GESTÃO DE RESIDUOS NOS MUNICIPIOS BRASILEIROS: [1]consistência dos indicadores para a escolha do modelo de gestão
Resumo : O presente artigo presente visa identificar indicadores apropriados de valor econômico e de gestão sócio–ambiental de resíduos sólidos urbanos, considerando as respectivas unidades de medição e os métodos apropriados. Neste sentido, foi utilizada o método de análise multivariada, onde inicialmente se empregou a Análise Fatorial para determinar as relações quantitativas entre as variáveis chaves do estudo e ordená-las de acordo com os fatores causais. Em seguida aplicou-se a Análise de Cluster, para separar os estados/municípios em grupos homogêneos segundo o sistema de coleta e destinação dos resíduos. A comparação dos procedimentos dos estados quanto à políticas públicas de cada um no que se refere a gestão dos resíduos só foi possível através do uso de método de Análise Multivariada. Os resultados obtidos foram satisfatórios por terem permitido identificar grupos de estados com idênticas similaridades na gestão dos resíduos.
Palavras Chaves: Resíduos, Modelo de Gestão, Municípios brasileiros
Abstract: The present present article seeks to identify adapted indicators of economic value and of partner-environmental administration of urban solid residues, considering the respective units of mensuration and the appropriate methods. In this sense, the method of multivariate analysis was used as the analytical method, where initially the Análise Fatorial was used to determine the quantitative relationships among the variables keys of the study and to order them in agreement with the causal factors. And then through Cluster Analysis was applied, to separate the estados/municípios in homogeneous groups according to the collection system and destination of the residues. The comparison of the procedures of the states with relationship to the public politics of each one in what refers the administration of the residues it was only possible through the use of method of Multivariate Análysis. The obtained results were satisfactory for they have allowed to identify groups of states with identical similarities in the administration of the residues.
Key words: Residues, Model of Administration, Brazilian Municipal districts
- INTRODUÇÃO
Problema e sua importância
A produção dos resíduos sólidos está na ordem direta do crescimento populacional e do grau de urbanização.
Segundo a pesquisa publicada pelo IBGE (PNSB, 2000), constata-se que taxa de crescimento médio da população no ano de 2000 é de 2,3%. Isto aliado a taxa de crescimento da população urbana passa a constituir um problema na produção e destinação final dos resíduos sólidos. Baseado nestes fatos pode-se afirmar que quanto maior é taxa de urbanização maior é o crescimento do consumo e, portanto, maior é a produção dos resíduos sólidos urbanos. Nesse sentido a mesma pesquisa revela que cerca de 68,5% dos resíduos produzidos pelas populações da maioria dos municípios são depositados em lixões e em terrenos alagados, a partir destas constações pode-se afirmar que maiores problemas sócio-ambientais poderão ser gerados quando mal administrados os resíduos urbanos.
A gestão de resíduos sólidos não engloba apenas aspectos da natureza de serviços de coleta, mas também aspectos institucionais, administrativos operacionais e políticas. Por muito tempo o objeto da gestão de resíduos sólidos se resumia à coleta, o tratamento e a eliminação de resíduos (OCDS, 1998). A partir do RIO 92 as denúncias feitas sobre o mau uso e destinação dos resíduos estavam pondo em perigo a vida na terra por isso foram feitas algumas recomendações que transformaram em estratégias para o desenvolvimento sustentável dentre as quais destaca-se a minimização dos resíduos, a reutilização/reaproveitamento e reciclagem. Este método consiste na coleta seletiva triagem e reciclagem dos resíduos sólidos. Ou seja, buscando uma nova concepção de práticas de produção e de consumo (tecnologias limpas). A valorização dos recicláveis contidos nos resíduos sólidos urbanos, o valor econômico extraído dos resíduos não é uma atividade recente, pois ela ocorre de forma institucionalizada através de programas de coleta seletiva municipal, de usinas de reciclagem (resíduos não segregados em sua fonte de origem) e do “ trabalho de populações marginalizadas ”, catadores de papel e/ou catadores em lixões conhecidos como “Badameiros”. Segundo Brusztyn (2000), o aumento do volume e do valor dos resíduos urbanos (conseqüência direta da evolução da sociedade industrializada), promove o crescimento preocupante da população excluída ou marginalizada do processo produtivo dominante nas sociedades modernas, estimulando a formação de verdadeiros “ batalhões ” de pessoas que vivem dentro dos lixões.
