Modelagem 08: Índice de Vulnerabilidade e Síntese SWOT

Objetivo

Ao final deste tutorial você será capaz de:

Compor um Índice de Vulnerabilidade Composto (IVC) segundo a estrutura de três pilares do IPCC AR6 — Exposição climática, Sensibilidade populacional e Capacidade Adaptativa — a partir de indicadores de saúde-clima, socioeconômicos e de infraestrutura de saúde, usando sus_mod_vulnerability_index();
Interpretar o ranking de vulnerabilidade entre municípios e medir a desigualdade territorial com o Coeficiente de Gini e a curva de Lorenz;
Sintetizar os resultados em uma análise SWOT (Forças, Fraquezas, Oportunidades e Ameaças) orientada a políticas públicas de saúde-clima, usando sus_mod_swot();
Visualizar e comunicar os resultados com os gráficos pareados sus_mod_plot_vulnerability() (ranking, pilares, Lorenz) e sus_mod_plot_swot() (radar, matriz 2×2, barras).

Este é o oitavo módulo da série de Modelagem do climasus4r. As entradas principais são o objeto climasus_af do Módulo M2 (mod_af.rds) e o objeto climasus_dlnm do Módulo M1 (mod_dlnm_fit.rds). A saída principal é o objeto climasus_vi salvo como mod_vi.rds para reuso em relatórios finais e comunicação de risco.

Contexto científico

Vulnerabilidade climática segundo o IPCC

O Quinto Relatório de Avaliação do IPCC (AR5, 2014) estabeleceu o arcabouço de três pilares que define vulnerabilidade — posteriormente refinado no AR6 (2022) — como uma função de três componentes interdependentes:

Exposição (Exposure): grau em que um sistema ou população é afetado por estressores climáticos (temperatura extrema, ondas de calor, dias de calor acima do percentil 90);
Sensibilidade (Sensitivity): nível de resposta de um sistema ao estressor, condicionado por fatores intrínsecos como proporção de idosos, prevalência de doenças crônicas e resposta dose-efeito estimada por modelos DLNM;
Capacidade Adaptativa (Adaptive Capacity): conjunto de recursos institucionais, econômicos e infraestruturais que permitem ao sistema modular seus impactos (índice de desenvolvimento humano, cobertura de água tratada, densidade de unidades básicas de saúde).

A fórmula do índice composto, proposta originalmente por Turner et al. (2003) e adotada na literatura de vulnerabilidade social (Cutter, Boruff & Shirley, 2003; Benmarhnia et al., 2015), inverte o pilar de Capacidade Adaptativa antes da combinação, pois maior capacidade significa menor vulnerabilidade:

$VI_i = \frac{w_E \cdot E_i + w_S \cdot S_i + w_{AC} \cdot (1 - AC_i)}{w_E + w_S + w_{AC}}$

em que $E_i$ , $S_i$ e $AC_i$ são as médias ponderadas dos indicadores normalizados (min-max ou z-score) do município $i$ para cada pilar, e $w_E$ , $w_S$ , $w_{AC}$ são os pesos inter-pilares. Indicadores faltantes são tratados com reponderação automática.

Normalização min-max e z-score

A normalização min-max projeta cada indicador $x_{ij}$ para o intervalo $[0, 1]$ :

$\tilde{x}_{ij} = \frac{x_{ij} - \min_j(x_{ij})}{\max_j(x_{ij}) - \min_j(x_{ij})}$

A normalização z-score padroniza pela média e desvio padrão, preservando a distribuição original — útil quando os indicadores têm escalas muito heterogêneas, mas requer transformação de volta para interpretação direta.

Desigualdade territorial e Curva de Lorenz

A Curva de Lorenz é o instrumento clássico para visualizar a concentração de qualquer recurso ou fardo em uma população ordenada. No contexto de risco climático, a curva acumula a proporção do IVC total (eixo y) contra a proporção de municípios (eixo x), do menos para o mais vulnerável. Quanto maior a área entre a curva e a diagonal de igualdade perfeita, maior o Coeficiente de Gini — que varia de 0 (perfeita igualdade) a 1 (todo o risco concentrado em um município).

