agente para suporte À decisÃo multicritÉrio em … · método electre ii 32 métodos electre iii...

UNIVERSIDADE FEDERAL DE GOIÁSINSTITUTO DE INFORMÁTICA

LEONARDO AFONSO AMORIM

AGENTE PARA SUPORTE ÀDECISÃO MULTICRITÉRIO EM

GESTÃO PÚBLICA PARTICIPATIVA

Goiânia2014




Dissertação apresentada ao Programa de Pós–Graduação doInstituto de Informática da Universidade Federal de Goiás,como requisito parcial para obtenção do título de Mestre emCiências da Computação.

Área de concentração: Ciências da Computação.

Orientador: Prof. Dr. Renato de Freitas Bulcão Neto

Co-Orientador: Prof. Dr. Vinicius Sebba Patto

Goiânia2014




Dissertação defendida no Programa de Pós–Graduação do Instituto deInformática da Universidade Federal de Goiás como requisito parcialpara obtenção do título de Mestre em Ciências da Computação, apro-vada em 26 de Setembro de 2014, pela Banca Examinadora constituídapelos professores:

Prof. Dr. Renato de Freitas Bulcão NetoInstituto de Informática – UFG

Presidente da Banca

Prof. Dr. Vinicius Sebba PattoInstituto de Informática – UFG

Prof. Dr. Iwens Gervasio Sene JuniorInstituto de Informática – UFG

Prof. Dr. Gelson da Cruz JúniorEscola de Engenharia Elétrica, Mecânica e de Computação – UFG

Todos os direitos reservados. É proibida a reprodução total ou parcial dotrabalho sem autorização da universidade, do autor e do orientador(a).

Leonardo Afonso Amorim

Graduou-se em Engenharia de Computação pela Pontifícia Universidade Ca-tólica de Goiás. Trabalhou como Analista de Infraestrutura Sênior pela em-presa 4Linux com Software Livre entre 2007 e 2013 na área de treinamentosa distância. Ministrou mais de 100 cursos EAD nas áreas de Sistemas Opera-cionais, Infraestrutura, Segurança e Desenvolvimento com Java. Atualmenteé professor substituto no Instituto de Informática na Universidade Federal deGoiás. Durante o Mestrado, na UFG - Universidade Federal de Goiás, foi bol-sista da CAPES e trabalha no desenvolvimento de um agente inteligente nogrupo de pesquisa Aplicação de metodologias e técnicas computacionais paraconstrução de sistemas inteligentes.

Gostaria de agradecer a Fundação de Amparo a Pesquisa do Estado de Goiáspelo apoio financeiro ao projeto de pesquisa Aplicação de metodologias e técnicascomputacionais para construcao de sistemas inteligentes no qual eu sou integrante.

Agradecimentos

À minha mãe Celuta Maria Afonso, minha esposa Paloma Victor Santos Amorime familiares, em especial meu irmão Jader Afonso Amorim, pelo apoio em todos osmomentos de minha vida. Superar cada obstáculo na busca dos meus objetivos foi menosárduo com o apoio de cada uma destas pessoas. Esta vitória tem uma valiosa contribuiçãode cada um.

Ao meu orientador, Professor Renato Bulcão Neto, e ao Professor Iwens SeneJunior pela atenção e apoios constantes durante esta etapa da minha vida acadêmica.

Ao meu co-orientador, Professor Vinicius Sebba Patto, pela oportunidade dedesenvolver este trabalho em seu grupo de pesquisa. Suas orientações, críticas e apoioforam essenciais para fundamentação e organização das ideias deste trabalho.

A CAPES pelo apoio financeiro, indispensável para a realização deste trabalho.E, principalmente, a Deus, por ter permitido alcançar este objetivo, colocando as

pessoas certas ao meu redor.

Resumo

Afonso Amorim, Leonardo. AGENTE PARA SUPORTE À DECISÃO MUL-TICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA. Goiânia, 2014.87p. Dissertação de Mestrado. Instituto de Informática, Universidade Federalde Goiás.

Tomada de decisão em gestão pública é associada ao alto grau de complexidade devidoà insuficiência de recursos financeiros para atender todas as demandas provindas dediversos setores da sociedade. Frequentemente, atividades econômicas estão em conflitocom causas sociais ou ambientais. Outro aspecto importante em tomadas de decisão emgestão pública é a inclusão dos diversos stakeholders, por exemplo especialistas em gestãopública, pequenos empresários, pequenos comerciantes, professores, representantes declasses sociais e profissionais, os próprios cidadãos etc. Diante disto, o objetivo destetrabalho de mestrado é apresentar uma proposta de Agente Minerador (AM) e Agentede Suporte à Decisão (ASD) para Gestão Pública Participativa e como fazer a interfaceentre eles. O AM faz uso de técnicas de mineração de dados para se encontrar regras deassociação entre dados socioambientais, temporais e espaciais e o ASD faz uso de análisemulticritério para ranquear problemas socioambientais que devem ser solucionados comprioridade. O contexto em que este trabalho se insere é o projeto ADGEPA (AssistenteDigital para Gestão Pública Participativa), um projeto inovador para suporte à tomadade decisão participativa em gestão pública. Entende-se que a contribuição principaldeste trabalho de mestrado é a possibilidade de auxiliar na descoberta de padrões ecorrelações entre aspectos socioambientais que não são muito óbvias e que podem variarde comunidade para comunidade. Esta contribuição poderá auxiliar o gestor público atomar decisões sistêmicas que além de atacar o problema principal de uma determinadaregião diminuirá ou solucionará também problemas de outros aspectos. A validação dosresultados depende de dados reais e de análise de gestores públicos. Neste trabalho osdados foram simulados.

Palavras–chave

Suporte à decisão, análise multicritério, kdd, gestão pública participativa, simu-lação multiagente, gestão pública

Abstract

Afonso Amorim, Leonardo. Agent to support multicriteria decision in PublicParticipatory Management. Goiânia, 2014. 87p. MSc. Dissertation. Institutode Informática, Universidade Federal de Goiás.

Decision making in public management is associated with a high degree of complexitydue to insufficient financial resources to meet all the demands emanating from varioussectors of society. Often, economic activities are in conflict with social or environmentalcauses. Another important aspect in decision making in public management is the in-clusion of various stakeholders, eg public management experts, small business owners,shopkeepers, teachers, representatives of social and professional classes, citizens etc. Thegoal of this master thesis is to present two computational agents to aid decision making inpublic management as part of ADGEPA project: Miner Agent (MA) and Agent DecisionSupport (DSA). The MA uses data mining techniques and DSA uses multi-criteria analy-sis to point out relevant issues. The context in which this work fits is ADGEPA project.The ADGEPA (which means Digital Assistant for Participatory Public Management) isan innovative practice to support participatory decision making in public resources mana-gement. The main contribution of this master thesis is the ability to assist in the discoveryof patterns and correlations between environmental aspects that are not too obvious andcan vary from community to community. This contribution would help the public mana-ger to make systemic decisions that in addition to attacking the main problem of a givenregion would decrease or solve other problems. The validation of the results depends onactual data and analysis of public managers. In this work, the data were simulated.

Keywords

Decision support, multi-criteria decision analysis, kdd, participatory public ma-nagement, multi-agent simulation

Sumário

Lista de Figuras 10

Lista de Tabelas 11

1 Introdução 121.1 Contextualização 131.2 Motivação 141.3 Desafios 141.4 Objetivos 151.5 Metodologia 151.6 Contribuições 161.7 Organização da Dissertação 16

2 Fundamentação Teórica e Trabalhos Relacionados 172.1 Gestão pública no Brasil 17

2.1.1 Gestão pública participativa 192.1.2 Vantagens 192.1.3 Desvantagens 202.1.4 Desafios e Projetos de Gestão Pública Participativa 20

2.2 Tomada de Decisão Multicritério 242.2.1 Etapas para tomada de decisão 242.2.2 Métodos para tomada de decisão 252.2.3 Método para análise multicritério Soma Ponderada 272.2.4 Método para análise multicritério AHP (Analytic Hierarchy Process) 282.2.5 Métodos ELECTRE (Elimination et Choix Traduisant La Realité) 31

Electre I 32Método Electre II 32Métodos Electre III e Electre IV 33

2.2.6 Métodos Promethée (Preference Ranking Method for Enrichment Evaluation) 332.2.7 Trabalhos relacionados 38

2.3 Descoberta de conhecimento em base de dados 412.3.1 Fases do KDD 422.3.2 Descoberta de associação 442.3.3 Classificação e predição 452.3.4 Análise de padrões sequenciais 452.3.5 Agrupamento - clustering 462.3.6 Sumarização 462.3.7 Regressão ou Estimação 46

2.3.8 Limitações da Mineração de Dados 472.3.9 Ferramentas para mineração de dados 48

2.4 Sistemas multiagentes 492.4.1 Introdução 492.4.2 Agentes computacionais 492.4.3 Agentes computacionais inteligentes 492.4.4 Sistemas Multiagentes (SMA) 512.4.5 Motivações 512.4.6 Aplicabilidade 522.4.7 Simulação 52

2.5 Considerações finais 53

3 Agentes para Suporte à Decisão 543.1 O Projeto ADGEPA 543.2 O Agente Minerador 583.3 O Agente de Suporte à Decisão 623.4 Considerações Finais 66

4 Conclusões e Trabalhos Futuros 674.1 Conclusão 684.2 Trabalhos Futuros 69

Referências Bibliográficas 71

A Indicadores do Projeto ADGEPA 79

B Exemplo de Cluster Espacial 81

C Exemplo de Cluster Temporal 83

D Dados simulados 85D.1 Códigos de Programa 87

Lista de Figuras

2.1 Site do Projeto SpotCrime. 232.2 Site do Projeto Cidadão Participativo. 242.3 Autovetores calculados pelo AHP 302.4 Fases do processo de KDD. Fonte: Adaptado de Fayyad et al (1996) 432.5 Agente interagindo com o ambiente. Adaptado de [67] 49

3.1 Representação gráfica do ADGEPA. 553.2 Simulação Multiagente no Projeto ADGEPA (8 elementos e um agente) 563.3 Simulação Multiagente no Projeto ADGEPA (3 agentes e uma grande área) 573.4 A arquitetura da simulação. 593.5 Agrupamentos espaciais gerados pela Weka 60

Lista de Tabelas

2.1 Exemplo de uso do AHP 312.2 Exemplo de uso do AHP com valores 312.3 Comparação entre os métodos multicritério 372.4 Comparação dos trabalhos relacionados 40

3.1 Média das confianças dos 10 primeiros indicadores 613.2 Ranking de aspectos socioambientais com maior suporte 613.3 Exemplo de Aspectos Socioambientais e seus identificadores (ID) 623.4 Ranqueamento segundo perfil ambiental 643.5 Ranqueamento segundo perfil social 653.6 Ranqueamento segundo perfil híbrido 65

B.1 Parte do primeiro cluster espacial 82

C.1 Parte do primeiro cluster temporal 84

D.1 Parte do Data Warehouse 86

CAPÍTULO 1Introdução

A gestão pública de cidades e metrópoles não é um trabalho trivial dada a quan-tidade de variáveis inter-relacionadas que representam os problemas de diversos aspec-tos em contextos diferentes: social, ambiental, econômico. Dentre os diversos aspectos,pode-se citar, no contexto social: violência, venda de drogas ilícitas, problemas de saúdepública e problemas de infraestrutura urbana; no contexto ambiental, pode-se destacar:queimadas, desmatamento, poluição do ar e poluição da água.