Os dados revelados nesta pesquisa mostram a necessidade de um estudo que subsidie as políticas públicas dos governos tanto nas esferas municipal, estadual ou federal sobre o destino e tratamento dos resíduos urbanos. É neste contexto que o presente artigo visa identificar indicadores apropriados de valor econômico e de gestão sócio–ambiental de resíduos sólidos urbanos, considerando as respectivas unidades de medição e os métodos apropriados.
A definição de indicadores de gestão de resíduos municipais permitirá ao poder público maior segurança para melhorar ou escolher seu modelo de gestão, em função dos resultados revelados no trabalho.
2. MODELO CONCEITUAL
2.1. Critérios para seleção dos indicadores
O programa de indicadores ambientais da OCDE (Organização de cooperação e desenvolvimento econômicos) reconhece que não existe um conjunto universal de indicadores, mas vários conjuntos correspondendo cada um deles a objetivos específicos. Podem ser empregados em níveis internacional e nacional, para estabelecer relatórios sobre o estado do meio ambiente, examinar os desempenhos ambientais e relatar os progresso alcançados em matéria de desenvolvimento sustentável. Podem ainda servir, em nível nacional, para o planejamento, o esclarecimento dos objetivos políticos e a definição das prioridades.
A escolha do modelo adequado para a gestão dos resíduos não é fácil de se conceber se levarmos em consideração a precariedade das informações sobre a produção e coleta dos resíduos sólidos urbanos. Esta preocupação parte da constatação e análise da natureza dos serviços de limpeza e/ou coleta de lixo nos municípios do Brasil, bem como da destinação final do lixo coletado.
A partir do momento que o objetivo deste trabalho é identificar os indicadores apropriados que possam auxiliar não só na avaliação da dimensão do custo de tratamento e coleta dos resíduos sólidos, mas também na aferição dos impactos sócio-ambientais e, posterior tomada de decisão através das possíveis implementações das políticas públicas em direção a este problema, então a construção do modelo de aferição dos serviços de saneamento nos municípios deve contemplar não apenas os agentes econômicos envolvidos nesta prática e a relação de troca que se realiza, mas também considerar os riscos ambientais e de saúde que os resíduos provocam quando mal administrados.
A partir destas constatações propõe-se analisar os problemas dos resíduos sólidos urbanos com base na construção de indicadores de consistência tais como: Indicador de Qualidade de Coleta – IQC, que é o que se classificará de nível adequado do tratamento do lixo, o indicador da valoração da fração orgânica – IVO e o índice de ganho dos catadores dos resíduos sólidos em relação ao salário mínimo institucional - IGC. O primeiro indicador avalia a coleta do lixo em termos de adequação ou inadequação segundo o destino final. Entende-se por sistema de coleta adequado quando os resíduos recebem tratamento na destinação final (Triagem, reciclagem, Compostagem ou incineração). Considera-se estudo o sistema inadequado quando o destino final da coleta não obedece aos critérios apontados. O segundo indicador mede a relação fração orgânica/compostagem. Este indicador avalia o impacto ambiental. O terceiro e o último indicador mede o percentual da renda auferida pelos catadores dos resíduos sólidos em relação ao salário mínimo institucional.
3. METODOLOGIA
A metodologia adotada para determinar a escolha e análise dos indicadores é baseada no método de análise multivariada. O Software utilizado para a estimação e análise dos dados pelo método citado é SPSS versão 10.0.
Os dados foram coletados em uma amostra de 27 Estados do Brasil. O período da coleta corresponde ao ano de 2000 e as variáveis escolhidas foram selecionadas do censo do IBGE – Pesquisa Nacional do Saneamento Básico 2000.
Da metodologia proposta, seleciona-se inicialmente as técnicas de Análise Fatorial para determinar as relações quantitativas entre as variáveis e ordená-las de acordo com os fatores causais. Para assegurar a veracidade das relações estabelecidas, isto é, se a qualidade da agregação de variáveis realizada pela análise fatorial pode ser testada recorrem-se às técnicas de Análise de Cluster ou de Discriminante.
3.1. Análise Fatorial
A análise fatorial é uma técnica estatística usada para identificar em termos relativos um pequeno número de fatores que podem ser usados para identificar as relações estatísticas entre um conjunto de variáveis inter-relacionadas.
