a pé das pessoas negras de classe alta, apesar da diferença ser relativamente pequena, é inclusive menor do que a das pessoas brancas de classe média e de classe baixa (26,7%, 28,6% e 27,5% respectivamente). Figura 12. Distribuição das áreas de calçada por faixas de largura e por grupo social de raça e classe Fonte: Elaboração própria com base nos dados do censo de 2010 e dados de calçadas disponibilizados no Geosampa 2.7 Análise comparativa: São Miguel Paulista, Cidade Tiradentes e Moema Finalmente, a análise de distribuição de espaço viário foi executada também para regiões específicas da cidade com a finalidade de ilustrar com exemplos de situações particulares de maneira a mostrar a variação que pode ser encontrada. As zonas de tráfego em São Miguel Paulista, Cidade Tiradentes e Moema foram utilizadas para recortar as bases de dados e gerar as estatísticas de infraestrutura para cada modo de transporte. São Miguel Paulista representa a área focal utilizada nas diversas etapas do trabalho como estudo de caso, à qual foram somadas as ouras duas como situações complementarias de extremos de perfil socioeconômico na cidade de São Paulo. Moema é 39 reconhecidamente uma região com alta densidade residencial com população de alta renda. O bairro se organiza em quadras reticuladas bem definidas. Cidade Tiradentes no extremo leste do município é também uma zona residencial com conjuntos habitacionais de também alta densidade. Porém, sua população apresenta um perfil socioeconômico de baixa renda. Muitos desses conjuntos foram construídos em projetos de habitação social popular. São Miguel Paulista no leste do município é uma região de uso misto que apresenta um perfil socioeconômico de baixa renda. A comparação entre os perfis urbanísticos dessas três zonas é representativa dos extremos de perfil socioeconômico e de uso presente no município. A seguir, apresenta-se a tabela com as áreas totais de infraestrutura dedicada para cada modo de transporte e os seus percentuais (Tabela 5): Tabela 5. Detalhamento da infraestrutura viária na zona OD de Cid Tiradentes. zona OD Cid zona OD Moema Zonas OD São Miguel Infraestrutura Tiradentes Pta Área total Percentua Área total Percentua Área total Percentua (m²) l (m²) l (m²) l Exclusivo TPC 5.068 0,4% 15.814 3,4% 30.516 2,6% Tráfego misto com 448.917 35,6% 161.185 34,6% 334.309 29,0% TPC Tráfego misto sem 415.281 32,9% 133.558 28,7% 422.418 36,7% TPC Pedestres 392.757 31,1% 154.870 33,3% 365.082 31,7% Ciclistas 1.516 0,1% 4.819 1,0% 4.868 0,4% Fonte: Elaboração própria a partir de dados de polígonos das zonas OD disponibilizados pelo Metrô, polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM Comparando as zonas bem distintas tanto em termos espaciais como em termos de renda o que mais chama a atenção é a semelhança na distribuição do espaço. Na região com alta concentração de conjuntos habitacionais localizada na periferia (Cidade Tiradentes) o espaço dedicado a ciclovias e exclusivamente ao transporte público é consideravelmente menor. Isso se deve ao fato de que os corredores e faixas exclusivas bem como as ciclovias estão concentradas nas áreas mais centrais. Essa concentração faz sentido em geral visto que uma área sem congestionamento não necessita de dar exclusividade ao transporte público. No caso de ciclovias o argumento é semelhante, mas questionável visto que a ciclovia é uma medida de segurança viária. Em geral o congestionamento está concentrado nas áreas centrais. No entanto, nesse caso, temos uma exceção, pois Cidade Tiradentes, apesar de estar localizado na periferia, apresenta alta densidade por conta da decisão tomada nos anos 1970 de concentrar conjuntos de habitação social no bairro. No caso de São Miguel Paulista, encontramos um percentual de infraestrutura viária dedicada ao TPC e ciclistas entre os 40 percentuais de Cidade Tiradentes e Moema, enquanto os percentuais de infraestrutura de tráfego geral com TPC e sem TPC são, respectivamente, menores e maiores do que os encontrados para Cidade Tiradentes e Moema. Os mapas da Figura 13, Figura 14 e Figura 15 ilustram a divisão do espaço para as três áreas selecionadas na escala do quarteirão. Figura 13. Recorte das bases de dados para as Zonas OD da região de São Miguel Paulista Fonte: Elaboração própria a partir de dados de polígonos das zonas OD disponibilizados pelo Metrô, polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM 41 Figura 14. Recorte das bases de dados para a Zona OD da região de Moema Fonte: Elaboração própria a partir de dados de polígonos das zonas OD disponibilizados pelo Metrô, polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM Figura 15. Recorte das bases de dados para a Zona OD da região de Cidade Tiradentes Fonte: Elaboração própria a partir de dados de polígonos das zonas OD disponibilizados pelo Metrô, polígonos de calçadas, rede cicloviária e faixas exclusivas de ônibus disponibilizados pelo Geosampa, 42 polígonos de vias disponibilizados pela SMUL, itinerário das linhas de ônibus disponibilizados pela SPTrans e localização dos corredores de ônibus disponibilizados pelo CEM. 2.8 Análise de Políticas Públicas A Tabela 6 apresenta uma síntese dos dados discutidos detalhadamente nas seções anteriores desse capítulo adicionando o dado de extensão linear da viagem à tabela. Precisamos tomar um certo cuidado pois esses dados não são diretamente comparáveis em alguns casos. Em particular, as vias de uso misto com uma extensão de 4.749 quilômetros, incluem 1.447 quilômetros de faixas de ônibus e 159,5 quilômetros de corredores. Portanto, a largura média dessas vias leva em conta o espaço ocupado por todos esses usos. Nessa tabela separamos faixas exclusivas de corredores e ciclovias de ciclofaixas para permitir uma análise mais cuidadosa da política pública. Temos cerca de 18 mil quilômetros de faixas de rolamento, dos quais 857 km têm faixas segregadas para bicicleta e 1,6 mil quilômetros têm vias segregadas para ônibus. O total de 28 mil quilômetros de calçadas se deve ao fato de que o cômputo de quilômetros de calçada considera cada lado da faixa de rolamento separadamente. Tabela 6. Divisão do Espaço por Modo em uma e duas Dimensões Dedicação Componente viário por tipo de Área Comprimento Largura do espaço uso (ha) (Km) (m) Calçadas Faixa de serviço 2.109 - Abaixo do Mínimo (< 1,9m) 781 12.073,98 0,65 Padrão Mínimo (1,9m a 2,5m) 985 6.706,21 1,47 Padrão Desejável (>= 2,5m) 2.336 8.835,31 2,64 Ônibus Faixas de ônibus 506 1.447 3,50 Corredores de ônibus 56 159,5 3,50 Tráfego Vias mistas (% dedicada ao TPC) 688 4.749 11,91 misto Vias mistas (% dedicada ao TPI) 4.406 Vias sem linhas de ônibus (uso 7.349 13.616 5,40 exclusivo de TPI) Bicicleta Uso exclusivo de bicicletas 26 170 1,50 (Ciclovias) Uso exclusivo de bicicletas 103 687 1,50 (Ciclofaixas) Fonte: Tabulação própria a partir de dados do GeoSampa e CEM Outra observação relevante sobre essa tabela é que os dados de corredores de ônibus, faixas exclusivas, ciclovias e ciclofaixas são disponibilizados pelo GeoSampa e CEM em formato de linha (unidimensional). Portanto, tivemos que atribuir uma largura para essas infraestruturas. A decisão de atribuir o valor de 3,5 m de largura para corredores e faixas exclusivas foi baseada em uma norma indicando que os corredores devem ter entre 3,2m e 3,7m (optamos por utilizar o valor mediano). Não achamos nada específico para faixa exclusiva, então 43 decidimos utilizar o mesmo valor para faixas exclusivas. A decisão de atribuir 1,5 m para ciclovias e ciclofaixas também partiu das normas para largura mínima de ciclovias. Também nesse caso, não encontramos nenhuma norma específica para ciclofaixas e, novamente, optamos por utilizar a mesma norma. Uma primeira análise de política pública que podemos fazer a partir dessa tabela para favorecer o transporte por ônibus é pensar em aumentar o espaço disponível para esse modo. Como vimos, o espaço dedicado ao ônibus é extremamente limitado em termos relativos. Em 3.143km de vias não há qualquer priorização para o transporte público ocupando 688Ha. Portanto, a largura implícita dedicada7 ao ônibus é de 2,19m. Dada a simplificação de que faixas exclusivas e corredores ocupam o mesmo espaço, poderíamos imaginar o que ocorreria se aumentássemos o espaço do ônibus de 2,19m para 3,5m em todas as vias com tráfego misto que ainda não têm segregação. Fazendo essa conta simples, concluímos que seria necessário adicionar 412Ha de espaço ao ônibus que representa uma perda de menos de 10% na área atualmente ocupada pelos outros motorizados. O índice de ocupação do espaço por viagens dos ônibus aumentaria para 0,39 (reduzindo o índice para os outros motorizados para 1,68) e o índice por uso para 0,17, ainda bem abaixo de 1, reduzindo o índice para os outros motorizados para 1,85, ainda consideravelmente acima de 1. Esse primeiro exercício mostra duas conclusões importantes de políticas públicas de transportes a partir dos dados construídos no âmbito desse projeto. Em primeiro lugar, a meta de igualdade absoluta em termos de área/viagem ou área por uso, na distribuição do espaço não tem muito sentido se comparado dessa maneira, pois, ainda que de forma aproximada, garantindo segregação em 100% das vias onde há tráfego misto, não chegamos a tal equilíbrio de índice/modo. Um dos benefícios sociais do transporte coletivo é justamente reduzir drasticamente a necessidade de espaço e é isso que justifica o resultado do índice menor para transporte coletivo, mesmo se todas as vias de tráfego misto passassem a ter faixa exclusiva para ônibus. Em relação à política para os modos ativos, o que os índices estão apontando é que o espaço dedicado às calçadas não parece tão pequeno como esperávamos antes de realizar a análise. Mesmo retirando a faixa de serviço o espaço dedicado aos pedestres não apresenta a disparidade observada para os ônibus. Se considerarmos o uso, o pedestre é o modo com maior espaço na cidade. O problema do espaço dedicado à caminhada é a inadequação das calçadas. Como podemos observar na Tabela 4.1, temos 12 mil quilômetros de vias com largura abaixo do mínimo e outros 7 mil quilômetros com vias abaixo do padrão desejável. Portanto, o que essa análise aponta, é que o problema de caminhabilidade é qualitativo e não quantitativo. Em outras palavras, precisamos entender o que significa ter uma malha de 7 Note-se que essa é uma abstração visto que em 2,19m não caberia um ônibus padron. 44 calçadas dentro do mínimo desejável para esse modo, seja com aumento de suas larguras, redistribuindo o espaço, seja com melhoria de qualidade. A largura das calçadas que nesse caso é real (não arbitrada como no caso das vias segregadas para ônibus e bicicletas) mostra o que queremos dizer com a qualidade da oferta de calçadas. Os 12 mil quilômetros de calçadas abaixo do mínimo apresentam uma largura média de 65cm ao retirarmos a faixa de serviço. Esse é um valor bem abaixo do limite mínimo de 1,20m para a circulação de pedestres. Os 6,7 mil quilômetros de calçadas com o padrão abaixo do desejável têm uma largura média praticamente na mediana da faixa (retirando a faixa de serviço, esse grupo teria entre 1,2m e 1,8; portanto a largura mediana seria de 1,5m). Na Tabela 4.2 mostramos o volume de espaço adicional necessário para que as calçadas tenham uma largura mínima bem como uma largura desejável. Tabela 7. Necessidade de Área Adicional para Garantir Calçadas com Qualidade Ampliação Distribuição Atual Ampliação para Tipo de oferta para padrão (Ha) padrão desejável mínimo Faixa de serviço 2.109 Sem condições mínimas p/ 797 708 1.441 circulação de pedestres Com condições mínimas p/ 3.305 213 circulação de pedestres Total 6.211 708 1.654 Fonte: Tabulação própria a partir de dados do GeoSampa e do CEM. Diferentemente do que encontramos para os ônibus, o espaço demandado para ter calçadas com qualidade de fato é significativo. Precisamos de 4 vezes mais espaço para garantir que as calçadas tenham um tamanho desejável do que necessitamos para garantir segregação dos ônibus em toda a sua malha. Para além das questões orçamentárias discutidas em outra seção, a melhoria das calçadas tem um problema grave de distribuição do espaço. Ainda que o uso seja bem menor, oferecer calçadas com um tamanho desejável exigem que o índice de proporção de área em relação à proporção de calçadas seja praticamente 1 como podemos ver na Tabela 8. Como temos insistido, pode ser uma mera coincidência. A política pública deve partir de conceitos que façam sentido na prática. Esses índices fazem sentido apenas em termos comparativos entre regiões no mesmo momento do tempo ou para uma região ao longo do tempo. Tabela 8. Valores totais e percentuais da área de componente do espaço viário no MSP hipotética para políticas públicas de valorização dos modos coletivos e ativos Modo Área Viagens Pax*km Índices Há % Milhares % Pax*km % Viagens Pax*km Km2/pax* (1) (2) (3) (4) (5) (6) (2)/ (4) (2)/ (6) km (1)/(5) 45 Pedestre 5.756 33% 7.734 35% 16.994.962 8% 0,95 4,06 0,034 Ônibus 1.662 10% 5.502 25% 115.266.472 56% 0,39 0,17 0,001 Bicicleta 129 1% 212 1% 789.071 0% 0,78 1,96 0,016 Outros * 9.688 56% 8.650 39% 73.696.624 36% 1,44 1,58 0,013 Total 17.235 100% 22.098,00 100% 206.747.128 100% 1,00 1,00 0,008 * Auto, Taxi, Moto, Fretado e Escolar Fonte: Tabulação própria a partir de dados do GeoSampa, CEM e Pesquisa OD 2017 Na Tabela 8 apresentamos novamente os índices de distribuição do espaço destinado à mobilidade considerando essas duas políticas públicas discutidas acima para o ônibus e para o modo a pé. O que ocorreria com os índices se transferíssemos para o ônibus urbano e para as calçadas espaço que hoje em dia está dedicado aos outros transportes motorizados. Os motorizados que não os ônibus continuam ocupando mais espaço que representam em viagens ou em uso e os ônibus continuam representando consideravelmente menos em qualquer medida (muito menos se pensamos em termos de uso). Os pedestres ficam praticamente igualados em termos de viagens, mas passam a representar ainda mais se consideramos o seu uso. Parece que a mudança faz sentido em termos de índices. Pensando no espaço, não parece extremamente complexa a implementação de segregação para o ônibus em toda a malha de transportes. Além da questão orçamentária somada à dificuldade de execução no caso dos corredores, há uma dificuldade de fiscalização no caso das faixas exclusivas de ônibus. Uma fiscalização efetiva implicaria no monitoramento da via. O custo financeiro desse monitoramento (essencialmente implementação de radares) via de regra seria mais do que compensado pela receita de multas, então não estamos falando de dificuldades financeiras para implementar o monitoramento em tempo real. A dificuldade é política: multas são extremamente impopulares. A implementação de uma malha integral de calçadas com largura desejável certamente implica em redução considerável de espaço de estacionamento. Note-se na Tabela 6 que a largura média das vias sem tráfego misto é de 5,4m. Se considerarmos que a média de largura da parcela da calçada dedicada ao pedestre nos casos em que está abaixo do mínimo é de 0,65, precisaríamos adicionar 1,15m em cada calçada, ou seja, 2,3m no total restando 3,1m para os veículos. É viável mas significa que essa rua deveria ser mão única ou de fato compartilhada. Em outras palavras, a avaliação da distribuição do espaço está mostrando que a única forma de se garantir um espaço desejável para os pedestres é através do compartilhamento da infraestrutura. Os dados indicam que é possível que essa seja a realidade de uma grande parcela dos 12 mil quilômetros de calçadas com largura abaixo do mínimo. 46 47 3 EMISSÕES VEICULARES DE GEE E CONTAMINANTES ATMOSFÉRICOS Esta seção é dedicada à estimativa das emissões de gases de efeito estufa (GEE) e contaminantes decorrentes das viagens motorizadas realizadas no MSP. Os dados e metodologia apresentados a seguir foram retirados do Inventário de Emissões Atmosféricas do Transporte Rodoviário de Passageiros no Município de São Paulo produzido pelo Instituto de Energia e Meio Ambiente em 2017 (IEMA,2017). Este estudo teve como fontes principais relatórios da CETESB, a Pesquisa Origem-Destino 2007, a SPTrans e o Ministério do Meio Ambiente. O estudo provê uma série de parâmetros que permitem relacionar o volume de viagens realizadas com o consumo de diferentes combustíveis e a emissão de diferentes tipos de gases. O Inventário aplica uma abordagem ‘bottom-up’, ou seja, aplicam-se fatores de emissão específicos para um conjunto de viagens realizadas por diferentes modos na cidade. Os totais de viagens foram determinados originalmente a partir da Pesquisa OD 2007 do Metrô-SP. Como não temos um modelo de alocação para a OD de 2017/18, seguimos com os dados de 2007 e utilizamos os dados desse ano para a normalização dos resultados. Isso significa que a nossa análise assume implicitamente que não houve mudança significativa na emissão ao longo desses 10 anos. Sabemos que a tecnologia melhorou consideravelmente nesse período com a aquisição de diversos veículos Euro 5 no caso dos ônibus e com motores cada vez mais eficientes em termos de emissão. De acordo com o painel intergovernamental para mudanças climáticas (IPCC), os principais gases que contribuem para o aumento do efeito estufa são os seguintes: • Dióxido de Carbono – CO2 – Responsável por cerca de 60% do efeito-estufa, cuja permanência na atmosfera é de pelo menos centena de anos; • Metano – CH4 – Responsável por 15 a 20% do efeito estufa, é componente primário do gás natural; • Óxido Nitroso – N2O – Participando com cerca de 6% do Efeito-Estufa. Além dos principais GEE, o estudo do IEMA também estimou o volume de emissões de gases contaminantes atmosféricos e aerossóis que estão associados a problemas de saúde pública. Aqui trataremos de apresentar as estimativas e discutir o peso relativo dos modos de transporte nas emissões. 3.1 Bases de dados Os dados utilizados no inventário de emissões (IEMA, 2017) de GEE para TIM foram: 48 • Dados do modelo de transporte construído pela Companhia de Engenharia de Tráfego (CET) do município, cedidos ao IEMA em propósito específico pela própria. • Dados da “Pesquisa Origem Destino 2007” e dados da “Pesquisa de Mobilidade Urbana 2012”, elaboradas pela Companhia do Metropolitano de São Paulo (Metrô- SP). • Fatores de emissão e consumos específicos de combustível (Tabelas 9, 10 e 11) gerados a partir dos “Inventários Nacionais de Emissões Atmosféricas por Veículos Automotores Rodoviários” (MMA, 2011 e MMA, 2014) e do “Relatório de Emissões Veiculares no Estado de São Paulo 2015” (CETESB, 2016). Os dados utilizados no inventário de emissões de GEE para TPC foram: • Taxa de atividade (ou distância percorrida): monitoramento da operação do sistema de transporte coletivo por ônibus via sistema de posicionamento global fornecido pela SPTrans. • Fatores de emissão e consumos específicos de combustível publicados (Tabela 9) pela Agência Ambiental Europeia (EEA), considerando-se que a maior parte dos fabricantes de chassis de ônibus no Brasil tem origem europeia. Os parâmetros do modelo de transporte estão sendo atualizados a partir dos resultados da nova Pesquisa OD 2017. Já os dados das distâncias percorridas por ônibus serão atualizados com medições mais recentes das atualizadas no Inventário do IEMA em 2017 e comporão os resultados finais desta análise. Tabela 9. Fatores de emissão e de consumo de combustível médios para automóveis Parâmetro de consumo Dedicados Dedicados Flex-Fuel de combustível e fatores Gasolina C Etanol Gasolina C Etanol de emissão Hidratado Hidratado Consumo de combustível 0,0895 0,1225 0,0830 0,1201 (L/km) CO (g/km) 1,2103 8,4930 0,3184 0,4703 NOx (g/km) 0,1907 0,8566 0,0295 0,0357 NMHCcomb (g/km) 0,1319 0,8422 0,0384 0,0564 NMHCevap (g/km) 0,0804 0,6891 0,0502 0,0543 RCHO (g/km) 0,0063 0,0773 0,0017 0,0108 MPcomb (g/km) 0,0017 - 0,0012 - CH4 (g/km) 0,0373 0,1630 0,0121 0,0369 N2O (g/km) 0,0211 0,0095 0,0196 0,0170 Fonte: IEMA 2017 Tabela 10. Fatores de emissão e de consumo de combustível médios para motocicletas Flex-Fuel Parâmetro de consumo de Dedicados Etanol combustível e fatores de emissão Gasolina C Gasolina C Hidratado 49 Consumo de combustível (L/km) 0,0270 0,0242 0,0350 CO (g/km) 2,7374 0,7854 0,7196 NMHCcomb (g/km) 0,3575 0,0995 0,1129 NOx (g/km) 0,1061 0,0551 0,0447 MPcomb (g/km) 0,0059 0,0035 - MPdesg (g/km) 0,0094 0,0094 0,0094 CH4 (g/km) 0,0719 0,0330 0,0374 N2O (g/km) 0,020 0,0020 - Fonte: IEMA 2017 Tabela 11. Fatores de emissão e de consumo de combustível médios para ônibus Poluente ou gás Fator de emissão MPdesg 0,097 CH4 0,06 N2o 0,03 Fonte: IEMA 2017 3.2 Métodos e Procedimentos O método empregado nas estimativas do IEMA usa basicamente uma taxa de atividade associada à distância percorrida pelos veículos e aplicando-se os fatores de emissão correspondente para cada gás em unidades compatíveis. Para o dióxido de carbono é necessário estimar inicialmente a quantidade de combustível queimado levando em conta o consumo de combustível associado ao deslocamento dos veículos. A Figura 16 traz o fluxograma geral da metodologia ‘bottom-up’ adotada pelo IEMA. 50 Figura 16. Fluxograma geral da metodologia ‘bottom-up’ para emissões de GEE e contaminantes atmosféricos Fonte: Adaptado de IEMA 2017 Um problema dessa metodologia é que ela assume zero emissões para os trilhos. Essa é uma aproximação bastante equivocada pois, apesar das emissões não ocorrerem na cidade, não é verdade que a energia elétrica não gere emissões. No caso brasileiro sabemos que qualquer energia adicional necessária é suprida por termelétricas movidas a Diesel. As termelétricas são mais eficientes do que os motores a combustão, porém até que ponto são mais eficientes do que o Euro 6, por exemplo? Esse "equívoco" na metodologia de cálculo de emissões tem consequências para a política pública. Há atualmente um certo consenso de que a migração para veículos elétricos seria a grande solução para o problema ambiental. Uma vez mais, soluções que não alteram o status quo são sempre preferidas. Vale a pena qualificar então nossos dados nesse sentido. Na prática, é extremamente difícil estimar de fato emissões de veículos movidos a energia elétrica, pois isso implicaria em entender em detalhes a sua geração. Não haveria como incluir tal análise no escopo desse projeto. A nossa estratégia teve então que ignorar os trilhos e considerar apenas os valores relativos do transporte, excluindo trilhos como já mencionado na seção anterior. 51 3.3 Resultados para Emissões A sequência de cartogramas apresentados a seguir (Figuras 17 a 20) traz os dados com as estimativas de cada gás/aerossol em células que recobrem o território do MSP, diferenciando as fontes emissoras entre ônibus e automóveis. Em geral, como esperado, as áreas mais críticas correspondem aos grandes corredores de circulação viária na cidade. O centro também apresenta níveis significativamente maiores de emissão em todos os componentes analisados. Figura 17. Emissões diárias de Dióxido de Carbono (ton/dia) por fonte emissora Fonte: IEMA, 2017, elaboração própria Fonte: IEMA, 2017, elaboração própria 52 Figura 18. Emissões diárias de Metano (ton/dia) por fonte emissora Fonte: IEMA, 2017, elaboração própria Figura 19. Emissões diárias de Óxido Nitroso(ton/dia) por fonte emissora Fonte: IEMA, 2017, elaboração própria 53 Figura 20. Emissões diárias de Dióxido de Carbono Equivalente (ton/dia) por fonte emissora Fonte: IEMA 2017, elaboração própria A Tabela 12 traz as estimativas em toneladas de emissões veiculares diárias (dia típico de 2015) de GEE e contaminantes atmosféricos. O IEMA inventariou as emissões de monóxido de carbono (CO), Metano (CH4), óxido nitroso (N2O), óxidos de nitrogênio (NOx), material particulado total (MPTotal), hidrocarbonetos não-metano (NMHC), aldeídos (RCHO), dióxido de carbono (CO2) e dióxido de carbono equivalente (CO2e). Tabela 12.Estimativas de emissões diárias de GEE e contaminantes atmosféricos (em toneladas) por tipo de veículo (base OD 07) Subcategoria CO Nox NMHC RCHO MPtotal CH4 N2O CO2 CO2e Automóveis 65.8 6.2 12.1 0.5 2.0 2.3 1.5 6748.9 7252.9 Motocicletas 19.5 0.8 2.6 0.0 0.1 0.5 0.0 296.9 312.6 Ônibus 6.8 25.4 1.1 0.0 0.7 0.1 0.1 2355.7 2381.0 Municipal Ônibus 0.2 0.5 0.0 0.0 0.0 0.0 0.0 86.7 88.1 Rodoviário TOTAL 92.4 32.9 15.7 0.5 2.9 3.0 1.6 9488.1 10034.6 Fonte: IEMA, 2017 É importante destacar que há algum descompasso temporal na análise. O levantamento de emissões ocorreu em 2015 mas, nesse ponto do tempo, a única pesquisa OD disponível era a de 2007. A nossa referência central é o relatório do IEMA lançado em 2017 utilizando essa combinação de dados veiculares de 2015 com a OD de 2007. A Tabela 13 mostra os valores relativos das contribuições de cada tipo de veículo. Os resultados indicam que os automóveis 54 têm um grande peso nas emissões de GEE na cidade de São Paulo. Assim como nos dados associados ao consumo do espaço do sistema viário indicavam uma desproporcionalidade na relação pessoas transportadas e uso de espaço quando comparados os modos individuais privados com os modos de transporte coletivos, também nas estimativas de contribuição aos efeitos de aquecimento global o impacto é consideravelmente desproporcional. Se considerarmos as estimativas em dióxido de carbono equivalente (CO2e) como um indicador agregado do potencial indutor do efeito estufa, os automóveis contribuem com 72.3% das emissões diárias no município de São Paulo enquanto ônibus municipais 23,7%. Com relação aos contaminantes atmosféricos, o transporte motorizado individual (motos e carros) é responsável por mais de 75% do valor total de materiais particulados totais (MPTotal), restando menos de 1/4 do total sob responsabilidade do ônibus. Tabela 13. Contribuição de cada tipo de veículo nas emissões diárias de GEE e contaminantes atmosféricos por tipo de veículo (base OD 07) Subcategori CO Nox NMHC RCHO MPtota CH4 N2O CO2 CO2e a l Automóveis 71.2% 18.8% 76.7% 100.0% 71.4% 77.1% 94.2% 71.1% 72.3% Motocicletas 21.2% 2.4% 16.3% 0.0% 4.1% 17.8% 0.9% 3.1% 3.1% Ônibus 7.4% 77.3% 7.0% 0.0% 23.9% 4.8% 4.6% 24.8% 23.7% Municipal Ônibus 0.2% 1.5% 0.0% 0.0% 0.6% 0.3% 0.3% 0.9% 0.9% Rodoviário Fonte: IEMA, 2017 Em 2007, automóveis, táxis e motos, ou seja, o transporte individual motorizado (TPI) representavam 33,4% das viagens e 75,4% das emissões em carbono equivalente. Os ônibus eram responsáveis por 23,7% das emissões e 27,1% das viagens. Fazendo uma conta simplista podemos dizer que um aumento de 1% no total de passageiros no TPI gera um aumento de 2,26% (75,4/33,4) nas emissões de gases do efeito estufa enquanto um aumento de 1% no transporte por ônibus gera um aumento de 0,87% (23,7/27,1) das emissões. Portanto, deslocar 1% de passageiros do TPI para o ônibus geraria uma redução líquida de 1,38% nas emissões. Se considerarmos o preço do crédito de carbono em 31 de dezembro de 2021 no mercado futuro (80,65 euros8) e o volume total de emissões diárias do município de São Paulo (10 mil toneladas de CO2e) a mudança de 1% dos usuários do TPI para o ônibus geraria uma economia de aproximadamente 11,1 mil euros por dia. Se considerarmos as 7,06 milhões de viagens por TPI, podemos dizer que cada viagem por TPI custa 0,08 euros para o meio ambiente por dia ao meio ambiente. Uma outra forma de realizar essa conta seria utilizar o total de viagens por modo e comparar com as emissões por modo. Isso nos levaria à seguinte conclusão: mil viagens por TPI geravam, em 2007, 1,07 toneladas de emissões (7566/7060) enquanto mil viagens por ônibus 8 Veja-se, por exemplo, https://br.investing.com/commodities/carbon-emissions-historical-data. 55 geravam, em 2007, 0,42 toneladas de emissão (2469/5896) somando as viagens por ônibus e fretados. Se reduzirmos 1% das viagens por TPI teríamos uma redução de 75.54 toneladas de emissão de CO2 equivalente por dia, enquanto o aumento de 70.60 mil viagens de ônibus aumentaria as emissões em 29,65 toneladas. Portanto, uma mudança na participação que permitisse uma redução de 1% no TPI compensada por uma "transferência" dessas viagens o ônibus reduziria as emissões em 45,89 toneladas de CO2 equivalente ou 3.701 euros por dia. Nessa perspectiva, os custos ambientais de se utilizar o TPI (vis a vis o ônibus) seria de 5 centavos de euro por dia. Evidentemente, quando comparamos com os modos ativos, o resultado líquido é o mesmo que o resultado bruto. Isso porque o transporte ativo não gera nenhuma emissão. Portanto, uma redução de 1% de participação do TPI com aumento equivalente no transporte ativo reduziria as emissões em 2,26% se adotarmos a perspectiva da proporção ou uma redução de 76 toneladas por dia se utilizamos a perspectiva de emissões por viagem do parágrafo anterior. Assim, o custo ambiental do transporte público depende da perspectiva que se adota. Se a nossa "linha de base" é o transporte ativo, cada viagem por TPI gera 76 quilos de CO2, o que poderia ser totalmente evitado se fosse por transporte ativo. Evidentemente há diversos limites ao transporte ativo como substituto viável para qualquer viagem por TPI. Voltaremos a essa questão mais adiante pois esse é um balizamento para uma decisão de políticas públicas de transporte. 3.4 Índices para emissões A discussão anterior considerou algumas formas de se estimar a redução potencial na emissão de gases do efeito estufa dada uma mudança na distribuição modal. Nessa seção apresentamos um índice de emissão de CO2e com interpretação clara e com aplicação direta para a análise de políticas públicas. Adicionalmente, esse índice pode ser utilizado para todas as externalidades negativas que analisamos nesse relatório. Essencialmente utilizamos o total de emissões por modo (Tabela 12) em relação ao número de viagens vezes quilômetros (Pax*km). Esse índice nos dá, portanto, o total de CO2e por quilômetro de deslocamento de passageiros por modo. As comparações realizadas acima podem ser realizadas de forma bem mais direta com esse indicador. Para converter esses valores para valores financeiros, utilizamos o valor da tonelada de carbono citada anteriormente. Como o mercado de carbono é cotado em euros, convertemos o valor para dólares e reais mas apresentamos o valor na moeda original para permitir outras conversões possíveis. 56 Tabela 14. Emissão de CO2 equivalente em gramas por km e custo social por 1.000 km Modo CO2e Euros Dólares Reais Automóveis 127,43 10,28 11,64 64,94 Motocicletas 45,65 3,68 4,17 23,26 Ônibus 20,66 1,67 1,89 10,53 Municipal Fonte: Tabulação própria a partir de Iema (2017) e Pesquisa OD de 2017. Valor da tonelada de carbono retirado de https://br.investing.com/commodities/carbon-emissions-historical-data e fator de conversão do euro para dólares e reais retirado de http://idealsoftwares.com.br/indices/euro2021.html. A partir dessa tabela temos uma conta direta. Cada mil quilômetros que reduzimos no uso de automóveis e substituímos por modos ativos representa uma economia de 65 reais para a sociedade se considerarmos que o mercado de crédito de carbono reflete o custo social das emissões. Certamente essa é uma hipótese discutível pois o mercado de carbono depende essencialmente da oferta e demanda a qual depende de uma série de fatores conjunturais. Por exemplo, em janeiro de 2020 o crédito de carbono estava cotado a 24,31 euros. Os anúncios do presidente recém eleito dos EUA levaram a um crescimento muito alto desse mercado ao longo do ano. Muito acreditam que o valor do carbono no mercado não reflete de fato o seu custo social por conta dos fatores políticos bem como de outros fatores que não têm efeito no mercado mas que afetam a sociedade. De todo modo, essa é a forma de medir o custo que adotamos. É bem simples utilizar outro critério de avaliação do valor monetário do carbono e alterar a Tabela 14 e recalcular o valor dessa externalidade. Além de permitir uma comparação direta entre os modos do ponto de vista de emissões a monetarização, independente de eventuais críticas ao critério de mercado, serve para comparar essa externalidade com as demais. A estimativa dá uma medida do custo social dessa externalidade para a sociedade. Por exemplo, se pretendemos cobrar dos automóveis o que geram de externalidade em termos de emissão de gases do efeito estufa, poderíamos cobrar 6,5 centavos por quilômetro rodado pelos automóveis e 2,3 centavos por quilômetro rodado de motocicleta. Se a decisão fosse por não cobrar dos usuários de ônibus, o que pode ser justificável por diversos motivos (incluindo a economia de espaço já discutida), deveríamos cobrar 5,4 centavos por km de automóveis (a diferença entre o custo social da externalidade gerada pelos automóveis e a externalidade gerada pelos ônibus) e 1,3 centavos por quilômetro das motocicletas. Esse tipo de análise será realizado para todos as externalidades discutidas nos capítulos que se seguem. Com isso, temos alguma uniformidade nas diversas análises que têm diversas especificidades como ficará claro a seguir. Na realidade, a análise de emissões é a mais simples de se realizar por uma série de motivos. Em primeiro lugar, a emissão (o impacto de se utilizar um determinado modo) é a própria consequência da estimativa. Esse não é o caso dos sinistros, por exemplo, pois a externalidade se verifica em internações e óbitos que são 57 uma consequência dos sinistros. O segundo ponto é que temos nesse caso de emissões um indicador de valor de mercado. Ainda que o valor seja discutível, como observamos anteriormente, é relativamente direto. Uma questão relevante de políticas públicas é se devemos cobrar as emissões na escala local ou não. Como as emissões têm efeito global, não importa onde ocorrem no planeta. Emitir GEE em São Paulo ou na China causa o mesmo efeito deletério para o planeta. Nesse caso, estamos falando de emissões decorrentes do consumo de combustíveis. Portanto, o mais lógico seria cobrar a externalidade diretamente no consumo do combustível. Porém, a cobrança local poderia se justificar se pensarmos em incentivos para a troca modal como discutido anteriormente. Acreditamos que essa medida seja bastante útil para pensar as políticas públicas de transporte de maneira ampla antes de implementá-las. 58 4 TEMPO DE VIAGEM ADICIONAL POR CONGESTIONAMENTO A versão anterior do presente produto C apresentou a metodologia proposta para este componente da análise de externalidades, baseada em um modelo de alocação de viagens de transporte privado individual, com o qual é possível obter estimativas de carregamentos e níveis de saturação de cada trecho da rede viária. Essa ferramenta permitiria avaliar diferentes cenários hipotéticos de demanda e analisar o comportamento resultante em termos de velocidades e tempos de viagem. No entanto, devido à falta de um insumo crítico, apesar de avanços significativos no processamento de dados e montagem da rede para o desenvolvimento da ferramenta, não foi possível completá-la. O produto dessa atividade, apesar de não ter sido utilizado de forma direta para gerar os resultados das análises deste componente do estudo, possui ainda assim um significativo valor em termos de desenvolvimento ferramental que poderá ser aproveitado e reutilizado futuramente, com um grande potencial para ser explorado pela Prefeitura para além deste projeto na criação de aplicações para análise de fluxos e carregamentos na rede viária. Por esse motivo, optou-se por incluir nos apêndices (Apêndices 3 e 4) uma descrição desse trabalho, para efeito de registro e possível utilização futura. Foram exploradas outras alternativas metodológicas para calcular o tempo de viagem adicional por congestionamento que pudessem ser executadas com as fontes de dados disponíveis ou passíveis de obtenção por parte da equipe do projeto, sem depender de insumos que condicionados por terceiros. A opção formulada para essa finalidade, se bem não permite avaliar cenários hipotéticos de demanda e oferta distintos do cenário base, possibilita o cálculo de estimativas de tempos de viagem para diferentes horas do dia a partir de dados observados de velocidade. Assim, ao comparar essas estimativas com os tempos mínimos entre zonas (como proxy do tempo em fluxo livre), chega-se a valores aproximados de tempo adicional por congestionamento para o cenário base. Dessa forma, completa-se o quadro mais amplo de cálculo de externalidades econômicas para a situação atual de interesse para o Produto C. 4.1 Dados e Métodos Definições iniciais 59 O gráfico da Figura 21 ilustra conceitualmente o comportamento do tempo de viagem para um determinado trecho de via em função da saturação (volume sobre capacidade máxima), distinguindo os dois componentes principais desse tempo utilizados para estimar o tempo adicional por congestionamento. Tipicamente, enquanto a demanda não atingir uma determinada densidade de veículos, as condições de circulação praticamente não alteram o tempo de viagem, que se mantém próximo à chamada velocidade de "fluxo livre". Até o ponto de saturação (indicado como "Situação 1"), o aumento do fluxo não altera o tempo de deslocamento para uma determinada distância. A partir desse ponto, a velocidade cai progressivamente com o aumento do fluxo veicular, aumentando o tempo de viagem para percorrer esse mesmo trecho. Assim, podemos distinguir dois componentes de interesse: • o tempo em fluxo livre (tfl), equivalente ao tempo mínimo para percorrer esse trecho na velocidade de fluxo livre; e • o tempo adicional por congestionamento (tac), que corresponde ao incremento no tempo total relativamente ao tempo mínimo em fluxo livre. Figura 21. Gráfico esquemático da relação entre tempo de viagem por saturação na via Fonte: Elaboração própria Em análises baseadas em modelos de alocação, onde se obtém o carregamento em cada link da rede de simulação, esse marco conceitual é aplicável a cada segmento de via, permitindo 60 calcular os respectivos tac e tfl e multiplicá-los pelo volume de viagens correspondente. Essa seria o que podemos denominar para efeitos desta discussão, uma análise “desagregada” para cada trecho das viagens realizadas na área de estudo. Já a abordagem proposta para estudar o cenário base sem essa ferramenta, em contraposição, corresponde a uma análise “agregada”, já que se calculam os componentes de tempos de viagem mencionados acima como valores totais para cada par de zonas origem-destino. Cabe observar que as viagens realizadas em transporte privado individual, apesar de serem as principais responsáveis pela saturação viária, não são as únicas afetadas pelo congestionamento. Os ônibus que operam em tráfego misto, isto é, sem infraestrutura exclusiva ou prioritária, também circulam mais lentamente nos trechos em que a velocidade é reduzida pela saturação viária. Por esse motivo, foram abordados os dois principais modos de transporte motorizado da área de estudo, responsáveis pela maior parte da externalidade total por tempo em congestionamento: transporte privado individual (TPI), constituído principalmente por automóveis particulares, e transporte público coletivo (TPC), que combina os sistemas de ônibus, metrô e trem da RMSP. Para fins dessa análise o sistema de trilhos não tem impacto sobre os tempos de deslocamento nas vias por conta de sua segregação absoluta. Em relação ao recorte espacial desta análise, foram computados unicamente os tempos de viagem referentes aos deslocamentos internos ao MSP em função dos dados disponíveis, conforme explicado a seguir. Dados Os dois insumos principais para calcular os tempos de viagem (total e por componente) na área de estudo são para os dois modos de transporte: • Pesquisa Origem-Destino 2017: fonte de dados para gerar as matrizes de viagens entre cada par de zonas para cada hora do dia, para ambos os modos. • Uber Movement: fonte para obter as velocidades observadas em cada link da rede viária em cada hora do dia, a partir do qual é feito o processamento via SIG para calcular o tempo de viagem em TPI aproximado entre cada par de zonas. • GTFS: fonte para obter os tempos de viagem em TPC entre cada par de zonas para cada hora do dia através do pacote r5r. O Apêndice 2 - Metodologia simplificada para estimar tempo adicional em congestionamento através de dados de velocidade discute em maior detalhe os principais aspectos sobre os insumos, mas cabe destacar aqui uma característica chave que condiciona a delimitação espacial desta análise. Ambas as fontes de dados para o cálculo dos tempos de viagem possuem sérias limitações fora do MSP. 61 A plataforma do Uber Movement somente gera estimativas de velocidade média nos links da rede viária onde registrou uma amostra mínima de usuários em cada hora do dia. Assim, o atributo de velocidade está de fato preenchido apenas para uma parcela dos trechos viários, concentrados principalmente na rede viária principal com os maiores volumes de tráfego. Isso significa que uma quantidade significativa de vias locais e em muitas regiões periféricas não apresentam a variável de velocidade média observada porque não atingiram essa amostra mínima em determinada hora do dia. Para esses links foi assumida a premissa de que a velocidade observada é equivalente da velocidade de fluxo livre (no caso, a velocidade máxima permitida no link), evitando de essa maneira qualquer sobrevaloração da externalidade em análise. Isso representa uma provável superestimação das velocidades em trechos de via com volumes de tráfego mais baixos, o que mantem a análise conservadora para fins de confiabilidade do resultado. O GTFS produzido pela Prefeitura é um insumo de enorme utilidade para diversas finalidades de avaliação, monitoramento e planejamento. Em anos recentes, inclusive, a SPTrans passou a gerar essa base a partir dos dados de GPS dos ônibus, o que confere uma confiabilidade e acurácia ainda maior do que a anterior (previamente gerar com base na oferta planejada). De fato, essa nova característica é justamente a que permitiu desenvolver a presente análise. O GTFS contém todas as linhas de ônibus do MSP, bem como a rede completa de Metrô e da CPTM, já que são os sistemas mais relevantes para a SPTrans, responsável por gerar esse arquivo. No entanto, ao não ter tanta capilaridade nos demais municípios da RMSP, os tempos de viagem estimados só são realistas para os deslocamentos internos ao MSP. Por esse motivo, a análise se limitou a essas viagens. Métodos O diagrama da Figura 22 resume esquematicamente a metodologia de cálculo do tempo de viagem adicional por congestionamento para TPI, que representa as externalidades para os deslocamentos em automóvel internos ao MSP. O Apêndice 2 - Metodologia simplificada para estimar tempo adicional em congestionamento através de dados de velocidade descreve de forma mais pormenorizada a formulação matemática e discute os principais aspectos do método proposto. 