Skip to contents

Modelización 08: Índice de Vulnerabilidad y Síntesis SWOT

Equipo climasus4r

17/10/2026

Source: vignettes/mod-08-vulnerabilidade-swot.Rmd
mod-08-vulnerabilidade-swot.Rmd

Objetivo

Al finalizar este tutorial usted será capaz de:

  1. Componer un Índice de Vulnerabilidad Compuesto (IVC) según la estructura de tres pilares del IPCC AR6 — Exposición climática, Sensibilidad poblacional y Capacidad Adaptativa — a partir de indicadores de salud-clima, socioeconómicos y de infraestructura de salud, usando sus_mod_vulnerability_index();
  2. Interpretar el ranking de vulnerabilidad entre municipios y medir la desigualdad territorial con el Coeficiente de Gini y la curva de Lorenz;
  3. Sintetizar los resultados en un análisis SWOT (Fortalezas, Debilidades, Oportunidades y Amenazas) orientado a políticas públicas de salud-clima, usando sus_mod_swot();
  4. Visualizar y comunicar los resultados con los gráficos emparejados sus_mod_plot_vulnerability() (ranking, pilares, Lorenz) y sus_mod_plot_swot() (radar, matriz 2×2, barras).

Este es el octavo módulo de la serie de Modelización de climasus4r. Las entradas principales son el objeto climasus_af del Módulo M2 (mod_af.rds) y el objeto climasus_dlnm del Módulo M1 (mod_dlnm_fit.rds). La salida principal es el objeto climasus_vi guardado como mod_vi.rds para su reutilización en informes finales y comunicación de riesgo.

Contexto científico

Vulnerabilidad climática según el IPCC

El Quinto Informe de Evaluación del IPCC (AR5, 2014) estableció el marco de tres pilares que define la vulnerabilidad — posteriormente refinado en el AR6 (2022) — como una función de tres componentes interdependientes:

  • Exposición (Exposure): grado en que un sistema o población es afectado por factores de estrés climático (temperatura extrema, olas de calor, días de calor por encima del percentil 90);
  • Sensibilidad (Sensitivity): nivel de respuesta de un sistema al factor de estrés, condicionado por factores intrínsecos como la proporción de personas mayores, la prevalencia de enfermedades crónicas y la respuesta dosis-efecto estimada por modelos DLNM;
  • Capacidad Adaptativa (Adaptive Capacity): conjunto de recursos institucionales, económicos e infraestructurales que permiten al sistema modular sus impactos (índice de desarrollo humano, cobertura de agua tratada, densidad de unidades básicas de salud).

La fórmula del índice compuesto, propuesta originalmente por Turner et al. (2003) y adoptada en la literatura de vulnerabilidad social (Cutter, Boruff & Shirley, 2003; Benmarhnia et al., 2015), invierte el pilar de Capacidad Adaptativa antes de la combinación, pues una mayor capacidad significa menor vulnerabilidad:

VIi=wE⋅Ei+wS⋅Si+wAC⋅(1−ACi)wE+wS+wAC VI_i = \frac{w_E \cdot E_i + w_S \cdot S_i + w_{AC} \cdot (1 - AC_i)}{w_E + w_S + w_{AC}}

donde EiE_i, SiS_i y ACiAC_i son los promedios ponderados de los indicadores normalizados (min-max o z-score) del municipio ii para cada pilar, y wEw_E, wSw_S, wACw_{AC} son los pesos entre pilares. Los indicadores faltantes se tratan con reponderación automática.

Normalización min-max y z-score

La normalización min-max proyecta cada indicador xijx_{ij} al intervalo [0,1][0, 1]:

x̃ij=xij−minj(xij)maxj(xij)−minj(xij) \tilde{x}_{ij} = \frac{x_{ij} - \min_j(x_{ij})}{\max_j(x_{ij}) - \min_j(x_{ij})}

La normalización z-score estandariza por la media y la desviación estándar, preservando la distribución original — útil cuando los indicadores tienen escalas muy heterogéneas, pero requiere transformación inversa para su interpretación directa.