Análises de concentração do risco climático são aplicadas em escala multi-cidade por Gasparrini et al. (2017) e em estudos nacionais de vulnerabilidade socioambiental no Brasil por Confalonieri et al. (2009) e Marengo et al. (2022).

Análise SWOT orientada a políticas de saúde-clima

O framework SWOT (Andrews, 1971), amplamente utilizado em planejamento estratégico, foi adaptado para a gestão de riscos climático-sanitários. Nesta abordagem:

Forças (S) representam fatores protetores existentes — capacidade adaptativa elevada, baixa fração atribuível total;
Fraquezas (W) refletem vulnerabilidades atuais — alta sensibilidade populacional, elevadas frações atribuíveis ao calor e ao frio;
Oportunidades (O) identificam janelas de intervenção — municípios com índice de vulnerabilidade relativamente baixo e exposição atual moderada têm espaço para avançar na prevenção antes de atingirem níveis críticos;
Ameaças (T) sinalizam riscos emergentes ou já presentes — exposição climática elevada, alto risco relativo de calor (DLNM), elevado número atribuível.

Dados utilizados

Objeto	Origem	Conteúdo
`caso_espacial.rds`	Tutorial T5	Geometrias sf dos municípios da RMSP
`caso_socio.rds`	Tutorial T6	Indicadores socioeconômicos por município (HDI, % idosos, etc.)
`mod_dlnm_fit.rds`	Módulo M1	Objeto `climasus_dlnm` ajustado para a RMSP
`mod_af.rds`	Módulo M2	Objeto `climasus_af` com FA% total/calor/frio

Quando qualquer um desses quatro arquivos estiver ausente (execução fora da cadeia completa), o script de pré-renderização sintetiza dados realistas com aviso — o Rmd renderiza normalmente, exibindo os resultados ilustrativos.

Pipeline completo

library(climasus4r)
library(dplyr)

Carregar entradas encadeadas

# 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 os três pilares IPCC

Cada pilar é fornecido como um data.frame com uma coluna de identificador municipal (city_col = "city") e colunas numéricas de indicadores. Indicadores faltantes para algum município são preenchidos com NA e excluídos da média ponderada do pilar, sem forçar exclusão 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 o Índice de Vulnerabilidade Composto

sus_mod_vulnerability_index() aceita um argumento fits (lista nomeada de objetos climasus_dlnm) para extração automática das métricas dlnm_hot_rr, dlnm_cold_rr e dlnm_sensitivity_index, que são automaticamente mescladas ao pilar de sensibilidade.

# 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)

O objeto climasus_vi contém:

Elemento	Tipo	Conteúdo
`$vi_table`	tibble	IVC, escores dos pilares, rank e percentil por cidade
`$pillar_scores`	tibble (long)	Escores brutos dos três pilares por cidade
`$normalized_indicators`	tibble	Indicadores normalizados (prefixos `exp_`, `sen_`, `ac_`)
`$raw_indicators`	tibble	Indicadores originais sem normalização
`$weights`	lista	Pesos intra-pilar e inter-pilar efetivamente usados
`$gini_coefficient`	numérico	Gini do IVC (0 = igualdade perfeita)
`$meta`	lista	Parâmetros da chamada, contagens, tempo

Ajustar a Análise SWOT

sus_mod_swot() agrega os objetos climasus de múltiplos módulos em quadrantes SWOT normalizados (0–100) e categorizados. O argumento breaks = c(25, 50, 75) produz quatro categorias (Baixo / Médio / Alto / Muito Alto) — o padrão c(33, 66) produz três categorias.