62 Figura 22. Resumo de dados e métodos para tempo adicional por congestionamento para TPI Fonte: Elaboração própria A metodologia para essas externalidades para os deslocamentos em TPC seguem procedimento análogo ao anterior, porém utilizando como insumo o GTFS da rede de transporte público ao invés dos dados de velocidade do Uber Movement. A Figura 23 resume esquematicamente a metodologia de cálculo do tempo de viagem adicional por congestionamento para TPC, descritos e discutidos em maior profundidade no Apêndice 2 - Metodologia simplificada para estimar tempo adicional em congestionamento através de dados de velocidade. 63 Figura 23. Resumo de dados e métodos para tempo adicional por congestionamento para TPC Fonte: Elaboração própria 4.2 Resultados Os resultados mostram de forma clara o efeito do congestionamento sobre os tempos de viagem. A distribuição da demanda ao longo do dia mostra uma variação de algumas características das viagens pertinentes para esta análise. As horas pico concentram maior número de viagens, o que gera maiores níveis de congestionamento, com impacto direto sobre as externalidades aqui analisadas. Mas também há uma variação nas distancias médias das viagens ao longo do dia, o que também afeta esse fenômeno, pois os deslocamentos no pico manhã e no pico tarde são tipicamente mais longos do que, por exemplo, no meio do dia. A Figura 24 e a Figura 25 ajudam a visualizar essas características, a partir das quais é mais fácil interpretar os resultados da presente análise. 64 Figura 24. Distribuição horária da demanda e das distancias médias de viagem para TPC e TPI. Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017, dados do Uber Movement e da SPTrans (linhas tracejadas se referem à distância média das viagens enquanto as barras referem-se ao número de viagens por dia) Figura 25. Distribuição horária das velocidades observadas no Uber Movement na rede viária. Fonte: Elaboração própria com dados do Uber Movement 65 O Apêndice 2 - Metodologia simplificada para estimar tempo adicional em congestionamento através de dados de velocidade apresenta algumas análises realizadas para verificação e validação dos resultados da metodologia simplificada descrita acima. 4.2.1 Resultados para TPI Os resultados dos tempos de viagem e congestionamentos através da rede de transporte privado individual modelada a partir da base de dados de tráfego da Uber são apresentados nesta seção. A duração média das viagens por transporte privado individual para cada hora do dia é apresenta na Figura 26. Figura 26. Duração média das viagens (em min.) por transporte privado individual por hora do dia Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement A Figura 26 mostra que os tempos médios de viagem são maiores nas horas pico da manhã e da tarde, que são justamente os horários que possuem maiores níveis de congestionamento. Também pode ser observado que as viagens realizadas até as 5h da manhã são viagens mais longas, pois os tempos de viagem em fluxo livre são maiores do que no restante do dia, porém elas são em média mais rápidas do que as viagens nas horas pico da manhã e da tarde devido aos menores níveis de congestionamento. Os tempos totais gastos em viagens por TPI (passageiro*minuto) são apresentados na Figura 27. 66 Figura 27. Tempo total das viagens (em minutos) por transporte privado individual por hora do dia Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement A Figura 27 mostra a grande quantidade de minutos gastos em viagens nas horas pico da manhã e da tarde, que é reflexo do grande número de viagens e que resulta em maiores níveis de congestionamento para esses períodos. O detalhamento das viagens e dos tempos gastos para cada hora do dia são apresentados na Tabela 14. Tabela 15. Detalhamentos das viagens e dos tempos gastos para cada hora do dia para automóveis (minutos) Tempo Tempo Tempo Tempo Médio % de Tempo Total Tempo Médio Total de Total das Congest Conge Hora Total Fluxo Congestion Médio Fluxo Viagens Viagens ioname stiona Livre (min) amento (min) Livre (min) nto mento (min) (min) (min) 0 35.797 998.789 836.244 162.546 28 23 5 16% 1 17.216 380.857 335.121 45.736 22 19 3 12% 2 17.624 400.444 376.316 24.129 23 21 1 6% 3 7.403 171.358 161.866 9.492 23 22 1 6% 4 15.889 338.618 318.730 19.888 21 20 1 6% 5 44.495 1.142.408 943.406 199.002 26 21 4 17% 6 257.436 6.911.659 4.456.564 2.455.095 27 17 10 36% 7 627.614 17.272.504 9.264.905 8.007.599 28 15 13 46% 8 361.016 12.359.138 6.268.794 6.090.343 34 17 17 49% 9 227.805 7.586.039 3.928.666 3.657.373 33 17 16 48% 10 187.347 5.525.921 3.056.540 2.469.381 29 16 13 45% 11 175.386 4.784.734 2.785.363 1.999.371 27 16 11 42% 12 367.550 8.037.070 4.553.565 3.483.506 22 12 9 43% 67 Tempo Tempo Tempo Tempo Médio % de Tempo Total Tempo Médio Total de Total das Congest Conge Hora Total Fluxo Congestion Médio Fluxo Viagens Viagens ioname stiona Livre (min) amento (min) Livre (min) nto mento (min) (min) (min) 13 332.915 7.815.858 4.405.706 3.410.152 23 13 10 44% 14 226.606 6.118.195 3.492.510 2.625.685 27 15 12 43% 15 210.964 6.429.785 3.607.730 2.822.054 30 17 13 44% 16 259.618 7.227.554 3.714.974 3.512.580 28 14 14 49% 17 383.694 11.577.264 5.573.532 6.003.733 30 15 16 52% 18 482.991 18.174.695 7.959.616 10.215.079 38 16 21 56% 19 320.424 12.006.202 6.017.863 5.988.340 37 19 19 50% 20 203.313 6.388.852 3.760.194 2.628.658 31 18 13 41% 21 107.071 2.682.141 1.873.535 808.606 25 17 8 30% 22 121.230 3.097.909 2.181.277 916.632 26 18 8 30% 23 106.997 2.934.035 2.237.391 696.644 27 21 7 24% Total 5.098.402 150.362.031 82.110.407 68.251.625 28 18 10 35% Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement 4.2.2 Resultados para TPC Os resultados dos tempos de viagem e congestionamentos calculados através dos arquivos GTFS corrigidos através de dados de rastreamento dos ônibus do sistema de transporte público são apresentados nesta seção. A duração média das viagens por transporte público coletivo (TPC) das 6h às 21h é apresenta na Figura 28. Figura 28. Duração média das viagens (em min.) por transporte público coletivo por hora do dia Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados da SPTrans 68 A Figura 29 mostra que os tempos médios de viagem são maiores nas horas pico da manhã e da tarde, que também possuem maior composição de congestionamento se comparado com as demais horas do dia. Também pode ser observado que a duração das viagens na hora pico do meio-dia são menores do que nas demais horas do dia, o que indica que as viagens são menos longas nesse período. Os tempos totais das viagens (em passageiro*minuto) por TPC das 06h às 21h são apresentados na Figura 29. Figura 29. Tempo total das viagens (em min.) por transporte público coletivo por hora do dia Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados da SPTrans A Figura 29 mostra que a maior parte dos tempos de viagem se concentram nas horas pico da manhã e da tarde devido a maior quantidade de viagens nesses períodos. Como decorrência da maior quantidade de viagens por TPC e TPI nas horas pico da manhã e da tarde, os usuários do TPC enfrentam maiores tempos de congestionamento nesses períodos. Também pode ser observado um aumento dos tempos de viagem no pico do meio-dia e que nele há uma maior composição de congestionamento do que nos período fora-pico. O detalhamento das viagens por TPC das 06h às 21h são apresentados na Tabela 15. Tabela 16. Detalhamentos das viagens e dos tempos gastos para cada hora do dia. Hora Total de Tempo Tempo Tempo Tempo Tempo Tempo Percent Viagens Total das Total Fluxo Total Médio Médio Médio ual de Viagens Livre (min) Congestion (min) Fluxo Congestio Conges (min) amento Livre (min) namento tioname (min) (min) nto 6 358.091 23.876.422 20.756.792 3.119.630 67 58 9 13% 7 713.188 48.348.541 40.060.346 8.288.195 68 56 12 17% 8 562.453 38.954.142 32.435.237 6.518.905 69 58 12 17% 9 371.407 23.869.935 20.033.742 3.836.193 64 54 10 16% 10 243.892 14.880.003 12.572.443 2.307.559 61 52 9 16% 69 Hora Total de Tempo Tempo Tempo Tempo Tempo Tempo Percent Viagens Total das Total Fluxo Total Médio Médio Médio ual de Viagens Livre (min) Congestion (min) Fluxo Congestio Conges (min) amento Livre (min) namento tioname (min) (min) nto 11 229.541 13.496.148 11.338.817 2.157.331 59 49 9 16% 12 329.640 18.292.431 14.991.495 3.300.936 55 45 10 18% 13 403.111 24.100.095 19.875.462 4.224.633 60 49 10 18% 14 303.301 18.448.381 15.423.982 3.024.399 61 51 10 16% 15 245.675 15.090.795 12.657.267 2.433.528 61 52 10 16% 16 291.655 17.833.234 14.779.192 3.054.042 61 51 10 17% 17 411.097 26.305.235 21.277.533 5.027.702 64 52 12 19% 18 612.942 42.208.489 33.075.585 9.132.904 69 54 15 22% 19 608.746 42.656.268 34.378.958 8.277.310 70 56 14 19% 20 275.614 20.761.443 17.652.353 3.109.090 75 64 11 15% 21 151.797 10.518.904 9.238.504 1.280.400 69 61 8 12% Total 6.112.148 399.640.466 330.547.707 69.092.759 65 54 11 17% Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do GTFS da SPTrans 4.3 Índices para tempo de congestionamento A análise sintética de índices de tempo de congestionamento é complexa pois o impacto depende do modo e da hora de circulação do veículo. Portanto, teremos um índice para cada horário e um índice consolidado para todos os horários que serve de comparação com os índices para as outras externalidades que não têm essa peculiaridade. É interessante pois a decisão de horário de saída acaba por influenciar o custo que o mesmo impõe sobre a sociedade. Essa lógica está bastante consolidada na literatura e é aplicada na prática. O motivo de se realizar o rodízio de veículos apenas nos horários de pico é justamente esse, por exemplo. Para realizar a análise que segue vamos considerar que os automóveis são os únicos responsáveis pelo congestionamento. Essa hipótese implica que consideramos que os modos ativos não afetam o congestionamento, o que é razoável pois os modos ativos não utilizam em geral a faixa de rolamento ainda que as bicicletas muitas vezes a utilizem. Um pouco mais forte é a hipótese de que as motocicletas assim como os ônibus não afetam o congestionamento visto que esses dois modos necessariamente utilizam a faixa de rolamento. A racionalidade por trás dessas hipóteses é que sempre haveria uma proporção de uso de ônibus (ou de motocicleta ou de bicicleta) que permitiria que não houvesse trânsito na cidade. Como discutimos a fundo no capítulo 2, os ônibus ocupam muito menos espaço do que os carros e, portanto, essa hipótese é aceitável. 70 Tabela 17. Índices de Congestionamento para Automóveis Índice Índice Tempo Tempo Total Total de Tempo Total Distância Tempo Ajustad Hora pax_km Viagens Viagens Perdido (min) Média (segundos o (min) ) (segund os) 0 35.797 407.134 998.789 162.546 11,37 23,95 15,80 1 17.216 161.348 380.857 45.736 9,37 17,01 9,16 2 17.624 154.416 400.444 24.129 8,76 9,38 0,76 3 7.403 86.030 171.358 9.492 11,62 6,62 0,00 4 15.889 159.647 338.618 19.888 10,05 7,47 0,43 5 44.495 484.964 1.142.408 199.002 10,90 24,62 16,79 6 257.436 2.205.261 6.911.659 2.455.095 8,57 66,80 56,38 7 627.614 4.332.729 17.272.504 8.007.599 6,90 110,89 97,64 8 361.016 3.108.870 12.359.138 6.090.343 8,61 117,54 104,33 9 227.805 1.914.286 7.586.039 3.657.373 8,40 114,63 101,46 10 187.347 1.460.375 5.525.921 2.469.381 7,80 101,46 88,88 11 175.386 1.256.140 4.784.734 1.999.371 7,16 95,50 82,84 12 367.550 2.074.927 8.037.070 3.483.506 5,65 100,73 87,86 13 332.915 2.008.653 7.815.858 3.410.152 6,03 101,86 88,93 14 226.606 1.656.097 6.118.195 2.625.685 7,31 95,13 82,85 15 210.964 1.735.225 6.429.785 2.822.054 8,23 97,58 85,26 16 259.618 1.692.008 7.227.554 3.512.580 6,52 124,56 110,36 17 383.694 2.678.207 11.577.264 6.003.733 6,98 134,50 120,13 18 482.991 3.891.679 18.174.695 10.215.079 8,06 157,49 141,97 19 320.424 3.022.022 12.006.202 5.988.340 9,43 118,89 105,69 20 203.313 1.885.946 6.388.852 2.628.658 9,28 83,63 72,37 21 107.071 937.889 2.682.141 808.606 8,76 51,73 42,22 22 121.230 1.042.271 3.097.909 916.632 8,60 52,77 42,89 23 106.997 1.050.350 2.934.035 696.644 9,82 39,79 30,51 Total 5.098.401 39.406.476 150.362.029 68.251.624 7,73 103,92 91,24 Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement Na Tabela 17 apresentamos o congestionamento por horário simplesmente dividindo os minutos de tempo adicional em relação ao fluxo livre pelo total de pax*km do horário. Repetimos algumas colunas da Tabela 15 para facilitar a leitura da tabela. Optamos por apresentar o índice em segundos para não necessitar usar muitas casas decimais. Utilizamos duas medidas de externalidade. Na penúltima coluna simplesmente dividimos o tempo de congestionamento por Pax*km do horário. Na última coluna realizamos um ajuste no tempo de congestionamento. No horário entre 2 e 4 horas (no destino), quando não esperamos nenhum congestionamento, ainda aparece uma diferença entre o tempo de deslocamento e 71 o tempo por fluxo livre. Essa diferença é mais ou menos constante nesses três horários que são, justamente, os que se considera de “fluxo livre”. Na última coluna descontamos o menor valor de tempo de congestionamento (3 horas no destino) de todos os horários assumindo que a comparação entre o tempo de deslocamento efetivo e o fluxo livre acaba superestimando o congestionamento no caso dos automóveis. No geral, de forma conservadora, utilizaremos essa medida para estimativa da externalidade negativa gerada pelos automóveis no item “congestionamento”. Como esperado, o efeito do congestionamento é maior nos horários de pico, sobretudo no pico da tarde. Na última linha apresentamos uma medida global que é essencialmente a média dos indicadores ponderada por Pax*km do horário. O problema desse índice agregado para os nossos fins é que uma mudança no horário de deslocamento das pessoas altera o índice independente de uma eventual mudança na composição modal. Nossas estimativas indicam que o congestionamento gera um aumento de 91 segundos por quilômetro na estimativa ajustada ou de 104 segundos na estimativa sem ajustes. A interpretação do índice é o quanto um quilômetro extra de automóvel impacta no tempo de deslocamento de todos os usuários da faixa de rolamento. Ou seja, se reduzirmos um quilômetro de uso de automóveis todos os demais automóveis reduzirem seu tempo em 91 segundos. Considerando o total de veículos considerados nessa estimativa (cerca de 5 milhões), isso significa que cada um desses veículos reduziria seu tempo de deslocamento em 2 centenas de milionésimos de segundos (91/5.000.000). Um número muito pequeno, porém ao somarmos para todos os automóveis chegamos nesse valor de 91 segundos. A lógica de externalidade para o tempo de congestionamento ilustra bem esse conceito complexo da economia. Considerando a distância média de 8,2km das viagens de automóvel obtida na OD9 de 2017, um indivíduo decidindo se deve realizar o deslocamento com o seu carro pode notar que essa decisão aumentaria seu tempo de deslocamento em 14 centenas de milionésimos de segundos, ou seja, algo absolutamente desprezível. No entanto, essa decisão representa para a sociedade como um todo um aumento de 746 segundos (12,4 minutos). A sua decisão de utilizar o carro ao invés de outro modo gerou esse custo para toda a sociedade. Utilizando o tempo ajustado, uma redução de 1% na quilometragem de automóveis (ou seja, uma redução de 394 mil quilômetros rodados pelos veículos) reduziria o tempo de deslocamento de todos os outros veículos somados em quase 10 mil horas, ainda que o impacto sobre cada automóvel seja da ordem de 7 segundos. A análise do impacto dos automóveis no congestionamento dos ônibus apresenta uma dificuldade metodológica adicional. Podemos normalizar nosso indicador pela quilometragem de ônibus ou pela quilometragem de auto. A interpretação dos índices é distinta e a maneira 9A partir dos dados da OD estimamos um total de 56.916.017 viagens*km por auto; dividido pelo total de passageiros (6.899 mil) chegamos na média de 8,2km por viagem. 72 de usar o indicador para fins práticos também. Essencialmente, se consideramos o indicador com o uso de ônibus no denominador, o mesmo entraria nas externalidades dos ônibus com um coeficiente negativo. Se considerarmos o coeficiente com o uso de auto no denominador o mesmo entraria de maneira positiva nas externalidades negativas de auto. Isso porque estamos considerando as externalidades negativas com sinal positivo em todos os outros indicadores. Tabela 18. Índices de Congestionamento para Ônibus Tempo Distâ Total de Tempo Total Índice Hora pax*km auto pax*km bus Perdido ncia Viagens (min) Tempo (min) Média 6 358.091 2.205.261 4.080.930 23.876.422 3.119.630 11,40 84,88 7 713.188 4.332.729 7.295.133 48.348.541 8.288.195 10,23 114,78 8 562.453 3.108.870 6.695.857 38.954.142 6.518.905 11,90 125,81 9 371.407 1.914.286 3.476.520 23.869.935 3.836.193 9,36 120,24 10 243.892 1.460.375 2.558.827 14.880.003 2.307.559 10,49 94,81 11 229.541 1.256.140 2.593.468 13.496.148 2.157.331 11,30 103,05 12 329.640 2.074.927 3.256.142 18.292.431 3.300.936 9,88 95,45 13 403.111 2.008.653 4.337.066 24.100.095 4.224.633 10,76 126,19 14 303.301 1.656.097 3.320.508 18.448.381 3.024.399 10,95 109,57 15 245.675 1.735.225 2.817.403 15.090.795 2.433.528 11,47 84,15 16 291.655 1.692.008 3.104.895 17.833.234 3.054.042 10,65 108,30 17 411.097 2.678.207 4.961.748 26.305.235 5.027.702 12,07 112,64 18 612.942 3.891.679 6.693.842 42.208.489 9.132.904 10,92 140,81 19 608.746 3.022.022 8.084.312 42.656.268 8.277.310 13,28 164,34 20 275.614 1.885.946 4.236.416 20.761.443 3.109.090 15,37 98,91 21 151.797 937.889 2.622.656 10.518.904 1.280.400 17,28 81,91 Total 6.112.150 35.860.315 70.135.724 399.640.466 69.092.757 11,47 115,60 Obs: No índice de tempo normalizado por auto o denominador é o número de pax*km de auto enquanto no índice normalizado por ônibus o denominador é o número de pax*km por ônibus. Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do GTFS da SPTrans Como discutido anteriormente, a estimativa para o tempo de congestionamento dos ônibus só foi viável entre 6 horas e 21 horas (horário de chegada no destino). Vamos assumir que nos outros horários não há efeito dos automóveis sobre o tempo de deslocamento por ônibus. Portanto, nesse sentido, nossas estimativas representam um limite inferior das externalidades negativas geradas no tempo de deslocamento por ônibus geradas pelos automóveis. Não realizamos ajustes nesse caso pois não temos o horário onde o tempo deveria ser igual ao tempo de fluxo livre e as perdas percentuais são mais reduzidas do que as observadas para os automóveis (vide Tabela 16). Nesse sentido, pode ser que estejamos majorando a estimativa de tempo perdido no congestionamento. 73 Trabalhando com o dado agregado a interpretação do índice normalizado pelo uso de auto é que a redução de um quilômetro de uso do automóvel reduziria 116 segundos no tempo para todos os usuários de ônibus somados. Esse valor é bem parecido com o valor sem ajuste encontrado para auto. Também notamos um padrão bastante parecido com o observado para autos ao longo das horas. A situação piora nos picos sendo que o pico da tarde é mais pronunciado que o pico da manhã. A única diferença é uma hora de defasagem no pico da tarde. O pior horário de transito para autos (gerado pelos próprios autos) se dá às 18h enquanto o pior horário para ônibus (gerado pelos autos) ocorre às 19 horas. Para permitir comparabilidade com os outros componentes de externalidades negativas, é necessário monetizar esses efeitos, ou seja, “transformar tempo em dinheiro”. O modelo básico de estimativa do valor do tempo no transporte procura encontrar a taxa marginal de substituição entre tempo e dinheiro na função de utilidade do indivíduo. Por definição, essa taxa de substituição é o valor do tempo nos transportes; o quanto o indivíduo estaria disposto a abrir mão em dinheiro para reduzir seu tempo no transportes. Small (2007) deriva o valor do tempo (VOT) do indivíduo em relação ao seu salário a partir de um modelo de escolha modal proposto por Train (1980). Os valores encontrados indicam um valor por hora dentro do veículo de 49% do salário do indivíduo e um valor de 129% do salário para o tempo de espera pelo transporte. Por simplificação utilizaremos como medida 50% da renda familiar. Tabela 19. Índices de tempo perdido (segundos/km) e custo do tempo (R$ de setembro de 2017/mil km) para autos no Município de São Paulo (2017) Índice de Índice de Tempo Custo do custo do custo do Tempo Custo do Hora pax*km auto Perdido tempo tempo tempo Perdido tempo Ajustado ajustado (R$/1000k ajustado m) (R$/1000km) 0 407.134 162.546 107.220 15.949 10.521 39,17 25,84 1 161.348 45.736 24.639 3.608 1.944 22,36 12,05 2 154.416 24.129 1.947 2.245 181 14,54 1,17 3 86.030 9.492 0 1.063 0 12,36 0,00 4 159.647 19.888 1.131 1.643 93 10,29 0,59 5 484.964 199.002 135.721 16.328 11.136 33,67 22,96 6 2.205.261 2.455.095 2.072.239 220.813 186.379 100,13 84,52 7 4.332.729 8.007.599 7.050.827 784.689 690.932 181,11 159,47 8 3.108.870 6.090.343 5.405.736 702.114 623.190 225,84 200,46 9 1.914.286 3.657.373 3.237.161 493.421 436.729 257,76 228,14 10 1.460.375 2.469.381 2.163.285 318.156 278.719 217,86 190,85 11 1.256.140 1.999.371 1.734.331 227.097 196.992 180,79 156,82 12 2.074.927 3.483.506 3.038.310 406.908 354.905 196,11 171,04 13 2.008.653 3.410.152 2.977.210 393.193 343.275 195,75 170,90 14 1.656.097 2.625.685 2.286.781 290.999 253.439 175,71 153,03 15 1.735.225 2.822.054 2.465.890 311.245 271.964 179,37 156,73 74 Índice de Índice de Tempo Custo do custo do custo do Tempo Custo do Hora pax*km auto Perdido tempo tempo tempo Perdido tempo Ajustado ajustado (R$/1000k ajustado m) (R$/1000km) 16 1.692.008 3.512.580 3.112.226 378.075 334.983 223,45 197,98 17 2.678.207 6.003.733 5.362.436 647.470 578.310 241,75 215,93 18 3.891.679 10.215.079 9.208.332 1.054.225 950.326 270,89 244,19 19 3.022.022 5.988.340 5.323.283 668.682 594.419 221,27 196,70 20 1.885.946 2.628.658 2.274.762 315.585 273.097 167,33 144,81 21 937.889 808.606 660.035 95.269 77.764 101,58 82,91 22 1.042.271 916.632 745.030 102.572 83.369 98,41 79,99 23 1.050.350 696.644 534.120 77.558 59.464 73,84 56,61 Total 39.406.476 68.251.624 59.922.650 7.528.908 6.612.132 191,06 167,79 Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement Na Tabela 20 repetimos os dados de base para os cálculos dos índices apresentando os dados de custo do tempo ao invés do número de segundos perdidos. Como podemos ver, quando somamos custos muito pequenos para todos os motoristas, chegamos em valores consideráveis. Em um dia, o tempo perdido gerado pelo excesso de veículos impõe um custo de pelo menos 6,6 milhões de reais a todos os motoristas de autos. A cada mil quilômetros de uso de auto, gera-se um custo social de 191 reais sem ajustes ou 168 reais com ajustes (em moeda de setembro de 2017). Estamos falando de pelo menos 17 centavos por km apenas em custos de congestionamento, um valor bem elevado e ainda não incluímos o custo imposto aos usuários de ônibus. Como vimos, o custo por emissões é de 6 centavos por quilometro em valores de 2021. São Paulo cobra hoje em dia 10 centavos por quilômetro dos aplicativos. Além de servir de referência para o valor do tempo, a distribuição ao longo das horas serve de referência de como cobrar de forma diferencial por horário. Uma estratégia simples a partir desses dados seria utilizar a média como referência e achar o valor relativo em cada horários. Por exemplo, na hora zero aplicaríamos um fator de desconto de 25,84/167,79 = 0,15. Ou seja, essa análise fornece ao mesmo tempo uma referência para a cobrança em geral de uma taxa pelo congestionamento como também um fator de desconto em função do horário. Claro que o fator será acima de 1 no horário de pico. Por exemplo, as 8 da manhã o fator seria 1,19. A seguir repetimos o exercício para monetizar o custo imposto pelos carros aos usuários de ônibus. Tabela 20. Índices de tempo perdido (segundos/km) e custo do tempo (R$ de setembro de 2017/mil km) para ônibus no Município de São Paulo (2017) Índice de Índice de pax*km Tempo Custo do custo por Hora pax*km bus tempo auto Perdido tempo por auto auto 75 (R$/1000 km) 6 2.205.261 4.080.930 3.119.630 172.523 84,88 78,23 7 4.332.729 7.295.133 8.288.195 431.561 114,78 99,60 8 3.108.870 6.695.857 6.518.905 380.948 125,81 122,54 9 1.914.286 3.476.520 3.836.193 259.707 120,24 135,67 10 1.460.375 2.558.827 2.307.559 140.990 94,81 96,54 11 1.256.140 2.593.468 2.157.331 151.231 103,05 120,39 12 2.074.927 3.256.142 3.300.936 176.636 95,45 85,13 13 2.008.653 4.337.066 4.224.633 230.251 126,19 114,63 14 1.656.097 3.320.508 3.024.399 166.890 109,57 100,77 15 1.735.225 2.817.403 2.433.528 128.328 84,15 73,95 16 1.692.008 3.104.895 3.054.042 176.354 108,30 104,23 17 2.678.207 4.961.748 5.027.702 278.892 112,64 104,13 18 3.891.679 6.693.842 9.132.904 507.393 140,81 130,38 19 3.022.022 8.084.312 8.277.310 478.251 164,34 158,26 20 1.885.946 4.236.416 3.109.090 167.105 98,91 88,61 21 937.889 2.622.656 1.280.400 78.059 81,91 83,23 Total 35.860.315 70.135.724 69.092.757 3.925.119 115,60 109,46 Fonte: Elaboração própria a partir de dados da pesquisa OD do Metrô de 2017 e dados do Uber Movement O tempo total perdido pelos usuários de ônibus é ligeiramente maior do que o tempo perdido pelos usuários de automóvel (apenas 1,5% de diferença se considerarmos o tempo sem ajuste; 15% para o tempo ajustado). É interessante notar que o tempo total dos usuários de ônibus é muito maior do que para automóvel (400 milhões de minutos no ônibus contra 150 milhões de minutos no automóvel). Os ônibus, em média, são menos afetados do que os automóveis pelo trânsito gerado pelo excesso de veículos em parte devido à segregação existente (vide capítulo 2). Por outro lado, o valor desse tempo é mais baixo refletindo o fato de que os usuários de ônibus têm uma renda mais baixa do que os usuários de auto. Esse é, em certa medida, um problema desse critério de valorização do tempo em função da renda. 76 5 CUSTOS DE SAÚDE ASSOCIADOS AOS SINISTROS DE TRÂNSITO 5.1 Dados e Métodos Os custos de saúde associados aos sinistros de trânsito foram calculados a partir da metodologia desenvolvida pelo IPEA em 2015 e apresentada no texto para discussão: Custos dos Acidentes de Trânsito no Brasil: Estimativa Simplificada. Utilizaram-se os custos estimados com base na atualização dos valores das pesquisas do IPEA sobre custos de acidentes nos aglomerados urbanos e rodovias. Os custos associados aos acidentes de trânsito considerados na pesquisa foram: • Custo do atendimento médico-hospitalar e reabilitação: soma dos custos dos recursos humanos e materiais do atendimento e do tratamento das vítimas de acidentes de trânsito, desde a chegada ao hospital até o momento da alta ou do óbito. Inclui também os custos de programas de reabilitação, como fisioterapia. • Custo do atendimento policial e de agentes de trânsito: soma dos custos do tempo dos policiais e/ou agentes de trânsito e da utilização de veículos para atendimento no local do acidente e deslocamento para hospital ou delegacia. • Custo de congestionamento: soma dos custos relativos ao tempo perdido pelos ocupantes de veículos retidos no tráfego e ao aumento do custo de operação desses veículos, em função de congestionamentos gerados por acidente de trânsito. 1 4 Impactos sociais e econômicos dos acidentes de trânsito nas aglomerações urbanas brasileiras y • Custo dos danos ao equipamento urbano: custo de reposição/recuperação de mobiliário urbano danificado ou destruído em função de acidentes de trânsito. Os equipamentos urbanos compreendem abrigos de ônibus, postes, orelhões, bancas de revistas, caixas de correio e gradis. • Custo dos danos à propriedade de terceiros: custo de recuperação de propriedades particulares danificadas em função de acidentes de trânsito, tais como muros e portões de acesso. • Custo dos danos à sinalização de trânsito: custo de reposição/recuperação de sinalização danificada ou destruída em função de acidentes de trânsito. Consiste em elementos tais como postes de sustentação de sinalização, placas de sinalização, equipamento semafórico. • Custo dos danos aos veículos: custo de recuperação ou reposição dos veículos danificados em acidentes de trânsito. 77 • Custo do impacto familiar: custo que representa o impacto do acidente no círculo familiar da(s) vítima(s). É representado, principalmente, pelo tempo gasto por familiares para sua eventual produção cessante e por adaptações na estrutura familiar (moradia, transporte) por conta do acidente. • Custo de outro meio de transporte: soma das despesas do acidentado com passagens de ônibus, táxi e aluguel de veículo decorrentes da necessidade de locomoção, no período em que o veículo ficar sem condições de uso. • Custo da perda de produção: corresponde às perdas econômicas sofridas pelas pessoas, pela interrupção temporária ou permanente de suas atividades produtivas, em decorrência de envolvimento em acidentes de trânsito. Aplica-se a pessoas inseridas nos mercados formal e informal. No caso de um assalariado, a perda equivale ao custo necessário para sua substituição durante o tempo não trabalhado. • Custo previdenciário: custo que recai sobre a Previdência Social em função da impossibilidade, temporária ou permanente, de trabalhar das vítimas de acidentes de trânsito, sustentadas parcialmente pela Previdência. Esse custo inclui despesas com pensões e benefícios. • Custo de processos judiciais: custo do funcionamento da estrutura judicial em função do atendimento às questões referentes aos acidentes de trânsito. • Custo de remoção de veículos: custo de utilização de guinchos ou outros meios para remover os veículos avariados do local do acidente até uma oficina, pátio ou delegacia. Inclui o aluguel do veículo e o tempo de serviço do técnico responsável. y • Custo do resgate de vítimas: custo do transporte das vítimas de acidentes de trânsito do local da ocorrência até o hospital ou pronto-socorro. Inclui o custo da utilização de equipamentos especiais e do deslocamento das equipes de resgate, com veículos e profissionais especializados (ambulâncias, médicos, paramédicos) A Tabela 21 traz os valores estimados para cada tipo de sinistro e a respectiva estimativa para cada componente de custo considerado. As colunas mostram os valores em reais em 2014 e os valores corrigidos para dezembro de 2021 pelo IPCA. Tabela 21. Valores monetários dos custos de sinistros de trânsito por tipo de custo (IPEA) Correção pelo IPCA dos custos estimados pela R$ (em 2014) R$ (em 2021)* pesquisa IPEA pré-hospitalares 3.489 6.924 hospitalares 1.969 3.909 pós-hospitalares 1.529 3.034 Feridos Leves perda de produção 1.649 3.272 remoção total 8.636 17.138 pré-hospitalares 1.033 2.050 Feridos Graves hospitalares 56.862 112.848 pós-hospitalares 5.498 10.911 78 Correção pelo IPCA dos custos estimados pela R$ (em 2014) R$ (em 2021)* pesquisa IPEA perda de produção 77.113 153.038 remoção 649 1.288 total 141.156 280.136 pré-hospitalares 86 171 hospitalares 143 284 pós-hospitalares 0 0 Vítimas Fatais perda de produção 432.558 858.449 remoção 499 991 total 433.287 859.896 * Para fins de correção de valores, utilizamos o INPC. O índice de correção entre dezembro de 2014 e dezembro de 2021 foi 1,9845882. Dados obtidos no sítio do Banco Central, consultado em 01/07/2022 no enlace: https://www3.bcb.gov.br/CALCIDADAO/publico/corrigirPorIndice.do?method=corrigirPorIndice Fonte: IPEA, 2015 Os valores estimados pelo IPEA diferenciam os custos associados a vítimas não fatais com ferimentos leves daquelas vítimas não fatais com ferimentos graves. Para estas, os custos de hospitalização e perda de produtividade são significativamente maiores. A prefeitura de São Paulo disponibiliza através do Geosampa a base dos sinistros de trânsito registrados entre 2013 e 2020 discriminando os eventos entre acidentes com vítimas e atropelamentos. A base indica ainda se houve vítimas fatais nos registros. Através dessa base é possível estimar os custos monetários dos sinistros de trânsito. Para sinistros com vítimas não fatais, a base não indica a gravidade dos ferimentos. Utilizamos nesse caso o parâmetro utilizado pela OMS nas estimativas de vítimas de trânsito que indica que em média 10% dos sinistros são graves e aplicamos essa proporção para estimar os custos dos sinistros no MSP. A Tabela 22 mostra o total de vítimas em sinistros não fatais (exceto atropelamentos) através dos anos. A base de dados está organizada de modo que as vítimas estejam associadas aos tipos de veículos envolvidos no sinistro. Assim, a fim de se evitar dupla contagem no total de vítimas, optou-se por estabelecer uma hierarquização de tipo de veículo quando da contagem de vítimas por modo de transporte. A hierarquia segue a seguinte ordem: automóvel > moto > caminhão > ônibus > bicicleta. Deste modo, teremos por exemplo que se em um sinistro com 1 vítima estiverem envolvidos automóvel e bicicleta, a vítima será associada ao automóvel. Além disso, a base de dados traz ainda uma categoria de outros modos de transporte que agrega todos os sinistros para os quais não há informação completa sobre os modos envolvidos. Sendo este caso um típico efeito de imprecisão nos registros, optou-se por distribuir de modo proporcional as vítimas associadas a “outros” para os modos identificados. Partimos aqui do pressuposto de que a distribuição de vítimas neste caso segue a tendencia geral da distribuição de vítimas entre os modos identificados na base de dados. Percebe-se uma certa tendência de declínio geral no número de vítimas ao longo do período e também uma certa estabilidade nas proporções de vítimas por tipo de veículo envolvido. A participação 79 de automóveis nas vítimas de sinistros não fatais é em média 76% dos casos seguidos por sinistros com motocicletas que respondem por 18% das vítimas. Os sinistros com ônibus contribuem em cerca de 5% das vítimas não fatais de trânsito. Tabela 22. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP Ano Auto Moto Caminhão Ônibus Bicicleta 2013 17322 4126 170 1041 62 2014 16094 3911 178 1080 65 2015 13576 3465 100 1048 64 2016 10694 2867 85 807 52 2017 9031 2276 62 514 55 2018 9149 2088 76 472 48 2019 10243 2052 92 491 30 2020 7504 1606 67 195 20 Fonte: Geosampa, CET Considerando os sinistros fatais (exceto atropelamentos) que estão apresentados na Tabela 23 a seguir, os automóveis seguem responsáveis pela maior incidência com 51% das vítimas, seguidos pelas motocicletas com 42%. Tabela 23. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP Ano Auto Moto Caminhã Ônibus Bicicleta o 2013 309 232 9 13 9 2014 352 257 13 17 7 2015 267 241 21 12 4 2016 255 209 13 15 9 2017 227 181 7 15 12 2018 257 209 1 6 4 2019 196 202 14 11 5 2020 237 210 10 6 17 Fonte: geosampa, CET A Tabela 24 apresentada a seguir traz as estimativas de custos médios anuais de sinistros para cada tipo de modo avaliado. Os automóveis são responsáveis pelos maiores custos agregados médios, totalizando um custo anual médio de 438 milhões de reais. Em seguida, as motocicletas são as que mais impactam os custos médios, alcançando valores de 240 milhões de reais anuais. Considerando-se todos os sinistros fatais e não fatais (exceto atropelamentos), o custo médio anual dos sinistros com vítimas no MSP alcança um valor anual de cerca de 660,4 milhões de reais. 80 Tabela 24. Custo anual de sinistros de trânsito (exceto atropelamentos) valores em milhões de R$ (dez/2019) caminhã ônibu Tipo auto moto bike TOTAL o s sinistros nao fatais 303,27 72,54 2,69 18,30 1,29 398,08 sinistros fatais 134,65 11,66 5,65 6,10 4,30 262,36 Total 437,91 184,20 8,34 24,40 5,59 660,44 Fonte: IPEA e GeoSampa Analisando-se os sinistros envolvendo atropelamentos no MSP, a participação dos modos motorizados individuais é também maior. Os automóveis estavam envolvidos em 55% dos atropelamentos não fatais no período analisado. As motocicletas responderam por cerca de 32% e os ônibus por 10% dos atropelamentos. A Tabela 25 traz o total de atropelamentos não fatais por tipo de veículo envolvido. Aqui também a tendência é de decréscimo do número de eventos ao longo dos anos, porém com persistência da participação relativa de cada modo. Tabela 25. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP Ano auto moto caminhão ônibus bicicleta 2013 3708 2164 111 690 28 2014 3229 2034 102 683 25 2015 2695 1634 66 623 26 2016 2174 1171 90 411 15 2017 1916 1051 60 279 15 2018 1785 1024 45 260 22 2019 1764 961 37 210 15 2020 1052 674 41 148 11 Fonte: geosampa, CET A análise dos atropelamentos fatais reflete uma gravidade maior dos atropelamentos envolvendo veículos de grande porte. Neste caso, os ônibus respondem por 23% dos atropelamentos fatais superando as motocicletas que, neste caso, correspondem a 21% do total de vítimas fatais. Os caminhões também representam uma parcela maior nesse caso. Se nos atropelamentos não fatais eles correspondiam por 1,6% das vítimas, nos fatais eles respondiam por aproximadamente 7,5% das vítimas. Entretanto, os automóveis seguem também nestes casos os veículos que mais estiveram envolvidos em atropelamentos fatais, respondendo por 40% dos casos. A Tabela 26 traz os valores totais por ano. Tabela 26. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP caminhã Ano auto moto ônibus bike o 81 2013 212 99 34 92 2 2014 226 94 36 129 2 2015 152 86 22 97 2 2016 149 65 27 74 5 2017 144 58 25 77 2 2018 154 68 30 80 1 2019 154 71 28 67 5 2020 158 74 11 48 1 Fonte: geosampa, CET Aplicando-se os custos por vítima estimados pelo IPEA, chegamos ao valor médio anual de aproximadamente 290 milhões de reais para os atropelamentos (Tabela 24). Cerca de 50% desse total envolve automóveis. Motocicletas e ônibus contribuem com 25% e 18% respectivamente para o total. O restante se distribui entre atropelamentos envolvendo caminhões, bicicletas e outros modos de transporte. Tabela 27. Média de custo anual de atropelamentos valores em milhões de reais (dez/2019) Tipo auto moto caminhão ônibus bike TOTAL atropelamentos nao 59,36 34,71 1,78 10,70 0,51 107,06 fatais atropelamentos fatais 86,41 39,32 13,69 42,66 1,33 183,41 Total 145,77 74,02 15,47 53,36 1,85 290,48 Fonte: geosampa, CET Somando as duas vertentes, sinistros desconsiderando atropelamentos e sinistros apenas de atropelamentos, podemos ver que a tendência no período analisado foi de queda, mas que essa tendência se estagnou a partir de 2017. A Figura 30 apresenta os dados apenas para sinistros fatais somando os casos de atropelamento com os demais e deixa claro que a curva se torna plana a partir desta data. As variações para cima e para baixo a partir de 2017 não podem ser consideradas como uma piora ou melhora visto que são pequenas o suficiente para ficar na margem de erro. Assim, a CET conseguiu nos últimos anos reduzir o patamar de mortes em torno de 1200 para um patamar de oitocentas mortes por ano, não obstante o crescimento populacional e o aumento na proporção de viagens por TPI o que revela o excelente trabalho da empresa. No entanto, ainda há uma necessidade de se descer para patamares mais baixos compatíveis com o que se observa em países de primeiro mundo. As propostas discutidas no Task B procuram oferecer um panorama do que tem sido realizado em outras cidades que, entre diversos objetivos, inclui a melhoria na segurança viária com alguns casos de sucesso pelo mundo. 82 Figura 30. Mortes por Sinistros (2013 a 2020) Fonte: geosampa, CET 5.2 Custos totais de sinistros no MSP A Tabela 28 sumariza os resultados acima em termos de participação monetária de cada modo no total de sinistros (fatais ou não) para os dois segmentos (atropelamento e outros sinistros). Repetimos os dados de participação no total de viagens dos modos apresentado anteriormente para facilitar a análise. Uma vez mais, o ônibus apresenta uma participação nos sinistros muito menor do que a sua participação nas viagens: enquanto o ônibus e os veículos escolares representam 30% das viagens em 2017, foram responsáveis por 3,7% dos custos ligados aos sinistros excluindo atropelamentos e 18,4% dos custos ligados aos atropelamentos. Mais uma vez o automóvel representa uma proporção maior do custo de sinistros (excluindo ou não atropelamentos) mas dessa vez a desproporção é menor do que quando avaliamos os custos ambientais. O que chama a atenção é o transporte por motocicletas: representa 2,5% das viagens, mas 27,9% dos custos de sinistros excluindo atropelamentos e 25,5% dos custos ligados aos atropelamentos. Essa desproporção é brutal e não encontramos tamanha desproporção em nenhum outro caso. As bicicletas também apresentam desproporção considerável nos sinistros excluindo atropelamentos, mas não é comparável com o que se observa para motocicletas. A relação entre a participação das bicicletas nos custos de sinistros excluindo atropelamentos é 0,8 enquanto essa relação é de 11,2 no caso das motos. No caso de atropelamentos, as bicicletas representam uma proporção de custos menor do que a proporção de viagens. Tabela 28. Proporção do custo anual médio (2013 a 2020) por modo Tipo auto moto caminhão ônibus bike TOTAL Sinistros Excluindo Atropelamentos 83 Não Fatais 76.2% 18.2% 0.7% 4.6% 0.3% 100.0% Fatais 51.3% 42.6% 2.2% 2.3% 1.6% 100.0% Total 66.3% 27.9% 1.3% 3.7% 0.8% 100.0% Atropelamentos Não Fatais 55.4% 32.4% 1.7% 10.0% 0.5% 100.0% Fatais 47.1% 21.4% 7.5% 23.3% 0.7% 100.0% Total 50.2% 25.5% 5.3% 18.4% 0.6% 100.0% Proporção de 31,1% 2,5% NH 30,3% 1,0% 65,1% Viagens (2017)* Fonte: Geosampa, CET (*) Participação excluindo trilhos. Autos inclui Táxis e Aplicativos; Ônibus inclui transporte escolar. Não há informação para a proporção de viagens de caminhões pois a OD não pesquisa carga. A disparidade entre proporção de viagens e participação nos custos de sinistros observada para bicicletas e, sobretudo, motos, tem dois aspectos. Por um lado, esses dois meios estão mais sujeitos ao risco. Medidas de segurança viária para esses dois modos são chave e vem sendo adotadas sistematicamente pela prefeitura. Para a bicicleta há uma medida bem conhecida e explorada pela prefeitura de São Paulo: a criação de espaços segregados, as ciclovias ou ciclofaixas. Outras medidas foram tomadas para as motocicletas como uma área segregada nos semáforos, proibição de circulação na marginal, campanhas informativas, entre outras. Mas parece que é muito sutil observando a série de dados. O outro lado, em relação à persistência de sinistros desproporcionais com o modo motocicleta é que esse modo, de fato, apresenta uma externalidade negativa considerável. Essa conclusão imediata da simples observação dos dados nos mostra que reduzir a proporção de motocicletas no total de viagens reduziria mecanicamente sinistros mesmo que essas viagens fossem transferidas para bicicletas. O mesmo vale para uma transferência de viagens para automóveis ou transporte coletivo, como seria desejado. Nesse momento, para fins de análise preliminar, avaliamos duas hipóteses as quais fazem sentido: de motocicleta para a bicicleta e de automóveis para ônibus. Para fazer esse exercício de simulação de externalidades resumimos informações das tabelas anteriores para facilitar a compreensão. Vamos trabalhar apenas com os modos de passageiros, que é o foco deste trabalho, deixando de lado os sinistros com caminhões. Vamos, portanto, trabalhar com quatro modos: automóveis (somando veículos particulares e táxi); Bicicletas, Motocicletas e Ônibus (somando ônibus urbanos e fretados). A Tabela 29 apresenta a média anual de vítimas por modo. Simplesmente dividindo-se o total de vítimas por modo pelo total de viagens encontramos a média de vítimas por mil viagens apresentada na Tabela 30. Correção pelo IPCA dos custos estimados pela pesquisa IPEA (2015). 84 Tabela 29. Média do total de Vítimas Anuais (2013 a 2020) por tipo de Sinistros de Trânsito para Modos Selecionados Tipo de Sinistro Auto Bicicleta Moto Ônibus Sinistros não fatais 11.472 543 9.916 1.618 Sinistros fatais 262 30 335 74 Atropelamentos não fatais 1.909 18 989 368 Atropelamentos fatais 144 2 68 74 Fonte: GeoSampa Tabela 30. Média de Vítimas Anuais (2013 a 2020) por mil viagens Tipo de Sinistro Auto Biciclet Moto Ônibus a Sinistros não fatais 1,66 2,56 18,13 0,29 Sinistros fatais 0,04 0,14 0,61 0,01 Atropelamentos não fatais 0,28 0,08 1,81 0,07 Atropelamentos fatais 0,02 0,01 0,12 0,01 Fonte: Geo Sampa e OD de 2017 Como podemos ver, a média de vítimas para o transporte por motocicleta é muito superior a qualquer outra média. Essa "hierarquia" vale para qualquer tipo de sinistro. As bicicletas vêm em segundo lugar quando não consideramos atropelamentos, mas com uma distância bem pronunciada (se balizarmos em "auto", os sinistros de moto excluindo atropelamentos são 10 vezes mais altos para os casos não fatais e 15 vezes mais altos para os casos fatais enquanto os sinistros por bicicleta são 1,5 vezes mais altos e 3,5, respectivamente, para os casos não fatais e fatais). No caso de atropelamentos, o segundo pior modo é o automóvel particular. Em qualquer caso, sem considerar o modo a pé que nunca causa sinistro de trânsito, o ônibus é o modo com menor sinistralidade. Esses dados significam que, se reduzirmos mil viagens de moto, transferindo permanentemente 10 para bicicleta, potencialmente reduziríamos mais de 17 sinistros não fatais e 0,58 fatalidades por ano. Em outras palavras, se 1% dos motociclistas passassem a usar bicicleta, em média salvaríamos 3 vidas por ano. Da mesma forma, se mil viagens realizadas de automóvel passassem a ser realizadas permanentemente por ônibus, teríamos uma redução de 1,58 sinistros não fatais e uma redução de 0,03 fatalidades por ano. Uma mudança de 1% de usuários de automóveis para o ônibus deveria salvar 2 vidas e reduzir mais de 100 sinistros com vítimas ao ano. Esses dados são complexos de se analisar por conta das incompatibilidades entre unidades. Os dados de sinistros se registram por ano enquanto os dados de viagens são registrados por dia. Ainda que seja bastante discutível os critérios para se atribuir valor à vida e à enfermidade decorrentes de um sinistro, esse esforço é relevante para termos como uniformizar as diversas 10 Como as viagens são registradas em termos diários e os sinistros em termos anuais, para que esse tipo de exercício tenha sentido, seria necessária uma mudança modal permanente. 85 externalidades negativas decorrentes do uso dos modos motorizados privados. Nesse caso, as diferentes unidades também podem ser uniformizadas, o que não é necessário no caso de emissões que são medidas também por dia. Tabela 31. Custo Médio Diário de Sinistralidade por mil viagens por modo (R$ de dez/2019) Fatalidade Auto Bicicleta Moto Ônibus Não Fatais 49,03 71,08 504,32 9,16 Fatais 82,67 210,39 1.035,59 37,20 Total 131,70 281,47 1.539,91 46,36 Fonte: Geosampa e OD de 2017 Na Tabela 31 juntamos os sinistros com e sem atropelamentos para simplificar a análise mantendo apenas a separação entre sinistros fatais e não fatais. Aqui observamos que uma redução de mil viagens por motocicleta transferidas para bicicleta geraria um benefício monetário de R$1.258 (1539,91-281,47), além, lógico de estar slavando vidas. Ou seja, o custo dessa externalidade para as motos é de R$1,258 por viagem se contrastada com a bicicleta. Comparando automóveis com ônibus temos um custo de 85 reais por mil viagens ou 8,5 centavos de real por viagem. Ou seja, uma migração de 1% das viagens de automóvel para o ônibus poderia gerar uma economia de quase R$ 6 mil por dia, ou mais de R$2 milhões por ano em termos de sinistralidade. 5.3 Análise de custos de sinistros na área de São Miguel Paulista Detalhamos a análise dos custos associados aos sinistros de trânsito selecionando a área em São Miguel paulista que está em análise pra receber intervenções de segurança viária. 86 Figura 31. Area de detalhamento da análise de custos de sinistros Fonte: Elaboração própria Adotamos a mesma metodologia para o cálculo dos custos gerais apresentados na seção anterior. Selecionando-se os sinistros existentes na base do Geosampa que estão localizados no interior da área de intervenção, temos que no período de 2013 a 2020 ocorreram 347 sinistros não fatais (exceto atropelamentos), 12 sinistros fatais (exceto atropelamentos) e 130 atropelamentos não fatais e 8 fatais. Tabela 32. Sinistros ocorridos em São Miguel Paulista entre 2013 e 2020 Sinistros (exceto atroplemanentos) TOTAL ferido_auto ferido_moto ferido_onibus ferido_caminh ferido_bicicl ferido_outro 163 99 65 7 10 3 347 fatal_auto fatal_moto fatal_onibus fatal_caminh fatal_bicicl fatal_outro 4 3 4 0 0 1 12 Atropelamentos ferido_auto ferido_moto ferido_onibus ferido_caminh ferido_bicicl ferido_outro 63 33 22 1 0 11 130 fatal_auto fatal_moto fatal_onibus fatal_caminh fatal_bicicl fatal_outro 3 0 2 1 0 2 8 Fonte: Elaboração própria Considerando-se os custos por cada tipo de sinistro, temos que os custos dos sinistros exceto atropelamentos foi de R$ 15,2 milhões. No mesmo período, considerando os custos somente dos atropelamentos R$ 7,5 milhões, totalizando um custo de R$ 22,7 milhões na área. Valor significativo que deveria ser levado em consideração quando do planejamento das interversões de segurança viária. 87 Tabela 33. Custo dos sinistros ocorridos em São Miguel paulista entre 2013 e 2020 Custo sinistros (exceto atropelamento) R$ 15.149.648,31 Custo atropelamento R$ 7.473.532,24 CUSTO TOTAL SINISTROS R$ 22.623.180,55 Fonte: Elaboração própria 5.4 Índices de Sinistros Assim como nas externalidades anteriores, podemos sumarizar os resultados em índices que indiquem sinistros pelo uso do modal. A Tabela 34 apresenta tais índices por milhões de km para manter uma escala que facilite a leitura. Como os dados de sinistros são apresentados por ano, é necessário transformar os valores de pax*km por dia apresentados anteriormente em dados anuais. Para tal, realizamos uma simplificação assumindo que o volume de deslocamentos no sábado corresponde a 2/3 do volume de um dia útil e que o volume de deslocamentos no domingo equivale a 1/3 do volume em dias úteis. Portanto, o volume da semana pode ser aproximado por 6 vezes o volume de um dia útil. Para chegar ao total de Pax*km do ano, multiplicamos o total de Pax*km do modo no dia por 6x(365/7) para chegar no índice de acidentes fatais e não fatais separando os sinistros com atropelamento dos sinistros sem atropelamento. Tabela 34. Índices de Sinistros por milhões de quilômetros por tipo de sinistro Não Fatais (sem Fatais (sem Não Fatais Fatais Modo Atropelamento) Atropelamento) Atropelamento Atropelamento automóvel 0,6571 0,0147 0,1286 0,0095 moto 1,0418 0,0674 0,6229 0,0354 ônibus 0,0297 0,0014 0,0115 0,0023 bicicleta 0,2009 0,0340 0,0804 0,0105 Fonte: GeoSampa; Tabulação Própria Como discutido anteriormente, mesmo considerando que um sinistro envolvendo motocicleta e ônibus, caminhão ou automóvel a responsabilidade nunca é da motocicleta, ainda temos um grau de sinistralidade extremamente elevado para esse modo. No apêndice 6 (seção 6.4) apresentamos outras "hierarquias" dos sinistros que indicam que a motocicleta poderia estar gerando ainda mais internações e mortes se fosse responsável por ao menos parte dos sinistros envolvendo outros modos motorizados. É o índice mais elevado em qualquer categoria de sinistro. Por outro lado, o ônibus é o que gera menos sinistros entre todos os usos mesmo se responsabilizando por qualquer sinistro que envolva a motocicleta. A diferença para os outros modos é de quase duas ordens de grandeza. 88 O caso que merece destaque é a bicicleta. Ainda que tenha sido colocada, naturalmente, na categoria mais frágil (ou seja, não atribuímos responsabilidade à bicicleta de qualquer sinistro envolvendo outro modo), a bicicleta ainda é responsável por um volume elevado de sinistros. Os índices estão próximos do observado para automóveis nos casos não fatais, mas ficam acima dos automóveis nos casos fatais. A bicicleta não gera externalidades negativas para a sociedade em nenhuma categoria exceto no caso de sinistros. É verdade que os sinistros estão certamente relacionados com a falta de proteção nas vias, mas o fato é que os ciclistas precisam melhorar seu comportamento nas ruas. Não há justificativa para desconsiderar esse custo social gerada também pelos ciclistas à sociedade. Tabela 35. Índice de externalidade negativa dos sinistros (vítimas por milhão de km/custos sociais em R$ de dezembro de 2021 por milhares de km) Não Fatais Fatais Custo Modo Casos Custos Óbitos Custos Total auto 0,7858 34,13 0,0242 20,81 54,94 moto 1,6646 72,31 0,1027 88,35 160,66 ônibus 0,0412 1,79 0,0038 3,24 5,03 bicicleta 0,2813 12,22 0,0445 38,23 50,45 Total 2,7729 120,45 0,1752 150,63 271,08 Fonte: GeoSampa; Tabulação Própria Na Tabela 35 trabalhamos com os sinistros separando apenas os que não tiveram óbitos dos que tiveram sem decompor os sinistros de atropelamento dos sinistros sem atropelamento. Adicionamos os custos dos sinistros utilizando os dados da Tabela 12 e multiplicando pelo índice de sinistro equivalente. Ao somarmos os casos com e sem atropelamentos fica claro que as bicicletas respondem praticamente pelo dobro de casos por quilômetro que os automóveis quando há fatalidade mas representam um pouco menos de um terço dos casos sem óbitos por quilômetro. Esse dado, somado ao fato de que o custo da vida é bem superior aos custos de internação, fazem com que o custo social total do uso da bicicleta (R$0,05/km) seja próximo do registrado para automóveis (R$0,06/km). Evidentemente não podemos somar sinistros fatais com sinistros não fatais pois estamos falando de efeitos distintos. A vantagem da monetização é justamente poder somar e comparar as diversas externalidades. O custo social gerado pela motocicleta é realmente muito elevado: 16 centavos por quilômetro rodado, aproximadamente três vezes o custo gerado por automóveis ou motocicletas e 10 vezes o custo gerado por ônibus. Se compararmos com as externalidades geradas pelas motocicletas pela emissão de CO2e, a 89 externalidade gerada por esse modo na forma de sinistros é quase 7 vezes superior. No caso do ônibus, o que menos emite CO2e por uso, o custo social do sinistro é ainda metade do custo gerado para a sociedade pelo seu efeito deletério no meio ambiente. Esse custo tão elevado do uso da motocicleta precisa ser considerado pela sociedade ao definir estratégias de responsabilização. 90 6 IMPACTOS DA QUALIDADE DO AR NA SAÚDE (EXTERNALIDADES SOCIAIS 3) Esta seção apresenta a metodologia utilizada na estimativa dos impactos da qualidade do ar na saúde. Como se sabe, os poluentes atmosféricos podem causar o aquecimento global bem como causar malefícios à saúde. Enquanto a seção “Emissões de GEE e contaminantes atmosféricos (externalidades ambientais)” apresentou as estimativas das externalidades negativas do transporte no meio ambiente, esta seção concentra-se nos impactos na saúde das pessoas. Ressalta-se que não se trata de dupla contagem: as emissões de gases do efeito estufa degradam a camada de ozônio e alguns deles também geram custos para a saúde. Ou seja, os efeitos são cumulativos. Dentre os poluentes nocivos à saúde, o material particulado é o principal deles. Portanto, esse poluente necessita ser contabilizado para fins de estimativa de morbimortalidade e impactos econômicos, objetivos desta seção. 6.1 Introdução à poluição do ar e seus impactos A poluição do ar é um fenômeno controlável e evitável, mas que ainda é bastante negligenciado, impactando negativamente a saúde e o bem-estar da população. Estima-se que, a cada ano, cerca de 6,7 milhões de pessoas morrem em decorrência da poluição do ar, sendo essa a quarta maior causa de morte precoce no planeta. No Brasil, apenas em 2019, 61 mil pessoas morreram em decorrência da poluição atmosférica (IHME, 2020). A má qualidade do ar afeta gravemente a saúde das pessoas em todas as etapas de suas vidas, causando uma série de doenças e complicações. Ela é responsável por 40% das mortes globais por doença pulmonar obstrutiva crônica, 26% das mortes por AVC, 20% das mortes por diabetes, 20% das mortes por doença isquêmica do coração e 19% das mortes por câncer de pulmão (IHME, 2020). Os impactos da poluição do ar também apresentam variações de acordo com o status econômico. Em São Paulo, pessoas de baixa renda, moradores de favelas e indivíduos com baixa escolaridade sofrem maiores efeitos de mortalidade por partículas inaláveis grossas, também chamada de MP10 (Bravo et al., 2016). A baixa escolaridade também tem relação com maiores efeitos de mortalidade por NO2, SO2 e CO (Martins et al., 2004). A adequada avaliação da interação entre poluição do ar e nível socioeconômico contribui para a discussão sobre justiça ambiental, que busca acabar com a distribuição desigual dos riscos ambientais que afeta a qualidade de vida. Além de impactar na saúde, a qualidade do ar também tem efeitos relevantes na economia. Em São Paulo, uma redução de 5 μg/m3 na concentração de partículas inaláveis finas (MP,5) 91 pode gerar uma economia no valor de 5 bilhões de dólares devido à redução do número anual de casos e consequente aumento da expectativa de vida da população (Abe & Miraglia, 2016). O material particulado inalável é o mais relevante indicador para poluentes prejudiciais à saúde por ser altamente danoso à saúde ao penetrar no sistema respiratório. Esse poluente é composto de partículas muito finas de sólidos ou líquidos suspensas no ar e é classificado de acordo com o seu tamanho: MP10 e MP2,5 para partículas com diâmetro equivalente inferior a respectivamente 10 μm (micrômetros) e 2,5 μm. Suas principais fontes de emissão são veículos automotores, processos industriais, queima de biomassa e ressuspensão de poeira do solo. Dentre as principais fontes de emissão de poluentes nas áreas urbanas, os veículos motorizados são responsáveis por grande parte da poluição do ar11. Na região metropolitana de São Paulo, o material particulado emitido por veículos (leves, pesados e motocicletas) representa 40% das emissões de MP10 e 37% das emissões de MP2,5 (CETESB, 2020), como se pode observar na figura abaixo. Figura 32. Estimativa de emissões relativas por tipo de fonte – RMSP Fonte: CETESB, 2020. Em 2021, a Organização Mundial da Saúde (OMS) definiu novos limites máximos de concentração de poluentes, em sua maioria, mais restritivos do que os anteriores (OMS, 2021). Destacamos os novos valores para os três principais poluentes nocivos à saúde, o 11Conscientes dos malefícios que o uso individual motorizado causa à saúde e ao meio ambiente, 67% dos brasileiros estão dispostos a trocar seus carros ou motos por alternativas de transporte menos poluentes (ICS, 2020). 92 material particulado 2,5 (foco deste estudo), bem como do ozônio (O3) e dióxido de nitrogênio (NO2). Para esses poluentes, os valores de concentração máximos atualmente estipulados pelo Estado de São Paulo são mais altos que aos recomendados pela OMS conforme apresentado na tabela a seguir. Tabela 36. Padrões de qualidade do ar do Estado de São Paulo e Índices recomendados pela OMS Poluent Índice OMS Padrão SP e MP2,5 5 µg/m3 (média anual) 17 µg/m3 (média anual) 100 µg/m3 (média no período de 8 130 µg/m3 (média no período de 8 O3 horas) horas) NO2 10 µg/m3 (média anual) 50 µg/m3 (média anual) Fonte: Elaboração própria a partir de CETESB, 2021 e OMS 2021. As figuras a seguir apresentam a evolução das concentrações anuais de poluentes no Município de São Paulo, obtidos a partir de dados das estações de monitoramento de qualidade do ar da CETESB. A Figura 33 apresenta as concentrações médias anuais entre 2010 e 2019 de MP2,5. Nesse período, todas as estações apresentam valores médios anuais de concentração de MP2,5 acima dos recomendados pela OMS, de duas a cinco vezes maior. Figura 33. MP2,5: Evolução das concentrações médias anuais – MSP – 2010-2019 Fonte: Elaboração própria. Adaptado de CETESB, 2020. Ozônio e NO2 seguem as mesmas tendencias que MP2,5 onde os valores estão acima dos recomendados pela OMS conforme apresentado nas figuras 34 e 35. Os valores de ozônio apresentam poucas reduções nos últimos 20 anos com níveis mais altos para 2020/2021. A 93 concentração média anual de dióxido de nitrogênio (NO2) extrapola em sete vezes o limite máximo estabelecido pela OMS no período analisado. Figura 34. Concentrações médias de alta temporada de O3, em μg/m3, entre 2000 e 2021, classificadas conforme as diretrizes de qualidade do ar (DQA) e as metas intermediárias (MI) da OMS para MSP Fonte: Elaboração própria. Adaptado de IEMA, 2022a. Figura 35. NO2: Evolução das concentrações médias anuais – MSP – 2010-2019 Fonte: Elaboração própria. Adaptado de CETESB, 2020. Após esta breve apresentação que reúne um panorama da emissão e dos efeitos da poluição atmosférica, a próxima seção apresenta os dados e o método de avaliação dos impactos da qualidade na saúde e na economia utilizada para calcular as externalidades sociais da 94 poluição do ar na cidade de São Paulo. Para fins deste estudo, utilizamos o material particulado fino (MP2,5) para estimar o risco de exposição, a morbimortalidade associada e os respectivos custos para a sociedade. 6.2 Dados e método Esta seção apresenta as fontes dos dados e as etapas do método utilizado para calcular os impactos da poluição do ar na saúde e os custos econômicos decorrentes. Os procedimentos adotados foram os seguintes: a partir dos dados de morbidade e mortalidade do DATASUS e dos dados de concentração de MP2,5 no município de São Paulo para o ano de 2019, aplicamos funções de concentração-resposta para estimar os desfechos de saúde atribuíveis à exposição da poluição do ar. Em seguida, estimamos os impactos econômicos. Para calcular os custos diretos, utilizamos as informações disponíveis no DATASUS relativas aos gastos de internação hospitalar. Para calcular os custos indiretos, utilizamos os custos da perda de produtividade devido à internação e à morte. Por fim, estimamos os impactos atribuíveis às emissões veiculares, por categoria de veículo. O diagrama abaixo ilustra as etapas adotadas. Figura 36. Diagrama das avaliações de impacto na saúde e econômicos. Fonte: Elaboração própria a partir de Pun et al., 2021. Dados utilizados 95 A avaliação dos impactos da qualidade do ar na saúde e na economia foram desenvolvidas para o Município de São Paulo (MSP) para o ano de 2019. Os dados coletados e as respectivas fontes foram os seguintes: • Dados de saúde: Sistema de Informação sobre Mortalidade (SIM), Sistema de Informações sobre Nascidos Vivos (SINASC), Sistema de Informações hospitalares (SIH) do Departamento de Informática do Sistema Único de Saúde do Brasil (DATASUS – Brasil) • Dados de qualidade do ar (MP2,5): dados das estações de monitoramento da CETESB compilados na Plataforma de Qualidade do Ar (IEMA, 2022b). Utilizamos apenas os dados das estações que possuem no mínimo 2/3 das médias diárias válidas no mês. • Dados de emissões relativas por tipo de fonte: CETESB, 2020. • Dados de população: projeção elaborada pela Fundação SEADE relativa ao ano de 2020 (11.869.660 habitantes) A Tabela abaixo apresenta as variáveis de saúde coletadas, faixa etária, código internacional de doença (CID), fonte de dados e tipo de impacto (longo ou curto prazo). Tabela 37. Lista de desfechos de saúde para a avaliação de impacto da poluição do ar Morbidade Faixa etária Unidade # CID 10 Fonte Impacto Mortalidade Doença pulmonar SIM - Longo todas as idades óbitos - ano J40–J44, J47 obstrutiva Datasus prazo crônica Diabetes SIM - Longo todas as idades óbitos - ano E10–E13 mellitus Datasus prazo Doença SIM - Longo isquêmica do 25 + anos óbitos - ano I20–I25 Datasus prazo coração J09–J15.8, Infecções das J16–J16.9, vias SIM - Longo todas as idades óbitos - ano J20–J21.9, respiratórias Datasus prazo P23-P23.9, inferiores Z25.1 C33–C34. Câncer de SIM - Longo todas as idades óbitos - ano D02.1, D02.2, pulmão Datasus prazo D38.1 I60–I63, I65– SIM - Longo Derrame 25 + anos óbitos - ano I67, I69.0–I69 Datasus prazo Saúde Infantil Mortalidade todas as SIM - Longo < 1 ano óbitos - ano infantil causas Datasus prazo Baixo peso ao Nascidos SINASC - Longo ao nascer P05 nascer vivos ano Datasus prazo 96 Morbidade Faixa etária Unidade # CID 10 Fonte Impacto <2,500 g após 37 semanas de gestação ao nascer (< 37 Nascimentos Nascidos SINASC - Longo semanas de prematuros vivos ano Datasus prazo gestação) Internações Doenças internações SIH - Curto cardiovascular todas as idades I00-I99 diárias - ano Datasus prazo es Doenças internações SIH - Curto todas as idades J00-J99 respiratórias diárias - ano Datasus prazo Fonte: Elaboração própria a partir de Pun et al., 2021. Avaliação dos impactos de longo prazo na saúde Os impactos de longo prazo da poluição do ar são definidos como os impactos na saúde atribuíveis à exposição anual da poluição do ar. Os desfechos de saúde abordados incluem seis causas específicas de morte (doença pulmonar obstrutiva crônica, diabetes mellitus, infecções das vias respiratórias inferiores, câncer de pulmão, doença isquêmica do coração e derrame) e resultados adversos em crianças (prevalência de mortalidade infantil, prevalência de bebês nascidos com baixo peso ao nascer e prevalência de prematuridade). Esses dados foram obtidos a partir do SIM e do SINASC do DATASUS. Para estimar as mortes atribuíveis à poluição por MP2,5, foi aplicada a relação concentração- resposta (ou risco relativo - RR) entre a exposição ao MP2,5 e as causas específicas de mortes baseadas nas novas curvas MR-BRT RR desenvolvidas pelo Global Burden of Disease Collaborative Network (2021). Para estimar os resultados adversos na saúde infantil atribuíveis à poluição do ar, utilizamos as funções de concentração-resposta da Tabela 38. Tabela 38. Funções de concentração resposta para desfechos de saúde infantil atribuídos à exposição de MP 2,5 Desfecho Idade RR (95% IC) Referência Saúde Infantil Mortalidade por todas as causas 1–12 meses 1.09 (1.04, 1.14) Heft-Neal et al. 2018 Resultados adversos do parto Ao nascer 1.007 (1.005, 1.08) Liu et al. 2019 Baixo peso ao nascer* Ao nascer 1.18 (1.06, 1.33) Liu et al. 2019 Prematuro* Ao nascer 1.007 (1.005, 1.08) Liu et al. 2019 Fonte: Adaptado de Pun et al., 2021. Obs. (*)“Baixo peso ao nascer” são recém -nascidos à termo de menos de 2,5kg. “Prematuros” são recém-nascidos abaixo de 37 semanas gestacionais. 97 Avaliação dos impactos de curto prazo na saúde Numa segunda etapa, calculamos os impactos a curto prazo na saúde. Para tal, levantamos o número de internações por doenças cardiovasculares (DCV) e por doenças respiratórias (DRESP). Dados de internações diárias foram levantados para todas as faixas etárias, organizados por diagnóstico (internações por DCV e internações por doenças respiratórias) e contabilizados para obter o número total de internações por diagnóstico para 2019. Não contabilizamos pacientes que morreram durante o período de internação. A atribuição do número de internações devido a poluição do ar seguiu a função apresentada na Tabela 39. Tabela 39. Função para atribuições a internações totais para uma mudança de 10 μg/m3 na exposição de MP 2,5 Número total de internações Idade RR (95% IC) Referência Por doenças todas as idades 1.0091 (1.0017, OMS, 2013 cardiovasculares 1.0166) Por doenças respiratórias todas as idades 1.0019 (0.9982, OMS, 2013 1.0402) Fonte: Adaptado de Pun et al., 2021. Para ambos, longo e curto prazo calculamos a taxa por habitante. Para o número de internações levantamos o número de dias internados por DCV e respiratórias o que nos permitiu medir os impactos econômicos na saúde. Avaliação dos impactos econômicos A partir dos resultados da avaliação de impacto na saúde, foi possível calcular os impactos econômicos da exposição à má qualidade do ar. Os custos diretos foram calculados a partir das seguintes etapas: • Etapa 1: Cálculo da média de gastos por dia de permanência: o Gastos totais anuais para o ano de 2019 de internações por DCV e doenças respiratórias DRESP dividido pelo total de dias de permanência. • Etapa2: Cálculo da média de dias de permanências de internações por DCV e DRESP o O total de dias de permanência dividido pelo total de internações. • Etapa 3: Média anual de dias de permanência por DCV e DRESP atribuídas a poluição do ar o Multiplicamos a média de dias de permanência de internações pelo total de casos por DCV e DRESP atribuídas a poluição do ar. • Etapa 4: Gastos anuais por dia de permanência por DCV e DRESP atribuídas a poluição do ar dia. 98 o Multiplicamos a média de gastos por dia de permanência pela média anual de dias de permanência atribuídos à poluição do ar no dia. Os custos indiretos foram calculados estimando a perda de produtividade devido às internações e óbitos atribuídos à poluição do ar. Para as internações consideramos: • O valor médio de uma diária de trabalho levando em consideração que o salário médio mensal dos trabalhadores formais em 2020 foi equivalente a 4,1 salários-mínimos12 e que o valor do salário-mínimo mensal é de R$ 998 para 2019, dividido por 20 dias de trabalho mensais. • A perda diária de produtividade foi então multiplicada pelo valor médio de dias de internação atribuídos a DCV e DRESP devido à exposição a MP2,5 Os custos de perda de produtividade devido à óbitos foram calculados utilizando: • O valor médio do número de óbitos infantis e adultos por causa específica atribuídos a poluição do ar. • Em seguida, multiplicamos o número total de óbitos pela estimativa da perda de produtiva utilizando como valor de referência R$ 512.181,08 para uma vida (IPEA, 2015). Custos diretos e indiretos foram somados para obter o custo econômico total estimado pelos impactos na saúde da poluição do ar. Atribuição dos impactos por tipo de veículo Por fim, relacionamos os impactos de saúde e os impactos econômicos às emissões veiculares, por categoria de veículo. Para isso, da mesma forma que Sá et al. (2017), atribuímos a proporção de emissão veicular ao total da emissão de MP2,5, que segundo a CETESB (2020) é de 37% para a Região Metropolitana de São Paulo (Figura 32). Em seguida, multiplicamos a contribuição relativa de emissão de material particulado por tipo de veículo13 (Tabela 40). Para o cálculo de emissões de material particulado, a CETESB utiliza a abordagem bottom-up, na qual considera a “distância anual percorrida para cada tipo 12 https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama 13 “Comerciais Leves” são, por exemplo, Vans (transporte de passageiros), Furgões (veículo para transporte de carga com compartimento fechado e com PBT de até 3,5 t), Utilitários Esportivos, Picapes (veículo para transporte de carga com compartimento aberto e com PBT de até 3,5 t), Jipes/Utilitários (para diversas aplicações, fora-de-estrada), Crossover (derivados dos utilitários esportivos, possuem plataforma mais elevada do que os automóveis e tração nas quatro rodas). Fonte: https://cetesb.sp.gov.br/veicular/wp-content/uploads/sites/6/2013/12/Comparativo-de-frota.pdf 99 de veículo, além da quantidade de veículos, o fator de emissão, a autonomia e o volume de combustível consumido” (CETESB, 2020). É importante destacar que os fatores de emissão dos veículos pesados, caminhões e ônibus são obtidos a partir de teste no motor (CETESB, 2022, p. 113). Além disso, por se tratar de “material particulado gerado por combustão”, geralmente constituído de partículas mais finas, em que boa parte é classificada como MP2,5, assumimos que a proporção de MP (Material Particulado) permanece igual para MP2,5 (Li, 2018; Matti, 2020). Tabela 40. Estimativa de emissão veicular relativa de material particulado no MSP em 2019 Categoria Emissão de MP Automóveis 3% Motocicletas 4% Ônibus 31% Caminhões 49% Comerciais 13% Leves Total 100% Fonte: Adaptado de CETESB, 2020. Em suma, partimos do pressuposto que os veículos são responsáveis por 37% das emissões de MP2,5 na cidade de São Paulo (CETESB, 2020). Logo, multiplicamos os resultados dos impactos na saúde e na economia por 0,37. Em seguida, multiplicamos a emissão relativa por categoria de veículo para, assim, pode atribuir os impactos aos ônibus, automóveis e motocicletas na saúde e na economia. A Figura 37 ilustra esse processo. Figura 37. Diagrama de emissões veiculares relativas na cidade de São Paulo em 2019 Fonte: Elaboração própria, a partir de CETESB, 2020. 6.3 Resultados Impacto da poluição do ar na saúde A partir do valor médio anual de concentração de material particulado (17 μg/m3), estimamos os impactos de curto e longo prazo na saúde. 