PITU - Secretaria dos Transportes Metropolitanos
Propaganda
PLANO INTEGRADO DE TRANSPORTE URBANO DA REGIÃO METROPOLITANA DE CAMPINAS (PITU – CAMPINAS) RELATÓRIO 3: BANCO DE DADOS E DIAGNÓSTICO DO SISTEMA DE TRANSPORTE DA RMC Volume 1 – Banco de Dados Dezembro de 2004 Inscrição Estadual: Isento CNPJ: 054.131.545/0001-66 Rua Abílio Vilela Junqueira, 951 – Guará – Campinas – SP - CEP 13085-040 : (0xx19) 3287-7822 (0xx19) 3287-7575 - e-mail: [email protected] PLANO INTEGRADO DE TRANSPORTE URBANO DA REGIÃO METROPOLITANA DE CAMPINAS (PITU – CAMPINAS) RELATÓRIO 3 – VOLUME 1: BANCO DE DADOS SUMÁRIO 1 APRESENTAÇÃO..................................................................................................... 2 2 ESQUEMA DO BANCO DE DADOS ..................................................................... 3 3 DICIONÁRIO DE DADOS ....................................................................................... 8 4 3.1 DADOS QUANTITATIVOS .................................................................................... 8 3.2 DADOS DESCRITIVOS ....................................................................................... 11 ARQUITETURA DO SISTEMA ............................................................................ 17 4.1 COMPONENTES DO SISTEMA ............................................................................ 17 4.2 QUESTÕES DE IMPLEMENTAÇÃO ..................................................................... 21 5 VISÕES DOS DADOS ............................................................................................. 22 6 CONCLUSÕES ........................................................................................................ 26 1 O Sistema de Banco de Dados para Suportar o Plano Integrado de Transportes da Região Metropolitana de Campinas 1 APRESENTAÇÃO O banco de dados é um componente fundamental para a elaboração do Plano Integrado de Transportes (PITU) da Região Metropolitana de Campinas (RMC). Ele armazena dados provenientes de diversas fontes (tais como Pesquisa Origem-Destino, Censo do IBGE, Censo Escolar, Censo do Ensino Superior, Pesquisa de Emprego do SEADE, Planos Diretores e Zoneamento Territorial dos Municípios), em uma estrutura unificada. Além de promover a consistência, a integridade, a segurança e facilitar o acesso aos dados nele armazenados, esse banco de dados oferece recursos de software para facilitar a extração e a formatação dos dados necessários às análises. O banco de dados do PITU-RMC foi desenvolvido de modo a maximizar a sua versatilidade, isto é, permitir o seu crescimento incremental, em termos de fontes de dados a ele conectadas, valores de dados armazenados e software para manipulação e análise de informação acoplados ao banco de dados. Tal versatilidade permite ajustes a novos requisitos que sejam identificados ao longo da elaboração e nas revisões do PITU. Este documento apresenta a estrutura dos dados e a arquitetura dos módulos do sistema de banco de dados do PITU-RMC. A Seção 2 apresenta o esquema do banco de dados, no modelo entidade-relacionamento. A Seção 3 descreve os campos de dados de cada tabela do banco, em um dicionário de dados. A Seção 4 apresenta a arquitetura geral do sistema e discute algumas questões tecnológicas relacionadas à sua implementação. A Seção 5 apresenta alguns extratos de dados obtidos do banco de dados. Finalmente, a Seção 6 faz algumas considerações finais. 2 2 ESQUEMA DO BANCO DE DADOS O esquema (estrutura geral) do banco de dados PITU-RMC segue o estilo de modelagem estrela, próprio dos armazéns de dados (“data warehouses” em inglês), dada a natureza desse banco, que integra dados de diversas fontes heterogêneas, visando alimentar processos de análise de dados para subsidiar a tomada de decisão. Na modelagem em estrela, as tabelas fato armazenam dados quantitativos e as tabelas dimensão, conectadas às tabelas fato, armazenam dados descritivos, os quais permitem discriminar os dados quantitativos presentes nos registros das tabelas fato. A Figura 1 apresenta o esquema do banco de dados do PITU-RMC no modelo entidade-relacionamento. As tabelas fato desse diagrama são aquelas que aparecem dentro de regiões retangulares, as quais indicam as fontes de dados utilizadas para alimentar essas tabelas fato com os dados quantitativos. As tabelas dimensão, por outro lado, contém dados qualitativos utilizados para descrever os registros de dados das tabelas fato. Uma única tabela dimensão pode discriminar registros de várias tabelas fato na respectiva dimensão. Por