A pressuposição básica da análise fatorial é de que existem certos fatores causais gerais que originam as correlações observadas entre as variáveis em estudo. O número destes fatores é sempre menor que o das variáveis que compõem a série, porque a maior parte das variáveis relacionadas é explicada pelos mesmos fatores causais.
No modelo de análise fatorial cada uma das variáveis jX (j=1,2,..,p) pode ser escrita como uma combinação linear dos fatores comuns ( F1,F2,...,Fm) que explica a parcela da variância de cada variável explicada pelos fatores comuns, mais um desvio que resume a parcela da variância total não explicada pelos fatores comuns. A parcela explicada pelos fatores comuns recebe o nome de comunalidade, e a parcela não explicada pelos fatores comuns o de especificidade.
As comunalidades podem variar de 0 a 1; as que se aproximam de zero (0) indicam que os fatores comuns não explicam a variância, e as que se aproximam de um (1) indicam que todas as variâncias são explicadas pelos fatores comuns demonstrando com isso um bom ajustamento do modelo
Algebricamente o modelo pode ser representado como segue:
Xj=l1jF1 + l2jF2 +...+ l1mFm + ej; j=1,2,...,p (1)
o parâmetro lij é denominado carga fatorial (factor loading) e reflete a importância do fator i na explicação da variável j. Os F são os fatores e o erro é designado por e.
Na forma matricial o sistema pode ser representado desta maneira:
X=FA+U (2)
onde, X é vetor das variáveis originais; F é o vetor dos fatores comuns; A é a matriz de “conexão”, ou seja, contém as cargas fatoriais e U é o vetor de fatores especificos.
A questão central da análise fatorial reside, pois, em determinar a matriz fatorial reduzida denominada matriz da carga fatorial (reduzida) FB =½fjm½ nxr. Essa matriz revela, então, as relações entre as variáveis normalizadas Zi e os fatores comuns, abandonando-se os específicos e os fatores de erro (GONTIJO & AGUIRRE, 1988).
Para se chegar a esses resultados, a análise fatorial é feita a partir da análise da variância, concretamente, da matriz das correlações entre as variáveis, RA = ½rih½
Considerando as premissas usuais tem-se que,
Fi ~N (0,1) e, são independentes (3)
ej ~N (0,1) e, são independentes (4)
Fi e ej são independentes entre si (5)
E(xj) = 0 (6)
A condição de ortogonalidade entre os fatores, entre os erros e os fatores e a independência dos erros, levando em consideração a premissa (5) pode ser expressa por
s2j = l1j2 + l2j2 +...+ lmj2 + yj (7)
onde s2j é a variância de Xj.
Assim, a variância total da variável Xj pode ser decomposta numa parcela explicada pelo modelo e denominada comunalidade e uma parcela não explicada denominada especifidade.
V(xj) = l1j2 + l2j2 +....+ lm2j + yj =
(8)
(8)Portanto, yj é a especificidade, enquanto as parcelas anteriores são as comunalidades.
A comunalidade e a especificidade de Xj devem somar 1. Para se avaliar o grau de adequação do modelo deve-se observar se as comunalidades das variáveis são próximas de 1. Quanto mais próximas da unidade estiverem melhor é o ajustamento do modelo, da mesma forma pode-se dizer que quanto menor for a especificidade melhor é o modelo.
TABELA 1 – O Grau de Ajustamento do Modelo Econométrico pelas Cumunalidades das Variáveis
| Variáveis Comunalidades |
| |
| Coleta 0,993 |
| Seletiva 0,962 |
| Reciclagem 0,993 |
| Compostagem 0,913 |
| Incineração 0,999 |
| Composição 1,000 |
| |
| Fonte : Dados da Pesquisa |
A tabela 1 resume para cada variável a comunalidade obtida, verifica-se que todas elas apresentam coeficiente próximo a unidade, exemplo, para a variável tecnológica RECICLA, os fatores comuns explicam cerca de 99,3% da variância total, a diferença percentual da parcela não explicada é especificidade.
As cargas fatoriais finais referem-se à correlação que existe entre cada fator e cada uma das variáveis, ou seja, elas mostram a importância de cada fator na explicação de cada uma das variáveis, e podem ser obtidas através da rotação de fatores. Existem vários métodos de rotação de fatores. Neste trabalho adotou-se o método varimax de rotação ortogonal, pois, este método tenta minimizar o número de variáveis que têm alta carga fatorial. Os resultados obtidos são apresentados nas tabela 2.
