Qualidade de Vida em Cidades Suíças

Beatriz Oyadomari de Sousa; Adriana Camargo De Brito

DOI: 10.22167/2675-6528-202602714

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O crescimento das áreas urbanas intensificou a necessidade de avaliar a qualidade de vida como ferramenta para analisar o bem-estar populacional. Diante das limitações de rankings globais que não disponibilizam seus dados, um estudo utilizou bases oficiais e abertas para garantir transparência e replicabilidade. O objetivo foi desenvolver um ranking para classificar cinco cidades suíças (Zurique, Berna, Basileia, Lausana e Genebra), com base em dados de 2023. Variáveis foram selecionadas a partir das dimensões de bem-estar da OCDE, adaptadas ao contexto suíço. Após tratamento e normalização dos dados, aplicaram-se métodos de Tomada de Decisão Multicritério (WSM, TOPSIS e VIKOR), combinados à Entropia de Shannon para definir os pesos das variáveis, minimizando vieses interpretativos. A correlação de Spearman evidenciou forte convergência entre os métodos, demonstrando a consistência e robustez da avaliação. Os resultados dos três métodos foram sintetizados em um ranking global, que posicionou Zurique em primeiro lugar, seguida por Basileia, Berna, Genebra e Lausana. A pesquisa estabeleceu um modelo replicável e fundamentado, oferecendo suporte à gestão urbana.

Palavras-chave: Cidades suíças; Estatísticas das cidades; Qualidade de vida urbana; Ranking; Tomada de decisão multicritério.

1. Introdução

As áreas urbanas representam os principais centros de desenvolvimento econômico, social e político de um país. Contudo, a crescente concentração populacional nas cidades intensifica desafios associados ao desenvolvimento urbano (Răducan et al., 2025). Diante desse cenário, a avaliação da qualidade de vida emerge como um instrumento essencial para compreender e mensurar o bem-estar da população (Ríos-Vásquez & de la Fuente-Mella, 2023).

A Organização Mundial da Saúde [OMS] define qualidade de vida como a percepção do indivíduo sobre sua posição na vida, influenciada pelo contexto cultural, sistemas de valores, expectativas e objetivos pessoais (Răducan et al., 2025). Essa percepção pode variar entre culturas e ao longo do tempo, acompanhando as prioridades sociais (MacLean & Salama, 2019). A literatura acadêmica aponta que a qualidade de vida é composta por dois pilares: o bem-estar subjetivo, que se refere à satisfação pessoal, e o bem-estar objetivo, que engloba indicadores concretos, como os socioeconômicos (Das, 2008; Patil & Sharma, 2022).

Na Suíça, dados recentes do estudo “Stadt-Land-Monitor” (Hermann et al., 2025) indicam que, embora a maioria dos suíços avalie positivamente sua qualidade de vida, o crescimento do país gera desafios críticos. Preocupações com a escassez de habitação e o trânsito são exemplos de tensões urbanas que afetam o bem-estar dos cidadãos. Enquanto esses dados refletem o pilar subjetivo, este estudo foca na análise do pilar objetivo da qualidade de vida, utilizando indicadores concretos e estatísticos.

A mensuração desses aspectos frequentemente ocorre por meio de índices de avaliação que classificam cidades em dimensões como qualidade de vida, mobilidade urbana e desenvolvimento socioeconômico (Tischer & Polette, 2019). No entanto, rankings globais como o Mercer (2024) e o IMD (2025) apresentam limitações para uma análise científica replicável, pois seus dados brutos não são abertos. Além disso, muitos desses rankings se baseiam em pesos subjetivos ou pesquisas de opinião, o que pode introduzir um viés global que ignora contextos culturais locais (MacLean & Salama, 2019). Embora o índice do IMD aborde o bem-estar, seu foco principal reside na infraestrutura tecnológica e na percepção digital, o que difere da abordagem multidimensional da qualidade de vida (De Jong et al., 2015; Răducan et al., 2025).