Desigualdad territorial y Curva de Lorenz

La Curva de Lorenz es el instrumento clásico para visualizar la concentración de cualquier recurso o carga en una población ordenada. En el contexto de riesgo climático, la curva acumula la proporción del IVC total (eje y) frente a la proporción de municipios (eje x), del menos al más vulnerable. Cuanto mayor sea el área entre la curva y la diagonal de igualdad perfecta, mayor será el Coeficiente de Gini — que varía de 0 (igualdad perfecta) a 1 (todo el riesgo concentrado en un municipio).

Los análisis de concentración del riesgo climático se aplican a escala multi-ciudad por Gasparrini et al. (2017) y en estudios nacionales de vulnerabilidad socioambiental en Brasil por Confalonieri et al. (2009) y Marengo et al. (2022).

Análisis SWOT orientado a políticas de salud-clima

El marco SWOT (Andrews, 1971), ampliamente utilizado en planificación estratégica, fue adaptado a la gestión de riesgos climático-sanitarios. En este enfoque:

  • Fortalezas (S) representan factores protectores existentes — capacidad adaptativa elevada, baja fracción atribuible total;
  • Debilidades (W) reflejan vulnerabilidades actuales — alta sensibilidad poblacional, elevadas fracciones atribuibles al calor y al frío;
  • Oportunidades (O) identifican ventanas de intervención — municipios con índice de vulnerabilidad relativamente bajo y exposición actual moderada tienen margen para avanzar en la prevención antes de alcanzar niveles críticos;
  • Amenazas (T) señalan riesgos emergentes o ya presentes — exposición climática elevada, alto riesgo relativo de calor (DLNM), elevado número atribuible.

Datos utilizados

Objeto Origen Contenido
caso_espacial.rds Tutorial T5 Geometrías sf de los municipios de la RMSP
caso_socio.rds Tutorial T6 Indicadores socioeconómicos por municipio (HDI, % personas mayores, etc.)
mod_dlnm_fit.rds Módulo M1 Objeto climasus_dlnm ajustado para la RMSP
mod_af.rds Módulo M2 Objeto climasus_af con FA% total/calor/frío

Cuando cualquiera de estos cuatro archivos está ausente (ejecución fuera de la cadena completa), el script de pre-renderización sintetiza datos realistas con un aviso — el Rmd se renderiza normalmente, mostrando los resultados ilustrativos.

Pipeline completo 

library(climasus4r)
library(dplyr)

Cargar entradas encadenadas 

# Objeto climasus_af do Módulo M2
mod_af <- if (file.exists("vignettes-pt/dados/mod_af.rds")) {
  readRDS("vignettes-pt/dados/mod_af.rds")
} else {
  NULL  # fallback: SWOT rodará sem AF
}

# Objeto climasus_dlnm do Módulo M1
mod_dlnm <- if (file.exists("vignettes-pt/dados/mod_dlnm_fit.rds")) {
  readRDS("vignettes-pt/dados/mod_dlnm_fit.rds")
} else {
  NULL  # fallback: sem extração DLNM automática
}

# Indicadores socioeconômicos
caso_socio <- if (file.exists("vignettes-pt/dados/caso_socio.rds")) {
  readRDS("vignettes-pt/dados/caso_socio.rds")
} else {
  # Mínimo realista para o script funcionar sem a cadeia completa
  data.frame(
    city          = c("Sao Paulo", "Guarulhos", "Santo Andre", "Osasco", "Maua"),
    pct_idosos    = c(16.2, 12.4, 14.8, 13.1, 11.9),
    pct_doenca_cr = c(28.1, 24.3, 26.7, 22.8, 20.5),
    hdi           = c(0.845, 0.763, 0.815, 0.776, 0.742),
    pct_agua      = c(97.2, 88.4, 94.1, 90.3, 85.7),
    densidade_ubs = c(6.8, 3.2, 5.1, 4.0, 2.9)
  )
}

Construir los tres pilares IPCC

Cada pilar se proporciona como un data.frame con una columna de identificador municipal (city_col = "city") y columnas numéricas de indicadores. Los indicadores faltantes para algún municipio se rellenan con NA y se excluyen del promedio ponderado del pilar, sin forzar una exclusión total.