Geralmente, tomada de decisão em gestão pública é associada a alto grau decomplexidade devido à insuficiência de recursos financeiros para atender todas as deman-das provindas de diversos setores da sociedade. Frequentemente, atividades econômicasestão em conflito com causas sociais ou ambientais. Porém, decisões baseadas em análisede custo-benefício precisam ter perspectiva sustentável, haja vista que sustentabilidadetem por objetivo garantir a preservação de recursos naturais às futuras gerações.

Segundo Gamper e Turcanu, análise de custo-benefício e análise de custo-eficácia são frequentemente empregadas em processos decisórios de gestão pública. Alémdelas, o uso de análise multicritério em gestão pública tem ganhado importância, inclusiveem documentos da União Europeia e das Nações Unidas, que recomendam o uso daanálise multicritério em situações que requerem consideração de critérios que não podemser expressos facilmente em termos financeiros, [37].

Outro aspecto importante em tomadas de decisão em gestão pública é a inclu-são dos diversos stakeholders, por exemplo especialistas em gestão pública, pequenosempresários, pequenos comerciantes, professores, representantes de classes sociais e pro-fissionais, os próprios cidadãos etc. [51]

A gestão participativa começou a ser incentivada no Brasil quando a constituiçãode 1988 estabeleceu um novo modelo que favorece a participação da sociedade civilna gestão pública, [14]. Atualmente, um dos princípios brasileiros de gestão pública serefere a processos participativos de atores sociais em políticas públicas. Por exemplo, aLei 9985/2000, que define o Sistema Nacional de Unidades de Conservação (SNUC),foi criada para regular e organizar estratégias de gestão para as áreas protegidas. Nela,considera-se a participação social como questão primordial, [47].

1.1 Contextualização 13

Há pouco tempo, algumas iniciativas baseadas em práticas bottom-up1 forampropostas para tratar governança participativa de políticas públicas, nas quais os papéis deatores locais possuem relevância. Estas práticas ecoam o movimento de pesquisa chamadoComMod (Companion Modeling e em português significa Modelagem Companheira).Este método tem sido aplicado nos últimos 15 anos em suporte à negociação e tomada dedecisão em gerenciamento coletivo de recursos naturais. O método ComMod se apoia nouso conjunto de jogos de papéis e simulação multiagentes de um dado ambiente e seusrecursos, [11]. Dentre algumas pesquisas, destacam-se: (i) as simulações participativaspioneiras, como Self Cormas, [21], e Sylvopast, [32]; e (ii) trabalhos recentes comoSimCommod, [41], JogoMan, [1], e Simparc, [15].

Além dos trabalhos supracitados, pode-se destacar: (i) [64] com um SistemaMultiagente para Simulação Ambiental do Uso da Terra, que se trata de uma técnica deinvestigação para simular a dinâmica do uso da terra – um problema complexo causadopela iteração entre sistemas naturais e sociais em diferentes escalas temporais e espaciais;(ii) [49], no qual é apresentada uma solução multiagente para gerenciamento de energiaem um sistema de geração de energia híbrida e renovável e (iii) [78], cujo trabalhodescreve uma simulação de dinâmicas espaço-temporal da urbanização com sistemasmultiagentes em um estudo de caso da região metropolitana de Phoenix nos EstadosUnidos.

1.1 Contextualização

Com o intuito de promover a participação de cidadãos no processo de decisão dogestor público o projeto ADGEPA (Assistente Digital de Gestão Pública Participativa) foiproposto para tratar questões ambientais, sociais e econômicas. O ADGEPA é um projetoinovador para suporte à tomada de decisão participativa em gestão pública. Além de podermudar a forma com que o cidadão participa da evolução de sua cidade ou estado com umaforma prática e fácil pode também ajudar os gestores públicos a tomar decisões baseadasem métodos científicos.

Os objetivos do projeto ADGEPA são: (i) criar um canal de comunicação entrecidadão e gestor público; (ii) auxiliar o gestor na tomada de decisão; (iii) promover ges-tão pública participativa pela inserção da maioria dos anseios populares em tomadas dedecisão. Este projeto não se preocupa em determinar valores monetários para investimen-tos, apenas identificar e ranquear os aspectos mais significantes para mitigar os problemassocioambientais mais relevantes aos seus usuários.

1Bottom-up é a construção de políticas ou tomadas de decisão elaboradas pelos cidadãos para chegar atéo topo da administração.

1.2 Motivação 14

Especificamente, pretende-se implementar (i) uma aplicação web responsivapara que usuários marquem suas denúncias em um mapa com o objetivo de coletar de-núncias acerca de problemas socioambientais e (ii) uma rede de sensores2 para coletardados atmosféricos. A partir de uma base de dados populada, pretende-se agrupar dadosde acordo com critérios espaciais; em seguida, por critérios temporais - para se encon-trar regras de associação entre dados socioambientais, temporais e espaciais. Por último,utiliza-se análise multicritério sobre os dados encontrados com a mineração (agrupamen-tos e identificação de associações) [71]. Mais detalhes sobre o projeto ADGEPA podemser encontrados na Seção 3.1.

1.2 Motivação

Para muitos administradores públicos, a integração de dados provindos de diver-sos setores é um desafio árduo. Muitos órgãos públicos definem seus objetivos e estraté-gias em consonância com os seus próprios bancos de dados e análises. Acredita-se que adescoberta de novas correlações entre fatores socioambientais, temporais e espaciais sejamuito importante haja vista que esta nova informação pode ser útil para descoberta deestratégias que podem ser mais eficientes para mitigar ou solucionar problemas socioam-bientais.

Um segundo aspecto importante é a possibilidade de promover o envolvimentode pessoas em gestão pública pela escuta de suas reclamações e opiniões sobre aspectossocioambientais em suas cidades. Práticas participativas apresentam uma vantagem sobreas não participativas: desde que pessoas se tornam participativas, elas aprendem sobre oassunto em questão (trabalhos como [1] e [70] já demonstraram isso). Nesse sentindo, aprincipal motivação deste trabalho foi integrar a participação do cidadão, estimulandoa gestão pública participativa, com um sistema capaz de auxiliar tomada de decisõesbaseadas em métodos científicos como Descoberta de Conhecimento em Base de Dadose Tomada de Decisão Multicritério.

1.3 Desafios

A maioria dos trabalhos citados anteriormente investigaram (i) comportamentoshumanos em negociações sobre uso de recursos, (ii) suporte computacional e suporte deagentes inteligentes em tomada de decisão humana, (iii) aprendizagem humana em ge-renciamento de recursos e (iv) ranqueamento de alternativas ou aspectos importantes em

2É importante ressaltar que o desenvolvimento e os testes da rede de sensores não fazem parte destetrabalho de mestrado e são realizados por outros integrantes do grupo de pesquisa do ADGEPA.

1.4 Objetivos 15

decisões complexas. Estes trabalhos foram importantes e apresentaram suas contribui-ções. Entretanto, até onde o autor deste trabalho investigou, nenhum deles integram emum mesmo trabalho gestão pública participativa, 3 suporte à decisão e correlações espaci-ais, temporais e de aspectos socioambientais (por exemplo, poluição de água e exploraçãode florestas; poluição do ar e época do ano; e iluminação pública, segurança e momento).

1.4 Objetivos

O objetivo deste trabalho de mestrado é apresentar uma proposta de AgenteMinerador e Agente de Suporte à Decisão e como fazer a interface entre eles, que sãomostrados e estão em destaque na Figura 3.1. O AM faz uso de técnicas de mineraçãode dados e o ASD faz uso de análise multicritério para apontar problemas relevantes.Para facilitar a compreensão do trabalho, foi apresentado na Seção 1.1 o contexto em queeste se insere: o projeto ADGEPA(Assistente Digital para Gestão Pública Participativa),juntamente com os seus módulos e um modelo de simulação multiagentes.

1.5 Metodologia

Uma denúncia é composta por coordenadas, aspecto socioambiental, dado tem-poral e o autor da denúncia. O AM agrupa denúncias de acordo com coordenadas (issodefine microrregiões em um mapa). Então, esses grupos são reagrupados por intervalostemporais. Assim, cada novo grupo significa um conjunto de denúncias em uma locali-dade muito próxima e em momento muito próximo - isso representa um registro. Portanto,a saída de dados do AM é um arquivo do tipo csv (comma separated value) em que todosos aspectos socioambientais são considerados como campos e possuem valores bináriospara indicar existência ou não do aspecto.

Por questão de tempo, a coleta de denúncias, não foi feita por usuários reaisusando o aplicativo web e nem pelo simulador SMA. Foi gerado um arquivo CSV porum programa feito em Java para gerar marcações que representem denúncias aleatóriasem uma determinada região do mapa. Este programa recebe como entrada de dados ascoordenadas X e Y nas quais as denúncias ocorrerão e o intervalo de tempo. Por meiodeste programa, foram geradas 100.000 denúncias em uma microrregião do mapa, geradopelas coordenadas informadas no programa. Foi levado em consideração um mês do ano(30 dias). O arquivo CSV foi usado como entrada para o Agente Minerador que fazuso da API do Weka para a geração de agrupamentos espaciais e temporais. A partir

3Gestão Pública Participativa é uma gestão em que membros da sociedade civil e representantes declasses são convidados a participar dos processos de tomada de decisão.

1.6 Contribuições 16

destes agrupamentos foi gerado um data warehouse, em arquivo CSV, no qual armazenaquantas ocorrências cada indicador possui em cada cluster espaço-temporal. Este datawarehouse foi usado posteriormente para calcular o suporte e a média de confiança decada indicador. Os indicadores com maior confiança foram ranqueados para que o métodomulticritério Soma Ponderada fosse aplicado. Nas subseções 3.2 e 3.3 são detalhados oAgente Minerador e o Agente de Suporte à Decisão. Mais detalhes sobre a metodologiadeste trabalho podem ser encontrados no Capítulo 3.

1.6 Contribuições

Entende-se que as contribuições deste trabalho de mestrado são: (i) a possibili-dade de auxiliar descoberta de padrões e correlações entre aspectos socioambientais quenão são muito óbvias e que podem variar de comunidade para comunidade; (ii) a revi-são sistemática de trabalhos relacionados; (iii) as implementações e resultados do AgenteMinerador e Agente de Suporte à Decisão. Estas contribuições poderão auxiliar o ges-tor público a tomar decisões sistêmicas que além de atacar o problema principal de umadeterminada região diminuirá ou solucionará também problemas de outros aspectos.

1.7 Organização da Dissertação

No Capítulo 2, são apresentadas as fundamentações teóricas e os trabalhos rela-cionados. No Capítulo 3, o funcionamento do AM e ASD são explicados detalhadamentee os resultados são apresentados. No Capítulo 4, a discussão, a conclusão e os trabalhosfuturos são apresentados respectivamente.

CAPÍTULO 2Fundamentação Teórica e TrabalhosRelacionados

A gestão pública é um termo que designa um campo do conhecimento relaci-onado às organizações responsáveis pelo desenvolvimento urbano e econômico de umacidade cuja missão seja de interesse público. A gestão pública abrange áreas como recur-sos humanos, finanças públicas e políticas públicas [57].