exemplo, as tabelas das dimensões Espaço e Tempo descrevem as partições do espaço e os períodos de tempo segundo os quais estão organizados os registros de dados de todas as tabelas fato do diagrama. A referência de registros de diferentes tabelas fato aos mesmos registros das tabelas dimensão contribui para a formatação e a manipulação dos dados provenientes de diferentes fontes de maneira unificada. Para entender como os dados de diferentes fontes são integrados na representação unificada e o funcionamento dos mecanismos para recuperação eficiente de informação, é preciso analisar em detalhes a estrutura e o papel das tabelas fato e das tabelas dimensão do diagrama ilustrado na Figura 1. Primeiramente, vamos analisar as tabelas fato desse diagrama: SocEcoDemo: Contém registros de dados socioeconômicos e demográficos provenientes da Pesquisa Origem-Destino (Pesquisa OD), dos Censos do IBGE e da Pesquisa Nacional de Domicílios (PNAD), entre outras fontes que também poderão ser integradas no futuro. As variáveis armazenadas nos registros dessa tabela são o número de pessoas, famílias, domicílios e veículos, além da renda média das 3 famílias e dos chefes de família. Os registros dessa tabela são organizados de modo a agregar os dados quantitativos (efetuar somas, médias e cálculos afins com as variáveis da tabela), segundo diferentes partições do espaço (por exemplo, estado, cidade, bairro, zona de tráfego e setor censitário), diferentes períodos de tempo, além das características das pessoas, dos domicílios e dos veículos que essas pessoas possam possuir. 4 Figura 1 O esquema do banco de dados PITU-RMC Viagens: Contém registros de viagens dentro da região metropolitana de Campinas, oriundos da pesquisa origem destino. Esses registros são organizados na dimensão espaço (notadamente com agregação em Zona de Tráfego, também conhecida como Zona OD), períodos de 5 tempo em que essas viagens são realizadas (ano, mês, dia do mês, dia da semana e horário) e modos de transporte utilizados nessas viagens. Emprego: Contém registros da Pesquisa de Emprego do SEADE, com número de vagas e salário, organizados nas dimensões tempo, espaço e setores econômicos (tais como agricultura, indústria, comércio e serviços, além dos respectivos sub-setores). MatrículaEscolar: Fornece os números de matrículas, obtidos do Censo Escolar e do Censo do Ensino Superior, segundo períodos de tempo (matutino, vespertino e noturno ao longo dos anos), partições do espaço e nível de ensino (fundamental, médio e superior). UsoSolo: Descreve o uso do solo nas diversas áreas ao longo do tempo, fornecendo a área total para cada tipo de uso (por exemplo, agricultura, indústrias, comércio, residências, áreas de preservação ambiental, parques e jardins) e o valor médio do metro quadrado de terreno. Agora, considere a estrutura e o papel das tabelas dimensão no diagrama ilustrado na Figura 1. Os campos de cada tabela dimensão descrevem classes ou hierarquias para discriminar os dados quantitativos contidos nas tabelas fato. Por exemplo, a tabela dimensão Pessoa contém vários campos (colunas) para descrever os atributos das pessoas (sexo, raça, faixa etária, faixa de renda familiar, condição de atividade, vínculo empregatício, setor econômico do emprego, nível de educação e tipo de domicílio). Como esses atributos são potencialmente ortogonais (sexo é independente de raça, por exemplo), esses atributos não definem uma hierarquia para o conjunto de pessoas, mas simplesmente um conjunto de atributos para caracterizá-las. Na tabela Espaço, por outro lado, há várias relações de pertinência entre os campos (colunas da tabela). Por exemplo, uma unidade da federação (UF) inclui diversos municípios, que por sua vez podem incluir macro zonas, bairros, zonas de tráfego e assim por diante. Os campos das tabelas dimensão selecionar e agregar dados quantitativos dos registros das tabelas fato, de acordo com classes (e.g., determinadas por atributos das pessoas) e hierarquias (e.g., de Tempo e Espaço). Um exemplo de consulta que pode ser efetuada utilizando este mecanismo é “Obter da tabela de dados socioeconômicos e demográficos somente o número de pessoas com 6 renda familiar maior que um certo valor, em cada zona de tráfego de um dado município”. Os dados quantitativos podem ser alternativamente selecionados e agregados por outros valores descritivos das tabelas dimensão. Nas dimensões onde haja hierarquias, tais como espaço e tempo, é desejável que se mantenha relações de pertinência, para que dados agregados em níveis mais altos da