Diante dessas limitações, a presente pesquisa adota uma abordagem que prioriza a transparência, verificabilidade e replicabilidade. A seleção de indicadores e cidades de referência (Tischer & Polette, 2019) é solucionada pelo uso de bases de dados oficiais e abertas. A escolha dos indicadores fundamenta-se no modelo de qualidade de vida do Escritório Federal de Estatística da Suíça (FSO, 2025), que, embora baseado nas dimensões de bem-estar da Organização para a Cooperação e Desenvolvimento Econômico [OCDE], foi expandido para incluir eixos específicos da realidade urbana suíça, como mobilidade, infraestrutura e lazer. Para fundamentar a análise estatística, utiliza-se a base “City Statistics” (FSO, 2024), que integra o projeto europeu Eurostat, garantindo a padronização e a qualidade das estatísticas oficiais suíças (FSO, 2026a). A escolha das cidades objeto de estudo, incluindo Zurique, Berna, Basileia, Lausana e Genebra, justifica-se pela sua presença em rankings internacionais e pela sua representatividade demográfica, concentrando metade da população urbana suíça (Swiss Confederation, 2023).

A necessidade de um modelo fundamentado em estatísticas oficiais e objetivas, capaz de mensurar o bem-estar de forma multidimensional e mitigar vieses interpretativos, justifica a relevância deste estudo. Assim, o objetivo deste trabalho é desenvolver um ranking aberto para as principais cidades suíças, fundamentado na base oficial “City Statistics” (FSO, 2026b), com o propósito de mensurar o bem-estar de forma multidimensional.

2. Material e Métodos

A presente pesquisa adotou uma abordagem quantitativa, de caráter exploratório e descritivo, estruturada como um estudo de caso múltiplo. O objetivo foi realizar uma análise comparativa da qualidade de vida urbana, com foco na elaboração de um ranking para cinco cidades suíças: Zurique, Berna, Basileia, Lausana e Genebra. A avaliação fundamentou-se em indicadores oficiais, extraídos de bases de dados abertas, para garantir a objetividade e replicabilidade da mensuração do bem-estar.

Os dados utilizados foram obtidos da base “City Statistics” (FSO, 2026b), mantida pelo Escritório Federal de Estatística da Suíça (FSO). A coleta ocorreu por meio da plataforma interativa “Swiss Stats Explorer” (FSO, 2026c), onde se aplicaram filtros para selecionar as cidades, o período e as variáveis de interesse. As tabelas resultantes foram exportadas em formato Excel (.xlsx) para posterior tratamento. Todos os dados eram abertos e anonimizados, em conformidade com a legislação suíça de proteção de dados (Swiss Confederation, 2022).

A seleção dos indicadores baseou-se no modelo de qualidade de vida do FSO (2025), que, embora fundamentado nas dimensões de bem-estar da Organização para a Cooperação e Desenvolvimento Econômico [OCDE], foi expandido para incluir eixos específicos da realidade urbana suíça, como mobilidade, infraestrutura e lazer. O modelo original contemplava 11 dimensões, às quais foram adicionadas duas dimensões de contexto econômico e demográfico. Inicialmente, foram selecionados 30 indicadores, desdobrados em 56 variáveis.

No processo de seleção dos indicadores, na dimensão “Cultura e Lazer”, o escopo do indicador original de demanda por museus e teatros foi ampliado para incluir a demanda por cinemas. Essa decisão visou garantir a coerência interna da dimensão, uma vez que outros indicadores já englobavam o cinema em suas métricas, e a disponibilidade de dados específicos permitiu um refinamento da mensuração cultural.

O tratamento dos dados foi realizado utilizando a linguagem de programação Python, no ambiente “Google Colab Research”, com o auxílio das bibliotecas pandas e numpy. Inicialmente, carregou-se a base de dados em formato Excel, seguida de uma limpeza estrutural que incluiu a remoção de cabeçalhos, rodapés não informativos e a exclusão de linhas e colunas com dados ausentes. Indicadores sem cobertura para o ano de 2023 foram descartados, resultando em um conjunto final de 45 variáveis.