A eficácia da gestão pública não depende só de gestores competentes, mastambém bem-intencionados que utilizem um sistema de gestão que otimize os esforçosdo governo e da sociedade pelo uso dos recursos atuais de sistemas de informação. Estesrecursos que possibilitaram avaliações, prestações de contas on-line, a implementaçãodo sistema de IRPF (Imposto de Renda de Pessoa Física) e IRPJ (Imposto de Renda dePessoa Jurídica) e as avaliações de estágio probatório. Dificilmente seriam apuradas coma qualidade dos dias atuais no Brasil.

2.1 Gestão pública no Brasil

O processo decisório para gerir o Brasil até o final da década de 80, durante operíodo da ditadura militar, era composto por três elementos: o clientelismo, o corpo-rativismo e o burocratismo Diniz (1996) [29]. Surgiram novas formas de articulação dasociedade civil através de movimentos em busca da democratização para tentar superar arigidez derivada da burocratização estatal e a hierarquização excessiva dos processos de-cisórios. As consequências deste formato antigo de gestão pública eram a baixa eficiênciae baixa efetividade.

A gestão pública no Brasil começou a ganhar novos contornos no início dadécada de 90, após a Constituição Federal em 1988, ser redesenhada, e também pelaconsolidação do sistema democrático representativo após a ditadura militar. A partir desteredesenho institucional, o novo formato instituiu a descentralização da administraçãopública e a participação da sociedade civil no controle da ação dos governos como umaforma de democratização dos processos decisórios.

2.1 Gestão pública no Brasil 18

A primeira foma de democratizar os processos decisórios foi por meio deconselhos gestores com processos interativos fortalecidos pelo inciso II do artigo 204da Constituição Federal do Brasil [14], que deixa claro que a participação da população,por meio de organizações representativas, na formulação das políticas e no controle dasações em todos os níveis é diretriz para as ações governamentais. É importante ressaltarque este processo de mudança no cenário político brasileiro não foi construído de formaespontânea e pacífica.

No Brasil, vários são os instrumentos usados para permitir e incentivar a parti-cipação cidadã e influenciar no modelo local de desenvolvimento das cidades. Todos, deuma forma ou de outra, podem apontar para um futuro mais ou menos sustentável. Den-tre esses instrumentos, é possível destacar três mecanismos: o orçamento participativo, oplano diretor e a Agenda 21. Todos em sua origem estão fundados na exigência de par-ticipação efetiva da população nas suas deliberações, sendo inclusive, em alguns casos aparticipação, como na elaboração do orçamento e do plano diretor, condição de validadedos seus respectivos produtos de elaboração, ou seja, as Leis.

O orçamento participativo é um caso de sucesso após sua adoção pela Prefeiturade Porto Alegre. As principais características do orçamento participativo residem naorganização e realização de audiências públicas em várias regiões administrativas dacidade, onde são deliberadas as demandas prioritárias de atuação da prefeitura e eleitosos delegados que acompanharão a implementação do orçamento do município.

Os benefícios do orçamento participativo foram: o efeito redistributivo dasações da administração e da implementação de políticas públicas; maior transparênciana atuação da administração pública com relação à aplicação do orçamento; e origem aoEstatuto das Cidades e a Lei Complementar Federal 101/2001, conhecida como Lei deResponsabilidade Fiscal.

Para fortalecer a gestão pública participativa há vários desafios que precisamser superados, por exemplo, uma ampla reforma política que possa aperfeiçoar os me-canismos da democracia direta e participativa e profundas mudanças no sistema político-partidário e eleitoral capazes de remodelar o exercício da democracia representativa na di-reção de práticas republicanas e voltadas no sentido de responder aos legítimos interessesda sociedade fundados nos princípios da equidade e justiça social e no aprofundamentoda construção democrática.

Outro desafio é a democratização da informação e dos meios de comunicação.Esta é uma condição indispensável para avançar em ações de formação para cidadania,que possam ir incorporando contingentes cada vez maiores de pessoas no exercíciode uma cidadania ativa em relação a coisa pública. Para esse último desafio existe,atualmente, o conceito de dados abertos governamentais, apresentados na Seção 2.1.4.


2.1.1 Gestão pública participativa

Segundo Teixeira, participação significa “fazer parte”, “tomar parte”, “ser parte”de um ato ou processo, de uma atividade pública, de ações coletivas [76]. SegundoRocha (2009), a participação na esfera pública é importante pelo conteúdo pedagógico,principalmente, para a construção de uma ética social que contribua significativamentepara o reordenamento da gestão pública e propicie a passagem de uma cultura de favoresa uma cultura de direitos [66].

A gestão democrática tem previsão constitucional de participação do cidadão naadministração pública. Isto é explícito no parágrafo único do art. 1o: “Todo o poder emanado povo, que o exerce por meio de representantes eleitos ou diretamente, nos termos destaconstituição” [14].

O Estatuto das Cidades adota a gestão participativa obrigatória para a elaboraçãodo Plano Plurianual, da Lei de Diretrizes Orçamentárias e da Lei Orçamentária Anual[19]. A própria Constituição Federal determina que o planejamento municipal tenhaa cooperação de associações representativas (CF, art. 29, inciso XII) e o Estatuto dasCidades adota a gestão orçamentária participativa (Lei 10.257/2001, art. 4o. , inciso III,alínea “f”).

Um aspecto importante da gestão participativa é a possibilidade de promover oenvolvimento de pessoas em gestão pública pela escuta de suas reclamações e opiniõessobre aspectos socioambientais em suas cidades. Práticas participativas apresentam umavantagem sobre as não participativas: desde que pessoas se tornam participativas, elasaprendem sobre o assunto em questão (trabalhos como [1] e [70] já demonstraram isso)e como consequência, resultados tendem a ser mais duradouros. São condições para umagestão participativa:

• Produzir e repassar à população as informações de governo necessárias para atomada de decisão sobre o orçamento. Na prática isso significa - produzir e divulgarinformações necessárias à participação com uma preocupação didática e linguagemadequada para compreensão da população.

• Criar dentro e fora do governo canais institucionais para facilitar e estimular aparticipação ativa e contínua da população no processo orçamentário. Capacitaras pessoas envolvidas no orçamento participativo na matéria orçamentária.

2.1.2 Vantagens

A participação promove o desenvolvimento das próprias qualidades que lhe sãonecessárias, já que, conforme Pateman [62], “quanto mais os cidadãos participam melhorcapacitados eles se tornam para fazê-lo”. É necessário à democratização da gestão públicaa participação dos cidadãos na vida pública pois isso lhes torna aptos para intervir nos


processos de discussão e deliberação de seus interesses. Além da vantagem da ampliaçãodo poder do cidadão, a gestão participativa visa garantir a efetividade da democracia, poiso cidadão interfere no processo que afetará a sociedade civil.

2.1.3 Desvantagens

Uma desvantagem é que ainda existem muitos fatores que condicionam o exercí-cio da participação da sociedade nos processos decisórios o que faz com que apenas umaminoria interfira nos mesmos. Segundo Benevides [27], os fatores de condicionamentoestão relacionados à própria estrutura de poder, característica da sociedade brasileira, queconcentra as decisões nas mãos de uma elite minoritária, dificultando o acesso da popula-ção ao processo de tomada de decisões e, também, a divisão entre a esfera estatal e a civil,pois tradicionalmente, supõe-se que o poder estatal é o promotor do desenvolvimento so-cial e a sociedade civil apenas beneficiária. A maior parte dos cidadãos brasileiros aindanão está despertada para a importância da participação da sociedade nas decisões coleti-vas.

Para que o cidadão seja capaz de fazer parte da gestão, é necessário que ogoverno disponibilize informações de forma simples e clara e também de criar e divulgarcanais de comunicação entre o governo e sociedade civil. Para isso, é necessário usar osrecursos dos sistemas de informações atuais como as redes sociais e também de aberturade dados na web. Algumas ações ainda estão sendo iniciadas no Brasil, por exemplo,o “Open Government Data” e devem ser incentivadas, por exemplo o aplicativo “Sigaseu vereador” para acompanhamento das ações do vereador [45]; “Painel do PAC” paraacompanhamento das obras do Programa de Aceleração do Crescimento [48]; “Para ondefoi meu dinheiro” que demonstra de uma forma gráfica e interativa como orçamento foiexecutado, na esfera federal e no estado de São Paulo [60].

Segundo Pedro Pontual [23], há uma corrente de pensamento que ao se ateràs dificuldades e obstáculos enfrentados pelos conselhos de gestão tende a uma visãoderrotista de que eles “nada podem” chegando, em alguns casos, a questionar se teriavalido a pena tanto investimento nos canais institucionais, se continua válido apostar-seneste tipo de participação para se alcançar a democratização das políticas públicas.

2.1.4 Desafios e Projetos de Gestão Pública Participativa

Vários projetos em que a participação do cidadão é passiva, isto é, ele faz apenasum acompanhamento do que o governo tem feito pelo município ou estado devido umatendência de deixar os dados do governo abertos. “Dados abertos” é apenas um de váriosrótulos com o prefixo “aberto”. Governo aberto, acesso aberto, inovação aberta, educaçãoaberta e conhecimento aberto são algumas outras iniciativas e movimentos nesta área. Por


outro lado, as narrativas de “governo aberto” têm sido geralmente entendida como umareação a antigas culturas de sigilo governamental, e, mais recentemente, para o espaçolimitado para a participação do cidadão na tomada de decisões [88].

“Dados abertos” é apenas um de vários rótulos com o prefixo “aberto”. Governoaberto, acesso aberto, inovação aberta, educação aberta e conhecimento aberto são algu-mas outras iniciativas e movimentos nesta área. Por outro lado, as narrativas de “governoaberto” têm sido geralmente entendida como uma reação a antigas culturas de sigilo go-vernamental, e, mais recentemente, para o espaço limitado para a participação do cidadãona tomada de decisões [88].

Segundo Davies [22], existem três leis dos dados abertos governamentais:

1. Se o dado não pode ser encontrado e indexado na web, ele não existe;2. Se não estiver aberto e disponível em formato compreensível por máquina, ele não

pode ser reaproveitado;3. Se algum dispositivo legal não permitir sua replicação, ele não é útil;

Existem diversas vantagens de ter os dados do governo abertos:

• transparência e controle democrático;• participação popular;• empoderamento dos cidadãos;• melhores ou novos produtos e serviços privados;• inovação;• melhora na eficiência de serviços governamentais;• melhora na efetividade de serviços governamentais;• medição do impacto das políticas;• conhecimento novo a partir da combinação de fontes de dados e padrões.

No Brasil, existe o Portal Brasileiro de Dados Abertos que é a ferramentadisponibilizada pelo governo para que todos possam encontrar e utilizar os dados e asinformações públicas. O portal também tem o objetivo de promover a interlocução entreatores da sociedade e o governo para pensar a melhor utilização dos dados em prol deuma sociedade melhor.

No Portal Brasileiro de Dados Abertos é possível encontrar dados da saúde suple-mentar, do sistema de transporte, de segurança pública, indicadores de educação, gastosgovernamentais, processo eleitoral, etc. O portal funciona como um grande catálogo quefacilita a busca e uso de dados publicados pelos órgãos do governo. Atualmente, o portaldisponibiliza o acesso à uma parcela dos dados publicados pelo governo.

O plano estratégico prevê que nos próximos 3 anos o portal disponibilize acessoaos dados publicados por todos os órgãos do governo federal, além de dados das esferas


estaduais e municipais. A principal motivação para a criação do Portal Brasileiro de Dadosabertos foi o sancionamento da Lei de Acesso a Informação Pública de 2011 [20], queregula o acesso a dados e informações detidas pelo governo.