hierarquia possam ser obtidos a partir de dados agregados em níveis mais baixos (por exemplo, somar a população de todas as zonas de tráfego de um município, para obter a população do município). A existência de um dado campo em uma tabela dimensão associada a uma dada tabela fato, não significa que tal tabela fato tenha necessariamente dados até o nível de agregação mínimo definido pela respectiva dimensão. O nível de agregação mínimo para cada campo quantitativo é determinado pela disponibilidade de informação detalhada na fonte de dados e pelas necessidades da aplicação. Finalmente, note que há algumas ligações implícitas entre as tabelas do diagrama ilustrado na Figura 1. Os campos id_setor_emprego e id_nivel_escolar da tabela Pessoa são chaves estrangeiras das tabelas SetorEconomico e NivelEscolar, respectivamente. Analogamente, o campo id_fonte aparece como chave estrangeira em cada uma das tabelas fato, com o intuito de identificar as fontes de cada um dos registros de dados quantitativos e a data da última atualização dessas fontes. A próxima seção descreve em detalhes todos os campos (colunas) das tabelas do diagrama da Figura 1 e os possíveis valores para esses campos. 7 3 DICIONÁRIO DE DADOS O dicionário de dados do banco de dados PITU-RMC está dividido em duas partes: especificações dos dados quantitativos das tabelas fato e especificações dos dados descritivos das tabelas dimensão. Cada uma dessas seções inclui a especificação de todos campos (colunas) das respectivas tabelas 1. Para cada campo de cada tabela, o dicionário de dados define: Coluna: Nome do campo (coluna) presente na tabela. Tipo: Tipo de dado do campo. Chave Primária: A chave primária de uma tabela é um conjunto de campos que identificam unicamente cada registro (linha) da tabela. Uma marca (X) no item chave primária para um dado campo de uma tabela indica que o campo faz parte da chave primária da tabela. Não Nulo: Uma marca (X) nesse item indica que o banco de dados não permite o armazenamento de valor nulo para o campo. Restrições: Pode especificar alguma restrição nos valores possíveis para o campo, como por exemplo, sem sinal (isto é, maior ou igual a zero) ou diferente de zero. Valor pré-definido (default): Prescreve um valor pré-definido para o sistema de gerenciamento de banco de dados inserir no campo caso o usuário tente inserir um registro com valor nulo naquele campo. Descrição: Define o significado, a unidade de medida e/ou os valores possíveis do campo. Auto Incremento: Uma marca (X) nesse item instrui o banco de dados a gerar valores incrementais para o campo. 3.1 DADOS QUANTITATIVOS A Figura 2 descreve os campos das tabelas fato. Os registros das tabelas fato fazem referência aos registros das tabelas dimensão aos quais eles se referem, através de chaves estrangeiras. As chaves primárias das tabelas fato 1 Acentos e termos compostos (separados por espaços) não são utilizados em nomes de tabelas e campos para evitar problemas na geração física do esquema no catálogo de sistemas de gerenciamento de bancos de dados. 8 são constituídas dessas chaves estrangeiras, cujos nomes e tipos dos campos aparecem em negrito. Além da chave primária, as tabelas fato têm um índice auxiliar para cada chave estrangeira, usado para agilizar o acesso pelo respectivo campo. As fontes de dados de cada tabela são indicadas em itálico, antes do nome da tabela. Figura 2 Especificações dos campos das tabelas fato (dados quantitativos) Tabelas Fato (Dados Quantitativos) Pesquisa OD, Censo IBGE, PNAD DadosSocioEconomicos Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_espaco INTEGER X X SEM SINAL (ver tabela Espaço) id_tempo INTEGER X X SEM SINAL (ver tabela Tempo) id_pessoa INTEGER X X SEM SINAL (ver tabela Pessoa) id_veiculo INTEGER X X SEM SINAL (ver tabela Veículo) id_fonte INTEGER X X SEM SINAL (ver tabela FonteDados) nr_pessoas FLOAT Número de pessoas nr_familias FLOAT Número de famílias nr_domicilios FLOAT Número de domicílios nr_veiculos FLOAT Número de veículos renda_media_familiar FLOAT Renda média familiar renda_media_chefe_familia FLOAT Renda media do chefe da família Descrição Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_espaco id_tempo id_pessoa id_veiculo id_fonte CensoIBGE_FKIndex1 Index id_pessoa CensoIBGE_FKIndex2 Index id_veiculo CensoIBGE_FKIndex3 Index id_espaco CensoIBGE_FKIndex4 Index id_tempo DadosSocioEconomicos_FKIndex5 Index id_fonte Auto Incremento 9 Pesquisa OD Viagens Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_origem INTEGER X X SEM SINAL (id_espaco da tabela