# ----- Pilar E: Exposição Climática ------------------------------------------
# Fonte: sus_climate_aggregate() (temperatura maxima media, dias de calor P90,
#        contagem de ondas de calor por ano)
exposure_df <- data.frame(
  city           = caso_socio$city,
  tmax_media     = c(29.8, 31.2, 28.9, 30.1, 31.8),  # grau Celsius
  dias_calor_p90 = c(52,   68,   45,   58,   72),     # dias/ano
  ondas_calor    = c(4,    8,    3,    6,    9)        # eventos/ano
)

# ----- Pilar S: Sensibilidade Populacional -----------------------------------
# Fonte: caso_socio.rds + extração automática de climasus_dlnm (argumento fits)
sensitivity_df <- caso_socio[, c("city", "pct_idosos", "pct_doenca_cr")]

# ----- Pilar AC: Capacidade Adaptativa ---------------------------------------
# Fonte: caso_socio.rds (HDI, cobertura hídrica, densidade UBS)
adaptive_capacity_df <- caso_socio[, c("city", "hdi", "pct_agua", "densidade_ubs")]

Ajustar el Índice de Vulnerabilidad Compuesto

sus_mod_vulnerability_index() acepta un argumento fits (lista nombrada de objetos climasus_dlnm) para la extracción automática de las métricas dlnm_hot_rr, dlnm_cold_rr y dlnm_sensitivity_index, que se combinan automáticamente con el pilar de sensibilidad.

# Opcional: lista nomeada de climasus_dlnm (um por cidade)
# fits_dlnm <- list(sao_paulo = mod_dlnm)  # ajuste por municipio

vi_fit <- sus_mod_vulnerability_index(
  exposure_df          = exposure_df,
  sensitivity_df       = sensitivity_df,
  adaptive_capacity_df = adaptive_capacity_df,
  fits                 = NULL,                # ou: fits_dlnm (lista climasus_dlnm)
  city_col             = "city",
  normalize            = "minmax",            # "minmax" ou "zscore"
  weights              = c(tmax_media = 2,    # dobrar peso da Tmax
                           pct_idosos = 2),   # dobrar peso da proporção de idosos
  pillar_weights       = c(exposure         = 1.5,
                           sensitivity      = 1.0,
                           adaptive_capacity = 1.0),
  hot_percentile       = 0.99,
  cold_percentile      = 0.01,
  lang                 = "pt",
  verbose              = TRUE
)

# Inspecionar o resultado
print(vi_fit)

El objeto climasus_vi contiene:

Elemento Tipo Contenido
$vi_table tibble IVC, escores de los pilares, rank y percentil por ciudad
$pillar_scores tibble (long) Escores brutos de los tres pilares por ciudad
$normalized_indicators tibble Indicadores normalizados (prefijos exp_, sen_, ac_)
$raw_indicators tibble Indicadores originales sin normalizar
$weights lista Pesos intra-pilar e inter-pilar efectivamente usados
$gini_coefficient numérico Gini del IVC (0 = igualdad perfecta)
$meta lista Parámetros de la llamada, conteos, tiempo

Ajustar el Análisis SWOT

sus_mod_swot() agrega los objetos climasus de múltiples módulos en cuadrantes SWOT normalizados (0–100) y categorizados. El argumento breaks = c(25, 50, 75) produce cuatro categorías (Bajo / Medio / Alto / Muy Alto) — el valor por defecto c(33, 66) produce tres categorías.

swot_fit <- sus_mod_swot(
  vulnerability = vi_fit,
  af            = mod_af,    # climasus_af do Módulo M2 (ou NULL)
  burden        = NULL,      # climasus_burden do Módulo M2 (opcional)
  dlnm          = mod_dlnm,  # climasus_dlnm do Módulo M1 (broadcast)
  sensitivity   = NULL,      # climasus_sensitivity do Módulo M7 (opcional)
  score_type    = "both",    # "numeric", "categorical" ou "both"
  breaks        = c(25, 50, 75),
  labels        = c("Baixo", "Médio", "Alto", "Muito Alto"),  # 4 cats para 3 breaks
  city_col      = "city",
  lang          = "pt",
  verbose       = TRUE
)