Dentre projetos nos quais o cidadão participa de maneira passiva, há um projetochamado “Tax Tree” [18], da Finlândia que trabalha o conceito de transparência e o“Where Does My Money Go” (Para onde vai o meu dinheiro) [34], da Grâ-Bretanha. Estesdois projetos mostram como os recursos dos impostos estão sendo gastos pelo governo.

Os dados abertos se mostraram importantes também na Dinamarca, onde umprojeto chamado “Find Toilet” (Procurar um banheiro) [58] mostra um mapa com osbanheiros públicos do país para ajudar indivíduos, que tem determinados problemas desaúde, a sair de casa mais vezes. Na Holanda, o projeto “Vervulings Alarm” [4] avisa comuma mensagem se a qualidade do ar da vizinhança está perto de atingir um nível muitoprejudicial.

Um dos pontos mais interessantes dos dados abertos é permitir a criação de novosconhecimentos por meio de combinação de dados que podem criar novos campos deaplicação – como em Londres no século XIX, quando o médico John Snow descobriua relação entre poluição da água e cólera ao combinar dados sobre mortes por cólera coma localização de fontes de água, o que levou à construção do sistema de esgoto londrino.

No Brasil, existe o projeto CMSP [56], um projeto criado pelo desenvolvedorMaurício Maia. Este projeto traz uma nova visualização das prestações de contas dispo-nibilizadas no sítio da Câmara Municipal de São Paulo. Antes da existência deste projeto,era difícil realizar consultas sobre as prestações de contas. Esta dificuldade impedia acomparação entre contas de diferentes vereadores. Maurício Maia também criou o pro-jeto “Alagamentos” [55], que reorganiza dados públicos sobre incidências de alagamentosna cidade de São Paulo. Com este recurso o usuário que usa o Twitter pode ser informadosobre novos pontos de alagamento para que ele evite certas vias perigosas nos dias dechuva ou congestionadas.

Há também projetos que dependem da participação ativa do cidadão e já estãofuncionando em diversos lugares do mundo. Dentre eles, pode-se citar alguns como oSpotCrime e Cidadão Participativo. SpotCrime é um agregador de dados sobre crimesque mapeia incidentes criminais e os plota no Google Maps, e enviando alertas via e-mail, redes sociais como Facebook e Twitter, SMS e RSS. Veja na Figura 2.1 a interface

do site do projeto. Os dados provêm de departamentos de polícia, reportagens e conteúdogerado pelo usuário. O objetivo do SpotCrime é fornecer informações mais precisas sobrecrimes para o público[75].


Figura 2.1: Site do Projeto SpotCrime.

O Cidadão Participativo é um sistema que permite que a população interajacom um mapa, como mostrado na Figura 2.2, criando ocorrências divididas em duascategorias: Denúncias e Locais Acessíveis. Em Denúncias o usuário pode indicar osproblemas em sua região; já em Locais Acessíveis ele pode mostrar locais que atendemrequisitos para acessibilidade. Com isso é possível mapear as regiões deficientes deajudas e alertar o representante político sobre o assunto. O sistema também possibilitaacompanhar os status das ocorrências e saber seu andamento. O sistema foi implantandona cidade de Goiânia e é mantido pela Assembleia Legislativa [25].

2.2 Tomada de Decisão Multicritério 24

Figura 2.2: Site do Projeto Cidadão Participativo.

2.2 Tomada de Decisão Multicritério

Para consolidar gestão pública participativa é necessário método de tomadade decisão que seja possível que vários stakeholders possam influenciar no apoio àtomada de decisão. Para isto não podem ser considerados apenas aspectos econômicos,mas também sociais e ambientais. O número de organizações, seja governamentais ouprivadas, que estão empenhadas ao estudo e à análise de decisões, cresce bastante.Instituições de várias áreas criam grupos de “Apoio à Tomada de Decisão”, os quaisreúnem matemáticos, estatísticos, cientistas da computação, economistas e especialistasem Pesquisa Operacional. Segundo Gomes [39], a Pesquisa Operacional é um métodocientífico de tomada decisões que procura aperfeiçoar as operações existentes visandofornecer subsídios racionais. A Pesquisa Operacional é composta por um conjunto dedisciplinas, tais como Programação Linear, Teoria das Filas, Simulação, ProgramaçãoDinâmica, Teoria dos Jogos, etc.

2.2.1 Etapas para tomada de decisão

Segundo o documento Multi-criteria analysis: a manual [28], criado pelo go-verno britânico, as etapas para tomada de decisão consistem em:

• Identificação dos objetivos: A primeira etapa é identificar os objetivos. Boas deci-sões precisam de objetivos claros. Os objetivos precisam ser específicos, mensurá-veis, aceitos, realísticos e dependentes do tempo. Algumas vezes é usual classificarobjetivos de acordo com seus níveis.

• Identificação de opções para alcançar os objetivos: Uma vez que os objetivosforam definidos, o próximo passo é identificar opções que podem contribuir para


alcançar estes objetivos. Opções podem variar de políticas amplas, como novas pri-oridades ambientais para o setor de transporte, através da escolha de determinadaslinhas de rotas para as estradas ou a seleção de projetos individuais para melhorara qualidade da água. Opções potencialmente sensíveis precisam então ser desen-volvidas em detalhe. Isso pode variar de formulação de políticas amplas, tais comoa concepção da política fiscal, através do projeto mais detalhado de investimentosindividuais. Isto pode ser um “feedback” importante para a fase de concepção detodas as fases subsequentes da avaliação.

• Identificação dos critérios para comparação das opções: O próximo passo édecidir como serão comparadas as diferentes opções. Isto requer a seleção decritérios para refletir o desempenho no cumprimento dos objetivos. Cada critériodeve ser mensurável, no sentido de que deve ser possível avaliar, pelo menosno sentido qualitativo, o quanto uma opção em particular tem relação com umdeterminado critério.

• Análise das opções: Formas comuns de analisar opções no governo são análisefinanceira e relação custo benefício, análise científica de provas relevantes. E par-ticularmente quando há incerteza científica, uma gama de opinião ou implicaçõespotencialmente significativas para áreas sensíveis de ordem pública.

• Tomada de decisão: O passo final é o processo de tomada de decisão para escolheruma determinada opção ou opções.

2.2.2 Métodos para tomada de decisão

Existem segundo o manual Multi-criteria analysis: a manual [28], métodosbaseados em:

• Análise financeira: A análise financeira é uma avaliação do impacto de umaopção nos custos e receitas financeiras da organização. Para qualquer propostasignificativa do departamento ou órgão competente será geralmente realizar umaanálise financeira dos impactos sobre o seu próprio orçamento, e em públicodespesas.

• Análise de custo efetividade: A análise de custo efetividade é uma avaliação doscustos das opções que podem atingir o mesmo objetivo. Os custos não precisam serestritamente financeiros. Quando há opções alternativas para alcançar um objetivoespecífico, a análise de custo eficácia pode ser usada para avaliar o caminho demenor custo para atingir o objetivo. Cuidados devem ser tomados para que aqualidade não seja negligenciada.

• Análise de custo-benefício: A análise de custo-benefício é uma avaliação de to-dos os custos e benefícios das opções alternativas. Ela visa valorizar os impactos


esperados de uma opção em termos financeiros. As avaliações se baseiam na dispo-sição de pagar dos potenciais beneficiados para os benefícios que receberão comoresultado da opção, e a vontade de potenciais não beneficiados em aceitar compen-sação pelas perdas que poderão ocorrer. Em princípio, um projeto é desejável seos benefícios excedem as perdas, devidamente descontadas ao longo do tempo. Aanálise de custo-benefício tem grandes atrativos como uma ferramenta para orientaras políticas públicas, pois considera os ganhos e perdas para todos os membros dasociedade e valoriza os impactos em termos de uma escala de medida simples: odinheiro.

Frequentemente, a análise de custo-benefício é criticada por razões políticasou filosóficas. As decisões baseadas somente na análise do ponto de vista financeiropodem deixar de lado os impactos ao meio ambiente e desconsiderar o desenvolvimentosustentável.

Existem diversas situações em que o aspecto financeiro não pode pesar sozinhopara uma tomada de decisão. Um exemplo deste tipo de situação é a de estrada e outrosmeios de transporte e infraestrutura. Análise custo-benefício tem sido usada para avaliaro investimento em estradas no Reino Unido desde o início da década de 1960, emboratenha havido extensos estudos de avaliação das consequências ambientais de rodovias eoutros sistemas de transporte.

No entanto, é amplamente reconhecido que esquemas de investimento nos trans-portes têm grandes consequências ambientais que são relevantes para a tomada de decisãopública, e não há avaliações geralmente aceitas para estes efeitos ambientais, da mesmaforma que existem para os valores de tempo de viagem e os valores de acidentes. Paraeste tipo de situação é interessante utilizar técnica de análise multicritério.

Os métodos de decisão multicritério, atualmente, são importantes pois a com-plexidade das decisões é alta. Isto acontece devido à existência de vários fatores queinfluenciam a escolha de qual estratégia usar para a resolução do problema. Problemasem que vários critérios devem ser levados em conta possuem as seguintes características,segundo Gomes [39]:

• Os critérios de resolução do problema são em número de, pelo menos, dois econflitam entre si;

• Tanto os critérios como as alternativas de solução não são claramente definidos e asconsequências da escolha de dada alternativa com relação a pelo menos um critérionão são claramente compreendidas;

• Os critérios e as alternativas podem estar interligados, de tal forma que um critérioparece refletir parcialmente outro critério, ao passo que a eficácia da escolha de umaalternativa depende de outra alternativa ter sido ou não também escolhida, no casoem que as alternativas não são mutuamente exclusivas;


• A solução do problema depende de um conjunto de pessoas, cada uma das quaistem seu próprio ponto de vista, muitas vezes conflitante com os demais;

• As restrições do problema não são bem definidas, podendo mesmo haver algumadúvida a respeito do que é critério e do que é restrição;

• Alguns dos critérios são quantificáveis, ao passo que outros só o são por meio dejulgamentos de valor efetuados sobre uma escala;

• A escala para dado critério pode ser cardinal, verbal ou ordinal, dependendo dosdados disponíveis e da própria natureza dos critérios;

• Várias outras complicações podem surgir num problema real de tomada de decisão,mas esses sete aspectos anteriores caracterizam a complexidade de tal problema.Em geral, problemas dessa natureza são considerados mal estruturados.

2.2.3 Método para análise multicritério Soma Ponderada

O método da soma ponderada (MSP) é provavelmente o mais antigo e maisamplamente usado. O MSP pode ser aplicado sem dificuldades em problemas de umaúnica dimensão no qual todas as unidades de medida são idênticas (por exemplo, reais,horas, quilometragem, etc) [59]. O MSP é estruturado da seguinte forma:

• m ações: A1, A2, A3...Am

• n critérios: C1, C2, C3...Cn

• Vetor de pesos: (W1, W2,...Wn) e Wj > 0• ai j = U j (Ai): é a função de utilidade. Estes dados representam a performance de

cada ação sobre cada um dos critérios.

Para se ter uma soma ponderada, é necessário ter em conta apenas critérios a sermaximizados ou minimizados. Um exemplo, disponível na Wikipedia,1 supõe o seguinteassunto de decisão: Mobilidade Responsável e desenvolvimento de infraestrutura para odesenvolvimento sustentável e os seguintes critérios:

• C1: Clima atraente: Se um território tem um clima ameno, com leves chuvas,promove o movimento de pedestres e transporte sem problemas (ciclismo). Estima-se a partir do número anual de temperatura média, de horas de sol e chuva. Este éum exemplo de critério que deve ser maximizado.