Espaço) id_destino INTEGER X X SEM SINAL (id_espaco da tabela Espaço) id_tempo INTEGER X X SEM SINAL (ver tabela Tempo) id_pessoa INTEGER X X SEM SINAL (ver tabela Pessoa) id_modo_transp INTEGER X X SEM SINAL (ver tabela ModoTransp) id_fonte INTEGER X X SEM SINAL (ver tabela FonteDados) nr_viagens FLOAT Número de viagens Tempo_médio_viagens FLOAT Tempo médio de viagem custo_viagens FLOAT Custo das viagens Descrição Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_origem id_destino id_tempo id_modo_transp id_fonte PesquisaOD_FKIndex1 Index id_origem PesquisaOD_FKIndex2 Index id_destino PesquisaOD_FKIndex3 Index id_tempo Viagens_FKIndex4 Index id_modo_transp Viagens_FKIndex5 Index id_fonte Auto Incremento Pesquisa SEADE Emprego Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_espaco INTEGER X X SEM SINAL (ver tabela Espaço) id_tempo INTEGER X X SEM SINAL (ver da tabela Tempo) id_setor INTEGER X X SEM SINAL (ver tabela SetorEconômicoo) id_fonte INTEGER X X SEM SINAL (ver tabela FonteDados) nr_vagas FLOAT Número de vagas salario FLOAT Salário pago Descrição Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_espaco id_tempo id_setor id_fonte PesqEmpresas_FKIndex1 Index id_tempo PesqEmpresas_FKIndex2 Index id_setor PesqEmpresas_FKIndex3 Index id_espaco Emprego_FKIndex4 Index id_fonte Auto Incremento 10 Censo Escolar, Censo do Ensino Superior MatriculaEscolar Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_tempo INTEGER X X SEM SINAL (ver tabela Tempo) id_nivel_escolar INTEGER X X SEM SINAL (ver da tabela NívelEscolar) id_fonte INTEGER X X SEM SINAL (ver tabela FonteDados) nr_matriculas FLOAT Descrição Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_espaco id_tempo id_nivel_escolar id_fonte CensoEscolar_FKIndex2 Index id_tempo MatriculaEscolar_FKIndex2 Index id_espaco MatriculaEscolar_FKIndex3 Index id_nivel_escolar MatriculaEscolar_FKIndex4 Index id_fonte Auto Incremento Planos Diretores, Zoneamento, Mercado Imobiliário UsoSolo Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_espaco INTEGER X X SEM SINAL (ver tabela Espaço) id_tempo INTEGER X X SEM SINAL (ver da tabela Tempo) id_tipo_uso INTEGER X X SEM SINAL (ver tabela TipoUsoSolo) id_fonte INTEGER X X SEM SINAL (ver tabela FonteDados) area FLOAT Área em metros quadrados valor_medio_do_m2 FLOAT Valor médio do metro quadrado de terreno em reais Descrição Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_espaco id_tempo id_tipo_uso id_fonte UsoSolo_FKIndex1 Index id_espaco UsoSolo_FKIndex2 Index id_tempo UsoSolo_FKIndex3 Index id_fonte UsoSolo_FKIndex4 Index id_tipo_uso 3.2 Auto Incremento DADOS DESCRITIVOS As tabelas dimensão mantêm os dados descritivos utilizados para discriminar, selecionar e agregar dados quantitativos armazenados nas tabelas 11 fato. Cada tabela dimensão tem uma chave primária para identificar unicamente cada um de seus registros. Utiliza-se auto-incremento nas chaves primárias das tabelas fato para facilitar a inserção de registros. Os campos descritivos devem assumir valores bem definidos, descritos abaixo na Figura 3. Figura 3 Especificações dos campos das tabelas dimensão (dados descritivos) Tabelas Dimensão (Dados Descritivos) Espaco Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições Descrição Auto Incremento id_espaco INTEGER X X SEM SINAL Identificador de registro AI UF CHAR(2) X e.g. SP T=Total municipio VARCHAR X e.g. Campinas T=Total macro_zona VARCHAR X e.g. Barão Geraldo T=Total bairro VARCHAR X e.g. Cidade Universitária T=Total zona_trafego VARCHAR X Equivalente a Zona_OD T=Total area_ponderacao VARCHAR X T=Total setor_censitario VARCHAR X T=Total CEP CHAR(8) X T=Total endereco VARCHAR X Nome da rua + número + complemento T=Total Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_espaco Obs: Seqüências de pontos geográficos delimitando as parcelas ou regiões são associadas a cada valor dos campos desta tabela de partições do espaço no banco de dados geográfico. 