# Visualizar tabela de escores
swot_fit$scores

Características de las funciones

sus_mod_vulnerability_index() — Índice de Vulnerabilidad IPCC

Firma completa:

sus_mod_vulnerability_index(
  exposure_df          = NULL,
  sensitivity_df       = NULL,
  adaptive_capacity_df = NULL,
  fits                 = NULL,
  city_col             = "city",
  normalize            = "minmax",
  weights              = NULL,
  pillar_weights       = c(exposure = 1, sensitivity = 1, adaptive_capacity = 1),
  hot_percentile       = 0.99,
  cold_percentile      = 0.01,
  lang                 = "pt",
  verbose              = TRUE
)

Parámetros clave:

Argumento Tipo Descripción
exposure_df data.frame Indicadores del pilar Exposición (mayor = más expuesto)
sensitivity_df data.frame Indicadores del pilar Sensibilidad (mayor = más sensible)
adaptive_capacity_df data.frame Indicadores del pilar Capacidad Adaptativa (mayor = más adaptado)
fits lista nombrada de climasus_dlnm Extracción automática de RR calor/frío/índice de sensibilidad
city_col character Nombre de la columna de identificador municipal (por defecto "city")
normalize "minmax" o "zscore" Método de normalización de los indicadores
weights vector nombrado Pesos intra-pilar por nombre de columna; los ausentes reciben peso 1
pillar_weights vector nombrado c(exposure, sensitivity, adaptive_capacity) Pesos inter-pilar; los pilares ausentes reciben peso 0 automáticamente
hot_percentile / cold_percentile numérico Cuantiles para la extracción de RR de los ajustes DLNM

Retorno — objeto climasus_vi:

  • $vi_table: tibble ordenado por vi_rank (rank 1 = más vulnerable), con columnas vi_score ∈ [0, 1], exposure_score, sensitivity_score, adaptive_capacity_score, vi_rank, vi_percentile.
  • $pillar_scores: tibble largo con city, pillar, score (escore bruto antes de la inversión de AC).
  • $normalized_indicators / $raw_indicators: tibbles anchos con prefijos exp_, sen_, ac_.
  • $weights: lista con los pesos efectivamente usados intra-pilar e inter-pilar.
  • $gini_coefficient: Gini de la distribución del IVC.
  • $meta: lista de parámetros, conteos y timestamp.

Métodos S3 disponibles: print(), summary(), tidy() (retorna tibble plano), coef() (retorna vector nombrado city → vi_score).

sus_mod_plot_vulnerability() — Visualizaciones del IVC

Firma completa:

sus_mod_plot_vulnerability(
  x,
  type        = c("ranking", "pillars", "lorenz"),
  output_type = c("plot", "table", "all"),
  interactive = FALSE,
  base_size   = 12L,
  save_plot   = NULL,
  lang        = c("pt", "en", "es"),
  verbose     = FALSE
)

Tipos de gráfico (type=):

type Descripción Dato retornado en "table"
"ranking" Lollipop horizontal: IVC por ciudad, más vulnerable en la parte superior $vi_table
"pillars" Barras apiladas horizontales: contribución de E / S / AC por ciudad $pillar_scores
"lorenz" Curva de Lorenz de la desigualdad del IVC con Gini anotado $vi_table

Retorno: ggplot (output_type = "plot"), tibble ("table") o lista nombrada $plot, $table, $data ("all"). Con interactive = TRUE, retorna un widget plotly (requiere el paquete plotly).