• C2: Acessibilidade a pé ou de bicicleta: Se as diferentes partes da cidade sãofacilmente acessíveis a pé ou de bicicleta, se o terreno é íngreme ou baixo: promoveo uso de caminhada e ciclismo. Seu indicador é a porcentagem de quem anda a pémais a porcentagem de quem anda de bicicleta. Este critério deve ser maximizado.

1http://fr.wikipedia.org/wiki/Méthode_mathématique_d’analyse_multicritère


• C3: Transporte público: A utilização dos transportes públicos está relacionadacom a comunidade local e a política que tem promovido o seu desenvolvimento: eleé de fato um indicador de apoio público para tal transporte. Este critério deve sermaximizado.

• C4: Uso de veículos particulares: O uso de veículos particulares é um indicadorda cidade, por um lado, a sua acessibilidade, e do comportamento dos habitantesurbanos ligados a vários fatores: é caracterizado pela porcentagem de uso do carroem mobilidade . Este critério é minimizado.

• C5: Mobilidade: Número de viagens por dia per capita. Ela expressa um interesseou necessidade dos habitantes se deslocarem de um lugar para o outro. Este critérioé minimizado.

• C6: Perfil da população: O indicador dado é a percentagem da população commais de 60 anos. Este critério deve ser maximizado.

Neste caso, os critérios C1, C2, C3 e C6 devem ser maximizados e os critériosC4 e C5 minimizados. Para aplicar o método da Soma Ponderada, deve-se então aplicaros passos descritos na Seção 3.3.

2.2.4 Método para análise multicritério AHP (Analytic HierarchyProcess)

O método AHP (Analytic Hierarchy Process) pertence à família dos métodosmulticritérios com a finalidade de auxiliar no processo de tomada de decisão. Tem comobase a representação de um problema complexo através de uma estruturação hierárquica,que consiste da definição do objetivo global e decomposição do sistema em vários níveis,o que possibilita a visualização do sistema como um todo e seus componentes.

Segundo Gomes[39] O AHP é uma poderosa e flexível ferramenta de tomadade decisão que sistematiza a definição dos pesos desses critérios. A atribuição de pesosaos critérios no método AHP, criado por Thomas L. Saaty, é baseada na comparaçãoparitária dos critérios considerados. Isso é feito por meio das perguntas: Qual destescritérios é o mais importante? Quanto este critério é mais importante que o outro? Odecisor responderá a esta última pergunta com o número que relata a expressão verbal.Nesse método, é utilizada a escala de 1 a 9, proposta pelo autor do método. O métodoAHP tem como origem a escala da razão.

O valor 1 é designado quando as duas alternativas comparadas contribuemigualmente para o objetivo, o valor 3, quando uma alternativa é considerada fracamentemais importante que a outra, segundo o critério considerado, e assim sucessivamente. Seuma alternativa Ai tem um valor de importância em comparação à alternativa A j, então A j

terá o valor recíproco quando comparada com Ai.


Considerando o problema de analisar n alternativas por um decisor ou grupo dedecisores, tem-se o objetivo de designar julgamentos das importâncias relativas dessasalternativas, quantificando esses julgamentos com o propósito de permitir uma ordenaçãode todas as alternativas. Seja o conjunto de alternativas A1, A2, ..., An. Os julgamentospar a par são representados por uma matriz quadrada de ordem n, A=(ai j), i,j=1, 2, ...,n. Na posição (i,j) representa-se a razão entre os pesos que a alternativa Ai tem sobre A j

em relação a um critério considerado em um nível imediatamente acima da hierarquia.A matriz A é recíproca, ou seja, a ji=1/ai j, ai j‰0 . Ainda, se Ai é considerada de igualimportância relativa que A j, então ai j=a ji=1; em particular, aii=1, para todo i. Assim, amatriz de comparação entre os pares de alternativas tem a forma:

A“

»

—

—

—

—

–

1 a12 . . . a1n

1{a12 1 . . . a2n

. . . . . . . . . . . .

1{a1n 1{a2n . . . 1

fi

ffi

ffi

ffi

ffi

fl

A matriz regista os julgamentos feitos pelos decisores. O problema se concentra, então,em encontrar os pesos w1, w2, . . . , wn de cada alternativa, que reflitam os julgamentosefetuados. Se os julgamentos forem perfeitos em todas as comparações, então aik=ai j.a jk

para quaisquer i, j, k e a matriz será consistente. Essa consistência será obtida, porexemplo, se as comparações forem baseadas em medições exatas, ou seja, se os pesos wi,forem conhecidos. Desta forma, tem-se:

ai j.a jk “wiw j.

w jwk“

wiwk“ aik

a ji “w jwi“ 1

wi{w j“ 1

ai j

Neste caso, a matriz A pode ser representada como segue:

A“

»

—

—

—

—

–

w1w1

w1w2

. . . w1wn

w2w1

w2w2

. . . w2wn

. . . . . . . . . . . .wnw1

wnw2

. . . wnwn

fi

ffi

ffi

ffi

ffi

fl

Multiplicando-se a matriz A pelo vetor

”

w1 w2 . . . wn

ıT

obtêm-se A.w = n.w:


»

—

—

—

—

–

w1w1

w1w2

. . . w1wn

w2w1

w2w2

. . . w2wn

. . . . . . . . . . . .wnw1

wnw2

. . . wnwn

fi

ffi

ffi

ffi

ffi

fl

.

»

—

—

—

—

–

w1

w2

. . .

wn

fi

ffi

ffi

ffi

ffi

fl

“ n.

»

—

—

—

—

–

w1

w2

. . .

wn

fi

ffi

ffi

ffi

ffi

fl

O AHP foi projetado para refletir a maneira como as pessoas pensam, ou seja,identificando objetos e ideias e também as relações entre eles, com o objetivo de decompora complexidade encontrada. Tem como base a representação de um problema complexoatravés de uma estruturação hierárquica, que consiste da definição do objetivo global edecomposição do sistema em vários níveis, o que possibilita a visualização do sistemacomo um todo e seus componentes. A construção de uma hierarquia dependerá dosobjetivos escolhidos para decompor a complexidade daquele sistema. O objetivo principaldeve estar no primeiro nível da hierarquia; os subobjetivos, num nível abaixo; em seguida,os critérios e, finalmente, as alternativas. A estrutura de uma hierarquia simples é mostradana Figura 2.3.

Figura 2.3: Autovetores calculados pelo AHP

Um exemplo simples pode ser visto na Tabela 2.1:Utilizando a escala da razão, é possível obter a seguinte metodologia: conside-

rando os critérios C1, C2 e C3 onde C1 > C2 > C3, é feita pergunta: Quanto C1 é superiora C2? Quanto C2 e é superior a C3? O número de comparações é definido pela fórmula[n x (n-1)] x 2, onde n é o número de critérios. Considerando que C1 = 2 x C2, C2 = 2 xC3 e, consequentemente, C1 = 4 x C3, tem-se a Tabela 2.1 que se segue:


C1 C2 C3

C1 W1˜W1 W1˜W2 W1˜W3

C2 W2˜W1 W2˜W2 W2˜W3

C3 W3˜W1 W3˜W2 W3˜W3

Tabela 2.1: Exemplo de uso do AHP

C1 C2 C3 W

C1 1 2˜1 4˜1 [1 x (2˜1) x (4˜1)] = 8

C2 1˜2 1 2˜1 [(1˜2) x 1 x (2˜1)] = 1

C3 1˜4 1˜2 1 [(1˜4) x (1˜2) x 1] = 0,125

Tabela 2.2: Exemplo de uso do AHP com valores

Efetuando a soma dos valores da coluna W (8+1+0,125) conforme a Tabela 2.2obtemos o valor 9,125. Após isso, efetuando a normalização dos valores, obtêm-se:

• Wc1 = 0,8767.• Wc2 = 0,109.• Wc3 = 0,014.

Esse método só pode ser utilizado quando os critérios tiverem sua importânciaatribuída mediante uma escala de quocionete ou razão [39].

2.2.5 Métodos ELECTRE (Elimination et Choix Traduisant La Rea-lité)

Segundo Medeiros[43], ELECTRE representa uma família de métodos de deci-são para problemas com múltiplos critérios, que reduz o tamanho do conjunto de alternati-vas possíveis, classificando-as conforme o critério de dominância de uma sobre a outra. Ométodo aplica-se principalmente no tratamento de alternativas discretas avaliadas qualita-tivamente e apresenta quatro variantes, sendo, usualmente, por isso, chamado de FamíliaElectre:

• Electre I - método de estruturação;• Electre II - método de decisão;• Electre III - considera os valores associados aos atributos por fuzzy;• Electre IV - baseia-se neste mesmo princípio, aplicando-se a problemas em que o

decisor não deseja estimar pesos para os atributos.


Esses métodos trabalham com famílias de critérios cujos elementos são indepen-dentes. A estrutura inicial para o modelo é uma matriz que organiza os tópicos a seremhierarquizados em linhas e os critérios de hierarquização em colunas. Do ponto de vistada sintaxe dos métodos multicritérios uma família de critérios deve obedecer algumaspremissas para garantir sua validade. Em primeiro lugar, deve se ficar atento para suaexaustividade. O grau de exaustividade deve estar em estreita consonância com os propó-sitos subjacentes à análise e a cada subconjunto de tópicos analisado.

Electre I

Segundo Medeiros[43], Electre I é primeiro método da família para escolafrancesa do apoio multicritério à decisão, desenvolvido inicialmente por Benayoun, Roye Sussman em 1966 e aperfeiçoado por Roy em 1971.

O método utiliza um ordenamento parcial entre as alternativas para cada crité-rio, nos conceitos de aceitação e desacordo nas relações de dominância. O decisor deveconhecer e construir uma relação R, denominada de sobre-classificação (surclassement),sobre o conjunto das alternativas, baseando-se nos seus julgamentos e experiência, defi-nindo sua preferência estrita, preferência fraca ou indiferença. Deve haver razões clarase positivas que justifiquem seja uma preferência, seja uma presunção de preferência, emfavor de uma (bem identificada) das duas ações, mas sem que nenhuma separação signi-ficativa seja estabelecida entre as situações de preferência estrita; de preferência fraca oude indiferença.

A relação de sobre-classificação é usada para formar grafos: cada nó representauma alternativa não dominada. As ligações e a direção entre os nós indicam dominânciaentre as alternativas, correspondendo às preferências do decisor. Somente nós-núcleo, queindicam preferências, são aceitos e escolhidos, os preteridos, sem dominância, podemser eliminados. Pelas relações de preferência entre as alternativas, para cada critério,calculam-se o índice de concordância e o de discordância.

Método Electre II

Segundo Medeiros[43], o método Electre II, desenvolvido por Roy entre os anosde 1968 a 1975 e Roy e Bertier em 1971, apoia-se no completo ordenamento das alterna-tivas não-dominantes, pela construção das relações de sobre-classificação, baseadas naspreferências do decisor. Existem vários níveis de concordância e discordância, que devemser especificados. Com eles, calculam-se a relação forte, dos pontos fortes e a relação dospontos fracos usadas para a construção de dois grafos e para se obter o ordenamento dasalternativas.