12 Tempo Valor prédefinido (default) Coluna Tipo Chave Primária Não Nulo Restrições id_tempo INTEGER X X SEM SINAL ano CHAR(4) X mes CHAR(2) X SEM SINAL T=Total dia_mes CHAR(2) X SEM SINAL T=Total SEM SINAL 1=domingo 2=segunda-feira 3=terça-feira 4=quarta-feira 5=quinta-feira 6=sexta-feira 7=sábado T=Total dia_sem CHAR(1) X horario VARCHAR X Descrição Auto Incremento Identificador de registro X T=Total e.g., 7:00 às 8:00 horas T=Total Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_tempo Pessoa Coluna Tipo Chave Primária Não Nulo id_pessoa INTEGER X sexo raca CHAR CHAR Valor prédefinido (default) Descrição Auto Incremento X Chave primária X X M = Masculino F = Feminino T = Total X 2 = branca 4 = preta 6 = amarela 8 = parda 0 = indígena 9 = ignorada T = Total Restrições e.g, faixa_etaria VARCHAR X até 3 anos, 4 a 6 anos, 7 a 10 anos, 11 a 14 anos, 15 a 17 anos, 18 a 22 anos, 23 a 29 anos, 30 a 39 anos, 40 a 49 anos, 50 a 59 anos, 60 anos ou mais T = Total e.g., faixa_renda_familiar VARCHAR até R$ 480 maior que R$ 480 e até R$ 960 maior que R$ 960 e até R$ 1920 maior que R$ 1920 e até R$ 3600 maior que R$ 3600 e até R$ 7200 maior que R$ 7200 não declarado X T = Total condicao_atividade VARCHAR X e.g., 13 tem trabalho faz bico em licença aposentado / pensionista sem trabalho nunca trabalho dona de casa estudante T = Total e.g., vinculo_emprego VARCHAR X id_setor_emprego INTEGER X SEM SINAL id_nivel_escolar INTEGER X SEM SINAL tipo_domicilio CHAR X assalariado com carteira assalariado sem carteira funcionário público autônomo empregador profissional liberal trabalhador doméstico com carteira trabalhador doméstico sem carteira dono de negócio familiar trabalhador familiar não se aplica T = Total (ver tabela SetorEconomico) (ver tabela NivelEscolar) P = Particular C = Coletivo F = Favela T = Total Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_pessoa Pessoa_FKIndex1 Index id_setor_emprego Pessoa_FKIndex2 Index id_nivel_escolar Veiculo Coluna Tipo Chave Primária Não Nulo Restrições id_veiculo INTEGER X X SEM SINAL Valor prédefinido (default) Descrição Auto Incremento Identificador de registro X e.g., tipo CHAR P = Passeio C = Coletivo O = Outros X T = Todos e.g., combustivel CHAR X G = Gasolina A = Álcool D = Diesel F = Flexível (álcool ou gasolina) O = Outros T = Todos nr_passageiros INTEGER X Capacidade do veículo em número de passageiros Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_veiculo 14 ModoTransporte Coluna Tipo Chave Primária Não Nulo Restrições id_modo_transp INTEGER X X SEM SINAL Valor prédefinido (default) Descrição Auto Incremento X e.g., nome_modo_transp VARCHAR X ônibus, fretado, escolar, automóvel (dirigindo), automóvel (passageiro), táxi, lotação, moto, bicicleta, a pé, outros T = Todos Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_modo_transp SetorEconomico Coluna Tipo Chave Primária Não Nulo Restrições id_setor INTEGER X X SEM SINAL nivel_setor CHAR X Valor prédefinido (default) Descrição Auto Incremento Identificador de registro AI 1 = Primário 2 = Secundário 3 = Terciário T = Todos e.g., nome_setor VARCHAR X agricultura indústria comércio serviços T = Todos e.g., sub_setor VARCHAR X serviços de transporte de carga serviços de transporte de passageiros serviços creditícios / financeiros serviços pessoais serviços de alimentação serviços de saúde serviços de educação serviços especializados serviços de administração pública outros T = Todos Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_setor 15 NivelEscolar Coluna Tipo Chave Primária Não Nulo Restrições id_nivel_escolar INTEGER X X SEM SINAL Valor prédefinido (default) Descrição Auto Incremento Identificador de registro X e.g., nome_nivel_escolar VARCHAR Analfabeto ou 1o. grau incompleto 1º. grau completo ou 2º. grau incompleto Ensino médio completo ou superior incompleto Superior completo X T = Todos Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_nivel_escolar TipoUsoSolo Coluna Tipo Chave Primária Não Nulo Restrições id_tipo_uso INTEGER X X SEM SINAL Valor prédefinido (default) Descrição Auto Incremento Identificador de registro X e.g., nome_tipo_uso INTEGER X Agricultura Equipamentos industriais Equipamentos comerciais Equipamentos de serviços Área residencial Áreas de preservação ambiental Parques e jardins SEM SINAL T = Todos Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_tipo_uso FonteDados Coluna Tipo Chave Primária Não Nulo Restrições id_fonte INTEGER X X SEM SINAL Valor prédefinido (default) Descrição Auto Incremento Identificador de registro X e.g., nome_fonte VARCHAR descr_fonte VARCHAR data_atualizacao DATE X Pesquisa OD 2003 Censo IBGE 2001 Descrição da fonte de dados X Data da última atualização dos dados da fonte Nome do Índice Tipo do Índice Colunas PRIMARY PRIMARY id_fonte 16 4 ARQUITETURA DO SISTEMA A arquitetura geral do sistema de banco de dados do PITU-RMC, ilustrada na Figura 4, mostra os principais módulos deste sistema e como eles se interrelacionam, em termos de fluxo de informação. A concepção dessa arquitetura, da mesma forma que o esquema do banco de dados enfatiza a flexibilidade do sistema para se ajustar aos requisitos do projeto PITU-RMC, ao longo de sua evolução, desde os primeiros experimentos com o Tranus até as revisões periódicas do plano. A flexibilidade e a generalidade do banco de dados e do sistema como um todo, além de contribuir para alcançar os objetivos do PITU com eficiência e qualidade, permite que outros projetos e aplicações venham a se beneficiar deste esforço de coleta, organização e integração de dados. 