100 A Tabela 41 apresenta os resultados do impacto de longo prazo da má qualidade do ar na saúde infantil na cidade de São Paulo para o ano de 2019. Aplicando as funções dose-reposta, estimamos que para o ano de 2019 a mortalidade de 181 crianças pode ser diretamente associada aos efeitos da exposição a materiais particulados finos. Baixo peso ao nascer atribuídos à poluição do ar representam 1.040 casos e nascimentos prematuros, 144 casos. Tabela 41. Impacto de longo prazo da contaminação atmosférica de MP2,5 na saúde infantil em 2019 – MSP Desfecho Casos Taxa por 1.000 nascidos vivos Mortalidade Infantil 181 1.141 Baixo Peso ao Nascer 1040 6.558 Nascimentos Prematuros 144 0.908 Fonte: Elaboração própria Estimando os impactos de curto prazo por número de internações, identificamos 382 internações por DCV e 70 por doenças respiratórias atribuídas à exposição a MP2,5 (médias diárias), conforme apresentado na Tabela 42. A cada 100 mil habitantes internados por DCV, 3 têm como causa a poluição do ar. Tabela 42. Impacto de curto prazo da contaminação atmosférica de MP2,5 em número de internações por doenças respiratórias e cardiovasculares no MSP em 2019 Casos atribuídos a Taxa por 100 mil Internações Total de casos MP2.5 habitantes Doenças 34.767 382 3,22 cardiovasculares Doenças respiratórias 29.774 70 0,59 Fonte: Elaboração própria Levando em consideração todas as faixas etárias e desfechos por causa específica, encontramos um valor médio de 2.701 óbitos em 2019 relacionados a poluição do ar, ou seja, 23 casos a cada 100 mil habitantes (Tabela 43). Doença isquêmica do coração apresentou o valor médio mais alto de óbitos, seguida por derrame, doença pulmonar obstrutiva crônica e câncer de pulmão. Tabela 43. Impacto de longo prazo da contaminação atmosférica de MP2,5 no número de óbitos no MSP em 2019 Desfecho Casos Taxa por 100 mil habitantes Doença pulmonar obstrutiva crônica 333 2,81 Diabetes mellitus 47 0,40 Doença isquêmica do coração 1314 11,07 101 Infecções das vias respiratórias inferiores 79 0,67 Câncer de pulmão 266 2,24 Derrame 662 5,58 Total 2701 22,76 Fonte: Elaboração própria Impactos econômicos da poluição do ar A Tabela 44 apresenta os custos diretos das internações por baixo peso ao nascer, nascimentos prematuros, doenças cardiovasculares e doenças respiratórias. A partir dos dados de gastos totais de internações extraídos do SIH, estimamos que 382 internações devido à DCV corresponderam a um custo de R$ 751 mil e que 70 internações por DRESP corresponderam a R$ 50 mil. Em relação aos gastos por desfechos infantis, um total de R$ 551 mil foram atribuídos ao baixo peso ao nascer e nascimentos prematuros. No total, o sistema público de saúde gastou R$ 1,4 milhões com internações causadas pela má qualidade do ar. Tabela 44. Custos diretos de internações devido à poluição do ar no MSP em 2019 Desfecho Casos Gastos em reais Baixo peso ao nascer* 142 R$ 272.543,58 Nascimentos prematuros 144 R$ 278.035,12 Doenças cardiovasculares 382 R$ 750.905,30 Doenças respiratórias 70 R$ 50.370, 59 Total 738 R$ 1.351.854,00 Fonte: Elaboração própria. Obs. (*) Nem todos os bebês que nascem com baixo peso são internados. De acordo com o SIH (AIH processadas no mês da internação), 142 bebês foram internados no ano de 2019 devido ao baixo peso ao nascer. Logo, presumimos que o número total de internações devido ao baixo peso ao nascer pode ser atribuído à poluição do ar. Em relação aos custos indiretos das internações, a perda de produtividade devido ao tempo de permanência por DCV e DRESP está apresentada na Tabela 45. O número médio de dias de permanência internado para DCV é de 3,8 e para DRESP, 4,3. O número de total de dias de permanência das internações causadas pela poluição do ar é de 1442 para DCV e 300 para DRESP, resultando em uma perda de produtividade devido à internação de, respectivamente, R$ 296 mil e R$ 62 mil, totalizando R$ 357 mil. 102 Tabela 45. Custos indiretos de perda de produtividade devido a internações atribuídas a exposição a MP2,5 no MSP em 2019 DCV DRESP TOTAL Número de internações 382 70 - Número médio de dias de permanência 3,8 4,3 - internado - Total de dias de permanência 1442 300 Perda de produtividade devido à R$ 295.710,00 R$ 61.500,00 R$ 357.210,00 internação (custo R$ 205/dia) Fonte: Elaboração própria O custo total das internações causadas pela má qualidade do ar, ou seja, os custos diretos somados aos custos indiretos, é de R$ 1,7 milhão. Já o custo médio das internações é R$ 2.315,81, como apresenta a Tabela 46. Tabela 46. Custo médio das internações causados pela contaminação de MP2,5 na saúde no MSP em 2019 Custos Desfecho Internações Custos diretos Custo médio indiretos Baixo peso ao nascer1 142 R$ 272.543,58 - R$ 1.919,32 Nascimentos 144 R$ 278.035,12 - R$ 1.930,80 prematuros Doenças 382 R$ 750.905,30 R$ 295.710,00 R$ 2.739,83 cardiovasculares Doenças respiratórias 70 R$ 50.370,59 R$ 61.500,00 R$ 1.598,15 Total R$ 738 R$ 357.210,00 R$ 2.315,81 1.351.854,59 Fonte: Elaboração própria. Obs. (*) Nem todos os bebês que nascem com baixo peso são internados. De acordo com o SIH (AIH processadas no mês da internação), 142 bebês foram internados no ano de 2019 devido ao baixo peso ao nascer. Logo, presumimos que o número total de internações devido ao baixo peso ao nascer pode ser atribuído à poluição do ar. A Tabela 47 apresenta os custos indiretos dos óbitos causados pela má qualidade do ar, tendo como referência o valor de R$859.896 para uma vida (IPEA, 2015, valor corrigido para dezembro de 2021). Assim, temos R$ 93 milhões atribuídos a mortalidade infantil para o valor médio de 181 óbitos. Doença isquêmica do coração, seguida por derrame, representou a maior parte dos custos indiretos em 2019. No total a perda de produtividade por mortes devidas a MP2,5 resultou em cerca de R$ 1.476,1 milhões. 103 Tabela 47. Custos indiretos de perda de produtividade devido a óbitos atribuídos a exposição a MP2,5 no MSP em 2019 Valor médio Perda de produtividade (em Desfecho de óbitos reais) Mortalidade Infantil 181 92,7 milhões DPOC 333 170,5 milhões Diabetes mellitus 47 24,1 milhões Doença isquêmica do coração 1.314 672,8 milhões Infecção do trato respiratório inferior 79 40,4 milhões Câncer de pulmão 266 136,2 milhões Derrame 662 339 milhões Total 2.882 1.476,1 milhões Fonte: Elaboração própria. A somatória dos custos diretos e indiretos das internações e óbitos causados pela concentração de MP2,5 no MSP para o ano de 2019 é de R$ 1,48 bilhão, como mostra a Tabela 48. Tabela 48. Custo social atribuído à exposição a MP2,5 no MSP em 2019 Tipo de custo Valor Custo direto por internação R$ 1.351.854,59 Custo indireto por internação R$ 357.210,00 Custo indireto por óbito R$ 1.476.100.000,00 Total R$ 1.477.809.064,59 Fonte: Elaboração própria. Impactos na saúde devido à emissão veicular Tendo em vista que emissão relativa de MP2,5 proveniente de veículos é de 37%, a emissão veicular foi responsável mais de mil óbitos, incluindo mortes de crianças, como mostra a Tabela 49. Isso representa uma taxa de 9 mortes por cem mil habitantes, maior do que taxa de mortes no trânsito. Das internações na cidade, 273 são causadas pela poluição advinda dos veículos. Tabela 49. Impactos das emissões veiculares na saúde por categoria de veículo e MP2,5 no MSP em 2019 Taxa de Quantidade de casos óbitos por Internações1 Óbitos2 atribuídos 100 mil habitantes à poluição do ar 100% 966 2.882 24,3 à poluição do ar proveniente 37% 273 1066 9,0 de veículos 104 Taxa de Emissão 1 2 óbitos por Categoria de veículo relativa de Internações Óbitos 100 mil MP habitantes Automóveis 3% 8 32 0,3 Motocicletas 4% 11 43 0,4 Ônibus 31% 85 331 2,8 Caminhões e comerciais leves 62% 169 661 5,6 Total 100% 273 1067 9,0 Fonte: Elaboração própria. Obs. Valores médios; (1) Internações devido ao baixo peso ao nascer, nascimentos prematuros, DCV e DRESP; (2) Mortalidade infantil, DPOC, diabetes mellitus, doença isquêmica do coração, infecção do trato respiratório inferior, câncer de pulmão, derrame. Dentre os veículos de passageiros, os ônibus são responsáveis por 4 vezes mais óbitos e internações do que os automóveis e as motocicletas somados. Isso se dá pela maior parcela de emissões de material particulado gerado na combustão nos ônibus, esse fato justifica parcialmente substituir a frota de ônibus a diesel por tecnologias mais limpas, como os ônibus elétricos. Na realidade, o padrão Euro 6 já garante uma emissão muito mais baixa de material particulado. Considerando o custo médio (direto e indireto) das internações causadas pela emissão de MP2,5 no valor de R$ 2.315,81 e o valor de R$859.896 para uma vida (IPEA, 2015, valor corrigido para dezembro de 2021), temos que a emissão veicular de MP2,5 é responsável por um custo social no valor de R$ 546,6 milhões ao ano. Tabela 50. Custo social por categoria de veículo e devido à emissão de MP 2,5 no MSP em 2019 Categoria de Internação Óbitos veículo Casos Valor Casos Valor Automóveis 8 R$ 18.970,62 32 R$ 16.389.794,56 Motocicletas 11 R$ 25.294,16 43 R$ 22.023.786,44 Ônibus 85 R$ 196.029,71 331 R$ 169.531.937,48 Caminhões e 169 R$ 392.059,42 661 R$ 338.551.693,88 comerciais leves Total 273 R$ 632.353,90 1067 R$ 545.985.031,28 Fonte: Elaboração própria. 6.3.1 Limitações • Nesta análise, optamos por calcular apenas os impactos do MP2,5 na saúde, mesmo sabendo que há outros poluentes nocivos à saúde, como o O3 e o NO2. Não 105 estimamos os impactos do ozônio14 na saúde porque não há um valor de fator de emissão de referência que permita atribuir a emissão por tipo de veículo desse poluente. Além disso, tanto o O3 quanto o NO2 apresentaram baixa a moderada correlação com os desfechos de saúde, com exceção de doenças pulmonares obstrutivas crônicas, como conclui a meta análise desenvolvida por Huangfu e Atkinson (2020). • Não há uma função de risco relativo (concentração-resposta) consagrada para quantificar a relação entre a emissão veicular e os desfechos de saúde (mortes e internações), tampouco segregando por tipo de veículo. Por isso, nos deparamos com diversos métodos para calcular os impactos das emissões veiculares na saúde (Garcia et al., 2021; Pereira Barboza et al., 2022; Sá et al., 2017). Optamos por nos basear no método empregado por Sá (2017) que não mede o efeito de mudanças da poluição do ar causadas pelo congestionamento, velocidade e microambientes. No entanto, há outros métodos mais sofisticados que envolvem abordagens epidemiológicas baseadas em modelos de proximidade, intensidade, uso do solo e dispersão. Garcia et al. (2021) calculam a distribuição da poluição do ar em áreas residenciais bem como a exposição diária individual durante a viagem (considerando tempo, taxa de inalação do ar e a razão da exposição no veículo/background por modo de transporte). Pereira Barboza et al. (2022) calculam a dispersão de NO2 combinando os dados de poluição do ar das estações de monitoramento com o inventário de emissões especializadas desenvolvido pelo IEMA (2017). • Atualmente, não existe um modelo de dispersão de MP2,5 para a cidade de São Paulo que possa ser usado para alocar as concentrações médias de poluição do ar com pesos por setores censitários (Pereira Barboza et al., 2022). Apesar do “Inventário de Emissões Atmosféricas do Transporte Rodoviário de Passageiros no Município de São Paulo” (IEMA, 2017) especializar as emissões por meio de um mapa de vetores com grid (resolução do grid de 1 km2), Pereira Barboza et al. (2022) concluíram que a correlação entre as emissões de MP2,5 e a concentrações de MP2,5 nas estações de monitoramento não são estatisticamente significantes. Sendo assim, optamos por não espacializar as emissões de MP2,5. • Nesta análise, utilizamos a estimativa de emissões relativas por tipo de fonte para a RMSP ao invés do MSP, já que a CETESB (2020) não apresenta esses dados recortados para o município. • Os dados de internação (SIH-SUS) são relativos apenas ao sistema público de saúde. Portanto, a quantidade de internações e o custo correspondente podem estar 14 O ozônio (O3) é um poluente secundário nocivo à saúde. Ele é formado a partir de óxidos de nitrogênio (NOx) e compostos orgânicos voláteis (COVs) na presença de luz solar. O ozônio encontrado próximo do solo, onde respiramos, é tóxico. Entretanto, na estratosfera (cerca de 25 km de altitude), o ozônio tem a importante função de proteger a Terra dos raios ultravioletas emitidos pelo Sol (Vital Strategies, 2021). 106 subestimados uma vez que grande parte da população possui plano de saúde e apresenta maior expectativa de vida, sendo que quanto mais velho, mais afetado pela poluição do ar. 6.4 Índices de impacto da emissão de PM2,5 na saúde Para sumarizar os dados de impacto da emissão de PM2,5 na saúde, procedemos de maneira similar ao que realizamos nos casos abordados. Note-se que não podemos fazer como no caso das emissões de CO2e onde apresentamos os índices de emissão pelo uso do modo. A emissão de PM2,5 não é uma externalidade per se como a emissão de GEE. Como discutido nas seções anteriores, a emissão de PM2,5 até um fator de 5 µg/m3 é aceitável pela OMS e, portanto, não deve gerar problemas de saúde. Para chegar nesses valores, o primeiro passo é consolidar os dados de internações e de óbitos por modo da mobilidade. Tabela 51. Custos de internação e óbito em reais de dezembro de 2021 por modo decorrente de emissões de PM2,5 pelo setor de transportes no Município de São Paulo Tipo de Caso Automóveis Motocicletas Ônibus Caminhões Total Internações por: Peso ao nascer 3.557,01 4.742,68 36.755,80 73.511,60 118.567,10 Prematuro 3.628,68 4.838,25 37.496,40 74.992,80 120.956,13 DCV 13.659,56 18.212,74 141.148,74 282.297,48 455.318,52 DRESP 1.460,04 1.946,72 15.087,10 30.174,21 48.668,07 Óbitos 27.516.661,51 36.975.513,90 284.625.467,44 568.391.039,22 917.508.682,06 Fonte: Elaboração própria a partir de dados do CETESB, SUS e IPEA. A conta utiliza a proporção de emissão dos transportes por modo apontada na Tabela 50 para encontrar as internações e os óbitos que podem ser atribuídas a cada modo. Para chegar no valor em reais de 2021, utilizamos a média de custo das internações da Tabela 46 corrigidas15 de dezembro de 2019 para dezembro de 2021. O custo dos óbitos foi obtido da Tabela estimada pelo IPEA. Podemos utilizar o valor da vida estimado pelo IPEA, pois os fatores que entram nessa estimativa são os mesmos para qualquer caso. Não podemos utilizar os valores 15Para fins de correção de valores, utilizamos o INPC. O índice de correção entre dezembro de 2019 e dezembro de 2021 foi 1,1757812. Dados obtidos no sítio do Banco Central, consultado em 01/07/2022 no enlace: https://www3.bcb.gov.br/CALCIDADAO/publico/corrigirPorIndice.do?method=corrigirPorIndic e 107 de vítimas decorrentes dos sinistros pois os custos hospitalares são bastante sensíveis ao tipo de enfermidade. Como podemos ver, os caminhões são os maiores responsáveis pelas emissões seguidos pelos ônibus. Como neste trabalho a nosso foco se restringe a mobilidade urbana de passageiros, a partir desse momento ignoramos a contribuição da logística de carga. Um outro ponto a se destacar, é que esses dados partiram das emissões efetivas em 2019 mas, como é conhecido, as tecnologias mais recentes (Euro 5 e 6) reduzem substantivamente as emissões de partículas. Portanto, com o crescimento da frota de caminhões e ônibus nessa nova tecnologia, esses valores devem estar em queda. Não faz parte do escopo deste trabalho estimar o que poderia ocorrer com a mudança da tecnologia energética da frota mas é importante qualificar esse fato que deve aparecer nas emissões ao longo do tempo. Diferentemente das emissões de GEE que tem um efeito global independentemente de onde se dá a emissão, no caso de PM2,5 o efeito é local. A densidade de emissão é a variável chave nesse caso. Essa característica local faz com que o tratamento analítico do impacto dessa emissão seja mais parecido com o tratamento dado aos sinistros. Não importa exatamente o número de sinistros por uso do modo, mas sim seu impacto na saúde. Portanto, na análise que segue, observamos os índices em função do impacto em internações e óbitos o que o torna mais comparável de maneira direta aos índices de sinistros. Também nesse caso, temos dados anuais e, portanto, precisamos multiplicar o uso diário por 6x365/7 para que seja compatível com o volume de Pax*km do modo no ano. Os valores são bastante reduzidos e, por isso, mantivemos os índices relativos a unidades de milhões de quilômetros, como fizemos para sinistros. Ainda assim, os valores são consideravelmente mais baixos do que os observados para os sinistros. Enquanto os impactos hospitalares ligados aos sinistros (por milhões de quilômetros) estão na escala decimal (ou até da unidade no caso das motocicletas), aqui a ordem de grandeza é de 1/1000. Há também uma inversão curiosa: via de regra se observam mais eventos de hospitalização do que de óbitos; no caso do impacto do PM2,5 temos o oposto com mais casos de óbitos do que de internações. Não está muito claro de onde vem esse padrão. Um fato para qualificar essa informação um pouco melhor é que se registram 738 internações ligadas à PM2,5 mas 2701 casos. Pode ser que um nascimento prematuro, por exemplo, não gere internação mas não sabemos os efeitos colaterais desse incidente no longo-prazo. Tabela 52. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (internações e óbitos por milhão de km) Problema de Saúde Automóveis Motocicletas Ônibus Peso 0,00009 0,00098 0,00045 Prematuro 0,00009 0,00099 0,00046 108 DCV 0,00024 0,00264 0,00122 DRESP 0,00004 0,00048 0,00022 Óbitos 0,00180 0,02007 0,00918 Fonte: Elaboração própria a partir de dados do IEMA, CETESB e SUS. O efeito elevado dos ônibus em termos absolutos se dilui consideravelmente quando levamos em consideração o alto uso desse modo. O modo tem um impacto 10 vezes maior do que os automóveis na emissão de PM2,5 mas um efeito em saúde por quilômetro de uso 5 vezes maior. Na comparação com motocicletas, onde o ônibus representa praticamente 8 vezes o número de casos, quando ponderamos pelo uso, representa menos da metade do impacto. Devido às características físicas das motocicletas mesmo com um uso muito inferior ao dos automóveis as mesmas são responsáveis pelo dobro (ou mais) das internações e óbitos por quilômetro relacionadas à emissão de PM2,5. Tabela 53. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (Reais de Dezembro de 2021 por milhão de pax*km) Modo Automóveis Motocicletas Ônibus Total Peso 0,20 2,21 1,02 1,46 Prematuro 0,20 2,26 1,04 1,49 DCV 0,77 8,50 3,91 5,61 DRESP 0,08 0,91 0,42 0,60 Óbitos 1.545,31 17.259,22 7.892,68 26.697,21 Total 1.546,56 17.273,10 7.899,07 26.706,38 Fonte: Elaboração própria a partir de dados do IEMA, CETESB, SUS e IPEA. Quando observamos os custos hospitalares ligados às internações a diferença para o custo dos sinistros se torna extremamente elevada. Isso porque um sinistro com feridos leves gera um custo hospitalar de mais de 17 mil reais. O custo mais elevado de internações que estimamos no caso de doenças induzidas pelo excesso de PM2,5 no ar se dá para doenças cardíacas com um custo médio de pouco mais de 3 mil reais. A estimativa de custos hospitalares ligados às doenças respiratórias está no entorno de 2 mil reais. Não sabemos se essa informação esconde custos hospitalares maiores que não aparecem pois observamos apenas as internações imediatas ou se de fato os custos ligados aos sinistros são muito mais elevados. O que nos deixa um pouco desconfiados com esse valor é o fato de observarmos praticamente o dobro de casos de óbito do que de internação e a lógica diria que se esperaria o oposto. Assim, os custos hospitalares reportados relacionados com as emissões de PM2,5 pelo setor de mobilidade podem ser consideradas como um limite inferior desse custo. Na 109 Tabela 54 juntamos os dados de internação independente da causa de saúde e os dados de óbitos com os respectivos custos para cada categoria/modo apresentando os custos por milhares de quilômetros ao invés de milhões. Tabela 54. Índice de externalidade negativa da emissão de PM2,5 pelo setor de transportes (internações e óbitos por milhão de km e Reais de Dezembro de 2021 por mil pax*km) Internaçõe Modo Custo Óbitos Custo Custo Total s Automóveis 0,00046 0,0013 0,00180 1,55 1,55 Motocicletas 0,00510 0,0139 0,02007 17,26 17,27 Ônibus 0,00235 0,0064 0,00918 7,89 7,90 Fonte: Elaboração própria a partir de dados do IEMA, CETESB, SUS e IPEA. O peso relevante desta componente são os óbitos. Os demais itens não têm significância substantiva mas precisam ser levados em conta, evidentemente. Como dissemos, a vantagem de um índice monetário, não obstante todas as limitações desse processo de conversão é a comparabilidade. Em particular, podemos somar internações com óbitos, o que não faz sentido se considerarmos os componentes físicos. As emissões de PM2,5 têm alguma significância para motocicletas onde representam 1,7 centavos de reais por quilômetro. No caso de ônibus, um grande emissor hoje em dia de partículas, o custo é 0,8 centavos por quilômetro. Mesmo assim, quando consideramos os custos totais (Tabela 41.1) notamos que os ônibus geram um custo de R$285 milhões por ano e os caminhões e comerciais leves um custo de R$568 milhões por ano. Se os mesmos fossem responsabilizados por esses custos é possível que se viabilizasse a mudança de tecnologia energética. O que resta saber é se valeria a pena migrar para veículos elétricos ou para veículos com tecnologia Euro 6. 110 7 ESTIMATIVAS DE CAPEX E OPEX PARA ÔNIBUS E AUTOMÓVEIS Esta seção apresenta o componente de estimativa de CAPEX e OPEX para transporte privado individual e transporte público coletivo por ônibus, que correspondem aos principais modos de deslocamento de passageiros mais diretamente associados ao uso do sistema viário. As estimativas buscam estabelecer uma base comparativa entre os custos de capital e operação destes dois modos. Essas informações são então utilizadas para pensar um pouco mais sobre a distribuição de recursos entre modos. 7.1 CAPEX e OPEX: Automóveis A estimativa do custo de capital dos automóveis tem como base duas informações: a frota de veículos registrados e os preços médios de transações de compra e venda de veículos. A informação referente a frota é anualmente divulgada pela CETESB. As tabelas do Apêndice 5 – insumos para cálculo de capex e opex apresentam os volumes totais da frota em categorias agregadas pelo ano de fabricação do veículo. Se considerarmos apenas o espaço de estacionamento que a frota de automóveis não comerciais da RMSP ocupa considerando uma vaga padrão de 2,5m X 5m, chegamos a um total de 50 Km2, o que se consideramos o valor do metro quadrado médio da cidade em 4 mil reais, alcança um valor de mais de 200 bilhões de reais. Para o cálculo do valor total da frota de veículos na RMSP, utilizamos os dados da tabela AutoAvaliar/IBRE que traz os preços referenciais de veículos automotores realizado a partir de uma base de dados de avaliações de veículos, obtidas pela Auto Avaliar em conjunto com diversas concessionárias em todo o Brasil. Essa base de dados corresponde a uma ampla quantidade de informações detalhadas sobre os veículos: marca, modelo, versão, ano, preço de avaliação, entre outras características inerentes aos veículos avaliados, tais como acessórios existentes, estado de conservação do veículo, tipo de câmbio, entre outras. Os preços referenciais são calculados a partir de estatísticas descritivas, para veículos que possuem avaliações, e modelos de regressão, para aqueles que não possuem. As entregas são mensais, apresentando resultados a partir da produção dessas estatísticas, com base em dados atualizados mensalmente e constante evolução da metodologia. Estes dados foram utilizados na estimativa considerando a frota informada pela CETESB. Como a frota da CETESB não diferencia os tipos de veículos, utilizamos os dados do histórico de transações contidos na base de dados da AutoAvaliar para estimar a participação de automóveis 111 populares e topo de linha na frota. Uma vez estimada esta proporção, foi aplicado o valor médio de cada categoria considerando o ano de fabricação do veículo. Ainda que o valor apresentado seja uma estimativa proveniente de uma amostra não probabilística, ou seja, não se pode ter uma medida exata da imprecisão contida, o resultado é suficientemente robusto para dar uma ordem de grandeza do montante geral. As tabelas do Apêndice 4 – Passo a passo dos avanços na criação da rede de simulação para TPI traz os valores médios estimados por ano de fabricação do veículo e categoria. Aplicando-se os parâmetros anteriormente descritos, a estimativa de custo de capital da frota de automóveis na RMSP totaliza mais de 204 bilhões de reais, sendo que os automóveis mais populares totalizam 196 bilhões e aproximadamente 8 bilhões são categorias de veículos de topo de linha. Tabela 55. Valor da frota de automóveis na RMSP Valores Totais em milhões de Proporção reais Ano de Frota Mais Outras Fabricação Mais Outras populare categoria Total populares categorias s s 1995 52.986 0.77 0.23 171 51 222 1996 62.857 0.77 0.23 234 70 304 1997 78.342 0.78 0.22 329 95 425 1998 61.985 0.82 0.18 322 69 391 1999 75.622 0.83 0.17 413 85 499 101.90 2000 0.83 0.17 566 112 679 9 114.72 2001 0.82 0.18 675 144 819 0 2002 96.841 0.85 0.15 669 121 790 2003 99.530 0.86 0.14 756 122 879 120.82 2004 0.92 0.08 1.150 99 1.249 1 139.49 2005 0.92 0.08 1.423 118 1.541 8 170.42 2006 0.93 0.07 1.922 142 2.063 3 238.48 2007 0.93 0.07 3.002 243 3.245 6 289.93 2008 0.94 0.06 4.248 290 4.538 2 336.41 2009 0.94 0.06 5.793 350 6.143 8 389.30 2010 0.95 0.05 7.649 435 8.083 5 415.27 2011 0.94 0.06 9.411 569 9.981 9 112 433.26 2012 0.94 0.06 11.482 731 12.213 5 432.55 2013 0.96 0.04 13.609 562 14.171 1 404.42 2014 0.96 0.04 14.575 667 15.243 2 327.53 2015 0.96 0.04 13.865 605 14.469 0 261.64 2016 0.96 0.04 13.448 505 13.953 5 289.62 2017 0.97 0.03 16.718 455 17.172 9 332.73 2018 0.98 0.02 23.055 574 23.629 4 338.26 2019 0.99 0.01 27.921 351 28.272 5 229.46 2020 0.98 0.02 22.663 400 23.063 4 Valor Total (em milhões de reais) 196.070 7.965 204.035 Fonte: Tabela Auto Avaliar (2019/2020) / Estimativas IBRE/FGV O custo de operação dos automóveis é computado a partir dos níveis de utilização e os respectivos custos relacionados ao consumo de combustíveis, lubrificantes e custos de manutenção. A estimativa dos custos de operação se deu a partir das informações das distâncias percorridas na pesquisa OD 2017/2018. Há que se ressaltar que as distâncias informadas na pesquisa OD referem-se às distâncias euclidianas entre origem e destino, dessa forma, a estimativa ainda que dê uma ordem de grandeza dos custos de operação nos deslocamentos por automóvel apresentada é subestimada. Outro aspecto que foi levado em consideração é que a pesquisa OD representa viagens, sendo que parte dessas viagens pode ter sido realizada por duas pessoas de um mesmo domicílio compartilhando um mesmo automóvel. Nesse sentido, seriam registradas duas viagens na pesquisa OD, uma indicada como modo principal ‘Dirigindo Automóvel’ e outra indicando ‘Passageiro de Automóvel’. A fim de evitar esta dupla contagem, aplicamos um fator de ocupação média de automóveis informado pela CET de 1,4 pessoas por automóvel. A Tabela 56 apresenta as estimativas dos custos de operação dos automóveis considerando combustíveis e manutenção básica. Uma série de simplificações foram adotadas na estimativa a partir de dados dispersos encontrados na literatura. Assim, definiu-se o consumo médio de combustível de um automóvel tipo 10km/l, o que pode variar significativamente em função do nível de congestionamento e das condições de dirigibilidade. 113 Tabela 56. Custos de Operação das Viagens de Automóveis na RMSP Total de quilômetros rodados por Considerando a ocupação dia na RMSP automóveis de média de 1,4 pessoas Valor (OD2017/2018) por automóveis Valor total unitário Km total 74.733.729 Km total /1,4 53.381.235 Consumo médio de 10 Km/l 5.338.123,5 R$ 5,00 R$ 26.690.617,50 combustível na cidade Pneus (4 a cada 70000 17500 Km/pneu 3.050,35 R$ 423,20 R$ 1.290.910,78 km) Lubrificantes (1 troca a 10000 Km/troca 5.3381,23 R$ 250,00 R$ 1.334.530,88 cada 10000 km) Revisão Automotiva (1 10000 Km/revisão 5.3381,23 R$ 600,00 R$ 3.202.874,10 cada 10000 km) Custo Diário R$ 32,518,933.26 Custo mensal operação automóveis combustíveis e manutenção básica R$ 975.567.997,65 Fonte: Pesquisa OD, 2017/elaboração própria Portanto, temos um custo aproximado de um bilhão de reais por mês já em valores de 2021 (ainda que os dados de circulação sejam de 2017, os dados de custo são de 2021) para manutenção e operação, ou seja, um custo de 12 bilhões por ano. Se compararmos com o total do capital estimado na Tabela 56, temos um valor de cerca de 6% do valor do estoque por ano. A esse custo precisamos adicionar os custos de capital. Temos essencialmente quatro elementos relevantes no custo de capital: seguro do veículo, IPVA, custos de dinheiro imobilizado no tempo e custos de depreciação do valor do principal. O IPVA no estado de São Paulo é de 4% do valor do veículo. O seguro custa entre 5 e 7% do valor do veículo podendo cair para 3% para um veículo novo com um motorista sem histórico de sinistros com local protegido para o veículo tanto na sua residência como no trabalho mas pode chegar a 10% do valor para veículos mais antigos com um motorista com um histórico ruim 16 . Vamos trabalhar com um valor de 6%. Um veículo perde valor a cada ano perdendo mais no início do que no final de sua vida. Em 10 anos estima-se que o veículo tenha um valor de aproximadamente 20% do equivalente novo. Assim, atribuímos um fator de 8% de perda de valor. Finalmente, o fato do recurso estar imobilizado atribuímos um custo equivalente aos juros reais da ordem de 2% ao ano (em uma perspectiva conservadora). Com isso, chegamos a um valor total de 20% ao ano em relação ao valor do veículo. Aplicando esse valor ao estoque de capital na RMSP, temos um custo de carregamento do capital da ordem de 40,8 bilhões de reais. Somando-se ao custo de 11,7 bilhões de reais, chegamos em 16 Vide, por exemplo, https://www.smartia.com.br/blog/entenda-como-e-feito-o-calculo-do-seguro-auto/ 114 um custo de carregamento dos automóveis da ordem de R$52,5 bilhões por ano para a RMSP. Realizando uma conta extremamente simplificada, podemos assumir que metade da posse de veículo está no município de São Paulo e a outra metade nos demais municípios, o que daria um valor de aproximadamente 26 bilhões por ano em gastos de operação e de capital para os automóveis no município de São Paulo pagos diretamente pelos proprietários dos veículos. A prefeitura, por outro lado, contribui com a pavimentação de vias as quais são utilizadas pelos usuários de automóveis, motocicletas, ônibus, etc. Em 2017 a prefeitura lançou um programa ambicioso de recapeamento do sistema viário, o qual se iniciou de fato em 2018. Desde 2003 (primeiro ano em que é possível recuperar o dado com essa capilaridade), nunca se investiu tanto em recapeamento como na gestão Dória/Covas (2017 a 2020). A proporção média ao longo desses 4 anos de gestão foi de 10% do total de investimento da cidade entregando 557 km de vias recapeadas com um investimento da ordem de R$ 1 bilhão17. Por simplificação, ignorando a inflação ao longo do período nesse momento, podemos considerar um valor de R$ 1,8 milhões por quilômetro. O grande problema é que o total de vias da cidade soma um pouco mais do que 18 mil quilômetros. O asfaltamento tem uma durabilidade de cerca de 10 anos. Portanto, para manter o estoque de vias asfaltadas em ordem, seria necessário recapear cerca de 1,8 mil quilômetros de vias por ano. Em um esforço brutal, a prefeitura foi capaz de recapear menos de 200 quilômetros por ano se considerarmos que o programa ocorreu a grosso modo entre 2018 e 2020. O problema é que a capacidade de investimento da prefeitura está bastante comprometida. Hoje em dia, a prefeitura tem conseguido investir aproximadamente R$2,5 bilhões por ano. Para recapear 1,8 mil quilômetros por ano, seria necessário um investimento de R$3,24 bilhões por ano, 30% acima do investimento total da prefeitura. Em outras palavras, é inviável a prefeitura manter o viário da maneira que seria desejável. Esse é um problema usual não apenas no Brasil e voltaremos a essa questão no capítulo conclusivo. Houve um investimento alto por parte dos governos em criar infraestruturas tanto de transportes como em outras áreas. No entanto, qualquer investimento carrega consigo custos de manutenção e um custo de 10% do valor do investimento é um percentual bastante usual. Investimentos de maior monta muitas vezes geram percentuais menores de manutenção, porém a partir de uma base mais elevada. Um exemplo aplicado diretamente aos estudos desse relatório é o piso rígido. Estima-se que o piso rígido tem durabilidade de 25 anos, mas custa aproximadamente 2,5 vezes o custo do piso asfáltico. Sem entrar nos detalhes das vantagens ou desvantagens desse tipo de piso e em quais situações, o custo de manutenção desses dois pisos é essencialmente idêntico. 17 https://www.prefeitura.sp.gov.br/cidade/secretarias/subprefeituras/noticias/?p=301102 115 Diante de todo esse contexto, a maneira viável de lidar com a necessidade de manutenção permanente e dos custos envolvido é cobrar pelo uso diretamente dos usuários. Sem realizar uma conta detalhada de qual parcela caberia a cada modo, que será realizada no capítulo conclusivo, mesmo cobrando todo o custo de manutenção dos automóveis (o que não seria razoável) esse valor (R$3,24 bilhões por ano) representa cerca de 12% do gasto total em operação e capital dos proprietários de veículos no município de São Paulo estimado em aproximadamente R$26 bilhões como discutido anteriormente. Se o usuário deve pagar pelo custo de capital ou não é um pouco discutível em termos econômicos, porém parece que não há outra forma de garantir a manutenção desse estoque de investimento. 