TABELA 2 – A Matriz dos Fatores Rodados
| |
| Fator 1 Fator 2 |
| |
| Coleta 0,397 0,866 |
| Selet 0,916 0,222 |
| Recicla 0,920 0,264 |
| Compst 0,832 0,408 |
| Incin. 0,563 0,379 |
| Compos. 0,108 0,109 |
| |
Fonte: Dados da Pesquisa.
As cargas fatoriais obtidas representam a correlação entre cada fator e cada uma das variáveis, ou seja, a importância de cada fator na explicação de cada uma das variáveis. Por exemplo, tem-se que corr (F1, Recicla = 0,920.
Segundo se pode observar na tabela 2, a correlação entre fatores e variáveis encontram-se separadas em dois blocos.
O fator 1 explica comportamento das variáveis, SELET, RECICLA e COMPOST. Esse fator indica o nível adequado do tratamento dos resíduos sólidos dentro dos padrões sócio-ambientais.
O fator 2 apresenta apenas uma variável a COLETA. O fator 2 indica o nível inadequado do tratamento dos resíduos na destinação final.
TABELA-3 Fatores que Explicam as Variações da Coleta e Tratamento dos Resíduos Sólidos urbanos.
| Fator Autovalores % das var % acum |
| |
| 1 4,279 71,31 71,31 |
| 2 0,923 15,39 86,70 |
Fonte: Dados da Pesquisa
Na tabela 3 pode-se notar que o fator 1 explica cerca de 71,31% da variância total dos dados sobre a destinação final dos resíduos sólidos, enquanto o fator 2 explica cerca de 15,39%. Conjuntamente explicam cerca de 86,70% da variância total. A parcela restante da variância total 13,3% não explicada pelo modelo deve-se a especificidade.
A substituição de 6 componentes originais por 2 fatores representa uma aproximação boa, uma vez que o modelo explica cerca de 86,70% da variância total dos dados. Por outro lado, considerando-se que os fatores substituem de forma satisfatória as variáveis originais, então pode-se obter uma ordenação dos Estados/Municípios levando em conta apenas esses fatores.
Para se obter uma classificação de acordo com cada um dos fatores é necessário a obtenção da matriz dos coeficientes fatoriais. Estes coeficientes são obtidos multiplicando-se a matriz transposta das cargas fatoriais pela inversa da matriz da correlação:
CF = D`*R-1
onde, D`é a inversa da matriz de cargas fatoriais, R-1 é a inversa da matriz da correlação. Os dados estão representados na tabela 4.
TABELA 4 – Os Escores da Matriz dos Coeficientes Fatoriais
| |
| Variáveis Fator 1 Fator 2 |
| |
| COLETA -0,255 1,458 |
| SELET 0 ,768 -0,121 |
| RECICLA 0,692 -0 ,110 |
| COMPST -0,028 -0,170 |
| INCIN -0,397 -0,349 |
| COMPOS -0,097 -0,165 |
| |
| |
Fonte: Dados da Pesquisa.
A partir dos coeficientes fatoriais pode-se estimar os “scores”fatoriais através da seguinte equação:
F = D`*R-1*X
onde, D` matriz transposta das cargas fatoriais;
R-1 inversa da matriz de correlação original;
X matriz dos dados originais padronizados;
F matriz das estimativas dos “scores”fatoriais.
Para cada estado/município estimou-se os escores fatoriais. Através destes escores, foi possível classifica-los numa escala que acompanha a distribuição em ordem decrescente com relação ao uso do fator.
Cada estado/município está representado através de um número cadastral, o trabalho compõe-se de 27 amostras.
A cada estado/município foi atribuído o valor alto ou médio do fator. Aquele que se situar no primeiro intervalo de acordo com a classificação estabelecida, significa dizer que ele apresenta alto valor do fator, se ficar situado no segundo intervalo, apresenta valor médio do fator.
Os escores fatoriais mostram que em determinados períodos houve estados/municípios que se situaram em uma ou outra faixa do intervalo, isso pode refletir problemas quanto à gestão dos resíduos quanto a natureza de serviços de coleta e na forma de destinação final.
O grau de adequação, ou melhor, a eficiência de cada estabelecimento em termos de produção e coleta será analisado em cada fator tomando como parâmetro dois tipos de classificação: alto e médio. Os intervalos serão construídos baseado no limite superior da distribuição (maior valor observado) , e no limite inferior da distribuição (menor valor observado), assim: o limite máximo corresponde a 4,3166 limite mínimo corresponde a –0,66411 do fator 1. Para o fator 2 estes limites são de 3,9000 a – 1,1507.