4.1 COMPONENTES DO SISTEMA O sistema de banco de dados do PITU-RMC possui dois módulos de gerenciamento de dados: um Sistema de Banco de Dados Relacional (SGBD) e um Sistema de Informação Geográfica (SIG). O SGBD relacional mantém dois repositórios de dados: o Catálogo de Metadados e o Armazém de Dados (cujo esquema foi descrito nas Seções 2 e 3 desse documento). As funções desses repositórios são catalogar as fontes de dados e prover acesso unificado aos dados mais utilizados, respectivamente. O SIG, que por requisitos do Tranus é o MapInfo, também inclui dois repositórios de dados: Dados Tabulares e Dados Geográficos. Dados Tabulares podem ser importados do Armazém de Dados ou de fontes diversas, incluindo outros SIGs. Dados Geográficos incluem mapas e imagens de satélites. 17 Figura 4 A arquitetura geral do sistema de Banco de Dados do PITU-RMC Aplicações e Projetos Projeto XYZ Usuário DemEcon Pesquisa de Fontes e Metadados Catálogo de Fontes e Metadados Tranus Usuário MapInfo Relatórios e Análises On-Line PITU Consultas Geográficas Dados Tabulares Armazém de Dados Data Marts Dados Gráficos Sistema de Gerenciamento de Banco de Dados - SGBD Sistema de Informação Geográfica - SIG (MapInfo) Catalogação, extração, limpeza, transformação, carga e renovação Conversão Censo IBGE Pesq. OD Pesq. SEADE Censo . . . Escolar base XYZ fontes de dados integradas ao sistema outras fontes outros SIGs Os dados das fontes externas precisam passar por processos de transformação para serem incorporados aos repositórios do SGBD relacional e do SIG. Uma vez colocados nesses repositórios, tais dados podem ser recuperados e analisados utilizando o ferramental acoplado a cada um dos repositórios: Pesquisa de Fontes e Metadados, Relatórios e Análise On-Line e Consultas Geográficas. Esses módulos permitem que o PITU e outros projetos futuros se beneficiem da integração e facilidades para efetuar consultas sobre os dados integrados. Isso não impede que os dados sejam também acessados diretamente das fontes, quando essas apresentarem formatação e recursos de acesso adequados aos projetos. Isso é representado pela seta saindo da coleção de fontes de dados (retângulo na porção inferior da Figura 4) e em direção às aplicações e projetos (retângulo na porção superior da mesma figura). Os resultados de (uma fase de) um projeto podem ser empacotados, catalogados e feitos disponíveis para reutilização, como fontes de dados para outros projetos, de modo a garantir o fechamento do ciclo de coleta, transformação e análise de dados necessários para subsidiar processos decisórios. Isso é representado pela seta saindo de projetos e aplicações para realimentar as fontes de dados. 18 A definição e o papel de cada um dos componentes do sistema de banco de dados do PITU-RMC são detalhados a seguir. 4.1.1 Fontes de Dados As Fontes de Dados socioeconômicos, demográficos, de uso do solo e de transportes necessárias para alimentar as análises do PITU-RMC são muito variadas tanto em termos de conteúdo quanto de estrutura. Por exemplo, dados socioeconômicos e demográficos podem ser obtidos dos Censos do IBGE e das estimativas apuradas na Pesquisa Origem-Destino (Pesquisa OD). Embora essas fontes tenham sobreposição, existem dados que só aparecem em uma delas, como, por exemplo, os dados de viagens, que só aparecem na Pesquisa OD. Além disso, fontes distintas podem cobrir diferentes períodos de tempo e porções do território. Os dados de algumas fontes, tais como a Pesquisa OD e os Censos do IBGE, dada a sua importância e uso freqüente, passam por um processo de transformação para carga no armazém de dados, a fim de facilitar os acessos posteriores aos mesmos. Outras fontes menos importantes, menos utilizadas ou cujo trabalho de transformação resulte em custos superiores aos benefícios de ter seus dados com fácil acesso facilitado pelo armazém de dados serão apenas catalogadas, para permitir sua identificação e localização. O acesso a essas bases não integradas ao armazém de dados é feito através de conexão direta com as aplicações ou projetos que as utilizam. Dados geográficos oriundos de outros SIGs podem ser incorporados aos repositórios do MapInfo através de processos de conversão. 