7.2 CAPEX E OPEX: Ônibus Com base em valores de novembro de 2019, o Sistema de Transporte Metropolitano do município de São Paulo tem custo total mensal de R$748,2 milhões ou, aproximadamente, R$ 9 bilhões anuais. Tabela 57. Frota do Sistema de Transporte Metropolitano do Município de São Paulo sem ar- com ar- Tipo de veículo total condicionado condicionado miniônibus 1321 1267 2,588 básico 1646 805 2,451 miniônibus 1448 1242 2,690 padron 242 0 242 padron le 1397 1968 3,365 padron le 15m 93 30 123 trólebus 201 0 201 articulado 8 0 8 articulado le 667 193 860 articulado 21m 0 1 1 articulado 23m 504 931 1,435 biarticulado 97 0 97 elétrico 0 16 16 TOTAL 7,624 6,453 14,077 Fonte: SPTrans - cadastro de frota; posição em 30/11/19 Para prover a infraestrutura vigente - frota, softwares, instalações etc., o estoque de investimentos realizados, em valores à época já depreciados, era de R$ 3,5 bilhões de reais, que são depreciados, em média, a R$57 milhões/mês, totalizando R$ 683 milhões/ano. Tabela 58. Custo do Sistema de Transporte Metropolitano do Município de São Paulo Item Mensal Anual % Custo do Sistema de Transporte (em R$ milhões) 748,20 8.978,40 100,0% 116 Item Mensal Anual % Custos da Operação: 682,36 8.188,33 91,2% Custos fixos (Pessoal) 368,31 4.419,75 49,2% Depreciação 56,98 683,81 7,6% Custos variáveis 199,64 2.395,66 26,7% Contribuição sobre receita 13,65 163,77 1,8% Lucro Bruto 43,78 525,33 5,9% Impostos 14,88 178,61 2,0% Lucro Líquido 28,89 346,72 3,9% Custos de Infraestrutura: 65,84 790,08 8,8% Operação dos Terminais 18,93 227,19 2,5% Gerenciamento e fiscalização do sistema e da 46,91 562,89 6,3% bilhetagem Fonte: SPTrans18 A planilha de dados da SPTrans para a definição da tarifa a partir de janeiro de 2020, apresentada na Tabela 45, decompõe os custos de operação do sistema. Se considerarmos a depreciação, a contribuição sobre a receita e o lucro bruto como custos de capital, chegamos a um valor de R$114,41 milhões de reais por mês ou R$1.372,91 milhões por ano de custo fixo, no sentido econômico do termo. Na realidade, a classificação da SPTrans não segue a lógica econômica. O que se denomina de "custo fixo" são os custos com salários. Em termos econômicos, o que denominamos de custos fixos são os que não dependem da produção. Estritamente, o custo fixo é a depreciação e a remuneração do capital. Aqui adicionamos os impostos aos custos fixos pois, a remuneração do capital depende da receita líquida. Se observarmos o lucro líquido anual teremos aproximadamente 10% do valor dos veículos da ordem de R$3,5 bilhões. Na realidade, o retorno do capital é inferior a esse percentual pois não adicionamos ao patrimônio o valor das garagens. Na mesma fonte onde encontramos o resumo dos custos do sistema de ônibus, na pasta , encontramos que o subsídio para o ano de 2019 foi de R$3.167,17 milhões, bem acima do custo de capital descrito acima. O subsídio, no entanto, segundo a própria prefeitura, tem um objetivo social para além da lógica econômica de deixar para o usuário apenas o custo marginal de bens públicos. Discutiremos mais a fundo essa política ao considerar aspectos de finanças públicas em uma possível redistribuição de gastos em 18 https://www.prefeitura.sp.gov.br/cidade/secretarias/mobilidade/acesso_a_informacao/index.php?p=15 0849 117 direção à equidade entre modos levando em consideração as externalidades negativas geradas por cada modo. De todo modo, os custos totais do transporte público de R$9 bilhões em 2019 que garante um uso de 115 milhões de passageiros*km por dia, contrasta com o gasto (privado) em transporte privado individual da ordem de R$26 bilhões para um uso de 57 milhões de passageiros*km por dia. 118 8 CONCLUSÃO: EM DIREÇÃO A UMA POLÍTICA PÚBLICA DE TRANSPORTES EQUÂNIME Ao longo deste relatório avaliamos a distribuição do espaço público, dos custos sociais e dos custos financeiros diretos de cada modo de transportes ligado à mobilidade com ênfase nos principais modos: automóveis e ônibus. Não entramos na parte logística de carga pois não fazia parte do escopo do trabalho nem em trilhos pois não são administrados pela prefeitura que é o recipiente final desta análise. Na realidade, da forma como foram estimadas as externalidades negativas, os trilhos não geram externalidades de maneira direta. Neste capítulo conclusivo aproveitamos para compilar toda a informação com o objetivo de discutir as consequências de um aumento na equidade entre os modos sobre a divisão do espaço, dos custos e benefícios dessa política pensada em termos macro. Vamos iniciar compilando as informações de externalidade pois, em linha com as políticas públicas mais modernas (Gov 2.0) a arrecadação deveria se concentrar o máximo possível na cobrança de externalidades negativas. Assim, para realizar uma análise econômico- financeira dessa proposta macro de política pública de mobilidade iniciamos com esta fonte de receita com grande apelo econômico. Ao contrário dos impostos em geral, que geram distorções na economia, contribuições sobre consumos que geram externalidades negativas aumentam a eficiência da economia. Não estamos evidentemente dizendo que não se deva taxar outras bases. Mesmo gerando distorções econômicas a sociedade está melhor com impostos, mesmo que distorcidos, pois sem os mesmos a oferta de bens públicos ficaria abaixo do ótimo desejável socialmente. O que estamos afirmando é que, sempre que for possível captar recursos públicos a partir de cargas sobre externalidades negativas, estaremos simultaneamente financiando a oferta de bem público e aumentando a eficiência da economia. Tabela 59. Externalidades negativas por origem associadas a cada modo em unidades físicas por milhares de km motociclet Externalidade negativa automóvel ônibus bicicleta a Emissões CO2e (g/km) 127,43 45,65 20,66 Tempo congestionamento por auto 219,52 sem ajuste (seg/km) Tempo congestionamento por auto 206,84 com ajuste (seg/km) Tempo congestionamento por 103,92 auto/ônibus sem ajuste (seg/km) Tempo congestionamento por 91,24 auto/ônibus com ajuste (seg/km) 119 motociclet Externalidade negativa automóvel ônibus bicicleta a Vítimas não fatais decorrentes de 0,7858 1,6646 0,0412 0,2813 sinistro por milhões de km Vítimas fatais decorrentes de 0,0242 0,1027 0,0038 0,0445 sinistro por milhões de km Internações decorrentes da emissão de PM2,5 por milhões de 0,0005 0,0051 0,0023 km Óbitos decorrentes da emissão de 0,0018 0,0201 0,0092 PM2,5 por milhões de km Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, SPTrans, GeoSampa, DataSUS e Cetesb. A Tabela 59 apresenta os impactos de cada modo de maneira conjunta sobre as variáveis "físicas" (em contraposição às variáveis monetárias). Ou seja, a unidade de medida depende do tipo de externalidade: CO2e para as emissões de GEE; segundos para o tempo de congestionamento; vítimas ou óbitos para os sinistros; e internações ou óbitos para as emissões de PM2,5. Não tem sentido somar esses índices pois cada um deles utiliza medidas distintas. Aqui realizamos diversas medidas para a mesma externalidade nos casos em que propomos mais de uma forma de estimar a externalidade. Apresentamos o dado de tempo de congestionamento de 4 formas: ajustando a estimativa de tempo perdido para uma possível superestimação do mesmo e considerando o impacto do congestionamento nos usuários de ônibus em função dos quilômetros de automóvel ou em função dos quilômetros de ônibus. Enquanto a primeira forma de medir pode ser diretamente somada à externalidade negativa do excesso de veículos sobre os próprios usuários de automóvel, no segundo não faria sentido somar índices com denominadores distintos. A maneira de incluir esse índice como uma externalidade negativa decorrente dos autos é apresentando o mesmo com sinal negativo na coluna de ônibus. Como veremos a seguir, pretendemos utilizar esses índices para "internalizar as externalidades", ou seja, incluir a externalidade no custo de uso do modo. Tanto para sinistros quanto para emissão de PM2,5 separamos os efeitos que resultaram em fatalidades dos que não tiveram esse desfecho. Tabela 60. Externalidades negativas por origem associadas a cada modo em R$ de Dezembro de 2021 por milhares de km Custo da Externalidade negativa Auto Moto Ônibus Bicicleta Emissões CO2e 64,94 23,26 10,53 Tempo congestionamento por auto sem 380,24 ajuste Tempo congestionamento por auto com 350,80 ajuste Tempo congestionamento por auto/ônibus 241,74 sem ajuste 120 Custo da Externalidade negativa Auto Moto Ônibus Bicicleta Tempo congestionamento por auto/ônibus 212,31 com ajuste Vitimas não fatais decorrentes de sinistros 34,13 72,31 1,79 12,22 Vitimas fatais decorrentes de sinistros 20,81 88,35 3,24 38,23 Internações decorrentes da emissão de 0,0013 0,0139 0,0064 PM2,5 Óbitos decorrentes da emissão de PM2,5 1,55 17,26 7,89 Total sem ajuste somando tempo ônibus ao 501,66 201,20 23,46 50,45 automóvel Total com ajuste somando tempo ônibus ao 472,23 201,20 23,46 50,45 automóvel Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, GeoSampa, DataSUS, Cetesb, IPEA e Banco Central. - Na Tabela 60 apresentamos a mesma categorização da Tabela 59 porém computando o custo por milhares de quilômetros. Nesse caso faz sentido somar as linhas, pois os numeradores agora estão na mesma unidade de medida: reais de dezembro de 2021. Mesmo nesse caso não faz sentido somar as colunas pois o denominador é distinto: em cada modo utilizamos Pax*km do modo. A estratégia de adicionar um valor negativo ao ônibus para enfatizar que o excesso de veículos gera uma perda para os usuários do ônibus torna inócua a estimativa do custo de externalidade líquido que nos propomos a criar: para cobrar o valor diretamente dos usuários de automóvel teríamos que mudar o denominador para pax*km de uso do automóvel o que acaba gerando exatamente o mesmo índice apresentado por auto. Como discutido no início desse relatório, a nossa perspectiva é comparativa, ou seja, qual seria a redução de externalidades negativas ao mudar a distribuição modal. A proposta é ter o ônibus como referência. Assim, utilizando a unidade de medida por viagem*km, temos o que deveria ocorrer em termos “físicos” e monetários ao tirarmos um quilômetro do modo e migrando para o ônibus que é a referência. Como o ônibus é a referência, não precisa aparecer nas Tabela 61 e 62 que mostram o ganho relativo quando migramos dos outros modos para o ônibus pois todas as linhas estariam zeradas (por definição). Por outro lado, nessas tabelas faz sentido apresentar o modo “a pé”. Nas tabelas anteriores não fazia sentido adicionar a bicicleta pois esse modo não gera nenhuma externalidade negativa (também por definição). Tabela 61. Variações de Externalidade com uma Mudança para o Ônibus Caminhad Externalidade negativa Auto Moto Bicicleta a 121 Emissões CO2e (g/km) 106,78 24,99 -20,66 -20,66 Tempo congestionamento por auto 206,84 0,00 0,00 0,00 com ajuste (seg/km) Vitimas não fatais decorrentes de 0,74 1,62 0,24 -0,04 sinistro por milhões de km Vitimas fatais decorrentes de sinistro 0,02 0,10 0,04 0,00 por milhões de km Internações decorrentes da emissão -0,002 0,003 -0,002 -0,002 de PM2,5 por milhões de km Óbitos decorrentes da emissão de -0,01 0,01 -0,01 -0,01 PM2,5 por milhões de km Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, SPTrans, GeoSampa, DataSUS e Cetesb. Na Tabela 61 realizamos a análise do que representaria uma mudança na divisão modal. A tabela a redução (ou aumento quando o número é negativo) em cada um dos itens de externalidades quando reduzimos um quilômetro rodado por um modo e aumentamos um quilômetro no ônibus. Por exemplo, a primeira linha da tabela indica que uma redução de 1km no uso do automóvel com aumento equivalente no uso do ônibus reduz as emissões em 107 gramas; na motocicleta 25 gramas; uma redução de 1km no uso da caminhada ou da bicicleta aumenta as emissões em 20,66 gramas. As outras linhas têm leitura semelhante. O único caso em que o ônibus apresenta uma perda para a sociedade em relação ao automóvel (mas não em relação à motocicleta) ocorre com as emissões de particulados finos. Esse resultado não deveria ocorrer se a frota fosse totalmente elétrica. Não temos como realizar essa conta mas é possível que as emissões por Pax*km fosse inferior a dos automóveis se a frota composta por 100% de Euro 6. Como podemos notar, os danos relacionados com as emissões de PM2,5 por Pax*km são muito baixos comparados com as demais externalidades. Foi necessário apresentar o dado de internações com 3 casas decimais para que o mesmo não aparecesse zerado. Comparando vitimas não fatais decorrentes de sinistros com internações decorrentes das emissões de PM2,5 pelo transporte ou as vitimas fatais dos sinistros com os óbitos decorrentes das emissões de PM2,5 notamos números 10 vezes maior para os sinistros. De todo modo, o custo gerado pelas emissões de PM2,5 dos ônibus geram um custo social da ordem de R$285 milhões por ano. Esse valor poderia ajudar a pagar a migração para a eletromobilidade. Pensando na frota atual (cerca de 14 mil veículos) e considerando o valor atual dessa frota de R$3,5 bilhões de reais (já depreciados) e considerando que um ônibus elétrico custa aproximadamente o dobro do que um ônibus à diesel, esse valor é bastante representativo. Note-se que não faz sentido realizar essa conta para as emissões de GEE. Isso porque a emissão de GEE não tem efeito local, ou seja, não importa onde se deu a emissão pois o efeito sobre a camada de ozônio é o mesmo independentemente do local onde ocorre. Assim, considerando que a matriz energética do Brasil (e da maioria dos países da 122 América Latina) depende de termoelétricas movidas à Diesel seria incorreto afirmar que a mudança de tecnologia energética teria efeitos positivos sobre a emissão de GEE. O efeito da emissão de PM2,5 é essencialmente local pois o que importa de fato é a densidade de partículas finas na atmosfera como discutido no Capítulo 6. Uma densidade de 5µg/m3 (média anual) estaria dentro da faixa recomendável pela OMS. Se a termoelétrica estivesse localizada em uma área com emissão baixa de particulados finos não teria efeitos negativos sobre a saúde. É verdade que estamos considerando apenas as emissões decorrentes do uso de combustíveis fosseis, desconsiderando, por exemplo, emissões ligadas ao desgaste de pneus na freada. Como os veículos elétricos pesam 3 toneladas a mais do que os veículos à diesel (no caso de carga longa), pode ser que o impacto fosse marginalmente menor em uma eventual migração para eletromobilidade. Adicionalmente, ainda não está claro o destino de 3 toneladas de bateria por veículo após o esgotamento das mesmas (supostamente 10 anos). Portanto, ainda que os dados apontem uma vantagem mais ou menos inequívoca da migração para a eletromobilidade por conta da emissão de PM2,5, não temos como afirmar que o retorno social dessa migração estaria acima do seu custo monetário. No fundo, observando apenas as externalidades analisadas nesse projeto, considerando um efeito desprezível na emissão de GEE com a matriz energética atual, inferimos que a redução no custo social é inferior ao aumento de custos de investimento para o sistema. Evidentemente, foge completamente do escopo desse projeto realizar uma análise aprofundada de custos e benefícios da eletromobilidade que deveria levar em conta diversos aspectos adicionais. Note que a tabela apresenta o ganho (valor positivo) ou perda (valor negativo) quando reduzimos mil quilômetros de uso do modo na coluna e aumentamos esse volume no modo ônibus. Os valores negativos quantificam os benefícios sociais associados aos modos ativos. Os modos ativos apresentam essencialmente valores negativos exceto para a bicicleta, no que se refere à segurança viária. Vale lembrar como foi realizada a estimativa dos sinistros envolvendo a bicicleta. Sempre que o sinistro envolvesse um outro modo, “responsabilizamos” o modo “menos frágil”. Portanto, os sinistros atribuídos às bicicletas são os que não incluíam nenhum outro modo. Ainda assim, tivemos uma média anual (2013 a 2020) de 70 sinistros não fatais e 11 sinistros fatais envolvendo apenas a bicicleta. Não sabemos se o fato de aparecer apenas a bicicleta estaria relacionado com alguma omissão (por exemplo, quem causou o sinistro fugiu da cena do crime) mas o que sabemos é que esses números são extremamente elevados se levarmos em conta o baixo volume de uso da bicicleta. A estratégia de atribuir culpa sempre ao modo “menos frágil” é correta mas pode também esconder eventuais imprudências dos ciclistas. Em suma, esses são os dados oficiais e devemos tratar com essa questão de maneira uniforme para todos os modos. A conclusão é que a bicicleta gera externalidades negativas superiores ao ônibus por conta da sua sinistralidade. 123 Tabela 62. Variações no Custo Social da Externalidade por modo com a Mudança para o Ônibus em R$ de Dezembro de 2021 por milhares de km Caminhad Custo da Externalidade negativa Auto Moto Bicicleta a Emissões CO2e 54,41 12,74 -10,53 -10,53 Tempo congestionamento por auto 350,80 0,00 0,00 0,00 Custos hospitalares devida a 25,99 79,88 2,54 -9,68 Sinistros e Contaminação do ar Óbitos devido a Sinistros e 11,22 94,48 27,09 -11,14 Contaminação do ar Total 442,42 187,10 19,10 -31,35 Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, GeoSampa, DataSUS, Cetesb, IPEA e Banco Central. Na Tabela 62 consolidamos os custos hospitalares decorrentes de sinistros sem vítimas fatais com as internações decorrentes do excesso de PM2,5 no ar e os óbitos decorrentes de sinistros fatais com os óbitos decorrentes das emissões de PM2,5 pelo transporte. Ainda que a bicicleta gere uma redução nas externalidades (vis a vis o ônibus) em relação às emissões de GEE, o seu impacto por passageiro*km é tão elevado em termos monetários que acaba por mais do que compensar os ganhos ambientais. Ao substituirmos mil quilômetros de bicicleta por mil quilômetros de ônibus, a sociedade economiza R$19,10. Como isso não ocorre nos deslocamentos a pé, cada mil quilômetros de caminhada substituído por ônibus gera um custo social de R$31,35. Se utilizarmos uma abordagem apenas de externalidades e cobrarmos os modos em relação ao ônibus, os usuários de bicicleta deveriam pagar 19 centavos por quilômetro para ressarcir a sociedade dos custos de sinistralidade que geram. Claro que se a referência fosse o automóvel, a bicicleta deveria receber 42 centavos por quilômetro. Também não podemos esquecer que estamos considerando apenas externalidades tangíveis ignorando, entre vários outros elementos, os benefícios para a saúde de se exercitar ao andar de bicicleta vis a vis o sedentarismo dos modos motorizados. Evidentemente o caso das motocicletas é bem mais radical. Além de gerar mais emissões por passageiro*km do que os ônibus ainda geram um custo social em termos de custos hospitalares e do custo da vida de R$174,36 a mais do que o ônibus. Em outras palavras, se diminuirmos mil quilômetros de viagens de motocicleta transferindo para o ônibus, a sociedade “economizaria” 174 reais. Uma vez mais, se a referência é o ônibus, os usuários de motocicleta deveriam pagar 19 centavos a cada quilômetro para compensar a sociedade pelos custos gerados (sobretudo de sinistralidade). Seja para as motocicletas, seja para as bicicletas, políticas de segurança por parte do Estado bem como mudanças de comportamento por parte dos usuários desses modos deveriam reduzir a sinistralidade e, portanto, reduzir o custo para a sociedade. 124 Quando observamos o custo dos automóveis, é fácil de notar que a maior fonte se dá com o tempo extra imposto pelo excesso de veículos tanto aos usuários de automóvel como aos usuários de ônibus. Também aqui vale lembrar a hipótese simplificadora de que consideramos que apenas os automóveis causam congestionamento. Na realidade os ônibus também causam congestionamento (e mesmo os outros modos de maneira mais indireta) mas a hipótese é que existe uma composição possível na proporção de viagens de carro e ônibus que seria capaz de zerar o congestionamento. Tabela 63. Contribuição Percentual de Externalidades em Relação ao Ônibus por modo Externalidad Auto Moto Bicicleta Caminhada e CO2e 12% 7% -55% -34% Tempo 79% 0% 0% 0% Hospital 6% 43% 13% -31% Óbitos 3% 50% 142% -36% Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, GeoSampa, DataSUS, Cetesb, IPEA e Banco Central. O tempo de congestionamento representa 79% do custo social gerado pelos automóveis. O segundo custo relevante se dá nas emissões de CO2e com 12%. No caso das motocicletas, o custo é essencialmente hospitalar e de óbitos representando, respectivamente, 43% e 50%. É interessante observar para as bicicletas que os custos hospitalares e óbitos representam juntos 155% do total de custos parcialmente compensado pelo seu benefício de 55% nas emissões de CO2e. O benefício da caminhada está distribuído de maneira bastante uniforme entre as 3 componentes: CO2e, custos hospitalares e óbitos. Uma forma de utilizar esses resultados diretamente é cobrando pelas externalidades negativas diretamente do usuário. Essa é uma maneira de “internalizar as externalidades”. Esse procedimento deve gerar uma diminuição do volume de automóveis e de motocicletas em circulação o que, por sua vez, deve reduzir o tempo de congestionamento. Também vamos considerar que não haverá cobrança sobre as bicicletas assumindo que esse pequeno custo por quilômetro é compensado por outros benefícios desse modo mais complexos de se quantificar além da dificuldade operacional e política de se implementar tal política. Tabela 64. Arrecadação decorrente de uma contribuição por externalidades negativas Item Auto Moto Total Arrecadação por km-dia 0,44 0,19 - Passageiros*km 56.916.017 6.847.735 - Arrecadação por dia (R$ mil) 25.181 1.281 26.462 Arrecadação por ano (R$ mil) 7.878.058 400.834 8.278.891 125 Arrecadação ajustada 2.758.477 400.834 3.159.310 Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, GeoSampa, DataSUS, Cetesb, IPEA e Banco Central. Em uma análise “ingênua” teríamos uma arrecadação de mais de R$25 milhões por dia gerando R$7,9 bilhões de arrecadação por ano. Essa estimativa é ingênua especialmente por conta da forma como contabilizamos a arrecadação gerada pela cobrança do custo de congestionamento, (a principal componente da contribuição). Em primeiro lugar, assumimos que todos os usuários do sistema de transportes deveriam pagar pelo custo de congestionamento mas, na realidade, não temos congestionamento em toda a cidade. Apenas uma parcela da cidade apresenta vias congestionadas. Portanto, não deveríamos cobrar esse custo de todas as viagens mas apenas das viagens que ocorrem dentro da área de congestionamento. Note que esse comentário não vale para sinistros, que não dependem da densidade de veículos nem para as emissões de CO2e que afetam o clima independentemente de onde foram emitidas como discutido anteriormente. Para as emissões de PM2,5 estamos assumindo que as emissões têm um alcance de uma área aproximada equivalente à mancha urbana da Cidade de São Paulo o que justificaria cobrar de todos os usuários por essa externalidade19. O fato das emissões não dependerem do local do planeta onde são emitidas pode levar ao questionamento de uma cobrança local dessa externalidade. Note-se que, nesse caso, estamos cobrando em cima da ideia de que seria possível simplesmente mudar o modo de deslocamento gerando um ganho para a sociedade. Por esse motivo descontamos dos usuários o valor emitido pelo transporte por ônibus assumindo implicitamente uma mudança modal. Com esse raciocínio, podemos justificar que essa seja uma cobrança local. Por outro lado, a parcela da cobrança por externalidades correspondente aos custos de congestionamento deveria ser cobrada apenas do uso nas áreas de congestionamento. Como simplificação adotamos o centro expandido (onde hoje ocorre o rodízio) como área de congestionamento mesmo sabendo que há áreas que não fazem parte do centro expandido onde se observa congestionamento significativo 20 . O ajuste tem dois componentes: precisamos retirar as viagens que não passam pelo centro expandido e descontar os quilômetros que são percorridos fora do centro expandido. Como aproximação consideramos, de maneira conservadora, que 60% das viagens passam pelo centro expandido percorrendo 19 Na realidade, essa hipótese é um pouco forte. Stuchi (2018) utilizando o impacto de greves de metro e ônibus nas doenças respiratórias e cardiovasculares para captar o efeito do transporte publico na saúde, sugere que o efeito é mais forte em torno de grandes avenidas. Como esse impacto para os autos é negativo (vis a vis o ônibus) se reduzirmos a área de atuação dessa taxa o resultado seria um aumento do custo para os autos. De todo modo, o impacto desse ajuste seria desprezível dado o pequeno valor que o mesmo representa nas externalidades. 20 Na realidade, caberia à autoridade de trânsito incrementar a area onde hoje em dia ocorre o rodízio de veículos pois hoje em dia há áreas fora desse perímetro onde se observam níveis consideráveis de congestionamento. 126 em média 5km dentro desse perímetro. Adicionalmente, consideramos que a contribuição é cobrada apenas 5 dias por semana. O resultado desses ajustes aparece na última linha da Tabela 50 e mostra que a arrecadação cai 62% para R$2,8 bilhões por ano, um valor ainda elevado. Com a cobrança pelas externalidades negativas geradas pelo uso do TPI, alguns usuários do automóvel devem de fato migrar para o transporte público ou para modos ativos. Isso significa que, em tese, o valor cobrado por quilômetro deveria ser reduzido para todos os veículos21. A expectativa é que siga existindo congestionamento, porém em um nível mais baixo como podemos ver na Figura 38. Figura 38. Equilíbrio Esquemático no Volume de Uso do Automóvel Fonte: Small, K. A., & Verhoef, E. T. (2007) Como podemos ver na Figura 38, o equilíbrio no uso de automóveis sem cobrar pelas externalidades levaria a um uso equivalente a Teq na figura onde o Custo Médio (CMe) de se utilizar o automóvel se iguala à curva de demanda por deslocamentos por automóvel. O usuário de automóvel leva em conta apenas o custo individual de se deslocar (que é o custo médio) mas ignora o custo que impõe aos outros usuários de automóvel bem como aos usuários de ônibus. A curva de custo marginal social (CMg) soma o custo que cada quilômetro adicional gera nos demais usuários do sistema. A externalidade estimada por usuário sem cobrança de contribuições aparece na distância CMe e CMg no ponto Teq representada por f. Ao exigirmos uma contribuição por externalidade, reduzimos o total de quilômetros de 21 Em Londres, a redução no uso do automóvel após a implementação da contribuição por congestionamento foi da ordem de 10% com aumento correspondente no transporte público. Uma redução de 10% em passageiros*km em São Paulo, mantendo o valor por quilômetro, levaria a uma redução de outros 3% na arrecadação que cairia para R$2,5 bilhões. 127 automóvel para Top que seria o uso ótimo do ponto de vista social. O valor da externalidade por quilômetro nesse ponto se reduz para e. Portanto, o valor cobrado do TPI por conta da externalidade de tempo deveria ser uma proporção do custo atual no tempo de deslocamento imposto aos usuários. Nos 3 casos conhecidos de cobrança por congestionamento (Singapura, Estocolmo e Londres) não houve redução da taxa após sua implementação. Em Londres a taxa apenas aumentou. Assim, dado o “mundo real” manteremos a hipótese de uma taxa constante proporcional à externalidade gerada pelo transporte individual motorizado mas levaremos em conta uma possível (e desejável) redução no uso do automóvel gerando uma (desejável) redução no congestionamento para todos os cidadãos. Antes de realizar uma análise econômico-financeira a partir dessa possível fonte eficiente e no sentido correto de incentivos, devemos levar em conta os custos de fornecimento da infraestrutura de vias e os custos operacionais e de capital associado aos diversos modos. Vamos começar analisando a infraestrutura de vias que representa um custo extremamente alto para o governo municipal. Inicialmente vamos considerar o espaço atual e em seguida a consequência de se alterar o espaço conforme discutido no Capítulo 2. No Capítulo 2, Tabela 2 apresentamos a distribuição corrente do espaço entre calçadas e viário separando a parcela do viário com dedicação exclusiva. Independente da discussão absolutamente relevante do espaço efetivamente dedicado a cada modo, o fato é que as calçadas precisam de investimento e manutenção seja para faixa de serviço seja para o uso de pedestres. A faixa de rolamento também não depende, grosso modo, do seu uso mas, nesse caso, vale uma ponderação: o custo de piso rígido é consideravelmente maior do que o custo do asfalto. Por outro lado, o piso rígido dura também muito mais do que o asfalto. Faremos a seguinte aproximação: o piso rígido custa aproximadamente 2,5 vezes o piso asfáltico porém dura 2,5 vezes mais. Com isso, a decisão entre o tipo de piso não afeta nossas contas que serão realizadas apenas considerando a duração típica do piso asfáltico (10 anos) e seu custo derivado do programa “Asfalto Novo”. Uma outra aproximação que faremos é assumir que o custo de se adicionar calçadas ou vias é o mesmo que de se manter essas vias. Essa é uma aproximação discutível se considerarmos que é necessário um contrapiso no caso de uma estrutura totalmente nova. Aqui estamos falando essencialmente da malha construída e, por esse motivo, acreditamos que esse erro potencial seja irrelevante. Por outro lado, sabemos que as operações de recapeamento para manutenção das vias bem como as de recuperação de calçadas são totalmente equivalentes ao asfaltamento a partir do contrapiso ou da expansão de calçadas em terreno já preparado para tal. Com esses fatores, temos como realizar estimativas do custo de infraestrutura viária para a Cidade de São Paulo. 128 Temos como referência dois programas recentes do governo municipal: “Asfalto Novo” (AN) e o “Programa Emergencial de Calçadas” (PEC) o qual é analisado sob outra perspectiva nos Produtos D e E desse projeto. Entre novembro de 2017 e junho de 2020 o AN foi capaz de recapear 557km de vias com um investimento de um bilhão de reais22. Tomando esses dados como referência, chegamos ao custo de R$1,8 milhões por km. Considerando as datas do programa e assumindo que os gastos foram razoavelmente constantes ao longo do tempo, podemos considerar como data de referência 28/02/2019 para fins de correção dos valores (a data mediana do programa). Trazendo para valores de 12/2021 para manter os valores compatíveis com os demais valores, temos um valor de R$2,2 milhões/km. Precisamos estimar esses valores por m2 que é a unidade relevante de espaço. A prefeitura afirma que cobriu 4,6 milhões de m2 o que daria uma largura média de 8,3m o que faz sentido. Sendo assim, temos, em valores de 12/2021 (corrigidos pelo INPC) um custo de R$262,89/m2 de asfaltamento. Essa será nossa referência para fins de estimativa do custo. No caso do PEC, a partir da análise das Atas de Registro de Preços temos um valor de R$114,40/m2 de calçada renovada em 2019. Utilizando o ponto mediano (30/06/2019) e trazendo para valores presentes, temos um valor de R$135,53/m2. Com isso podemos analisar o investimento anual necessário para manter as vias e calçadas em bom estado. A durabilidade tanto do asfaltamento como do calçamento é estimada em aproximadamente 10 anos. Sendo assim, estima-se que seria necessário renovar 10% das vias e das calçadas por ano para que as mesmas sejam mantidas em um bom estado de conservação. Utilizando a malha das infraestruturas apresentadas no Capítulo 2 é possível estimar o investimento necessário por ano para a manutenção dessas vias bem como o volume de m2 que se espera em termos de renovação por ano. Tabela 65. Estimativa Aproximada do Custo de Provisão e Manutenção da Infraestrutura Viária na Cidade de São Paulo (Reais de 12/2021) Área Área Atual Custo anual Custo anual (R$ Tipo Custo/m2 Proposta (Ha) (R$ mil) mil) (Ha) Calçada 135,53 6.211 841.754 7.865 1.065.927 s Vias 262,89 13.133 3.452.566 11.479 3.017.746 Total 19.344 4.294.320 19.344 4.083.673 Fonte: Tabulação própria a partir de dados do GeoSampa e do CEM. Por mais aproximada que seja a Tabela 65, já nos dá uma ideia da inviabilidade de se manter de maneira apropriada as vias e calçadas da cidade dada a capacidade de investimento atual do município. A gestão Dória-Covas (2017-2020) foi a que mais investiu nessas infraestruturas desde 2003 (ano que há dados confiáveis) como mostra a Figura 39. Em média, essa gestão 22 https://www.prefeitura.sp.gov.br/cidade/secretarias/subprefeituras/noticias/?p=301102 129 investiu 10% do total de investimentos do município em recapeamento. Se não considerarmos 2017 onde o orçamento foi definido pela gestão anterior, a média passa para mais de 13%. O PEC também representou um investimento inédito em calçadas recuperando cerca de 160Ha de calçadas com um investimento (em valores da época) de quase R$200 milhões23. Ainda assim estamos bem distantes do necessário simplesmente para manter as infraestruturas de mobilidade. Apenas para manter a infraestrutura atual seriam necessários (por ano) R$841 milhões (621Ha) de investimento em calçadas e R$3.452 milhões (1.313Ha) no viário. Não há como alocar mais investimentos diretos da prefeitura nessa categoria dentro do orçamento atual sem prejudicar outras áreas de políticas públicas municipais. Nas duas últimas colunas da Tabela 65 apresentamos as áreas das calçadas e das vias caso se implementasse a realocação proposta no Capítulo 2. Apenas relembrando, essa mudança implica que todos as calçadas terão no mínimo 2,5m de largura (ou seja, 1,8m de área destinada ao pedestre). As estimativas de custo assumem implicitamente que não será necessário aumentar a área destinada ao viário como um todo (somando calçadas e vias); todo o aumento de largura de calçadas se dará em cima do espaço dedicado aos modais motorizados que não o ônibus. Isso significa que em vias com largura muito pequena o espaço dedicado ao automóvel deveria cair consideravelmente; em alguns casos inviabilizando a mão dupla. Essa seria a essência do espaço compartilhado: não há como dedicar tanto espaço ao motorizado individual que precisa compartilhar esse espaço com outros modos. Provavelmente a hipótese é demasiado forte (em algumas vias será necessário intervenções mais complexas envolvendo desapropriações) mas é esse tipo de política que estamos discutindo nesse projeto. Dada essa hipótese, como o custo de renovação de calçadas é consideravelmente inferior ao custo de recapeamento, o orçamento total cai quando “trocamos” área de via por área de calçada. 23 https://www.prefeitura.sp.gov.br/cidade/secretarias/licenciamento/noticias/index.php?p=318047 130 Figura 39. Proporção dos Investimentos em Asfaltamento na Cidade de São Paulo por Ano Fonte: Wissenbach (2021) Se pensarmos de forma semelhante ao que pensamos para as externalidades, poderíamos cobrar dos automóveis o custo de recapeamento ao invés de utilizar recursos do tesouro que recaem sobre todos os cidadãos. Nas tabelas do Capítulo 2 apresentamos a área dedicada a todos os modos motorizados que não o ônibus, ou seja, misturamos aí motocicletas, taxi, ônibus escolar e fretados (para ficar nos grandes grupos). Se tomarmos como base o total de Pax*km, os automóveis representam um pouco menos de 80% entre todos esses outros modos. Em princípio os outros modos devem ocupar menos espaço do que o automóvel pois ou carregam mais passageiros por viagem ou, no caso da motocicleta, ocupam menos espaço. De todo modo, em uma perspectiva conservadora, vamos assumir que os automóveis representam 80% do espaço dedicado a todos os motorizados que não o ônibus. Com as hipóteses acima, concluímos que os automóveis seriam “responsáveis” hoje em dia por 9.404Ha de espaço viário (multiplicando o espaço de “outros motorizados” na Tabela 3.1 por 0,8). A manutenção dessa infraestrutura custa R$2,4 bilhões por ano. Dividindo pelo Pax*km estimado por ano, geraria um custo de R$0,14/km. Com a redistribuição do espaço proposta esse valor deveria cair para R$0,11/km. São valores altos porém ainda consideravelmente abaixo da cobrança por externalidades discutida anteriormente nessa seção. A cobrança por circulação de automóveis, somando-se as externalidades negativas com o custo de recapeamento das vias por ano, seria então de 58 centavos/km em valores de dezembro de 2021. Caso se realize a realocação de espaço proposta o custo por km cairia 131 para 11 centavos totalizando 55 centavos por quilômetro para os automóveis circulando no centro expandido somada aos custos de externalidades. Considerando o panorama atual, esse aumento da contribuição por km dos automóveis geraria uma receita anual da ordem de R$4,2 bilhões. Se compararmos com o custo de Opex e Capex da ordem de R$26 bilhões por ano, notamos que essa contribuição representaria 16% do custo anual com o transporte por automóvel. Seria certamente pesado mas ainda razoável em termos médios. O problema é que esse custo seria distribuído igualmente entre os veículos mas o custo não é isonômico. Cerca de 80% do custo do uso do automóvel está ligado ao seu valor o qual varia muito. Há veículos circulando de 1995 com um valor médio de R$4,2 mil enquanto o valor médio dos veículos de 2020 é de R$100 mil (Tabela 42). Para os veículos de 100 mil reais o custo fixo do veículo é de R$16 mil reais por ano enquanto para o veículos de 4,2 mil reais o custo fixo é de 672 reais. Enquanto para os veículos o CAPEX representa 80% dos custos, para os ônibus representa no máximo 20% pois é utilizado muito mais intensamente. Se somarmos a custos operacionais idênticos para os dois tipos de veículos da ordem de 2 mil reais por ano (cerca de R$12 bilhões para uma frota de aproximadamente 6 milhões de veículos) notamos que a contribuição pelo uso do automóvel em relação ao seu custo anual será 6,7 vezes maior para os veículos de 1995 do que para os veículos de 2020 assumindo que os dois veículos apresentam um deslocamento semelhante. O ponto é que o valor médio pode representar uma parcela relevante dos custos totais de mobilidade por automóvel. Independente da decisão de cobrar dos usuários de automóveis pela manutenção da infraestrutura de calçadas e vias que lhes corresponde, o valor relativamente alto para uma parte das famílias é um problema que não deve ser ignorado e que dificulta a implementação de uma contribuição integral por externalidades negativas do uso do automóvel. Mesmo sendo menor, caso se cobre contribuição das motocicletas, esse problema distributivo pode ser ainda mais grave. É verdade que os veículos de 1995 não deveriam nem estar circulando mas isso seria possível apenas se já tivéssemos um sistema de transporte público bom o suficiente. Mas como chegar a um sistema de transporte público bom o suficiente sem recursos? Enfim, a decisão de política pública cabe aos gestores públicos; aqui oferecemos uma maneira de contabilizar algumas consequências sociais dessa decisão. Hoje em dia, o principal gasto em transporte por parte da prefeitura se refere ao subsídio fornecido às operadoras. O subsídio previsto para 2020 (último ano com o dado disponível) era de R$3,2 bilhões no ano para um gasto total de R$9,0 bilhões 24. Ou seja, o sistema estimava um subsídio de 35%. Esse valor certamente não se cumpriu por conta da pandemia (a previsão foi realizada em 2019) mas é uma referência do que tem sido aplicado anualmente 24 https://www.prefeitura.sp.gov.br/cidade/secretarias/mobilidade/acesso_a_informacao/index.php?p=15 0849 132 no sistema. Simplesmente trazendo o valor do subsídio para dezembro de 2021 garantindo a coerência com os outros indicadores chegamos no valor de R$3,7 bilhões. Ou seja, esse é de longe o maior gasto em mobilidade da Cidade de São Paulo. Para manter esse subsídio, ao fim e ao cabo, o governo consegue investir relativamente pouco em mobilidade (vide discussão acima sobre os investimentos no sistema viário). O subsídio não é um investimento pois financia a operação do sistema. Os economistas criticam subsídios pois podem distorcer o comportamento dos indivíduos. Nesse caso, a distorção seria no sentido de se usar mais o ônibus do que seria ótimo do ponto de vista individual se não houvesse subsídio. Há um lado “meritório” dessa “distorção” pois deve retirar indivíduos do transporte motorizado individual ainda que, no limite, reduza também o incentivo às viagens por modos ativos que não são subsidiadas. O problema é que, se cobramos pelas externalidades negativas dos modos individuais motorizados, como estamos propondo, não há sentido subsidiar o transporte público para além das externalidades que os mesmos estão gerando. Há ainda uma justificativa econômica para se subsidiar os custos fixos no caso de bens públicos. A decisão econômica se dá sempre “na margem” e os custos fixos não deveriam alterar a decisão. Se um ônibus circula com um passageiro ou com 100, os custos ligados diretamente ao veículo são exatamente os mesmos. Se cobramos o custo do veículo pode ser que apenas 80 indivíduos decidam utilizar o ônibus o que implicaria em uma ociosidade no uso do veículo. Esse tipo de raciocínio faz bastante sentido para a construção de uma ponte, por exemplo, e gera um questionamento de quem deveria pagar pela construção da ponte. Uma possível solução é que a ponte seja financiada com impostos gerais mas os custos marginais (manutenção essencialmente nesse caso) seja cobrado diretamente dos usuários. No caso do ônibus, esse tipo de argumento é mais complexo pois seria viável simplesmente reduzir o volume de veículos. Não há um problema de “indivisibilidade do imobilizado” relevante dado o volume de veículos (mais de 14 mil) no município de São Paulo. É possível definir de maneira quase contínua o grau de investimento no sistema. O que ocorre é que, com menos veículos, teremos frequências mais baixas que é o fator individual mais relevante na qualidade do serviço. Em outras palavras, o problema de indivisibilidade aparece através da frequência e não pela indivisibilidade usual do capital. Portanto, o consumo de veículos de transporte público em função de seu custo marginal de curto-prazo (um ano) pode ser socialmente ótimo. Se partirmos desse princípio, um limite superior para o investimento em transporte público com recursos públicos que ainda seria eficiente, se daria pelos custos de capital. A justificativa de se subsidiar o custo de capital do ônibus justificaria o financiamento de vias e calçadas com impostos em geral. Se cobramos pelo uso de vias podemos reduzir seu uso 133 para além do ótimo. Nesse caso, podemos dizer que não há por que subsidiar o viário dedicado ao automóvel pois não há porque aumentar seu uso. Nosso objetivo é reduzir o uso. Mas também se torna bastante discutível financiar o custo de manutenção do viário dedicado a modos ativos ou ao transporte público com impostos gerais caso a arrecadação ligada às externalidades não seja suficiente para tal. No caso das calçadas há ainda uma questão tanto legal como economicamente consistente. A melhoria das calçadas aumenta o valor das propriedades então faz sentido cobrar ao menos parcialmente o custo de manutenção das mesmas diretamente dos proprietários pela área em frente à fachada de sua propriedade. Discutimos essa possibilidade com mais profundidade no Produto E desse projeto. Vale notar que o IPTU progressivo de São Paulo permite que essa medida seja também distributiva com os moradores mais pobres arcando com uma parte menor do custo de manutenção das calçadas. Um limite usual para essa contribuição é a valorização que a calçada gera ao valor do imóvel pois esse é um benefício direto do investimento. De todo modo, os custos fixos no sentido econômico25 estimados em 2019 para o serviço de ônibus na Cidade de São Paulo em 2020 são da ordem de R$1,4 bilhões26. Assim, o limite superior será dado pelas externalidades negativas gerada pelo transporte individual motorizado. A estratégia de subsídio ao transporte público para além dos custos de capital como uma estratégia distributiva (a justificativa mais usual) é um pouco discutível pois o atributo mais relevante de uma política distributiva é o foco dessa política. O subsídio generalizado do transporte público atinge sem dúvida com mais intensidade a população de renda mais baixa, porém acaba privilegiando outras faixas de renda. Seria possível focalizar muito mais a distribuição de subsídios ao transporte. O mecanismo do Vale Transporte (VT) é um exemplo de uma política distributiva bastante focada pois garante que no máximo 6% da renda dos indivíduos será gasta em transportes. O problema do VT não é do sistema, mas sim o alto nível de informalidade do país que acaba deixando diversos indivíduos de fora do subsídio. Resumindo, para que seja consistente um subsídio para além do custo de capital esse deveria ser um mecanismo de compensação por externalidades negativas exatamente como discutimos ao longo do relatório: um quilômetro a mais de uso do ônibus reduz externalidades para todos. De fato, faz todo sentido transferir toda a arrecadação com a cobrança pelo uso do viário para o ônibus e para o transporte a pé. No caso do transporte a pé, os usuários deveriam receber 3 centavos por quilômetro pois, diferentemente do ônibus, não geram nenhuma externalidade negativa da forma como foram contabilizadas as externalidades. Não vamos considerar essa alternativa pela dificuldade de implementação. Vamos agora analisar, 25 Como discutido na seção 7, a SPTrans denomina de custos fixos o salário dos funcionários pois não depende do volume de passageiros no curto prazo. Para evitar confusão, vamos denominar de “custos de capital” a partir desse momento. 26 Somamos nesse caso a depreciação com a contribuição sobre a receita mais lucro bruto como uma aproximação para a remuneração bruta do capital. 134 do ponto de vista de finanças públicas, o que significaria uma decisão de investimento consistente com uma cobrança pelo uso do viário e com boas práticas econômicas como discutimos anteriormente. Um fator que apenas comentamos mas não exploramos a fundo quando discutimos os investimentos em vias e calçadas é o investimento em infraestrutura para ônibus. Simplesmente assumimos o mesmo custo para a manutenção de vias. Essa estimativa é razoável para as faixas exclusivas mas certamente não faz sentido para os BRTs. O BRT mais recente é o Aricanduva com um custo de aproximadamente US$9 milhões por km como indica o documento do Banco Mundial de chamada para interessados27. Considerando um aumento de 20% no custo estimado originalmente e o mesmo custo de financiamento (3,25%a.a.) com o mesmo período de maturação (25 anos) e assumindo financiamento integral do investimento, para chegar a uma malha de BRT de 500km na cidade seria necessário um investimento (em valores de dezembro de 2021) de R$1,19 bilhões por ano. Note-se que esse seria o valor do principal mais os juros para a malha inteira e, portanto, esse valor considera que toda a malha está disponibilizada o que pode levar vários anos (da ordem de 10 anos). Tabela 66. Arrecadação e Gastos do Sistema de Mobilidade (R$ bilhões de 12/2021) Fontes Atuais Gastos Atuais Tesouro 3,68 Custos de Operação 10,42 Receita Tarifária 6,74 Recapeamento de Vias 0,25 Multas 0,30 Recuperação de Calçadas 0,05 Fontes Futuras Gastos Futuros Cobrança por Externalidades 2,53 Investimento em BRT 1,19 Cobrança Manutenção Vias 1,63 Manutenção Vias 2,77 Contribuição de Melhoria 0,31 Manutenção Calçadas 1,02 Total 15,19 15,70 Fonte: Tabulação própria a partir de dados do IEMA, Pesquisa OD 2007 e 2017, GeoSampa, Secretaria de Finanças DP, DataSUS, Cetesb, IPEA e Banco Central. Na Tabela 66 apresentamos os grandes itens de gasto e arrecadação para o financiamento da mobilidade em termos de fluxo. Ignoramos os gastos com a administração pública seja da SMT seja das empresas SPTrans e CET. Sabemos que a arrecadação de multas é da ordem de um bilhão mas que cerca de 70% é utilizado para o custeio da CET28, por exemplo. Assim, não incluímos a receita dedicada à administração direta nem os gastos com esse item. Estamos aqui preocupados apenas com a parte de finanças públicas associadas aos gastos 27 https://documents.worldbank.org/en/publication/documents- reports/documentdetail/551661565301639508/concept-project-information-document-pid-sao-paulo- aricanduva-brt-corridor-p169140 28 https://g1.globo.com/sp/sao-paulo/noticia/2021/08/16/prefeitura-de-sp-arrecadou-r-1-bi-em-multas- em-2020-mas-pode-receber-calote-de-outros-r-76-bi-por-falta-de-cobranca-diz-tcm.ghtml 135 em mobilidade e não ao gasto necessário para que o município administre a execução de todos os serviços de mobilidade da cidade. Por exemplo, o custo de fiscalização e gerenciamento do sistema (item 1.2.3 da planilha de custos da prefeitura) entra nos custos de operação dos ônibus mas não o custeio da SPTrans. Por coincidência, a cobrança por externalidades somada à parcela do custo de manutenção das vias cobrado dos automóveis é praticamente idêntica ao custo total de manutenção das vias e calçadas. Vale notar que na estimativa de arrecadação assumimos que a cobrança por externalidades de tempo se daria apenas para os indivíduos que passassem pelo centro expandido e que (devido à cobrança) experimentaríamos uma redução de 10% no uso do automóvel. Tanto na cobrança pelas externalidades negativas como pela manutenção do viário consideramos que essa contribuição seria exigida 5 dias por semana. Em termos de gastos assumimos que haveria uma realocação de espaço chegando na distribuição proposta nas duas últimas colunas da Tabela 66 o que permite uma economia em relação à distribuição atual do espaço. Essa mudança na alocação do espaço deve também levar cerca de 10 anos caso se decida por essa política pública de transportes. Em outras palavras, a Tabela 52 está em valores de 12/2021 mas representa o equilíbrio de receitas e gastos em mobilidade 10 anos depois de iniciada a política de “Ruas Compartilhadas” apresentada nesse relatório. A Contribuição de Melhoria seria cobrada dos proprietários pela manutenção das calçadas. Essa possibilidade é discutida profundamente para um caso específico em São Paulo (bairro de São Miguel Paulista). Na realidade, para as calçadas localizadas na faixada de imóveis particulares, a responsabilidade é integral do proprietário. A sua disponibilização se deve dar no momento de construção da infraestrutura (ou seja, pelo empreendedor imobiliário ou pelo proprietário nos casos de construção direta pelo proprietário). Aqui temos um buraco na lei para a proposta de ampliação das calçadas para o tamanho desejável. Mais uma vez fomos conservadores e assumimos que apenas 30% dos custos de manutenção das calçadas poderão ser assumidos pelos proprietários. A grosso modo, a estrutura atual somada à cobrança pelas externalidades e pela manutenção do viário do transporte motorizado individual associada a um investimento consistente nas vias e calçadas não permite que se financie por completo o BRT. Aqui temos, novamente, uma decisão essencialmente de política pública a qual cabe, evidentemente, aos que foram eleitos para tal. Atualmente se alocam recursos consideráveis do tesouro na mobilidade: 34% do total de gastos no sistema. Com a proposta de aumento na arrecadação (Fontes Futuras) e de aumento nos gastos (Gastos Futuros) esse valor representaria 23% do total de gastos. O problema é que esse gasto está concentrado nos subsídios diretos à operação do sistema, repassados diretamente às concessionárias de ônibus da cidade. Em termos econômicos, essa decisão é discutível. Se considerarmos o estoque de ônibus no sistema (14 mil veículos) e seu valor (já depreciado) da ordem de R$3,5 bilhões em valores 136 de 2020, aplicando um fator de 20% (o mesmo que aplicamos ao estoque de automóveis) chegamos a um valor de R$700 milhões. Esse valor está muito próximo do que aparece na linha 1.1.1.2 como “depreciação”. Quando somamos a contribuição sobre a receita e o lucro bruto da operação que garantem a remuneração do capital chegamos a R$1,37 bilhões ou R$1,59 bilhões em valores de 12/2021 chegando a 39% do valor dos veículos. Portanto, estamos subsidiando valores bem acima do custo de capital com o grau de subsídios atual. Ao repassarmos parte desse subsídio ao financiamento do BRT, simplesmente estamos aumentando o subsídio ao capital e reduzindo o subsídio à operação que seria desejável do ponto de vista puramente econômico. A grande questão que se coloca é distributiva: para aumentar o financiamento dos investimentos sem utilizar recursos do tesouro seria necessário aumentar a tarifa. Como brevemente discutido acima, essa estratégia distributiva é também discutível do ponto de vista econômico. Um dos objetivos mais relevantes da política distributiva é garantir a focalização. Há alguma focalização nessa política pois os mais pobres são também os principais usuários do transporte público mas todos os usuários do serviço de ônibus recebem o mesmo subsídio independente de sua renda. Uma política mais consistente em termos econômico seria utilizar a parcela acima do custo de capital para financiar os usuários mais pobres do sistema e não para financiar os usuários em geral independente de sua renda. Uma possibilidade seria criar um mecanismo semelhante ao Vale Transporte para financiamento dos trabalhadores do mercado informal garantindo que o gasto familiar esteja limitado a 6% da renda total da família. Esse subsídio, desenhado dessa forma, deve atingir também os trabalhadores formais pois estamos falando da proporção da renda familiar e não da renda individual. Seria também necessário garantir que o gasto total de uma família com filhos que ainda não estão no mercado de trabalho mas que se deslocam para estudo (por exemplo) seja menor ou igual a 6% da renda familiar total. Com isso mudamos o enfoque do passe livre para estudantes aumentando seu grau de focalização. No limite, não haveria motivo para oferecer meia para estudantes desde que esse princípio de 6% da renda familiar fosse atendido. Evidentemente, todas essas análises de “grandes números” dependem de uma série de detalhes para que sejam de fato implementadas. O governo municipal, mesmo tendo dinheiro em caixa e apoio internacional, tem tido grande dificuldade de licitar o corredor Aricanduva. Não parece nada trivial produzir cerca de 40km de BRTs por ano. Os programas AN e PEC mostraram uma capacidade considerável de recapear vias e de renovar calçadas mas a necessidade atual, como demonstramos, é muitas vezes superior aos maiores programas implementados nessa área específica nos últimos 20 anos. Estamos falando de aumentar de R$300 milhões por ano para mais de R$4 bilhões nesse tipo de gasto. É possível que o sistema de Ata de Registro de Preços viabilize tal salto mas não temos ideia da estrutura administrativa por trás dessa mudança no gasto. 137 Também é importante qualificar um pouco o que deve significar na prática um investimento anual de aproximadamente R$3 bilhões na manutenção de vias e de R$1 bilhão na manutenção de calçadas. A falta de manutenção das infraestruturas viárias tem consequências graves para o bom funcionamento da mobilidade na cidade. A conta foi realizada de maneira agregada a partir do estoque de vias e calçadas. Porém, um efeito mais direto, se pode sentir no grau de manutenção das pontes da cidade. Notamos a falta de manutenção apenas quando ocorre alguma tragédia mas o fato é que a maioria das pontes de São Paulo estão sob risco por conta da falta de manutenção. O que queremos dizer é que o investimento em vias, por exemplo, não se dará apenas em recapeamento mas os técnicos do município devem definir como investir esse recurso de maneira mais específica o que, evidentemente foge totalmente do escopo desse trabalho. Alguns exemplos podem ilustrar um pouco como esse tipo de investimento poderia ser consistente com os conceitos desse projeto. Para nos manter na questão das pontes citada acima, a geometria das marginais do Rio Pinheiros e Tietê poderia ser redesenhada para permitir que se devolva uma parte ao Rio, abrindo espaço para o maior parque linear urbano do mundo, mantendo duas faixas em um sentido e duas faixas em outro sentido em cada lado do rio. Essa mudança reduziria o uso das pontes impactando o custo de manutenção das mesmas e criaria um espaço considerável para os modos ativos. Em termos de calçada poderíamos gerar as chamadas micro intervenções como discutido no Produto E desse projeto o que auxilia na redução de sinistros (em contraposição ao investimento em qualquer calçada). A conclusão é que uma mudança na forma como realizamos a política pública de mobilidade (pensada de forma agregada) é possível sem necessariamente aumentar os recursos do tesouro que atualmente se destinam à mobilidade. A hipótese de que seria possível simplesmente retirara espaço dos automóveis repassando para o ônibus e os modos ativos é provavelmente demasiado otimista. Há ruas que não seria possível reduzir a largura para permitir uma calçada de 2,5m, por exemplo. A nossa hipótese é que provavelmente essa seria a exceção se adotarmos a ideia de ruas compartilhadas que está por trás de todas as contas realizadas nesse projeto. A alteração relevante em termos de finanças públicas se dá na cobrança por externalidades negativas bem como o financiamento dos investimentos na infraestrutura viária. Hoje em dia, dentro da realidade orçamentária da prefeitura, não há como aumentar o investimento em vias e calçadas sem essas duas mudanças. A sua operacionalização é relativamente simples podendo se utilizar do celular como meio de aferição e cobrança e os radares como meio de fiscalização. A cobrança dessas contribuições, no entanto, é bastante complexa em termos políticos. Seria necessário ter muita coragem política para implementar uma contribuição desse porte. A cobrança de 55 centavos por quilômetro pode chegar a um real no horário de 138 pico. Se não houver mudança no padrão de deslocamento cerca de 70% dos automóveis pagaria um valor da ordem de 10 reais por dia com efeitos eleitorais difíceis de se administrar. Uma conclusão inesperada é que, na realidade, o investimento em vias de rolamento na Cidade de São Paulo é baixo, ao contrário do que imaginávamos. Claro que se esse investimento ocorrer apenas em recapeamento, podemos apenas cobrar do automóvel e devolver ao mesmo na forma de melhoria nas vias. A questão é que todos os modos motorizados utilizam o viário. Sem aumentar os investimentos no viário, não há como melhorar a qualidade da mobilidade no município. Talvez os proprietários dos automóveis reconheçam o valor dessa contribuição na forma de melhores vias e menores tempos de deslocamento. A forma como vai se distribuir esse gasto é fundamental para que se priorize os modos coletivos e ativos mas o investimento público relevante sempre será em vias, calçadas e no transporte de massa. A decisão de se subsidiar a operação do transporte público é complexa para se dizer o mínimo. Não tem grande sentido em termos econômicos mas, novamente, retirar esse subsídio é bastante complexo em termos políticos. A única justificativa para se financiar os custos de operação (em contraposição aos custos de capital) seria distributiva. Porém, essa seria uma política distributiva bastante discutível dada a falta de focalização: todos os usuários recebem a mesma “transferência” independente da renda. O subsídio ao transporte escolar é ainda mais questionável em termos distributivos pois atinge todas as classes de maneira mais ou menos similar sendo, portanto, regressivo. Como alterar esse equilíbrio econômico ruim, no entanto, está bem longe de trivial em termos políticos. Com esses resultados é possível vislumbrar concretamente políticas públicas de mobilidade em termos agregados. As estimativas podem ser utilizadas de diversas maneiras para um desenho geral de políticas com a ideia de compartilhamento, igualdade entre modos e equidade entre as famílias. Apresentamos algumas formas de utilizar os resultados agregados para desenhos específicos de política pública. Há diversas outras formas de se alocar os recursos que podem ser simuladas a partir dos dados apresentados nesse relatório, inclusive, mudando decisões em relação ao volume de recursos arrecadados ou despendidos em função do desenho da política que se deseja realizar. Esse é o principal legado desse relatório para o desenho (agregado) de políticas públicas de mobilidade que levem em conta o custo social de cada decisão. 139 REFERÊNCIAS Abe, K. C., & Miraglia, S. G. (2016). Health Impact Assessment of Air Pollution in São Paulo, Brazil. International journal of environmental research and public health, 13(7), 694. https://doi.org/10.3390/ijerph13070694 ABNT (2021). NBR 15570 - Fabricação de veículos acessíveis de categoria M3 com características urbanas para transporte coletivo de passageiros - Especificações técnicas. ANTP, 2020. Sistema de Informações da Mobilidade Urbana da Associação Nacional de Transportes Públicos. BRASIL, 2013. 2º Inventário Nacional de Emissões Atmosféricas por veículos automotores do Ministério do Meio Ambiente. Bravo M., Son J., de Freitas C., Gouveia N., Bell M. (2016). Air pollution and mortality in São Paulo, Brazil: Effects of multiple pollutants and analysis of susceptible populations. Disponível em: https://www.nature. com/articles/jes201490 CEM (2021). Priorizar o transporte ativo a pé! Notas Técnicas em “Políticas Públicas, Cidades e Desigualdades” do Centro de Estudos da Metrópole. Disponível em: https://centrodametropole.fflch.usp.br/sites/centrodametropole.fflch.usp.br/files/inline- files/09%20Nota%20T%C3%A9cnica%20Transporte%20Ativo%20Pedestres_v3- capa.pdf CEM (2021b). Centro de Estudos da Metrópole. Corredores de Ônibus - Região Metropolitana de São Paulo - 2021. Disponível em: https://centrodametropole.fflch.usp.br/pt- br/file/18073/download?token=ApUwMZ6A. Acesso em 10 de agosto de 2021. CET (2021). Prefeitura Municipal de São Paulo. Dados de Radares. Disponível em: http://dadosradares.prefeitura.sp.gov.br/. Acesso em 10 de agosto de 2021. CETESB (2020). Qualidade do Ar no Estado de São Paulo. Disponível em: https://cetesb.sp.gov.br/ar/wp- content/uploads/sites/28/2020/07/Relat%C3%B3rio- de-Qualidade-do-Ar-2019.pdf. Acesso em 10 de novembro de 2021. CETESB (2022). Emissões veiculares no estado de São Paulo 2020 (2022). Coordenação técnica Marcelo Pereira Bales; Elaboração Antônio de Castro Bruni... [et al.]. – São Paulo : CETESB, 2022. (Série Relatórios / CETESB, ISSN 0103-4103). Disponível em: https://cetesb.sp.gov.br/veicular/wp-content/uploads/sites/6/2022/03/Relatorio- Emissoes-Veiculares-2020.pdf Garcia, L., Johnson, R., Johnson, A., Abbas, A., Goel, R., Tatah, L., Damsere-Derry, J., Kyere- Gyeabour, E., Tainio, M., de Sá, T. H., & Woodcock, J. (2021). Health impacts of changes in travel patterns in Greater Accra Metropolitan Area, Ghana. Environment International, 155. https://doi.org/10.1016/j.envint.2021.106680 140 GeoSampa (2021). Prefeitura Municipal de São Paulo. Polígonos de calçadas, faixas exclusivas de ônibus, rede ciclovaria. Disponível em: http://geosampa.prefeitura.sp.gov.br/PaginasPublicas/_SBC.aspx. Acesso em 10 de agosto de 2021. GeoInfo (2019). Prefeitura de São Paulo. Secretaria Municipal de Urbanismo e Licenciamento - Polígono de vias. Disponível em: https://github.com/geoinfo-smdu/Poligono-de-vias. Acesso em 10 de agosto de 2019. Global Burden of Disease Collaborative Network (2020a). Global Burden of Disease Study 2019 (GBD 2019) Relative Risks. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME). http://ghdx.healthdata.org/record/ihme-data/gbd-2019- relative-risks Global Burden of Disease Collaborative Network (2020b). Global Burden of Disease Study 2019 (GBD 2019) Results. Seattle, United States: Institute for Health Metrics and Evaluation (IHME). http://ghdx.healthdata.org/gbd-results-tool Global Burden of Disease Collaborative Network (2021). Global Burden of Disease Study 2019 (GBD 2019) Particulate Matter Risk Curves. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME). http://ghdx.healthdata.org/record/ihme-data/global-burden-disease-study-2019-gbd- 2019-particulate-matter-risk-curves Huangfu, P., & Atkinson, R. (2020). Long-term exposure to NO2 and O3 and all-cause and respiratory mortality: A systematic review and meta-analysis. In Environment International (Vol. 144). Elsevier Ltd. https://doi.org/10.1016/j.envint.2020.105998 ICS - Instituto Clima e Sociedade (2020). Mobilidade de Baixas Emissões, Qualidade do Ar e Transição Energética no Brasil. Disponível em: https://59de6b5d-88bf-463a-bc1c- d07bfd5afa7e.filesusr.com/ugd/d19c5c_b4d9237514f64b02a7896fce6ef81a05.pdf. Acesso em 16 de outubro de 2021. IEMA - Instituto de Energia e Meio Ambiente (2017). Inventário de Emissões Atmosféricas do Transporte Rodoviário de Passageiros no Município de São Paulo: Nota Metodológica. Disponível em: http://emissoes.energiaeambiente.org.br/downloads IEMA - Instituto de Energia e Meio Ambiente (2022a). Qualidade do ar no município de São Paulo. Disponível em: http://energiaeambiente.org.br/wp- content/uploads/2022/05/IEMA_notatecnica_aremSP.pdf IEMA - Instituto de Energia e Meio Ambiente (2022b). Plataforma de qualidade do ar. Disponível em: http://energiaeambiente.org.br/qualidadedoar#secao-4 IHME (2020). Health Effects Institute. State of Global Air 2020. Dados: Global Burden of Disease Study. Disponível em: https://www.stateofglobalair.org. Acesso em 16 de outubro de 2021. 141 IPEA - Instituto de Pesquisa Econômica Aplicada (2015). Estimativa dos custos dos acidentes de trânsito no Brasil com base na atualização simplificada das pesquisas anteriores do Ipea. Disponível em: http://repositorio.ipea.gov.br/handle/11058/7456 Heft-Neal, S., Burney, J., Bendavid, E., Burke, M. (2018). “Robust relationship between air quality and infant mortality in Africa,” Nature, vol. 559, no. 7713, pp. 254–258, DOI: 10.1038/s41586-018-0263-3. Li, X., Dallmann, T. R., May, A. A., Stanier, C. O., Grieshop, A. P., Lipsky, E. M., Robinson, A. L., &; Presto, A. A. (2018). Size distribution of vehicle emitted primary particles measured in a traffic tunnel. Atmospheric Environment. https://doi.org/10.1016/J.ATMOSENV.2018.07.052 Liu, Y., Xu, J., Chen, D., Sun, P., and Ma X. (2019). “The association between air pollution and preterm birth and low birth weight in Guangdong, China,” BMC Public Health, vol. 19, no. 1, p. 3, doi: 10.1186/s12889-018-6307-7 Martins M C H, Fatigati F L , Vespoli T C , Martins L C , Pereira L A A , Martins M A , Saldiva P H N , Braga A L F (2004). Influence of socioeconomic conditions on air pollution adverse health effects in elderly people: an analysis of six regions in São Paulo, Brazil, 2004. Disponível em: https://jech.bmj.com/content/58/1/41.long M. Matti Maricq, Diane H. Podsiadlik & Richard E. Chase (2000) Size Distributions of Motor Vehicle Exhaust PM: A Comparison Between ELPI and SMPS Measurements, Aerosol Science and Technology, 33:3, 239-260, DOI: 10.1080/027868200416231 Metrô-SP (2018). Pesquisa Origem-Destino 2017. Companhia do metropolitano de São Paulo. https://transparencia.metrosp.com.br/dataset/pesquisa-origem-e-destino OMS (2013). Health risks of air pollution in Europe – HRAPIE project. Recommendations for concentration–response functions for cost–benefit analysis of particulate matter, ozone and nitrogen dioxide. https://www.euro.who.int/__data/assets/pdf_file/0006/238956/Health_risks_air_polluti on_HRAPIE_project.pdf OMS (2021). WHO global air quality guidelines: particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. https://www.who.int/publications/i/item/9789240034228 Pereira Barboza, E., Nieuwenhuijsen, M., Ambròs, A., Sá, T. H. de, Mueller, N. (2022). The impact of urban environmental exposures on health: An assessment of the attributable mortality burden in Sao Paulo city, Brazil. Science of The Total Environment, 831, 154836. https://doi.org/10.1016/j.scitotenv.2022.154836 Pereira, R. H. M., Saraiva, M., Herszenhut, D., Braga, C. K. V., & Conway, M. W. (2021). r5r: Rapid Realistic Routing on Multimodal Transport Networks with R5 in R. Transport Findings, 21262. https://doi.org/10.32866/001c.21262 Prefeitura de São Paulo (2021). Manual de Desenho Urbano e Obras Viárias. https://manualurbano.prefeitura.sp.gov.br/ 142 Pritchard, J. P., Tomasiello, D. B., Giannotti, M., & Geurs, K. (2019). Potential impacts of bike- and-ride on job accessibility and spatial equity in São Paulo, Brazil. Transportation research part A: policy and practice, 121, 386-400. https://doi.org/10.1016/j.tra.2019.01.022 Prefeitura Municipal de São Paulo (2021). Manual de Desenho Urbano e Obras Viárias. https://www.manualurbano.prefeitura.sp.gov.br Pun, V., Syuhada, G., Siregar, A., Akbar, A., Hardiawan, D., Drejana, R., Mehta, S., Kass, D., Kusuma, R. (2021). Impacts of Air Pollution on Health and Cost of Illness in DKI Jakarta. Environmental Agency of DKI Jakarta, Health Agency of DKI Jakarta, and Vital Strategies. QGIS (2021). QGIS Geographic Information System. Open Source Geospatial Foundation Project. http://qgis.osgeo.org Sá, T. H. de, Tainio, M., Goodman, A., Edwards, P., Haines, A., Gouveia, N., Monteiro, C., & Woodcock, J. (2017). Health impact modelling of different travel patterns on physical activity, air pollution and road injuries for São Paulo, Brazil. Environment International, 108, 22–31. https://doi.org/10.1016/J.ENVINT.2017.07.009 Small, K. A., & Verhoef, E. T. (2007). The economics of urban transportation. Routledge. SPTrans (2019). São Paulo Transporte S/A. Base de dados GTFS - 2019. Disponível em: https://www.sptrans.com.br/desenvolvedores. Acesso em 10 de agosto de 2019. Stucchi, D. (2018) “Can Public Transit Subsidies Be Warranted For Improving Air Quality And Health Outcomes? Evidence From The Sao Paulo Metropolitan Area For A Second- Best Policy”. Tese de Doutorado em Administração Pública e Governo – FGV. Train, Kenneth (1980) “A structured logit model of auto ownership and mode choice,” Review of Economic Studies 47: 357–70. Uber Movement (2022). https://movement.uber.com/ Vital Strategies (2021). Inspirando a mobilidade urbana que salva vidas pela melhoria do ar que respiramos. São Paulo, Brasil. Disponível em: https://www.vitalstrategies.org/resources/inspirando-a-mobilidade-urbana-que-salva- vidas-pela-melhoria-do-ar-que-respiramos/. Acesso em 15 de março de 2021. Tomás Cortez Wissenbach (2021) Orçamento, Redistribuição E Território: Uma Análise Da Dimensão Espacial Da Receita E Despesa Orçamentária Na Cidade De São Paulo. Tese apresentada ao Programa de Doutorado em Administração Pública e Governo da Escola de Administração de Empresas de São Paulo da Fundação Getúlio Vargas 143 APÊNDICE 1 – METODOLOGIA PARA ESTIMAR A DISTRIBUIÇÃO DO ESPAÇO VIÁRIO Neste apêndice são apresentadas as bases de dados e os detalhes dos métodos e procedimentos para estimar a distribuição do espaço viário. Na primeira seção são apresentadas as bases de dados e suas respectivas fontes e na segunda seção são apresentados os métodos e procedimentos para estimar a distribuição do espaço viário e o uso das vias de tráfego misto pelo transporte privado individual e transporte público coletivo. Bases de dados A análise se restringiu ao Município de São Paulo. Foram utilizados bases de dados abertos e georreferenciados obtidos em plataformas oficiais da prefeitura de São Paulo e de centros de pesquisas. ● Base de dados de calçadas A base de dados de calçadas foi obtida através do Geosampa29 (Web Feature Service - WFS) e foi feito o seu download para todo o município de São Paulo. A base de dados é representada através de polígonos e apresenta uma série de atributos, incluindo a área de cada polígono de calçada (Figura 40). 29 Disponível em: http://wfs.geosampa.prefeitura.sp.gov.br/geoserver/geoportal/wfs 144 Figura 40. Base de dados de polígonos de calçadas Fonte: Geosampa ● Base de dados de polígonos de vias A base de dados de polígonos de vias foi obtida através do repositório do GitHub da Coordenadoria de Produção e Análise de Informação da Secretaria Municipal de Urbanismo e Licenciamento da PMSP (Geoinfo/SMUL), sendo o autor registrado Fernando Gomes. A base de dados está disponível para todo o município de São Paulo e conta com uma série de atributos, incluindo a área de cada um dos polígonos de vias (Figura 41). 145 Figura 41. Base de dados de polígonos de vias Fonte: Geosampa ● Corredores de ônibus A base de dados de corredores de ônibus foi obtida através do site do Centro de Estudos da Metrópole (CEM). Como constam os corredores de ônibus existentes no ano de 2021 para toda a RMSP, foi realizado um filtro para recortar apenas o município de São Paulo. A base de dados é representada por linhas (Figura 42). Figura 42. Base de dados de corredores de ônibus e seus atributos. Fonte: Centro de Estudos da Metrópole 146 ● Faixas exclusivas de ônibus A base de dados de faixas exclusivas de ônibus foi baixada através do site do Geosampa. As faixas exclusivas de ônibus são representadas por geometrias de linha e apresentam uma série de atributos (Figura 43). Figura 43. Base de dados de faixas exclusivas de ônibus Fonte: Geosampa ● Linhas de ônibus do transporte público A base de dados de linhas de ônibus do transporte público coletivo (TPC) foi baixada através de WFS disponibilizado pela SPTrans. Na base de dados constam todas as linhas de transporte público para o município de São Paulo. As linhas de transporte são representadas através da geometria linha e apresentam uma série de atributos (Figura 44). 147 Figura 44. Base de dados de linhas de ônibus do transporte público. Fonte: SPTRANS ● Base de dados de ciclovias e ciclofaixas A base de dados de ciclovias e ciclofaixas foi obtida através do Geosampa30 (Web Feature Service - WFS) e foi feito o seu download para todo o município de São Paulo. A base de dados é representada através de linhas e apresenta uma série de atributos, incluindo a data de inauguração, extensão e nome das ciclovias e ciclofaixas (Figura 45). 30 Disponível em: http://wfs.geosampa.prefeitura.sp.gov.br/geoserver/geoportal/wfs 148 Figura 45. Base de dados de ciclovias e ciclofaixas. Fonte: Geosampa ● Base de dados de radares da CET A base de dados de radares da CET foi obtida através da API31 da Secretaria de Mobilidade e Transportes da Prefeitura de São Paulo e foi feito o download da base de dados do mês de abril de 2019 para todo o município de São Paulo. A base de dados foi utilizada para estimar o uso de vias de tráfego misto pelo transporte público coletivo (TPC) e o transporte privado individual (TPI). Os radares são representados através de pontos e apresentam uma série de atributos, incluindo o código do radar, faixa de rodagem, autuações e contagem dos veículos por tipo (motos, carros, ônibus e caminhões) agregados para cada hora do dia (Figura 46). 31 http://dadosradares.prefeitura.sp.gov.br/ 149 Figura 46. Base de dados de radares da CET. Fonte: CET ● Base de dados de classificação viária da CET A base de dados de classificação viária da CET foi obtida através do site do Geosampa. A base de dados de classificação viária da CET foi utilizada em conjunto com os dados de radares para estimar o uso de vias de tráfego misto pelo transporte público coletivo (TPC) e o transporte privado individual (TPI). As vias são representadas através de linhas e apresentam atributos de classificação (local, coletora, arterial e VTR) (Figura 47). 150 Figura 47. Base de dados de classificação viária da CET. Fonte: CET Métodos e Procedimentos Para estimar o percentual de infraestrutura dedicada para pedestres, bicicletas, transporte público coletivo, transporte privado individual e tráfego misto, primeiramente foram compatibilizados os sistemas de projeção cartográficas e datum de todas as bases de dados para UTM Fuso 23S e datum SIRGAS2000. Em seguida, foram realizados os recortes dos dados espaciais em relação às zonas OD de 2017 e atualizadas as áreas das bases de dados de geometria poligonal e o comprimento das bases de dados de geometria linha. Para calcular a infraestrutura dedicada para os diferentes modos de viagem nas áreas de interesse, foram utilizadas as equações abaixo: Onde: áreas das calçadas são provenientes dos polígonos da base de dados de calçadas. Para estimar a área dedicada exclusivamente ao transporte público coletivo utilizamos a seguinte definição: 151 Onde: a metragem dos corredores de ônibus e de faixas exclusivas são provenientes das bases de dados e o valor de 3,5m refere-se à largura mediana mais 0,1 metros de uma faixa exclusiva/corredor de ônibus (mínima de 3,2m e máxima de 3,7m). Para a estimativa de espaço dedicado às ciclovias utilizamos a seguinte definição: Onde: a metragem das ciclovias e ciclofaixas são provenientes das bases de dados e o valor de 1,5m refere-se à indicação média de largura de uma ciclovia/ciclofaixa. As faixas de rolamento das vias foram estratificadas entre locais com vias compartilhadas entre TPC e TPI (vias em que passam linhas de ônibus, porém não existem faixas exclusivas ou corredores de ônibus) e dedicadas apenas ao TPI (vias onde não passam linhas de ônibus) para reduzir a sua área no cômputo das áreas dessas infraestruturas. Onde: a área das linhas de TPC foram obtidas ao interseccionar os traçados das linhas de TP (SPTrans) com os polígonos de vias e assumir que as áreas das vias são compartilhadas com o transporte privado individual (TPI). Dessas áreas, foram subtraídas as áreas de infraestrutura dedicada ao transporte público (TPC), que são os corredores e faixas exclusivas de ônibus, e as áreas de ciclofaixas em vias compartilhadas. Finalmente, para estimar a área dedicada exclusivamente ao transporte privado individual, utilizamos a seguinte definição: Onde: a área dos polígonos de vias foi estimada a partir da base de dados de vias, e as áreas de infraestrutura dedicada de TPC, de infraestrutura compartilhada entre TPC e TPI e as áreas de ciclofaixas em vias dedicadas para TPI, foram calculadas anteriormente. Para estimar o uso das vias de tráfego misto por TPC e TPI, foram utilizados os dados de radares e classificação viária da CET. Foram removidos da base de dados os radares localizados em vias com corredores de ônibus, faixas exclusivas e os radares em que não foi contado nenhum ônibus ao longo do mês de abril. Esses filtros foram feitos visando separar somente as vias de tráfego misto. Para compatibilizar as áreas de uso das vias de tráfego misto pelos veículos de TPC e TPI, os veículos de TPC foram estimados como 2,5 vezes maiores do que os veículos de TPI. Em seguida, os dados de radares foram associados às vias correspondentes, calculadas as médias de veículos do tipo TPC e TPI por hora para cada via e extrapoladas essas médias para as demais vias de acordo com a sua classe e localização utilizando o recorte de subprefeituras. A extrapolação das médias de veículos foi 152 feita agrupando as classes de via local e coletara em uma nova classe de vias de baixa hierarquia e as classes de via arterial e de trânsito rápido em outra classe de vias de alta hierarquia. Para estimar o uso das vias de tráfego misto em cada subprefeitura, foram calculados os percentuais de vias de baixa e alta hierarquia em cada subprefeitura e relacionados com os seus respectivos percentuais médios de uso por hierarquia de via. A estimativa geral para o município de São Paulo foi computada considerando a média de uso das vias por TPC e TPI de cada subprefeitura ponderada pela área total de suas vias. 153 APÊNDICE 2 – METODOLOGIA SIMPLIFICADA PARA ESTIMAR TEMPO ADICIONAL EM CONGESTIONAMENTO ATRAVÉS DE DADOS DE VELOCIDADE Neste apêndice são apresentados em detalhes os dados, formulação matemática, forma de aplicação e análises para verificação e validação dos resultados da metodologia adotada para estimar o tempo adicional em congestionamento do transporte privado individual (TPI) e do transporte público coletivo (TPC). Dados Os quatro insumos principais para calcular os tempos de viagem (total e por componente) na área de estudo são para os dois modos de transporte: • Pesquisa Origem-Destino 2017: fonte de dados para gerar as matrizes de viagens entre cada par de zonas para cada hora do dia, para ambos os modos. • Uber Movement: fonte para obter as velocidades observadas em cada link da rede viária em cada hora do dia, a partir do qual é feito o processamento via SIG para calcular o tempo de viagem em TPI aproximado entre cada par de zonas. • GTFS: fonte para obter os tempos de viagem em TPC entre cada par de zonas para cada hora do dia através do pacote r5r. • OSM: fonte para obter os tempos de viagem em TPC entre cada par de zonas através do modo caminhada utilizando o pacote r5r. Foram utilizadas as seguintes variáveis dos microdados da Pesquisa Origem-Destino de 2017 para estimar e validar os tempos em congestionamento por TPI e TPC: zonas de origem e de destino das viagens; modo principal; horários de saída e de chegada; duração reportada das viagens; e fator de expansão das viagens. Os dados do Uber Movement foram utilizados para estimar os tempos em congestionamento para o modo TPI. A base de dados é proveniente do rastreamento GPS dos motoristas da Uber empregando uma metodologia para anonimizá-los e agregá-los por hora do dia32. Os dados do Uber Movement são disponibilizados através de tabelas que possuem variáveis de 32 https://movement.uber.com 154 data e hora de coleta, identificador único, velocidades médias e desvio padrão das velocidades. A base de dado pode ser espacilizada ao relacioná-la com a base de dados geográfica colaborativa OpenStreetMap (OSM). Os dados cobrem o município de São Paulo e foram baixados para o mês de abril de 2019. Os arquivos GTFS são formados por uma série de arquivos em formato texto que definem, dentre outras características operacionais do sistema de transporte público coletivo, os horários de funcionamento, frequências e paradas de cada uma das linhas de transporte público coletivo. Os arquivos GTFS foram utilizados para estimar os tempos adicionais em congestionamento para o TPC. Para isso, foi solicitada à SPTrans a disponibilização dos arquivos GTFS corrigidos através dos sistemas de rastreamento dos ônibus municipais de São Paulo para que as estimativas fossem as mais fidedignas possíveis. Os arquivos GTFS são para o município de São Paulo para a data de 10 de abril de 2019 (quarta-feira). A malha viária do município de São Paulo para o ano de 2019 disponibilizada pelo OpenStreetMap (OSM) é utilizada em conjunto com os arquivos GTFS no pacote r5r para estimar os tempos de viagem entre os pares OD através do modo TPC. Formulação matemática O tempo adicional por congestionamento (tac) é calculada como a diferença de dois valores de referência: o tempo em fluxo livre (tfl) e o tempo total de viagem (tv). E para obter o valor total dessa externalidade para o dia inteiro na área de estudo (TAC), multiplica-se o tac de cada par de zonas de origem-destino (par OD) pelo número de viagens observadas, para cada hora do dia. Em função das diferenças entre as fontes de dados, a análise é realizada separadamente para TPI e para TPC, mas a formulação matemática básica é a mesma. As diferenças nos procedimentos práticos para a execução são descritas mais adiante. Para o tempo de viagem total, a formulação matemática é dada por:     ℎ ℎ   = ∑ ((∑ ℎ ) ⋅ ) ℎ Onde: TTh: Tempo de viagem total da demanda da hora h para toda a área de estudo. Vijh: Número total de viagens entre as zonas i e j na hora h. tvhij: Tempo de viagem total entre as zonas i e j na hora h. 155 O tempo de viagem equivalente à condição de fluxo livre é dado por:     ℎ   = ∑ ((∑ ℎ ) ⋅ ) ℎ Onde: TFLh: Tempo de viagem em fluxo livre da demanda da hora h para toda a área de estudo. Vijh: Número total de viagens entre as zonas i e j na hora h. tminhij: Tempo de viagem equivalente à condição de fluxo livre entre as zonas i e j., calculado como o mínimo possível com base nas velocidades observadas ao longo de todo o dia em cada link da rede.     = ∑ ℎ ⋅ ℎ ℎ Onde: TAC: Tempo total adicional por congestionamento no dia inteiro para toda a área de estudo. TTh: Tempo de viagem total na hora h para toda a área de estudo. TFLh: Tempo de viagem em fluxo livre da demanda da hora h para toda a área de estudo. Forma de aplicação Para estimar os tempos em fluxo livre (tfl) e os tempos totais de viagem (ttv) para o TPI, foi desenvolvido um modelo de rede de transporte em ambiente SIG a partir dos dados do OpenStreetMap (OSM) e do Uber Movement. O modelo de rede desenvolvido apresenta os atributos de tempo para percorrer cada link da rede para cada hora, considerando o percentil 90 de cada hora de cada dia do mês de abril de 2019 (removendo finais de semana e feriados). Foi adotado o percentil 90 para que 90% dos tempos máximos de viagem entre os pares OD estivessem representados no modelo de rede de transporte. Somados aos tempos para percorrer cada link da rede, foram aplicadas penalidades de 10 segundos em cada interseção da rede para calibrá-la em relação aos tempos de viagem relatados na Pesquisa Origem- Destino de 2017. A partir do modelo de rede calibrado, as estimativas dos tempos em fluxo livre (tfl) para o TPI foram calculadas considerando os menores tempos de viagem entre os pares OD ao longo das 24 partidas do dia (uma partida por hora do dia). 156 Os tempos totais de viagem (ttv) entre os pares OD foram calculados considerando os tempos de viagem para cada hora do dia. A partir dos tempos totais de viagem (ttv) para cada par OD foram subtraídos os correspondentes tempos em fluxo livre (tfl) para estimar os tempos adicionais por congestionamento (tac) para cada par OD. Para estimar o tempo total adicional por congestionamento no município de São Paulo, os tempos adicionais de congestionamento (tac) foram multiplicados pelos fatores de expansão de cada viagem. Para estimar os tempos em fluxo livre (tfl) e os tempos totais de viagem (ttv) para o TPC, foram utilizados os arquivos GTFS e a malha viária do OSM no pacote r5r do software estatístico Rstudio. Os tempos em fluxo livre (tfl) foram estimados adotando os tempos mínimos entre pares OD considerando partidas a cada 5 minutos das 6h00 às 21h00. Para os tempos totais de viagem (ttv), foi adotado o percentil 90 dos tempos de viagem entre cada um dos pares OD para os horários de partida correspondentes de cada viagem por TPC representada na Pesquisa Origem-Destino de 2017. O cálculo dos tempos adicionais por congestionamento (tac) foram feitos ao subtrair os tempos em fluxo livre (tfl) dos tempos totais de viagem (ttv) para cada par OD correspondente. O tempo adicional total de congestionamento para o município de São Paulo foi estimado multiplicando os tacs de cada par de viagem pelos seus fatores de expansão correspondentes. Discussão sobre o método Existem algumas limitações nas estimativas dos tempos em fluxo livre (tfl) e dos tempos totais de viagem (ttv) para os modos TPI e TPC. Para o modo TPI, a principal limitação é a aderência dos tempos de congestionamento retratados na base de dados do Uber Movement em relação à realidade. Apesar de grande parte das vias coletoras, arteriais e de trânsito rápido terem perfis de velocidade para cada hora do dia, pois foi utilizada a base e dados para cada hora de cada dia (exceto finais de semana e feriados) do mês de abril de 2019, observou-se que vias locais afastadas do centro expandido apresentam pouca informação de congestionamento. Nesses casos foram atribuídos os limites máximos de velocidade de cada via como as velocidades de circulação, o que pode subestimar os tempos totais de viagem (ttv) e, consequentemente, serem calculados menores tempos adicionais por congestionamento (tac) do que os encontrados na realidade entre pares de origem e destino. Em relação ao tfl e ttv para o modo TPC, os tempos calculados agregam uma série de etapas das viagens como o tempo de acesso ao sistema de transporte público através do modo caminhada, tempo de espera, tempo embarcado, tempo para transferências e tempo de egresso do sistema de transporte público e de acesso ao destino através do modo caminhada. Como foram estimados os tempos de viagem entre os pares de origem e destino a cada 5 minutos das 06h00 às 21h00, o tempo em fluxo livre (tfl) para cada par de origem e destino 157 foi considerado a viagem com menor tempo total, ignorando os detalhes de cada etapa da viagem. Análises para verificação e validação Uma forma de avaliar a representatividade dos dados de tráfego da Uber é analisar a variabilidade das velocidades para cada hora do dia. Para isso, foram selecionadas as vias do centro expandido do município de São Paulo e verificadas as velocidades médias de tráfego para cada hora do dia do mês de abril de 2019 (Figura 48 e Figura 49). Figura 48. Variabilidade das velocidades médias das vias do centro expandido. Fonte: Elaboração própria com dados do Uber Movement 158 Figura 49. Variabilidade das velocidades médias das vias do centro expandido (detalhe). Fonte: Elaboração própria a partir de dados do Uber Movement Como pode ser observado nas Figura 48 e Figura 49 as velocidades maiores velocidades nas vias do centro expandido são reportadas da meia noite até às 5h da manhã, em seguida ocorre uma redução drástica no pico da manhã (das 6h às 8h) que se mantém até o início do pico da tarde, quando se intensifica a redução das velocidades médias (das 16h às 18h) e por fim as velocidades aumentam após às 19h. Os padrões de velocidades encontrados nessa análise mostraram que existe uma alta variabilidade das velocidades reportadas na base de dados de tráfego da Uber. Outra análise realizada foi comparar os tempos de viagem por transporte privado individual relatados na Pesquisa Origem e Destino do Metrô de 2017 com os tempos modelados a partir da rede de transporte utilizando os dados da Uber. Para isso, foi analisada a densidade de viagens por tempo de duração relatados na Pesquisa OD de 2017 e no modelo de rede desenvolvido (Figura 49). A densidade de tempos de viagem foi calculada considerando as origens e destinos relatadas na Pesquisa OD de 2017, sem distinguir os motivos das viagens e aplicando os fatores de expansão de cada viagem. 159 Figura 50. Densidade de viagens por tempos de duração Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 A Figura 50 mostra que a distribuição dos tempos de viagem através do modelo de rede de transporte privado individual usando os dados de tráfego da Uber apresentam aderência com os tempos de viagem relatados na Pesquisa OD de 2017. Por fim, foi analisada a composição dos tempos de viagem (tempos em fluxo livre e tempos em congestionamento) mantendo o número de viagens constante para cada hora do dia no modelo de rede de transporte particular individual implementado. Essa análise tem como intuito isolar efeitos de variação de número de viagens ao longo do dia para captar os efeitos de congestionamento modelados na rede de transporte. A Figura 50 mostra os resultados da análise. 160 Figura 51. Composição dos tempos de viagem com número de viagens constante ao longo do dia Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e de dados do Uber Movement Como pode ser observado na Figura 50, os efeitos de congestionamento impactam menos os tempos de viagem modelados na rede de transporte privado individual na madrugada (0h às 5h) e no final do dia (a partir das 21h). Já nas viagens realizadas nos horários de pico da manhã (7h às 9h) e da tarde, os tempos em congestionamento aumentam significativamente, atingindo aproximadamente 55% do tempo total de viagem no pico da tarde (18h). 161 APÊNDICE 3 – METODOLOGIA PARA ESTIMAR TEMPO ADICIONAL POR CONGESTIONAMENTO EM AUTOMÓVEL ATRAVÉS DE MODELO DE ALOCAÇÃO DE VIAGENS Conforme reportado na versão anterior do Produto C, a metodologia inicialmente desenvolvida e parcialmente implementada para calcular o tempo adicional por congestionamento em automóvel envolvia a calibração de um modelo de alocação de viagens. Apesar dos avanços significativos obtidos na montagem da rede, não foi possível prosseguir com essa alternativa em função de que um dos insumos críticos – os dados desagregados de registro de velocidades e volumes veiculares dos mais de 900 radares da cidade - não alcançou a ser disponibilizado a tempo e, em função disso, foi preciso formular um método simplificado para chegar a resultados do ano base. Entretanto é importante apontar que existe um grande potencial a ser explorado a partir dos dados radares que a Prefeitura pode explorar futuramente. Sendo assim, o produto dessa atividade, apesar de não ter sido utilizado de forma direta para gerar os resultados das análises deste componente do estudo, possui ainda assim um significativo valor em termos de desenvolvimento ferramental que poderá ser aproveitado e reutilizado quando os insumos de dados desagregados (anonimizados) de velocidades e contagens de radares estiverem ao alcance para esta finalidade. Por esse motivo, optou-se por incluir este apêndice com a descrição desse trabalho, para efeito de registro metodológico e possível utilização futura. Métodos O gráfico da Figura 52 ilustra conceitualmente o comportamento do tempo de viagem para um determinado trecho de via em função da saturação (volume sobre capacidade máxima), distinguindo os dois componentes principais desse tempo utilizados para estimar o tempo adicional por congestionamento. Tipicamente, enquanto a demanda não atingir uma determinada densidade de veículos, as condições de circulação praticamente não alteram o tempo de viagem, que se mantém próximo à chamada velocidade de "fluxo livre". Até o ponto de saturação (indicado como "Situação 1"), o aumento do fluxo não altera o tempo de deslocamento para uma determinada distância. A partir desse ponto, a velocidade cai progressivamente com o aumento do fluxo veicular, aumentando o tempo de viagem para percorrer esse mesmo trecho. Assim, podemos distinguir dois componentes de interesse: 162 ● o tempo em fluxo livre, equivalente ao tempo mínimo para percorrer esse trecho na velocidade de fluxo livre; e ● o tempo adicional por congestionamento, que corresponde ao incremento no tempo total relativamente ao tempo mínimo em fluxo livre. Figura 52. Gráfico de tempo de viagem por saturação da via Fonte: elaboração própria. Assim, para estimar esses dois componentes de tempo de viagem, é preciso identificar o nível de saturação de cada trecho viário (Figura 53). A partir disso, em combinação com os respectivos volumes, é possível contabilizar a somatória do tempo total e do tempo mínimo em fluxo livre gastos nas viagens em cada segmento da rede, e obter a estimativa dessa externalidade para a cidade como um todo. A formulação matemática do tempo total adicional por congestionamento pelo método proposto é dada por: 163 Figura 53. Exemplo de carregamento da rede viária com os respectivos níveis de saturação. Fonte: elaboração própria a partir de dados da Pesquisa OD 2017, dados do Uber Movement e OSM Os dois insumos básicos para essa estimativa são os volumes de veículos (ou carregamentos) de cada segmento (links) da rede viária, e os respectivos níveis de saturação (razão volume sobre capacidade do segmento). Para isso, será desenvolvida uma rede de alocação de viagens de transporte privado individual (TPI) da cidade de São Paulo, a qual será usada para gerar os carregamentos correspondentes à matriz de demanda de viagens do cenário base, conforme ilustrado resumidamente no diagrama da Figura 54. 164 Figura 54. Exemplo de carregamento da rede viária com os respectivos níveis de saturação. Dados radares CET-SP Contagens manuais Rede de alocação TPI OSM Rede viária Volumes veiculares e saturação nos links no Centroides das cenário base 2018 zonas Pesquisa OD Matrizes de demanda TPI cenário base 2018 Fonte: elaboração própria. A montagem de uma rede de alocação partindo do "zero" representa um desafio significativo, principalmente dentro de um prazo relativamente curto de tempo. Soma-se a isso os princípios adotados no projeto de priorizar o uso de dados abertos e softwares livres para reduzir barreiras de transferência de conhecimento e replicabilidade. Contudo, consideramos que para a finalidade de uma análise de nível estratégico para a estimativa global de externalidades de tempo de viagem é uma meta factível e com potencial de, como resultado final, deixar uma ferramenta com grande potencial para a Prefeitura e seus organismos de gestão da mobilidade. Dentro dessa perspectiva, foi dada preferência para fontes de informação disponíveis para o público geral (ou, como mínimo, de fácil acesso por parte da Prefeitura) e que facilitem a replicabilidade. As três principais fontes de dados são: • Pesquisa Origem-Destino 2017: insumo para gerar as matrizes de viagens entre cada par origem-destino, e para gerar os centróides que representam cada zona de origem e de destino na rede de alocação. • Open Street Maps (OSM): insumo para a montagem do SIG da rede viária base a partir da qual se elaborará a rede de alocação, com os respectivos atributos de capacidade, centróides e conectores. 165 • Dados de radar e contagens manuais da CET-SP: insumos para estimar a capacidade máxima de cada tipo de via e calibrar a função volume-demora (VDF ou volume-delay functions). Em termos de ferramentas, ainda sob a abordagem proposta, buscando evitar a dependência de softwares comerciais, será utilizado o pacote Aequilibrae, uma aplicação em Python gratuita com interface em QGIS. Isso também poderá facilitar sua utilização e replicação por parte da Prefeitura. Cabe observar que as viagens realizadas em transporte privado individual, apesar de serem as principais responsáveis pela saturação viária, não são as únicas afetadas pelo congestionamento. Os ônibus que operam em tráfego misto, isto é, sem infraestrutura exclusiva ou prioritária, também circulam mais lentamente nos trechos em que a velocidade é reduzida pela saturação viária. A presente análise, no entanto, faz uma estimativa conservadora limitando-se ao tempo de viagem do TPI. Finalmente, o modelo de alocação também servirá como ferramenta de apoio para as análises de emissões veiculares associadas às externalidades ambientais. A seguir, descrevem-se alguns avanços no desenvolvimento do trabalho dentro da metodologia proposta. Montagem da rede de simulação A rede para simulação de tráfego de transporte privado individual foi desenvolvida utilizando softwares livres de forma a possibilitar a replicabilidade do trabalho. Para desenvolver a rede, foi utilizado o pacote Python AequilibraE versão 0.7.233 que possui integração com o software livre QGIS 3.1034. Pacote AequilibraE O pacote AequilibraE é o primeiro pacote em python para modelagem de transportes. O AequilibraE é organizado em submódulos baseados no tradicional modelo de 4 etapas e, apesar de ser desenvolvido para se comportar como outras ferramentas comerciais, é estruturado sobre formato de dados abertos. O AequilibraE permite baixar automaticamente a malha viária disponível no OpenStreetMaps (OSM), que é uma base de dados colaborativa de abrangência mundial, e transforma a malha viária em formato de rede, permitindo gerar rotas. Ao criar um modelo de transportes utilizando o pacote AequilibraE, é criado um arquivo que armazena os dados da rede de transporte em formato SQLite com duas camadas arcos e nós 33 Disponível em: http://aequilibrae.com/python/latest/index.html# 34 Disponível em: https://qgis.org/en/site/ 166 (links e nodes). A estrutura das camadas links e nodes é apresentada nas Tabela 67 e Tabela 68 Tabela 67. Estrutura de atributos das camadas segmentos e links. Nome do Descrição Formato de dado campo link_id Identificador único Inteiro (32/64 bits) a_node id do nó (node_id) do primeiro (topologicamente) Inteiro (32/64 bits) nó do link b_node id do nó (node_id) do último (topologicamente) nó Inteiro (32/64 bits) do link direction Direção do fluxo permitido para o link (A–>B: 1, B– Inteiro (8 bits) >A:-1, Both:0) distance Comprimento do link em metros Float 64 bits modes Modos permitidos no link. (Concatenação dos Texto identificadores dos modos) link_type Classificação do tipo do link. Texto name Cadastre name of the street String capacity_ab Capacidade do link para a direção A –> B Float 32 bits capacity_ba Capacidade do link para a direção B –> A Float 32 bits speed_ab Velocidade em fluxo livre do link na direção A –> B Float 32 bits speed_ab Velocidade em fluxo livre do link na direção B –> A Float 32 bits Fonte: traduzido e adaptado de AequilibraE35. Tabela 68. Estrutura de atributos da camada nodes. Nome do Descrição Formato de dado campo node_id Identificador único. Relacionado com a_node e Inteiro (32/64 bits) b_node da camada link is_centroid Identifica se o nó é um centróide (0 p/ não e 1 p/ Inteiro (32/64 bits) sim) modes Concatenação de todos os identificadores de Texto modos dos links conectados ao nó link_types Concatenação de todos os identificadores de Texto tipos de vias dos links conectados ao nó Fonte: traduzido e adaptado de AequilibraE³. QGIS O software QGIS é um aplicativo profissional de Sistema de Informações Geográficas (SIG) de código aberto construído a partir de software livre, que suporta a visualização, edição e análise de dados geoespaciais (QGIS, 2021). O QGIS foi utilizado no projeto para visualizar e editar a rede de transportes e para a alocação dos automóveis na rede através do plugin do pacote AequilibraE. 35 Disponível em: http://aequilibrae.com/python/latest/project_docs/network.html 167 Criação da rede de simulação para TPI A seguir, apresenta-se um resumo dos avanços na montagem da rede de simulação, cuja descrição pormenorizada encontra-se no Apêndice 3B - Passo a passo dos avanços na criação da rede de simulação para TPI. A primeira etapa para a criação da rede de simulação para carros foi o download e transformação da base de dados do OSM para o formato de rede. Para isso, foi criado um script em python em que foi carregada a biblioteca “AequilibraE”, indicada a pasta de saída do arquivo do projeto contendo a rede de transporte e utilizada a função “network.create_from_osm” inserindo a Região Metropolitana de São Paulo (RMSP) como área de interesse. Após rodar as linhas de código acima, é gerado o arquivo “project_database.sqlite”, que contém a rede de transporte com as camadas “links” e “nodes” para a RMSP e áreas próximas à RMSP. A rede pode ser visualizada através do QGIS (Figura 55). Figura 55. Detalhe da rede de transporte da RMSP para TPI Fonte: Elaboração própria a partir de dados do Open Street Maps (OSM) A segunda etapa consistiu na criação de filtros espaciais e de atributos para reduzir o esforço computacional para alocação dos automóveis na rede de transporte. Os filtros realizados foram: 1. Redução da cobertura geográfica da rede de transportes, já que foram incluídas vias localizadas além da RMSP; 2. Simplificação da rede de transporte mantendo apenas as vias em que é permitido o tráfego de automóveis; e 3. Simplificação da rede de transporte dos municípios da RMSP (com exceção do município de São Paulo) mantendo apenas as vias de maior hierarquia. 168 A redução da cobertura geográfica da rede de transporte foi realizada utilizando uma máscara da RMSP proveniente da Pesquisa Origem e Destino do Metrô de 2017. Essa máscara foi utilizada para selecionar apenas as vias que se interseccionam com os limites da RMSP, que foram mantidos no projeto da rede. Em seguida foram removidas todas as vias classificadas como “cycleway”, “elevator”, “footway”, “path”, “pedestrian”, “service”, “services”, “steps”, “track” e “trailhead” para manter apenas as vias em que o tráfego de automóveis é permitido. Após isso, foram mantidas apenas as vias da RMSP (exceto município de São Paulo) de relevância para a modelagem, classificadas como “motorway”, “primary”, “road”, “secondary”, “tertiary” e "trunk". Com isso, a quantidade inicial de 723.035 links foi reduzida para aproximadamente 294.624 links ( Figura 56), o que reduz drasticamente o esforço computacional para alocação dos veículos. Figura 56. Detalhe da rede de transporte da RMSP para TPI após filtros Fonte: Elaboração própria a partir de dados do Open Street Maps (OSM) A terceira etapa foi a inserção dos centróides das zonas OD de 2017 do Metrô na rede de transportes, criação dos conectores com a rede e criação donetwork skimming para verificar a conectividade da rede. Essa etapa é de fundamental importância, pois os centróides são utilizados como pontos de geração e atração de viagens através do modo carro, logo, eles devem estar topologicamente conectados à rede de transporte. Para inserir os centróides das zonas OD de 2017 na rede de transportes, os polígonos das zonas OD foram reprojetados para o sistema de coordenadas geográficas, o datum alterado 169 para WGS 1984, gerados os centróides dos polígonos e extraídas as latitudes e longitudes dos centróides. Após isso, foi gerado um arquivo .csv (“coords_centroids_RMSP.csv”) com a listagem de cada uma das 517 zonas OD de 2017 com suas respectivas latitudes e longitudes, que em seguida foi importado para um script em python para incluir os pontos na rede de transportes e gerar seus conectores. Os conectores podem ser visualizados através do QGIS (Figura 57). Figura 57. Detalhe de conectores gerados na rede de transporte. Fonte: Elaboração própria a partir de dados do Open Street Maps (OSM) Em seguida foi criado o network skimming que cria uma matriz de distância em rede entre todos os centróides da rede garantindo que todos os centróides estão devidamente conectados na rede de transportes e que são acessíveis. Assim, é gerada a matriz com as distâncias em rede entre os centróides das zonas OD 2017. Essa matriz foi inspecionada e todos os valores de distância estavam presentes e dentro de um intervalo de distâncias compatíveis com as dimensões geográficas da RMSP. A quarta etapa foi a criação da matriz origem-destino das viagens de transporte privado individual na RMSP para o período pico da manhã a partir dos microdados da pesquisa OD de 2017. A matriz OD utilizada nesta etapa de calibração representa a demanda de uma hora, mas gerada a partir da amostra das viagens com horário de partida entre as 06h00 e as 08h00 da manhã realizadas através do modo carro, com seus respectivos fatores de expansão, e dividido por dois para chegar em uma representação dos fluxos médios de uma hora. Esse procedimento busca dar maior consistência à análise estática dos carregamentos em dois aspectos. Primeiro e principal, para que a matriz de demanda resulte em deslocamentos que representem melhor tanto as viagens mais curtas (com horário de início mais tarde) quanto as viagens mais longas, em especial as oriundas da periferia (com horário de início mais 170 cedo). Adicionalmente, ao utilizar uma amostra maior do que selecionando unicamente uma hora, captura-se melhor a variabilidade de combinações de origens e destinos. Como as capacidades dos links da rede de transporte modeladas em veículos por hora, a matriz de demanda, que na amostra da Pesquisa OD representa pessoas, foi convertida para veículos utilizando o fator de ocupação média de 1,43 pessoas por veículo, conforme relatório de 2019 da CET36. Com uma matriz contendo o número de veículos com origem e destino entre cada par de zonas na hora pico de dias úteis do ano base de 2017/2018, foi criado um script para converter a matriz do formato .csv para o formato .omx. A quinta etapa foi o preenchimento dos atributos de capacidade, tempo de viagem e valores de alpha e beta da função BPR da camada de links, a partir da qual se determina o tempo de viagem no segmento em função da saturação (como relação volume/capacidade). Os valores dos atributos de capacidade, alpha e beta, ainda estão em processo de definição. Para uma primeira aproximação dos atributos de capacidade apenas para efeitos de testar o funcionamento do algoritmo de alocação de viagens, foram adotados valores de acordo com os tipos de via e número de faixas de rodagem: 1.000 veic/h por faixa de rodagem de vias do tipo “motorway”, “primary”, “road”, “secondary”, “tertiary” e “trunk”; e 300 veic/h por faixa de rodagem dos demais tipos de via. Os atributos de capacidade são referentes ao sentido de cada link, por isso, foram criados dois campos do tipo inteiro na camada de links que foram nomeados “capacity_ab” e “capacity_ba”. Os tempos de viagem mínimo em minutos para percorrer os links da rede de transporte foram calculados dividindo o comprimento dos links (em metros) pela velocidade máxima permitida para cada um dos links (km/h), que é proveniente da base do OSM. Por fim, foram adotados os parâmetros de 2 para o alpha e 0.5 para o beta de todas as vias da rede. Conforme destacado anteriormente, esses valores, que são utilizados na função BPR, podem ser alterados conforme avançar a calibração do modelo. A sexta etapa foi rodar o algoritmo de alocação do TPI através da interface do pacote AequilibraE para o software QGIS, descrito em detalhes no Apêndice 3B - Passo a passo dos avanços na criação da rede de simulação para TPI. A seguir são apresentados os resultados preliminares da alocação de TPI obtidos para efeitos de testes do algoritmo de alocação, checagem de conectividade da rede e gerar insumos para definir a classificação tipológica. A Figura 56 mostra a visualização dos carregamentos da rede usando a ferramenta “Stacked Bandwidth” do plugin Aequilibrae com escala de cores indicando os níveis de saturação dos links. 36 Disponível em: http://www.cetsp.com.br/media/1113490/msvp2019.pdf 171 Figura 58. Visualização dos resultados preliminares da alocação TPI. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017, e dados do Uber Movement e OSM Avanços e desafios na montagem da rede Dados de volume-velocidade para calibrar modelo Um dos principais insumos para calibrar a rede de alocação é a determinação dos atributos de capacidade de cada tipo de via e os conjuntos de dados que permitam avaliar a relação entre volume e velocidade para as diferentes tipologias viárias. Os dados gerados pelos radares de fiscalização espalhados por todas as regiões da cidade são uma fonte com grande potencial para essa finalidade. O registro de velocidades instantâneas para todos os veículos que passam por cada ponto de fiscalização permite gerar datasets de relação entre volume veicular e velocidade instantânea média para intervalos relativamente curtos, de 5, 10 ou 15 minutos, e assim verificar graficamente o comportamento da relação entre ambas as variáveis e obter insumos para estimar a segunda em função da primeira (como razão da capacidade viária desse trecho). O potencial dessa fonte de informação está relacionado tanto ao elevado número de pontos de fiscalização (total de 912 radares) e da possibilidade de gerar séries históricas extensas visto que os radares estão instalados há mais de dois anos no mínimo. A seguir se descrevem alguns avanços nesta frente de trabalho, incluindo: a atividade realizada inicialmente de levantamento de dados por meio da API da CET-SP; as análises preliminares da relação volume-velocidade elaboradas pela combinação de dados de radares e de velocidades 172 oriundas de outras fontes de dados; e as especificações para as solicitações de bases de dados diretamente da Prefeitura, sem as restrições da API. API Dados de Radares Para acessar a API de dados de radares da prefeitura 37 (Figura 55), primeiramente foi necessário criar um cadastro para receber um login e uma senha para acessar a API. Em seguida, foram desenvolvidos scripts no software Rstudio utilizando as funções “getLocais” e “getContagens” da API. Apesar de existir a função “getVelocidades” para acessar dados de velocidade capturados pelos radares, todas as requisições realizadas para acessar a base de dados retornaram erros, o que impossibilitou o acesso à base de dados. A função “getLocais” é utilizada para extrair a latitude, longitude e os códigos dos radares. Para fazer a requisição com a função “getLocais”, é preciso que seja especificada uma data de referência: requisição: http://dadosradares.prefeitura.sp.gov.br/getLocais// resposta: [{"x": longitude, "y": latitude, "lote": numero_do_lote, "id": id, "codigo": [codigo(s)]}, ...]} As latitudes e longitudes que retornaram da função “getLocais” foram utilizadas para geolocalizar os radares enquanto os códigos dos radares foram utilizados para consultar a contagem de veículos através da função “getContagens”: requisição: http://dadosradares.prefeitura.sp.gov.br/getContagens/// resposta: {"result": [{"codigo": codigo, "faixa": faixa, "tipo": tipo_de_veiculo, "contagem": contagem, "autuacoes": autuacoes, "placas": placas, "data_e_hora": hora_da_contagem}, ... ]} Para testar as funcionalidades da API, foram coletados dados de 18 dias do mês de Abril de 2019. Escolhemos o mês de Abril de 2019 por possuirmos diversas bases de dados de transporte para o período, o que pode nos apoiar em futuras análises, e devido a restrições de datas disponíveis para consulta na API, pois os dados disponíveis para consulta a partir de Junho de 2019 são muito reduzidos. 37 Disponível em: http://dadosradares.prefeitura.sp.gov.br/ 173 Figura 59. Tela de visualização API de dados de radares da PMSP. Fonte: Elaboração própria a partir dos dados de radares disponibilizados pela prefeitura de São Paulo O script desenvolvido para acessar as bases de dados possui como entrada o arquivo “dias_abril_coleta_radares.csv”, que armazena as datas para consulta dos dados. O script é apresentado abaixo: library(httr) library(jsonlite) datas <- read.csv("dias_abril_coleta_radares.csv", header = F, encoding = "UTF- 8") datas <- t(datas) for (j in (1:length(datas))){ c <- GET(paste0("http://dadosradares.prefeitura.sp.gov.br/getLocais/", datas[j],"/"), authenticate("xxx","xxx")) if (c$status_code == 200){ 174 data_loc = fromJSON(rawToChar(c$content)) names(data_loc) data_loc$result lista <- unlist(data_loc$codigo) contagem_radares <- data.frame(matrix(ncol = 6, nrow = 0)) x <- c("codigo", "faixa", "tipo", "contagem", "autuacoes", "data_e_hora") colnames(contagem_radares) <- x for (i in (1:length(lista))){ a <- GET(paste0("http://dadosradares.prefeitura.sp.gov.br/getContagens/", datas[j],"/", lista[i], "/"), authenticate("xxx","xxx")) print(datas[j]) print(lista[i]) if (a$status_code == 200){ rawToChar(a$content) print(datas[j]) print(lista[i]) data = fromJSON(rawToChar(a$content)) names(data) contagem_radares <- rbind(contagem_radares, data$result) Sys.sleep(20) } } write.csv(contagem_radares, paste0("contagem_radares_", datas[j], ".csv"), row.names = F) } } É importante ressaltar que foi inserido um tempo de espera de 20 segundos entre cada requisição no script devido a limitação de número de requisições diárias de acesso à API. A saída do script é um arquivo em formato .csv com os campos de: código do radar; faixa de rodagem; tipo de veículo; contagem de veículos (em uma hora); autuações; data e hora (Figura 60). 175 Figura 60. Amostra dos resultados da consulta de contagem de veículos. Fonte: Elaboração própria a partir dos dados de radares disponibilizados pela prefeitura de São Paulo Em seguida, através dos campos “id” e “codigo”, que retornaram da função “getLocais”, os dados de contagem de veículos foram agregados por radar considerando a soma das contagens de todas as faixas de rodagem dos radares por hora do dia. A soma das contagens foi transformada para veículo padrão, considerando que as motocicletas (tipo = 0) equivalem a 0,25 veículos padrão e que caminhões e ônibus equivalem a 4 veículos padrão. Como não foi possível consultar os dados de velocidades instantâneas médias dos veículos através da API de radares, foi utilizada a base de dados da UBER para extrair dados de velocidade para o mesmo período dos dados de contagem de veículos. A base de dados da UBER 38 é disponibilizada gratuitamente, apresenta velocidades médias por hora do dia e possui um campo chave (“osm_way_id”) que se relaciona com segmentos viários da base de dados do OpenStreetMap (OSM). A base de dados com informações de velocidades (Figura 61) foi cruzada com os pontos de radares, o que permitiu relacionar dados de contagem de veículos e de velocidades para os mesmos trechos em dias e horários coincidentes ( Figura 62). 38 Disponível em: https://movement.uber.com/cities/sao_paulo/downloads/speeds?lang=en- US&tp[y]=2019&tp[q]=2 176 Figura 61. Amostra da base de dados da UBER. Fonte: Elaboração própria a partir de dados do Uber Movement Figura 62. Detalhe da base de dados de radares e OSM. Fonte: Elaboração própria a partir de dados dos radares da prefeitura de São Paulo e OSM Análises preliminares de relação volume-velocidade Como discutido acima, um dos principais desafios para dar continuidade à montagem da rede de simulação de transporte privado individual é a calibração dos parâmetros para o modelo de alocação, um dos quais depende da relação volume-velocidade. Isso inclui uma melhor aproximação das capacidades das vias de acordo com suas classes funcionais e dos parâmetros da função de atraso BPR. Para tanto, foi realizada uma análise exploratória com base nos dados existentes por meio da investigação preliminar sobre o uso conjunto de dados 177 de contagem de veículos provenientes dos radares da prefeitura de São Paulo e dados de velocidade de tráfego da empresa UBER. Idealmente se buscará utilizar os dados de velocidade medida pelos radares, mas, como mencionado acima, as consultas da API não fornecem informação das velocidades instantâneas associadas aos volumes veiculares, e por esse motivo foi feita a análise a seguir, combinando essa fonte com os datasets da UBER. Devido à agregação temporal de 1 hora das bases de dados disponíveis publicamente, tanto dos radares da prefeitura quanto da UBER, não foram obtidos resultados com o nível de detalhamento necessário para a calibração da rede. No entanto, os métodos utilizados e scripts desenvolvidos (detalhados na seção seguinte) serão aplicados para extrair novos resultados de bases de dados temporalmente mais desagregadas. A Figura 63 mostra alguns exemplos das análises exploratórias da associação dos volumes veiculares dos radares com as velocidades da UBER, com resultados que até o momento foram considerados não satisfatórios, considerando a perspectiva de, potencialmente, poder ter acesso a uma amostra mais desagregada dos dados de Radar. Como esperado pela teoria, a queda de velocidade é exponencial. Em princípio deveriam variar por via mas, o que notamos para 3 avenidas com perfil razoavelmente distinto é que o ponto de saturação é essencialmente o mesmo, em torno de 1500 veículos. O que se nota de diferença é a velocidade de "fluxo livre". A Av, 23 de maio tem uma velocidade de fluxo livre da ordem de 30km/h; a Av. Salim Farah Maluf em torno de 40k/h; e a Av. Paulista em torno de 30km/h. Claro que, dada a limitação de dados desagregados por hora, essa informação é ainda imprecisa, mas já mostra o potencial dessa análise para o planejamento da CET. Por exemplo, indicar que há trânsito na Paulista se a avenida está fluindo a 30km/h seria um equívoco na situação atual. Por outro lado, é possível que avenidas essencialmente idênticas (não é o caso nessa exemplificação) apresentem velocidade de fluxo livre distintas, o que poderia indicar algum problema mais estrutural na avenida. Como destacado algumas vezes ao longo deste relatório, todos os algoritmos serão disponibilizados à prefeitura e todos os órgãos de trânsito e transporte para o seu uso. Outro dado importante é que as velocidades no ponto de saturação observado na vida real reduzem de maneira muito substantiva. Nas avenidas 23 de maio e Salim Farah Maluf o ponto no qual os veículos provavelmente param de usar tais avenidas (usando alternativas), a velocidade média é de 20km/h enquanto na Av. Paulista esse ponto está em torno de 10km/h, abaixo da velocidade de um maratonista. Como é conhecido, seria teoricamente possível que a cidade colapsar ao ponto de a velocidade chegar a zero. Na prática esse ponto não ocorre, pois, as pessoas "descem" do carro antes que isso aconteça. Faz sentido que o mínimo "aceitável" pelos usuários seja distinto em função de diversos fatores. Mas o que estamos vendo aqui é que um deslocamento de meia hora pela 23 de maio levaria duas horas e meia 178 no pico do trânsito, duas horas na Salim Farah Maluf e três horas na Avenida Paulista. Para qualquer valor do tempo, não estamos falando de valores desprezíveis, muito pelo contrário. Figura 63. Exemplos de análises exploratórias combinando fontes de volumes veiculares dos radares com velocidades da UBER. 179 Fonte: Elaboração própria a partir dos dados de radares da prefeitura de São Paulo e dados do Uber Movement Busca por dados desagregados e oportunidades de uso sistemático dos dados de radares As análises acima ensejaram a busca por amostras de dados desagregados oriundos dos radares de fiscalização tanto com os atributos de volumes veiculares quanto das velocidades associadas aos mesmos. A partir de reuniões de trabalho realizadas com a CET-SP, foi discutida a possibilidade de utilizar as contagens manuais - levantadas por essa instituição anualmente em diversos eixos da cidade - para cruzar com os volumes obtidos com os radares e, assim, identificar padrões de subestimação dos carregamentos por parte dos equipamentos. As contagens manuais são feitas, periodicamente, em um subconjunto mais reduzido de locais coincidentes com os pontos de radar. Isso permite estimar fatores de correção e, com isso, aplicar ao restante dos radares e explorar o potencial de um número muito mais elevado de pontos de ajuste e validação dos carregamentos resultantes do modelo de alocação. Entende-se que, para além do uso para este projeto, essa análise possa ser de utilidade para a própria Prefeitura para o uso sistemático dessa fonte de informação para distintas finalidades, especialmente para efeitos de planejamento. Foi realizada uma solicitação de dados à CET-SP, com as seguintes especificações: 180 • Atributos: volume veicular e velocidade, para cada radar de cada ponto-sentido em cada intervalo de tempo estipulado. o Sobre os intervalos de tempo, deseja-se o mais desagregado possível, idealmente agregados em intervalos de 5min ou 10min. o Sobre o volume veicular, se possível, desagregado por tipo de veículo segundo a classificação automática dos radares. Se não for viável, também funciona o número total de veículos contabilizados pelo radar no intervalo de tempo estipulado. o Velocidades: refere-se à média das velocidades instantâneas registradas em cada radar no intervalo de tempo. • Amostra: uma seleção de 10 dias úteis o Horas do dia: se possível, disponibilizar dados para o día inteiro, mas caso for preciso priorizar algum período em função do volume dos arquivos de saída ou pelo tempo requerido para processamento, por favor selecionar o período de 6:00 a 9:00 da manhã. o Datas: aprox. 