Métodos Electre III e Electre IV

Segundo Medeiros[43], o método Electre III é considerado mais sofisticado queo Electre II. A relação de sobre-classificação já é valorada, o que transmite uma menorsensibilidade a variações nos dados e nos parâmetros a fornecer. Também o grau de sobre-classificação passa a ser avaliado pelo agente, pela distribuição de probabilidade comvalor entre 0 e 1, o que a torna mais real, com maior credibilidade. No entanto, tal comoo Electre IV, o método Electre I é de uso mais complicado do que os métodos Electre I eElectre II, pelos inúmeros parâmetros que engloba.

Os métodos Electre III e Electre IV empregam a mesma noção de sobre-classificação, embora mais enriquecida, permitindo chegar-se às soluções de compro-misso entre os distintos critérios intervenientes no problema. Enquanto o método ElectreIII trabalha com relações de sobre-classificação nebulosas ou difusas, o método ElectreIV dispensa o uso de pesos dos critérios. Esses dois métodos, portanto, lançam mão deduas técnicas diferentes, daí ser oportuno, em um Estudo de Caso concreto, efetuar-seuma análise comparativa entre seus resultados.

Como os demais métodos da família Electre, os métodos Electre III e IVtrabalham explicitamente com uma estrutura de modelagem de preferências, segundo aqual compara-se cada duas ações ou alternativas, de modo a obter-se uma das seguintessituações:

• preferência por uma das duas ações;• indiferença entre as duas ações;• incomparabilidade entre as duas ações.

2.2.6 Métodos Promethée (Preference Ranking Method for Enrich-ment Evaluation)

Os métodos da família Promethée constroem uma relação de classificação, tam-bém pela comparação entre pares de atributos, buscando empregar conceitos e parâmetros,que permitam interpretação numérica. No que concerne aos métodos PROMETHEE, umaspecto importante está relacionado à facilidade dos decisores entenderem os conceitos eparâmetros inerentes aos métodos, o que simplifica o processo de modelagem de prefe-rências e, consequentemente, aumenta a efetividade da aplicação do método multicritério.Esse aspecto representa uma grande vantagem dos métodos PROMETHEE sobre outrosmétodos de sobreclassificação, tais como os métodos ELECTRE. A família ELECTREusa os conceitos de concordância e discordância para medir as vantagens e desvantagensentre pares de alternativas; muitas vezes, esses conceitos não são devidamente compreen-didos pelos decisores, dificultando a implementação do método [74]. Na Tabela 2.3 são


mostrados aspectos positivos e negativos de cada método de acordo com Vilas Boas[26],Medeiros[43] e Silva[74].


Mét

odo

Asp

ecto

sPos

itivo

sA

spec

tosN

egat

ivos

Som

apo

nder

ada

•Fa

cilid

ade

deim

plem

enta

ção;

•Fa

cilid

ade

para

estr

utur

aro

prob

lem

a;

•Fá

cile

nten

dim

ento

oqu

epr

opor

cion

atr

ansp

arên

cia;

•Se

nsib

ilida

dea

mud

ança

dees

cala

;

•C

ompe

nsaç

ãoen

tre

crité

rios

;

•A

impo

rtân

cia

rela

tiva

dos

crité

rios

;

AH

P

•Fa

cilid

ade

deim

plem

enta

ção;

•Fa

cilid

ade

para

estr

utur

aro

prob

lem

a;

•Fá

cile

nten

dim

ento

oqu

epr

opor

cion

atr

ansp

arên

cia;

•Só

lida

base

mat

emát

ica;

•U

tiliz

ação

emde

cisõ

esco

mvá

rios

níve

is;

•D

ispo

nibi

lidad

ede

soft

war

epa

rado

wnl

oad

grat

uito

;Uti-

lizaç

ãode

deci

sões

emgr

upo;

•Pe

rmis

são

para

part

icip

ação

dem

ais

deum

ape

ssoa

na

deci

são;

•A

ltoní

veld

eco

mpr

eens

ãoco

ncei

tual

ede

talh

ado

dom

o-

delo

eal

gori

tmo;

•A

ltatr

ansp

arên

cia

nopr

oces

sam

ento

eno

sre

sulta

dos;

Gra

nde

quan

tidad

ede

publ

icaç

ões

cien

tífica

s;

•Pr

opor

cion

ara

nkin

gco

mpl

eto

deal

tern

ativ

as;

•Pr

opor

cion

aso

luçõ

esm

uito

refin

adas

;

•A

mai

orcr

ítica

aoA

HP

refe

re-s

eao

prob

lem

ade

inve

rsão

deor

dem

das

alte

rnat

ivas

;

•N

ãotr

ata

crité

rios

eal

tern

ativ

asde

pend

ente

s;

•N

ãoé

poss

ível

cria

ras

esca

las

deju

lgam

ento

deac

ordo

com

oco

ntex

to;

•Su

bjet

ivid

ade

nafo

rmul

ação

dam

atri

zde

pref

erên

cia;

•D

eve

ser

proc

edid

aum

aan

ális

eac

urad

apa

raid

entifi

car

e

cara

cter

izar

aspr

opri

edad

esdo

sní

veis

dahi

erar

quia

que

afet

amo

dese

mpe

nho

doob

jetiv

om

ais

alto

;

•O

núm

ero

deco

mpa

raçõ

esre

quer

idas

pode

serm

uito

alto

;

•A

ltern

ativ

asin

com

pará

veis

não

são

perm

itida

s;

•O

trab

alho

com

puta

cion

alé

sens

ivel

men

tem

aior

quan

do

seel

eva

onú

mer

ode

alte

rnat

ivas

;

•R

eque

rpr

oced

imen

topa

raes

trut

urar

oqu

estio

nári

ode

perg

unta

se

pref

erên

cias

;


Prom

ethé

eII

•Pr

opic

iaa

mod

elag

emde

pref

erên

cia,

defo

rma

sim

ples

,

pori

sso

defá

cile

nten

dim

ento

para

ode

ciso

r;

•R

eúne

cara

cter

ístic

asin

tere

ssan

tes

para

seu

empr

ego

nos

proc

esso

sde

cisó

rios

típic

osqu

eos

gest

ores

públ

icos

se

envo

lvem

;

•Fá

cile

nten

dim

ento

oqu

epr

opor

cion

atr

ansp

arên

cia;

•Tr

abal

haco

mm

odel

agem

depr

efer

ênci

as-

proc

edim

ento

que

perm

iteo

orde

nam

ento

dasa

ltern

ativ

asse

gund

oos

vá-

rios

crité

rios

epa

râm

etro

s,co

mo

indi

fere

nça,

pref

erên

cia

frac

ae

pref

erên

cia

fort

e;

•N

ãoé

prec

iso

umpr

oces

soin

tera

tivo

exau

stiv

o–

com

ono

s

mét

odos

dean

ális

em

ultic

rité

rio

hier

árqu

ica

–de

atri

bui-

ção

deva

lore

spo

rcad

ade

ciso

rpar

aos

dife

rent

escr

itéri

os

aval

iativ

os;

•O

sm

étod

osPr

omet

hée

tend

ema

prod

uzir

solu

ções

que

priv

ilegi

amal

tern

ativ

asm

ais

bala

ncea

das,

isto

é,qu

eap

re-

sent

amm

aior

dese

mpe

nho

gera

lméd

iono

sdi

vers

oscr

ité-

rios

;

•Pe

rmite

quat

rodi

fere

ntes

form

asde

com

para

ção

entr

eal

-

tern

ativ

as:p

refe

rênc

iase

mhe

sita

ção,

pref

erên

cia

com

he-

sita

ção,

indi

fere

nça

ein

com

para

bilid

ade;

•N

ãoé

poss

ível

ain

dica

ção

dom

érito

glob

alde

cada

alte

r-

nativ

a;


Fam

ília

Ele

ctre

•N

úmer

ode

publ

icaç

ões

cien

tífica

sra

zoáv

el;

•A

dmite

apo

ssib

ilida

dede

que

algu

mas

alte

rnat

ivas

não

seja

mco

mpa

ráve

isen

tre

si;

•É

poss

ível

,com

esse

mét

odo,

indi

carq

uala

alte

rnat

iva

que

oto

mad

orde

deci

são

poss

uim

elho

rafi

nida

de,

ouse

ja,

pode

-se

expr

essa

rum

aop

iniã

odi

ante

doco

ntex

to;

•Pe

rmite

quat

rodi

fere

ntes

form

asde

com

para

ção

entr

eal

-

tern

ativ

as:p

refe

rênc

iase

mhe

sita

ção,

pref

erên

cia

com

he-

sita

ção,

indi

fere

nça

ein

com

para

bilid

ade;

•N

ãoé

poss

ível

trat

arcr

itéri

ose

alte

rnat

ivas

depe

nden

tes;

•N

ãoé

poss

ível

cria

ras

esca

las

deju

lgam

ento

deac

ordo

com

oco

ntex

to;

•N

ãopo

ssib

ilita

rank

ing

com

plet

ode

alte

rnat

ivas

;

•N

ãope

rmite

aav

alia

ção

deco

erên

cia

dos

julg

amen

tos;

Não

hádi

spon

ibili

dade

deso

ftw

are

para

dow

nloa

dgr

a-

tuito

;

•N

ãoé

poss

ível

sua

utili

zaçã

ode

deci

sões

emgr

upo;

•B

aixo

níve

lde

com

pree

nsão

conc

eitu

ale

deta

lhad

odo

mod

elo

eal

gori

tmo;

•B

aixo

níve

lde

com

pree

nsão

refe

rent

eà

form

ade

trab

alho

;

•O

prob

lem

ade

ste

mét

odo

está

nadi

ficul

dade

emco

mpa

-

rar

duas

alte

rnat

ivas

oupo

rfa

ltade

info

rmaç

ãoou

pelo

exce

sso

desu

bjet

ivid

ade

porp

arte

doto

mad

orde

deci

são,

gera

ndo

gran

deim

prec

isão

emsu

are

spos

ta;

•G

rand

enú

mer

ode

parâ

met

ros

pres

ente

sem

seu

dese

nvol

-

vim

ento

,dei

xand

oo

mét

odo

bast

ante

com

plex

oe

dedi

fíci

l

aplic

abili

dade

;

•N

ãopr

opor

cion

aso

luçõ

esm

uito

refin

adas

;

•N

ãoé

poss

ível

ain

dica

ção

dom

érito

glob

alde

cada

alte

r-

nativ

a;

Tabe

la2.