4.1.2 Catálogo de Fontes e Metadados O Catálogo de Fontes e Metadados armazena descrições das fontes de dados e seus conteúdos, para suportar a identificação e a localização de fontes e resultados de projetos que possam ser úteis ao PITU-RMC e outros projetos futuros. Para cada fonte são armazenados os seguintes descritores: Nome da fonte de dados Palavras chave para busca Autor(es) ou instituição responsável, incluindo dados para contato Descrição da fonte 19 Conjunto de variáveis disponíveis Cobertura temporal e espacial dos dados Formato dos dados e unidades de medida Software utilizado para ler os dados Localização física e lógica (e.g., URL) da fonte de dados Indicadores da qualidade dos dados (tais como correção e precisão) A gerência desses dados é feita através de um Sistema de Gerenciamento de Banco de Dados (SGBD). Uma interface de consulta permite aos usuários realizar suas buscas sobre esse catálogo com facilidade. 4.1.3 Armazém de Dados A Armazém de Dados é o repositório que permite acesso unificado aos dados mais utilizados, de acordo com o esquema de banco de dados descrito em detalhes nas Seções 2 e 3 deste documento. Esses dados provêm de fontes diversas e heterogêneas. Portanto, precisam passar por um processo de extração, transformação e limpeza para serem carregados no armazém de dados, o qual constitui uma visão materializada e integrada de diversas fontes de dados. Os dados do armazém são gerenciados por um SGBD (o mesmo que gerencia os dados do Catálogo de Fontes e Metadados). Consultas ao armazém de dados podem ser feitas utilizando a linguagem SQL, relatórios previamente preparados, um gerador de relatórios ou processamento analítico on-line (OLAP – On-Line Analytical Processing). 4.1.4 Sistema de Informação Geográfica O Sistema de Informação Geográfica (SIG) é responsável pela manipulação de dados tabulares georreferenciados, mapas e imagens de satélite, além de ser uma importante interface de comunicação com o Tranus. O SIG utilizado no sistema de banco de dados do PITU-RMC é o MapInfo (requisito do próprio Tranus). 4.1.5 Aplicações e Projetos O PITU-RMC é o cliente primário do sistema de banco de dados aqui descrito. Toda a especificação desse sistema está voltada para o atendimento 20 das necessidades do PITU-RMC. Todavia, outros projetos e aplicações futuros, que requeiram dados socioeconômico, demográficos, de transportes e de uso do solo, podem se beneficiar da disponibilidade do Catálogo de Fontes e Metadados e do Armazém de Dados construídos para o PITU-RMC. 4.2 QUESTÕES DE IMPLEMENTAÇÃO O Sistema de Gerenciamento de Banco de Dados (SGBD) utilizado para gerenciar os dados do Catálogo de Fontes e Metadados e do Armazém de Dados, na primeira versão do sistema de banco de dados do PITU-RMC, é o Access. No entanto, dado o grande volume de dados e a necessidade de efetuar consultas pesadas, já está sendo providenciado um servidor mais possante e uma licença do SQL-Server, que inclui software para processamento analítico on-line. Assim, deve-se aumentar a eficiência e a interatividade das consultas. Uma vez que os esquemas de bancos de dados foram desenvolvidos com técnicas e ferramental adequado, inclusive ferramentas CASE, a migração de plataforma será facilitada. A escolha de uma plataforma proprietária se deve unicamente à cultura já estabelecida na instituição responsável pela operação do banco de dados. Esta opção visa preservar o investimento já realizado pela instituição em software, equipamentos e treinamento da equipe de suporte, além de promover a operação e a manutenção adequadas do sistema dentro da realidade da instituição. 21 5 VISÕES DOS DADOS O banco de dados do PITU-RMC permite manipular os dados provenientes de diversas fontes em uma estrutura unificada, de modo a permitir manipulação e análises desses dados em conjunto. Esta seção apresenta algumas visões de dados (resultados de consultas) obtidas do banco de dados PITU-RMC, com a finalidade de ilustrar o tipo de informação que pode ser recuperada. Cabe salientar que essas visões dos dados podem ser obtidas com muita facilidade e flexibilidade, através de consultas SQL, geração de relatórios ou processamento analítico on-line, sobre o banco de dados cujo esquema foi descrito nas Seções 2 e 3 deste documento. As figuras abaixo ilustram algumas visões obtidas do banco de dados do PITU-RMC. Tabela 1 Uma visão dos dados socioeconômicos - renda versus instrução por município Município Grau de Instrução Renda Média Familiar