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 das funções

`sus_mod_vulnerability_index()` — Índice de Vulnerabilidade IPCC

Assinatura 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
)

Parâmetros-chave:

Argumento	Tipo	Descrição
`exposure_df`	`data.frame`	Indicadores do pilar Exposição (maior = mais exposto)
`sensitivity_df`	`data.frame`	Indicadores do pilar Sensibilidade (maior = mais sensível)
`adaptive_capacity_df`	`data.frame`	Indicadores do pilar Capacidade Adaptativa (maior = mais adaptado)
`fits`	lista nomeada de `climasus_dlnm`	Extração automática de RR calor/frio/índice de sensibilidade
`city_col`	`character`	Nome da coluna de identificador municipal (padrão `"city"`)
`normalize`	`"minmax"` ou `"zscore"`	Método de normalização dos indicadores
`weights`	vetor nomeado	Pesos intra-pilar por nome de coluna; ausentes recebem peso 1
`pillar_weights`	vetor nomeado `c(exposure, sensitivity, adaptive_capacity)`	Pesos inter-pilar; pilares ausentes recebem peso 0 automaticamente
`hot_percentile` / `cold_percentile`	numérico	Quantis para extração de RR dos ajustes DLNM

Retorno — objeto climasus_vi:

$vi_table: tibble ordenado por vi_rank (rank 1 = mais vulnerável), com colunas vi_score ∈ [0, 1], exposure_score, sensitivity_score, adaptive_capacity_score, vi_rank, vi_percentile.
$pillar_scores: tibble longo com city, pillar, score (escore bruto antes da inversão de AC).
$normalized_indicators / $raw_indicators: tibbles largos com prefixos exp_, sen_, ac_.
$weights: lista com pesos efetivamente usados intra-pilar e inter-pilar.
$gini_coefficient: Gini da distribuição do IVC.
$meta: lista de parâmetros, contagens e timestamp.

Métodos S3 disponíveis: print(), summary(), tidy() (retorna tibble plano), coef() (retorna vetor nomeado city → vi_score).

`sus_mod_plot_vulnerability()` — Visualizações do IVC

Assinatura 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`	Descrição	Dado retornado em `"table"`
`"ranking"`	Lollipop horizontal: IVC por cidade, mais vulnerável no topo	`$vi_table`
`"pillars"`	Barras empilhadas horizontais: contribuição de E / S / AC por cidade	`$pillar_scores`
`"lorenz"`	Curva de Lorenz da desigualdade do IVC com Gini anotado	`$vi_table`

Retorno: ggplot (output_type = "plot"), tibble ("table") ou lista nomeada $plot, $table, $data ("all"). Com interactive = TRUE, retorna widget plotly (requer pacote plotly).

`sus_mod_swot()` — Síntese SWOT Climático-Saúde

Assinatura 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 quadrante:

Quadrante	Fonte	Indicadores extraídos
S Forças	`climasus_vi`	`adaptive_capacity_score` (alta capacidade = força)
S Forças	`climasus_af`	100 − FA% total (baixa carga = força)
S Forças	`climasus_burden`	Posto invertido de carga
W Fraquezas	`climasus_vi`	`sensitivity_score` (alta sensibilidade = fraqueza)
W Fraquezas	`climasus_af`	FA% calor; FA% frio
W Fraquezas	`climasus_sensitivity`	Desigualdade de RR entre estratos
O Oportunidades	`climasus_vi`	100 − percentil IVC (baixo percentil = janela); exposição atual invertida
T Ameaças	`climasus_vi`	`exposure_score`; `vi_score`
T Ameaças	`climasus_dlnm`	RR calor no P95 (escalonado 0–100)
T Ameaças	`climasus_burden`	Número Atribuível normalizado
T Ameaças	`climasus_sensitivity`	RR máximo entre estratos

Retorno — objeto climasus_swot:

$scores: tibble com uma linha por entidade; colunas entity, S_score, W_score, O_score, T_score (0–100) e, quando score_type %in% c("categorical","both"), S_cat, W_cat, O_cat, T_cat; contagens n_S, n_W, n_O, n_T.
$indicators: tibble longo com uma linha por (entidade × quadrante × indicador): entity, quadrant, ind_code, indicator, raw_value, norm_score, direction ("positive" ou "negative").
$meta: lista com n_entities, n_indicators, inputs_used, score_type, breaks, labels, lang, call_time.