Entre as exclusões relevantes, a dimensão de Infraestrutura e Serviços foi removida devido à ausência de dados para o período selecionado. O indicador de “Renda tributável média (em CHF)” também foi descartado, alinhando-se à perspectiva de que a renda, embora necessária, não é suficiente para medir o bem-estar isoladamente (Goerlich & Reig, 2021). Variáveis com lacunas, como poluição sonora e áreas verdes, e “Visitas ao teatro” (devido à ausência de registros para Genebra), foram igualmente suprimidas.

Adicionalmente, os nomes das variáveis foram padronizados, incluindo a tradução do alemão e inglês com o auxílio de ferramentas de inteligência artificial, seguida de conferência manual. Buscou-se verificar a viabilidade da redução dimensional por meio da Análise de Componentes Principais (PCA), com uma análise de correlação de Pearson. Contudo, o Teste de Esfericidade de Bartlett indicou a inviabilidade da PCA, pois a dimensão reduzida da amostra (cinco cidades) era insuficiente para garantir a robustez estatística necessária para a redução de variáveis.

Em função da inviabilidade da PCA, a estratégia metodológica foi direcionada para a Tomada de Decisão Multicritério (MCDM), baseada na abordagem proposta por Ye et al. (2022). Essa metodologia integrou o Método da Entropia de Shannon para atribuição de pesos com três algoritmos de MCDM, visando uma avaliação da qualidade de vida urbana fundamentada em critérios objetivos e matematicamente robustos.

Para a determinação dos pesos das 45 variáveis, adotou-se o Método da Entropia de Shannon. Essa técnica define a importância de cada indicador com base em sua capacidade de fornecer informação ao sistema, medida pela dispersão dos dados brutos (Ye et al., 2022). O cálculo da entropia (ej) para cada indicador j e o peso final (wj) de cada variável foram realizados conforme as formulações matemáticas descritas no trabalho original.

As 45 variáveis foram classificadas de acordo com sua polaridade funcional em relação ao bem-estar urbano, definindo-se variáveis de benefício (valor 1) e de custo (valor -1), conforme Ye et al. (2022). As variáveis de Nacionalidade foram excluídas para evitar vieses interpretativos. Após essa categorização, os dados foram submetidos à normalização linear Min-Max, que utiliza essas polaridades para converter variáveis de diferentes unidades em uma escala comum entre 0 e 1, seguindo as equações específicas para variáveis de benefício e custo apresentadas no estudo original.

O processamento estatístico e a modelagem multicritério basearam-se na abordagem proposta por Ye et al. (2022). Para tanto, adotou-se uma estratégia de tripla agregação utilizando os métodos Weighted Sum Method (WSM), TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) e VIKOR (VlseKriterijumska Optimizacija i Kompromisno Resenje). A aplicação desses algoritmos foi realizada por meio da biblioteca pymcdm (Kizielewicz et al., 2023). A pontuação final para o WSM, o coeficiente de proximidade para o TOPSIS e o índice final para o VIKOR foram calculados utilizando as respectivas formulações matemáticas detalhadas no trabalho original.

Para verificar a correlação entre os rankings gerados pelos métodos, calculou-se a Correlação de Spearman, que é adequada para dados ordinais. A consolidação do ranking global foi realizada pela média aritmética das classificações obtidas nos três algoritmos (WSM, TOPSIS e VIKOR), procedimento justificado pela forte convergência evidenciada entre os métodos, garantindo um resultado final mais robusto e equilibrado.

