You are on page 1of 121

Universidade de Ribeirão Preto-Unaerp

Programa de Pós-Graduação em Tecnologia Ambiental


Mestrado Profissionalizante em Tecnologia Ambiental

ALEXANDRE DA SILVA MELLO

DESENVOLVIMENTO DE EQUAÇÃO PARA PREVISÃO DA TAXA DE


GERAÇÃO PER CAPITA DE RESÍDUOS SÓLIDOS URBANOS NO
ESTADO DE SÃO PAULO

Ribeirão Preto

2014
Alexandre da Silva Mello

DESENVOLVIMENTO DE EQUAÇÃO PARA PREVISÃO DA TAXA DE


GERAÇÃO PER CAPITA DE RESÍDUOS SÓLIDOS URBANOS NO
ESTADO DE SÃO PAULO

Dissertação apresentada à Universidade


de Ribeirão Preto UNAERP, como
requisito parcial para a obtenção do título
de Mestre em Tecnologia Ambiental.

Orientador: Prof.º Dr. Reinaldo Pisani


Júnior

Ribeirão Preto

2014
Ficha catalográfica preparada pelo Centro de Processamento Técnico da
Biblioteca Central da UNAERP

- Universidade de Ribeirão Preto -

Mello, Alexandre da Silva, 1900-


M527d Desenvolvimiento de equação para previsão da taxa de geração
per capita de resíduos sólidos urbanos o Estado de São Paulo –
Brasil: influência das variáveis população e produto interno bruto
per capita / Alexandre da Silva Mello. - - Ribeirão Preto, 2014.
120 f.: il. color.

Orientador: Prof. Dr. Reinaldo Pisani Júnior.

Dissertação (mestrado) - universidade de ribeirão preto,


UNAERP, Tecnologia ambiental. Ribeirão Preto, 2014.

1. Resíduos sólidos urbanos. 2. São Paulo (Estado).


3. Taxa de geração per capita. I. Título.
CDD 628
Dedico a minha família (Aline, Hugo e Pietra)
pelo incentivo e apoio em todas as minhas
escolhas e decisões.
AGRADECIMENTOS

Agradeço minha esposa Aline pela compreensão, amizade, apoio e exemplo


de determinação fundamental para o alcance dos meus objetivos pessoais e
profissionais.
Aos meus filhos Hugo e Pietra pela forma que souberam compreender as
ausências decorrentes da realização deste projeto.
Ao meu orientador Prof. Dr. Reinaldo Pisani Júnior agradeço pelo incentivo,
paciência e exigência que tornou possível a realização deste trabalho.
A todos os docentes do Programa de Pós-Graduação em Tecnologia
Ambiental desta Universidade que contribuíram de forma direta ou indireta na
elaboração e conclusão deste trabalho.
Apenas quando somos instruídos pela realidade é que podemos mudá-la.
Bertolt Brecht
RESUMO

A previsão dos montantes gerados de Resíduos Sólidos Urbanos é fundamental


para escolha e dimensionamento das operações e processos envolvidos na cadeia
de gerenciamento destes resíduos em âmbito municipal. Deste modo, o presente
trabalho desenvolveu equações que permitem estimar a taxa de geração per capita
(TGP) de RSU nos municípios do Estado de São Paulo, para isto, tomou como
premissa que as variáveis demográfica (população) e socioeconômica (Produto
Interno Bruto per capita) eram intervenientes na geração. A série de dados envolveu
os anos de 2008, 2010 e 2012. Inicialmente, foram calculados os coeficientes de
Pearson (r) para verificar se havia correlação entre a variável dependente TGP e as
variáveis independentes (população e do PIB per capita) de cada município. Os
coeficientes de Pearson obtidos estiveram no intervalo de 0,69 a 0,74 para a variável
população e de 0,06 a 0,08 para a variável PIB per capita. Sendo assim, descartou-
se o PIB per capita e somente a variável população foi utilizada para correlacionar
as TGP. Posteriormente, diversas funções foram utilizadas com o intuito de ajustar
as TGP calculadas e previstas pelo método dos mínimos quadrados. A qualidade
dos ajustes foi avaliada através dos coeficientes de determinação (R2), das raízes
quadradas do erro médio ao quadrado (RMSE) e do coeficiente de eficiência (E). Foi
possível verificar a existência de dois domínios de TGP em função da variável
população, com uma descontinuidade de comportamento de TGP para 100 mil
habitantes. Para o ano de 2008, a equação proposta para representar as TGP para
os municípios de até 100 mil habitantes resultou em R2 de 0,15, RMSE de 0,056
kg.hab-1.d-1e E de 0,14. Já para municípios com mais de 100 mil habitantes, o R2
obtido foi de 0,86, a RMSE foi de 0,041 kg.hab-1.d-1 e o E foi de 0,97. Para o ano de
2010, a equação proposta para representar as TGP para os municípios de até 100
mil habitantes resultou em R2 de 0,15, RMSE de 0,051 kg.hab-1.d-1e E de 0,15. Já
para municípios com mais de 100 mil habitantes, o R2 obtido foi de 0,88, a RMSE foi
de 0,033 kg.hab-1.d-1 e o E foi de 0,98. Para o ano de 2012, a equação proposta para
representar as TGP para os municípios de até 100 mil habitantes resultou em R2 de
0,15, RMSE de 0,049 kg.hab-1.d-1e E de 0,15. Já para municípios com mais de 100
mil habitantes, o R2 obtido foi de 0,88, a RMSE foi de 0,032 kg.hab-1.d-1 e o E foi de
0,98. Para o conjunto de dados dos três anos as equações propostas para
representar as TGP para os municípios de até 100 mil habitantes resultou em R2 de
de 0,16, RMSE de 0,055 kg.hab-1.d-1e E de 0,81 e 0,28. Já para municípios com
mais de 100 mil habitantes, o R2 obtido foi de 0,85, a RMSE foi 0,032 e kg.hab-1.d-1 e
o E de 0,82. Apesar dos valores de R2 e E inferiores a 0,90, o teste de t-Student
mostrou que as equações obtidas representavam valores médios dos respectivos
conjuntos de dados com probabilidade acima de 97 %, portanto, as equações
propostas foram julgadas como adequadas para prever as TGP nos municípios do
Estado de São Paulo.

Palavras-chave: Equação. Estado de São Paulo. Previsão. Resíduos sólidos


urbanos. Taxa de geração per capita.
ABSTRACT

Forecasting the amounts of municipal solid waste generated is basal to choose and
plan the operations and processes involved in the waste management chain at the
municipal level. Thus, equations were developed to predict the per capita municipal
solid waste generation rate (TGP) in municipalities of São Paulo State. For this, it
was assumed by premise that demographic (population) and socioeconomic (Gross
Domestic Product per capita) variables had interfered in the generation rates. The
data series involved the years of 2008, 2010 and 2012. Initially, Pearson coefficients
(r) were calculated to verify if there was a correlation between the dependent variable
(TGP) and the independent variables (population and GDP per capita) for each
municipality. The Pearson coefficients were in the range of 0.69 to 0.74 for
population variable and 0.06 to 0.08 for GDP per capita variable. Thus, GDP per
capita was discarded as an independent variable and only the population variable
was used to correlate the TGP. Subsequently, several functions were used in order
to fit the TGP as a function of population by the least squares method. The fit quality
was evaluated by the values of determination coefficient (R2), Root-Mean-Square
Errors (RMSE) and coefficient of efficiency (E). The per capita municipal solid waste
generation rates were shown to have two population domains, because there was a
discontinuity in population equal to 100 thousand inhabitants. For the year 2008, the
proposed equation to represent the TGP to municipalities up to 100 thousand
inhabitants resulted in R2, of 0.15, RMSE of 0.056 kg.hab-1.d-1, and E of 0.14. For
municipalities with more than 100 thousand inhabitants the proposed equation to
represent the TGP resulted in resulted in R2, of 0.86, RMSE of 0.041kg.hab-1.d-1, and
E of 0.97. For the year 2010, the proposed equation to represent the TGP to
municipalities up to 100 thousand inhabitants resulted in R2, of 0.15, RMSE of 0.051
kg.hab-1.d-1, and E of 0.15. For municipalities with more than 100 thousand
inhabitants the proposed equation to represent the TGP resulted in resulted in R2, of
0.88, RMSE of 0.033 kg.hab-1.d-1, and E of 0.98. For the year 2012, the proposed
equation to represent the TGP to municipalities up to 100 thousand inhabitants
resulted in R2, of 0.15, RMSE of 0.049 kg.hab-1.d-1, and E of 0.15. For municipalities
with more than 100 thousand inhabitants the proposed equation to represent the
TGP resulted in resulted in R2, of 0.88, RMSE of 0.032 kg.hab-1.d-1, and E of 0.98.
For the data set of the three years, the proposed equations to represent the TGP to
municipalities up to 100 thousand inhabitants resulted in R2 of 0.15 and 0.16, RMSE
of 0.055kg.hab-1.d-1, and E of 0.28. For municipalities with more than 100 thousand
inhabitants the proposed equation to represent the TGP resulted in resulted in R2, of
0.85, RMSE of 0.032 kg.hab-1.d-1 , and E of 0.82. Although values of R2 and E had
been less than 0.90, Student’s t- test showed that equations represent average
values of the respective data sets with probability above 97% so the proposed
equations were classified as adequate to predict the TGP.

Keywords: Equation. Per capita generation rate. Prediction. Municipal solid waste.
São Paulo State.
LISTA DE FIGURAS

Figura 1 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2008 ........................................................... 49
Figura 2 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2010 ........................................................... 50
Figura 3 - Taxas de geração per capita de RSU em função do PIB per capita nos
municípios do estado de São Paulo em 2012 ........................................................... 51
Figura 4 -Taxas de geração per capita de RSU em função da população dos nos
municípios do estado de São Paulo em 2008 ........................................................... 52
Figura 5 - Taxas de geração per capita de RSU em função da população dos
municípios do estado de São Paulo em 2010 ........................................................... 52
Figura 6 - Taxas de geração per capita de RSU em função da população dos
municípios do estado de São Paulo em 2012 ........................................................... 53
Figura 7 - Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes em 2008....................................................... 55
Figura 8 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100 mil habitantes em 2008 ............................................... 56
Figura 9 - Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes em 2010....................................................... 57
Figura 10 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.000 habitantes em 2010.............................................. 58
Figura 11 -Taxas de geração per capita de RSU em função da população para
municípios com até 100 mil habitantes ..................................................................... 59
Figura 12 – Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.0000 habitantes em 2012............................................ 60
Figura 13 – Taxas de geração per capita de RSU em função da PIB per capita nos
municípios do Estado de São Paulo em 2008, 2010 e 2012 ..................................... 61
Figura 14 - Taxas de geração per capita de RSU em função da população dos
municípios nos anos de 2008, 2010 e 2012 .............................................................. 62
Figura 15 - Taxas de geração per capita de RSU em função da população dos
municípios com menos de 100.000 habitantes em 2008, 2010 e 2012..................... 63
Figura 16 - Taxas de geração per capita de RSU em função da população dos
municípios com mais de 100.000 habitantes em 2008, 2010 e 2012 ........................ 63
LISTA DE TABELAS

Tabela 1 - Estimativa da composição gravimétrica dos resíduos sólidos urbanos


coletados no Brasil em 2008 ..................................................................................... 24
Tabela 2 - Composição dos resíduos sólidos urbanos em diferentes países ............ 25
Tabela 3 - Municípios com iniciativas de coleta seletiva estratificados por região
brasileira .................................................................................................................... 29
Tabela 4 - Índices estimados de produção per capita de resíduos sólidos adotados
em função da população urbana ............................................................................... 32
Tabela 5 - Coleta e Geração de RSU no Estado de São Paulo ................................ 32
Tabela 6 - Geração de Resíduos sólidos no Mundo ................................................. 33
Tabela 7 - Índices estimados de produção per capita de RSU adotados em função
da população urbana................................................................................................. 33
Tabela 8 - Parâmetros de ajuste da TGP (kg.hab-1.d-1) em função da População
(hab) para 2008 ......................................................................................................... 54
Tabela 9 - Parâmetros de ajuste da TGP (kg.hab-1.d-1) em função da População
(hab) para 2010 ......................................................................................................... 56
Tabela 10 - Parâmetros de ajuste da TGP (kg.hab-1.d-1) em função da População
(hab) para 2012 ......................................................................................................... 58
Tabela 11 - Valores dos coeficientes a, b e c para municípios com população de até
100 mil habitantes para Equação 9 e acima de 100 mil habitantes para Equação 10
.................................................................................................................................. 60
Tabela 13 - TGP médias medidas e calculadas pelas equações 9 e 10 por faixa de
população nos anos de 2008 - 2012. ........................................................................ 64
Tabela 14 - Estimativa da população, TGP e massa de RSU em uma cidade de 1
milhão de habitantes com crescimento populacional de 2% ao ano ao longo de 20
anos. ......................................................................................................................... 65
LISTA DE ABREVIATURAS E SIGLAS

ABRELPE Associação Brasileira de Empresas de Limpeza Pública e Resíduos


Especiais

ABNT Associação Brasileira de Normas Técnicas

CEMPRE Compromisso Empresarial para Reciclagem

CETESB Companhia Ambiental do Estado de São Paulo

CNEM Comissão Nacional de Energia Nuclear

Hab Habitante

IBAM Instituto Brasileiro de Administração Municipal

IBGE Instituto Brasileiro de Geografia e Estatística

IPT Instituto de Pesquisas Tecnológicas

NBR Norma Brasileira Registrada

PNRS Política Nacional de Resíduos Sólidos

PROSAB Programas de Pesquisa em Saneamento Básico

RMSE Raiz quadrada do erro médio ao quadrado

PIB Produto Interno Bruto per capita

RS Resíduos Sólidos

RD Resíduos Domiciliares

RSU Resíduos Sólidos Urbanos

SISNAMA Sistema Nacional do Meio Ambiente

SNVS Sistema Nacional de Vigilância Sanitária

TGP Taxa de geração per capita


LISTA DE SÍMBOLOS

E Coeficiente de eficiência de Nash-Sucliffe


n Número de elementos contidos no conjunto de dados de cada amostra
Pi População de cada município do estado de São Paulo

P Média populacional de todos os municípios do Estado de São Paulo


r Coeficiente de correlação de Pearson
R2 Coeficiente de determinação
RMSE Raiz quadrada do erro médio ao quadrado
PIBi PIB per capita anual médio dos habitantes de cada município

PIB Média PIB per capita médio anual de todos os municípios do Estado de
São Paulo
TGPmedidai Taxa de geração per capita anual média obtida de cada município

TGP medida Média da taxa de geração per capita anual de todos os municípios do
Estado de São Paulo.
TGP
calci Taxa de geração per capita anual média calculada de cada município

TGP calc Média da taxa de geração per capita anual calculada de todos os
municípios do Estado de São Paulo
xi Variável independente

x Valor médio da variável independente xi


yi Variável dependente

y medida Valor médio da variável dependente yi.


ymedidai Variável dependente observada para cada elemento do conjunto de

dados
ycalci Variável dependente calculada para cada elemento do conjunto de

dados

y calc Valor médio da variável dependente calculada para conjunto de dados


SUMÁRIO

1 INTRODUÇÃO ............................................................................................. 17
2 OBJETIVOS ................................................................................................. 19
2.1 OBJETIVO GERAL ...................................................................................... 19
2.2 OBJETIVOS ESPECÍFICOS ........................................................................ 19
3 REVISÃO DA LITERATURA ....................................................................... 20
3.1 RESÍDUOS SÓLIDOS .................................................................................. 21
3.1.1 Definição....................................................................................................... 21
3.1.2 Classificação dos Resíduos Sólidos ............................................................. 21
3.1.3 Caracterização dos Resíduos Sólidos Urbanos ........................................... 23
3.2 ASPECTOS AMBIENTAIS E DE SAÚDE COLETIVA RELACIONADOS
AOS RESÍDUOS SÓLIDOS URBANOS ..................................................... 25
3.3 LEGISLAÇÃO E GERENCIAMENTO DOS RESÍDUOS SÓLIDOS
URBANOS NO BRASIL............................................................................... 27
3.4 PANORAMAS ATUAIS SOBREA GERAÇÃO DE RESÍDUOS SÓLIDOS E
ESTIMATIVAS DAS GERAÇÕES ................................................................ 30
3.5 AVALIAÇÕES ESTATÍSTICAS ................................................................... 38
3.5.1 Coeficiente de Correlação de Pearson (r) .................................................... 38
3.5.2 Qualidade de Ajuste ..................................................................................... 39
3.5.3 Avaliação de Probabilidade .......................................................................... 41
4 MATERIAS E MÉTODOS ............................................................................ 43
4.1 CARACTERIZAÇÃO DO ESTADO DE SÃO PAULO ................................ 43
4.2 LEVANTAMENTO DOS DADOS ................................................................ 44
4.3 COEFICIENTE DE CORRELAÇÃO (r DE PEARSON) .............................. 44
4.3.1 Avaliação da Correlação entre PIB per Capita e a Taxa de Geração per
Capita ...................................................................................................................... 45
4.3.2 Avaliação de Correlação entre População e a Taxa de Geração per Capita....
...................................................................................................................... 45
4.3.3 Teste de Probabilidade ................................................................................. 46
4.4 ESCOLHA DAS EQUAÇÕES ..................................................................... 46
4.4.1 Avaliação dos Ajustes................................................................................... 47
5 RESULTADOS E DISCUSSÃO ................................................................... 49
5.1 AVALIAÇÃO DE CORRELAÇÃO (r de PEARSON) .................................. 49
5.2 AVALIAÇÃO DE EQUAÇÕES PARA PREVISÃO DE GERAÇÃO PER
CAPITA EM FUNÇÃO DA POPULAÇÃO ................................................... 53
6 CONCLUSÕES ............................................................................................ 66
7 SUGESTÕES PARA TRABALHOS FUTUROS........................................... 68
REFERÊNCIAS ......................................................................................................... 68
APÊNDICE A – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2008 ............................................................................................ 74
APÊNDICE B – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES - CETESB REFERENTE
AO PERÍODO DE 2010 ............................................................................................ 90
APÊNDICE C – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2012 .......................................................................................... 106
1 INTRODUÇÃO

O processo de produção e transformação dos diversos recursos naturais é


uma atividade inerente à sociedade. Tal atividade modifica o ambiente natural, gera
subprodutos e resíduos os quais devem ser dispostos adequadamente de modo a
não prejudicar o meio ambiente e a saúde da população.
Dentre os diversos tipos de resíduos gerados pelo consumo humano, estão
aqueles denominados Resíduos Sólidos Urbanos (RSU), que apresentam parcela
significativa composta por resíduos provenientes das atividades domiciliares que, de
acordo com Consoni; Silva e Gimenez Filho (2000), são originados da vida diária
das residências, constituídos por restos de alimentos, produtos deteriorados, jornais,
revistas, garrafas, embalagens e uma grande diversidade de itens, denominados
como resíduos domiciliares (RD) (ONOFRE, 2011). A junção desses resíduos (RD)
com os resíduos de limpeza urbana, originários da varrição, limpeza de logradouros
e vias públicas e outros serviços de limpeza urbana, forma o que classificação de
origem define como RSU.
Analisando a literatura disponível a respeito da geração de resíduos, verifica-
se que é um tema que atrai o interesse de diversos pesquisadores no âmbito
mundial, principalmente no que diz respeito à possibilidade de mensuração de
quanto cada habitante produz diariamente de resíduos.
A quantidade e a qualidade dos resíduos gerados por um município estão
atreladas a sua população, economia e grau de urbanização (D’ALMEIDA;
VILHENA, 1995). Entretanto, em diversos estudos a população geralmente aparece
sem influência direta ou indireta, a não ser pela taxa de crescimento populacional
que geralmente tem um comportamento linear, embora esse comportamento não
seja alvo de discussão mais aprofundada (BAENINGER, 2010).
O impacto que a sociedade exerce no ambiente em que ela se insere, está
relacionado ao nível de consumo praticado por seus cidadãos; implica dizer que sua
capacidade de trabalho, produção de renda e riquezas são fatores predominantes
para analisar e determinar a potencialidade do impacto produzido ao ambiente
sendo assim as mudanças populacionais denominadas transições demográficas
ocorre paralelamente às transformações socioeconômicas de urbanização-
industrialização (SILVA; BARBIERI e MÓR, 2012).

17
Projeções realísticas das quantidades de resíduos gerados são importantes
para uma gestão eficaz. Estimativas de geração são muitas vezes utilizadas para
justificar medidas específicas de planejamento, no que diz respeito à destinação
ambientalmente adequada dos resíduos sólidos. Mediante a projeção do tipo de
resíduo e das quantidades geradas, a tomada de decisão deve ser embasada em
dados com menor grau de incerteza, o que infelizmente muitas vezes não ocorre em
grande parte dos municípios (CHUNG, 2010).
O Estado de São Paulo é formado por 655 municípios no ano de 2012, com
uma população total em 2013 de 42.304.694 habitantes. É o Estado mais
urbanizado do Brasil, com taxa de urbanização registrada em 2010 de 95,9%
(SEADE, 2013). Abriga o maior parque industrial e, consequentemente, a maior
produção econômica do país. Por ser o Estado mais rico, apresenta maior Índice de
Desenvolvimento Humano (0, 783 em uma escala de 0 a 1). Em 2012, gerou cerca
de 56.626 t.d-1 de RSU, deste montante cerca de 55.967 t.d-1 foram coletados. Do
total coletado, 76,3% tiveram como destino aterros sanitários e o restante, cerca de
23,7% foram enviados a aterros controlados ou lixões, não recebendo deste modo
tratamento adequado (ABRELPE, 2012). Sendo assim, este estudo teve como
objetivo desenvolver equações que permitissem estimar a taxa de geração per
capita (TGP) de resíduos sólidos urbanos nos municípios do Estado de São Paulo,
como variável dependente, a partir de duas variáveis independentes, as populações
(P) e os Produtos Internos Brutos per capita (PIB) de cada município para os anos
de 2008, 2010 e 2012.

18
2 OBJETIVOS

2.1 OBJETIVO GERAL

Desenvolver uma equação que permita estimar a taxa de geração per capita
(TGP) de resíduos sólidos urbanos nos municípios do Estado de São Paulo, a partir
de variáveis demográficas e socioeconômicas.

2.2 OBJETIVOS ESPECÍFICOS

Os objetivos específicos estipulados no estudo com intuito de atingir o


objetivo geral foram:
a) Identificar variáveis interferentes na taxa de geração per capita de
resíduos sólidos urbanos, através de revisão da literatura em âmbito nacional e
internacional.
b) Obter a taxa de geração per capita de resíduos sólidos urbanos em todos
os municípios do Estado de São Paulo nos anos de 2008, 2010 e 2012.
c) Levantar informações demográficas e socioeconômicas que possam ser
utilizadas como variáveis independentes em funções de previsão da taxa de geração
per capita de resíduos sólidos urbanos no Estado de São Paulo.
d) Testar diferentes equações matemáticas e domínios de validade com
intuito de correlacionar a taxa de geração per capita de resíduos sólidos urbanos
com as variáveis independentes.
e) Verificar possíveis efeitos temporais nos coeficiente presentes nas
funções matemáticas e de verificação da qualidade dos ajustes dos valores reais e
calculados para o período de 2008, 2010 e 2012.
f) Recomendar equações de previsão da taxa de geração per capita de
resíduos sólidos urbanos e especificar domínios de validade.

19
3 REVISÃO DA LITERATURA

O crescimento da população mundial é um fenômeno que ocorreu de


maneira exponencial a partir do início da revolução industrial, em meados do século
XVIII, e se expandiu pelo mundo no início do século. A partir desta data, com o
advento do êxodo rural, a urbanização intensificou-se de forma a ser considerada a
transformação social mais importante da atualidade. Tal fenômeno exigiu com o
passar dos anos, uma elevação significativa na extração de recursos naturais e
consequentemente na geração de resíduos, uma vez que o aumento populacional
demanda uma quantia maior de bens de consumo, seja eles duráveis ou não
(ATHAYDE JUNIOR; BESERRA; FAGUNDES, 2008). Prova disso são estudos os
quais alguns autores enfatizam que o homem a cada dia promove descobertas e
produtos, criando novas necessidades de conforto e bem estar ocasionando o
aumento na exploração e transformação de recursos naturais e consequentemente
na geração de resíduos (OLIVEIRA et al., 2004). Segundo Fialcoff (1998) o aumento
crescente de resíduos gerados ocorre principalmente devido a valorização do uso de
embalagens e pela preferência pelos descartáveis.
Segundo a Lei nº 203, de 1991 e apensos, resíduo é definido como qualquer
material resultante de processo de produção, transformação, utilização ou consumo,
oriundos de atividades humanas ou animais, ou decorrentes de fenômenos naturais,
cujo descarte se procede, se propõe proceder ou se está obrigado a proceder.
Dentre os diferentes tipos de resíduos gerados os denominados resíduos
sólidos ocupam uma grande parcela e merece atenção no que diz respeito ao seu
gerenciamento. Neste contexto, no Brasil foi instituída a lei nº 12305/2010 de Política
Nacional de Resíduos Sólidos, a qual descreve os princípios, objetivos, instrumentos
e diretrizes relacionadas a gestão integrada e ao gerenciamento de resíduos sólidos,
incluídos os perigosos, às responsabilidades dos geradores e do poder público e aos
instrumentos econômicos aplicáveis. Estando sujeitas a esta Lei, de acordo com o
seu Art. 1º. § 1º, todas as empresas, administrações públicas (federais, estaduais e
municipais) e população em geral.

20
3.1 RESÍDUOS SÓLIDOS

3.1.1 Definição

A definição estabelecida pela NBR 10004/2004 para resíduos sólidos


consiste em:

Resíduos no estado sólido e semi-sólido, que resultam de atividades de


origem industrial, doméstica, hospitalar, comercial, agrícola e de serviços de
varrição. Ficam incluídos nessas definições os lodos provenientes de
sistema de tratamento de água, aqueles gerados de equipamentos e
instalações de controle de poluição, bem como determinados líquidos cujas
particularidades tornem inviável o seu lançamento na rede pública de
esgotos ou corpos de água, ou exijam para isso soluções técnicas e
economicamente inviáveis em face à melhor tecnologia disponível (ABNT,
2004, p.1).

Uma segunda definição mais simples desta terminologia descreve que


resíduo sólido ou simplesmente lixo é todo material sólido ou semi-sólido indesejável
e que necessita ser removido por ter sido considerado inútil por quem o descarta em
qualquer recipiente destinado a este ato (MONTEIRO et al., 2001).
Calderoni (1998) afirma ainda que o conceito de resíduo possa variar
conforme a época e o lugar e depende de fatores jurídicos, econômicos, ambientais,
sociais e tecnológicos, pois a idéia de aproveitamento ou reinserção do resíduo na
cadeia produtiva deve ser avaliada com suas particularidades.

3.1.2 Classificação dos resíduos sólidos

A classificação dos resíduos sólidos pode ocorrer de diversas maneiras, no


entanto, as mais comuns estão relacionadas aos riscos potenciais de contaminação
do meio ambiente e a origem e/ou natureza do mesmo.
Segundo a NBR – 10004/2004 (ABNT, 2004) quanto ao potencial risco de
contaminação os resíduos sólidos podem ser classificados em:
Classe I- Perigosos: são classificados como perigosos os resíduos sólidos
que apresentam características tais como inflamabilidade, corrosividade, reatividade,
toxicidade ou patogenicidade, pois podem acarretar danos à saúde pública e ao
meio ambiente quando manuseados e/ou dispostos de forma inadequada;
Classe II – Não perigosos: esta classe se subdivide em:

21
Classe II A- Não-inertes: são resíduos que não apresentam periculosidade,
não se enquadram na classe I ou Classe II B, porém não são inertes e apresentam
como características: combustibilidade, biodegradabilidade ou solubilidade em água;
Classe II B - Resíduos inertes: são aqueles que, ao serem submetidos à
teste de solubilização (NBR10006/2004) não tiveram nenhum de seus constituintes
solubilizados em concentrações superiores aos padrões de portabilidade da água.
No que diz respeito a sua origem, segundo a Lei de nº 12.305 de 2 de
agosto de 2010, os resíduos sólidos podem ser classificados em:
a) resíduos domiciliares: são os resíduos gerados diariamente nas
residências;
b) resíduos de limpeza urbana: são os resíduos provenientes do serviço de
limpeza urbana;
c) resíduos sólidos urbanos: os englobados nos itens a e b;
d) resíduos de estabelecimentos comerciais e prestadores de serviços: os
resíduos gerados nos estabelecimentos comerciais, como escritórios, lojas, hotéis,
restaurantes, supermercados, bancos entre outros
e) resíduos dos serviços públicos de saneamento básico: os gerados nessas
atividades, excetuados os referidos no item c;
f) resíduos industriais: são compostos por vários tipos de materiais,
dependendo do ramo de atividade industrial, do processamento e da matéria-prima
empregada;
g) resíduos de serviços de saúde: os gerados nos serviços de saúde,
conforme definido em regulamento ou em normas estabelecidas pelos órgãos do
SISNAMA e do SNVS.
h) resíduos da construção civil: são resíduos provenientes de construções,
reformas, reparos e demolição de obras da construção civil;
i) resíduos agrossilvopastoris: os gerados nas atividades agropecuárias e
silviculturais, incluídos os relacionados a insumos utilizados nessas atividades;
j) resíduos de serviços de transportes: os originários de portos, aeroportos,
terminais alfandegários, rodoviários e ferroviários e passagens de fronteira;
k) resíduos de mineração: os gerados na atividade de pesquisa, extração ou
beneficiamento de minérios;
Os resíduos sólidos podem ainda ser classificados quanto a sua
degradabilidade (facilmente degradáveis: como restos de alimentos;

22
moderadamente degradáveis: como papéis, papelão e materiais celulósicos;
dificilmente degradáveis: como trapos, pedaços de pano, serragens, aparas de
couro, borracha e madeira; não-degradáveis: vidros, metais, plásticos, terra, pedras,
e outros); quanto à sua natureza física (seco ou molhado), e, finalmente, quanto à
sua composição (matéria orgânica ou inorgânica) (SILVA, 2005).

3.1.3 Caracterização dos Resíduos Sólidos Urbanos

A definição de RS torna clara a diversidade de materiais que podem ser


enquadrados nesta definição, em particular os resíduos sólidos urbanos são aqueles
produzidos em diferentes áreas do município pelas diferentes atividades
desenvolvidas, abrangendo, por exemplo, os resíduos de origem residencial e
comercial, industrial, de limpeza pública (varrição, capina, poda e outros), de
estabelecimentos de saúde, construção civil e, finalmente agrícola (PROSAB, 2003).
O conhecimento da composição física destes resíduos é de grande
importância para seu gerenciamento e varia de acordo com diversos aspectos; para
tal caracterização a CETESB recomenda a análise da sua composição por meio de
amostras coletadas pela técnica de quarteamento seguindo a NBR 10.007 da ABNT
(PROSAB, 2003; SILVA, 2005).
Segundo o manual de Gerenciamento Integrado de Resíduos Sólidos
(2001), entre os principais fatores que influenciam a composição dos resíduos
sólidos urbanos estão os hábitos e a cultura da população, as variações sazonais e
climáticas, a densidade demográfica, leis, regulamentações específicas, poder
aquisitivo, nível educacional, entre outros. No entanto o fator econômico é o de
maior influência, sendo assim composição e produção de resíduos esta diretamente
associada ao estágio de desenvolvimento da região (CONSONI; SILVA;GIMENEZ
FILHO, 2000).
Na Tabela 1 é mostrada a composição gravimétrica1 média dos Resíduos
Sólidos Urbanos no Brasil, considerando como base a quantidade de resíduos
sólidos urbanos coletados no ano de 2008 (MMA, 2011).

1
A composição gravimétrica traduz o percentual de cada componente em relação ao peso total da
amostra de resíduo analisada (IBAM - MANUAL GERENCIAMENTO INTEGRADO DE RESÍDUOS
SÓLIDOS, 2001).

23
Tabela 1 - Estimativa da composição gravimétrica dos resíduos sólidos urbanos coletados no
Brasil em 2008

Resíduos Participação Quantidade


(% em massa) (t/dia)
Material reciclável 31,9 58.527,40
Metais 2,9 5.293,50
Aço 2,3 4.213,70
Alumínio 0,6 1.079,90
Papel, papelão e embalagem longa 13,1 23.997,40
vida
Plástico total 13,5 24.847,90
Plástico filme 8,9 16.399,60
Plástico rígido 4,6 8.448,30
Vidro 2,4 4.388,60
Facilmente decomponível 51,4 94.335,10
Outros 16,7 30.618,90
Total 100 183.481,50
Fonte: Adaptado de MMA, 2011

Como é possível observar na Tabela 1, a matéria orgânica facilmente


decomponível corresponde ao resíduo com índice de coleta maior, o que torna
possível concluir que este é o resíduo mais comumente encontrado no Brasil.
Segundo o CEMPRE, este fato deve-se a falta de acondicionamento adequado,
principalmente para a distribuição dos alimentos, o que é comum ocorrer em países
da América Latina. Na mesma direção, as composições mostradas na Tabela 2, a
partir de resultados levantados em 2004, permitiram constatar que a composição
dos resíduos sólidos urbanos encontrados no Brasil era distinta em comparação com
outros países. Diferente do Brasil, os Estados Unidos resíduos geraram
predominantemente resíduos recicláveis normalmente presentes em embalagens e
menor parcela de matéria orgânica facilmente decomponível (CEMPRE, 2013).
Sendo assim, as os modelos de gestão e as técnicas de gerenciamento adotadas
devem levar em consideração as particularidades da região abrangida.

24
Tabela 2 - Composição dos resíduos sólidos urbanos em diferentes países

Orgânicos Metais Plástico Papel e Vidro Outros


Papelão
Brasil 55,0% 2,0% 3,0% 25,0% 2,0% 13,0%
México 42,6% 3,8% 6,6% 16,0% 7,4% 23,6%
Estados Unidos 11,2% 7,8% 10,7% 36,4% 5,5% 27,4%
Fonte: Cempre, 2013

3.2 ASPECTOS AMBIENTAIS E DE SAÚDE COLETIVA RELACIONADOS AOS


RESÍDUOS SÓLIDOS URBANOS

No que diz respeito ao aspecto ambiental, a destinação inadequada dos


resíduos sólidos urbanos pode resultar ou não em contaminação e deterioração de
recursos naturais como ar, solo e águas superficiais (BROLLO; SILVA, 2001).
Quando o resíduo é lançado a céu aberto, sem nenhum critério, torna-se uma
ameaça ao ambiente, pois pode ocasionar alterações nas características do solo e
águas através do lixiviado, um líquido resultante do processo de decomposição da
matéria orgânica presente, que apresenta como características a cor preta e o mau
cheiro. Este chorume pode contaminar mananciais subterrâneos e superficiais de
água, o que traria grande prejuízo à sociedade em geral. Se lançado diretamente em
cursos de água, por exemplo, é possível que ocorra a redução da comunidade de
peixes e outros animais aquáticos presentes. Além disso, o resíduo diretamente
lançado em córregos, igarapés, rios e praias provocam acúmulo de sedimentos nos
leitos destes ecossistemas, aonde além da sujeira provocada, ocorre o aumento da
temperatura da água, provocando decréscimo na quantidade de oxigênio dissolvido,
tornando o ambiente impróprio e difícil para a vida dos seres vivos que ali se
encontram. Isso sem levar em consideração a possibilidade de lançamento de lixo
de origem hospitalar e industrial que podem apresentar características tóxicas e
perigosas para o solo, água e ar onde foram despejados (SECTAM, 1997). De
acordo com estudos realizados pelo Painel Intergovernamental sobre Mudanças
Climáticas (IPCC), o setor de resíduos contribui com pouco menos de 5% das
emissões de gases de efeito globais, ressaltando que o gás metano gerado pela
deposição final dos resíduos sólidos em aterros sanitários é o principal responsável
pelo efeito estufa, uma vez que este gás é cerca de 21 vezes mais prejudicial que o

25
dióxido de carbono. Além disto, as alterações ambientais causadas pela poluição ao
longo do tempo têm o poder de comprometer ecossistemas causando danos muitas
vezes irreversíveis (SEIDEL, 2010).
Em relação à saúde pública, os resíduos atuam como fator indireto na
transmissão de doenças por meio de vetores que encontram nos resíduos sólidos
urbanos alimento e condições ideais para sua sobrevivência e proliferação, deixando
claro desta forma a trajetória pela qual pode ocorrer a transmissão de doenças
provenientes da falta de gerenciamento correto destes resíduos (BROLLO; SILVA,
2001; DEUS; LUCA; CLARKE, 2004).
De acordo com estudo realizado por Oliveira e Santos (2012) o qual avaliou
a saúde ocupacional dos garis de Hidrôlandia em Goiás, e conforme relatado por
Ferreira e Anjos (2001), dentre os agentes físicos, químicos e biológicos que se
destacam pela capacidade de causar danos a saúde humana e o meio ambiente
estão:
i) agentes físicos: o odor dos resíduos pode ocasionar mal estar, cefaléias e
náuseas em pessoas que se encontrem próximas a eles; a poeira pode ser
responsável pelo desconforto, perda momentânea da visão, e por problemas
respiratórios e pulmonares; menos divulgada temos o fator estético dos resíduos o
qual pode causar grande desconforto e náusea. Outro agente físico de risco
apontado são os elementos perfurantes e cortantes, que trazem risco tanto aos
trabalhadores responsáveis pela limpeza quanto àqueles que por algum motivo
tiveram acesso a estes resíduos.
ii) agentes químicos: a presença mais frequente é de pilhas e baterias; óleos
e graxas; pesticidas/herbicidas; solventes; tintas; produtos de limpeza; cosméticos;
remédios; aerossóis. Como já classificado previamente, a presença de muitos
destes agentes pode apresentar periculosidade, podendo ser responsáveis
saturnismo e distúrbios no sistema nervoso (pela presença de chumbo, cádmio e
mercúrio), dentre outras doenças.
iii) agentes biológicos: Microrganismos patogênicos presentes em itens
como lenços de papel, curativos, fraldas descartáveis, papel higiênico, absorventes,
agulhas e seringas descartáveis podem ser os responsáveis pela transmissão de
doenças através do trato intestinal (Ascaris lumbricoides; Entamoebacoli;
Schistosoma mansoni); o vírus causador da hepatite (principalmente do tipo
B),dermatites, entre outras.

26
3.3 LEGISLAÇÃO E GERENCIAMENTO DOS RESÍDUOS SÓLIDOS
URBANOS NO BRASIL

O gerenciamento integrado de resíduos sólidos envolve as etapas de


geração, minimização, classificação, coleta, transporte, transbordo, reutilização,
reciclagem, compostagem, recuperação e aproveitamento energético ou demais
formas de tratamento de resíduos sólidos, seguidos da disposição final de rejeitos
(CETESB, 2011). A quantificação do montante de resíduos é fundamental para a
escolha e dimensionamento das operações e processos envolvidos na cadeia de
gerenciamento. Além disso, a estimativa das quantidades geradas é necessária para
totalização das massas ou volumes, uma vez definida a vida útil dos sistemas
utilizados no gerenciamento.
Inicialmente a legislação relacionada aos resíduos sólidos referia-se e
preocupava-se com a coleta adequada e, principalmente com a disposição final
material descartado. Já na década de 80, a atenção estava voltada para as formas
de pré-tratamento e eliminação total dos resíduos. Nos dias de hoje, principalmente
nos países industrializados há uma inclinação bastante evidente relacionada a
incentivos de ações de prevenção e redução de resíduos a partir da fonte geradora,
além de propostas de recuperação dos recursos utilizados nestes resíduos
(BROLLO; SILVA, 2001).
Os resíduos sólidos urbanos (RSU) são encaminhados para disposição final
em aterros sob responsabilidade do poder municipal; no caso de resíduos
comerciais estes são aceitos para coleta e disposição final em aterro desde que
autorizado pelas instituições competentes, o que é ocorre normalmente na maioria
dos municípios. Já resíduos não domiciliares provenientes, por exemplo, da
construção civil e de serviços ligados à saúde é de responsabilidade do gerador a
disposição final, ficando o mesmo sujeito a legislação específica vigente (Lei de nº
12.305, 2010).
Dados de 2012 levantados pela ABRELPE em sua última publicação sobre o
Panorama de Resíduos Sólidos no Brasil demonstram que 58% dos resíduos sólidos
urbanos coletados tiveram como destino final os aterros sanitários (105.111 t/dia),
enquanto os 42% restantes (cerca de 76 mil toneladas diárias) foram destinados a
lixões ou aterros controlados, o que de fato não apresenta grandes diferenças, uma
vez que estes aterros controlados assim como os lixões não apresentam medidas

27
adequadas de proteção ao meio ambiente contra danos e prejuízos causados por
pelos resíduos. Este panorama quando comparado ao de 2011 demonstra que
apesar dos incentivos e legislação restrita grande parte dos resíduos coletados no
Brasil ainda tem destino impróprio, uma vez que os dados deste ano apontaram que
42% dos resíduos coletados foram destinados a locais impróprios.
A Constituição Federal prevê ao poder público municipal a responsabilidade
de zelar pela limpeza, coleta e destinação final do resíduo urbano como mencionado
anteriormente. Com a nova lei de nº 12.305/2010 instituída em 02 de agosto de 2010
que institui a Política Nacional de Resíduos Sólidos (PNRS), o papel das prefeituras
ganha maior destaque com princípios e diretrizes, dentro de um conjunto de
responsabilidades que tem o potencial de mudar o panorama dos resíduos no Brasil
(CEMPRE, 2010).
A PNRS, a priori de responsabilidade do governo federal, também demanda
uma participação intensa dos Estados, Distrito Federal e dos municípios, não
apenas no que diz respeito a viabilidade mas também a sua manutenção. O Art. 4o
menciona que a Política Nacional de Resíduos Sólidos reúne o conjunto de
princípios, objetivos, instrumentos, diretrizes, metas e ações adotadas pelo Governo
Federal, isoladamente ou em regime de cooperação com Estados, Distrito Federal,
Municípios ou particulares, com vistas à gestão integrada e ao gerenciamento
ambientalmente adequado dos resíduos sólidos. Os municípios deste modo têm
obrigação legal de erradicar áreas insalubres até agosto de 2014.
Um dos objetivos apresentadas no PNRS, abordado no art. 7º, parágrafo
décimo, diz respeito à:
regularidade, continuidade, funcionalidade e universalização da prestação
de serviços públicos de limpeza urbana e manejo de resíduos sólidos, com
adoção de mecanismos gerenciais e econômicos que assegurem a
recuperação dos custos dos serviços prestados, como forma de garantir sua
sustentabilidade operacional e financeira, observada a Lei nº 11.445, de
2007 (LEI FEDERAL nº 12305/2010).

As providências que deverão ser tomadas pelos municípios incluem ações


voltadas para a reciclagem e disposição em aterros legalizados, elaboração com
prazo fixado de um plano de resíduos sólidos que aborde o diagnóstico atual da
situação, metas a serem cumpridas com objetivo de mitigar a geração de resíduos,
reciclagem, erradicação de lixões, soluções consorciadas com outros municípios,

28
devendo ainda constar os principais geradores de resíduos, os custos envolvidos e
indicadores de desempenho do serviço público neste campo (CEMPRE, 2010).
Na Tabela 3 são mostrados os números de municípios com iniciativas de
coleta seletiva no Brasil, nos anos de 2011 e 2012. Com os dados dispostos de
acordo com as diferentes regiões do país pode-se observar uma concentração maior
municípios com iniciativas de coleta seletiva nas regiões Sudeste e Sul do País,
provavelmente devido ao estágio de desenvolvimento mais avançado destas
localidades (ABRELPE, 2012).

Tabela 3 - Municípios com iniciativas de coleta seletiva estratificados por região brasileira
Iniciativas Centro-
Norte Nordeste Sudeste Sul BRASIL
de coleta Oeste
Seletiva 2011 2012 2011 2012 2011 2012 2011 2012 2011 2012 2011 2012
Sim 209 213 651 678 131 148 1336 1342 936 945 3263 3326
Não 240 236 1143 1116 335 318 332 326 252 243 2302 2339
Total 449 1794 466 1668 1188 5565
Fonte: Abrelpe, 2012

Dentre os diferentes programas de coleta seletiva que os municípios podem


adotar estão a coleta de porta em porta (a mais realizada atualmente); a participação
de cooperativas de catadores que tem avançado com o passar dos anos e
finalmente os postos de entrega voluntária. Os programas municipais que
apresentam maior êxito na coleta são aqueles em que há combinação dos diferentes
modelos apresentados.
No que diz respeito a região Sudeste, os 1.668 municípios que compõem os
quatros Estados desta região, geraram em 2012, a quantidade de 98.215
toneladas/dia de RSU, das quais 96,87% foram coletadas
Somente o Estado de São Paulo, em 2012, gerou cerca de 56.626 t/d de
RSU, deste montante cerca de 55.967 t/d foram coletados (ABRELPE, 2012).
Do total de resíduos coletados no estado de São Paulo 76,3% tiveram como
destino aterros sanitários e o restante, cerca de 23,7% foram enviados a aterros
controlados ou lixões, não recebendo deste modo tratamento adequado (ABRELPE,
2012). A Lei nº 12.300 de 16 de Março de 2006, denominada Política Estadual de
Resíduos Sólidos regulamenta todo o processo de gestão integrada e compartilhada
de resíduos sólidos. Em seu Capítulo I descreve que:

29
para alcançar os objetivos colimados, caberá ao poder público, em parceria
com a iniciativa privada: - Incentivar a pesquisa, o desenvolvimento, a adoção
e a divulgação de novas tecnologias, de reciclagem, tratamento e disposição
final de resíduos sólidos, inclusive de prevenção à poluição e - Promover a
implementação, em parcerias com os municípios, instituições de ensino e
pesquisa e organizações não governamentais, de programa estadual de
capacitação de recursos humanos com atuação na área de resíduos sólidos”.
(LEI ESTADUAL nº 12300/2006)

3.4 PANORAMAS ATUAIS SOBRE A GERAÇÃO DE RESÍDUOS SÓLIDOS E


ESTIMATIVAS DAS GERAÇÕES

O conhecimento do cenário atual a respeito da quantidade de resíduos


existentes e de métodos de projeção da geração dos mesmos ao longo dos anos é
um processo de grande importância para se alcançar um gerenciamento focado em
um planejamento eficaz e em instalações eficientes (CHUNG, 2010).
Baasch (1995) afirmou que o processo de geração de resíduos é o ponto de
partida no sistema de gerenciamento de resíduos sólidos. A quantidade exata de
gerada é de difícil determinação, uma vez que está susceptível a sofrer diferentes
interferências tanto no processo de armazenamento, reutilização e reciclagem
quanto devido a descarte em locais clandestinos, o que acaba desviando o fluxo de
materiais antes de sua deposição final em local de domínio público.
Atualmente os panoramas da geração de resíduos são estimados a partir da
quantidade de resíduos de fato coletados por meio de pesquisa em base de dados
pertencentes ao setor responsável das prefeituras municipais e através da utilização
de métodos estimativos baseados, por exemplo, na expectativa de crescimento da
população, na produção per capita de resíduos sólidos ou no crescimento da
demanda dos serviços de limpeza urbana. Outra opção seria através de
levantamentos de campo adotando diferentes procedimentos. Seja qual for o método
escolhido deve-se sempre ter bem estabelecido o período de amostragem e a época
do ano em que será realizado o estudo estatístico (ZANTA; FERREIRA, 2003;
ONOFRE, 2011).
Para a projeção de geração de resíduos sólidos a ABRELPE coleta dados
relativos às populações urbana, total dos municípios, estados brasileiros e índices
de urbanização da Pesquisa Nacional de Amostragem por Domicílios – PNAD por
meio de consulta à base de dados do Instituto Brasileiro de Geografia e Estatística
(IBGE); para o levantamento da geração de resíduos a organização realiza

30
pesquisas diretas realizadas junto aos Municípios. Depois de coletados e tratados os
dados são transformados em indicadores per capita. A assertividade das projeções é
analisada através do coeficiente de correlação (R2), e para as definições de
equações que permitam realizar as projeções, as mesmas são submetidas a análise
através do métodos dos mínimos quadrados, eliminando pontos extremos, através
da técnica de análise e regressão. A determinação dos mínimos quadrados é
utilizada com o objetivo demonstrar a tendência das projeções e validar a fórmula
encontrando assim uma equação que permita a realização de projeção para cada
munícipio. O teste de Fisher é empregado para analisar o quanto as variáveis
contribuem para a explicação das variações apresentadas nas projeções. os
coeficientes das variáveis que compõem as equações obtidas são testados em sua
significância. Os dados quantitativos relativos aos RSU estão diretamente
relacionados à comunidade em que se encontra. A projeção da geração de RSU por
região e estados, bem como para o total nacional, resulta da aplicação dos índices
de coleta da pesquisa PNAD, obtendo-se por extrapolação os valores para os
próximos anos.
No Brasil, a primeira pesquisa elaborada para análise da situação dos
resíduos sólidos urbanos foi a Pesquisa Nacional de Saneamento Básico, realizada
pelo governo brasileiro através do Instituto Brasileiro de Geografia e Estatística em
1989 e divulgada em 1992. O interesse de então conduzir estudos com objetivo de
identificar fatores sociais, econômicos e demográficos associados à geração de
resíduos sólidos no país levou não só o governo, mas entidades privadas a
pesquisarem tais interações e aproximarem assim os dados do setor privado às
estatísticas oficiais (FIGUEIREDO, 2011).
Dentre os indicadores adotados para mensurar a geração de resíduos
sólidos de uma determinada população, a geração per capita é um dos mais
utilizados e é calculado a partir da quantidade de resíduos sólidos produzido por
determinado habitante em uma unidade de tempo estabelecida.
Monteiro et al. (2001) relataram que muitos técnicos consideram de 0,5 a 0,8
kg.hab-1.d-1 como a faixa de variação média de geração de resíduo sólido para o
Brasil. No entanto, na ausência de dados mais precisos, a geração per capita pode
ser estimada através da Tabela 4.

31
Tabela 4 - Índices estimados de produção per capita de resíduos sólidos adotados em função
da população urbana

Geração per capita


Tamanho da cidade População urbana (habitantes) -1 -1
(kg.hab .d )
Pequena Até 30 mil 0,50
Média De 30 mil a 500 mil De 0,50 a 0,80
Grande De 500 mil a 5 milhões De 0,80 a 1,00
Megalópole Acima de 5 milhões Acima de 1,00
Fonte: Monteiro et al.,2001

Apesar dos valores acima expressos, um estudo realizado pela Associação


Brasileira de Empresas de Limpeza Pública e Resíduos Especiais (ABRELPE)
estipula valores diferentes da geração de resíduos no Estado de São Paulo nos
anos de 2011 e 2012 (Tabela 5).

Tabela 5 - Coleta e Geração de RSU no Estado de São Paulo

População urbana RSU Coletado RSU Gerado


-1 -1
(kg.hab .d ) (t/dia) (t/dia)
2011 2012 2011 2012 2011 2012 2011 2012
38.874.768 40.177.103 1,385 1,393 55.214 55.967 56.007 56.626
Fonte: Abrelpe, 2012

É importante salientar, é comum haver divergências entre as localidades


estudadas uma vez que diversos fatores como cultura, renda, hábito, nível
educacional como já mencionados podem influenciar não só a composição dos
resíduos como também na quantidade gerada.
Para países da América Latina, especificamente, Acurio et al. (1998)
relataram que a geração per capita tem uma variação de 0,5 a 1,3 kg.hab-1.d-1.
Analisando uma relação entre o crescimento populacional, o crescimento econômico
e a geração per capita de resíduos urbanos, Contador (2000) afirmou que pesquisas
empíricas relataram que 1% de aumento no PIB per capita está associado com o
aumento de 0,34% na geração de resíduos sólidos, enquanto o acréscimo de 1% da
população expandiu a geração de resíduos em 1,04%. Ainda neste aspecto, Dangi
et al. (2008) reportaram dados que apontam para uma relação direta entre a taxa de
geração per capita e o nível de renda da população.

32
Segundo Contador (2000), uma variação de 0,5 kg em Moçambique a 1,9 kg
na Austrália pode ser observada por meio dos dados obtidos a partir de 36 países.
Entre a camada social menos favorecida, verificou-se que a geração não é inferior a
0,3 a 0,4 kg.hab-1.d-1. Na Tabela 6 são fornecidas a geração per capita em função da
renda e, portanto, indiretamente de sua classe econômica.

Tabela 6 - Geração de Resíduos sólidos no Mundo


-1 -1
Classe de renda per capita mensal (US$) Taxa de geração per capita (kg.hab .d )
Até 600 0,53
600 – 2490 0,63
2490 – 7050 0,71
Mais de 7050 1,20
Fonte: adaptada de Beede, Bloom, apud Contador, 2000

No que diz respeito ao Brasil, segundo dados do IBGE (2002), se for levado
em consideração somente os resíduos domiciliares (RD), em todos municípios foram
coletados diariamente cerca de 125.281 t de RD do total de RSU coletados, e a
estimativa da geração per capita de RD seria de 738 g.hab-1.d-1. (OLIVEIRA et al.,
2004), o que mostra que esta classe representa uma parcela significativa dos
resíduos sólidos urbanos, e devido ao seu risco potencial ao meio ambiente e à
saúde, necessitam de gestão e gerenciamento integrados em concordância com a
manutenção da qualidade ambiental.
No Estado de São Paulo, em seu inventário anual, a Companhia Ambiental
do Estado de São Paulo (CETESB), no ano de 2014, apontou índices de produção
por habitante apresentado na Tabela 7, usualmente empregados para estimar a
quantidade de resíduos sólidos dispostos.

Tabela 7 - Índices estimados de produção per capita de RSU adotados em função da


população urbana

-1 -1
População (hab) Produção (kg.hab .d )
Até 25.000 0,7
De 25.001 a 100.000 0,8
De 100.001 a 500.000 0,9
Maior que 500.000 1,1
Fonte: Cetesb, 2014

33
A exceção a essa regra é feita ao município de São Paulo, para o qual são
adotadas as quantidades diárias de resíduos divulgados oficialmente pelas
concessionárias do serviço municipal. Para os municípios onde são efetuadas
pesagens das quantidades de resíduos destinadas ao tratamento e/ou disposições
finais poderão ocorrer índices diferentes dos acima indicados, em decorrência de
vários fatores, tais como: tipo da atividade produtiva predominante no município,
nível socioeconômico, sazonalidade de ocupação, existência de programas de
coletas seletivas e ações governamentais que objetivem a conscientização da
população quanto à redução da geração de resíduos (CETESB, 2014).
Muitos são os trabalhos descritos na literatura que propõem métodos de
estimativas da geração de resíduos, dentre eles, um estudo realizado por Purcell e
Magette (2009) quantificou e identificou a distribuição da geração de resíduos
urbanos biodegradáveis (RSB) em áreas residenciais e de estabelecimentos
comerciais como restaurantes, hotéis e hospitais, em Dublin. Para realização desse
trabalho, variáveis sócio-econômicas, tipos de habitação, assim como os tamanhos
e principais atividades dos estabelecimentos comerciais foram considerados como
as principais determinantes que contribuem para a variabilidade espacial da geração
de RSB e um modelo de sistema de informação geográfica (SIG) de geração de
RSB foi criado. Dados estatísticos incluindo status sócio-econômico e o tamanho da
família foram coletados, assim como informações da literatura sobre taxas de
geração de RSB para estabelecimentos residenciais e comerciais. Estas previsões
foram combinadas para dar estimativas RSB globais para a região, estimativas estas
que podem ajudar as decisões de planejamento e de políticas de resíduos. Como
resultado observou-se que a técnica de previsão das residências apresentou uma
estimativa global mais precisa da geração de resíduos domésticos do que a técnica
de classe social. Ao alterar os dados de entrada, os autores afirmam que esta
ferramenta de estimativa pode ser adaptada para o uso em outras localizações,
trazendo assim grandes benefícios.
Outro trabalho, realizado por Vijayet et al. (2005), também apresentou uma
metodologia baseada em um Sistema de Informações Geográfica (SIG), para
estimar a geração de resíduos sólidos decorrentes de determinada sociedade, com
disposição feita em coletores públicos, com base na densidade populacional e PIB
per capita dessa sociedade. Apesar de diversos autores validarem essa

34
metodologia, eles não apresentam nenhuma modelagem matemática que represente
a mesma.
Navarro et al. (2002) propuseram dois modelos desenvolvidos, tendo como
objeto de estudo cidades gregas e espanholas, onde os mesmos propuseram
técnicas distintas para prever a geração de resíduos sólidos urbanos. A primeira
baseia-se em dinâmica não linear, na qual é proposto um modelo comparativo de
desempenho, com uma média sazonal auto regressiva em movimento denominado
(sARIMA). A segunda técnica assume que a geração de resíduos sólidos urbanos é
um sistema dinâmico discreto de uma única variável escalar. Apesar de desvios
resultantes de até 5%, não disponibilizaram equações que permitissem utilização.
A possível relação entre fatores demográficos e socioeconômicos foi alvo de
estudo no trabalho realizado por Pinto, Pereira e Freitas (2012), onde utilizando
dados sobre a quantidade de resíduos sólidos gerada em Belo Horizonte, população
o Índice de Qualidade de Vida Urbana (IQVU) do ano 2000, foi possível demonstrar
através da utilização dos Modelos Lineares de Regressão Múltipla que o IQVU
juntamente com o número de moradores são variáveis que influenciam a geração de
resíduos sólidos no município em estudo, demonstrando ainda que exista influência
de variáveis tais como sexo, raça/cor, idade e renda do responsável pelo domicílio e
tipo de esgotamento sanitário. No entanto, as equações descritas são aplicáveis
apenas ao município avaliado.
Um segundo trabalho nesse mesmo município, em 2002, foi realizado
empregando-se diferentes métodos estatísticos os quais permitiram chegar a
conclusão de que os fatores como socioeconômicos tais como educação e renda, e
demográficos como estrutura etária e domiciliar, são importantes na definição
volume de resíduos gerado em sub-regiões do município. Nesta conclusão o
consumo foi visto como o elo entre as dimensões população e geração de resíduos
(SILVA, BARBIERI e MONTE-MÓR, 2012). Ainda em Belo Horizonte, Dias et al.
(2012) apresentaram um modelo matemático visando identificar a relação entre a
geração per capita de resíduos e a renda per capita em alguns bairros, encontrando
um coeficiente de determinação de 0,85.
Benítez et. al (2008) propuseram para uma cidade do México modelos
capazes de relacionar a geração per capita de RS (variável dependente) para
diferentes variáveis (independentes), tais como educação, renda por domicílio e
número de moradores. Após coleta de dados da geração, quantificação e

35
composição dos resíduos domiciliares, os modelos de previsão foram definidos e
para cada fase de amostragem de resíduos foi desenvolvido um modelo matemático
diferente, a fim de encontrar o que apresentasse a melhor relação linear para prever
geração de resíduos sólidos residenciais. A fim de analisar o modelo que melhor
explicasse a previsão cada conjunto de dados, foi analisado separadamente para
determinar quão boa eram as medidas de ajuste, posteriormente foram empregados
testes de normalidade, Kolmogorov-Smirnov, multicolinearidade e
heterocedasticidade. Foram estabelecidos ainda modelos para explorar a
combinação entre as variáveis a fim de selecionar aqueles que apresentaram um R2
superior, neste modelo formulado com as quatro variáveis em análise o teste Durban
- Watson foi aplicado. O valor máximo do coeficiente de determinação (R2) foi de
0,51.
Em estudos na Europa e nos Estados Unidos, a geração de RSU tem sido
correlacionada com valores correspondentes ao produto interno bruto (PIB) e
população. Em um estudo realizado em algumas localidades destas duas regiões,
em períodos específicos, foi desenvolvido um modelo que buscava associar as
despesas relacionadas ao consumo total ao PIB; este modelo criado foi utilizado
para estimar os valores das frações individuais de resíduos sólidos gerados. Para o
desenvolvimento do modelo, as atividades foram divididas em duas partes, a
primeira lida com a predição do total de resíduos sólidos municipais coletados por
um país e a segunda atenta-se a estimar a composição destes resíduos. Para a
primeira parte, dados estatísticos disponíveis da tonelagem anual de resíduos
sólidos urbanos, PIB e população foram correlacionados. As correlações permitiram
previsões satisfatórias da quantidade total de resíduos sólidos urbanos a serem
obtidos tanto para os países europeus quanto para os EUA. Os desvios entre os
valores previstos e medidos são, no entanto, muito menor no caso dos EUA, porque
o modelo correspondente baseia-se em dados de um mesmo país. Boa combinação
entre os valores previstos e medidos para as frações individuais de resíduos sólidos
municipal foram alcançadas, no entanto, o modelo de predição das frações
individuais no resíduo sólido municipal para os países europeus, baseia-se
exclusivamente em informações disponíveis para o Reino Unido
(DASKALOPOULOS; PROBERT, 1998).
Em um estudo realizado por Keses; Duzgun; Aksoy (2012), em diferentes
localidades na Turquia, foram levados em consideração fatores sócio-econômicos e

36
climáticos na determinação da taxa de geração de RSU. Nesta pesquisa foram
utilizados modelos de autoregressão espacial simultânea e regressão
geograficamente ponderada para as análises de dados espaciais. Semelhante a
regressão dos mínimos quadrados ordinários, os coeficientes de regressão são
globais em modelos de autoregressão espacial, o que significa que o efeito de uma
dada variável independente sobre uma variável dependente é válido para todo o
país. Já a regressão geograficamente ponderada e a autoregressão espacial
simultânea revela o impacto local de um determinado fator (ou variável
independente) sobre as taxas de geração de resíduos de diferentes províncias.
Obtiveram neste estudo coeficientes de Pearson (r) no intervalo de 0,47 a 0,59,
porém com valores das raízes quadradas de erro médio ao quadrado (RMSE) da
ordem de 50% dos valores previstos.
Xu et al. (2013) desenvolveram um modelo híbrido que combinou o modelo
sazonal auto-regressivo de média móvel ao sistema de cinza para a previsão de
geração de resíduos sólidos urbanos em uma cidade na China, por múltiplas escalas
de tempo sem a necessidade de considerar outras variáveis, tais como dados
demográficos e sócio econômicos. Os resultados alcançados demonstraram que o
modelo foi bastante preciso, porém restrito à cidade avaliada.
Hockett; Lober e Pilgrim (1995) correlacionaram a taxa de geração de RSU
no Estado da Carolina do Norte (EUA) através de variáveis sócio-econômicas,
porém sem envolver a população de cada município, e obteve R2 no intervalo de
0,37 a 0,50.
Como demonstrando vários são os trabalhos que objetivaram estimar a
geração de resíduos de determinada população, sendo este o princípio para uma
gestão eficaz dos resíduos gerados. Neste sentindo Beigl; Lebersorger e Salhofer
(2008) realizaram uma revisão dos modelos já publicados de geração de resíduos
sólidos urbanos identificando as metodologias propostas e analisando-as no que diz
respeito a sua aplicação, que deve ser escolhida de acordo com o objetivo do
trabalho. Entretanto, a pesquisa aponta em sua discussão três modelos com maior
relevância, por poderem ser aplicados na maioria dos casos. São eles análises de
correlação e regressão, e comparação de grupos.

37
3.5 AVALIAÇÕES ESTATÍSTICAS

Como mencionado anteriormente, estimar e projetar as quantidades de


resíduos gerados são fundamentais o gerenciamento integrado de resíduos; neste
contexto são descritos alguns parâmetros estatísticos utilizados para se avaliar a
dependência entre variáveis e a qualidade do ajuste de modelos a conjuntos de
dados.

3.5.1 Coeficiente de Correlação de Pearson (r)

O coeficiente de correlação de Pearson (r) também conhecido como


coeficiente de correlação produto-momento ou o coeficiente r de Pearson (Equação
1) tem por objetivo medir o grau da correlação linear entre duas variáveis
quantitativas. Tal avaliação apresenta-se como um índice adimensional com valores
situados ente -1,0 e 1,0, normalmente representado pela letra r e reflete a
intensidade de uma relação linear entre dois conjuntos de dados. Se r for igual a 1,
há uma correlação perfeita positiva entre as duas variáveis e se r for igual a -1,
obtém-se uma correlação negativa perfeita entre as duas variáveis, indicando que
estas movem-se em direções opostas, isto é, se uma aumenta, a outra sempre
diminui. Enquanto duas variáveis perfeitamente correlacionadas positivamente (r=1)
movem-se essencialmente em perfeita proporção na mesma direção, dois conjuntos
que estão perfeitamente correlacionados negativamente movem-se em perfeita
proporção, mas em direções opostas. Entretanto se o resultado final alcançado for
igual a 0, as duas variáveis não dependem linearmente uma da outra, podendo
existir uma outra dependência que seja não linear. Assim, o resultado r igual a 0
deve ser investigado por outros meios (LEGATES; MCCABE, 1999; MORIASI et al.,
2007).O coeficiente de correlação de Pearson (r) é definido pela Equação 1.

r=
∑ (xi − x )(yi − y medida ) (1)
 (x − x )2 .  (y − y )2
∑ i  ∑ i medida 
   

38
sendo xi a variável independente observada, é o valor médio da variável

independente xi; yi a variável dependente observado e y medida valor médio da

variável dependente yi.


Como valores extremos (-1 e 1) dificilmente são encontrados na prática, é
importante discutir como os pesquisadores podem interpretar a magnitude dos
coeficientes. Para Cohen (1988), valores entre 0,10 e 0,29 podem ser considerados
pequenos; resultados entre 0,30 e 0,49 podem ser considerados como médios; e
valores entre 0,50 e 1 podem ser interpretados como grandes. Dancey e Reidy
(2005) apontaram para uma classificação ligeiramente diferente: r = 0,10 até 0,30
(fraco); r = 0,40 até 0,6 (moderado); r = 0,70 até 1 (forte). Seja como for, o certo é
que quanto mais perto de 1 (independente do sinal) maior é o grau de dependência
estatística linear entre as variáveis. No outro oposto, quanto mais próximo de zero,
menor é a força dessa relação.

3.5.2 Qualidade de Ajuste

Para avaliar a qualidade de ajuste dos dados obtidos alguns parâmetros


amplamente utilizados em estudo estatísticos serão discutidos: o coeficiente de
determinação (R2), a raiz quadrada do erro médio ao quadrado (RMSE) e o
coeficiente de eficiência de Nash-Sucliffe (E).
O coeficiente de determinação é o quadrado do coeficiente de correlação de
Pearson (Equação 2), e apresenta-se como uma das formas de avaliar a qualidade
do ajuste do modelo utilizado. É conhecido também como R2 e descreve a proporção
da variabilidade em uma variável que é explicada pela variabilidade da outra.
Basicamente, este coeficiente indica quanto o modelo foi capaz de explicar os dados
coletados. O valor de R2 pode variar de 0 a 1, sendo pouco comum uma correlação
perfeita (R2 = 1) na prática, uma vez que existem muitos fatores que determinam as
relações entre variáveis na vida real, deste modo valores mais elevados estão
associados a menor variância de erro, em outras palavras, quanto mais próximo de
1 mais explicativo é o modelo, ou seja, melhor ele se ajusta a amostra (LEGATES;
MCCABE, 1999; MORIASI et al., 2007).

39
2
 n 
 [ ][ ] 
 ∑ ymedidai − y medida . ycalci − y calc 
2  i =1 
R =
0,5 n 0,5 
(2)
 n 2  2 
( ) (
  ∑ y medidai − y medida  .∑ ycalci − y calc ) 
 i =1  i =1  

na qual ymedidai é a variável dependente observada para cada elemento do conjunto

de dados, y medida é o valor médio da variável dependente observada do conjunto

de dados, ycalci é a variável dependente calculada para cada elemento do conjunto

de dados, e y calc é o valor médio da variável dependente calculada para conjunto de

da dose n é o número de elementos contidos no conjunto de dados de cada


amostra.
A barra superior indica a média de todo o período de avaliação, observando-
se que o coeficiente de determinação é limitado na medida em que uniformiza as
diferenças entre as médias e variâncias observadas e previstas, uma vez que avalia
apenas as relações lineares entre as variáveis (LEGATES; MCCABE, 1999).
Conforme acima mencionado, como valores limite (0 ou 1) dificilmente são
encontrados na prática, é importante verificar como os pesquisadores podem
interpretar a magnitude dos coeficientes, R2 variando de 0 a 1 com maior valor
encontrado indica menor variância do erro e, geralmente valores maiores do que 0,5
são considerados aceitáveis (MORIASI et al., 2007).
Diversos são os índices de erros comumente utilizados na avaliação de
modelos estatísticos. Tais índices de erros são importantes uma vez que indicam
erros nas unidades (ou unidades quadradas) dos elementos de interesse, o que
auxilia na análise e interpretação dos resultados. Entre estes um dos mais utilizados
é denominada de raízes quadradas do erro médio ao quadrado, ou simplesmente
RMSE (Equação 3).
O RMSE quantifica os erros em termos de unidades da variável, é a
estatística não-negativa que não têm limite superior, onde valores de 0 indicam um
ajuste perfeito, é dada através da fórmula (ABDULLAH, 2009; MORIASI et al., 2007):

40
n
∑ (y medida i − y calc
i
)2
i =1
RMSE = (3)
n

sendo que: ymedidai é a variável dependente observada para cada elemento do

conjunto de dados, y calc é o valor médio da variável dependente calculada para

conjunto de dados e n é o número de elementos contidos no conjunto de dados de


cada amostra.
O coeficiente de eficiência de Nash-Sucliffe (E) é definido pela Equação 4,
está compreendido no intervalo de -∞ a 1,0 e indica o quão eficiente é a previsão
comparada com o valor encontrado no período de avaliação; melhor será a previsão
pelo modelo quanto mais próximo E for de 1,0:

n
∑ [y medidai − ycalci ]2
E = 1 − i =1 (4)
n
∑ [ymedidai − y medida ]
2

i =1

na qual ymedidai é a variável dependente observada para cada elemento do conjunto

de dados, y medida é o valor médio da variável dependente observada do conjunto

de dados, ycalci é a variável dependente calculada para cada elemento do conjunto

de dados, e n é o número de elementos contidos no conjunto de dados de cada


amostra.
Como mencionado por Silva et al. (2008), quando o valor encontrado for
acima de 0,75; o modelo é considerado de bom desempenho, para valores entre
0,36 e 0,75; o desempenho é considerável aceitável, entretanto, valores inferiores a
0,36 tornam o modelo inaceitável.

3.5.3 Avaliação de Probabilidade

41
O teste t de Student utiliza conceitos estatísticos para rejeitar ou não uma
hipótese nula quando a estatística de teste (t) segue uma distribuição t de Student.
Essa premissa é normalmente usada quando a estatística de teste segue uma
distribuição normal, mas a variância da população é desconhecida. Assim, utiliza-se
uma variância amostral, e com esse ajuste, a estatística de teste passa a seguir uma
distribuição t de Student. Isso significa que, se forem realizadas amostras de
determinado tamanho a partir de uma única população e se forem calculadas as
médias de uma variável desta população que apresenta uma distribuição normal, a
distribuição dessas médias seguiria uma distribuição t de Student. O formato da
distribuição t de Student é dependente do número de graus de liberdade, ou seja,
quanto maior este número mais concentrada é a distribuição. Quanto maiores os
graus de liberdade mais a distribuição t de Student se aproxima da distribuição
normal.
Ao calcular o valor de t pela Equação 5 e aplicá-lo na função densidade de
probabilidade da distribuição t de Student, avalia-se a integral desta função para
valores maiores ou iguais a t. Esta área representa a probabilidade da média das
amostras em estudo terem apresentados valores observados ou valores mais
extremos. Se a probabilidade desse resultado ter ocorrido for pequena, pode-se
concluir que o resultado observado é estatisticamente relevante. Essa probabilidade
também é chamada de p-valor ou p. Consequentemente, o nível de confiança é
igual a 1-p-valor. Normalmente, utiliza-se um ponto de corte para o p-valor ou para o
nível de confiança para definir se a hipótese nula deve ser rejeitada ou não. Se o p-
valor for menor que este ponto de corte, a hipótese nula é rejeitada. Caso contrário a
hipótese nula não é rejeitada (TIBONI, 2010).

r
t =
(5)
1− r2
n−2

42
4 MATERIAL E MÉTODOS

4.1 CARACTERIZAÇÃO DO ESTADO DE SÃO PAULO

Atualmente, São Paulo é uma das 27 unidades federativas do Brasil,


localizada no sul da região Sudeste e tem como limites: ao norte, o Estado de Minas
Gerais, ao nordeste o Estado do Rio de Janeiro, ao sul o Estado do Paraná, a oeste
o Estado do Mato Grosso do Sul, e a leste, o Oceano Atlântico. É formado por 655
municípios, com uma população total em 2013 de 42.304.694 habitantes, distribuída
em uma área de 248.233, 21 km2, apresentando assim uma densidade demográfica
de 170,43 hab.km-2. É o Estado mais urbanizado do Brasil, com taxas de
urbanização registrada em 2010 de 95,9% (BIBLIOTECA VIRTUAL DO GOVERNO
DO ESTADO DE SÃO PAULO, 2013; SEADE, 2013).
O Estado de São Paulo abriga o maior parque industrial e,
consequentemente, a maior produção econômica do país. Por ser o Estado mais
rico, apresentar maior Índice de Desenvolvimento Humano (0,783 em uma escala de
0 a 1) (PORTAL DO GOVERNO DO ESTADO DE SÃO PAULO).
A renda per capita apresentada pela população do Estado de São Paulo em
2012 foi de R$1341,60 ao mês. O Produto Interno Bruto do Estado em 2010 foi de
R$1.247.595,93, equivalente a um PIB per capita de R$30.264,06 (E, 2013).
Seu clima varia entre tropical, tropical de altitude, e subtropical. Quanto à
vegetação, apresenta regiões de mangue no litoral, trechos de Mata Atlântica na
Serra do Mar, e floresta tropical no restante do território. O Estado de São Paulo é
formado, basicamente, de uma planície litorânea estreita, limitada pela serra do Mar,
e de planaltos e depressões no resto do território. O território paulista é em grande
parte formado de planalto, com 7% da superfície localizada acima de 900m de
altitude; 85% da superfície entre 300 e 900m e 8% da superfície abaixo de 300m.
Grande parte do Estado de São Paulo fica localizado na bacia hidrográfica do
Paraná, na qual seus principais afluentes são Rio Tietê e o Rio Paranapanema. O
Rio Tietê percorre o Estado de leste a oeste, nasce em Salesópolis, com águas
cristalinas e inicia a perda desta característica em Mogi das Cruzes devido a
diversos resíduos industriais e domésticos despejados de forma incorreta; o rio
então atinge seu ápice de poluição ao longo da cidade de São Paulo. A bacia é
caracterizada por conter uma grande diversidade de setores industriais. No trecho

43
paulista o número de empresas de grande porte com alto potencial poluidor é
expressivo, no entanto, atualmente é considerada mais crítica a poluição
proveniente das atividades domésticas tais como restos de alimentos, esgoto,
metais leves, embalagens e vasilhames em geral (BIBLIOTECA VIRTUAL DO
GOVERNO DO ESTADO DE SÃO PAULO, 2013).

4.2 LEVANTAMENTO DOS DADOS

Os dados iniciais de geração de resíduos sólidos para os anos de 2008,


2010 e 2012 foram levantados mediante pesquisas do Inventário Estadual de
Resíduos Sólidos Domiciliares - CETESB (2009, 2011 e 2013 respectivamente). Já
as populações foram obtidas mediante consulta ao sítio Eletrônico da Fundação
Estadual de Análise de Dados (SEADE, 2013).
A coleta de dados primários, tanto da produção de RSU bem como da
população de cada município paulista, permitiu a determinação da taxa de geração
per capita medida para todos os municípios do Estado de São Paulo. Para
determinação da taxa de geração per capita de RSU medida foi admitida a hipótese
de que todo resíduo gerado no Estado foi coletado e encaminhado a aterros, pois a
cobertura do serviço de coleta no Estado de São Paulo corresponde a 98 - 99,7 %
(SEADE, 2013; ABRELPE, 2012). Além disso, a fração mássica de resíduos que
foram encaminhados a programas de reciclagem tem sido bastante baixa frente ao
total não superando a 1,5%.
A renda per capita é um dos indicadores socioeconômicos que avaliam o
grau de desenvolvimento econômico de uma determinada região. O cálculo é
realizado através da soma de tudo que foi produzido nesta região dividido pelo
número de habitantes. Para este estudo os dados referentes ao PIB per capita do
estado de São Paulo foram obtidas através do SEADE.

4.3 COEFICIENTE DE CORRELAÇÃO (r DE PEARSON)

A avaliação de Pearson foi utilizada com o objetivo de medir o grau da


correlação linear entre as variáveis quantitativas analisadas neste estudo.

44
4.3.1 Avaliação da Correlação entre PIB per Capita e a Taxa de Geração per
Capita

A relação entre a TGP em função do PIB per capita (PIBP) foi realizada
através do emprego do coeficiente r de Pearson. Tal avaliação foi utilizada no intuito
de analisar se existia uma correlação linear entre o PIB per capita da população dos
municípios de São Paulo e a geração de resíduos, para os anos de 2008, 2010 e
2012, calculada através da Equação 6.

r=
∑ (PIBPi − PIBP)(TGPmedida i
− TGP medida )
(6)
 ( 2 
) ( 2
)
 ∑ PIBPi − RP  .  ∑ TGPmedidai − TGP medida 
   

na qual PIBPi é o PIB per capita anual média dos habitante de cada município e

PIBP é a média do PIB per capita anual de todos os municípios do Estado de São
Paulo, TGPmedidai é a taxa de geração per capita observada em cada município e

TGP medida a média da taxa de geração per capita observada de todos os municípios
do Estado de São Paulo.

4.3.2 Avaliação de Correlação entre População e a Taxa de Geração per Capita

Foi verificado o comportamento da TGP de RSU em função da variável


população do município (P) por meio da Equação 7. Tal avaliação foi empregada no
intuito de analisar se existia uma correlação linear entre a população dos municípios
de São Paulo e a geração de resíduos, para os anos de 2008, 2010 e 2012.

r=
∑ (Pi − P)(TGPmedidai − TGPmedida )
(7)
 P − P 2 .  TGP
( ) ( 2
)
∑ i  ∑ medidai − TGPmedida 
   

sendo que Pi é a população de cada município do estado de São Paulo e P é a


média populacional de todos os municípios do Estado de São Paulo.
45
4.3.3 Teste de Probabilidade

Foi calculado o teste de probabilidade t de Student para o conjunto de dados


referente a o ano de 2008, 2010 e 2012 e para a coleção de dados referente a 2008-
2012. O teste consistiu em formular uma hipótese nula, ou seja, que as médias das
taxas de geração per capita de RSU observadas e calculadas pelos modelos sejam
iguais, para um intervalo de confiança adotado. Como na distribuição t de Student,
há menor probabilidade de ocorrência de valores muito baixos ou muito altos é
menos provável que a média de uma amostra apresente valores muitos distantes da
média da população em estudo.
Os valores de t foram calculados pela Equação 8 e comparados com as
respectivas integrais e intervalos de confiança, através da ferramenta de análise
estatística do Microsoft Office Excel.

r
t =
(8)
1− r2
n−2

4.4 ESCOLHA DAS EQUAÇÕES

Para a definição de possíveis equações para descrever a previsão de


geração per capita de resíduos sólidos foi utilizado o comportamento da TGP de
RSU em função da variável população do município (P). Para esta avaliação foram
primeiramente propostas de forma empírica, diferentes equações. Tais equações
foram avaliadas e as que apresentaram melhores resultados (Equações de 9 a 14)
foram escolhidas a fim de serem utilizadas no decorrer da execução da pesquisa. As
equações escolhidas estão descritas a seguir:

TGP= a.Ln(P) + b (9)

TGP = a .( LnP ) b + c (10)

TGP = ( LnP ) a + b (11)

46
TGP = (a / P) + b (12)

TGP = a. exp(b / P) + c)] (13)

TGP = a. exp[ b /( P c )] (14)

nas quais a, b e c são constantes de ajuste.


As TGP calculadas foram ajustadas às taxas medidas através do método
dos mínimos quadrados com o intuito de obter as constantes e verificar quais
equações eram capazes de descrever adequadamente o conjunto de dados. Os
erros foram definidos como as diferenças entre as taxas medidas e calculadas para
cada município. O processo de minimização da somatória dos erros ao quadrado foi
feito através da ferramenta Solver do aplicativo Microsoft Excel.

4.4.1 Avaliação dos Ajustes

A qualidade do ajuste das Equações 9 a 14 foi avaliada através do cálculo


dos coeficientes de determinação (R2, Equação 15), dos valores das raízes
quadradas do erro médio ao quadrado (RMSE, Equação 16) e do coeficiente de
eficiência (E, Equação 17).

2
 n 


∑ TGP [
medidai − TGP medida . ][
TGPcalc i − TGP calc] 

2
R = i =1
0 , 5 0 , 5  (15)
 n 2 n 2 
( ) (
 ∑ TGPmedidai − TGP medida  .∑ TGPcalc i − TGP calc   )
  i =1   i =1  

n
∑ (TGPmedidai )
− TGPcalci 2
RMSE = i =1
n (16)

47
n
∑ [TGPmedida i − TGPcalc i ]2
E = 1 − i =1 (17)
n
∑ [TGPmedida i − TGP medida ]
2

i =1

sendo que TGP


calci é a taxa de geração per capita calculada para cada município, e n é

o número de municípios pertencentes ao Estado de São Paulo.

48
5 RESULTADOS E DISCUSSÃO

Os dados iniciais levantados (geração de resíduos sólidos urbanos,


população e PIB per capita da população), os quais permitiram a execução da
pesquisa estão apresentados no final do trabalho nos apêndices A e B.
São apresentados a seguir os resultados obtidos com a adoção do método
descrito. Inicialmente são demonstrados os resultados da avaliação de correlação
entre a taxa de geração per capita de RSU e as variáveis supostamente
independentes População e PIB per capita. Posteriormente, são apresentadas as
equações ajustadas e os valores dos coeficientes utilizados para avaliar a qualidade
dos ajustes.

5.1 AVALIAÇÃO DE CORRELAÇÃO (r de PEARSON)

Inicialmente, testou-se a hipótese de haver correlação linear entre a taxa de


geração per capita e a variável PIB per capita observada nos municípios do Estado
de São Paulo. Na Figura 1 são apresentados os valores da taxa de geração per
capita observada nos municípios em função do PIB per capita anual no ano de 2008.

Figura 1 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2008

1,20

1,00
TGP em 2008 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
0,00 50000,00 100000,00 150000,00 200000,00

Renda per Capita Anual em 2008 - RD (R$.hab-1)

Os pontos dispersos na Figura 1 indicam que as variáveis não estão


correlacionadas. Por meio da Equação 6, foi calculado o coeficiente r de Pearson
para o conjunto de dados referente ao ano de 2008, o valor encontrado foi de 0,06.
49
Sendo possível afirmar que não existe relação considerável entre PIB per capita
anual médio e a taxa de geração per capita de resíduos sólidos urbanos.
Comportamento similar foi encontrado para o conjunto de dados relativos a 2010 e
2012 (figuras 2 e 3, respectivamente). O resultado obtido para r em 2010 foi de 0,07,
enquanto o valor de r para 2012 foi igual a 0,08. Sendo possível afirmar que as
TGPmedidai não são dependentes da PIBi apresentada por estas populações, uma vez
que quanto mais próximo de zero for o resultado de r, menor é a força dessa relação
(LEGATES e MCCABE, 1999; MORIASI et al., 2007). De acordo com Dancey e
Reidy (2005), valores do coeficiente de Pearson entre 0,10 e 0,30 denotam fraca
interação entre as variáveis independente e dependente, portanto, a variável PIB per
capita não deve ser utilizada, no desenvolvimento de equações descritivas de TGP.

Figura 2 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2010

1,20

1,00
TGP em 2010 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
0,00 50000,00 100000,00 150000,00 200000,00
Renda per Capita Anual em 20010- RD (R$.hab-1)

50
Figura 3 - Taxas de geração per capita de RSU em função do PIB per capita nos municípios do
estado de São Paulo em 2012

1,20

1,00
TGP em 2012 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
0,00 50.000,00 100.000,00 150.000,00 200.000,00 250.000,00

PIB per Capita Anual em 2012- RD (R$.hab-1)

Posteriormente, foi analisada a influência da variável população na taxa de


geração per capita de RSU observada nos municípios do Estado de São Paulo. As
figuras 4, 5 e 6 contém as TGPmedidai em função de população para os anos de 2008,
2010 e 2012.
É possível afirmar com base nos resultados representados nas figuras 4, 5 e
6 que existe correlação positiva entre a taxa de geração per capita de resíduos
sólidos urbanos com a população nos municípios do Estado de São Paulo. Para o
conjunto de dados referentes ao ano de 2008, o coeficiente de correlação de
Pearson (r) foi igual a 0,74. Sabendo-se que quanto mais próximo a 1 o valor obtido,
maior o grau de dependência estatística entre as variáveis, pode-se afirmar que
houve uma correlação positiva, pois o valor obtido foi acima de 0,70 para estas duas
variáveis em estudo. Relativo ao conjunto de dados do ano de 2010, o resultado do
coeficiente de correlação de Pearson (r) entre a TGP de RSU em função da
população dos municípios do Estado foi de 0,69. Para o ano de 2012 o resultado do
coeficiente de correlação de Pearson (r) encontrado entre a TGP de RSU em função
da população foi similar ao demais (r= 0,73), confirmando uma correlação forte entre
as variáveis observadas.

51
Figura 4 -Taxas de geração per capita de RSU em função da população dos nos municípios do
estado de São Paulo em 2008
1,20

1,00
TGP em 2008 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000

População em 2008 - P (habitantes)

Figura 5 - Taxas de geração per capita de RSU em função da população dos municípios do
estado de São Paulo em 2010
1,20

1,00
TGP em 2010 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000

População em 2010 - P (habitantes)

52
Figura 6 - Taxas de geração per capita de RSU em função da população dos municípios do
estado de São Paulo em 2012

1,00

0,80
TGP em 2012 (kg.hab-1.d-1)

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000

População em 2012 - P (habitantes)

Uma vez que estas duas variáveis (Pi e TGPmedidai) apresentaram correlação
e forte dependência nos três anos em estudo, partiu-se para a aplicação do método
dos mínimos quadrados para a determinação das constantes de ajuste (a, b e c das
equações 9 a 14) para previsão da taxa de geração per capita de RSU nos anos de
2008, 2010 e 2012 em função da população dos municípios do Estado de São
Paulo.

5.2 AVALIAÇÃO DE EQUAÇÕES PARA PREVISÃO DE GERAÇÃO PER


CAPITA EM FUNÇÃO DA POPULAÇÃO

O comportamento das TGP em relação à população de cada município


(figuras 4,5 e 6) permitiu verificar que havia dois domínios de TGP em função da
variável P para os três anos em estudo, pois ocorreu uma descontinuidade do
comportamento de TGP em 100 mil habitantes. Optou-se, assim, por testar as
equações em dois intervalos, para municípios até 100 mil habitantes e para
populações acima de 100 mil habitantes. Além disso, a TGP para municípios até 100
mil habitantes foi sensivelmente mais dispersa quando comparada com a taxa de
municípios acima de 100 mil habitantes. As equações 9 a 14 foram utilizadas no
intuito de se determinar as funções capazes de descrever o comportamento da TGP
de RSU em função da variável população dos municípios (P) com exatidão
satisfatória. Determinados os parâmetros de ajuste pelo método dos mínimos
quadrados, a qualidade dos ajustes foi avaliada através do cálculo do coeficiente de
53
determinação (R2), da raiz quadrada do erro médio ao quadrado (RMSE) e do
coeficiente de Eficiência (E).
A Tabela 8 contém os parâmetros das funções ajustadas, seus respectivos
coeficientes de determinação, raízes quadradas do erro médio ao quadrado,
coeficiente de eficiência para o ano de 2008.
Nota-se pelos resultados da Tabela 8 que a função representada na
Equação 9 ( TGP= a.Ln(P) + b ) melhor representou a TGP para municípios com
população até 100 mil habitantes, porém com R2 bastante baixo (0,15), ou seja,
apenas 15% do comportamento dos valores observados pode ser atribuído à
variável população. Além disso, o valor obtido para o coeficiente de eficiência (E =
0,14) para municípios com população abaixo de 100 mil habitantes é inferior a 0,36,
considerado como compatível a um desempenho inaceitável, conforme Silva et al.
(2008). O valor de RMSE para esta equação foi de 0,056 kg.hab-1.d-1 sendo
sensivelmente inferior aos valores prevalecentes de TGP (0,30 a 0,40 kg.hab-1.d-1)
para a mesma faixa de população, além disso, deve-se levar em consideração que
valores próximos 0 indicam um ajuste perfeito da equação (ABDULLAH, 2009;
MORIASI et al., 2007).

-1 -1
Tabela 8 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2008
2
Funções População a b c R RMSE E
até 100 mil 0,0203 0,1401 - 0,15 0,056 0,14
TGP= a.Ln(P) + b
acima 100 mil 0,1081 -0,7826 - 0,80 0,042 0,97
até 100mil 0,0008 3,1297 0,2230 0,07 0,121 0,15
TGP = a .( LnP ) b + c
acima 100 mil 0,0036 2,1114 -0,1734 0,86 0,041 0,97
até 100 mil 0,0318 0,0234 - 0,07 0,122 0,07
TGP = ( LnP ) a + b
acima 100 mil 0,1314 -1,0733 - 0,85 0,042 0,85
até 100 mil 0,0009 34,1265 0,07 0,129 0,07
TGP = (a / P) + b
acima 100 mil -0,0040 2,0729 0,85 0,049 0,84
até 100 mil -5,0928 3,5372 0,3452 0,04 0,13 0,04
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1145 7,2481 0,7145 0,64 0,065 0,61
até 100 mil -51,6158 3,3823 51,9609 0,04 0,132 0,04
TGP = a. exp[ b /( P c )]
acima 100 mil 88,7285 -350,1795 -88,0143 0,66 0,065 0,61

A Figura 7 representa a curva correspondente à função explicitada na


Equação 9 para municípios com menos de 100.000 habitantes em 2008.

54
Figura 7 - Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes em 2008
1,20

TGP medida
1,00
TGP em 2008 (kg.hab-1.d-1) TGP calculada

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000
População em 2008 - P (habitantes)

A partir da análise da Figura 7 é possível afirmar o comportamento da curva


demonstra um melhor ajuste que os próprios valores recomendados pela CETESB.
Já para municípios com mais de 100 mil habitantes, a função representada
na Equação 10 foi a que melhor ajustou os dados, com maior R2 (0,86), o que
significa que 86% do comportamento dos valores observados pode ser atribuído à
variável população, e menor RMSE entre as funções avaliadas (0,041 kg.hab-1.d-1)).
No mesmo domínio, a Equação 10 foi também a que apresentou melhor resultado
na avaliação coeficiente de eficiência, 0,97; um resultado considerado satisfatório,
pois equações que alcançam um valor de eficiência acima de 0,75 são consideradas
de bom desempenho como modelo de previsão. Sendo assim, a função descrita na
Equação10 foi utilizada para representar o conjunto de taxas de geração per capita
de resíduos sólidos urbanos nos municípios do Estado de São Paulo no ano de 2008
(Figura 8).

55
Figura 8 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100 mil habitantes em 2008
1,20

TGP medida
1,00 TGP calculada
TGP em 2008 (kg.hab-1.d-1)
0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000
População em 2008 - P (habitantes)

Na Figura 8 é mostrado o comportamento obtido pela curva em função das


variáveis estudadas, na qual se pode observar um melhor ajuste de valores da TGP
para população superior a 100 mil habitantes, valores esses superiores aos que são
sugeridos pela CETESB (Tabela 7).
A Tabela 9 contém os resultados obtidos na determinação dos parâmetros
das funções estudadas e de avaliação da qualidade dos ajustes para as taxas de
geração per capita de RSU em 2010

-1 -1
Tabela 9 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2010
2
Funções População a b C R RMSE E
até 100 mil 0,0211 0,1339 - 0,15 0,053 0,15
TGP= a.Ln(P) + b
acima 100 mil 0,1107 -0,812 - 0,86 0,034 0,86
até 100mil 0,2100 3,9432 0,2791 0,15 0,051 0,15
TGP = a .( LnP ) b + c
acima 100 mil 0,5239 0,5931 -1,7691 0,88 0,033 0,98
até 100 mil 0,0211 0,1342 - 0,15 0,059 0,15
TGP = ( LnP ) a + b
acima 100 mil 0,1107 -0,8125 - 0,86 0,034 0,84
até 100 mil 0,0054 3,9430 - 0,15 0,053 0,15
TGP = (a / P) + b
acima 100 mil -0,8123 0,4964 - 0,87 0,034 0,81
até 100 mil -5,0048 3,0979 0,3469 0,08 0,055 0,08
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1085 7,1164 0,7002 0,71 0,058 0,61
até 100 mil -51,5897 2,1467 51,9366 0,08 0,055 0,08
TGP = a. exp[ b /( P c )]
acima 100 mil 79,5491 -345,8764 -78,8476 0,71 0,050 0,70

56
Nota-se pelos resultados da Tabela 9 que a função correspondente à
Equação 10 melhor representou a TGP para municípios com população até 100 mil
habitantes, com valores de R2 de 0,15; RMSE de 0,051 kg.hab-1.d-1 e E de 0,15;
apesar dos baixos valores e R2 e E, o valor de RMSE representa aproximadamente
17 % do valor médio, quando comparados com a TGP prevista para a maioria dos
municípios deste conjunto. Além disso, a Lei 12305/2010 previu soluções
consorciadas para o gerenciamento integrado de resíduos sólidos entre municípios,
que é alternativa viável, sobretudo para pequenos municípios. Portanto, é
necessário verificar se a Equação 10, com as constantes a, b e c correspondentes, é
capaz de representar conjuntos de municípios de diferentes populações no mesmo
domínio estudado (até 100 mil habitantes). A Figura 9 permite observar a curva
fornecida pela Equação 10 para representar a TGP de municípios com menos de
100 mil habitantes no ano de 2010.

Figura 9 - Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes em 2010

1,20
TGP medida

1,00 TGP calculada


TGP em 2010 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000
População em 2010 - P (habitantes)

Para municípios com mais de 100 mil habitantes, a Equação 10 foi a que
melhor se ajustou aos dados, com maior R2 (0,88), menor RMSE (0,033 kg.hab-1.d-1))
e maior valor de E (0,98). O coeficiente de eficiência de 0,98 é compatível com
previsão satisfatória de acordo com Silva et al. (2008). Na Figura 10 é mostrada a
curva obtida com a Equação 10 para municípios com população acima de 100 mil
habitantes em 2010.

57
Figura 10 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.000 habitantes em 2010
1,20

1,00 TGP medida


TGP calculada
TGP em 2010 (kg.hab-1.d-1)

0,80

0,60

0,40

0,20

0,00
10.000 100.000 1.000.000 10.000.000

População em 2010 - P (habitantes)

Referente ao RSME, o resultado foi satisfatório, pois corresponde, por


exemplo, um erro médio percentual na previsão da TGP de 6% para municípios com
200 mil habitantes e 2 % para municípios com um milhão de habitantes.
A Tabela 10 contém os resultados obtidos na determinação dos parâmetros
das funções estudadas e de avaliação da qualidade dos ajustes para as taxas de
geração per capita de RSU em 2012 em função da população. Nota-se pela Tabela
10 que a função correspondente à Equação 10 melhor representou as TGP para
municípios com população até 100 mil habitantes, com valores de R2 de 0,15; RMSE
de 0,049 kg.hab-1.d-1 e E de 0,15; apesar de obter valores de R2 e E relativamente
baixos, apresenta RMSE relativamente baixo quando comparados com a TGP
prevista para a maioria dos municípios deste conjunto. Além disso, a Lei 12305/2010
previu soluções consorciadas para o gerenciamento integrado de resíduos sólidos
entre municípios, que é alternativa viável, sobretudo para pequenos municípios.
Portanto, é necessário verificar se a Equação 10, com as constantes a, b e c
correspondentes, é capaz de representar conjuntos de municípios de diferentes
populações no mesmo domínio estudado (até 100 mil habitantes).

58
-1 -1
Tabela 10 - Parâmetros de ajuste da TGP (kg.hab .d ) em função da População (hab) para 2012
2
Funções População a b c R RMSE E
até 100 mil 0,0212 0,1338 - 0,15 0,052 0,15
TGP= a.Ln(P) + b
acima 100 mil 0,1085 -0,7872 - 0,85 0,034 0,98
até 100mil 7,2653 3,9432 0,2791 0,15 0,049 0,15
TGP = a .( LnP ) b + c
acima 100 mil 2,4411 0,2793 -4,3707 0,88 0,032 0,98
até 100 mil 0,0053 3,9471 - 0,15 0,052 0,15
TGP = ( LnP ) a + b
acima 100 mil 0,8122 0,4964 - 0,85 0,034 0,87
até 100 mil 0,0211 0,1340 - 0,13 0,067 0,15
TGP = (a / P) + b
acima 100 mil 0,1085 - 0,7874 - 0,86 0,034 0,88
até 100 mil -5,0112 3,1298 0,3477 0,09 0,054 0,09
TGP = a. exp(b / P) + c)]
acima 100 mil -22,1095 7,1380 0,7002 0,73 0,047 0,96
até 100 mil -51,5893 2,2182 51,9370 0,09 0,054 0,09
TGP = a. exp[ b /( P c )]
acima 100 mil 79,5475 -345,8763 -78,8492 0,73 0,047 0,83

A Figura 11 permite observar a curva fornecida pela Equação 10 para


representar a TGP de municípios com menos de 100 mil habitantes no ano de 2012.

Figura 11 -Taxas de geração per capita de RSU em função da população para municípios com
até 100 mil habitantes

1,00 TGP medida


TGP em 2012 (kg.hab-1.d-1)

0,80 TGP calculada

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000
População em 2012 - P (habitantes)

Referente ao RSME, o resultado foi satisfatório, pois corresponde, por


exemplo, um erro médio percentual na previsão da TGP de 2% para municípios com
200 mil habitantes e o mesmo percentual para municípios com um milhão de
habitantes. O coeficiente de eficiência de 0,98 é compatível com previsão satisfatória
de acordo com Silva et al. (2008). Na Figura 12 é mostrada a curva obtida com a
Equação 10 para municípios com população acima de 100 mil habitantes em 2012.

59
Figura 12 – Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.0000 habitantes em 2012

TGP medida
1,00 TGP calculada

0,80
TGP em 2012 (kg.hab-1.d-1)

0,60

0,40

0,20

0,00
10.000 100.000 1.000.000 10.000.000
População em 2012 - P (habitantes)

Na Tabela 11 são mostrados os valores dos coeficientes a e b da Equação


9, para municípios com população até 100 mil habitantes e a, b e c na Equação 10
para populações acima de 100 mil habitantes.

Tabela 11 - Valores dos coeficientes a, b e c para municípios com população de até 100 mil
habitantes para Equação 9 e acima de 100 mil habitantes para Equação 10

Coeficientes População 2008 2010 2012


até 100 mil 0,0203 0,0211 0,0212
a
acima 100 mil 0,0036 0,9247 2,4411
até 100mil 0,1401 0,1339 0,1338
b
acima 100 mil 2,1114 0,4285 0,2793
c acima 100 mil -0,1734 -2,4462 -4,3707

Nota-se pela Tabela 11 que houve pouca variação dos coeficientes em


função do ano de estratificação dos dados para Equação 9, o que indica que o
tempo não foi um fator de variação, o que motivou a junção dos 3 anos em estudo
para composição de um conjunto de 3 pontos para cada município. Estranhamente,
o mesmo não foi observado para Equação 10, ou seja, os coeficientes foram
sensivelmente distintos. Optou-se por analisar a correlação entre a TGP e a variável
PIB per capita. Na Figura 13 são apresentados os valores da taxa de geração per
capita observada nos municípios do Estado em função da PIB per capita anual no
ano de 2008, 2010 e 2012.

60
Nota-se pela Figura 13 que as taxas de geração per capita de RSU em
função dos PIB per capita apresentaram os mesmos comportamentos para os anos
de 2008, 2010 e 2012. Sendo assim, é de se esperar que o coeficiente de Pearson
(r) para o conjunto amplo de dados seja semelhante ao valor obtido para cada ano
individualmente. O valor de r para TGP de RSU em função do PIB foi de 0,08,
comprovando que também não houve correlação considerável entre essas duas
variáveis para esse conjunto de dados, uma vez que r foi inferior a 0,10 (COHEN,
1988; DANCEY & REIDY, 2005).
No que diz respeito à avaliação da influência da variável população na taxa
de geração per capita observada para os municípios em função de população para
os anos de 2008, 2010 e 2012, é possível afirmar com base no resultado
representado pela Figura 14 que existe correlação positiva entre as TGP de RSU
com a população nos municípios do Estado de São Paulo. Para o conjunto de
resultados referentes aos anos em estudo, o coeficiente de correlação de Pearson
(r) foi igual a 0,62, ou seja, no intervalo 0,50 a 1 que expressa grande dependência
para Cohen (1988), e no intervalo de 0,60 a 0,70 que classifica a correlação entre
moderada a forte para Dancey e Reidy (2005).

Figura 13 – Taxas de geração per capita de RSU em função da PIB per capita nos municípios
do Estado de São Paulo em 2008, 2010 e 2012

1,20
TGP em 2008
TGP em 2008-2012 (kg.hab-1.d-1)

1,00 TGP em 2010


TGP em 2012
0,80

0,60

0,40

0,20

0,00
R$ - R$ 50.000,00 R$ 100.000,00 R$ 150.000,00 R$ 200.000,00

PIB per capita em 2008-2012

61
Figura 14 - Taxas de geração per capita de RSU em função da população dos municípios nos
anos de 2008, 2010 e 2012

É provável que as equações 9 e 10 sejam capazes de descrever o


comportamento da TGP de RSU em função da variável população dos municípios
(P) para os três anos em conjunto (2008, 2010 e 2012), formando assim um conjunto
de mais de 1800 dados, 3 dados para cada município do Estado. A Tabela 12
contém os resultados obtidos na determinação dos parâmetros dessas equações e
de avaliação da qualidade dos ajustes para as taxas de geração per capita de RSU
para os três anos em estudo.

-1 -1
Tabela 12 - Parâmetros de ajuste da TGP ((kg.hab .d ) em função da População (hab) para
2008, 2010 e 2012
2
Funções População a b C R RMSE E
até 100 mil 0,0225 0,1154 - 0,16 0,055 0,28
TGP= a.Ln(P) + b
acima 100 mil 0,1155 -0,8730 - 0,85 0,037 0,81
até 100mil 0,1486 -1,0675 0,2678 0,15 0,055 0,07
TGP= a.(LnP)b + c acima 100 mil 0,4608 -2,6303 -4,2608 0,85 0,032 0,82

O teste t de Student aplicados às equações 9 e 10 para municípios até 100


mil habitantes e mais de 100 mil habitantes, respectivamente, mostrou que
correlação indicadas são estatisticamente válidas para representar valores médios
com confiança acima de 97%. Para municípios com até 100 mil habitantes, a
Equação 9 foi a que melhor se ajustou aos dados, com maior R2 (0,16), menor
RMSE (0,055 kg.hab-1.d-1) e maior valor de E (0,28). Na Figura 15 é representada a
curva de ajuste obtida com a Equação 9, para os 1712 pontos que representam
todos os municípios com população inferior a 100 mil habitantes nos anos de 2008,

62
2010 e 2012. Para municípios com mais de 100 mil habitantes, a Equação 10 foi a
mais adequada para ajustar aos dados, com maior R2 (0,85), menor RMSE (0,032
kg.hab-1.d-1) e maior valor de E (0,82). A curva correspondente a essa função está
representada na Figura 16, representando 222 pontos para municípios com mais de
100 mil habitantes, com base nos 2008, 2010 e 2012.

Figura 15 - Taxas de geração per capita de RSU em função da população dos municípios com
menos de 100.000 habitantes em 2008, 2010 e 2012

1,20

TGP medida TGP calculada


TGP em 2008-2012 (kg.hab-1.d-1)

1,00

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000
População em 2008-2012- P (habitantes)

Figura 16 - Taxas de geração per capita de RSU em função da população dos municípios com
mais de 100.000 habitantes em 2008, 2010 e 2012

1,20
TGP medida TGP calculada
TGP em 2008-2012 (kg.hab-1.d-1)

1,00

0,80

0,60

0,40

0,20

0,00
100 1.000 10.000 100.000 1.000.000 10.000.000 100.000.000

População em 2008-2012 - P (habitantes)

Na Tabela 13 são apresentadas as taxas médias de geração per capita


medidas e calculadas para o conjunto de dados de 2008 a 2012 por faixa de
população municipal, bem como os desvios percentuais encontrados.

63
Tabela 123 - TGP médias medidas e calculadas pelas equações 9 e 10 por faixa de população
nos anos de 2008 - 2012.

Faixa de população Média de TGP medida Média de TGP Desvio percentual


-1 -1
(hab.) (kg.hab .d ) calculada (%)
-1 -1
(kg.hab .d )
Municípios com até 100 mil habitantes: a=0,0225 e b=0,1154 na Equação 9
5000 – 6000 0,30 0,31 3,3
10000 – 11000 0,32 0,33 0,0
20000 – 25000 0,34 0,34 0,0
50000 – 60000 0,36 0,36 0,0
80000 – 90000 0,38 0,38 0,0
Municípios com população acima de 100 mil habitantes: a = 0,4608, b = -2,6303 e c = -4,2608 na
Equação 10
100000- 120000 0,47 0,46 2,7
250000 – 300000 0,59 0,57 3,3
350000 – 400000 0,59 0,61 3,0
650000 – 700000 0,70 0,68 2,1
1000000 – 1300000 0,80 0,82 2,3

Nota-se pela Tabela 13 que os valores medidos e calculados para os valores


médios por faixa de população foram bastante próximos, pois os desvios percentuais
foram inferiores a 3,3 % para populações até 100 mil habitantes, apesar da
dispersão dos pontos presentes na Figura 15 neste domínio. O mesmo pode ser
verificado para municípios com mais de 100 mil habitantes, porém com desvios de
até 7,2%, valores baixos o suficiente para justificar aplicação prática das equações
propostas para estimar as TGP. As Figuras 15 e 16 contêm os gráficos de TGP
medidas e ajustadas para os dois domínios utilizados para os anos de 2008, 2010 e
2012. Portanto as equações 9 e 10 assumem as formas das equações 18 e 19,
respectivamente para os dois domínios definidos no estudo:

TGP= 0,0225.Ln(P) + 0,1154 (18)

com TGP em kg.hab-1.d-1para P inferior a 100 mil habitantes. Já para P superior a


100 mil habitantes, recomanda-se a Equação 19:

TGP = 0 , 4608 .( LnP ) − 2 , 6303 − 4 , 2607 (19)

com TGP em kg.hab-1.d-1para P superior a 100.000 habitantes.

A Equação 18, ou Equação 19, a depender do intervalo de validade, podem


ser utilizadas para prever a geração de RSU a partir apenas da população do
64
município. Assim, a partir de uma projeção de crescimento populacional é possível
determinar as TGP para cada ano e calcular o montante de resíduos ano a ano e,
por conseguinte, para períodos que envolvam as vidas úteis dos sistemas de
gerenciamento integrados de resíduos sólidos urbanos de uma cidade ou consórcio
de cidades. Por exemplo, para uma cidade que no presente tenha 1 milhão de
habitantes, com um crescimento médio populacional projetado de 2%, ao longo de
20 anos o montante de RSU seria de t (Tabela 14). Nota-se pela Tabela 14 que as
TGP de RSU se elevaram de 0,723 kg.hab-1.d-1 para 0,768 kg.hab-1.d-1 e estiveram
acima do valor indicado na Tabela 7 pela Cetesb (0,7 kg.hab-1.d-1), sendo assim,
caso este valor fosse utilizado, haveria subestimativa do montante de resíduos
produzidos no período.

Tabela 13 - Estimativa da população, TGP e massa de RSU em uma cidade de 1 milhão de


habitantes com crescimento populacional de 2% ao ano ao longo de 20 anos.

População TGP Massa de RSU


Ano -1 -1
(hab) (kg.hab .d ) (t)
1 1000000 0,723 263527
2 1020000 0,726 269649
3 1040400 0,728 275910
4 1061208 0,730 282315
5 1082432 0,732 288865
6 1104081 0,734 295564
7 1126162 0,737 302415
8 1148686 0,739 309422
9 1171659 0,741 316589
10 1195093 0,743 323918
11 1218994 0,745 331414
12 1243374 0,748 339081
13 1268242 0,750 346921
14 1293607 0,752 354939
15 1319479 0,754 363140
16 1345868 0,756 371526
17 1372786 0,759 380103
18 1400241 0,761 388874
19 1428246 0,763 397843
20 1456811 0,768 407016
Total 6609031

65
6 CONCLUSÕES

O estudo se baseou na identificação das variáveis interferentes nas Taxas


de Geração Per capita de Resíduos Sólidos Urbanos, através da revisão de
literatura, na obtenção das TGP de RSU para todos municípios do Estado de São
Paulo nos anos de 2008 e 2010 e 2012 e no levantamento de informações
demográficas e socioeconômicas. O tratamento dos dados obtidos permitiu concluir
que:
- Não houve correlação linear considerável entre o Produto Interno Bruto per
capita e as TGP de RSU nos municípios do Estado de São Paulo, nos anos de 2008
e 2010, com base nos coeficientes de correlação de Pearson obtidos. No entanto,
entre a variável população e as TGP de RSU, houve uma forte dependência
demonstrada por coeficiente de Pearson (r) no intervalo de 0,69 e 0,74 para cada
ano individualmente e de 0,62 para os três anos em conjunto.
- As TGP de RSU demonstraram possuir dois domínios de dependência em
relação à variável população dos municípios do Estado de São Paulo, com
descontinuidade de comportamento em 100 mil habitantes, independentemente do
conjunto de dados referentes aos anos de 2008, 2010 e 2012.
- Diferentes equações foram testadas a fim verificar quais eram capazes de
descrever adequadamente o conjunto de dados estratificados referente aos anos de
2008, 2010 e 2012, e após a verificação da qualidade dos ajustes, observou-se que
as equações 9 e 10 (dependendo da população envolvida - municípios de até
100.000 habitantes e acima de 100.000 habitantes) melhor representaram as TGP
de RSU nos municípios do Estado de São Paulo em função da população
- Na avaliação dos três anos em conjunto (2008, 2010 e 2012), foi possível
verificar que a Equação TGP = 0,0225.Ln(P) + 0,1154 com P, habitantes e TGP em
kg.hab-1.d-1., melhor representou as TGP de RSU nos municípios do Estado de São
Paulo em função da população para municípios de até 100 mil habitantes. Já para
os municípios com mais de 100 mil habitantes a Equação proposta foi
TGP = 0 , 4608 .( LnP ) − 2 , 6303 − 4 , 2608 com P, habitantes e TGP em kg.hab-1.d-1., ambas
equações foram capazes de representar valores médios dos respectivos conjuntos
de dados com probabilidade acima de 97% e com valores de RMSE de 0,055

66
kg.hab-1.d-1. E 0,0325 kg.hab-1.d-1., respectivamente para municípios com menos e
mais de 100 mil habitantes.
Portanto, as equações propostas foram qualificadas como adequadas para
se prever as TGP de RSU, alcançando dessa forma o objetivo pretendido, de
disponibilizar equações que permitissem estimar as TGP de RSU para os municípios
do Estado de São Paulo, a partir de variáveis demográficas ou socioeconômicas.

67
7 SUGESTÕES PARA TRABALHOS FUTUROS

Na realização de trabalhos futuros, são recomendados os seguintes


enfoques para aperfeiçoar a previsão das taxas de geração de resíduos sólidos
urbanos em municípios:
- Abordar outras variáveis que possam ser verificadas, tais como consumo
de energia por residência, Índice de Desenvolvimento Humano, grau de
escolaridade, entre outros, buscando assim parâmetros que permitam uma
estimativa cada vez mais precisa do montante de resíduos gerados pela população
em estudo.
- Ampliar a abrangência geográfica da pesquisa, do Estado de São Paulo
para os demais estados da Federação e para o País.
- Utilizar programas computacionais para testar diferentes equações que
permitam melhorar as taxas de geração per capita de RSU em função das diferentes
variáveis escolhidas.

68
REFERÊNCIAS

ABDULLAH, W S. Exponential Model for Predicting the Sorption Isotherms-


Evaluation, Statistical Appraisal and Comparison with Existing Models. Jordan
Journal of Civil Engineering, v. 3, n. 4, p. 344 – 355, 2009.

ACURIO,G; ROSSIM, A;TEIXEIRA, P F; ZEPEDA, F. Diagnosis of Municipal,Solid


Waste Management in Latin América and the Caribben. Série Ambienta nº 148,
2º ed, p. 148. 1998.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS - ABNT. NBR 10004:


Resíduos Sólidos – Classificação. Rio de Janeiro, 2004.

ASSOCIAÇÃO BRASILEIRA DE EMPRESAS DE LIMPEZA PÚBLICA


ERESÍDUOSESPECIAIS - ABRELP.Panorama dos resíduos sólidos no
Brasil.São Paulo,9°ed, p. 82, Fev.2011.

ATHAYDE JR, G B; BESERRA, L B; FAGUNDES, G S. Estimando a geração de


resíduos sólidos domiciliares a partir do consumo de água em edifícios
multifamiliares. Revista Tecnol. Fortaleza, v.29, n. 2, p.125-133, 2008.

BAASCH, S SN. Um sistema de suporte multicritério aplicada na gestão de


resíduos sólidos nos municípios catarinenses.Tese de Doutorado. Universidade
Federal de Santa Catarina, Florianópolis/SC, 1995.

BAENINGER, R. População e Cidades: subsídios para o planejamento e para as


políticas sociais. Campinas: Núcleo de Estudos de População-Nepo/Unicamp;
Brasília: UNFPA, 2010, 304 p.

BEIGL, P; LEBERSORGER, S; SALHOFER, S. Modelling municipal solid waste


generation: a review. Waste Management, v. 28, n. 1, p. 200-214, 2008.

BIBLIOTECA VIRTUAL DO GOVERNO DO ESTADO DE SÃO PAULO. São Paulo –


Geografia do Estado. Disponível em www.bv.sp.gov.br. Acesso em 02 de
dezembro de 2013.

BRASIL.Projeto de lei nº 203, de 1991. Brasília, DF, Senado, 1991.

BRASIL. Governo Federal Ministério Do Meio Ambiente. (Org.). Plano Nacional de


Resíduos Sólidos. Brasília, 2011. 109 p. Disponível em: <www.mma.gov.br>.
Acesso em: 10 jun. 2013.

BRASIL. Política Nacional de Resíduos Sólidos (PNRS): Lei de nº 12.305 de 2010.

BROLLO, M J; SILVA, M M. Política e Gestão Ambiental em Resíduos Sólidos.


Revisão e análise sobre a atual situação no Brasil. In: Congresso Brasileiro de
Engenharia Sanitária e Ambiental, 21, 2001, João Pessoa/PB.ABES – Trabalhos
Técnicos, p. 1 – 27, 2001.

69
CALDERONI, S. Os bilhões perdidos no lixo. 2ª ed. São Paulo:Humanitas, 1998.

CEMPRE COMPROMISSO EMPRESARIAL COM A RECICLAGEM.Política


Nacional de Resíduos Sólidos - Agora é lei. Disponível em:
<http://www.cempre.org.br/ciclosoft_2010.php>. Acesso em: 05 jul. 2013.

COHEN, J. Statistical power analysis for the behavioral sciences. 2 ed.,


Hillsdale, NJ: Lawrence Earlbaum Associates, 1988.

COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL – CETESB (2009)


Inventario Estadual de Resíduos Sólidos Domiciliares 2008. 139p

COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL – CETESB (2011)


Inventario Estadual de Resíduos Sólidos Domiciliares 2010. 154p.

COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL – CETESB (2012)


Inventario Estadual de Resíduos Sólidos Domiciliares 2011. 163p.

COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL – CETESB (2013)


Inventario Estadual de Resíduos Sólidos Urbanos 2014. 172p.

COMPROMISSO EMPRESARIAL PARA RECICLAGEM (CEMPRE).


Radiografando a Coleta Seletiva. Disponível em: <http://www.cempre.org.br>.
Acesso em: 25 maio 2013.

CONSONI, A J; SILVA, I. C.; GIMENEZ FILHO, A. Disposição final do lixo. In:


D’ALMEIDA, M. L. O.; VILHENA, A. (Coord.). Lixo municipal: manual de
gerenciamento integrado. 2. ed. São Paulo: Instituto de Pesquisas Tecnológicas –
IPT/ Compromisso Empresarial para Reciclagem – CEMPRE, 2000. cap. 5, p. 251-
291.

CHUNG, S S. Projecting municipal solid waste: The case of Hong Kong SAR.
Resources, Conservation and Recycling, v.54, p. 759-768, 2010.

CONTADOR, C. Projetos Sociais, Avaliação e Prática. São Paulo, Atlas, 4° ed.,p.


375, 2000.

D’ALMEIDA, M L O; VILHENA, A. (Coord.). Lixo municipal: manual de


gerenciamento integrado. São Paulo: Instituto de Pesquisas Tecnológicas –
IPT/Compromisso Empresarial para Reciclagem – CEMPRE, 1995.

DANCEY, C; REIDY, J. Estatística sem matemática para psicologia: usando


SPSS para Windows. Porto Alegre: Artmed, 2006.

DANGI, M B; URYMOWICZ, M A; GEROW, K G ;THAPA,R B. Use of stratifield


cluster sampling for efficient estimation of solid waste generation at household level.
Waste Management & Research,v. 26, p 493-499. 2008.

70
DASKALOPOULOS, E.; BADR, O.; PROBERT, S.D. Municipal solid waste: a
prediction methodology for the generation rate and composition in the European
Union and the United States of America. Resources, Conservation and Recycling,
v. 24, n. 1, p. 155-166, 1998.

DEUS, A B S; LUCA, S J; CLARKE, RT.Índice de impacto dos resíduos sólidos


urbanos na Saúde Pública (IIRSP): metodologia e aplicação. Engenharia Sanitária
e Ambiental, v. 9, n. 4, p. 329-334, 2004.

DIAS, D M; MARTINEZ, C B; BARROS, P T V; LIBÂNIO, M. Modelo para estimativa


da geração de resíduos sólidos domiciliares em centros urbanos a partir de variáveis
socioeconômicas conjunturais. Engenharia Sanitária Ambiental, v.17, n.3, p. 325-
332, 2012.

FERREIRA, J A; ANJOS, L A. Aspectos de saúde coletiva e ocupacional associados


à gestão dos resíduos sólidos municipais. Cadernos de Saúde Pública, v. 17, n. 3,
p. 689-696, 2001.

FIALCOFF,D. É lixo demais.Porto Alegre, Agosto de 1998.


Online.Disponívelem<htpp:.simpro-rg.org.br/extra/ago98>.Acesso em 10 jul. 2012.

FIGUEIREDO, F F. Panorama dos Resíduos Sólidos Brasileiros: Análises de suas


Estatísticas. Revista Bibliográfica de Geografía y Ciencias Sociales, V. XVI, N.
928, 2011.

FUNDAÇÃO SISTEMA ESTADUAL DE ANÁLISE DE DADOS – SEADE (2013)


<http://www.seade.gov.br/> Acesso em 20.10.2013.

HOCKETT, D; LOBER, D J; PILGRIM, K. Determinants of Per Capita Municipal Solid


Waste Generation in the Southeastern United States. Journalof Environmental
Management, v. 45, p. 205-217, 1995.

INSTITUTO BRASILEIRO DE ADMINISTRAÇÃO MUNICIPAL – IBAM (Brasil)


(Org.).Manual Gerenciamento Integrado de Resíduos Sólidos. Rio de Janeiro,
2001. 2004 p.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. (2011) Censo


Demográfico 2010.

JÚNIOR, G. B. A; BESERRA, L B S; FAGUNDES, G S. A geração de resíduos


sólidos domiciliares em bairros de classe média e alta de João Pessoa. Revista de
estudos ambientais, v.9, n.2, p. 33-88, 2007.

KESER, S; DUZGUNB, S; AKSOY A. Application of spatial and non-spatial data


analysis indetermination of the factors that impact municipal solid waste generation
rates in turkey. Waste Management, v. 32, n. 3, p. 359-371, 2012.

71
LEGATES, D R; McCABE JR, G J.Evaluating the use of “goodness-of-fit” measures
in hydrologic and hydroclimatic model validation. Water Resources Research, v. 35,
n. 1, p. 233–241, 1999.

MONTEIRO, José H. P. Manual Integrado de Gerenciamento de Resíduos


Sólidos. Rio de Janeiro: IBAM, 2001.

MORIASI, D N; ARNOLD, J G; LIEW, M W V; BINGNER, R L; HARMEL, R D;


VEITH, T L. Model evaluation guidelines for systematic Quantification of accuracy in
watershed simulations. American Society of Agricultural and Biological
Engineers, v.50, n.3, p.885-890, 2007.

NAVARRO, EJ;DIAMADOPOULOS, E; GINESTAR, D. Time series analysis and


forecasting techniques for municipal solid waste management. Resources,
Conservation and Recycling, v. 35, p. 201–214, 2001.

OLIVEIRA, S A; LEITE, V D; PRASAD, S; RIBEIRO, M D. Estudo da produção per


capita de resíduos sólidos domiciliares da cidade de Campina Grande/PB. Revista
saúde e ambiente, v. 5, n. 2, 37-44, 2004.

OLIVEIRA, G A; SANTOS, H I. Avaliação da saúde ocupacional dos garis de


Hidrolândia, Goiás. 2012. 19f. Trabalho de Conclusão de Curso (Graduação) –
Pontifícia, 2012.

ONOFRE, Fabiana Lima. Estimativa da geração de resíduos sólidos


domiciliares. 2011. 100 f. Dissertação (Mestrado) - Universidade Federal da
Paraíba, João Pessoa, 2011.

PHILIPPI JR, A; ROMÉRO; M A; Collet, B G. Curso de Gestão Ambiental.Barueri,


Manole, 2004.

PINTO M R; PEREIRA D R M; FREITAS, R C. Fatores sociais, econômicos e


demográficos associados à geração de lixo domiciliar na cidade de Belo Horizonte.
Reuna Belo Horizonte, v. 17, v.2, p. 27-44, 2012.

PORTAL DO GOVERNO DO ESTADO DE SÃO PAULO. São Paulo é o Estado com


melhor IDH. Disponível www.saopaulo.sp.gov.br/spnoticias/lenoticia.php?id=231140.
Acesso em 02 de dezembro de 2013.

PROSAB - PROGRAMAS DE PESQUISA EM SANEAMENTO BÁSICO (Brasil)


(Org.). Resíduos sólidos urbanos: Aterros sustentáveis para municípios de
pequeno porte. Florianópolis - SC, 2003. 288 p.

PURCELL, M; MAGETTE, W L. Prediction of household and commercial BMW


generation according to socio-economic and other factors for the Dublin region.
Waste Management, v. 29, p. 1237-1250, 2009.

72
SECTAM - SECRETARIA EXECUTIVA DE CIÊNCIA E TECNOLOGIA E
MEIO ambiente. MANUAL. Lixo – este problema tem solução. Série Saneamento
Ambiental, Belém, n. 1,1997.

SEIDEL J M. Um Problema Urbano - Gerenciamento de Resíduos Sólidos e as


Mudanças Ambientais Globais. In: Encontro Nacional da Anppas, V, Florianópolis
– SC, p. 1-8, 2010.

SILVA, H; BARBIERI A F, MÓR, R L M. Fatores Demográficos e Geração de


Resíduos Sólidos Domiciliares no Município de Belo Horizonte. Revista Brasileira
de Estudos de População, v. 29, n. 2, p. 421-449, 2012.

SILVA, Joelma Maria Santos. Uma revisão bibliográfica sobre resíduos sólidos
domésticos e algumas considerações sobre Uberlândia/MG e condomínio
Miranda V – município de Uberlândia-MG. 2005. 118 f. Monografia (Graduação) -
Universidade Federal de Uberlândia, Uberlândia, 2005.

SILVA, P M. de O.; MELLO, Carlos R. de; SILVA, A M. da e COELHO, G.Modelagem


da hidrógrafa de cheia em uma bacia hidrográfica da região Alto Rio Grande.
Revista Brasileira Engenharia Agrícola e Ambiental, v.12, n.3, pp. 258-265, 2008.

TIBONI, C G R. Estatística Básica para cursos de administração, ciências contábeis,


tecnológicos e de gestão. 1 ed., São Paulo: Atlas, 2010.

VIJAY R; GUPTA, A; KALAMDHAD, A S; DEVOTTA, S. Estimation and allocation of


solid waste to bin through geographical information systems. Waste Management
&Research, v. 23, n. 5, p. 479–484, 2005.

XU L; GAO P; CUI; S; LIU, C. A hybrid procedure for MSW generation forecasting at


multiple time scales in Xiamen City China. Waste Management, v. 33, p. 1324-1331,
2013.

ZANTA,V M; FERREIRA, C F A. Gerenciamento integrado de resíduos sólidos


urbanos. Resíduos sólidos urbanos: aterro sustentável para municípios de
pequeno porte. Rio de Janeiro: ABES,294p. 2003.

73
APÊNDICE A – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDOS DOMICILIARES- CETESB
REFERENTE AO PERÍODO DE 2008

Tabela A1.Dados relacionados à geração de resíduos nas cidades do Estado de


São Paulo no período de 2008
PIB per Resíduo GPC
Cidade População
capita (t/dia) (kg.hab-1.d-1)
Adamantina 12.919 34.366 12,5 0,364
Adolfo 19.007 3.711 1,2 0,323
Aguaí 18.198 31.763 11,1 0,349
Águas da Prata 15.721 7.684 2,6 0,338
Águas de Lindóia 8.956 16.335 6,2 0,380
Águas de Santa Bárbara 10.973 5.580 1,7 0,305
Águas de São Pedro 17.703 2.547 1,0 0,393
Agudos 17.302 35.872 13,6 0,379
Alambari 12.988 4.325 1,2 0,277
Alfredo Marcondes 8.414 4.025 1,2 0,298
Altair 31.258 3.312 1,0 0,302
Altinópolis 18.433 15.560 5,0 0,321
Alto Alegre 9.162 4.270 1,2 0,281
Alumínio 104.968 16.331 5,9 0,361
Álvares Florence 13.944 3.920 1,0 0,255
Álvares Machado 7.555 23.694 8,4 0,355
Álvaro de Carvalho 7.806 4.907 1,2 0,245
Alvinlândia 9.231 2.868 1,0 0,349
Americana 27.681 203.283 121,7 0,599
Américo Brasiliense 14.206 32.819 12,8 0,390
Américo de Campos 8.041 5.503 1,7 0,309
Amparo 21.472 65.466 18,8 0,287
Analândia 18.507 4.471 1,3 0,291
Andradina 13.206 56.505 20,8 0,368
Angatuba 12.752 22.877 6,3 0,275
Anhembi 14.570 5.656 1,6 0,283
Anhumas 8.884 3.900 1,1 0,282
Aparecida 9.988 37.405 14,7 0,393
Aparecida d'Oeste 8.775 4.633 1,4 0,302
Apiaí 8.381 25.857 6,3 0,244
Araçariguama 112.682 13.027 3,4 0,261

74
Continua

Araçatuba 15.036 181.143 88,0 0,486


Araçoiaba da Serra 8.337 26.012 7,2 0,277
Aramina 13.584 5.262 1,8 0,342
Arandu 8.389 6.204 1,6 0,258
Arapeí 7.232 2.587 0,8 0,309
Araraquara 19.708 199.132 94,7 0,476
Araras 18.849 113.645 53,4 0,470
Arco-Íris 19.817 2.026 0,4 0,197
Arealva 12.567 7.833 2,3 0,294
Areias 8.559 3.684 1,0 0,271
Areiópolis 6.744 11.085 3,7 0,334
Ariranha 62.393 8.753 3,2 0,366
Artur Nogueira 10.206 42.567 15,7 0,369
Arujá 19.017 78.960 30,2 0,382
Aspásia 9.348 1.831 0,5 0,273
Assis 11.193 97.725 37,4 0,383
Atibaia 17.528 125.418 54,6 0,435
Auriflama 10.473 14.298 5,0 0,350
Avaí 8.839 5.121 1,4 0,273
Avanhandava 8.236 11.816 4,3 0,364
Avaré 10.165 83.744 31,7 0,379
Bady Bassitt 11.945 13.898 4,9 0,353
Balbinos 4.564 4.385 1,4 0,319
Bálsamo 12.930 8.151 2,8 0,344
Bananal 7.194 10.727 3,2 0,298
Barão de Antonina 8.309 2.833 0,7 0,247
Barbosa 6.298 6.846 2,3 0,336
Bariri 11.133 32.824 12,1 0,369
Barra Bonita 14.858 36.176 14,1 0,390
Barra do Chapéu 6.049 5.314 0,6 0,113
Barra do Turvo 4.804 7.744 1,1 0,142
Barretos 13.733 112.804 53,7 0,476
Barrinha 8.643 26.915 10,6 0,394
Barueri 102.013 264.619 158,8 0,600
Bastos 14.139 21.323 7,1 0,333
Batatais 13.968 56.022 21,2 0,378
Bauru 16.881 355.675 209,6 0,589
Bebedouro 35.494 77.430 29,0 0,375
Bento de Abreu 16.860 2.929 1,0 0,341
Bernardino de Campos 10.831 10.780 3,8 0,353
Bertioga 12.643 42.945 16,7 0,389
Bilac 9.995 7.369 2,6 0,353
Birigui 11.500 109.451 52,8 0,482

75
Continua

Biritiba Mirim 7.661 29.208 9,8 0,336


Boa Esperança do Sul 10.257 13.835 4,7 0,340
Bocaina 15.718 10.889 3,9 0,358
Bofete 11.829 9.194 2,6 0,283
Boituva 21.132 43.959 16,6 0,378
Bom Jesus dos Perdões 10.594 17.571 5,9 0,336
Bom Sucesso de Itararé 7.354 3.902 0,9 0,231
Borá 25.896 834 0,3 0,360
Boracéia 17.099 4.377 1,5 0,343
Borborema 12.531 14.376 4,7 0,327
Borebi 12.688 2.312 0,7 0,303
Botucatu 16.682 128.397 61,6 0,480
Bragança Paulista 15.176 144.066 64,0 0,444
Braúna 7.307 4.985 1,6 0,321
Brejo Alegre 12.903 2.550 0,8 0,314
Brodowski 8.714 20.190 7,7 0,381
Brotas 15.390 22.300 7,6 0,341
Buri 11.341 18.112 5,6 0,309
Buritama 13.049 15.482 5,6 0,362
Buritizal 29.689 4.059 1,3 0,320
Cabrália Paulista 23.420 4.400 1,5 0,341
Cabreúva 22.722 41.839 13,0 0,311
Caçapava 23.937 84.406 29,6 0,351
Cachoeira Paulista 8.533 33.999 10,8 0,318
Caconde 11.582 19.233 4,9 0,255
Cafelândia 10.155 16.699 5,5 0,329
Caiabu 7.865 4.130 1,3 0,315
Caieiras 18.303 86.698 33,3 0,384
Caiuá 15.132 5.334 0,9 0,169
Cajamar 60.213 62.522 23,7 0,379
Cajati 14.588 28.987 8,3 0,286
Cajobi 10.130 9.939 3,6 0,362
Cajuru 8.802 24.003 8,5 0,354
Campina do Monte Alegre 11.806 5.532 1,8 0,325
Campinas 27.789 1.056.644 727,3 0,688
Campo Limpo Paulista 10.571 73.885 28,9 0,391
Campos do Jordão 10.602 46.332 18,3 0,395
Campos Novos Paulista 13.182 4.940 1,4 0,283
Cananéia 7.448 12.377 4,1 0,331
Canas 6.247 4.662 1,6 0,343
Cândido Mota 14.075 30.662 11,1 0,362
Cândido Rodrigues 15.598 2.757 0,8 0,290
Canitar 6.512 4.629 1,4 0,302

76
Continua

Capão Bonito 10.521 46.412 14,5 0,312


Capela do Alto 8.683 16.968 5,3 0,312
Capivari 17.639 45.915 14,8 0,322
Caraguatatuba 9.716 94.598 36,1 0,382
Carapicuíba 6.879 388.532 233,1 0,600
Cardoso 9.472 11.632 4,2 0,361
Casa Branca 17.649 28.083 9,1 0,324
Cássia dos Coqueiros 10.387 2.752 0,6 0,218
Castilho 35.969 16.064 5,1 0,317
Catanduva 16.545 114.069 56,2 0,493
Catiguá 9.718 7.191 2,6 0,362
Cedral 17.187 8.119 2,4 0,296
Cerqueira César 14.320 17.147 5,9 0,344
Cerquilho 62.887 37.419 14,2 0,379
Cesário Lange 11.224 14.795 4,1 0,277
Charqueada 8.152 15.213 5,5 0,362
Chavantes 13.900 12.652 4,3 0,340
Clementina 8.575 6.477 2,4 0,371
Colina 18.460 17.659 6,3 0,357
Colômbia 20.177 6.314 1,7 0,269
Conchal 12.478 24.336 8,7 0,357
Conchas 14.902 16.160 4,9 0,303
Cordeirópolis 66.878 20.445 7,5 0,367
Coroados 12.568 5.177 1,6 0,309
Coronel Macedo 9.535 5.370 1,5 0,279
Corumbataí 23.348 4.109 0,7 0,170
Cosmópolis 12.310 57.951 22,2 0,383
Cosmorama 11.401 7.071 1,7 0,240
Cotia 30.004 179.109 89,6 0,500
Cravinhos 12.930 30.647 11,7 0,382
Cristais Paulista 18.736 7.362 1,7 0,231
Cruzália 23.927 2.382 0,6 0,252
Cruzeiro 11.985 79.418 30,8 0,388
Cubatão 50.923 127.702 63,5 0,497
Cunha 4.736 23.694 4,6 0,194
Descalvado 20.574 30.710 10,3 0,335
Diadema 23.618 394.266 236,6 0,600
Dirce Reis 16.894 1.624 0,4 0,246
Divinolândia 11.674 11.415 2,6 0,228
Dobrada 6.901 8.108 3,0 0,370
Dois Córregos 12.344 25.733 9,2 0,358
Dolcinópolis 8.872 2.263 0,8 0,354
Dourado 8.667 9.089 3,3 0,363

77
Continua

Dracena 11.293 43.989 16,1 0,366


Duartina 8.922 12.777 4,4 0,344
Dumont 9.942 8.163 3,0 0,368
Echaporã 10.886 6.299 1,9 0,302
Eldorado 6.218 14.490 2,9 0,200
Elias Fausto 27.799 15.192 4,5 0,296
Elisiário 11.891 3.251 1,1 0,338
Embaúba 13.030 2.448 0,8 0,327
Embu 11.528 245.093 147,1 0,600
Embu-Guaçu 7.158 61.701 24,2 0,392
Emilianópolis 8.126 3.159 1,0 0,317
Engenheiro Coelho 15.430 13.914 3,9 0,280
Espírito Santo do Pinhal 14.087 42.128 14,5 0,344
Espírito Santo do Turvo 21.411 4.361 1,5 0,344
Estiva Gerbi 16.667 9.590 3,3 0,344
Estrela do Norte 10.402 2.490 0,7 0,281
Estrela d'Oeste 47.843 8.976 2,8 0,312
Euclides da Cunha 5.838 10.180 2,6 0,255
Paulista
Fartura 10.062 14.985 4,5 0,300
Fernando Prestes 15.441 5.328 1,6 0,300
Fernandópolis 13.804 63.414 24,3 0,383
Fernão 11.771 1.514 0,3 0,198
Ferraz de Vasconcelos 6.992 175.939 87,2 0,496
Flora Rica 14.283 2.044 0,6 0,294
Floreal 9.900 2.918 0,9 0,308
Flórida Paulista 9.427 13.524 4,4 0,325
Florínea 33.211 2.883 1,0 0,347
Franca 11.590 327.176 192,5 0,588
Francisco Morato 4.834 155.224 77,5 0,499
Franco da Rocha 13.022 129.304 60,0 0,464
Gabriel Monteiro 22.562 2.703 0,8 0,296
Gália 9.606 6.754 1,9 0,281
Garça 13.238 43.395 14,6 0,336
Gastão Vidigal 8.326 4.071 1,3 0,319
Gavião Peixoto 17.493 4.236 1,1 0,260
General Salgado 14.648 10.933 3,5 0,320
Getulina 8.140 10.914 3,2 0,293
Glicério 10.622 4.540 1,3 0,286
Guaiçara 9.431 11.029 3,9 0,354
Guaimbê 7.027 4.787 1,6 0,334
Guaíra 16.922 38.328 14,3 0,373
Guapiaçu 26.345 17.593 5,9 0,335
Guapiara 7.013 20.832 3,2 0,154

78
Continua

Guará 11.097 19.160 7,3 0,381


Guaraçaí 10.509 8.686 2,6 0,299
Guaraci 10.514 9.409 3,1 0,329
Guarani d'Oeste 8.215 2.018 0,7 0,347
Guarantã 15.283 6.652 2,0 0,301
Guararapes 17.570 29.589 10,7 0,362
Guararema 14.025 26.523 8,6 0,324
Guaratinguetá 16.131 112.596 53,6 0,476
Guareí 7.385 14.490 3,5 0,242
Guariba 12.384 34.217 13,3 0,389
Guarujá 10.587 304.274 182,5 0,600
Guarulhos 24.989 1.279.202 876,2 0,685
Guatapará 11.706 6.386 1,7 0,266
Guzolândia 7.656 4.863 1,5 0,308
Herculândia 10.473 9.027 3,1 0,343
Holambra 43.880 9.951 2,2 0,221
Hortolândia 23.441 201.049 120,6 0,600
Iacanga 25.541 9.605 3,3 0,344
Iacri 8.691 6.875 1,9 0,276
Iaras 11.108 5.420 1,3 0,240
Ibaté 10.611 29.435 11,2 0,380
Ibirá 9.254 10.992 3,9 0,355
Ibirarema 12.418 7.097 2,5 0,352
Ibitinga 11.850 52.582 19,8 0,377
Ibiúna 8.810 67.166 8,9 0,133
Icém 14.008 6.553 2,2 0,336
Iepê 14.266 7.806 2,6 0,333
Igaraçu do Tietê 5.742 24.003 9,5 0,396
Igarapava 17.416 28.038 10,4 0,371
Igaratá 7.937 8.896 2,5 0,281
Iguape 7.245 30.397 9,7 0,319
Ilha Comprida 8.930 9.782 3,9 0,399
Ilha Solteira 41.630 25.057 9,7 0,387
Ilhabela 10.315 25.550 10,1 0,395
Indaiatuba 25.462 180.524 88,8 0,492
Indiana 7.108 4.772 1,6 0,335
Indiaporã 10.634 3.963 1,2 0,303
Inúbia Paulista 12.147 3.795 1,3 0,343
Ipaussu 11.252 13.521 4,8 0,355
Iperó 12.419 26.696 7,3 0,273
Ipeúna 17.059 5.570 1,8 0,323
Ipiguá 7.718 4.184 0,9 0,215
Iporanga 4.992 4.772 0,9 0,189

79
Continua

Ipuã 10.168 15.522 5,9 0,380


Iracemápolis 24.163 19.329 7,4 0,383
Irapuã 11.533 6.953 2,3 0,331
Irapuru 6.501 7.841 2,4 0,306
Itaberá 17.290 17.804 4,2 0,236
Itaí 14.269 23.828 7,7 0,323
Itajobi 12.820 14.652 4,5 0,307
Itaju 13.362 2.709 0,7 0,258
Itanhaém 8.264 85.977 34,0 0,395
Itaóca 5.819 3.153 0,8 0,254
Itapecerica da Serra 18.599 159.102 78,7 0,495
Itapetininga 13.494 146.760 65,5 0,446
Itapeva 11.836 89.197 26,2 0,294
Itapevi 13.521 201.995 121,2 0,600
Itapira 19.985 71.850 26,3 0,366
Itapirapuã Paulista 5.614 3.890 0,7 0,180
Itápolis 14.907 40.196 13,7 0,341
Itaporanga 7.174 14.752 4,1 0,278
Itapuí 13.907 12.344 4,6 0,373
Itapura 11.582 3.935 1,4 0,356
Itaquaquecetuba 7.246 351.493 210,9 0,600
Itararé 10.242 51.000 18,8 0,369
Itariri 5.285 16.048 3,5 0,218
Itatiba 26.162 97.462 31,7 0,325
Itatinga 9.566 18.761 6,6 0,352
Itirapina 11.321 14.655 5,1 0,348
Itirapuã 10.594 5.862 1,9 0,324
Itobi 7.570 7.692 2,6 0,338
Itu 23.567 155.457 71,2 0,458
Itupeva 30.443 40.972 121,1 2,956
Ituverava 10.926 40.485 15,3 0,378
Jaborandi 8.362 6.693 2,4 0,359
Jaboticabal 17.217 72.614 27,5 0,379
Jacareí 20.416 210.988 121,4 0,575
Jaci 24.196 5.427 1,6 0,295
Jacupiranga 9.764 16.403 3,9 0,238
Jaguariúna 48.352 40.066 14,0 0,349
Jales 12.259 49.681 18,2 0,366
Jambeiro 115.151 5.409 1,0 0,185
Jandira 12.794 110.325 55,2 0,500
Jardinópolis 10.793 36.872 13,5 0,366
Jarinu 15.102 22.301 5,7 0,256
Jaú 11.662 133.469 63,8 0,478

80
Continua

Jeriquara 21.189 3.225 1,0 0,310


Joanópolis 8.644 11.107 4,4 0,396
João Ramalho 9.410 4.301 1,4 0,326
José Bonifácio 17.455 32.219 11,2 0,348
Júlio Mesquita 6.474 4.508 1,7 0,377
Jumirim 23.419 2.283 0,5 0,219
Jundiaí 43.442 347.738 193,7 0,557
Junqueirópolis 9.714 19.715 6,2 0,314
Juquiá 6.415 19.688 4,8 0,244
Juquitiba 6.829 29.090 7,6 0,261
Lagoinha 8.848 4.917 1,1 0,224
Laranjal Paulista 14.279 25.930 9,2 0,355
Lavínia 9.238 9.050 2,9 0,320
Lavrinhas 7.144 6.915 2,4 0,347
Leme 12.982 88.299 34,1 0,386
Lençóis Paulista 25.934 62.594 23,8 0,380
Limeira 20.253 278.776 160,1 0,574
Lindóia 10.295 5.924 2,1 0,354
Lins 21.713 72.568 28,3 0,390
Lorena 12.552 82.391 31,7 0,385
Lourdes 10.029 2.031 0,6 0,295
Louveira 171.507 32.406 11,9 0,367
Lucélia 9.475 20.117 6,9 0,343
Lucianópolis 10.830 2.418 0,7 0,289
Luís Antônio 42.198 11.489 4,2 0,366
Luiziânia 9.158 5.061 1,8 0,356
Lupércio 10.068 4.384 0,9 0,205
Lutécia 14.217 2.861 0,8 0,280
Macatuba 30.640 16.842 6,4 0,380
Macaubal 9.091 7.652 2,6 0,340
Macedônia 10.262 3.430 1,0 0,292
Magda 10.402 3.187 1,0 0,314
Mairinque 13.590 43.349 14,9 0,344
Mairiporã 10.804 77.443 24,8 0,320
Manduri 8.139 9.051 2,8 0,309
Marabá Paulista 8.251 5.787 1,3 0,225
Maracaí 26.760 13.655 4,8 0,352
Marapoama 24.150 2.731 0,8 0,293
Mariápolis 7.018 3.896 1,1 0,282
Marília 13.680 223.454 128,9 0,577
Marinópolis 11.436 2.163 0,6 0,277
Martinópolis 8.887 25.256 8,1 0,321
Matão 66.484 77.682 30,0 0,386

81
Continua

Mauá 13.753 412.753 247,7 0,600


Mendonça 9.405 4.177 1,2 0,287
Meridiano 10.061 3.941 1,0 0,254
Mesópolis 13.459 1.784 0,5 0,280
Miguelópolis 11.028 20.918 7,7 0,368
Mineiros do Tietê 6.786 12.258 4,7 0,383
Mira Estrela 11.794 2.659 0,8 0,301
Miracatu 6.102 23.688 4,6 0,194
Mirandópolis 8.516 26.705 9,2 0,345
Mirante do 6.168 17.967 4,4 0,245
Paranapanema
Mirassol 13.018 54.350 21,0 0,386
Mirassolândia 6.736 4.338 1,4 0,323
Mococa 14.810 68.481 23,9 0,349
Mogi das Cruzes 18.065 371.372 203,8 0,549
Mogi Guaçu 17.215 138.494 64,8 0,468
Mogi Mirim 24.239 87.800 31,5 0,359
Mombuca 9.300 3.440 1,0 0,291
Monções 14.225 2.124 0,7 0,330
Mongaguá 8.301 43.284 17,2 0,397
Monte Alegre do Sul 9.387 7.371 1,5 0,204
Monte Alto 17.407 45.719 17,1 0,374
Monte Aprazível 20.287 20.789 7,2 0,346
Monte Azul Paulista 23.675 19.739 7,1 0,360
Monte Castelo 11.816 4.130 1,2 0,291
Monte Mor 22.810 45.811 16,8 0,367
Monteiro Lobato 7.552 4.235 0,7 0,165
Morro Agudo 20.504 26.245 9,4 0,358
Morungaba 15.997 12.999 4,1 0,315
Motuca 22.920 4.618 1,2 0,260
Murutinga do Sul 8.414 4.264 1,1 0,258
Nantes 30.432 2.627 0,8 0,305
Narandiba 23.884 4.131 1,0 0,242
Natividade da Serra 5.628 7.613 1,2 0,158
Nazaré Paulista 9.466 15.168 2,5 0,165
Neves Paulista 10.547 9.102 3,2 0,352
Nhandeara 11.774 10.726 3,3 0,308
Nipoã 9.394 4.029 1,4 0,347
Nova Aliança 12.672 5.110 1,6 0,313
Nova Campina 13.607 9.091 1,9 0,209
Nova Canaã Paulista 12.675 2.203 0,3 0,136
Nova Castilho 23.511 1.111 0,2 0,180
Nova Europa 10.284 9.840 3,5 0,356
Nova Granada 10.158 18.543 6,6 0,356

82
Continua

Nova Guataporanga 6.713 2.176 0,7 0,322


Nova Independência 37.787 2.681 0,8 0,298
Nova Luzitânia 7.048 3.701 1,2 0,324
Nova Odessa 22.883 48.170 18,8 0,390
Novais 6.860 3.908 1,3 0,333
Novo Horizonte 18.775 35.942 12,8 0,356
Nuporanga 18.204 6.945 2,2 0,317
Ocauçu 10.028 4.328 1,2 0,277
Óleo 11.397 2.729 0,6 0,220
Olímpia 16.182 50.215 18,6 0,370
Onda Verde 39.405 3.953 1,1 0,278
Oriente 7.764 6.341 2,2 0,347
Orindiúva 20.578 5.294 1,9 0,359
Orlândia 19.681 37.422 14,6 0,390
Osasco 42.106 713.066 499,1 0,700
Oscar Bressane 10.390 2.540 0,8 0,315
Osvaldo Cruz 9.898 31.317 11,0 0,351
Ourinhos 13.705 103.631 39,5 0,381
Ouro Verde 7.996 8.074 2,9 0,359
Ouroeste 59.545 7.482 2,2 0,294
Pacaembu 6.851 13.672 4,1 0,300
Palestina 10.832 11.153 3,5 0,314
Palmares Paulista 5.124 11.444 4,4 0,384
Palmeira d'Oeste 9.659 9.771 2,7 0,276
Palmital 16.236 22.190 7,2 0,324
Panorama 8.377 14.502 5,4 0,372
Paraguaçu Paulista 13.564 44.249 16,4 0,371
Paraibuna 7.866 16.863 2,1 0,125
Paraíso 10.634 5.785 1,9 0,328
Paranapanema 18.239 17.558 5,3 0,302
Paranapuã 10.470 3.732 1,2 0,322
Parapuã 12.259 11.383 3,5 0,307
Pardinho 16.481 5.285 1,3 0,246
Pariquera-Açu 9.289 18.815 5,0 0,266
Parisi 14.345 2.132 0,7 0,328
Patrocínio Paulista 18.994 12.811 3,9 0,304
Paulicéia 10.601 5.750 1,7 0,296
Paulínia 82.587 81.544 32,3 0,396
Paulistânia 11.596 1.898 0,4 0,211
Paulo de Faria 11.088 9.378 3,3 0,352
Pederneiras 11.600 42.661 15,9 0,373
Pedra Bela 7.270 6.097 0,5 0,082
Pedranópolis 11.132 2.827 0,7 0,248

83
Continua

Pedregulho 14.708 15.717 4,6 0,293


Pedreira 13.842 40.269 15,6 0,387
Pedrinhas Paulista 24.049 2.923 0,9 0,308
Pedro de Toledo 6.330 10.163 2,7 0,266
Penápolis 14.157 59.183 21,9 0,370
Pereira Barreto 18.956 24.821 9,2 0,371
Pereiras 17.463 7.910 2,1 0,265
Peruíbe 9.367 57.151 22,4 0,392
Piacatu 8.572 5.398 1,8 0,333
Piedade 9.446 49.607 8,7 0,175
Pilar do Sul 8.878 28.058 8,2 0,292
Pindamonhangaba 28.317 142.997 67,6 0,473
Pindorama 11.371 15.178 5,6 0,369
Pinhalzinho 8.139 12.451 2,4 0,193
Piquerobi 8.861 3.756 1,1 0,293
Piquete 5.631 14.766 5,5 0,372
Piracaia 9.581 22.815 9,1 0,399
Piracicaba 24.226 365.440 211,4 0,578
Piraju 10.250 29.282 10,2 0,348
Pirajuí 8.362 22.014 8,7 0,395
Pirangi 10.658 10.744 3,7 0,344
Pirapora do Bom Jesus 9.654 15.410 6,2 0,402
Pirapozinho 15.474 24.964 9,4 0,377
Pirassununga 16.616 70.912 25,2 0,355
Piratininga 7.762 11.868 4,0 0,337
Pitangueiras 10.620 35.070 13,2 0,376
Planalto 12.924 4.247 1,3 0,306
Platina 16.411 3.359 1,0 0,298
Poá 18.867 111.016 54,9 0,495
Poloni 11.068 5.074 1,8 0,355
Pompéia 21.461 19.998 7,4 0,370
Pongaí 10.903 3.530 1,1 0,312
Pontal 12.158 38.409 14,8 0,385
Pontalinda 7.995 4.142 1,3 0,314
Pontes Gestal 36.809 2.557 0,8 0,313
Populina 11.996 4.275 1,3 0,304
Porangaba 7.730 8.739 1,8 0,206
Porto Feliz 14.618 47.774 15,4 0,322
Porto Ferreira 15.860 50.791 19,5 0,384
Potim 6.309 20.026 7,6 0,380
Potirendaba 12.301 15.003 5,1 0,340
Pracinha 5.042 3.102 1,0 0,322
Pradópolis 20.268 16.287 6,0 0,368

84
Continua

Praia Grande 9.543 244.533 146,7 0,600


Pratânia 10.397 4.555 1,3 0,285
Presidente Alves 13.093 4.502 1,4 0,311
Presidente Bernardes 7.599 15.327 4,2 0,274
Presidente Epitácio 8.863 40.775 15,1 0,370
Presidente Prudente 15.436 206.164 121,1 0,587
Presidente Venceslau 9.995 38.368 14,2 0,370
Promissão 20.673 36.997 12,2 0,330
Quadra 13.373 2.779 0,3 0,108
Quatá 19.197 12.467 4,5 0,361
Queiroz 35.940 2.811 0,9 0,320
Queluz 6.766 11.012 3,8 0,345
Quintana 9.484 5.906 2,1 0,356
Rafard 11.917 8.370 2,9 0,346
Rancharia 20.539 29.138 10,1 0,347
Redenção da Serra 6.925 4.230 1,1 0,253
Regente Feijó 14.044 17.671 6,3 0,357
Reginópolis 7.232 7.859 2,5 0,318
Registro 8.825 55.081 17,7 0,321
Restinga 11.470 6.780 2,0 0,295
Ribeira 5.583 3.544 0,4 0,113
Ribeirão Bonito 9.823 11.810 4,2 0,356
Ribeirão Branco 8.357 18.867 3,2 0,170
Ribeirão Corrente 20.817 4.188 1,3 0,310
Ribeirão do Sul 13.955 4.651 1,2 0,258
Ribeirão dos Índios 11.016 2.310 0,7 0,303
Ribeirão Grande 10.276 7.035 0,9 0,128
Ribeirão Pires 13.347 111.402 55,7 0,500
Ribeirão Preto 24.898 558.136 389,0 0,697
Rifaina 8.368 3.783 1,3 0,344
Rincão 7.724 10.807 3,5 0,324
Rinópolis 8.089 9.473 2,9 0,306
Rio Claro 21.372 189.834 92,2 0,486
Rio das Pedras 28.609 28.036 10,5 0,375
Rio Grande da Serra 8.536 41.215 16,5 0,400
Riolândia 7.895 10.365 3,3 0,318
Riversul 6.185 6.588 1,8 0,273
Rosana 35.603 19.428 2,0 0,103
Roseira 17.599 9.446 3,5 0,371
Rubiácea 17.332 2.633 0,6 0,228
Rubinéia 9.468 2.614 0,8 0,306
Sabino 7.891 5.381 1,8 0,335

85
Continua

Sagres 9.722 2.349 0,6 0,255


Sales 9.430 5.325 1,7 0,319
Sales Oliveira 15.968 8.149 2,7 0,331
Salesópolis 7.917 15.897 3,9 0,245
Salmourão 8.715 4.748 1,5 0,316
Saltinho 12.533 7.029 2,3 0,327
Salto 18.570 108.471 53,6 0,494
Salto de Pirapora 10.482 39.224 12,3 0,314
Salto Grande 12.259 8.926 3,1 0,347
Sandovalina 44.204 3.362 0,8 0,238
Santa Adélia 9.455 14.448 5,2 0,360
Santa Albertina 10.347 5.052 1,6 0,317
Santa Bárbara d'Oeste 16.183 187.908 92,8 0,494
Santa Branca 11.760 13.811 5,0 0,362
Santa Clara d'Oeste 9.554 2.141 0,6 0,280
Santa Cruz da 13.376 4.099 0,9 0,220
Conceição
Santa Cruz da 12.723 1.741 0,5 0,287
Esperança
Santa Cruz das 7.023 32.861 12,4 0,377
Palmeiras
Santa Cruz do Rio Pardo 16.371 43.279 14,9 0,344
Santa Ernestina 6.616 5.634 1,7 0,302
Santa Fé do Sul 15.945 28.966 10,9 0,376
Santa Gertrudes 16.242 20.568 8,0 0,389
Santa Isabel 13.278 46.645 14,1 0,302
Santa Lúcia 6.796 8.133 2,9 0,357
Santa Maria da Serra 9.957 5.809 2,0 0,344
Santa Mercedes 9.030 2.617 0,8 0,306
Santa Rita do Passa 12.033 27.447 9,4 0,342
Quatro
Santa Rita d'Oeste 12.608 2.521 0,6 0,238
Santa Rosa de Viterbo 15.296 23.824 9,0 0,378
Santa Salete 17.546 1.441 0,2 0,139
Santana da Ponte Pensa 10.912 1.643 0,4 0,243
Santana de Parnaíba 27.713 110.730 55,4 0,500
Santo Anastácio 9.158 21.195 7,8 0,368
Santo André 20.019 671.696 470,2 0,700
Santo Antônio da Alegria 11.733 6.296 1,8 0,286
Santo Antônio de Posse 16.412 20.973 6,8 0,324
Santo Antônio do 23.698 7.303 1,9 0,260
Aracanguá
Santo Antônio do Jardim 11.885 5.824 1,2 0,206
Santo Antônio do Pinhal 6.791 6.849 1,3 0,190

86
Continua

Santo Expedito 8.341 2.918 0,9 0,308


Santópolis do Aguapeí 8.911 4.199 1,6 0,381
Santos 58.954 417.518 249,2 0,597
São Bento do Sapucaí 6.948 10.918 2,0 0,183
São Bernardo do Campo 37.267 801.580 551,3 0,688
São Caetano do Sul 67.361 151.103 75,6 0,500
São Carlos 17.941 218.080 124,4 0,570
São Francisco 8.703 2.893 0,8 0,277
São João da Boa Vista 18.789 83.369 30,9 0,371
São João das Duas 10.381 2.635 0,8 0,304
Pontes
São João de Iracema 15.541 1.798 0,5 0,278
São João do Pau d'Alho 10.354 2.191 0,6 0,274
São Joaquim da Barra 15.768 45.782 18,0 0,393
São José da Bela Vista 12.026 8.479 2,9 0,342
São José do Barreiro 6.981 4.461 1,1 0,247
São José do Rio Pardo 15.353 53.025 17,6 0,332
São José do Rio Preto 17.034 414.272 233,8 0,564
São José dos Campos 34.008 609.229 421,2 0,691
São Lourenço da Serra 7.166 17.763 6,3 0,355
São Luís do Paraitinga 6.896 10.872 2,6 0,239
São Manuel 15.772 39.434 14,7 0,373
São Miguel Arcanjo 10.169 31.304 7,3 0,233
São Paulo 32.494 10.990.248 12500,0 1,137
São Pedro 9.930 31.257 10,1 0,323
São Pedro do Turvo 10.842 7.393 1,9 0,257
São Roque 15.381 67.669 19,8 0,293
São Sebastião 64.750 72.236 28,6 0,396
São Sebastião da Grama 12.688 12.951 3,1 0,239
São Simão 14.754 14.280 5,0 0,350
São Vicente 7.484 328.522 197,0 0,600
Sarapuí 9.585 8.534 2,2 0,258
Sarutaiá 6.907 3.789 1,1 0,290
Sebastianópolis do Sul 12.449 3.059 0,8 0,262
Serra Azul 5.801 9.880 3,6 0,364
Serra Negra 10.202 25.741 8,9 0,346
Serrana 15.325 38.956 15,2 0,390
Sertãozinho 30.683 109.565 52,4 0,478
Sete Barras 6.842 13.211 1,8 0,136
Severínia 11.024 15.523 5,5 0,354
Silveiras 6.987 5.803 1,1 0,190
Socorro 9.729 34.312 8,8 0,256
Sorocaba 22.684 576.312 397,9 0,690
SudMennucci 14.520 8.075 2,8 0,347

87
Continua

Sumaré 28.660 237.135 140,3 0,592


Suzanápolis 16.914 3.714 1,0 0,269
Suzano 18.952 279.394 162,3 0,581
Tabapuã 9.816 11.851 4,1 0,346
Tabatinga 10.055 14.712 4,6 0,313
Taboão da Serra 17.205 224.757 134,9 0,600
Taciba 38.627 5.637 1,8 0,319
Taguaí 11.296 10.542 3,6 0,341
Taiaçu 9.583 6.053 2,1 0,347
Taiúva 9.236 5.509 1,9 0,345
Tambaú 12.592 22.564 7,7 0,341
Tanabi 10.984 24.424 7,8 0,319
Tapiraí 8.429 8.052 2,2 0,273
Tapiratiba 12.323 12.469 3,6 0,289
Taquaral 11.982 2.953 1,1 0,373
Taquaritinga 10.670 55.372 20,2 0,365
Taquarituba 10.607 22.978 7,7 0,335
Taquarivaí 15.152 5.446 1,1 0,202
Tarabai 6.668 6.406 2,3 0,359
Tarumã 20.738 13.151 4,7 0,357
Tatuí 16.154 107.651 39,5 0,367
Taubaté 25.423 270.918 153,0 0,565
Tejupá 9.337 5.096 1,0 0,196
Teodoro Sampaio 8.500 21.107 6,7 0,317
Terra Roxa 6.991 8.545 3,2 0,374
Tietê 22.008 35.821 13,0 0,363
Timburi 11.271 2.567 0,7 0,273
Torre de Pedra 5.101 3.058 0,7 0,229
Torrinha 8.882 9.245 3,1 0,335
Trabiju 12.902 1.507 0,5 0,332
Tremembé 7.705 40.601 13,9 0,342
Três Fronteiras 9.537 5.167 1,6 0,310
Tuiuti 8.697 6.165 1,1 0,178
Tupã 12.332 64.078 24,4 0,381
Tupi Paulista 9.579 14.298 4,7 0,329
Turiúba 16.647 2.028 0,6 0,296
Turmalina 14.191 1.998 0,5 0,250
Ubarana 14.391 4.799 1,7 0,354
Ubatuba 9.063 79.834 31,1 0,390
Ubirajara 9.619 4.446 1,3 0,292
Uchoa 11.127 9.753 3,4 0,349
União Paulista 19.971 1.508 0,4 0,265
Urânia 8.836 8.998 2,9 0,322
Continua

88
Uru 25.348 1.397 0,4 0,286
Urupês 11.647 12.347 4,1 0,332
Valentim Gentil 13.489 9.952 3,5 0,352
Valinhos 29.520 105.282 39,8 0,378
Valparaíso 11.826 22.165 7,7 0,347
Vargem 7.132 7.092 1,1 0,155
Vargem Grande do Sul 9.338 38.925 14,5 0,373
Vargem Grande Paulista 15.076 43.664 17,5 0,401
Várzea Paulista 12.493 105.954 53,0 0,500
Vera Cruz 9.232 10.065 3,3 0,328
Vinhedo 71.364 62.240 24,3 0,390
Viradouro 7.548 17.924 6,8 0,379
Vista Alegre do Alto 25.335 6.682 2,3 0,344
Vitória Brasil 11.198 1.664 0,5 0,300
Votorantim 14.621 104.413 50,5 0,484
Votuporanga 13.725 80.819 31,1 0,385
Zacarias 16.104 2.384 0,7 0,294
Conclui

89
APÊNDICE B – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES - CETESB REFERENTE
AO PERÍODO DE 2010

Tabela A2. Dados relacionados à geração de resíduos nas cidades do Estado de


São Paulo no período de 2010

PIB per Resíduo GPC


Cidade População
capita (t/dia) (kg.hab-1.d-1)
Adamantina 15.452 33.797 12,8 0,379
Adolfo 18.444 3.557 1,3 0,365
Aguaí 14.845 32.168 11,6 0,361
Águas da Prata 24.927 7.580 2,7 0,356
Águas de Lindóia 10.573 17.261 6,8 0,394
Águas de Santa 18.010 5.598 1,7 0,304
Bárbara
Águas de São Pedro 19.427 2.703 1,1 0,407
Agudos 20.824 34.532 13,2 0,382
Alambari 14.802 4.886 1,5 0,307
Alfredo Marcondes 9.397 3.891 1,3 0,334
Altair 29.265 3.814 1,2 0,315
Altinópolis 14.877 15.609 5,5 0,352
Alto Alegre 8.992 4.105 1,3 0,317
Alumínio 103.119 16.845 5,7 0,338
Álvares Florence 14.598 3.901 1,1 0,282
Álvares Machado 8.372 23.506 8,5 0,362
Álvaro de Carvalho 7.209 4.650 1,2 0,258
Alvinlândia 9.860 3.000 1,1 0,367
Americana 29.850 210.701 125,8 0,597
Américo Brasiliense 17.408 34.522 13,7 0,397
Américo de Campos 9.026 5.706 1,9 0,333
Amparo 27.055 65.836 20,7 0,314
Analândia 15537,,93 4.289 1,4 0,326
Andradina 16.777 55.317 20,7 0,374
Angatuba 15.957 22.211 6,4 0,288
Anhembi 15.829 5.648 1,7 0,301
Anhumas 9.391 3.738 1,2 0,321
Aparecida 10.444 35.043 13,8 0,394
Aparecida d'Oeste 10.133 4.444 1,5 0,338
Apiaí 10.205 25.196 7,3 0,290
Araçariguama 110.551 17.085 4,5 0,263
Araçatuba 16.472 181.618 89,1 0,491
Araçoiaba da Serra 9.757 27.323 7,5 0,274

90
Continua

Aramina 13.620 5.150 1,9 0,369


Arandu 11.096 6.123 1,8 0,294
Arapeí 10.205 2.492 0,7 0,281
Araraquara 20.898 208.725 121,7 0,583
Araras 21.023 118.898 56,2 0,473
Arco-Íris 20.305 1.925 0,4 0,208
Arealva 16.268 7.842 2,5 0,319
Areias 10.413 3.693 1,0 0,271
Areiópolis 7.930 10.581 3,8 0,359
Ariranha 85.371 8.547 3,2 0,374
Artur Nogueira 11.152 44.270 16,0 0,361
Arujá 18.904 74.818 28,7 0,384
Aspásia 10.155 1.809 0,5 0,276
Assis 12.747 95.156 36,4 0,383
Atibaia 20.714 126.614 57,6 0,455
Auriflama 12.324 14.205 5,2 0,366
Avaí 8.996 4.959 1,3 0,262
Avanhandava 9.839 11.311 3,8 0,336
Avaré 12.662 82.935 31,8 0,383
Bady Bassitt 13.650 14.605 5,5 0,377
Balbinos 4.907 3.932 0,5 0,127
Bálsamo 14.921 8.160 3,0 0,368
Bananal 8.163 10.220 3,3 0,323
Barão de Antonina 8.634 3.116 0,8 0,257
Barbosa 7.207 6.593 2,2 0,334
Bariri 15.391 31.603 12,0 0,380
Barra Bonita 19.882 35.256 13,8 0,391
Barra do Chapéu 6.197 5.236 0,6 0,115
Barra do Turvo 5.844 7.729 1,3 0,168
Barretos 14.557 112.102 54,3 0,484
Barrinha 9.854 28.503 11,3 0,396
Barueri 99.596 240.656 144,4 0,600
Bastos 15.076 20.461 7,0 0,342
Batatais 15.855 56.481 20,0 0,354
Bauru 18.906 344.039 203,3 0,591
Bebedouro 32.597 75.044 28,6 0,381
Bento de Abreu 21.860 2.674 1,0 0,374
Bernardino de Campos 11.637 10.777 3,9 0,362
Bertioga 15.056 47.572 18,7 0,393
Bilac 10.870 7.052 2,6 0,369
Birigui 12.706 108.722 52,7 0,485
Biritiba Mirim 9.273 28.573 9,8 0,343
Boa Esperança do Sul 10.561 13.658 4,9 0,359

91
Continua

Bocaina 15.937 10.862 4,0 0,368


Bofete 12.404 9.282 2,4 0,259
Boituva 27.255 48.323 18,2 0,377
Bom Jesus dos 12.597 19.703 7,0 0,355
Perdões
Bom Sucesso de 8.060 3.571 1,0 0,280
Itararé
Borá 60.135 805 0,3 0,373
Boracéia 20.177 4.268 1,5 0,351
Borborema 13.894 14.532 5,2 0,358
Borebi 14.650 2.295 0,8 0,349
Botucatu 17.776 127.370 61,4 0,482
Bragança Paulista 16.375 146.663 71,1 0,485
Braúna 8.087 5.021 1,8 0,358
Brejo Alegre 38.446 2.573 0,8 0,311
Brodowski 10.501 21.105 8,2 0,389
Brotas 15.445 21.580 7,4 0,343
Buri 13.584 18.566 6,0 0,323
Buritama 14.748 15.418 5,8 0,376
Buritizal 59.874 4.055 1,3 0,321
Cabrália Paulista 25.967 4.365 1,5 0,344
Cabreúva 25.559 41.643 14,1 0,339
Caçapava 25.085 84.844 29,0 0,342
Cachoeira Paulista 10.021 30.099 9,8 0,326
Caconde 11.468 18.536 5,1 0,275
Cafelândia 11.461 16.612 5,8 0,349
Caiabu 7.914 4.072 1,3 0,319
Caieiras 19.292 86.623 33,8 0,390
Caiuá 18.600 5.039 0,8 0,159
Cajamar 64.931 64.113 25,1 0,391
Cajati 16.343 28.371 8,3 0,293
Cajobi 11.399 9.759 3,6 0,369
Cajuru 10.606 23.378 8,3 0,355
Campina do Monte 13.281 5.567 1,9 0,341
Alegre
Campinas 29.732 1.080.999 743,7 0,688
Campo Limpo Paulista 11.195 74.114 29,6 0,399
Campos do Jordão 11.750 47.824 19,0 0,397
Campos Novos 16.670 4.539 1,4 0,308
Paulista
Cananéia 8.203 12.226 4,2 0,344
Canas 7.262 4.387 1,6 0,365
Cândido Mota 14.375 29.911 11,2 0,374
Cândido Rodrigues 17.483 2.668 0,9 0,337

92
Continua

Canitar 7.421 4.369 1,7 0,389


Capão Bonito 12.547 46.178 15,1 0,327
Capela do Alto 9.962 17.533 5,8 0,331
Capivari 19.089 48.573 18,4 0,379
Caraguatatuba 11.936 100.899 39,0 0,387
Carapicuíba 7.813 369.908 221,9 0,600
Cardoso 10.862 11.798 4,3 0,364
Casa Branca 20.101 28.312 9,3 0,328
Cássia dos Coqueiros 14.395 2.627 0,7 0,266
Castilho 39.684 18.006 5,4 0,300
Catanduva 19.202 112.843 56,0 0,496
Catiguá 12.699 7.127 2,6 0,365
Cedral 12.453 7.968 2,5 0,314
Cerqueira César 13.999 17.532 6,3 0,359
Cerquilho 80.954 39.649 15,0 0,378
Cesário Lange 12.022 15.547 4,2 0,270
Charqueada 10.736 15.086 5,5 0,365
Chavantes 16.443 12.114 4,5 0,371
Clementina 9.332 7.064 2,7 0,382
Colina 22.649 17.373 6,5 0,374
Colômbia 22.733 5.994 1,7 0,284
Conchal 15.071 25.242 9,5 0,376
Conchas 12.754 16.302 5,3 0,325
Cordeirópolis 65.931 21.085 7,6 0,360
Coroados 14.256 5.238 1,7 0,325
Coronel Macedo 10.972 5.001 1,5 0,300
Corumbataí 21.848 3.874 0,8 0,207
Cosmópolis 13.562 58.821 21,9 0,372
Cosmorama 12.340 7.214 2,0 0,277
Cotia 29.814 201.023 120,6 0,600
Cravinhos 13.785 31.688 12,4 0,391
Cristais Paulista 18.299 7.591 2,2 0,290
Cruzália 23.973 2.270 0,6 0,264
Cruzeiro 12.785 77.070 30,0 0,389
Cubatão 44.656 118.797 59,4 0,500
Cunha 5.372 21.874 4,9 0,224
Descalvado 20.306 31.053 11,1 0,357
Diadema 25.066 386.039 231,6 0,600
Dirce Reis 15.037 1.689 0,5 0,296
Divinolândia 13.980 11.209 3,0 0,268
Dobrada 8.240 7.941 3,1 0,390
Dois Córregos 13.977 24.768 9,4 0,380
Dolcinópolis 9.593 2.096 0,8 0,382

93
Continua

Dourado 10.920 8.607 3,1 0,360


Dracena 12.991 43.263 16,0 0,370
Duartina 9.834 12.251 4,4 0,359
Dumont 10.424 8.143 3,1 0,381
Echaporã 12.173 6.318 2,0 0,317
Eldorado 7.481 14.645 2,9 0,198
Elias Fausto 34.492 15.796 5,0 0,317
Elisiário 15.766 3.120 1,1 0,353
Embaúba 14.675 2.423 0,8 0,330
Embu 14.868 240.007 144,0 0,600
Embu-Guaçu 8.460 62.846 24,5 0,390
Emilianópolis 10.044 3.024 1,0 0,331
Engenheiro Coelho 15.373 15.719 4,6 0,293
Espírito Santo do 15.875 41.919 14,9 0,355
Pinhal
Espírito Santo do Turvo 22.377 4.246 1,5 0,353
Estiva Gerbi 18.335 10.044 3,2 0,319
Estrela do Norte 47.337 2.661 0,8 0,301
Estrela d'Oeste 10.928 8.208 2,7 0,329
Euclides da Cunha 6.021 9.585 2,4 0,250
Paulista
Fartura 10.857 15.324 4,9 0,320
Fernando Prestes 17.485 5.534 1,9 0,343
Fernandópolis 15.392 64.707 25,1 0,388
Fernão 10.466 1.563 0,3 0,192
Ferraz de Vasconcelos 7.705 168.290 80,4 0,478
Flora Rica 15.689 1.752 0,6 0,342
Floreal 12.043 3.003 1,0 0,333
Flórida Paulista 10.952 12.849 4,1 0,319
Florínea 34.147 2.829 1,0 0,353
Franca 12.753 318.785 187,9 0,589
Francisco Morato 5.493 154.538 77,1 0,499
Franco da Rocha 11.910 131.603 60,6 0,460
Gabriel Monteiro 25.609 2.705 0,9 0,333
Gália 10.109 7.011 2,1 0,300
Garça 14.136 43.124 15,7 0,364
Gastão Vidigal 9.053 4.193 1,5 0,358
Gavião Peixoto 38.913 4.420 1,4 0,317
General Salgado 13.951 10.674 3,6 0,337
Getulina 8.703 10.777 3,3 0,306
Glicério 11.137 4.577 1,3 0,284
Guaiçara 11.686 10.671 3,9 0,365
Guaimbê 8.848 5.425 1,9 0,350
Guaíra 21.982 37.412 14,4 0,385

94
Continua

Guapiaçu 21.734 17.885 6,3 0,352


Guapiara 8.397 17.988 2,9 0,161
Guará 13.073 19.864 7,7 0,388
Guaraçaí 11.153 8.435 2,7 0,320
Guaraci 11.102 9.976 3,6 0,361
Guarani d'Oeste 9.577 1.969 0,7 0,356
Guarantã 18.960 6.400 2,2 0,344
Guararapes 17.950 30.600 11,3 0,369
Guararema 15.919 25.861 8,9 0,344
Guaratinguetá 20.615 112.091 53,4 0,476
Guareí 8.852 14.568 3,4 0,233
Guariba 14.573 35.491 13,9 0,392
Guarujá 11.131 290.607 174,3 0,600
Guarulhos 24.994 1.222.357 855,6 0,700
Guatapará 14.460 6.966 2,0 0,287
Guzolândia 9.353 4.754 1,6 0,337
Herculândia 12.455 8.696 3,2 0,368
Holambra 49.323 11.292 3,3 0,292
Hortolândia 23.588 192.225 96,1 0,500
Iacanga 35.530 10.010 3,5 0,350
Iacri 10.126 6.419 2,0 0,312
Iaras 9.140 6.377 1,1 0,172
Ibaté 11.750 30.724 11,8 0,384
Ibirá 9.932 10.868 4,0 0,368
Ibirarema 13.456 6.725 2,5 0,372
Ibitinga 13.389 53.166 20,4 0,384
Ibiúna 10.434 71.228 10,0 0,140
Icém 13.835 7.462 2,6 0,348
Iepê 15.813 7.627 2,7 0,354
Igaraçu do Tietê 6.558 23.370 9,3 0,398
Igarapava 19.272 27.960 10,5 0,376
Igaratá 9.413 8.825 2,8 0,317
Iguape 8.232 28.844 9,9 0,343
Ilha Comprida 9.631 9.027 3,6 0,399
Ilha Solteira 44.505 25.071 9,4 0,375
Ilhabela 11.676 28.176 11,2 0,398
Indaiatuba 28.055 201.848 99,9 0,495
Indiana 7.902 4.828 1,7 0,352
Indiaporã 11.211 3.906 1,4 0,358
Inúbia Paulista 13.309 3.630 1,3 0,358
Ipaussu 14.439 13.746 5,1 0,371
Iperó 12.849 28.301 7,0 0,247
Ipeúna 20.179 6.016 2,1 0,349

95
Continua

Ipiguá 8.085 4.459 1,1 0,247


Iporanga 5.527 4.302 1,0 0,232
Ipuã 12.891 14.146 5,4 0,382
Iracemápolis 26.432 20.047 7,9 0,394
Irapuã 12.510 7.284 2,6 0,357
Irapuru 7.953 7.787 2,2 0,283
Itaberá 18504.23 17.861 4,9 0,274
Itaí 14.249 24.015 7,5 0,312
Itajobi 13.866 14.553 4,9 0,337
Itaju 15.954 3.263 1,0 0,306
Itanhaém 9.436 87.053 34,5 0,396
Itaóca 6.731 3.228 0,7 0,217
Itapecerica da Serra 19.800 152.380 75,6 0,496
Itapetininga 14.547 144.416 65,5 0,454
Itapeva 12.484 87.765 29,6 0,337
Itapevi 17.671 200.874 120,5 0,600
Itapira 21.052 68.365 25,4 0,372
Itapirapuã Paulista 5.937 3.884 0,8 0,206
Itápolis 16.244 40.064 14,5 0,362
Itaporanga 8.072 14.546 4,4 0,302
Itapuí 16.847 12.181 4,7 0,386
Itapura 15.724 4.360 1,4 0,321
Itaquaquecetuba 7.964 321.854 193,1 0,600
Itararé 10.715 47.939 17,7 0,369
Itariri 5.789 15.471 4,0 0,259
Itatiba 29.562 101.450 34,3 0,338
Itatinga 11.849 18.052 6,6 0,366
Itirapina 11.481 15.528 5,6 0,361
Itirapuã 9.902 5.914 2,0 0,338
Itobi 8.766 7.545 2,7 0,358
Itu 26.250 154.200 72,2 0,468
Itupeva 40.893 44.825 15,6 0,348
Ituverava 12.604 38.699 14,6 0,377
Jaborandi 11.050 6.592 2,5 0,379
Jaboticabal 19.416 71.667 27,8 0,388
Jacareí 22.706 211.308 125,0 0,592
Jaci 24.579 5.657 1,9 0,336
Jacupiranga 10.563 17.196 3,7 0,215
Jaguariúna 66.034 44.331 17,2 0,388
Jales 13.370 47.012 17,7 0,376
Jambeiro 133.669 5.350 1,0 0,187
Jandira 12.574 108.436 54,2 0,500
Jardinópolis 13.016 37.725 14,5 0,384

96
Continua

Jarinu 17.487 23.827 7,4 0,311


Jaú 12.991 131.068 63,5 0,484
Jeriquara 23.446 3.168 1,0 0,316
Joanópolis 11.990 11.771 4,7 0,399
João Ramalho 11.868 4.138 1,4 0,338
José Bonifácio 22.786 32.774 11,9 0,363
Júlio Mesquita 7.230 4.430 1,7 0,384
Jumirim 21.537 2.801 0,7 0,250
Jundiaí 47.396 370.251 212,6 0,574
Junqueirópolis 10.928 18.726 6,2 0,331
Juquiá 7.452 19.269 4,9 0,254
Juquitiba 7.601 28.732 8,9 0,310
Lagoinha 9.788 4.840 1,3 0,269
Laranjal Paulista 15.630 25.246 9,0 0,356
Lavínia 10.404 8.782 1,7 0,194
Lavrinhas 8.365 6.586 2,4 0,364
Leme 15.044 91.804 36,0 0,392
Lençóis Paulista 29.470 61.454 24,0 0,391
Limeira 20.428 276.010 160,7 0,582
Lindóia 11.322 6.708 2,7 0,403
Lins 26.196 71.493 28,3 0,396
Lorena 14.380 82.553 32,1 0,389
Lourdes 11.926 2.123 0,7 0,330
Louveira 174.892 37.153 14,3 0,385
Lucélia 10.182 19.885 6,9 0,347
Lucianópolis 11.368 2.255 0,7 0,310
Luís Antônio 51.440 11.286 4,4 0,390
Luiziânia 9.659 5.030 1,8 0,358
Lupércio 9.904 4.353 1,5 0,345
Lutécia 16.014 2.703 0,9 0,333
Macatuba 40.175 16.246 6,3 0,388
Macaubal 11.069 7.663 2,7 0,352
Macedônia 10.985 3.664 1,1 0,300
Magda 12.045 3.200 1,1 0,344
Mairinque 20.931 43.225 13,9 0,322
Mairiporã 13.005 80.920 28,3 0,350
Manduri 8.986 8.999 3,1 0,344
Marabá Paulista 8.980 4.812 0,9 0,187
Maracaí 33.563 13.344 4,8 0,360
Marapoama 29.446 2.633 0,9 0,342
Mariápolis 8.117 3.916 1,3 0,332
Marília 15.197 216.684 124,6 0,575
Marinópolis 12.354 2.113 0,7 0,331

97
Continua

Martinópolis 11.467 24.260 8,2 0,338


Matão 66.315 76.799 30,2 0,393
Mauá 15.750 417.281 250,4 0,600
Mendonça 11.548 4.640 1,5 0,323
Meridiano 10.731 3.851 1,1 0,286
Mesópolis 21.088 1.886 0,6 0,318
Miguelópolis 12.859 20.442 7,7 0,377
Mineiros do Tietê 7.990 12.042 4,6 0,382
Mira Estrela 12.385 2.827 0,8 0,283
Miracatu 7.117 20.595 4,2 0,204
Mirandópolis 9.079 27.475 9,8 0,357
Mirante do 6.732 17.064 4,0 0,234
Paranapanema
Mirassol 14.083 53.809 21,0 0,390
Mirassolândia 7.794 4.295 1,4 0,326
Mococa 15.338 66.303 24,5 0,370
Mogi das Cruzes 20.552 387.241 214,4 0,554
Mogi Guaçu 17.998 137.286 65,2 0,475
Mogi Mirim 25.818 86.244 32,3 0,375
Mombuca 9.229 3.266 1,1 0,337
Monções 67.560 2.134 0,7 0,328
Mongaguá 10.148 46.310 18,4 0,397
Monte Alegre do Sul 12.452 7.148 1,6 0,224
Monte Alto 19.276 46.647 17,8 0,382
Monte Aprazível 20.927 21.748 7,9 0,363
Monte Azul Paulista 12.084 18.931 7,1 0,375
Monte Castelo 12.362 4.063 1,3 0,320
Monte Mor 24.086 48.971 18,4 0,376
Monteiro Lobato 8.466 4.123 0,7 0,170
Morro Agudo 24.508 29.127 11,2 0,385
Morungaba 17.485 11.775 4,0 0,340
Motuca 14.649 4.290 1,2 0,280
Murutinga do Sul 10.152 4.186 1,0 0,239
Nantes 32.441 2.707 1,0 0,369
Narandiba 57.986 4.289 1,2 0,280
Natividade da Serra 5.884 6.681 1,1 0,165
Nazaré Paulista 10.488 16.413 5,6 0,341
Neves Paulista 12.047 8.777 3,2 0,365
Nhandeara 13.907 10.725 3,5 0,326
Nipoã 11.724 4.274 1,5 0,351
Nova Aliança 15.364 5.891 2,0 0,340
Nova Campina 14.812 8.515 2,3 0,270
Nova Canaã Paulista 13.547 2.114 0,4 0,189

98
Continua

Nova Castilho 23.688 1.127 0,3 0,266


Nova Europa 11.264 9.301 3,5 0,376
Nova Granada 11.874 19.178 7,1 0,370
Nova Guataporanga 6.937 2.178 0,8 0,367
Nova Independência 76.753 3.072 1,0 0,326
Nova Luzitânia 7.844 3.441 1,2 0,349
Nova Odessa 32.862 51.278 20,2 0,394
Novais 9.546 4.595 1,7 0,370
Novo Horizonte 21.541 36.612 13,6 0,371
Nuporanga 19.983 6.817 2,5 0,367
Ocauçu 10.360 4.163 1,3 0,312
Óleo 13.755 2.673 0,7 0,262
Olímpia 18.399 49.792 18,8 0,378
Onda Verde 32.456 3.884 1,2 0,309
Oriente 8.391 6.097 2,3 0,377
Orindiúva 17.540 5.678 2,1 0,370
Orlândia 20.984 39.781 15,5 0,390
Osasco 43.994 666.469 466,5 0,700
Oscar Bressane 11.445 2.539 0,8 0,315
Osvaldo Cruz 13.066 30.917 11,1 0,359
Ourinhos 14.063 103.026 50,2 0,487
Ouro Verde 8.892 7.794 2,9 0,372
Ouroeste 74.371 8.406 3,0 0,357
Pacaembu 8.534 12.934 3,9 0,302
Palestina 12.120 11.052 3,7 0,335
Palmares Paulista 6.075 10.938 4,2 0,384
Palmeira d'Oeste 11.139 9.584 2,9 0,303
Palmital 18.207 21.257 7,8 0,367
Panorama 8.441 14.603 5,7 0,390
Paraguaçu Paulista 16.200 42.281 15,3 0,362
Paraibuna 9.319 17.384 2,1 0,121
Paraíso 12.190 5.907 2,1 0,356
Paranapanema 16.426 17.810 5,8 0,326
Paranapuã 12.073 3.815 1,4 0,367
Parapuã 13.921 10.844 3,6 0,332
Pardinho 22.855 5.582 1,8 0,322
Pariquera-Açu 10.335 18.453 5,1 0,276
Parisi 10.232 2.032 0,7 0,344
Patrocínio Paulista 21.720 13.002 4,2 0,323
Paulicéia 12.737 6.342 2,1 0,331
Paulínia 91.985 82.150 32,8 0,399
Paulistânia 12.217 1.778 0,5 0,281
Paulo de Faria 12.827 8.589 3,1 0,361

99
Continua

Pederneiras 14.437 41.530 15,4 0,371


Pedra Bela 8.614 5.780 0,6 0,104
Pedranópolis 10.975 2.561 0,6 0,234
Pedregulho 15.445 15.699 4,6 0,293
Pedreira 14.927 41.549 16,5 0,397
Pedrinhas Paulista 25.925 2.936 1,0 0,341
Pedro de Toledo 6.903 10.213 2,8 0,274
Penápolis 14.946 58.529 22,4 0,383
Pereira Barreto 27.612 24.959 9,3 0,373
Pereiras 17.756 7.468 2,0 0,268
Peruíbe 10.653 59.793 23,6 0,395
Piacatu 10.277 5.287 1,9 0,359
Piedade 10.917 52.214 9,5 0,182
Pilar do Sul 10.316 26.411 8,2 0,310
Pindamonhangaba 28.851 147.034 70,9 0,482
Pindorama 12.288 15.043 5,7 0,379
Pinhalzinho 8.915 13.104 2,6 0,198
Piquerobi 9.830 3.541 1,1 0,311
Piquete 7.108 14.107 5,3 0,376
Piracaia 10.629 25.139 10,1 0,402
Piracicaba 26.031 364.872 213,1 0,584
Piraju 11.820 28.489 10,2 0,358
Pirajuí 9.349 22.724 7,4 0,326
Pirangi 11.041 10.623 3,8 0,358
Pirapora do Bom Jesus 7.882 15.727 6,3 0,401
Pirapozinho 15.584 24.718 9,4 0,380
Pirassununga 18.276 70.138 25,7 0,366
Piratininga 8.406 12.072 4,1 0,340
Pitangueiras 12.360 35.314 13,6 0,385
Planalto 15.797 4.472 1,5 0,335
Platina 14.645 3.192 1,0 0,313
Poá 20.229 106.033 52,2 0,492
Poloni 13.126 5.395 1,9 0,352
Pompéia 23.076 19.963 7,4 0,371
Pongaí 12.014 3.479 1,2 0,345
Pontal 14.804 40.245 15,8 0,393
Pontalinda 9.120 4.074 1,4 0,344
Pontes Gestal 33.207 2.523 0,9 0,357
Populina 13.997 4.223 1,4 0,332
Porangaba 8.239 8.333 1,6 0,192
Porto Feliz 16.125 48.914 16,4 0,335
Porto Ferreira 17.414 51.407 20,2 0,393
Potim 7.289 19.413 5,9 0,304

100
Continua

Potirendaba 14.565 15.453 5,6 0,362


Pracinha 5.451 2.863 0,5 0,175
Pradópolis 34.566 17.404 6,5 0,373
Praia Grande 11.143 260.769 156,5 0,600
Pratânia 12.426 4.599 1,4 0,304
Presidente Alves 12.473 4.123 1,4 0,340
Presidente Bernardes 9.570 13.544 4,2 0,310
Presidente Epitácio 10.034 41.324 15,4 0,373
Presidente Prudente 17.434 207.625 122,0 0,588
Presidente Venceslau 11.248 37.915 14,5 0,382
Promissão 20.537 35.688 12,0 0,336
Quadra 19.002 3.236 0,3 0,093
Quatá 26.134 12.828 4,8 0,374
Queiroz 66.846 2.808 1,0 0,356
Queluz 7.040 11.325 3,7 0,327
Quintana 10.990 6.008 2,2 0,366
Rafard 13.911 8.624 3,0 0,348
Rancharia 24.630 28.773 10,3 0,358
Redenção da Serra 8.496 3.879 0,9 0,232
Regente Feijó 16.210 18.496 6,8 0,368
Reginópolis 7.923 7.325 1,7 0,232
Registro 10.617 54.279 19,3 0,356
Restinga 11.308 6.587 2,1 0,319
Ribeira 6.301 3.358 0,5 0,149
Ribeirão Bonito 10.184 12.129 4,5 0,371
Ribeirão Branco 10.915 18.272 3,7 0,202
Ribeirão Corrente 20.842 4.273 1,4 0,328
Ribeirão do Sul 12.119 4.464 1,3 0,291
Ribeirão dos Índios 12.558 2.187 0,7 0,320
Ribeirão Grande 11.821 7.419 0,9 0,121
Ribeirão Pires 14.564 113.043 56,5 0,500
Ribeirão Preto 26.084 605.114 422,4 0,698
Rifaina 9.279 3.436 1,2 0,349
Rincão 7.753 10.414 3,4 0,326
Rinópolis 9.621 9.935 3,5 0,352
Rio Claro 23.570 186.299 90,9 0,488
Rio das Pedras 32.643 29.508 11,4 0,386
Rio Grande da Serra 10.135 44.084 17,6 0,399
Riolândia 9.508 10.574 3,3 0,312
Riversul 6.697 6.165 1,8 0,292
Rosana 41.153 19.691 6,3 0,320
Roseira 25.260 9.606 3,6 0,375
Rubiácea 21.538 2.729 0,6 0,220

101
Continua

Rubinéia 12.440 2.862 0,9 0,314


Sabino 13.148 5.226 1,8 0,344
Sagres 10.654 2.395 0,7 0,292
Sales 10.832 5.450 2,0 0,367
Sales Oliveira 19.449 10.568 3,8 0,360
Salesópolis 9.543 15.639 4,0 0,256
Salmourão 11.152 4.818 1,7 0,353
Saltinho 14.997 7.059 2,4 0,340
Salto 19.888 105.569 52,4 0,496
Salto de Pirapora 12.096 40.141 12,6 0,314
Salto Grande 12.599 8.787 3,2 0,364
Sandovalina 66.348 3.699 1,0 0,270
Santa Adélia 12.549 14.333 5,4 0,377
Santa Albertina 11.301 5.723 2,0 0,349
Santa Bárbara d'Oeste 16.434 180.148 89,4 0,496
Santa Branca 9.845 13.770 4,9 0,356
Santa Clara d'Oeste 10.275 2.084 0,6 0,288
Santa Cruz da 13.493 3.998 1,1 0,275
Conceição
Santa Cruz da 18.236 1.953 0,5 0,256
Esperança
Santa Cruz das 7.606 29.974 11,6 0,387
Palmeiras
Santa Cruz do Rio 18.882 43.929 16,1 0,367
Pardo
Santa Ernestina 7.751 5.568 2,1 0,377
Santa Fé do Sul 19.174 29.235 11,2 0,383
Santa Gertrudes 17.542 21.644 8,6 0,397
Santa Isabel 15.965 50.464 15,8 0,313
Santa Lúcia 7.970 8.246 3,1 0,376
Santa Maria da Serra 12.273 5.418 1,9 0,351
Santa Mercedes 8.439 2.831 1,0 0,353
Santa Rita do Passa 15.722 26.420 9,5 0,360
Quatro
Santa Rita d'Oeste 15.722 2.543 0,7 0,275
Santa Rosa de Viterbo 17.705 23.871 9,1 0,381
Santa Salete 16.754 1.447 0,3 0,207
Santana da Ponte 11.954 1.641 0,4 0,244
Pensa
Santana de Parnaíba 28.285 108.875 54,4 0,500
Santo Anastácio 10.605 20.498 7,6 0,371
Santo André 21.844 673.914 471,7 0,700
Santo Antônio da 14.995 6.304 1,9 0,301
Alegria

102
Continua

Santo Antônio de 14.784 20.635 7,5 0,363


Posse
Santo Antônio do 26.159 7.627 2,4 0,315
Aracanguá
Santo Antônio do 13.524 5.943 1,4 0,236
Jardim
Santo Antônio do 8.207 6.516 1,5 0,230
Pinhal
Santo Expedito 9.274 2.806 1,0 0,356
Santópolis do Aguapeí 9.959 4.281 1,7 0,397
Santos 54.055 419.757 251,7 0,600
São Bento do Sapucaí 8.336 10.462 2,0 0,191
São Bernardo do 35.680 765.203 526,7 0,688
Campo
São Caetano do Sul 58.650 149.571 74,8 0,500
São Carlos 20.519 221.936 127,8 0,576
São Francisco 9.137 2.793 0,9 0,322
São João da Boa Vista 19.170 83.661 32,1 0,384
São João das Duas 11.860 2.566 0,8 0,312
Pontes
São João de Iracema 15.398 1.780 0,6 0,337
São João do Pau 16.601 2.103 0,7 0,333
d'Alho
São Joaquim da Barra 19.542 46.524 18,3 0,393
São José da Bela Vista 14.240 8.407 3,0 0,357
São José do Barreiro 7.022 4.097 1,1 0,268
São José do Rio Pardo 19.098 51.910 18,4 0,354
São José do Rio Preto 18.776 408.435 230,1 0,563
São José dos Campos 35.751 627.544 430,9 0,687
São Lourenço da Serra 7.540 13.985 5,1 0,365
São Luís do Paraitinga 7.593 10.404 2,5 0,240
São Manuel 19.759 38.390 15,0 0,391
São Miguel Arcanjo 11.843 31.452 8,6 0,273
São Paulo 35.272 11.244.369 11000,0 0,978
São Pedro 11.031 31.688 10,7 0,338
São Pedro do Turvo 12.840 7.208 2,1 0,291
São Roque 17.309 78.873 28,6 0,363
São Sebastião 41.339 73.833 29,2 0,395
São Sebastião da 11.773 12.100 3,2 0,264
Grama
São Simão 15.173 14.350 5,2 0,362
São Vicente 8.762 332.424 199,1 0,599
Sarapuí 11.634 9.027 2,7 0,299
Sarutaiá 7.663 3.622 1,2 0,331
Sebastianópolis do Sul 17.747 3.031 0,9 0,297

103
Continua

Serra Azul 7.260 11.259 3,2 0,284


Serra Negra 12.134 26.362 9,1 0,345
Serrana 17.763 38.891 15,4 0,396
Sertãozinho 37.439 110.094 54,4 0,494
Sete Barras 8.518 13.006 2,8 0,215
Severínia 11.612 15.504 5,9 0,381
Silveiras 7.976 5.792 1,2 0,207
Socorro 11.632 36.695 10,0 0,273
Sorocaba 24.272 586.311 406,2 0,693
SudMennucci 15.940 7.440 2,6 0,349
Sumaré 28.629 241.437 143,2 0,593
Suzanápolis 28.011 3.383 0,9 0,266
Suzano 19.553 262.568 152,0 0,579
Tabapuã 11.871 11.366 4,2 0,370
Tabatinga 10.962 14.686 5,0 0,340
Taboão da Serra 17.751 244.719 146,8 0,600
Taciba 45.487 5.714 1,9 0,333
Taguaí 11.107 10.825 3,1 0,286
Taiaçu 10.143 5.894 2,1 0,356
Taiúva 9.976 5.447 2,0 0,367
Tambaú 13.334 22.410 8,0 0,357
Tanabi 12.038 24.055 8,7 0,362
Tapiraí 8.669 8.015 2,3 0,287
Tapiratiba 13.018 12.743 4,2 0,330
Taquaral 13.159 2.726 1,0 0,367
Taquaritinga 11.585 53.985 20,5 0,380
Taquarituba 10.986 22.294 7,8 0,350
Taquarivaí 16.648 5.149 1,1 0,214
Tarabai 7.480 6.605 2,4 0,363
Tarumã 23.932 12.883 4,8 0,373
Tatuí 17.412 107.975 51,2 0,474
Taubaté 30.446 278.724 163,6 0,587
Tejupá 9.625 4.809 1,2 0,250
Teodoro Sampaio 10.514 21.389 6,9 0,323
Terra Roxa 8.890 8.505 3,2 0,376
Tietê 21.691 36.827 13,4 0,364
Timburi 11.587 2.646 0,8 0,302
Torre de Pedra 5.695 2.257 0,6 0,266
Torrinha 9.608 9.330 3,2 0,343
Trabiju 11.997 1.544 0,6 0,389
Tremembé 9.555 40.985 14,8 0,361
Três Fronteiras 9.631 5.428 1,8 0,332
Tuiuti 10.823 5.935 1,2 0,202

104
Continua

Tupã 14.450 63.492 24,4 0,384


Tupi Paulista 10.520 14.262 4,5 0,316
Turiúba 19.426 1.927 0,6 0,311
Turmalina 13.847 1.978 0,6 0,303
Ubarana 14.917 5.286 1,9 0,359
Ubatuba 10.404 78.870 30,8 0,391
Ubirajara 10.080 4.429 1,3 0,294
Uchoa 13.493 9.475 3,5 0,369
União Paulista 23.604 1.599 0,5 0,313
Urânia 9.714 8.836 3,0 0,340
Uru 29.893 1.251 0,4 0,320
Urupês 12.729 12.720 4,5 0,354
Valentim Gentil 15.139 11.031 4,0 0,363
Valinhos 28.307 106.968 50,9 0,476
Valparaíso 14.525 22.617 8,6 0,380
Vargem 8.467 8.801 1,8 0,205
Vargem Grande do Sul 11.125 39.266 14,9 0,379
Vargem Grande 14.140 42.946 17,2 0,401
Paulista
Várzea Paulista 13.256 107.146 53,6 0,500
Vera Cruz 9.593 10.769 3,7 0,344
Vinhedo 90.960 63.685 24,7 0,388
Viradouro 8.306 17.307 6,7 0,387
Vista Alegre do Alto 20.992 6.889 2,5 0,363
Vitória Brasil 10.498 1.737 0,6 0,345
Votorantim 17.208 108.872 52,3 0,480
Votuporanga 14.001 84.728 32,9 0,388
Zacarias 16.718 2.334 0,7 0,300
Conclui

105
APÊNDICE C – DADOS LEVANTADOS MEDIANTE PESQUISAS DO
INVENTÁRIO ESTADUAL DE RESÍDS DOMICILIARES- CETESB REFERENTE
AO PERÍODO DE 2012

Tabela A3. Dados relacionados à geração de resíduos nas cidades do Estado de


São Paulo no período de 2012
Cidade PIB per População Resíduo GPC
capita (t/dia) (kg.hab-1.d-1)
Adamantina 15.128,77 33.825 12,8 0,378
Adolfo 30.778,25 3.546 1,3 0,367
Aguaí 21.370,02 32.539 11,7 0,360
Águas da Prata 16.157,12 7.627 2,7 0,354
Águas de Lindóia 13.263,52 17.372 6,7 0,386
Águas de Santa Bárbara 24.915,25 5.638 1,7 0,302
Águas de São Pedro 23.267,65 2.798 1,1 0,393
Agudos 32.120,21 34.718 13,3 0,383
Alambari 20.760,00 5.015 1,5 0,299
Alfredo Marcondes 13.700,56 3.909 1,3 0,333
Altair 44.200,66 3.843 1,2 0,312
Altinópolis 21.731,26 15.620 5,5 0,352
Alto Alegre 18.487,80 4.087 1,3 0,318
Alumínio 87.265,68 16.993 5,7 0,335
Álvares Florence 20.831,62 3.860 1,1 0,285
Álvares Machado 10.722,06 23.596 8,5 0,360
Álvaro de Carvalho 10.414,62 4.703 1,2 0,255
Alvinlândia 13.364,99 3.016 1,1 0,365
Americana 32.210,66 213.423 127,1 0,596
Américo Brasiliense 19.896,75 35.115 13,9 0,396
Américo de Campos 13.685,49 5.716 1,9 0,332
Amparo 33.903,06 66.356 20,9 0,315
Analândia 22.251,85 4.365 1,4 0,321
Andradina 25.286,33 55.353 20,7 0,374
Angatuba 25.073,97 22.498 6,4 0,284
Anhembi 20.245,39 5.769 1,7 0,295
Anhumas 11.478,09 3.769 1,2 0,318
Aparecida 13.819,42 35.018 13,8 0,394
Aparecida d'Oeste 13.492,16 4.408 1,4 0,318
Apiaí 15.069,03 25.020 7,2 0,288
Araçariguama 83.736,76 17.761 7,0 0,394
Araçatuba 21.380,97 182.760 89,5 0,490
Araçoiaba da Serra 14.859,90 28.113 7,7 0,274
Aramina 18.469,94 5.190 1,9 0,366
Arandu 18.361,66 6.129 1,8 0,294

106
Continua

Arapeí 12.442,80 2.482 0,7 0,282


Araraquara 24.842,52 211.247 122,8 0,581
Araras 22.967,81 120.291 56,8 0,472
Arco-Íris 26.953,21 1.905 0,4 0,210
Arealva 20.089,43 7.898 2,5 0,317
Areias 10.793,11 3.705 1,0 0,270
Areiópolis 11.027,96 10.606 3,8 0,358
Ariranha 67.942,90 8.653 3,3 0,381
Artur Nogueira 14.948,61 45.369 16,3 0,359
Arujá 27.008,92 76.557 29,2 0,381
Aspásia 16.577,70 1.804 0,5 0,277
Assis 17.254,73 95.908 36,6 0,382
Atibaia 26.394,59 128.124 58,1 0,453
Auriflama 16.594,90 14.267 5,2 0,364
Avaí 23.171,65 4.993 1,3 0,260
Avanhandava 14.545,00 11.569 3,9 0,337
Avaré 16.218,70 83.565 31,9 0,382
Bady Bassitt 29.190,29 14.927 5,6 0,375
Balbinos 9.200,80 4.068 0,5 0,123
Bálsamo 19.910,99 8.240 3,0 0,364
Bananal 11.013,57 10.272 3,3 0,321
Barão de Antonina 14.787,16 3.147 0,8 0,254
Barbosa 11.910,82 6.666 2,3 0,345
Bariri 22.376,59 31.922 12,1 0,379
Barra Bonita 23.523,91 35.229 13,8 0,392
Barra do Chapéu 10.081,86 5.282 0,6 0,114
Barra do Turvo 8.346,91 7.696 1,3 0,169
Barretos 19.506,71 112.885 54,6 0,484
Barrinha 11.853,39 28.928 11,4 0,394
Barueri 131.461,66 244.045 145,9 0,598
Bastos 26.996,47 20.433 7,0 0,343
Batatais 20.448,56 56.998 20,1 0,353
Bauru 23.047,15 346.650 204,2 0,589
Bebedouro 43.456,61 75.062 28,6 0,381
Bento de Abreu 36.672,18 2.702 1,0 0,370
Bernardino de Campos 15.206,30 10.781 3,9 0,362
Bertioga 17.417,29 49.728 19,3 0,388
Bilac 14.358,04 7.143 2,6 0,364
Birigui 17.427,94 110.167 53,3 0,484
Biritiba Mirim 13.117,16 28.970 9,9 0,342
Boa Esperança do Sul 19.994,42 13.750 4,9 0,356
Bocaina 22.039,06 11.000 4,0 0,364
Bofete 18.246,51 9.858 2,5 0,254

107
Continua
Boituva 31.685,54 49.851 18,6 0,373
Bom Jesus dos Perdões 17.385,96 20.429 7,1 0,348
Bom Sucesso de Itararé 12.831,90 3.605 1,0 0,277
Borá 35.083,82 806 0,3 0,372
Boracéia 28.869,67 4.320 1,5 0,347
Borborema 18.607,05 14.658 5,3 0,362
Borebi 35.046,37 2.330 0,8 0,343
Botucatu 24.489,04 129.234 62,0 0,480
Bragança Paulista 21.005,91 148.925 71,9 0,483
Braúna 11.843,33 5.083 1,8 0,354
Brejo Alegre 45.048,77 2.599 0,9 0,346
Brodowski 13.582,73 21.514 8,4 0,390
Brotas 21.346,88 21.848 7,5 0,343
Buri 19.213,86 18.654 6,0 0,322
Buritama 18.464,72 15.569 5,9 0,379
Buritizal 58.867,69 4.090 1,3 0,318
Cabrália Paulista 33.056,96 4.340 1,5 0,346
Cabreúva 56.316,20 42.500 14,3 0,336
Caçapava 29.419,88 85.593 29,2 0,341
Cachoeira Paulista 13.689,58 30.373 9,9 0,326
Caconde 13.670,16 18.554 5,1 0,275
Cafelândia 18.045,92 16.683 5,8 0,348
Caiabu 13.284,63 4.072 1,3 0,319
Caieiras 23.527,34 88.122 34,2 0,388
Caiuá 17.312,95 5.125 0,8 0,156
Cajamar 89.628,40 65.513 25,5 0,389
Cajati 19.785,81 28.301 8,3 0,293
Cajobi 14.145,06 9.824 3,7 0,377
Cajuru 12.926,86 23.624 8,4 0,356
Campina do Monte Alegre 21.705,64 5.602 1,9 0,339
Campinas 37.179,10 1.090.915 750,1 0,688
Campo Limpo Paulista 14.611,50 75.118 29,9 0,398
Campos do Jordão 13.424,06 48.132 19,1 0,397
Campos Novos Paulista 22.873,84 4.573 1,4 0,306
Cananéia 10.897,25 12.223 4,2 0,344
Canas 10.010,15 4.464 1,7 0,381
Cândido Mota 19.596,07 29.944 11,3 0,377
Cândido Rodrigues 21.860,95 2.674 0,9 0,337
Canitar 10.077,67 4.462 1,7 0,381
Capão Bonito 14.066,42 46.129 15,1 0,327
Capela do Alto 12.579,33 17.871 5,9 0,330
Capivari 25.621,88 49.288 18,6 0,377
Caraguatatuba 15.157,46 103.148 39,3 0,381

108
Continua
Carapicuíba 10.585,76 372.010 222,9 0,599
Cardoso 14.154,20 11.822 4,3 0,364
Casa Branca 22.536,32 28.449 9,3 0,327
Cássia dos Coqueiros 16.114,84 2.614 0,7 0,268
Castilho 43.725,42 18.310 5,5 0,300
Catanduva 22.355,39 113.492 56,2 0,495
Catiguá 14.885,18 7.182 2,6 0,362
Cedral 18.582,48 8.100 2,6 0,321
Cerqueira César 23.393,01 17.770 6,4 0,360
Cerquilho 63.470,01 40.706 15,3 0,376
Cesário Lange 17.986,36 15.809 4,3 0,272
Charqueada 14.640,57 15.289 5,5 0,360
Chavantes 19.348,84 12.108 4,5 0,372
Clementina 18.079,55 7.240 2,7 0,373
Colina 28.364,16 17.438 6,5 0,373
Colômbia 33.433,29 5.999 1,7 0,283
Conchal 17.680,58 25.479 9,6 0,377
Conchas 19.654,82 16.423 5,3 0,323
Cordeirópolis 79.091,70 21.435 7,7 0,359
Coroados 18.257,76 5.321 1,7 0,319
Coronel Macedo 17.881,73 4.951 1,5 0,303
Corumbataí 34.998,02 3.882 0,8 0,206
Cosmópolis 16.038,41 60.370 22,3 0,369
Cosmorama 18.090,10 7.199 2,0 0,278
Cotia 34.218,34 206.775 123,1 0,595
Cravinhos 18.071,57 32.014 12,5 0,390
Cristais Paulista 20.124,54 7.688 2,2 0,286
Cruzália 33.451,93 2.246 0,6 0,267
Cruzeiro 17.378,94 77.375 30,1 0,389
Cubatão 46.348,32 119.733 59,8 0,499
Cunha 7.954,37 21.758 4,8 0,221
Descalvado 25.538,84 31.262 11,1 0,355
Diadema 30.386,20 388.898 233,1 0,599
Dirce Reis 16.692,02 1.694 0,5 0,295
Divinolândia 14.407,04 11.138 3,0 0,269
Dobrada 10.176,01 8.030 3,1 0,386
Dois Córregos 24.824,81 24.979 9,4 0,376
Dolcinópolis 15.497,74 2.091 0,8 0,383
Dourado 18.464,17 8.610 3,1 0,360
Dracena 16.584,29 43.518 16,1 0,370
Duartina 13.114,49 12.232 4,4 0,360
Dumont 13.476,92 8.336 3,2 0,384
Echaporã 17.051,55 6.274 2,0 0,319

109
Continua
Eldorado 11.279,87 14.689 2,9 0,197
Elias Fausto 41.102,14 15.961 5,1 0,320
Elisiário 18.213,06 3.175 1,2 0,378
Embaúba 18.727,96 2.418 0,8 0,331
Embu 21.742,60 243.496 145,6 0,598
Embu-Guaçu 10.843,22 63.357 24,6 0,388
Emilianópolis 13.943,87 3.032 1,0 0,330
Engenheiro Coelho 13.309,89 16.381 4,7 0,287
Espírito Santo do Pinhal 19.686,70 42.043 14,9 0,354
Espírito Santo do Turvo 23.286,48 4.301 1,5 0,349
Estiva Gerbi 19.056,77 10.162 3,2 0,315
Estrela do Norte 19.067,31 8.203 0,8 0,098
Estrela d'Oeste 86.783,68 2.661 2,7 1,015
Euclides da Cunha 8.984,73 9.530 2,4 0,252
Paulista
Fartura 14.652,56 15.349 4,9 0,319
Fernando Prestes 22.477,44 5.543 1,9 0,343
Fernandópolis 19.032,34 64.986 25,2 0,388
Fernão 14.968,70 1.575 0,3 0,190
Ferraz de Vasconcelos 10.584,23 170.947 81,3 0,476
Flora Rica 21.734,17 1.717 0,6 0,349
Floreal 20.634,37 2.984 1,0 0,335
Flórida Paulista 14.264,30 13.017 4,1 0,315
Florínea 61.126,18 2.803 1,0 0,357
Franca 17.808,81 321.670 189,2 0,588
Francisco Morato 7.125,61 156.578 77,9 0,498
Franco da Rocha 14.504,13 134.005 61,5 0,459
Gabriel Monteiro 34.500,13 2.706 0,9 0,333
Gália 16.860,56 6.939 2,1 0,303
Garça 18.690,28 43.112 15,7 0,364
Gastão Vidigal 12.351,77 4.253 1,5 0,353
Gavião Peixoto 83.972,95 4.446 1,4 0,315
General Salgado 20.924,87 10.655 3,6 0,338
Getulina 16.158,04 10.802 3,3 0,305
Glicério 17.091,16 4.578 1,3 0,284
Guaiçara 11.027,96 10.817 3,9 0,361
Guaimbê 12.469,90 5.445 1,9 0,349
Guaíra 25.845,40 37.673 14,5 0,385
Guapiaçu 24.240,60 18.265 6,4 0,350
Guapiara 11.587,45 17.850 2,9 0,162
Guará 17.779,06 19.949 7,7 0,386
Guaraçaí 20.066,81 8.395 2,7 0,322
Guaraci 17.825,38 10.087 3,6 0,357

110
Continua
Guarani d'Oeste 12.340,66 1.967 0,7 0,356
Guarantã 25.449,50 6.412 2,2 0,343
Guararapes 26.426,55 30.764 11,4 0,371
Guararema 18.501,68 26.240 9,0 0,343
Guaratinguetá 19.713,39 112.827 53,7 0,476
Guareí 16.081,53 15.047 3,4 0,226
Guariba 17.424,79 35.918 14,0 0,390
Guarujá 14.120,27 293.295 175,6 0,599
Guarulhos 35.235,12 1.236.884 863,4 0,698
Guatapará 20.447,39 7.024 2,1 0,299
Guzolândia 14.395,46 4.797 1,6 0,334
Herculândia 16.073,53 8.764 3,2 0,365
Holambra 49.553,71 11.772 3,4 0,289
Hortolândia 34.185,87 196.934 97,9 0,497
Iacanga 42.114,58 10.188 3,5 0,344
Iacri 18.918,78 6.387 2,0 0,313
Iaras 16.459,21 6.819 1,2 0,176
Ibaté 16.235,14 31.165 11,9 0,382
Ibirá 13.275,60 11.039 4,1 0,371
Ibirarema 22.509,96 6.827 2,5 0,366
Ibitinga 17.009,30 53.806 20,6 0,383
Ibiúna 12.083,70 71.891 10,0 0,139
Icém 16.618,16 7.529 2,6 0,345
Iepê 25.159,16 7.663 2,7 0,352
Igaraçu do Tietê 9.135,65 23.433 9,3 0,397
Igarapava 24.818,41 28.147 10,6 0,377
Igaratá 14.356,04 8.884 2,8 0,315
Iguape 11.056,01 28.975 9,9 0,342
Ilha Comprida 16.879,75 9.279 3,7 0,399
Ilha Solteira 52.311,43 25.166 9,4 0,374
Ilhabela 12.400,35 28.993 11,4 0,393
Indaiatuba 29.065,93 207.556 122,2 0,589
Indiana 9.959,44 4.816 1,6 0,332
Indiaporã 15.819,49 3.888 1,3 0,334
Inúbia Paulista 17.975,45 3.659 1,3 0,355
Ipaussu 13.309,89 13.769 5,1 0,370
Iperó 16.732,68 29.446 7,2 0,245
Ipeúna 22.559,63 6.200 2,1 0,339
Ipiguá 12.066,81 4.568 1,1 0,241
Iporanga 7.670,10 4.276 1,0 0,234
Ipuã 17.701,87 14.377 5,5 0,383
Iracemápolis 25.697,24 20.499 8,0 0,390
Irapuã 16.466,98 7.335 2,6 0,354

111
Continua
Irapuru 11.076,40 7.819 2,2 0,281
Itaberá 17.395,06 17.767 4,8 0,270
Itaí 20.001,78 24.302 7,6 0,313
Itajobi 18.636,75 14.787 4,9 0,331
Itaju 25.252,41 3.308 1,0 0,302
Itanhaém 13.458,20 88.609 35,0 0,395
Itaóca 9.003,02 3.228 0,7 0,217
Itapecerica da Serra 23.969,85 154.948 76,5 0,494
Itapetininga 20.214,76 146.249 66,2 0,453
Itapeva 15.098,39 88.221 29,7 0,337
Itapevi 31.426,82 204.749 122,2 0,597
Itapira 27.599,47 69.033 25,6 0,371
Itapirapuã Paulista 9.006,31 3.909 0,8 0,205
Itápolis 20.183,38 40.272 14,6 0,363
Itaporanga 11.392,92 14.566 4,4 0,302
Itapuí 31.443,35 12.353 4,7 0,380
Itapura 28.161,93 4.407 1,4 0,318
Itaquaquecetuba 11.400,03 326.371 195,3 0,598
Itararé 13.841,83 48.066 17,7 0,368
Itariri 7.754,17 15.655 4,0 0,256
Itatiba 33.307,63 103.574 34,8 0,336
Itatinga 16.529,92 18.312 6,6 0,360
Itirapina 18.979,42 15.798 5,7 0,361
Itirapuã 12.942,68 5.963 2,0 0,335
Itobi 11.018,84 7.554 2,7 0,357
Itu 31.915,30 156.011 72,8 0,467
Itupeva 47.284,34 47.127 16,1 0,342
Ituverava 17.144,65 38.927 14,6 0,375
Jaborandi 14.785,64 6.608 2,5 0,378
Jaboticabal 25.618,65 72.070 27,9 0,387
Jacareí 26.923,82 213.155 125,9 0,591
Jaci 34.058,04 5.824 2,0 0,343
Jacupiranga 13.660,15 17.226 3,8 0,221
Jaguariúna 74.200,86 45.975 17,7 0,385
Jales 18.386,58 47.093 17,7 0,376
Jambeiro 163.908,91 5.494 1,0 0,182
Jandira 16.570,90 110.026 54,8 0,498
Jardinópolis 15.877,19 38.372 14,7 0,383
Jarinu 22.536,07 24.596 7,5 0,305
Jaú 17.439,63 132.933 64,2 0,483
Jeriquara 27.598,67 3.149 1,0 0,318
Joanópolis 12.281,64 11.903 4,7 0,395
João Ramalho 24.851,89 4.180 1,4 0,335

112
Continua
José Bonifácio 24.550,47 33.164 12,0 0,362
Júlio Mesquita 10.912,75 4.455 1,7 0,382
Jumirim 26.830,38 2.861 0,7 0,245
Jundiaí 58.325,48 374.731 214,6 0,573
Junqueirópolis 17.619,45 18.890 6,2 0,328
Juquiá 10.658,38 19.138 4,8 0,251
Juquitiba 9.887,07 28.961 8,9 0,307
Lagoinha 13.406,09 4.831 1,3 0,269
Laranjal Paulista 19.371,88 25.557 9,1 0,356
Lavínia 18.750,41 9.218 1,8 0,195
Lavrinhas 10.164,13 6.647 2,4 0,361
Leme 18.751,17 92.841 36,3 0,391
Lençóis Paulista 32.481,91 62.056 24,2 0,390
Limeira 26.848,21 278.661 161,9 0,581
Lindóia 14.150,57 6.855 2,7 0,394
Lins 29.923,56 71.960 28,4 0,395
Lorena 17.366,28 82.971 32,3 0,389
Lourdes 15.733,72 2.140 0,7 0,327
Louveira 198.995,30 38.654 14,7 0,380
Lucélia 13.047,42 20.031 6,9 0,344
Lucianópolis 17.025,21 2.257 0,7 0,310
Luís Antônio 55.946,44 11.764 4,5 0,383
Luiziânia 13.972,57 5.105 1,9 0,372
Lupércio 14.947,25 4.365 1,5 0,344
Lutécia 23.320,78 2.698 0,9 0,334
Macatuba 31.402,25 16.309 6,3 0,386
Macaubal 16.111,82 7.689 2,7 0,351
Macedônia 13.231,97 3.655 1,1 0,301
Magda 21.607,49 3.181 1,1 0,346
Mairinque 21.805,87 43.543 14,0 0,322
Mairiporã 15.562,24 83.206 28,9 0,347
Manduri 12.571,12 9.062 3,1 0,342
Marabá Paulista 19.689,91 4.928 0,9 0,183
Maracaí 41.646,66 13.363 4,8 0,359
Marapoama 30.902,82 2.672 0,9 0,337
Mariápolis 9.889,77 3.921 1,3 0,332
Marília 19.892,65 218.641 125,1 0,572
Marinópolis 14.479,64 2.106 0,7 0,332
Martinópolis 16.424,28 24.400 8,2 0,336
Matão 63.836,28 77.270 30,3 0,392
Mauá 18.125,78 422.398 252,7 0,598
Mendonça 14.677,33 4.730 1,5 0,317
Meridiano 16.568,45 3.840 1,1 0,286

113
Continua
Mesópolis 27.647,28 1.882 0,6 0,319
Miguelópolis 17.411,74 20.588 7,7 0,374
Mineiros do Tietê 12.073,92 12.099 4,6 0,380
Mira Estrela 15.419,07 2.841 0,8 0,282
Miracatu 13.129,70 20.439 4,2 0,205
Mirandópolis 12.736,02 27.630 9,8 0,355
Mirante do Paranapanema 9.915,09 17.139 4,0 0,233
Mirassol 20.605,70 54.329 21,1 0,388
Mirassolândia 12.128,10 4.350 1,4 0,322
Mococa 19.459,84 66.363 24,5 0,369
Mogi das Cruzes 24.617,42 393.548 216,8 0,551
Mogi Guaçu 22.472,87 138.520 65,6 0,474
Mogi Mirim 34.758,40 86.997 32,5 0,374
Mombuca 15.816,76 3.282 1,1 0,335
Monções 35.463,61 2.139 0,7 0,327
Mongaguá 14.935,54 47.499 18,8 0,396
Monte Alegre do Sul 19.161,88 7.234 1,7 0,235
Monte Alto 23.283,27 46.932 17,9 0,381
Monte Aprazível 25.850,75 22.078 8,0 0,362
Monte Azul Paulista 16.865,87 18.877 7,1 0,376
Monte Castelo 18.437,91 4.060 1,3 0,320
Monte Mor 28.185,49 50.186 18,7 0,373
Monteiro Lobato 11.169,97 4.170 0,7 0,168
Morro Agudo 28.808,93 29.481 11,3 0,383
Morungaba 30.724,04 11.956 4,1 0,343
Motuca 22.704,13 4.330 1,3 0,300
Murutinga do Sul 13.286,95 4.206 1,0 0,238
Nantes 46.185,29 2.750 1,0 0,364
Narandiba 52.948,15 4.342 1,3 0,299
Natividade da Serra 9.589,76 6.654 1,1 0,165
Nazaré Paulista 14.471,60 16.612 5,6 0,337
Neves Paulista 18.058,90 8.760 3,2 0,365
Nhandeara 23.155,73 10.774 3,5 0,325
Nipoã 17.110,13 4.380 1,5 0,342
Nova Aliança 19.502,49 6.006 2,0 0,333
Nova Campina 19.895,80 8.638 2,3 0,266
Nova Canaã Paulista 17.900,15 2.083 0,3 0,144
Nova Castilho 40.809,77 1.138 0,3 0,264
Nova Europa 16.883,62 9.508 3,5 0,368
Nova Granada 14.042,87 19.382 7,2 0,371
Nova Guataporanga 9.539,74 2.185 0,8 0,366
Nova Independência 64.997,85 3.181 1,0 0,314
Nova Luzitânia 11.580,96 3.513 1,3 0,370

114
Continua
Nova Odessa 41.949,12 52.179 20,4 0,391
Novais 11.433,67 4.741 1,7 0,359
Novo Horizonte 24.027,25 36.998 13,7 0,370
Nuporanga 30.801,39 6.866 2,5 0,364
Ocauçu 16.350,45 4.166 1,3 0,312
Óleo 19.806,17 2.646 0,7 0,265
Olímpia 22.315,16 50.409 19,0 0,377
Onda Verde 37.071,56 3.931 1,2 0,305
Oriente 11.346,29 6.116 2,3 0,376
Orindiúva 28.725,61 5.839 2,1 0,360
Orlândia 24.435,59 40.149 15,6 0,389
Osasco 58.817,14 668.128 467,5 0,700
Oscar Bressane 14.421,02 2.536 0,8 0,315
Osvaldo Cruz 17.037,17 31.035 11,1 0,358
Ourinhos 16.975,99 103.930 50,5 0,486
Ouro Verde 13.736,27 7.862 2,9 0,369
Ouroeste 77.558,74 8.631 3,1 0,359
Pacaembu 11.157,96 13.292 3,9 0,293
Palestina 19.011,80 11.248 3,7 0,329
Palmares Paulista 8.380,44 11.196 4,3 0,384
Palmeira d'Oeste 15.250,73 9.519 2,9 0,305
Palmital 25.129,78 21.233 7,8 0,367
Panorama 12.195,51 14.672 5,7 0,388
Paraguaçu Paulista 17.064,29 42.535 15,4 0,362
Paraibuna 11.259,38 17.425 2,1 0,121
Paraíso 16.866,15 5.943 2,1 0,353
Paranapanema 22.490,96 18.137 5,8 0,320
Paranapuã 17.444,40 3.831 1,4 0,365
Parapuã 21.295,86 10.820 3,6 0,333
Pardinho 25.716,22 5.668 1,8 0,318
Pariquera-Açu 12.073,68 18.525 5,1 0,275
Parisi 16.368,88 2.040 0,7 0,343
Patrocínio Paulista 27.368,53 13.156 4,2 0,319
Paulicéia 17.063,00 6.445 2,1 0,326
Paulínia 97.128,95 85.759 33,8 0,394
Paulistânia 27.244,25 1.779 0,5 0,281
Paulo de Faria 24.585,03 8.600 3,1 0,360
Pederneiras 20.584,83 41.977 15,6 0,372
Pedra Bela 11.846,67 5.797 0,6 0,104
Pedranópolis 17.852,30 2.542 0,6 0,236
Pedregulho 17.987,93 15.767 4,6 0,292
Pedreira 16.828,94 42.197 16,7 0,396
Pedrinhas Paulista 27.321,12 2.947 1,0 0,339

115
Continua
Pedro de Toledo 8.982,14 10.303 2,8 0,272
Penápolis 19.270,29 58.883 22,5 0,382
Pereira Barreto 29.196,59 24.956 9,3 0,373
Pereiras 20.150,14 5.579 2,0 0,358
Peruíbe 13.794,85 60.617 23,9 0,394
Piacatu 13.257,97 5.352 1,9 0,355
Piedade 13.176,62 52.337 9,5 0,182
Pilar do Sul 16.255,43 26.647 8,4 0,315
Pindamonhangaba 25.449,92 14.095 71,6 5,080
Pindorama 16.027,11 15.229 5,8 0,381
Pinhalzinho 12.922,10 13.320 2,6 0,195
Piquerobi 14.444,46 3.543 1,1 0,310
Piquete 9.165,79 14.012 5,3 0,378
Piracaia 12.844,49 25.288 10,1 0,399
Piracicaba 31.510,67 368.029 215,6 0,586
Piraju 15.866,46 28.530 10,3 0,361
Pirajuí 13.600,48 22.959 7,5 0,327
Pirangi 15.123,79 10.678 3,8 0,356
Pirapora do Bom Jesus 9.061,63 16.084 6,4 0,398
Pirapozinho 19.641,54 24.945 9,5 0,381
Pirassununga 23.847,38 70.584 25,8 0,366
Piratininga 12.490,19 12.218 4,2 0,344
Pitangueiras 18.632,02 35.715 13,7 0,384
Planalto 19.845,48 4.544 1,5 0,330
Platina 25.151,86 3.223 1,0 0,310
Poá 30.332,53 10.716 52,6 4,909
Poloni 19.185,60 5.456 1,9 0,348
Pompéia 28.672,78 20.136 7,5 0,372
Pongaí 16.440,68 3.463 1,2 0,347
Pontal 17.831,19 41.383 16,1 0,389
Pontalinda 13.743,70 4.127 1,4 0,339
Pontes Gestal 42.743,59 2.516 0,8 0,318
Populina 19.452,92 4.203 1,4 0,333
Porangaba 19.452,92 8.498 1,6 0,188
Porto Feliz 19.751,82 49.222 16,5 0,335
Porto Ferreira 21.784,55 51.787 20,3 0,392
Potim 8.110,85 2.039 6,0 2,943
Potirendaba 20.451,15 15.626 5,6 0,358
Pracinha 8.071,23 3.044 0,6 0,197
Pradópolis 46.771,68 17.857 6,6 0,370
Praia Grande 14.918,37 268.473 160,4 0,597
Pratânia 16.117,32 4.664 1,4 0,300
Presidente Alves 15.584,45 4.106 1,4 0,341

116
Continua
Presidente Bernardes 14.059,80 13.476 4,2 0,312
Presidente Epitácio 12.205,65 41.511 15,5 0,373
Presidente Prudente 21.541,33 209.396 122,9 0,587
Presidente Venceslau 13.316,30 37.962 14,5 0,382
Promissão 27.845,43 36.124 12,2 0,338
Quadra 19.263,14 3.297 0,3 0,091
Quatá 24.589,87 12.909 4,8 0,372
Queiroz 71.345,12 2.875 1,0 0,348
Queluz 9.173,84 11.535 3,8 0,329
Quintana 15.716,46 6.058 2,2 0,363
Rafard 15.580,76 8.635 3,0 0,347
Rancharia 34.156,62 28.809 10,3 0,358
Redenção da Serra 12.516,96 3.857 0,9 0,233
Regente Feijó 19.773,48 18.639 6,9 0,370
Reginópolis 15.092,03 7.618 1,8 0,236
Registro 20.038,07 54.313 19,3 0,355
Restinga 15.182,16 6.688 2,1 0,314
Ribeira 8.673,01 3.344 0,5 0,150
Ribeirão Bonito 15.546,45 12.220 4,5 0,368
Ribeirão Branco 10.803,30 18.023 3,7 0,205
Ribeirão Corrente 22.521,33 4.312 1,4 0,325
Ribeirão do Sul 19.638,15 4.442 1,3 0,293
Ribeirão dos Índios 17.355,11 2.184 0,7 0,321
Ribeirão Grande 13.969,50 7.427 0,9 0,121
Ribeirão Pires 17.405,18 113.902 56,9 0,500
Ribeirão Preto 30.208,71 614.759 427,4 0,695
Rifaina 15.062,24 3.447 1,2 0,348
Rincão 13.750,07 10.421 3,4 0,326
Rinópolis 12.559,73 9.906 3,4 0,343
Rio Claro 28.741,33 188.019 91,5 0,487
Rio das Pedras 33.631,92 30.123 11,6 0,385
Rio Grande da Serra 11.895,84 44.669 17,8 0,398
Riolândia 14.648,81 10.781 3,4 0,315
Riversul 9.486,89 6.076 1,8 0,296
Rosana 45.937,23 19.326 6,2 0,321
Roseira 30.352,58 9.701 3,7 0,381
Rubiácea 30.297,99 2.767 0,6 0,217
Rubinéia 13.164,52 2.886 0,9 0,312
Sabino 16.805,79 5.243 1,8 0,343
Sagres 16.573,77 2.390 0,7 0,293
Sales 15.429,36 5.541 2,0 0,361
Sales Oliveira 20.405,44 10.691 3,9 0,365
Salesópolis 12.790,70 15.760 4,0 0,254

117
Continua
Salmourão 15.791,13 4.857 1,7 0,350
Saltinho 19.730,49 7.187 2,4 0,334
Salto 25.536,97 106.743 52,9 0,496
Salto de Pirapora 14.709,00 40.639 12,7 0,313
Salto Grande 16.592,24 8.819 3,2 0,363
Sandovalina 82.457,00 3.760 1,0 0,266
Santa Adélia 16.466,64 14.417 5,4 0,375
Santa Albertina 13.689,56 5.735 2,0 0,349
Santa Bárbara d'Oeste 21.942,60 180.967 89,7 0,496
Santa Branca 14.976,73 13.837 4,9 0,354
Santa Clara d'Oeste 12.808,71 2.080 0,6 0,288
Santa Cruz da Conceição 20.992,12 4.049 1,1 0,272
Santa Cruz da Esperança 22.671,96 1.968 0,5 0,254
Santa Cruz das Palmeiras 11.195,42 30.370 11,7 0,385
Santa Cruz do Rio Pardo 24.506,08 44.209 16,1 0,364
Santa Ernestina 10.322,49 5.552 2,1 0,378
Santa Fé do Sul 22.852,35 29.504 11,3 0,383
Santa Gertrudes 20.746,53 22.256 8,7 0,391
Santa Isabel 17.831,35 51.118 16,0 0,313
Santa Lúcia 12.064,94 8.287 3,1 0,374
Santa Maria da Serra 16.609,45 5.486 1,9 0,346
Santa Mercedes 15.493,71 2.834 1,0 0,353
Santa Rita do Passa 19.114,30 26.511 9,5 0,358
Quatro
Santa Rita d'Oeste 19.600,47 2.529 0,7 0,277
Santa Rosa de Viterbo 19.461,50 24.098 9,2 0,382
Santa Salete 23.781,18 1.453 0,3 0,206
Santana da Ponte Pensa 15.356,74 1.619 0,4 0,247
Santana de Parnaíba 41.711,29 112.651 55,7 0,494
Santo Anastácio 13.156,58 20.451 7,6 0,372
Santo André 26.052,16 678.957 100,0 0,147
Santo Antônio da Alegria 17.226,03 6.356 1,9 0,299
Santo Antônio de Posse 21.745,48 20.902 7,6 0,364
Santo Antônio do 31.710,47 7.693 2,4 0,312
Aracanguá
Santo Antônio do Jardim 21.173,33 5.925 1,4 0,236
Santo Antônio do Pinhal 10.879,96 6.502 1,5 0,231
Santo Expedito 12.450,85 2.830 1,0 0,353
Santópolis do Aguapeí 14.141,50 4.322 1,7 0,393
Santos 75.067,09 419.530 251,5 0,599
São Bento do Sapucaí 11.791,17 10.480 2,0 0,191
São Bernardo do Campo 47.181,73 771.543 530,2 0,687
São Caetano do Sul 78.697,41 150.110 75,0 0,500
São Carlos 24.678,10 224.828 129,1 0,574

118
Continua
São Francisco 13.212,36 2.787 0,9 0,323
São João da Boa Vista 25.325,30 84.241 32,3 0,383
São João das Duas 14.775,02 2.558 0,8 0,313
Pontes
São João de Iracema 29.850,28 1.790 0,6 0,335
São João do Pau d'Alho 22.518,74 2.096 0,7 0,334
São Joaquim da Barra 24.348,45 46.994 18,4 0,392
São José da Bela Vista 17.332,81 8.437 3,0 0,356
São José do Barreiro 11.871,08 4.072 1,1 0,270
São José do Rio Pardo 23.123,65 52.075 18,4 0,353
São José do Rio Preto 23.607,19 413.198 232,2 0,562
São José dos Campos 39.544,94 638.990 436,7 0,683
São Lourenço da Serra 11.212,77 14.152 5,1 0,360
São Luís do Paraitinga 11.065,22 10.394 2,5 0,241
São Manuel 18.944,13 38.514 15,0 0,389
São Miguel Arcanjo 17.945,65 31.516 8,6 0,273
São Paulo 42.166,80 11.337.021 10750,0 0,948
São Pedro 15.591,51 32.039 10,7 0,334
São Pedro do Turvo 17.272,69 7.226 2,1 0,291
São Roque 18.781,30 80.045 28,9 0,361
São Sebastião 38.480,55 75.625 8,9 0,118
São Sebastião da Grama 15.494,19 12.068 20,8 1,724
São Simão 20.158,83 14.410 5,2 0,361
São Vicente 10.683,78 335.241 200,4 0,598
Sarapuí 18.188,66 9.149 2,7 0,295
Sarutaiá 12.072,74 3.612 1,2 0,332
Sebastianópolis do Sul 29.822,08 3.080 1,0 0,325
Serra Azul 8.629,14 11.668 3,3 0,283
Serra Negra 15.873,83 26.633 9,2 0,345
Serrana 14.226,82 39.517 15,6 0,395
Sertãozinho 39.027,38 111.612 55,0 0,493
Sete Barras 14.240,83 12.944 2,9 0,224
Severínia 16.803,74 15.690 6,0 0,382
Silveiras 10.588,32 5.831 1,2 0,206
Socorro 15.128,77 37.073 10,1 0,272
Sorocaba 30.196,39 596.060 411,4 0,690
Sud Mennucci 26.413,42 7.441 2,6 0,349
Sumaré 32.023,22 245.909 144,1 0,586
Suzanápolis 34.738,55 3.444 0,9 0,261
Suzano 21.840,47 265.877 153,4 0,577
Tabapuã 16.669,50 11.446 4,2 0,367
Tabatinga 13.900,53 14.853 5,1 0,343
Taboão da Serra 20.868,96 249.353 148,9 0,597

119
Continua
Taciba 55.992,20 5.762 2,0 0,347
Taguaí 18.492,11 11.202 3,2 0,286
Taiaçu 14.951,20 5.921 2,1 0,355
Taiúva 13.412,26 5.441 2,0 0,368
Tambaú 18.657,04 22.422 8,0 0,357
Tanabi 17.087,73 24.194 8,7 0,360
Tapiraí 11.607,38 7.966 2,3 0,289
Tapiratiba 15.626,76 12.720 4,2 0,330
Taquaral 16.983,48 2.727 1,0 0,367
Taquaritinga 15.780,31 54.172 20,5 0,378
Taquarituba 15.924,93 22.322 7,8 0,349
Taquarivaí 17.422,85 5.219 1,1 0,211
Tarabai 10.236,36 6.689 2,5 0,374
Tarumã 28.464,72 13.100 4,9 0,374
Tatuí 22.608,46 108.709 51,6 0,475
Taubaté 34.673,27 282.098 165,2 0,586
Tejupá 15.828,19 4.764 1,2 0,252
Teodoro Sampaio 15.514,68 21.517 7,0 0,325
Terra Roxa 11.953,07 8.578 3,3 0,385
Tietê 29.374,62 37.348 13,5 0,361
Timburi 14.564,06 2.639 0,8 0,303
Torre de Pedra 10.037,43 2.265 0,6 0,265
Torrinha 15.218,12 9.378 3,2 0,341
Trabiju 22.726,49 1.560 0,6 0,385
Tremembé 11.957,50 41.604 14,9 0,358
Três Fronteiras 12.652,98 5.452 1,8 0,330
Tuiuti 16.632,00 6.028 1,2 0,199
Tupã 19.833,84 63.494 24,4 0,384
Tupi Paulista 15.519,61 14.362 4,5 0,313
Turiúba 30.999,44 1.993 0,6 0,301
Turmalina 21.742,39 1.946 0,6 0,308
Ubarana 20.594,93 5.401 2,0 0,370
Ubatuba 13.725,65 80.012 31,1 0,389
Ubirajara 13.877,53 4.453 1,3 0,292
Uchoa 17.163,72 9.512 3,5 0,368
União Paulista 33.471,26 1.624 0,5 0,308
Urânia 15.085,93 8.837 3,0 0,339
Uru 45.071,43 1.238 0,4 0,323
Urupês 15.638,34 12.798 4,5 0,352
Valentim Gentil 20.619,51 11.292 4,1 0,363
Valinhos 36.517,36 109.290 51,7 0,473
Valparaíso 17.372,18 22.982 8,7 0,379
Vargem 8.905,77 8.992 1,8 0,200

120
Continua
Vargem Grande do Sul 13.793,10 39.553 15,0 0,379
Vargem Grande Paulista 20.346,53 44.111 17,5 0,397
Várzea Paulista 16.100,94 108.522 54,1 0,499
Vera Cruz 10.729,85 10.741 3,7 0,344
Vinhedo 112.616,84 65.377 25,1 0,384
Viradouro 11.675,78 17.426 6,8 0,390
Vista Alegre do Alto 26.923,34 7.124 2,6 0,365
Vitória Brasil 15.088,94 1.742 0,6 0,344
Votorantim 19.173,62 110.080 52,8 0,480
Votuporanga 17.535,78 85.578 33,2 0,388
Zacarias 26.600,39 2.373 0,7 0,295
Conclui

121