sus_mod_swot() — Síntesis SWOT Climático-Sanitaria

Firma completa:

sus_mod_swot(
  vulnerability = NULL,
  af            = NULL,
  burden        = NULL,
  dlnm          = NULL,
  sensitivity   = NULL,
  score_type    = c("both", "numeric", "categorical"),
  breaks        = c(33, 66),
  labels        = NULL,
  city_col      = "city",
  lang          = c("pt", "en", "es"),
  verbose       = TRUE
)

Indicadores por cuadrante:

Cuadrante Fuente Indicadores extraídos
S Fortalezas climasus_vi adaptive_capacity_score (alta capacidad = fortaleza)
S Fortalezas climasus_af 100 − FA% total (baja carga = fortaleza)
S Fortalezas climasus_burden Puesto invertido de carga
W Debilidades climasus_vi sensitivity_score (alta sensibilidad = debilidad)
W Debilidades climasus_af FA% calor; FA% frío
W Debilidades climasus_sensitivity Desigualdad de RR entre estratos
O Oportunidades climasus_vi 100 − percentil IVC (bajo percentil = ventana); exposición actual invertida
T Amenazas climasus_vi exposure_score; vi_score
T Amenazas climasus_dlnm RR calor en el P95 (escalado 0–100)
T Amenazas climasus_burden Número Atribuible normalizado
T Amenazas climasus_sensitivity RR máximo entre estratos

Retorno — objeto climasus_swot:

  • $scores: tibble con una fila por entidad; columnas entity, S_score, W_score, O_score, T_score (0–100) y, cuando score_type %in% c("categorical","both"), S_cat, W_cat, O_cat, T_cat; conteos n_S, n_W, n_O, n_T.
  • $indicators: tibble largo con una fila por (entidad × cuadrante × indicador): entity, quadrant, ind_code, indicator, raw_value, norm_score, direction ("positive" o "negative").
  • $meta: lista con n_entities, n_indicators, inputs_used, score_type, breaks, labels, lang, call_time.

Métodos S3: print(), summary(), tidy() (retorna $scores).

sus_mod_plot_swot() — Visualizaciones SWOT

Firma completa:

sus_mod_plot_swot(
  x,
  type        = c("radar", "matrix", "bar"),
  output_type = c("plot", "table", "all"),
  interactive = FALSE,
  entities    = NULL,
  top_n       = 3L,
  base_size   = 12L,
  save_plot   = NULL,
  lang        = c("pt", "en", "es"),
  verbose     = FALSE
)

Tipos de gráfico (type=):

type Descripción Uso recomendado
"radar" Spider/radar de los cuatro escores SWOT (0–100) por entidad, con polígonos superpuestos para comparación multi-ciudad Comparación de perfiles entre municipios
"matrix" Cuadro 2×2 clásico: escore numérico, categoría y bullets de los principales indicadores por cuadrante. Muestra solo una entidad (la primera de la selección entities) Comunicación de riesgo de un único municipio
"bar" Barras horizontales agrupadas de los cuatro escores SWOT por entidad Comparación rápida de todos los municipios

Argumento top_n (solo en type = "matrix"): número máximo de bullets de indicadores mostrados por cuadrante (por defecto 3).

Retorno: ggplot o plotly (output_type = "plot"), tibble ("table") o lista $plot, $table ("all").

Fórmulas de referencia

Índice de Vulnerabilidad Compuesto (IPCC)

La fórmula central combina los tres pilares con inversión de Capacidad Adaptativa:

VIi=wE⋅Ei+wS⋅Si+wAC⋅(1−ACi)wE+wS+wAC VI_i = \frac{w_E \cdot E_i + w_S \cdot S_i + w_{AC} \cdot (1 - AC_i)}{w_E + w_S + w_{AC}}

donde cada pilar PiP_i es el promedio ponderado de los indicadores normalizados:

Pi=∑jωjx̃ij∑jωj P_i = \frac{\sum_j \omega_j \tilde{x}_{ij}}{\sum_j \omega_j}

Los indicadores faltantes se excluyen y los pesos restantes se renormalizan, preservando parcialmente a los municipios con datos incompletos.