Durante a preparação deste trabalho, ferramentas de inteligência artificial (ChatGPT, Gemini e DeepL) foram utilizadas para auxiliar na tradução de termos e textos originalmente apresentados em língua alemã e inglesa, bem como na padronização dos nomes das cidades e indicadores. Adicionalmente, as ferramentas forneceram apoio metodológico na organização dos dados e na aplicação de técnicas estatísticas exploratórias. O procedimento analítico foi definido, executado e validado pela autora, que assume integral responsabilidade pelo conteúdo final.

3. Resultados e Discussão

A etapa inicial da pesquisa concentrou-se na consolidação e tratamento do conjunto de dados, resultando em um “dataset” final composto por quarenta e três variáveis. Este processo envolveu a exclusão de dimensões e indicadores específicos, como ‘Infraestrutura e Serviços’ e ‘Renda Tributável Média’, devido à ausência de dados consistentes ou à inadequação para a mensuração isolada do bem-estar, conforme argumentado por Goerlich e Reig (2021). A remoção de indicadores de nacionalidade também foi realizada, visando mitigar potenciais vieses interpretativos e garantir que o ranking se fundamentasse em critérios objetivos de qualidade de vida, alinhados ao escopo do estudo. Essa padronização foi crucial para assegurar a comparabilidade entre as cinco cidades suíças analisadas, eliminando distorções decorrentes de lacunas nos dados oficiais ou de critérios sociopolíticos.

A verificação da viabilidade de redução dimensional, por meio da Análise de Componentes Principais (PCA), revelou que a abordagem não era estatisticamente robusta para a amostra em questão. Embora o mapa de calor da correlação de Pearson tenha indicado associações significativas entre diversos indicadores, especialmente nas dimensões de mercado de trabalho e educação, o Teste de Esfericidade de Bartlett não validou a adequação da matriz para a PCA. O resultado do teste, com uma estatística Qui-Quadrado de menos infinito e um P-valor de um, acompanhado de um aviso de erro de determinante zero, confirmou a singularidade da matriz. Este fenômeno ocorreu porque o número de variáveis (cinquenta e seis inicialmente) excedia o número limitado de observações (cinco cidades), inviabilizando a extração de componentes estáveis e justificando a transição metodológica para a Tomada de Decisão Multicritério (MCDM).

Ponderação por Entropia de Shannon

Com a matriz de decisão devidamente estruturada, aplicou-se o Método da Entropia de Shannon para determinar objetivamente os pesos das quarenta e três variáveis, conforme a abordagem de Ye et al. (2022). Essa técnica, que se diferencia de métodos que utilizam pesos subjetivos, atribui maior importância aos indicadores que apresentam maior dispersão nos dados brutos, refletindo sua capacidade de discriminar o desempenho entre as cidades. Os pesos percentuais calculados revelaram que o indicador ‘Pessoas economicamente ativas’ obteve a maior ponderação, com aproximadamente 4,83%, seguido pelo ‘Percentual de empregados no setor econômico secundário’, com cerca de 4,56%. Esses resultados indicam que o dinamismo do mercado de trabalho e a estrutura produtiva local são os fatores que mais distinguem as cidades suíças avaliadas.

Outros indicadores com pesos significativos incluíram ‘Deslocamentos de transporte público’, com aproximadamente 4,29%, e os níveis de escolaridade, como ‘População de vinte e cinco a sessenta e quatro anos com escola de nível secundário II como maior nível de escolaridade’ (cerca de 4,07%) e ‘Estudantes em instituições de ensino superior’ (aproximadamente 4,06%). A alta ponderação desses fatores sublinha que as principais diferenças na qualidade de vida urbana entre as metrópoles suíças residem nas oportunidades educacionais e na eficiência dos sistemas de mobilidade. O método da Entropia de Shannon, ao identificar esses indicadores com maior variabilidade, os estabeleceu como os critérios de maior poder discriminatório para a construção do ranking.