Popul. R$ 1.490 Fundam. Incompl. Fundam. Completo 188.470 50,83% R$ 925 30.916 Campinas R$ 1.405 Cosmópolis Médio Sup. 18,37% 23,75% 7,05% 68,08% 16,10% 12,43% 3,39% 943.572 48,87% 18,06% 23,92% 9,15% R$ 1.068 45.238 63,27% 17,46% 16,55% 2,72% R$ 758 7.168 76,27% 12,03% 9,81% 1,90% R$ 1.162 3.847 53,82% 16,73% 18,18% 11,27% R$ 875 169.561 58,92% 20,09% 19,50% 1,48% Indaiatuba R$ 1.381 133.989 54,63% 18,76% 20,98% 5,63% Itatiba R$ 1.147 70.455 60,70% 15,89% 18,23% 5,18% Jaguariúna R$ 1.163 23.048 49,68% 14,24% 25,63% 10,44% Monte Mor R$ 810 32.245 64,48% 19,06% 13,86% 2,59% Nova Odessa R$ 1.191 40.457 52,64% 22,69% 22,69% 1,98% Paulínia R$ 1.018 15.027 55,91% 23,32% 18,85% 1,92% Pedreira R$ 1.143 29.478 59,08% 20,20% 16,62% 4,09% Sta Bárbara D'Oeste R$ 1.153 172.291 55,11% 20,33% 21,14% 3,41% Sto Antônio de Posse R$ 1.111 15.275 68,84% 13,04% 11,96% 6,16% Sumaré R$ 1.057 234.858 60,06% 18,91% 18,31% 2,71% Valinhos R$ 1.217 75.387 55,64% 16,91% 22,30% 5,15% Vinhedo R$ 1.511 49.443 53,87% 17,51% 20,37% 8,25% Americana Artur Nogueira Engº Coelho Holambra Hortolândia 22 A Tabela 1 apresenta a relação dos municípios da Região Metropolitana de Campinas, com a renda média familiar, a população e o percentual da população com diferentes níveis de instrução para cada um desses municípios. Esta tabela é obtida mediante a execução de uma consulta SQL sobre o esquema de banco de dados ilustrado na Figura 1. Tal consulta utiliza a tabela fato SocEcoDemo (dados socioeconômicos e demográficos) para extrair todos os valores de dados quantitativos apresentados. A tabela dimensão Pessoa é utilizada para gerar os dados descritivos das faixas de renda que aparecem no cabeçalho da tabela da Tabela 1 e agrupar os dados quantitativos nas respectivas colunas. A tabela dimensão Espaço é utilizada para agregar os dados por município. 23 Tabela 2 Viagens por modalidade e faixa de renda na RMC Faixa de Renda (em reais) Modo Principal Ônibus até 480 480,01 a 960 960,01 a 1920 1920,01 a 3600 3600,01 a 7200 > 7200 Não Declarada Total 52.592 135.829 179.080 63.828 13.129 1.964 260.829 707.252 Ônibus Fretado 5.367 26.271 48.079 21.526 2.788 104 60.329 164.464 Escolar 7.185 18.703 24.360 15.015 5.178 358 44.339 115.138 Dirigindo Auto 16.556 55.648 136.862 131.260 61.302 15.235 305.881 722.743 Passageiro Auto 18.171 38.153 62.419 57.389 21.449 5.737 121.791 325.109 446 272 466 884 521 263 839 3.690 Lotação/ Perua 4.489 8.146 8.665 2.773 515 74 12.388 37.049 Moto 2.659 12.578 26.714 13.682 2.695 29.015 87.345 Bicicleta 8.144 27.634 36.704 8.982 295 112 41.463 123.334 171.522 298.282 311.036 88.951 23.243 4.869 393.707 1.291.611 1.494 4.691 5.647 3.355 658 8.656 24.502 288.626 626.207 840.031 407.645 131.774 1.279.237 3.602.236 Táxi A Pé Outros Total 28.717 24 A Tabela 2 apresenta o número de viagens realizadas por indivíduos de diversas faixas de renda, utilizando diferentes modos de transporte. Esta tabela também é obtida através de uma consulta SQL sobre o esquema de banco de dados ilustrado na Figura 1. Tal consulta utiliza a tabela Viagens para extrair os dados quantitativos apresentados, a tabela Pessoa para discriminar as faixa de renda e a tabela ModoTransporte para agregar os dados quantitativos por modo de locomoção. As células vazias indicam ausência de dados para os discriminantes (rótulos das respectivas linhas e colunas). Consultas correlacionando dados quantitativos de mais de uma tabela fato também podem ser realizadas com facilidade e tempo de execução um pouco maior. 25 6 CONCLUSÕES O banco de dados PITU-RMC tem por objetivo integrar dados de diferentes fontes em uma representação unificada, de modo a permitir a máxima flexibilidade e eficiência na recuperação de informação, em diferentes níveis de agregação. A arquitetura do sistema permite a implementação de experimentos em ciclos fechados, onde os resultados obtidos podem servir como novas entradas, ou como feedback para ajustar os dados e análises, de modo a aperfeiçoar todo o processo ao longo de algumas repetições. A possibilidade de migrar o banco de dados para plataformas computacionais mais atualizadas, possantes e robustas ao longo da sua evolução, aliada à eventual inserção e modificação de módulos para manipulação e análise de dados, permitem o desenvolvimento incremental do sistema. Assim, o banco de dados PITU-RMC poderá ser redimensionado e rearranjado periodicamente, de modo a acompanhar a dinâmica dos processos de tomada de decisão aos quais se destina, procurando sempre compatibilizar os custos com os benefícios do sistema. 26