Normalización min-max

x̃ij=xij−minj(xij)maxj(xij)−minj(xij) \tilde{x}_{ij} = \frac{x_{ij} - \min_j(x_{ij})}{\max_j(x_{ij}) - \min_j(x_{ij})}

Cuando max⁡j−min⁡j≈0\max_j - \min_j \approx 0 (variable constante), el valor se fija en 0,5 (implementación en .vi_minmax_col()).

Coeficiente de Gini

Dado el vector 𝐯\mathbf{v} de escores VIiVI_i ordenados de forma creciente:

G=2∑i=1ni⋅vin∑i=1nvi−n+1n G = \frac{2 \sum_{i=1}^{n} i \cdot v_i}{n \sum_{i=1}^{n} v_i} - \frac{n+1}{n}

El Gini se reporta en $gini_coefficient y se anota en los gráficos de type = "ranking" y type = "lorenz".

Resultados ilustrados

Ranking de vulnerabilidad

El gráfico lollipop ordena los municipios del más (parte superior) al menos vulnerable, con el escore IVC en el eje horizontal. El Coeficiente de Gini en el subtítulo cuantifica la desigualdad territorial de la vulnerabilidad.

Figura 1. Ranking de vulnerabilidad climático-sanitaria de los municipios de la RMSP. Escores min-max en el eje x; municipio en la parte superior = más vulnerable (IVC más alto). El Gini indica la concentración del riesgo entre los municipios.

Descomposición de los pilares IPCC

Las barras apiladas permiten identificar qué pilar domina la vulnerabilidad de cada municipio: Exposición (rojo), Sensibilidad (azul) o Capacidad Adaptativa (verde). Los municipios con pilares equilibrados indican multifactorialidad del riesgo.

Figura 2. Descomposición de los escores de los tres pilares IPCC por municipio, ordenados por el IVC total (más vulnerable en la parte superior).

Curva de Lorenz de la vulnerabilidad

La curva de Lorenz acumula la proporción del IVC total (eje y) en función de la proporción de municipios (eje x), del menos al más vulnerable. Cuanto más alejada de la diagonal (igualdad perfecta), mayor la concentración del riesgo en pocos municipios.

Figura 3. Curva de Lorenz del Índice de Vulnerabilidad Compuesto en la RMSP. El área sombreada entre la curva y la diagonal de igualdad perfecta (discontinua) es proporcional al Coeficiente de Gini anotado en el gráfico.

Tabla de escores de vulnerabilidad

Tabla 1. Escores de vulnerabilidad por municipio (top 10, orden decreciente de vulnerabilidad).
city vi_score exposure_score sensitivity_score adaptive_capacity_score vi_rank vi_percentile
350950 0.8069 0.7717 0.7500 0.0836 1 100.0
351880 0.5076 0.4375 0.5713 0.4510 2 83.3
rmsp 0.5000 NA 0.5000 NA 3 66.7
355030 0.4317 0.4033 0.5352 0.6291 4 50.0
351380 0.3617 0.2576 0.5165 0.6369 5 33.3
354870 0.1561 0.1069 0.3283 0.9421 6 16.7

Perfil SWOT — Radar

El radar muestra los cuatro escores SWOT (0–100) de todos los municipios simultáneamente. Polígonos mayores (especialmente en W y T) señalan mayor fragilidad; polígonos amplios en S y O indican activos protectores y oportunidades de intervención.

Figura 4. Perfil SWOT por municipio de la RMSP. Ejes: Fortalezas (arriba), Oportunidades (derecha), Amenazas (abajo), Debilidades (izquierda). Escala 0–100.

Cuadro SWOT 2×2 — Municipio más vulnerable

El cuadro 2×2 clásico muestra, para el municipio con mayor IVC, el escore numérico y la categoría de cada cuadrante, acompañados de los principales indicadores (con escore normalizado) que más contribuyeron a cada cuadrante.

Figura 5. Cuadro SWOT 2×2 para el municipio más vulnerable de la RMSP. Formato ideal para la comunicación de riesgo a gestores municipales.