Fator 1 Fator 2
Alto 4,3166 a 1,2981 3,9000 a 1,5366
Médio 1,2981 a -0,6641 1,5366 a -1,1507
No fator 1 os estados/municípios com sistema de coleta adequado somam, cerca de 11,11% do total de 27 observações e, cerca de 88,9% têm sistema de coleta embora na classe de adequado, mas com alguns sistema de tratamento precário. No que se concerne ao fator 2, cerca de 7,4% dos estado/municipios se encaixam na faixa alta, ou seja, estão fase de transição em busca do melhoramento do tratamento dos resíduos sólidos e, cerca de 92,6% na faixa dos que não usam nenhum sistema de tratamento de resíduos.
3.2. Análise Cluster
Deve-se ressaltar que o método de análise fatorial faz uma seleção importante e ajuda a interpretar as relações que surgem de cada fator separado. Segundo GONTIJO & AGUIRRE (1988), cada escolha e cada interpretação é, em maior ou menor medida subjetiva, por isso, este modelo é passível de crítica; depois de se obterem o resultado da análise não se pode assegurar que as relações estabelecidas sejam únicas e verdadeiras. Levando em conta essas considerações, torna-se aconselhável recorrer o uso da técnica de agrupamentos (cluster) para testar a qualidade da agregação das variáveis realizadas pela análise fatorial. Como o objetivo do trabalho é agrupar os estados/municípios com o mesmo sistema de coleta e destinação dos resíduos sólidos urbanos, escolheu-se então para o teste o método cluster de casos.
O objetivo principal da análise, nesta seção, será o estudo da similaridade entre os estados/municípios tendo como base os 2 fatores. O primeiro conjunto congrega os estados/municípios como o melhor sistema de coleta e destinação dos resíduos, este conjunto corresponde ao fator 1. O segundo conjunto é composto de estados/municípios com sistema de coleta fora das recomendações ambientais, corresponde ao fator 2.
Os resultados são mostrados no dendrograma e o método usado foi de ligação simples ou do vizinho mais próximo (MLS). Este método define como similaridade entre dois grupos aquela dada pelos dois membros mais parecidos. Ou seja, entre todos os coeficientes de similaridade entre elementos de um grupo e de outro, escolhe-se o de maior similaridade como o coeficiente entre dois grupos (BUSSAB et alli, 1990). Assim, dados os conjuntos de objetos X e Y, a distância entre eles será definida como:
d(X,Y) = min(dij: i Î X e j Î Y) (9)
Estas distâncias são obtidas quantitativamente pela raiz quadrada da distância euclidiana:
d*(X,Y) = 
(10)
(10) H I E R A R C H I C A L C L U S T E R A N A L Y S I S
Dendrogram using Average Linkage (Between Groups)
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
AC 2 -+
RR 4 -+
AM 3 -+
SE 15 -+
PI 9 -+
PB 12 -+
PE 13 -+
GO 26 -+
AP 6 -+
DF 27 -+
RO 1 -+
CE 10 -+
RN 11 -+
PA 5 -+
TO 7 -+-+
AL 14 -+ I
MT 25 -+ I
MA 8 -+ +-------+
MS 24 -+ I I
ES 18 -+ I +-------------------------------------+
BA 16 -+ I I I
RJ 19 ---+ I I
PR 21 ---+-------+ I
SC 22 ---+ I
MG 17 ---------------+-------+ I
SP 20 ---------------+ +-------------------------+
RS 23 -----------------------+
Desse modo, olhando para o gráfico pode-se afirmar que análise cluster de casos confirma de forma satisfatória o resultado da análise fatorial seccionando o gráfico na escala 15 da distância euclidiana têm-se as combinações dos casos em dois grupos, dado que se optou pela distância mínima, o terceiro grupo não chega a ser descartado por se encontrar incluido no segundo grupo, mas dada a expressividade do grupo dois, ele ficou absorvido por este grupo, o que significa dizer que existe uma certa similaridade no modo de gestão dos resíduos sólidos. Assim, podem ser vistos estados 7, 14, 25, 8, 24, 18, 16, 19, 21 e 22 no mesmo grupo ou cluster e, estados 17, 20 e 23 fazendo parte de outro grupo. O primeiro grupo corresponde ao fator 1 e o segundo grupo ao fator 2.