Em contraste, variáveis como o ‘Percentual de empregados no setor terciário da economia’ e os ‘Deslocamentos de transporte individual motorizado’ apresentaram os menores pesos, com aproximadamente 1,07% e 1,11%, respectivamente. Essa baixa ponderação sugere que tais dimensões são mais homogêneas entre as cidades suíças analisadas, possuindo um poder discriminatório reduzido para a formação do ranking final. A distribuição objetiva dos pesos, determinada pela Entropia de Shannon, é fundamental para a confiabilidade do modelo, pois garante que o índice final priorize as nuances onde as cidades de fato exibem contrastes significativos, oferecendo um suporte prático para a tomada de decisão urbana ao direcionar investimentos para áreas com maior potencial de impacto diferencial.

Agrupamento e Análise dos Pesos por Dimensão Conceitual

A análise dos pesos dos indicadores foi aprofundada por meio do agrupamento nas dimensões conceituais que estruturam o modelo de qualidade de vida do Escritório Federal de Estatística da Suíça (FSO, 2025). Embora o modelo de referência original previsse treze dimensões, a dimensão de ‘Infraestrutura e Serviços’ foi descontinuada devido à ausência de dados secundários consolidados e homogêneos para o período analisado. A consolidação dos pesos por dimensão, obtida pela soma algébrica dos percentuais das variáveis em cada eixo, permitiu uma visão integrada do comportamento dos grandes eixos temáticos.

A dimensão ‘Contexto Econômico’ assumiu a maior relevância no modelo, concentrando 24,62% do peso total com nove indicadores, resultando em um peso médio de 2,74% por indicador. Este achado reforça que as maiores diferenças estatísticas entre as cidades estudadas se encontram na composição do mercado de trabalho e nas forças produtivas locais. Na sequência, ‘Cultura e Lazer’ (14,52% com seis indicadores e peso médio de 2,42%) e ‘Mobilidade’ (13,58% com sete indicadores e peso médio de 1,94%) destacaram-se, respondendo juntas por mais de 28% da variação capturada, evidenciando a importância desses eixos para a qualidade de vida urbana.

A dimensão ‘Educação’, embora com 9,62% de peso acumulado, registrou o maior peso médio por indicador (3,21%), com três variáveis, seguida por ‘Renda e Empregos’ (9% com três indicadores e peso médio de 3,00%). Isso evidencia o elevado poder discriminatório das variáveis relacionadas à qualificação e às oportunidades profissionais. Em contrapartida, ‘Condições de Moradia’ (4,10% com três indicadores e peso médio de 1,37%) e ‘Qualidade Ambiental’ (1,19% com um indicador e peso médio de 1,19%) obtiveram os menores pesos acumulados. Essa menor ponderação na Entropia de Shannon não implica irrelevância, mas sim uma baixa dispersão nos dados brutos, indicando que os serviços habitacionais e parâmetros ambientais são relativamente homogêneos e padronizados entre as metrópoles suíças, o que limita seu poder de diferenciação no ranking.

Agregação de resultados

A aplicação dos diferentes métodos de tomada de decisão multicritério (MCDM), WSM, TOPSIS e VIKOR, em conjunto com a Entropia de Shannon para a determinação objetiva dos pesos, permitiu uma análise comparativa do desempenho urbano das cidades suíças sob diversas perspectivas analíticas, conforme a metodologia de Ye et al. (2022). Cada método oferece uma lógica distinta para a classificação, revelando nuances sobre as forças e fragilidades de cada centro urbano.

Pelo método WSM (Weighted Sum Method), que soma as pontuações ponderadas dos indicadores, Zurique consolidou-se na primeira posição com uma pontuação de 0,266136. Basileia ficou em segundo lugar com 0,200780, e Berna em terceiro com 0,200178. Genebra ocupou a quarta posição com 0,171219, e Lausana a quinta com 0,161687. A proximidade das pontuações entre Berna e Basileia sugere que ambas possuem estruturas de indicadores quantitativamente muito similares no acumulado geral, indicando um desempenho médio geral bastante equilibrado entre elas.