Escores SWOT — Barras comparativas

Figura 6. Escores SWOT agrupados por municipio. Permite comparar simultáneamente Fortalezas, Debilidades, Oportunidades y Amenazas entre todos los municipios de la RMSP.

Tabla de escores SWOT

Tabla 2. Escores y categorías SWOT por municipio de la RMSP.
entity S_score n_S W_score n_W O_score n_O T_score n_T S_cat W_cat O_cat T_cat
350950 40.44680 2 6.643333 3 49.61415 2 6.898991 3 Cat2 Cat1 Cat2 Cat1
351880 40.63050 2 6.583767 3 58.13125 2 6.687824 3 Cat2 Cat1 Cat3 Cat1
rmsp 80.81000 2 6.560000 3 33.30000 2 9.809187 3 Cat4 Cat1 Cat2 Cat1
355030 40.71955 2 6.571733 3 74.79835 2 6.651124 3 Cat2 Cat1 Cat3 Cat1
351380 40.72345 2 6.565500 3 83.22120 2 6.579224 3 Cat2 Cat1 Cat4 Cat1
354870 40.87605 2 6.502767 3 91.59655 2 6.460458 3 Cat2 Cat1 Cat4 Cat1

Referencias

Andrews, K. (1971). The Concept of Corporate Strategy. Dow Jones-Irwin.

Benmarhnia, T., Deguen, S., Kaufman, J. S., & Smargiassi, A. (2015). Vulnerability to heat-related mortality: a systematic review, meta-analysis, and meta-regression analysis. Epidemiology, 26(6), 781–793. https://doi.org/10.1097/EDE.0000000000000375

Confalonieri, U., Marinho, D., Dias, H., & Malheiros, T. (2009). O índice de vulnerabilidade aos riscos climáticos do Brasil. Parcerias Estratégicas, 27, 161–172.

Cutter, S. L., Boruff, B. J., & Shirley, W. L. (2003). Social vulnerability to environmental hazards. Social Science & Medicine, 56(11), 2301–2322. https://doi.org/10.1016/S0277-9536(02)00605-X

Gasparrini, A., & Armstrong, B. (2013). Attributable risk from distributed lag models. BMC Medical Research Methodology, 13, 3. https://doi.org/10.1186/1471-2288-13-3

Gasparrini, A., et al. (2017). Projections of temperature-related excess mortality under climate change scenarios. The Lancet Planetary Health, 1(9), e360–e367. https://doi.org/10.1016/S2542-5196(17)30156-0

IPCC. (2014). Fifth Assessment Report — Working Group II: Impacts, Adaptation and Vulnerability. Part A: Global and Sectoral Aspects. Chapter 19: Emergent Risks and Key Vulnerabilities. Cambridge University Press. https://doi.org/10.1017/CBO9781107415379

IPCC. (2022). Sixth Assessment Report — Working Group II: Impacts, Adaptation and Vulnerability. Chapter 16: Key Risks across Sectors and Regions. Cambridge University Press. https://doi.org/10.1017/9781009325844

Marengo, J. A., et al. (2022). Vulnerability to climate change in Brazil: current status and future scenarios. International Journal of Climate Change Strategies and Management, 14(2), 133–149.

Turner, B. L., et al. (2003). A framework for vulnerability analysis in sustainability science. PNAS, 100(14), 8074–8079. https://doi.org/10.1073/pnas.1231335100

Fin de la sección de Modelización. Este es el último módulo de la serie de Modelización de climasus4r. Los resultados producidos aquí (mod_vi.rds) pueden cargarse en informes finales y comunicación de riesgo para gestores y tomadores de decisiones.

Módulo anterior Modelización 07: Bayes Espacial y Espacio-Temporal
Hub de tutoriales Índice de Tutoriales

Cómo reproducir las figuras. Ejecute una única vez, desde la raíz del paquete: Rscript scripts/modelagem_08_vulnerabilidade_swot.R. El script guarda las figuras en vignettes-pt/figuras/ (prefijos modvi_ y modswot_), las tablas en vignettes-pt/dados/ y el objeto de vulnerabilidad encadenado (mod_vi.rds).