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

`sus_mod_plot_swot()` — Visualizações SWOT

Assinatura 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`	Descrição	Uso recomendado
`"radar"`	Spider/radar dos quatro escores SWOT (0–100) por entidade, com polígonos sobrepostos para comparação multi-cidade	Comparação de perfis entre municípios
`"matrix"`	Quadro 2×2 clássico: escore numérico, categoria e bullets dos principais indicadores por quadrante. Exibe apenas uma entidade (a primeira da seleção `entities`)	Comunicação de risco de um único município
`"bar"`	Barras horizontais agrupadas dos quatro escores SWOT por entidade	Comparação rápida de todos os municípios

Argumento top_n (apenas em type = "matrix"): número máximo de bullets de indicadores exibidos por quadrante (padrão 3).

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

Fórmulas de referência

Índice de Vulnerabilidade Composto (IPCC)

A fórmula central combina os três pilares com inversão de Capacidade Adaptativa:

$VI_i = \frac{w_E \cdot E_i + w_S \cdot S_i + w_{AC} \cdot (1 - AC_i)}{w_E + w_S + w_{AC}}$

onde cada pilar $P_i$ é a média ponderada dos indicadores normalizados:

$P_i = \frac{\sum_j \omega_j \tilde{x}_{ij}}{\sum_j \omega_j}$

Indicadores faltantes são excluídos e os pesos remanescentes são renormalizados, preservando parcialmente municípios com dados incompletos.

Normalização min-max

$\tilde{x}_{ij} = \frac{x_{ij} - \min_j(x_{ij})}{\max_j(x_{ij}) - \min_j(x_{ij})}$

Quando $\max_j - \min_j \approx 0$ (variável constante), o valor é fixado em 0,5 (implementação em .vi_minmax_col()).

Coeficiente de Gini

Dado o vetor $\mathbf{v}$ de escores $VI_i$ ordenados de forma crescente:

$G = \frac{2 \sum_{i=1}^{n} i \cdot v_i}{n \sum_{i=1}^{n} v_i} - \frac{n+1}{n}$

O Gini é reportado em $gini_coefficient e anotado nos gráficos de type = "ranking" e type = "lorenz".

Resultados ilustrados

Ranking de vulnerabilidade

O gráfico lollipop ordena os municípios do mais (topo) ao menos vulnerável, com o escore IVC no eixo horizontal. O Coeficiente de Gini no subtítulo quantifica a desigualdade territorial da vulnerabilidade.

Figura 1. Ranking de vulnerabilidade climático-sanitária dos municípios da RMSP. Escores min-max no eixo x; município no topo = mais vulnerável (IVC mais alto). Gini indica a concentração do risco entre os municípios.

Decomposição dos pilares IPCC

As barras empilhadas permitem identificar qual pilar domina a vulnerabilidade de cada município: Exposição (vermelho), Sensibilidade (azul) ou Capacidade Adaptativa (verde). Municípios com pilares equilibrados indicam multifatoriedade do risco.

Figura 2. Decomposição dos escores dos três pilares IPCC por município, ordenados pelo IVC total (mais vulnerável no topo).

Curva de Lorenz da vulnerabilidade

A curva de Lorenz acumula a proporção do IVC total (eixo y) em função da proporção de municípios (eixo x), do menos para o mais vulnerável. Quanto mais afastada da diagonal (igualdade perfeita), maior a concentração do risco em poucos municípios.

Figura 3. Curva de Lorenz do Índice de Vulnerabilidade Composto na RMSP. A área sombreada entre a curva e a diagonal de igualdade perfeita (tracejada) é proporcional ao Coeficiente de Gini anotado no gráfico.

Tabela de escores de vulnerabilidade

Tabela 1. Escores de vulnerabilidade por município (top 10, ordem decrescente de vulnerabilidade).
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

O radar mostra os quatro escores SWOT (0–100) de todos os municípios simultaneamente. Polígonos maiores (especialmente em W e T) sinalizam maior fragilidade; polígonos amplos em S e O indicam ativos protetores e oportunidades de intervenção.

Figura 4. Perfil SWOT por município da RMSP. Eixos: Forças (topo), Oportunidades (direita), Ameaças (base), Fraquezas (esquerda). Escala 0–100.

Quadro SWOT 2×2 — Município mais vulnerável

O quadro 2×2 clássico exibe, para o município com maior IVC, o escore numérico e a categoria de cada quadrante, acompanhados dos principais indicadores (com escore normalizado) que mais contribuíram para cada quadrante.