O método TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution), que avalia a proximidade das cidades em relação a uma solução ideal positiva e a uma solução ideal negativa, apresentou uma inversão nas posições intermediárias. Zurique manteve a primeira posição com um coeficiente de proximidade (Ci) de 0,574402. Berna ascendeu para a segunda posição com Ci de 0,401586, superando Basileia, que ficou em terceiro com Ci de 0,398582. Genebra e Lausana mantiveram a quarta e quinta posições, com Ci de 0,313113 e 0,268851, respectivamente. A melhor performance de Berna neste método indica uma maior eficiência em se afastar dos indicadores críticos e se aproximar de forma mais equilibrada dos valores de excelência urbana.

Por fim, o método VIKOR (VlseKriterijumska Optimizacija | Kompromisno Resenje), que busca uma solução de compromisso e é mais rigoroso com cidades que apresentam gargalos em indicadores específicos, também classificou Zurique em primeiro lugar, com um índice Qi de 0,081459. Basileia retomou a segunda posição com Qi de 0,319007, enquanto Genebra alcançou o terceiro lugar com Qi de 0,424167. Berna caiu para a quarta posição com Qi de 0,688925, e Lausana permaneceu em último com Qi de 1,000000. O índice de arrependimento (Ri) de Berna (0,047899) revelou vulnerabilidades em indicadores isolados que penalizaram sua classificação final, enquanto Genebra demonstrou uma performance mais resiliente sob a ótica de compromisso, superando Berna nesta metodologia específica.

A síntese dos resultados obtidos pelos três métodos demonstrou uma notável consistência nos extremos do ranking. Zurique manteve a primeira posição em todas as avaliações, enquanto Lausana permaneceu na última. As posições intermediárias, no entanto, apresentaram variações, com Berna oscilando entre a segunda e a quarta colocação, Basileia entre o segundo e o terceiro lugar, e Genebra flutuando entre a terceira e a quarta posição. Essa variação nas posições intermediárias entre os métodos TOPSIS e VIKOR indica que as cidades exibem comportamentos distintos conforme a lógica do algoritmo aplicado, confirmando que a análise multicritério é capaz de capturar nuances variadas da qualidade de vida urbana que um ranking simples não evidenciaria.

Correlação entre os métodos

Para verificar a concordância entre os rankings gerados pelos métodos WSM, TOPSIS e VIKOR, calculou-se a correlação de Spearman. Os resultados revelaram coeficientes de 0,9 entre WSM e TOPSIS, e também entre WSM e VIKOR, indicando uma forte tendência central na classificação. A relação entre TOPSIS e VIKOR apresentou um índice ligeiramente menor de 0,7. Esses valores confirmam que, embora exista uma convergência substancial entre as classificações, os resultados não são idênticos, o que ratifica que os métodos avaliam a performance urbana sob diferentes perspectivas.

A correlação de 0,7 entre TOPSIS e VIKOR, em particular, demonstra que a hierarquia das cidades é sensível às diferentes lógicas de cálculo de cada algoritmo. Essa variação reforça a importância de empregar uma abordagem multicritério para capturar as nuances dos dados, conforme sugerido por Ye et al. (2022). A utilização conjunta desses métodos permite uma compreensão mais completa do desempenho das cidades, mitigando a influência de distorções que poderiam surgir da aplicação de um único modelo de avaliação.

Ranking global consolidado

Com a consistência dos métodos confirmada pela correlação de Spearman, procedeu-se à elaboração do ranking global consolidado. Para esta finalidade, adotou-se a média aritmética das classificações obtidas nos três algoritmos (WSM, TOPSIS e VIKOR), procedimento justificado pela forte convergência evidenciada entre os métodos. A união das diferentes visões permitiu obter um resultado final mais robusto, que reduz a influência de distorções específicas de um único algoritmo e oferece uma visão equilibrada do desempenho urbano.

