Clusterização e Visualização Espacial do IQE em Sergipe: Identificação de Padrões e Desigualdades no Âmbito do ICMS-Social

• Iago Vieira Rocha UNIT / GPDACC
• Juliana Sampaio Silva Ivo UNIT / GPDACC
• João Paulo Lordelêlo Pedreira Vivas UNIT
• Victor Flávio de Andrade Araujo PUCRS / GPDACC
• Andrea Karla Ferreira Nunes UNIT / GPDACC

DOI: https://doi.org/10.5753/erbase.2026.30410

Resumo

Diante dos problemas de qualidade e equidade na educação brasileira, o estado de Sergipe criou o Programa ICMS-Social, que redistribui parte do Imposto sobre Circulação de Mercadorias e Serviços (ICMS) com base em índices educacionais, como o Índice Municipal de Qualidade Educacional (IQE). Nesse contexto, este trabalho utiliza a clusterização dos dados dos anos de apuração do IQE e mapas coropléticos para identificar similaridades entre os municípios. Os agrupamentos revelaram três perfis de desempenho, do melhor ao mais baixo, estáveis nos três anos analisados, e sua distribuição no mapa acompanhou a do próprio IQE, o que reforça a consistência dos grupos e ajuda a identificar os municípios que demandam atenção prioritária.

Referências

Bholowalia, P. and Kumar, A. (2014). Ebk-means: A clustering technique based on elbow method and k-means in wsn. International Journal of Computer Applications, 105(9).

Catalino Piquet, B. U., Hernandez Cabrera, H. A., Hernandez-Calderon, J. G., Montane-Jimenez, L. G., and Soto-Mendoza, V. (2024). Dashboard design for key performance indicators visualization of steam government initiatives: A case study. In Proceedings of the XI Latin American Conference on Human Computer Interaction, CLIHC ’23, New York, NY, USA. Association for Computing Machinery.

Cui, M. et al. (2020). Introduction to the k-means clustering algorithm based on the elbow method. Accounting, Auditing and Finance, 1(1):5–8.

de Melo Silva, M. L., Cruz, L., Magalhães, R., Pires, T., Macedo, J., and Andrade, R. M. C. (2025). Desigualdades educacionais no brasil: Uma análise por clusterização de indicadores educacionais e de desempenho escolar. In Anais do XL Simpósio Brasileiro de Bancos de Dados, pages 154–167, Porto Alegre, RS, Brasil. SBC.

Ladeira, P. P., de Lima, L. M., and Krohling, R. A. (2022). A visualization tool for data analysis on higher education dropout: a case study at ufes. arXiv preprint arXiv:2201.12637.

Lan, X., Xu, X., and Wang, Y. (2026). Data visualization for teenage teaching: A review of current applications, pedagogical strategies, and impact on learning. IEEE Transactions on Visualization and Computer Graphics.

Marutho, D., Handaka, S. H., Wijaya, E., et al. (2018). The determination of cluster number at k-mean using elbow method and purity evaluation on headline news. In 2018 international seminar on application for technology of information and communication, pages 533–538. IEEE.

Oliveira, G., Carneiro, D., Veloso, P., Shirasu, M., and Irffi, G. (2026). Efficiency and quality of management in the context of ceará’s educational reform. SciELO Preprints.

Rousseeuw, P. (1987). Rousseeuw, p.j.: Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. comput. appl. math. 20, 53-65. Journal of Computational and Applied Mathematics, 20:53–65.

Sarigai, S., Yang, L., Slack, K., Fish, C., Buenemann, M., Wu, Q., Lin, Y., Cook, J. A., and Jacobs, D. (2025). dciwebmapper2: Enhancing the dciwebmapper framework toward integrated, interactive visualization of linked multi-type maps, charts, and spatial statistics and analysis. arXiv preprint arXiv:2509.07897.

Thorndike, R. L. (1953). Who belongs in the family? Psychometrika, 18(4):267–276.

Williamson, B. (2016). Digital education governance: data visualization, predictive analytics, and ‘real-time’ policy instruments. Journal of Education Policy, 31(2):123–141.