Modelagem do consumo de água em escolas públicas da cidade de Joinville-SC
DOI:
https://doi.org/10.46421/entac.v19i1.2151Palavras-chave:
Consumo de água, Escolas, Regressão linear múltipla, Regressão linear BayesianaResumo
Diante dos problemas ambientais envolvendo o uso da água, o presente trabalho tem como objetivo identificar os fatores que influenciam o consumo de água nas escolas da cidade de Joinville-SC, estabelecendo modelos de previsão de consumo predial. Levando em consideração que o ambiente escolar é grande responsável pela transmissão de conhecimentos, inclusive acerca do uso racional da água, foram selecionadas para objetos de estudo desta pesquisa, vinte e seis (26) escolas públicas da rede estadual de ensino fundamental e médio. Efetivou-se um levantamento sobre a utilização da água, por meio de visitas e questionário à Direção de cada escola. Os dados coletados permitiram a caracterização das escolas e um diagnóstico preliminar do uso da água. O consumo de água nas escolas avaliadas foi obtido junto à Companhia Águas de Joinville. Uma análise descritiva acerca do indicador de consumo foi realizada, com valores variando entre 5,15 e 18,59 litros/aluno/dia. Foi feita a análise de correlação entre as variáveis e posterior modelagem do consumo de água nas escolas, usando regressão linear múltipla e regressão linear Bayesiana. Os resultados da análise de correlação revelam que quanto maior a renda média no bairro em que a escola está localizada e a razão área por aluno, maior o indicador de consumo. Por outro lado, o número de alunos apresenta correlação negativa com o indicador de consumo per capita. Na modelagem estatística, a variável independente razão área por aluno apresentou-se significativa.
Referências
CRUZ, A.O. De La; ALVAREZ-CHAVEZ, C.R.; RAMOS-CORELLA, M.A.; SOTO-HERNANDEZ, F. Determinants of domestic water consumption in Hermosillo, Sonora, Mexico. Jounal of Cleaner Production, v.142, p.1901-1910, 2017. https://doi.org/10.1016/j.jclepro.2016.11.094
EL-NWSANY, R.I.; MAAROUF, I.; ABDEL-AAL, W.A. Water management as a vital factor for a sustainable school. Alexandria Engineering Journal, v.58, n.1, p. 303-313, 2019. https://doi.org/10.1016/j.aej.2018.12.012
FAN, L.; GAI, L.; TONG, Y.; LI, R. Urban water consumption and its influencing factors in China: Evidence from 286 cities. Journal of Cleaner Production, v. 166, p. 124-133, 2017. https://doi.org/10.1016/j.jclepro.2017.08.044
FARINA, M.; MAGLIONICO, M.; POLLASTRI, M.; STOJKOV, I. Water consumptions in public schools. Procedia Engineering, v.21, p. 929-938, 2011. https://doi.org/10.1016/j.proeng.2011.11.2096
GOODRICH, B.; GABRY, J.; ALI, I.; BRILLEMAN, S. rstanarm: Bayesian applied regression modeling via Stan. R package version 2.21.3. 2022. Disponível em: https://mc-stan.org/rstanarm. Acesso em: 30 maio 2022.
HYNDMAN, R.J.; ATHANASOPOULOS, G. Forecasting: Principles and Practice, 2. ed. OTexts, 2018.
JEFFREYS, H. Theory of Probability, 3. ed., Oxford University Press, Oxford, 1961.
KRUSCHKE, J. Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. Academic Press, 2014.
MAKOWSKI, D.; BEN-SHACHAR, M. S.; LÜDECKE, D. bayestestR: Describing Effects and their Uncertainty, Existence and Significance within the Bayesian Framework. Journal of Open Source Software, v. 4, n. 40, 1541, 2019. https://doi.org/10.21105/joss.01541
MAKOWSKI, D.; BEN-SHACHAR, M. S.; CHEN, S. H. A.; LÜDECKE, D. Indices of Effect Existence and Significance in the Bayesian Framework. Frontiers in Psychology, v. 10, 2767, 2019. doi: 10.3389/fpsyg.2019.02767.
MARINHO, M.; GONÇALVES, M. DO S.; KIPERSTOK, A. Water conservation as a tool to support sustainable practices in a Brazilian public university. Journal of Cleaner Production, v. 62, p. 98-106, 2014. https://doi.org/10.1016/j.jclepro.2013.06.053
MONTGOMERY, D.C.; RUNGER, G.C. Applied Statistics and Probability for Engineers, 6. ed., John Wiley & Sons , Hoboken, 2014.
OLIVER, N.; BRÜMMER, D. Factors influencing water consumption in South Africa schools. Journal of Engineering Design and Technology, v. 5, n.1, p. 81–94, 2007. https://doi.org/10.1108/17260530710746623
PENNY, W.D.; MATTOUT, J.; TRUJILLO-BARRETO, N. Bayesian model selection and averaging. In: Statistical Parametric Mapping, Academic Press, 2007, p. 454-467. https://doi.org/10.1016/B978-012372560-8/50035-8.
RAFTERY, A. E. Bayesian model selection in social research. Sociological methodology, v. 25, p. 111-164, 1995.
R CORE TEAM. R: A language and environment for statistical computing. 2022. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. Acesso em: 30 maio 2022.
SECRETARIA DE ESTADO DA EDUCAÇÃO. Disponível em: <http://serieweb.sed.sc.gov.br/cadueportal.aspx>. Acesso em: 10 set. 2016.
UNESCO. The United Nations World Water Development Report 2015: Water for a Sustainable World. Paris: UNESCO. 139p.