A consolidação das classificações confirmou a estabilidade do modelo nos seus extremos. Zurique manteve a liderança absoluta, sendo consistentemente a cidade com melhor desempenho urbano em todas as metodologias, com uma média de classificação de um. Lausana, por sua vez, ocupou a última posição de forma consistente, com uma média de classificação de cinco. O ranking global definiu as posições intermediárias da seguinte forma: Basileia consolidou-se em segundo lugar com uma média de 2,333333, seguida por Berna em terceiro com uma média de três. Genebra estabilizou-se na quarta posição com uma média de 3,666667.

Berna, apesar de ter obtido um excelente resultado no método TOPSIS, ficou em terceiro lugar na média geral, influenciada por indicadores específicos que penalizaram sua pontuação no método VIKOR. Genebra, por sua vez, estabilizou-se na quarta posição, completando a hierarquia das principais cidades suíças analisadas. Reconhece-se, todavia, uma limitação metodológica importante relacionada ao tamanho do universo amostral, composto por apenas cinco cidades. A aplicação da Entropia de Shannon em amostras reduzidas exige cautela interpretativa, pois a mensuração da entropia e da variabilidade estatística é sensível à amplitude dos dados com poucas observações. Em cenários como este, variações pontuais em uma única cidade podem amplificar o peso de determinado indicador ou suavizar discrepâncias que se comportariam de forma distinta em um conjunto amostral mais amplo. Portanto, os pesos e os rankings obtidos refletem estritamente o contexto e a variabilidade específica dessas cinco grandes metrópoles suíças no recorte temporal analisado.

Em síntese, a pesquisa estabeleceu um modelo de análise replicável e fundamentado para a avaliação da qualidade de vida urbana nas cidades suíças. A integração dos métodos multicritério, com a ponderação objetiva por Entropia de Shannon, permitiu mapear os pontos de atenção e as vantagens competitivas de cada cidade, entregando um diagnóstico baseado em evidências estatísticas e na variabilidade real dos indicadores. Os resultados confirmaram Zurique como líder consistente e Lausana como a última colocada, enquanto as posições intermediárias revelaram nuances importantes sobre o desempenho de Basileia, Berna e Genebra, respondendo ao objetivo de desenvolver um ranking transparente e robusto para as principais cidades suíças.

4. Conclusão

Este estudo dedicou-se a desenvolver um ranking aberto para as principais cidades suíças, utilizando a base oficial “City Statistics” de 2023, com o propósito de mensurar o bem-estar de forma multidimensional. Verificou-se que, após a consolidação e tratamento dos dados, um conjunto de quarenta e três variáveis foi estabelecido para a análise. A ponderação objetiva por Entropia de Shannon revelou que o dinamismo do mercado de trabalho, com indicadores como ‘Pessoas economicamente ativas’ e ‘Percentual de empregados no setor econômico secundário’, e a educação, com ‘População de vinte e cinco a sessenta e quatro anos com escola de nível secundário II’ e ‘Estudantes em instituições de ensino superior’, foram os fatores que mais distinguiram as cidades. A aplicação dos métodos de Tomada de Decisão Multicritério (WSM, TOPSIS e VIKOR) demonstrou forte convergência nas classificações, conforme evidenciado pela correlação de Spearman. O ranking global consolidado posicionou Zurique em primeiro lugar, seguida por Basileia, Berna, Genebra e Lausana, estabelecendo um modelo replicável e transparente que oferece um diagnóstico baseado em evidências estatísticas para a gestão urbana.

Reconhece-se, todavia, uma limitação metodológica importante relacionada ao tamanho do universo amostral, composto por apenas cinco cidades. A aplicação da Entropia de Shannon em amostras reduzidas exige cautela interpretativa, pois a mensuração da entropia e da variabilidade estatística é sensível à amplitude dos dados com poucas observações, podendo amplificar o peso de determinado indicador ou suavizar discrepâncias. Os pesos e os rankings obtidos refletem estritamente o contexto e a variabilidade específica dessas cinco grandes metrópoles suíças no recorte temporal analisado. Para trabalhos futuros, sugere-se explorar técnicas de consolidação ponderada dos métodos multicritério, onde os pesos de cada algoritmo são derivados do grau de concordância entre os rankings, e expandir o universo amostral para incluir outras cidades da Suíça, a fim de aprimorar a robustez e a generalização do modelo.