Figura 5. Quadro SWOT 2×2 para o município mais vulnerável da RMSP. Formato ideal para comunicação de risco a gestores municipais.

Escores SWOT — Barras comparativas

Figura 6. Escores SWOT agrupados por município. Permite comparar simultaneamente Forças, Fraquezas, Oportunidades e Ameaças entre todos os municípios da RMSP.

Tabela de escores SWOT

Tabela 2. Escores e categorias SWOT por município da 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

Referências

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

Navegação

Fim da seção de Modelagem. Este é o último módulo da série de Modelagem do climasus4r. Os resultados produzidos aqui (mod_vi.rds) podem ser carregados em relatórios finais e comunicação de risco para gestores e tomadores de decisão.

Módulo anterior	Modelagem 07: Bayes Espacial e Espaço-Temporal
Hub de tutoriais	Índice de Tutoriais

Como reproduzir as figuras. Rode uma única vez, a partir da raiz do pacote: Rscript scripts/modelagem_08_vulnerabilidade_swot.R. O script salva as figuras em vignettes-pt/figuras/ (prefixos modvi_ e modswot_), as tabelas em vignettes-pt/dados/ e o objeto de vulnerabilidade encadeado (mod_vi.rds).

Equipe climasus4r

17/10/2026

Objetivo

Contexto científico

Vulnerabilidade climática segundo o IPCC

Normalização min-max e z-score

Desigualdade territorial e Curva de Lorenz

Análise SWOT orientada a políticas de saúde-clima

Dados utilizados

Pipeline completo

Carregar entradas encadeadas

Construir os três pilares IPCC

Ajustar o Índice de Vulnerabilidade Composto

Ajustar a Análise SWOT

Características das funções

`sus_mod_vulnerability_index()` — Índice de Vulnerabilidade IPCC

`sus_mod_plot_vulnerability()` — Visualizações do IVC

`sus_mod_swot()` — Síntese SWOT Climático-Saúde

`sus_mod_plot_swot()` — Visualizações SWOT

Fórmulas de referência

Índice de Vulnerabilidade Composto (IPCC)

Normalização min-max

Coeficiente de Gini

Resultados ilustrados

Ranking de vulnerabilidade

Decomposição dos pilares IPCC

Curva de Lorenz da vulnerabilidade

Tabela de escores de vulnerabilidade

Perfil SWOT — Radar

Quadro SWOT 2×2 — Município mais vulnerável

Escores SWOT — Barras comparativas

Tabela de escores SWOT

Referências

Navegação

Modelagem 08: Índice de Vulnerabilidade e Síntese SWOT

Equipe climasus4r

17/10/2026

Objetivo

Contexto científico

Vulnerabilidade climática segundo o IPCC

Normalização min-max e z-score

Desigualdade territorial e Curva de Lorenz

Análise SWOT orientada a políticas de saúde-clima

Dados utilizados

Pipeline completo

Carregar entradas encadeadas

Construir os três pilares IPCC

Ajustar o Índice de Vulnerabilidade Composto

Ajustar a Análise SWOT

Características das funções

sus_mod_vulnerability_index() — Índice de Vulnerabilidade IPCC

sus_mod_plot_vulnerability() — Visualizações do IVC

sus_mod_swot() — Síntese SWOT Climático-Saúde

sus_mod_plot_swot() — Visualizações SWOT

Fórmulas de referência

Índice de Vulnerabilidade Composto (IPCC)

Normalização min-max

Coeficiente de Gini

Resultados ilustrados

Ranking de vulnerabilidade

Decomposição dos pilares IPCC

Curva de Lorenz da vulnerabilidade

Tabela de escores de vulnerabilidade

Perfil SWOT — Radar

Quadro SWOT 2×2 — Município mais vulnerável

Escores SWOT — Barras comparativas

Tabela de escores SWOT

Referências

Navegação

`sus_mod_vulnerability_index()` — Índice de Vulnerabilidade IPCC

`sus_mod_plot_vulnerability()` — Visualizações do IVC

`sus_mod_swot()` — Síntese SWOT Climático-Saúde

`sus_mod_plot_swot()` — Visualizações SWOT