10 dias úteis típicos (preferencialmente terças, quartas e quintas- feiras, exceto feriados) do mês de Abril de 2019. Idealmente, para os pontos onde também há dados de contagem para 2019, disponibilizar as mesmas datas dos dados de velocidade e volume dos radares, para efeitos de cálculo de fatores de ajuste (ver tabela em anexo). o Locais: se possível, disponibilizar os dados de todos os radares da cidade, mas caso for preciso priorizar, por favor selecionar: ▪ todos os pontos dos eixos onde a CET realizou levantamentos de campo de contagens e velocidade em 2019; ▪ e, adicionalmente, uma amostra de pontos em vias arteriais e/ou coletoras distribuídas por todas as regiões administrativas do Município com a finalidade de ter dados para ajuste e validação dos carregamentos na rede de modelagem. 181 APÊNDICE 4 – PASSO A PASSO DOS AVANÇOS NA CRIAÇÃO DA REDE DE SIMULAÇÃO PARA TPI A primeira etapa para a criação da rede de simulação para carros foi o download e transformação da base de dados do OSM para o formato de rede. Para isso, foi criado um script em python em que foi carregada a biblioteca “aequilibrae”, indicada a pasta de saída do arquivo do projeto contendo a rede de transporte e utilizada a função “network.create_from_osm” inserindo a Região Metropolitana de São Paulo (RMSP) como área de interesse: from aequilibrae import Project fldr = r'C:\release\RMSP' project = Project() project.new(fldr) project.network.create_from_osm(place_name='Região Metropolitana de São Paulo') project.open(fldr) Após rodar as linhas de código acima, é gerado o arquivo “project_database.sqlite”, que contém a rede de transporte com as camadas “links” e “nodes” para a RMSP e áreas próximas a RMSP. A rede pode ser visualizada através do QGIS (Figura 64). Figura 64. Detalhe da rede de transporte da RMSP para TPI. Fonte: Elaboração própria a partir dos dados do OSM 182 A segunda etapa consistiu na criação de filtros espaciais e de atributos para reduzir o esforço computacional para alocação dos automóveis na rede de transporte. Os filtros realizados foram: 1. Redução da cobertura geográfica da rede de transportes, já que foram incluídas vias localizadas além da RMSP; 2. Simplificação da rede de transporte mantendo apenas as vias em que é permitido o tráfego de automóveis; e 3. Simplificação da rede de transporte dos municípios da RMSP (com exceção do município de São Paulo) mantendo apenas as vias de maior hierarquia. A redução da cobertura geográfica da rede de transporte foi realizada utilizando uma máscara da RMSP proveniente da Pesquisa Origem e Destino do Metrô de 2017 (METRÔ, 2017). Essa máscara foi utilizada para selecionar apenas as vias que se interseccionam com os limites da RMSP, que foram mantidos no projeto da rede. Em seguida foram removidas todas as vias classificadas como “cycleway”, “elevator”, “footway”, “path”, “pedestrian”, “service”, “services”, “steps”, “track” e “trailhead” para manter apenas as vias em que o tráfego de automóveis é permitido. Após isso, foram mantidas apenas as vias da RMSP (exceto município de São Paulo) de relevância para a modelagem, classificadas como “motorway”, “primary”, “road”, “secondary”, “tertiary” e “trunk”. Com isso, a quantidade inicial de 723.035 links foi reduzida para aproximadamente 294.624 links (Figura 65), o que reduz drasticamente o esforço computacional para alocação dos veículos. Figura 65. Detalhe da rede de transporte da RMSP para TPI após filtros. Fonte: Elaboração própria a partir dos dados do OSM 183 A terceira etapa foi a inserção dos centróides das zonas OD de 2017 do Metrô na rede de transportes, criação dos conectores com a rede e criação do network skimming para verificar a conectividade da rede. Essa etapa é de fundamental importância, pois os centróides são utilizados como pontos de geração e atração de viagens através do modo carro, logo, eles devem estar topologicamente conectados à rede de transporte. Para inserir os centróides das zonas OD de 2017 na rede de transportes, os polígonos das zonas OD foram reprojetados para o sistema de coordenadas geográficas, o datum alterado para WGS 1984, gerados os centróides dos polígonos e extraídas as latitudes e longitudes dos centróides. Após isso, foi gerado um arquivo .csv (“coords_centroids_RMSP.csv”) com a listagem de cada uma das 517 zonas OD de 2017 com suas respectivas latitudes e longitudes, que em seguida foi importado para um script em python para incluir os pontos na rede de transportes e gerar seus conectores: nodes = project.network.nodes lista_centroids = pd.read_csv("C:/release/RMSP/coords_centroids_RMSP.csv") for z in range(0,517): cent = nodes.new_centroid(1000000+z) cent.geometry = Point(lista_centroids['x'][z],lista_centroids['y'][z]) cent.save() cent.connect_mode(cent1.geometry.buffer(0.005), mode_id="c", link_types="ytrusP", connectors=3) Como pode ser observado no script acima, foram associados aos centróides atributos de “node_id” maiores ou iguais a 1.000.000. Isso se deve a necessidade de atribuir identificadores únicos para cada nó da rede. Também pode ser observado que foram gerados 3 conectores para cada centróide, visando distribuir de forma mais equilibrada a geração e atração de viagens de carro na rede de transporte, principalmente em relação aos links que se conectam aos centróides. Outro parâmetro definido no script foi o raio de busca para encontrar os nós mais próximos aos centróides e gerar os conectores. Para esse parâmetro foi atribuído o valor de 0.005 graus decimais, que é aproximadamente 500 metros, pensando em centróides de zonas OD localizados na RMSP que estão mais distantes das vias de maior hierarquia da rede de transporte. Após essa etapa, os conectores podem ser visualizados através do QGIS (Figura 66). 184 Figura 66. Detalhe de conectores gerados na rede de transporte. Fonte: Elaboração própria a partir dos dados do OSM Em seguida foi criado o network skimming que cria uma matriz de distância em rede entre todos os centróides da rede garantindo que todos os centróides estão devidamente conectados na rede de transportes e que são acessíveis. Para isso foi utilizado o script abaixo: from aequilibrae.paths import NetworkSkimming project.network.build_graphs() graph = project.network.graphs['c'] graph.set_graph('distance') graph.set_skimming(['distance']) skm = NetworkSkimming(graph) skm.execute() skims = skm.results.skims skims.matrices skm.save_to_project('base_skims') Através do script acima, é gerada a matriz com as distâncias em rede entre os centróides das zonas OD 2017, que pode ser observada através do QGIS (Figura 66). Essa matriz foi inspecionada e todos os valores de distância estavam presentes e dentro de um intervalo de distâncias compatíveis com as dimensões geográficas da RMSP. 185 Figura 67. Detalhe de conectores gerados na rede de transporte. Fonte: Elaboração própria a partir dos dados do OSM A quarta etapa foi a criação da matriz origem-destino das viagens de transporte privado individual na RMSP para o período pico da manhã a partir dos microdados da pesquisa OD de 2017. A matriz OD utilizada nesta etapa de calibração representa a demanda de uma hora, mas gerada a partir da amostra das viagens com horário de partida entre as 06h00 e as 08h00 da manhã realizadas através do modo carro, com seus respectivos fatores de expansão, e dividido por dois para chegar em uma representação dos fluxos médios de uma hora. Esse procedimento busca dar maior consistência à análise estática dos carregamentos em dois aspectos. Primeiro e principal, para que a matriz de demanda resulte em deslocamentos que representem melhor tanto as viagens mais curtas (com horário de início mais tarde) quanto as viagens mais longas, em especial as oriundas da periferia (com horário de início mais cedo). Adicionalmente, ao utilizar uma amostra maior do que selecionando unicamente uma hora, captura-se melhor a variabilidade de combinações de origens e destinos. Como as capacidades dos links da rede de transporte modeladas em veículos por hora, a matriz de demanda, que na amostra da Pesquisa OD representa pessoas, foi convertida para veículos utilizando o fator de ocupação média de 1,43 pessoas por veículo, conforme relatório de 2019 da CET39. Com uma matriz contendo o número de veículos com origem e destino 39 Disponível em: http://www.cetsp.com.br/media/1113490/msvp2019.pdf 186 entre cada par de zonas na hora pico de días úteis do ano base de 2017/2018, foi criado o script abaixo para converter a matriz do formato .csv para o formato .omx: import openmatrix as omx import numpy as np import pandas as pd csv_data = pd.read_csv('matriz_demanda_RMSP.csv', header=0, index_col=0) csv_np = csv_data.to_numpy() omxdata = omx.open_file('matriz_demanda_RMSP.omx','w') omxdata['matrix1'] = csv_np #Check matrix size print('The shape of the matrix is:', omxdata.shape()) #Prepare mapping column_number = list([1000000,1000001,...,1000516]) #reduzido para simplificar columnarray = pd.to_numeric(column_number) taz_equivs = columnarray omxdata.create_mapping('taz', taz_equivs) tazs = omxdata.mapping('taz') omxdata.close() Através do script acima, é criado um arquivo em formato .omx vazio ("matriz demanda RMSP.omx") que em seguida é preenchido com os valores da matriz OD de TPI. A matriz pode ser visualizada através do QGIS (Figura 68). 187 Figura 68. Recorte da matriz de produção e atração. Fonte: Elaboração própria a partir dos dados da Pesquisa OD 2017 e dados do OSM A quinta etapa foi o preenchimento dos atributos de capacidade, tempo de viagem e valores de alpha e beta da função BPR da camada de links, a partir da qual se determina o tempo de viagem no segmento em função da saturação (como relação volume/capacidade). Os valores dos atributos de capacidade, alpha e beta, ainda estão em processo de definição. Para uma primeira aproximação dos atributos de capacidade apenas para efeitos de testar o funcionamento do algoritmo de alocação de viagens, foram adotados valores de acordo com os tipos de via e número de faixas de rodagem: 1.000 veic/h por faixa de rodagem de vias do tipo “motorway”, “primary”, “road”, “secondary”, “tertiary” e “trunk”; e 300 veic/h por faixa de rodagem dos demais tipos de via. Os atributos de capacidade são referentes ao sentido de cada link, por isso, foram criados dois campos do tipo inteiro na camada de links que foram nomeados “capacity_ab” e “capacity_ba”. Os tempos de viagem mínimo em minutos para percorrer os links da rede de transporte foram calculados dividindo o comprimento dos links (em metros) pela velocidade máxima permitida para cada um dos links (km/h), que é proveniente da base do OSM. Foi utilizada a Equação abaixo para preencher o campo “free_flow_time”: = (/3.6)∗60 188 Por fim, foram adotados os parâmetros de 2 para o alpha e 0.5 para o beta de todas as vias da rede. Conforme destacado anteriormente, esses valores, que são utilizados na função BPR, podem ser alterados conforme avançar a calibração do modelo. A sexta etapa foi rodar o algoritmo de alocação do TPI através da interface do pacote AequilibraE para o software QGIS. O primeiro passo é abrir o projeto de rede de transporte através da interface no software QGIS (Figura 69). Figura 69. Abrindo o projeto de rede de transporte para alocação de TPI no QGIS. Fonte: Elaboração própria. Em seguida, foi acessada a ferramenta “Traffic Assignment” em “Path and assignment -> Traffic Assignment” (Figura 70). Figura 70. Acessando a ferramenta “Traffic Assignment” através do QGIS. Fonte: Elaboração própria a partir dos dados do OSM 189 Após acessar a ferramenta de alocação de tráfego, na aba “Traffic Classes” foi carregada a matriz de origem e de destino de TPI (Figura 71). Figura 71. Carregando a matriz de origem e de destino de TPI através do QGIS . Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e dados do OSM Em seguida, na aba de Skimming, são adicionados os campos de distância (campo “distance”) e de tempo de viagem considerando fluxo livre (campo “free_flow_time”) (Figura 72) para gerar as matrizes de distância e tempos de viagem entre as origens e destinos. 190 Figura 72. Carregando a matriz de origem e de destino de TPI através do QGIS. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e dados do OSM Em seguida, na aba Assignment foram apontados os campos de capacidade dos links (“capacity”), tempo de viagem em fluxo livre (“free_flow_time”), os campos com os parâmetros de alpha e beta, apontada a pasta de saída para os resultados do processo de alocação de TPI na rede de transporte e, por fim, ao clicar no botão “ASSIGN” é feita a alocação (Figura 73). 191 Figura 73. Configurando a aba de alocação de TPI através do QGIS. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e dados do OSM A seguir são apresentados os resultados preliminares da alocação de TPI obtidos para efeitos de testes do algoritmo de alocação, checagem de conectividade da rede e gerar insumos para definir a classificação tipológica. O resultado do modelo de alocação de TPI é um arquivo em formato .csv com os fluxos por sentido em cada um dos links da rede de transporte. Para visualizar os resultados, é feito o relacionamento dos campos “link_id” do arquivo de resultado da alocação de TPI (arquivo “link_flows_c.csv” ) com a camada “link” da rede de transporte através do QGIS (Figura 74). 192 Figura 74. Relacionamento dos resultados da alocação com a rede de transporte. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e dados do OSM Em seguida, a camada links foi exportada para um arquivo em formato geopackage, o arquivo foi importado para o QGIS e utilizada a ferramenta “Stacked Bandwidth” da interface do pacote AequilibraE para o QGIS para visualizar os fluxos de transporte privado individual (TPI) por sentido de via da rede de transporte (Figura 75). Figura 75. Ferramenta “Stacked Bandwidth” para visualização dos resultados preliminares. Fonte: Elaboração própria. 193 Em seguida são apontados os campos de fluxo de TPI (“link_flows_c_matrix1_ab” e “link_flows_c_matrix1_ba”) da camada de resultados e escolhida uma palheta de cores para representar o volume de veículos (Figura 76). Figura 76. Configuração da ferramenta “Stacked Bandwidth”. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017 e dados do OSM Após configurar a ferramenta “Stacked Bandwidth”, os resultados preliminares podem ser observados na Figura 77. 194 Figura 77. Visualização dos resultados preliminares da alocação TPI. Fonte: Elaboração própria a partir de dados da Pesquisa OD 2017, dados do OSM e do Uber Movement 195 APÊNDICE 5 – INSUMOS PARA CÁLCULO DE CAPEX E OPEX Este apêndice apresenta alguns dos insumos desagregados utilizados no cálculo de CAPEX e OPEX para transporte motorizado privado individual. A Tabela 69 apresenta os volumes totais da frota em categorias agregadas pelo ano de fabricação do veículo a partir de dados divulgados anualmente pela CETESB. Tabela 69. Frota de Automóveis na Região Metropolitana de São Paulo Tipo de Veículo (ano de anterior entre 1990 entre 2000 entre 2010 após total fabricação) a 1990 e 1999 e 2009 e 2015 2015 Automóvel Gasolina 14725 377904 614406 219010 84521 1226044 Automóvel Etanol 41820 17623 5619 0 0 65063 Automóvel flex 0 0 876789 1838521 1198971 2715310 Comercial Leve Gasolina 1243 36853 91105 61775 808 190976 Comercial Leve Etanol 3225 2019 470 0 0 5714 Comercial Leve Flex 0 0 78925 186538 90059 265463 Moto Gasolina 2890 22349 268832 216626 169618 510697 Moto Flex 0 0 0 97508 143960 97508 TOTAL 63902 456748 1936147 2619977 1687937 6764711 Fonte: CETESB. A Tabela 70 traz os valores médios estimados por ano de fabricação do veículo e categoria, utilizando os dados do histórico de transações contidos na base de dados da AutoAvaliar para estimar a participação de automóveis populares e topo de linha na frota. Tabela 70. Média dos preços dos veículos na amostra por ano modelo em cada ano referência Valores transações em 2020 Ano de Fabricação Outras Mais populares Total categorias 1995 R$ 4,433.79 R$ 3,493.86 R$ 4,198.81 1996 R$ 5,188.21 R$ 3,746.63 R$ 4,836.61 1997 R$ 5,701.59 R$ 4,541.86 R$ 5,424.05 1998 R$ 6,163.59 R$ 6,871.81 R$ 6,304.26 1999 R$ 6,244.57 R$ 8,104.83 R$ 6,592.75 2000 R$ 6,234.87 R$ 8,602.10 R$ 6,664.22 2001 R$ 6,924.26 R$ 7,962.22 R$ 7,139.69 2002 R$ 7,691.75 R$ 10,293.02 R$ 8,157.02 2003 R$ 8,284.98 R$ 10,957.59 R$ 8,826.73 2004 R$ 9,313.82 R$ 14,931.99 R$ 10,335.31 2005 R$ 10,372.41 R$ 14,419.25 R$ 11,046.89 2006 R$ 11,208.98 R$ 16,351.19 R$ 12,107.62 2007 R$ 12,943.10 R$ 16,228.91 R$ 13,604.88 196 Valores transações em 2020 Ano de Fabricação Outras Mais populares Total categorias 2008 R$ 14,317.57 R$ 20,601.94 R$ 15,652.19 2009 R$ 16,024.46 R$ 27,415.14 R$ 18,258.71 2010 R$ 18,178.17 R$ 30,178.27 R$ 20,763.34 2011 R$ 20,624.41 R$ 36,793.32 R$ 24,033.30 2012 R$ 24,833.93 R$ 42,433.07 R$ 28,188.03 2013 R$ 28,524.06 R$ 50,093.06 R$ 32,762.18 2014 R$ 32,564.15 R$ 60,543.06 R$ 37,689.81 2015 R$ 38,753.81 R$ 71,098.11 R$ 44,176.57 2016 R$ 45,647.83 R$ 89,959.25 R$ 53,328.48 2017 R$ 50,947.89 R$ 112,459.92 R$ 59,291.28 2018 R$ 62,941.74 R$ 123,844.25 R$ 71,015.05 2019 R$ 75,102.64 R$ 149,110.13 R$ 83,579.27 2020 R$ 86,699.79 R$ 199,268.88 R$ 100,507.64 Total Geral R$ 32,114.52 R$ 52,373.12 R$ 35,730.35 Fonte: Tabela Auto Avaliar (2019/2020) Aplicando-se os parâmetros anteriormente descritos, a estimativa de custo de capital da frota de automóveis na RMSP totaliza mais de 204 bilhões de reais, sendo que os automóveis mais populares totalizam 196 bilhões e aproximadamente 8 bilhões são categorias de veículos de topo de linha. Tabela 71. Valor da frota de automóveis na RMSP Proporção Valores Totais em milhões de reais Ano de Frota Mais Outras Mais Outras Fabricação Total populares categorias populares categorias 1995 52986 0.77 0.23 171.14 51.34 222.48 1996 62857 0.77 0.23 234.13 69.89 304.02 1997 78342 0.78 0.22 329.80 95.13 424.93 1998 61985 0.82 0.18 322.09 68.68 390.77 1999 75622 0.83 0.17 413.85 84.71 498.56 2000 101909 0.83 0.17 566.89 112.25 679.14 2001 114720 0.82 0.18 675.22 143.85 819.07 2002 96841 0.85 0.15 669.39 120.54 789.93 2003 99530 0.86 0.14 756.12 122.40 878.52 2004 120821 0.92 0.08 1149.85 98.88 1248.72 2005 139498 0.92 0.08 1422.69 118.33 1541.01 2006 170423 0.93 0.07 1921.55 141.86 2063.41 2007 238486 0.93 0.07 3001.65 242.92 3244.57 2008 289932 0.94 0.06 4248.19 289.88 4538.07 2009 336418 0.94 0.06 5792.63 349.93 6142.57 2010 389305 0.95 0.05 7648.52 434.75 8083.26 2011 415279 0.94 0.06 9411.24 569.28 9980.52 2012 433265 0.94 0.06 11481.53 731.36 12212.89 2013 432551 0.96 0.04 13609.17 562.15 14171.33 2014 404422 0.96 0.04 14575.26 667.32 15242.58 197 Proporção Valores Totais em milhões de reais Ano de Frota Mais Outras Mais Outras Fabricação Total populares categorias populares categorias 2015 327530 0.96 0.04 13864.64 604.53 14469.17 2016 261645 0.96 0.04 13448.08 505.03 13953.11 2017 289629 0.97 0.03 16717.92 454.57 17172.49 2018 332734 0.98 0.02 23054.85 574.31 23629.15 2019 338265 0.99 0.01 27921.28 350.69 28271.98 2020 229464 0.98 0.02 22662.82 400.08 23062.90 Valor Total (em milhões de reais) 196070.48 7964.67 204035.15 Fonte: Tabela Auto Avaliar (2019/2020) / Estimativas IBRE/FGV 198 APÊNDICE 6 – ANÁLISE DE SINISTROS Este apêndice contém a metodologia e os resultados preliminares alcançados na identificação dos locais críticos de sinistros de trânsito no MSP que pode ser utilizado como parte de critérios de priorização de potenciais candidatos a micro intervenções. A identificação de locais críticos a sinistros de tráfego se deu através da aplicação de métodos de análise espacial. Como discutido no relatório, a queda no número de mortes por sinistros de trânsito está estagnada em torno de mil mortes por ano desde 2016. O motivo é que as estratégias da prefeitura parecem já não surtir mais efeito. Como é conhecido, os sinistros não estão aleatoriamente distribuídos no espaço. Ao contrário, são muito concentrados como mostraremos nessa seção. As ações modernas reconhecem esse fato empírico e dão um tratamento especial a essas áreas, como discutido detalhadamente no Task B. Nesse relatório apresentamos as experiências internacionais, mas também mostramos a experiência Paulistana com as áreas de velocidade reduzida que, no entanto, não deram seu segundo passo de maneira robusta com intervenções urbanísticas sobre o território. Aqui utilizamos técnicas de estatísticas espacial para encontrar as áreas nas quais observamos hotspots de sinistros como candidatas naturais de tais intervenções. Bases de dados A principal fonte de informação é a base georreferenciada de sinistros de trânsito disponíveis no Geosampa. A base contém eventos totais registrados a partir de 01/01/2013 a 28/02/2021. Os sinistros são eventos com vítimas (fatais ou não) e ainda diferenciam os casos de atropelamentos. A Figura 64apresenta a base espacializada. A base contém 136.127 eventos georreferenciados. Cada evento é associado ao tipo de veículo envolvido no sinistro, sendo que em alguns casos mais de um tipo de veículo pode estar associado ao evento. 199 Figura 78. Sinistros de trânsito no MSP de janeiro 2013 a fevereiro de 2021. Fonte: Geosampa. Métodos e Procedimentos Os métodos de análise espacial aplicados incluem cálculos de densidades dos eventos em espaço celular e cálculo de indicadores locais de associação espacial. Devido ao fato dos eventos estarem relacionados ao sistema viário, foram calculadas as densidades em relação à extensão linear do sistema viário em cada célula. A Figura 65 traz o fluxograma da metodologia proposta para identificação das áreas críticas e potencialmente prioritárias como parte dos critérios para a definição das micro intervenções urbanísticas. 200 Figura 79. Fluxograma da metodologia de identificação de áreas prioritárias Fonte: Elaboração própria A Figura 66 a seguir apresenta uma imagem ilustrativa do espaço celular criado para a realização da análise sobreposto a camada de logradouros e eventos de sinistros obtidos no Geosampa. Uma vez calculadas as densidades de sinistros por extensão linear de vias em cada célula, foram aplicadaos análises de autocorrelação espacial para identificação dos hotspots. Figura 80. Detalhe espaço celular criado para a realização da análise espacial. Fonte: Elaboração própria. 201 Resultados As densidades foram calculadas para cada tipo de veículo envolvido no sinistro. Para cada caso, calcularam-se os respectivos hotspots. A sequência de imagens apresentada a seguir mostra os resultados para cada caso. Nos mapas da direita da autocorrelação espacial, as cores representam cluster de associação de altos valores (vermelho) e baixos valores (azul). Figura 81. Densidade e hotspots para totais de sinistros Fonte: Elaboração própria. 202 Figura 82. Densidade e hotspots para totais de sinistros envolvendo caminhões Fonte: Elaboração própria. 203 Figura 82 – Densidade e hotspots para totais de sinistros envolvendo motocicletas Fonte: Elaboração própria. 204 Figura 83 – Densidade e hotspots para totais de sinistros envolvendo bicicletas Fonte: Elaboração própria. A mesma análise foi aplicada aos casos envolvendo atropelamentos. Nesses casos, as áreas indicadas como críticas poderiam ser consideradas prioritárias para intervenções de melhorias de segurança peatonal, como por exemplo melhorias em calçadas e travessias, sinalização ou introdução de zonas de velocidade de circulação reduzida. O histograma abaixo apresenta a distribuição das densidades de atropelamentos por quilômetro de vias nas células. Figura 83. Distribuição das densidades de atropelamento por quilômetro de via nas células Fonte: Elaboração própria. As figuras a seguir trazem os resultados encontrados na análise espacial. 205 Figura 84. Densidade e hotspots de atropelamento por quilômetro de via nas células Fonte: Elaboração própria. Toda a área central da cidade apresenta concentrações espaciais estatisticamente significantes de densidade de atropelamentos. Também se destacam áreas em todas as regiões da cidade. Uma vez identificadas as células críticas, essas foram selecionadas para uma análise mais próxima em escala da unidade celular. 206 Figura 85. Detalhes de áreas críticas a atropelamentos selecionadas Guaianazes Sacomã Santo Amaro Vila Nova Cachoeirinha 207 Interlagos Praça Princesa Isabel São Miguel Paulista Pinheiros Fonte: Elaboração própria, a partir do Geosampa. Definição alternativa de hierarquia na atribuição de responsabilidade nos sinistros 208 Tabela 72. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Ano auto moto caminhao onibus bike 2013 17322 3815 482 1041 62 2014 16094 3579 509 1080 65 2015 13576 3242 322 1048 64 2016 10694 2681 271 807 52 2017 9031 2122 216 514 55 2018 9149 1966 198 472 48 2019 10243 1889 255 491 30 2020 7504 1472 201 195 20 Média 11.702 2.596 307 706 50 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 73. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Ano auto moto caminhao onibus bike 2013 309 183 58 13 9 2014 352 211 59 17 7 2015 267 204 58 12 4 2016 255 187 35 15 9 2017 227 157 31 15 12 2018 257 187 23 6 4 2019 196 173 43 11 5 2020 237 176 44 6 17 Média 262 185 44 12 8 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 74. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Ano auto moto caminhao onibus bike 2013 3708 2164 111 690 28 2014 3229 2034 102 683 25 2015 2695 1629 71 623 26 2016 2174 1171 90 411 15 2017 1916 1051 60 279 15 2018 1785 1024 45 260 22 2019 1764 960 38 210 15 2020 1052 669 45 148 11 Média 2.290 1.338 70 413 20 209 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 75. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Ano auto moto caminhao onibus bike 2013 212 97 36 92 2 2014 226 94 36 129 2 2015 152 86 22 97 2 2016 149 65 27 74 5 2017 144 58 25 77 2 2018 154 68 30 80 1 2019 154 71 28 67 5 2020 158 74 11 48 1 Média 168 76 27 83 3 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 76. Sinistros por milhão de km rodado por modo com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Não Fatais s/ Fatais s/ Não Fatais s/ Fatais Modo Atropelamento Atropelamento Atropelamento Atropelamento auto 0,6571 0,0147 0,1286 0,0095 moto 1,2116 0,0862 0,6245 0,0356 onibus 0,0196 0,0003 0,0115 0,0023 bike 0,2009 0,0340 0,0804 0,0105 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 77. Índice de externalidade negativa dos Sinistros (vítimas por milhão de km/custos sociais por milhares de km) com hierarquia auto>caminhão>moto>ônibus>bicicleta>caminhada Modo Não Fatais Fatais Custo Internações Custos Mortes Custos Total auto 0,7858 23,87 0,0242 14,55 38,42 moto 1,8361 55,78 0,1219 73,29 129,08 onibus 0,0310 0,94 0,0026 1,58 2,53 bike 0,2813 8,55 0,0445 26,73 35,28 Total 2,9343 89,1429 0,1932 116,1665 205,3094 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central 210 Tabela 78. Total de vítimas de sinistros de trânsito não fatais (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Ano auto moto caminhão ônibus bike 2013 17.322 4.126 170 1.041 62 2014 16.094 3.911 178 1.080 65 2015 13.576 3.465 100 1.048 64 2016 10.694 2.867 85 807 52 2017 9.031 2.276 62 514 55 2018 9.149 2.088 76 472 48 2019 10.243 2.052 92 491 30 2020 7.504 1.606 67 195 20 Média 11.702 2.799 104 706 50 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 79. Total de vítimas fatais de sinistros de trânsito (exceto atropelamentos) por ano e tipo no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Ano auto moto caminhão ônibus bike 2013 309 232 9 13 9 2014 352 257 13 17 7 2015 267 241 21 12 4 2016 255 209 13 15 9 2017 227 181 7 15 12 2018 257 209 1 6 4 2019 196 202 14 11 5 2020 237 210 10 6 17 Média 263 218 11 12 8 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 80. Total de vítimas não fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Ano auto moto caminhão ônibus bike 2013 3708 2164 111 690 28 2014 3229 2034 102 683 25 2015 2695 1634 66 623 26 2016 2174 1171 90 411 15 2017 1916 1051 60 279 15 2018 1785 1024 45 260 22 211 2019 1764 961 37 210 15 2020 1052 674 41 148 11 Média 2.290 1.339 69 413 20 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 81. Total de vítimas fatais de atropelamentos por ano e tipo de veículo envolvido no MSP com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Ano auto moto caminhão ônibus bike 2013 212 99 34 92 2 2014 226 94 36 129 2 2015 152 86 22 97 2 2016 149 65 27 74 5 2017 144 58 25 77 2 2018 154 68 30 80 1 2019 154 71 28 67 5 2020 158 74 11 48 1 Média 169 77 27 83 3 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 62 – Sinistros por milhão de km rodado por modo com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Modo Não Fatais s/ Fatais s/ Não Fatais s/ Fatais Atropelamento Atropelamento Atropelamento Atropelamento auto 0,6572 0,0147 0,1286 0,0095 moto 1,3064 0,1016 0,6251 0,0359 onibus 0,0196 0,0003 0,0115 0,0023 bike 0,2005 0,0339 0,0795 0,0101 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central Tabela 82. Índice de externalidade negativa dos Sinistros (vítimas por milhão de km/custos sociais por milhares de km) com hierarquia auto> moto>caminhão>ônibus>bicicleta>caminhada Modo Não Fatais Fatais Custo Internações Custos Mortes Custos Total auto 0,7858 23,87 0,0242 14,56 38,43 moto 1,9315 58,68 0,1375 82,67 141,35 onibus 0,0310 0,94 0,0026 1,58 2,52 bike 0,2800 8,51 0,0441 26,49 35,00 Total 3,0283 92,00 0,2084 125,31 217,31 Fonte: Tabulação Própria a partir de dados do GeoSampa, IPEA e do Banco Central 212 APÊNDICE 7 – METODOLOGIA PARA ESTIMAR PASSAGEIRO*QUILÔMETRO Este apêndice apresenta uma descrição resumida da metodologia utilizada para estimar os valores de distancias percorridas por modo de transporte, também referidos como passageiros*quilômetro ou pax*km. Formulação geral Para estimar a relação de passageiro*quilômetro foram utilizados os microdados da Pesquisa Origem-Destino do Metrô de 2017 para obter as coordenadas dos pontos de origem e de destino das viagens reportadas (com seus respectivos fatores de expansão) e utilizados diferentes modelos de rede de transporte para estimar as distâncias percorridas pelos passageiros. Através dos microdados da Pesquisa OD 2017 foram separados os pontos de origem e destinos das viagens por transporte público (metrô, trem, ônibus), transporte privado (carro/taxi e motocicletas), a pé e por bicicleta para viagens internas ao município de São Paulo (MSP), viagens com origem ou destino fora do MSP e viagens com origem e destino fora do MSP. A metodologia possui variantes segundo o recorte geográfico dos deslocamentos, em função de se os locais de origem e de destino se localizam dentro do MSP ou nos demais municipaios da RMSP. A seguir, cada seção descreve os três grupos espaciais de viagens, com os procedimentos para estimar as distâncias percorridas em cada viagem relatada nos microdados da Pesquisa OD 2017. Viagens internas ao MSP Para as viagens internas ao MSP por transporte público (metrô, trem e ônibus) foi utilizado um modelo de rede de transporte público formado pelos arquivos GTFS disponibilizados pela SPTrans para o dia 10/04/2019 em conjunto com dados da oferta viária disponibilizados pelo OpenStreetMap (OSM). Para estimar as distâncias percorridas entre as origens e destinos, considerando os trechos de caminhada para acesso e egresso do sistema de transporte público e o tipo de veículo embarcado, foi utilizado o pacote de roteamento em redes de transporte r5r (Pereira, Saraiva, et al., 2021) para o software R Studio. Os trechos caminhados para acesso e egresso do sistema de transporte público foram separados e incluídos na 213 métrica de distância percorrida a pé e os dados de tipo de veículos embarcado no percurso foram utilizados para separar as distâncias percorridas no metrô, trem e ônibus. Para as viagens internas ao MSP por transporte privado foi utilizado um modelo de rede de transporte disponibilizado pela Uber40. O modelo de rede de transporte privado apresenta variação de velocidade em cada link para cada hora e dia de análise, por isso foi utilizado o dia 10/04/2019 e separadas 7 faixas horárias correspondentes aos horários de partida das viagens de auto/táxi moto (00H–06H, 06H-09H, 09H-12H, 12H-14H, 14H-17H, 17H-20H). As viagens por transporte privado foram roteirizadas de acordo com as condições de trânsito do período correspondente para gerar percursos mais fidedignos. Para as viagens a pé internas ao MSP foi utilizado um modelo de rede de transporte criado a partir de dados do OpenStreetMap (OSM), porém com velocidade constante e mão de direção dupla para os links trafegáveis para pedestres. Para as viagens por bicicleta internas ao MSP foi utilizada uma rede cicloviária desenvolvida por Pritchard et al., (2019), que considera a infraestrutura cicloviária e a topografia no processo de roteirização. Viagens com origem ou destino fora do MSP As viagens por transporte público com origem ou destino fora do MSP foram divididas em dois trechos, o trecho fora do MSP e o trecho dentro do MSP. As distâncias percorridas fora do MSP foram estimadas através do modelo de rede de transporte privado (Uber) como uma proxy da distância que seria percorrida através do sistema de transporte público. Foi escolhida essa abordagem devido à falta de dados de oferta de transporte público para a Região Metropolitana de São Paulo (RMSP). As distâncias dos trechos percorridos dentro do MSP foram estimadas utilizando o modelo de rede de transporte público. Um dos benefícios de as estimativas de distâncias percorridas estarem divididas em trechos dentro e fora do MSP é que facilita a geração de estimativas de externalidades no MSP. As viagens por transporte privado com origem ou destino fora do MSP foram calculadas diretamente através do modelo de rede de transporte privado criado a partir dos dados a Uber. No entanto, as informações de tráfego só estão disponíveis para o MSP, o que faz com que as distâncias percorridas nos trechos localizados fora do MSP tenham sido estimadas em fluxo livre. Estimadas as distâncias entre as origens e destinos, foram recortados os trechos das viagens que são internas ao MSP e externas para facilitar os cálculos de externalidades no MSP. 40 https://movement.uber.com/ 214 Viagens com origem e destino fora do MSP As viagens por transporte público e privado com origem e destino fora do MSP tiveram seus trajetos e distâncias estimadas através de um modelo de rede de transporte privado gerado a partir de dados da Uber. Foi utilizado o modelo de rede de transporte privado como uma proxy para estimar as distâncias viajadas por transporte público devido à falta de dados de oferta do sistema de transporte público na RMSP. Nos casos em que os percursos das viagens adentraram o MSP, esses trechos foram separados para estimar externalidades no MSP. Ressalta-se que o modelo de rede de transporte privado permite estimar as distâncias percorridas na RMSP em fluxo livre, porém nos trechos que adentram o MSP, foram consideradas as informações de tráfego relativas às 07h00 do dia 10/04/2019. No caso das viagens a pé e por bicicleta com origem e destino fora do MSP, foi utilizado um modelo de rede de transporte de caminhada criado a partir de dados do OSM. Consolidação Estimadas as distâncias percorridas nas viagens reportadas nos microdados da pesquisa origem e destino do Metrô de 2017, foram utilizados os fatores de expansão correspondentes de cada viagem e multiplicados pelas distâncias percorridas em quilômetros. 215