Os estados/municípios foram classificados por estrutura hierárquica de similaridade através do escore fatorial, onde estes poderam ser agrupados em dois intervalos de classes distintos. O cluster de casos procurará formá-los em grupos homogêneos e diferenciados entre si.
De acordo com o Método de Ligação Simples ou Vizinho mais Próximo (MLS) utilizado, pelo que se constata no dendrograma de casos, os estados/municípios apresentam-se divididos em dois grupos homogêneos, onde a maioria se encontra no mesmo grupo e apenas quatro fazendo parte de um outro grupo isolado. Este caso pode ser justificado em conformidade com o método usado e também pela própria característica do sistema de coleta e destinação final dos resíduos urbanos dos estados/municípios estudados
4. CONCLUSÃO
Os resultados obtidos indicam que o método de análise multivariada se adequa para a análise de escolha de indicadores de gestão dos estados/municípios estudados e, também para agrupar os estados similares segundo o grau de adequação ou inadequação no sistema de tratamento dos resíduos urbanos.
A aplicação da análise fatorial permitiu a redução de seis variáveis/indicadores do sistema de coleta quanto a destinação final dos resíduos sólidos urbanos em dois fatores, que foram satisfatoriamente confirmados pela análise cluster de casos.
A análise de cluster de casos permitiu não só agrupar os estados/municípios segundo suas similaridades, mas também identificá-los quanto ao grau de adequação ou não do sistema de coleta e destinação final dos resdíduos sólidos.
BIBLIOGRAFIA
BARI, M. L. e GOMES A P. Tipificação de Produtores de Leite Através da Análise Multivariada. In: Anais do Congresso Brasileiro de Economia e Sociologia Rural, 1996, Aracaju-SE (Brasil).
BURSZTYN, M. "No meio da rua – nômades, excluídos e viradores". Garamond, Rio de Janeiro, 2000.
BUSSAB, W. O. et alii. Introdução à Análise de Agrupamentos. Assoc. Bras. Estat.-ABE. São Paulo, p. 1-87. jul de 1990.
EVERITT, B. Cluster Analysis. Social Science Research Council, HEB, London, p. 1-96, 1977.
FABRIANI, Carmem B. ; PEREIRA, Vera M. C. Tendência e divergências sobre o modelo de intervenção pública no saneamento básico. Rio de Janeiro : UFRJ, Instituto de Economia Industrial, 1987.
GONTIJO, C. e AGUIRRE, A. Elementos Para Uma Tipologia do Uso do Solo Agrícola no Brasil: uma aplicação de análise fatoria In Revista Brasileira de Economia. Rio de Janeiro, v.42, n.1, o. 13-49, jan./mar.1988.
IBGE, Pesquisa Nacional de Saneamento Básico – PNSB, 2000. Rio de Janeiro : IBGE, Departamento de Estatística e Indicadores Sociais. 2002.
KLEINBAUM, D.G. e KUPPER, L. Applied Regression Analysis And Other Multivariable Methods. Massachussetts, 1978, cap. 21.
MANUAL de Saneamento e proteção ambiental para municípios. Belo Horizonte : Ed. Da UFMG, Departamento de Engenharia, 1995. v. 2 : Saneamento.
NUNESMAIA, M.F. Gestion de Déchets Urbains Socialement Intégrée: Le Cas Brésil. Tese de Doutorado, Université Cergy-Pontoise. França, 2001, 279p.
PFEIFFER, D. Disparidades de Desenvolvimento no Brasil- um exemplo da análise cluster.., Revista Brasileira de Estatística Rio de Janeiro, 41(164): 559-576, out./dez.1980.
[1] Trabalho apresentado no X Simpósio Luso-Brasileiro de Engenharia Sanitária – Braga/Portugal, 2002
[2] Acadêmico, Titular da Cátedra nº 335 da Academia Brasileira de Ciências Econômicas, Políticas e Sociais. Doutor em Economia, Professor Titular da Fundação Visconde de Cairu (FVC) e FACCEBA, Pró-Reitor de Pós-Graduação e Pesquisa Visconde de Cairu - CEPPEV, Salvador-Bahia-Brasil
[3] Doutora em Ciências Ambientais, Professora Titular da Universidade Estadual de Feira de Santana (UEFS), Pesquisadora da Rede de Tecnologias limpas (TECLIM/UFBA), Salvador-Bahia-Brasil
Nenhum comentário:
Postar um comentário