Referências Bibliográficas

Das, D. (2008). Urban quality of life: A case study of Guwahati. Social indicators research 88(2): 297-310.

De Jong, M.; Joss, S.; Schraven, D.; Zhan, C.; Weijnen, M. 2015. Sustainable-smart-resilient-low carbon-eco-knowledge cities; making sense of a multitude of concepts promoting sustainable urbanization. Journal of Cleaner production 109(2015): 25-38.

Federal Statistical Office [FSO]. 2024. City Statistics – Quality of life in the cities: A brief overview. Neuchâtel: FSO. Disponível em: <https://www.bfs.admin.ch/asset/en/30206410> . Acesso em: 15 jan. 2026.

Federal Statistical Office [FSO]. 2025. Quality of Life Indicators. Disponível em: <https://www.bfs.admin.ch/bfs/en/home/statistics/cross-sectional-topics/city-statistics/indicators-quality-life.html>. Acesso em 19 set. 2025.

Federal Statistical Office [FSO]. 2026a. Quality commitment. Disponível em: <https://www.bfs.admin.ch/bfs/en/home/fso/quality-commitment.html> Acesso em 19 fev. 2026.

Federal Statistical Office [FSO]. 2026b. City Statistics: Ausgewählte Variablen nach Städten und Agglomerationen 2020. Swiss Stats Explorer. Disponível em: <https://dv.stats.swiss/?chartId=b4b7ed7a-9937-4e29-ac80-0f8696eb7c26>. Acesso em: 27 jan. 2026.

Federal Statistical Office [FSO]. 2026c. Swiss Stats Explorer. Disponível em <https://www.bfs.admin.ch/bfs/en/home/services/research/swiss-stats-explorer.html>. Acesso em 04 jan. 2026.

Hermann, M.; Rohner, N.; Stückelberger, S. 2025. Stadt-Land-Monitor 2025: Studienbericht. Zurique: Sotomo. Disponível em:<https://sotomo.ch/site/wp-content/uploads/2025/11/StadtLandMonitor2025_DE.pdf> . Acesso em: 5 fev. 2026.

Institute for Management Development [IMD]. 2025. IMD Smart City Index 2025 Report. Disponível em: <https://imd.widen.net/s/psdrsvpbk7/imd_smart_city_2025_report>. Acesso em 19 set. 2025.

MacLean, L.; Salama, A. M. 2019. Towards a context specific and multidimensional quality of urban life model. Open House International 44(1): 25-33.

Mercer. 2024. Quality of Living City Ranking. Disponível em: <https://www.mercer.com/insights/total-rewards/talent-mobility-insights/quality-of-living-city-ranking/>. Acesso em 19 set. 2025.

Patil & Sharma, 2022 [Referência completa não encontrada no documento original]

Ríos-Vásquez, G.; de la Fuente-Mella, H. 2023. Mathematical Analysis and Modeling of the Factors That Determine the Quality of Life in the City Councils of Chile. Mathematics 11(5): 1218.

Răducan, R.; Lozsa, J., Vîrga, D.; Matichescu, M. 2025. New Integrative Model of the Quality of Urban Life: A Systematic Review. Social Indicators Research 179: 895–921.

Swiss Confederation. 20

Swiss Confederation. 2023. Urban and spatial development in Switzerland. Disponível em: <https://www.aboutswitzerland.eda.admin.ch/en/urban-and-spatial-development>. Acesso em 19 set. 2025.

Tischer, V.; Polette, M. 2019. Sistema de avaliação de cidades de referência em transportes e mobilidade urbana sustentável. Cadernos Metrópole 21(45): 481–509.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy