Revisiting the delimitation of metropolitan areas in Brazil: an exercise using the criteria of the 1970
Bibliographic record
Abstract
Desde a Constituição Federal de 1988 (CF/1988) os governos estaduais assumiram a atribuição de instituir suas próprias regiões metropolitanas (RMs). Em geral, há pouca informação acerca dos critérios utilizados para justificar a delimitação dos municípios pertencentes ao perímetro metropolitano dessas regiões. Como consequência, não é possível avaliar os prós e contras das metodologias utilizadas. Além disso, ficam comprometidas as análises comparativas acerca do desempenho de indicadores sociais e econômicos nessas áreas. A discussão de uma metodologia única para delimitação de RMs no Brasil vem num momento oportuno, uma vez que, no Congresso Nacional, está tramitando um projeto de lei sobre este tema (conhecido como Estatuto da Metrópole). Visando contribuir neste debate, este estudo simula quais seriam as RMs estimadas para o Brasil no ano de 2010 caso fosse aplicado um único conjunto de critérios, seguindo-se uma mesma metodologia para todo o país. Neste exercício, foram adotados como referência os mesmos critérios utilizados na década de 1970 para definição das nove primeiras RMs brasileiras com pequenas adaptações. Os resultados da simulação são comparados àquelas RMs estaduais reconhecidas oficialmente na data do Censo Demográfico 2010 e àquelas primeiras RMs oficializadas na década de 1970. Em comparação às RMs estaduais oficiais de 2010, os resultados obtidos apresentam um “Brasil metropolitano” composto por i) um menor número de RMs; ii) englobando em torno da metade do número de municípios; iii) com maior nível de integração por deslocamentos casa-trabalho; iv) uma área territorial cerca de três vezes mais compacta e mais densa; e ainda v) com mínimas diferenças em termos de porte populacional e econômico.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".