3:C

ompa

raçã

oen

tre

osm

étod

osm

ultic

rité

rio


2.2.7 Trabalhos relacionados

É possível destacar trabalhos recentes que consideram métodos de análise mul-ticritério: (a) [40], em que utilizam o método ELECTRE TRI na gestão da segurançapública com o objetivo de auxiliar a identificar políticas para reduzir a criminalidade emdeterminada região (consideram aspectos como densidade demográfica, crescimento po-pulacional, população vivendo em condições sub-humanas, concentração de renda e IDH- Índice de Desenvolvimento Humano); (b) [50], no qual utilizam o método de AnáliseHierárquica (AHP, do inglês: Analytic Hierarchic Process) para explorar informação, co-nhecimento e preferências de partes interessadas para tratar problemas de manejo florestalcomunitário; (c) [79], cujo objetivo do trabalho está relacionado à escolha de estratégiasde gestão do transporte na cidade de Zagreb (eles também utilizam o método AHP); e(d) [73], no qual utilizam o método PROMETHEE II para auxiliar na descentralização detomadas de decisão e participação de interessados no gerenciamento de bacias hidrográfi-cas; (e) [51], em que utilizam o método ELECTRE III como parte de um framework paraum Sistema de Gerenciamento Sustentável, que está alinhado aos objetivos do desenvol-vimento sustentável da Rio+20, por meio de um estudo de caso que demonstra a gestãodo fluxo de resíduos de uma fabricante de bebidas energéticas; (f) [87], em que utilizam ométodo de suporte à decisão Nebuloso para elaborar um planejamento sustentável para oproblema de lixos eletrônicos; (g) [81], na qual utilizam um modelo baseado no métodomulticritério AHP para uma avaliação rápida e confiável da eficácia do gerenciamento deesgoto produzido por suínos; (h) [3], na qual utilizam o método de Regime de Análise(RA), composto por um conjunto de alternativas e uma matriz com pesos a fim de gerarum ranqueamento dos critérios mais importantes (neste estudo, são levados em considera-ção os aspectos quantitativos e qualitativos, adicionalmente possui dois estudos de casosacerca de causas ambientais, um na Finlândia para tratar a preservação das florestas e umna Itália para o setor da agricultura). Os métodos multicritérios portanto tem sido utiliza-dos em gestão ambiental. Nas décadas de 70 e 80, o foco era realizar controle de poluiçãopor meio de regulações, padrões e mecanismos de controles. Atualmente, a gestão ambi-ental tem sido considerada como um dos vários critérios a serem analisados, ao lado docritério social e econômico. Na Tabela 2.4 há uma comparação entre os trabalhos citados.


Art

igo

Con

text

oA

plic

ação

Met

odol

ogia

Res

ulta

doe

Con

trib

uiçõ

es[4

0]Se

gura

nça

Públ

ica

Solu

ção

depr

oble

mas

decl

assi

fica-

ção

por

mei

ode

crité

rios

soci

ais

eec

onôm

icos

Supo

rte

àD

ecis

ãoG

ISM

ultic

rité

-ri

oE

LE

CT

RE

III

Cla

ssifi

caçã

ode

zona

sde

uma

re-

gião

base

ada

emfa

tore

sso

ciai

se

dem

ográ

ficos

prop

orci

onan

dopl

a-ne

jam

ento

espe

cífic

o;

[50]

Ges

tão

ambi

enta

lTr

atar

prob

lem

asde

man

ejo

flore

s-ta

lcom

unitá

rio

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

com

AH

PG

estã

oPa

rtic

ipat

iva;

Bal

ance

a-m

ento

dos

obje

tivos

dedi

fere

ntes

grup

os;

[79]

Ges

tão

detr

ansp

orte

Ran

quea

men

tode

açõe

spa

ram

e-lh

oria

dotr

ansp

orte

naci

dade

deZ

agre

bco

nsid

eran

doas

pect

osec

onôm

icos

,soc

iais

eam

bien

tais

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

com

AH

PG

estã

oPa

rtic

ipat

iva;

Ran

quea

-m

ento

foi

feito

deac

ordo

com

aspr

iori

dade

sda

cida

dede

Zag

reb;

[73]

Ges

tão

ambi

enta

lG

eren

ciam

ento

deba

cias

hidr

ográ

-fic

asSu

port

eà

Dec

isão

com

Prom

ethe

eII

Ges

tão

Part

icip

ativ

a;

[51]

Ges

tão

ambi

enta

lG

estã

odo

fluxo

dere

sídu

osde

uma

fabr

ican

tede

bebi

das

ener

gétic

asco

nsid

eran

doos

segu

inte

sasp

ecto

s:so

cial

,ind

ustr

ial(

econ

ômic

o)e

am-

bien

tal

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

EL

EC

TR

EII

IG

estã

oPa

rtic

ipat

iva;

Cri

ação

deum

fram

ewor

kpa

rato

mad

ade

deci

são


[87]

Ges

tão

ambi

enta

lPl

anej

amen

tosu

sten

táve

lde

reci

-cl

agem

delix

oel

etrô

nico

cons

ide-

rand

oos

segu

inte

sas

pect

os:s

ocia

l,am

bien

tale

econ

ômic

o

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

com

Lóg

ica

Neb

ulos

ae

AH

PIn

tegr

ação

dede

cisõ

esop

erac

iona

isco

msu

sten

tabi

lidad

e;O

timiz

ação

depe

sos;

[81]

Ges

tão

ambi

enta

lG

eren

ciam

ento

dees

goto

prod

u-zi

dopo

rsuí

nos

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

com

AH

PR

anqu

eam

ento

dos

crité

rios

mai

sim

port

ante

s;

[3]

Ges

tão

ambi

enta

lE

stud

osde

caso

sac

erca

deca

usas

ambi

enta

is,

umna

Finl

ândi

apa

ratr

atar

pres

erva

ção

dasfl

ores

tase

umna

Itál

iapa

rao

seto

rda

Agr

icul

tura

Supo

rte

àD

ecis

ãoM

ultic

rité

rio

mé-

todo

deR

egim

ede

Aná

lise

Ran

quea

men

todo

scr

itéri

osm

ais

impo

rtan

tes

cons

ider

ando

aspe

ctos

quan

titat

ivos

equ

alita

tivos

;

Tabe

la2.

4:C

ompa

raçã

odo

str

abal

hos

rela

cion

ados

2.3 Descoberta de conhecimento em base de dados 41

2.3 Descoberta de conhecimento em base de dados

O KDD, que significa Knowledge Discovery in Databases (descoberta de co-nhecimento em base de dados), vem sendo aplicado em diversas áreas da gestão públicacomo uma das técnicas usadas para lidar com grande massa de dados com a finalidadede fazer descobertas que por meios manuais seriam praticamente impossíveis. Dentrediversas aplicações, pode-se citar a detecção de cartéis em licitações públicas no Bra-sil com agentes de mineração de dados, segundo Ralha e Silva [38]. Um fator limitantepara a detecção de cartéis em licitações é a dificuldade de encontrar soluções efetivas emuma grande massa de dados com milhões de registros de transações financeiras. Técni-cas de mineração de dados, tais como classificação, clusterização e regras de associaçãoassociadas ao uso de Sistemas Multiagente potencializam o poder de processamento deforma distribuída e interativa com agentes de mineração de dados. Pela análise de clusters

descobertos, foi possível verificar fortes indícios de cartelização, no qual a hipótese foireforçada com a aplicação de regras de associação.

Segundo Fayyad et al [77], KDD é um processo, composto de várias etapas,não trivial, interativo e iterativo, para a identificação de padrões compreensíveis, válidos,novos e potencialmente úteis a partir de grande conjunto de dados. Este processo auxiliaem tomadas de decisões em diversos tipos de gestão, inclusive a gestão pública.

O KDD tem sido usado para dar suporte a autoavaliação colaborativa e parti-cipativa em 100 municípios da Carolina do Norte, nos Estados Unidos, para programasque cuidam do bem-estar de crianças. Segundo Kum [52], nos últimos anos, as entidades,que financiam programas sociais, tanto públicas quanto privadas, têm exigido cada vezmais melhores resultados para as crianças em risco social em troca de apoio financeirocontínuo. O foco da autoavaliação é poder mudar políticas e práticas para atingir as metasestabelecidas. A comunidade local e seus representantes podem participar e colaborar noprocesso de avaliação para melhorias nos programas que visam cuidar do bem-estar dascrianças.

As tecnologias de KDD e DW (Data Warehouse) têm sido usadas como ferra-mentas de gestão do conhecimento aplicadas ao processo de compras do governo brasi-leiro pelo portal ComprasNet [24]. Os principais objetivos do Comprasnet são:

• Dar total transparência e permitir o controle pela sociedade das ações e decisõesque envolvam as compras públicas;

• Dotar a Administração Pública de um conjunto de ferramentas voltadas à gestão dascompras e contratos firmados pelas entidades governamentais com os fornecedoresde bens e serviços;

• Dar aos fornecedores maior oportunidade de participação em processos licitatórios,em função do aumento da publicidade e da desburocratização do processo de


cadastramento e de habilitação de fornecedores válido para toda a AdministraçãoPública Federal;

• Reduzir custos e melhorar a qualidade das compras de bens e da contratação deserviços.

Com a aplicação das tecnologias de KDD e DW foi possível descobrir conheci-mentos úteis para a tomada de decisão. Os resultados deste estudo incluem:

• A identificação de padrões que podem subsidiar um novo modelo de comprasgovernamentais;

• Melhora da eficiência e fiscalização do governo a partir do cruzamento de informa-ções que caracterizam irregularidades ou melhores práticas;

• Descoberta ou identificação de novas funcionalidades que permitem visões deCompras, Fornecedores, Empenho e Ata do pregão;

• Cooperação entre usuários que utilizam soluções livres para tratar problemas;• Análises de informações que apoiam o processo decisório de políticas de compras

governamentais, fiscalizações e auditorias.

Além de ser utilizado na administração pública, o KDD vem se destacando nagestão de empresas privadas.

2.3.1 Fases do KDD

O KDD é considerado interativo, pois o ser humano pode controlar o processograças a análise e interpretação de dados e padrões. É considerado iterativo, pois existe apossibilidade de repetições integrais ou parciais do processo com a finalidade de atingirresultados mais refinados.

A primeira etapa do processo de KDD é estabelecer os objetivos e metas para asua aplicação para que sejam possíveis nas etapas posteriores extrair conhecimentos úteis.Como base de dados, comumente se usa o Data Warehouse que surgiu da necessidadede reunir dados de diversas fontes e de administrar um grande volume de informações.Segundo Inmon [46], o DW é “um conjunto de dados baseado em assuntos, integrado,não volátil e variável em relação ao tempo, de apoio às decisões gerenciais”. O DW deveser capaz de responder às consultas avançadas de maneira eficiente e mostrar detalhesimportantes à resposta.

Em seguida, a próxima etapa do processo de KDD é a seleção dos dados querealmente são relevantes para análise posterior. Na etapa de seleção são descartadasinformações irrelevantes, de acordo com os objetivos e metas traçados na etapa anterior,isto é, trata da identificação do que realmente é importante para ser usado na etapaposterior, que é o pré-processamento de dados. Esta fase do processo é uma das mais


importantes, por isso deve ser bem definido o que se pretende estudar para não correr orisco de obtenção de informações inúteis.

A etapa de pré-processamento é considerada uma fase de limpeza dos dados.Nela ocorre a remoção e correção de dados errados ou inconsistentes, além de coletarinformação necessária para modelagem e decisão de estratégias para tratar camposdifíceis de serem tratados. A próxima fase é a transformação dos dados que consistena busca de técnicas para representar dados e métodos de transformação para reduzir onúmero efetivo de variáveis relevantes. Na Figura 2.4 são mostradas as fases do processode KDD.

Figura 2.4: Fases do processo de KDD. Fonte: Adaptado deFayyad et al (1996)

Após a transformação dos dados é iniciada a primeira etapa da mineração dedados com o objetivo de extrair conhecimento útil no contexto da aplicação. A mineraçãode dados também é conhecida como Data Mining, que é quando ocorre a principal etapado processo de KDD, isto é, efetua-se a busca por conhecimentos úteis no contexto daaplicação de KDD (Boente) [13]. Isso se dá pela aplicação de técnicas de InteligênciaArtificial e algoritmos específicos para extrair padrões (modelos) de dados (Frawle,1992). Podem-se tomar como exemplos de técnicas as redes neurais, algoritmos genéticos,modelos estatísticos e probabilísticos. Segundo Boente [13], a escolha da técnica dependedo tipo de tarefa de KDD a ser realizada, que, por sua vez, podem ser: descobertade associação, classificação e predição, análise de padrões sequenciais, agrupamento(clustering), sumarização, regressão ou estimação. Logo abaixo serão explicadas estastécnicas.

Segundo Fayyad [77], a fase de pós-mineração de dados realiza o tratamento deconhecimento obtido e consiste na elaboração, organização e representação do conheci-


mento, para que haja interpretação e avaliação desse mesmo conhecimento pelo gestoviabilizando uma tomada de decisão.

2.3.2 Descoberta de associação

Uma regra de associação é um padrão da forma X Ñ Y , em que X e Y sãoconjuntos de valores. Segue a definição formal de regras de associação segundo segundoHan e Kamber (2006) [42]:

Seja I = I1,I2, ..., IM um conjunto de itens e D os dados da base que contémtransações formadas por itens do conjunto I. Sejam também A e B conjuntos de itens.Uma regra de associação é uma implicação da forma AÑ B na qual AĂ I, BĂ I, e AXB

= φ. A regra A Ñ B se aplica no conjunto de transações D com suporte s, em que s éo percentual de transações em D que contém AYB, isto é, a probabilidade P(AYB). Aregra A Ñ B tem confiança c no conjunto de transações D, no qual c é o percentual detransações em D que contém A que contém também B, isto é, a probablidade condicionalP(A|B).

Uma aplicação prática das regras de associação é analisar qual item é comumentecomprado junto com outro em supermercado com o objetivo de criar estratégias demarketing para aumentar a venda de produtos.

Para analisar a relação entre as variáveis através de regras de associação énecessário fazer o cálculo do suporte. O cálculo de suporte indica a quantidade deocorrências de uma variável levando em consideração a quantidade de registros do banco.

supppXq “registros que possuem X

total de registros(2-1)

O suporte entre duas variáveis X e Y indica a quantidade de registros em que Xe Y aparecem juntos pela quantidade total de registros.

Em seguida, é feito o cálculo da confiança entre uma variável com o restante dasvariáveis que se tem. O cálculo de confiança é a probabilidade de X e Y aconteceremjuntos pela probabilidade de acontecer X, que é calculado para verificar a validade daregra.

con f pX ñ Y q “supppX YY q

supppY q(2-2)

As regras de associação podem ser descobertas pela mineração de dados, em queos dados podem ser simulados via sistemas multiagentes ou aleatoriamente ou já buscarem uma base de dados real.


2.3.3 Classificação e predição

Classificação é o processo de criar modelos (funções) que descrevem e distin-guem classes ou conceitos, baseados em dados conhecidos, com o propósito de utilizareste modelo para predizer a classe que objetos que ainda não foram classificados. O mo-delo construído se baseia na análise prévia de um conjunto de dados de amostragem oude treinamento, contendo objetos corretamente classificados. Um exemplo de sua aplica-ção pode ser encontrada em Cardoso [16], em que grupos de pesquisas já definidos comalguns professores e, a partir da análise de dados das pesquisas de outros professores quenão pertencem a esses grupos, sugerir a sua entrada. Segundo Fayad [77], a classificaçãoconsiste em criar classes (ou categorias) para agrupar itens com características semelhan-tes.

A tarefa de predição possui características semelhantes a classificação, mas comum objetivo mais especifico que é descobrir um valor futuro de um determinado atributo,por exemplo:

• tentar predizer o valor de uma ação na bolsa da valores daqui a 5 meses;• predizer o percentual que será aumentado de tráfego de rede se a velocidade do link

aumentar;

Ainda segundo Larose [53], é possível citar outros exemplos, como:

• Determinar quando uma transação de cartão de crédito é fraudulenta;• Avaliar o risco de um pedido de hipoteca;• Diagnosticar se uma determinada doença está presente;• Determinar se um testamento foi escrito pelo próprio falecido, ou de forma fraudu-

lenta por outra pessoa;• Identificar se certos comportamentos pessoais ou financeiros indica uma possível

ameaça terrorista.

Para a classificação podem ser usada árvore de decisão, classificação Bayesiana,classificação baseada em regras, redes neurais, SVM (Support Vector Machines), classifi-cação por regras de associação, aprendizado tardio (Lazy Learners), algoritmo genético,conjuntos nebulosos (Fuzzy Set) e conjuntos aproximados (Rought Set).

2.3.4 Análise de padrões sequenciais

Um padrão sequencial é uma expressão da forma <I1, . . . , In>, em que cada Ii éum conjunto de itens. A ordem em que estão alinhados os conjuntos reflete a cronologiacom que aconteceram os fatos representados por eles. Encontrar padrões previsíveis emum período de tempo significa que um comportamento particular em um dado momento


pode ter como consequência outro comportamento ou sequência de comportamentosdentro de um mesmo período de tempo. Exemplo: uma pessoa que cursou mestradoprovavelmente fará doutorado em um certo período de tempo segundo Cardoso [16].

2.3.5 Agrupamento - clustering

O agrupamento é uma técnica que mapeia um item de dados em uma das váriasclasses categóricas (clusters) em que estas devem ser determinadas a partir dos própriosdados. Segundo Fayad [77], os clusters são definidos por métricas de similaridade como asmedidas de distância tradicionais (Euclidiana e Manhattan), ou métodos de probabilidade.Podem ser usados os algoritmos k-Means e k-Medoids como métodos de particionamento.Dado um conjunto D de dados com n registros e k o número de agrupamentos desejados,os algoritmos de particionamento organizam os objetos em k agrupamentos, tal que k <=n.

O algoritmo k-Means usa o conceito da centróide. Dado um conjunto de dados,este algoritmo seleciona de forma aleatória k registros; cada um representa um determi-nado agrupamento. Para cada registro restante, é calculada a similaridade entre o registroanalisado e o centro de cada agrupamento. O objeto é inserido no agrupamento com a me-nor distância, ou seja, maior similaridade. O centro do cluster é recalculado a cada novoelemento inserido.

A partir deste algoritmo, diferentes variações surgiram: implementando otimi-zações para escolha do valor do k, novas medidas de dissimilaridade e estratégias para ocálculo do centro do agrupamento. Uma variação bem conhecida do k-Means é o k-Modes.Nesse caso, em vez de calcular o centro do agrupamento através da média de distânciados registros, ele usa a moda.

O algoritmo k-Medoids é uma variação do k-Means. A diferença do K-Medoids

para o K-Means é que que a referência é encontrada pelo objeto mais central do agrupa-mento em vez de calcular o centro do agrupamento.

2.3.6 Sumarização

A sumarização provê uma descrição compacta para um subconjunto de dados.Um exemplo simples seria a média e desvio-padrão para todos os campos. Para issopodem ser usadas funções sofisticadas que envolvem regras de sumarização, técnicas devisualização multivariada e relações funcionais entre as variáveis segundo Fayad [77].


2.3.7 Regressão ou Estimação

A regressão consiste no mapeamento efetivo dos registros de certo banco dedados em busca de valores reais. Essa tarefa é bem próxima à tarefa de classificação. Porexemplo, um conjunto de registros contendo os valores mensais gastos por diversos tiposde consumidores e de acordo com os hábitos de cada um. Após ter analisado os dados, omodelo é capaz de dizer qual será o valor gasto por um novo consumidor.

A tarefa de estimação pode ser usada por exemplo para:

• Estimar a quantia a ser gasta por uma família de quatro pessoas durante a volta àsaulas;

• Estimar a pressão ideal de um paciente baseando-se na idade, sexo e massa corporal.

2.3.8 Limitações da Mineração de Dados

Diante de todas as vantagens e potencialidades do uso de mineração de dados épreciso citar algumas desvantagens dessa técnica. Dentre algumas, segundo Wang et al[83], pode-se citar:

• É necessário criar relações muito bem definidas entre os atributos para que osresultados não sejam mal interpretados;

• É preciso trabalhar com um grande número de variáveis;• Deve-se executar o processo de treinamento execute por muito tempo, até que se

consiga obter resultados factíveis;• Deve-se tomar cuidado com a possibilidade de gerar subsídios para uma conclusão

precipitada tornando-a aceitável. Logo, uma interpretação errada pode disfarçar asfalhas nos dados;

• Exige alto conhecimento dos usuários;• A escolha do repositório é determinante.

Os problemas encontrados na mineração de dados podem ser categorizadossegundo Wang et al [83] em:

• Estatísticos;• Precisão dos dados e padronizações;• Problemas encontrados em diversos métodos, tais como: redes neurais, árvores de

decisão, algoritmos genéticos e lógica nebulosa;• Organizacionais.

Dois grandes impactos devem ser levados em consideração na mineração dedados: a privacidade e a legislação. Segundo Han e Kamber [42], trabalhar com dados


sobre o indivíduo trás consequências que precisam ser mitigadas. O Congresso Americanojá aprova leis para gerir o uso da mineração de dados no aspecto da privacidade, segundoSeifert [72], e em Zhan et al é apresentado um modelo para lidar com a questão daprivacidade no data mining.

Em Fayad [77], alguns desafios precisam ser superados:

• Técnicas eficientes para lidar com uma quantidade de dados cada vez maior;• As tabelas cada vez mais possuem mais atributos implicando no aumento do espaço

de busca conhecida como alta dimensionalidade;• Os modelos são construídos com um conjuntos limitados de dados, que podem

não conter todos os padrões e com isto, ao serem submetidos a novos dados, secomportam de maneira errônea;

• A velocidade com que os dados mudam faz com que os modelos gerem resultadosinválidos;

• O problema da baixa qualidade dos dados;• Complexidade dos relacionamentos entre os atributos;• Tornar os padrões descobertos mais legíveis e facilitar o entendimento e a interpre-

tação pelo usuário;• Os sistemas cada vez mais dependem de outros sistemas, gerando problemas de

integração;• A baixa interação e a dificuldade de inserção de conhecimento prévio nos modelos;

2.3.9 Ferramentas para mineração de dados

Diversas ferramentas para mineração de dados foram desenvolvidas com ointuito de facilitar o uso desta técnica por profissionais de outras áreas. Dentre algumas,pode-se citar:

• Weka: É uma ferramenta que é software livre mantida pela University of Waikato

(http://www.cs.waikato.ac.nz/ml/weka/). Possui diversos algoritmos para tarefasde mineração. Os algoritmos podem ser usados dentro da própria ferramentaou diretamente dentro de programas feitos em linguagem de programação Java.Esta ferramenta oferece funcionalidades para pré-processamento, classificação,predição, agrupamento, regras de associação e visualização [82]. Atualmente fazparte da ferramenta de BI OpenSource Pentaho [63];

• Oracle Data Mining: É uma ferramenta para a Mineração de Dados desenvolvidapela Oracle para o uso em seu banco de dados Oracle. Esta ferramenta executa asseguintes tarefas: Classificação, Regressão, Associação, Clusterização e Mineraçãode Textos [61];

2.4 Sistemas multiagentes 49

• IBM SPSS Modeler: Uma das ferramentas líder de mercado, desenvolvida pelaSPSS e posteriormente adquirida pela IBM. Tarefas de KDD que esta ferramentaexecuta: Classificação, Regras de Associação, Clusterização, Seqüência e Detecçãode Desvios. Fabricante: IBM. [44].

• WizRule: Tarefas executadas por esta ferramenta: Sumarização, Classificação eDetecção de Erros. Fabricante: Wizsoft. [84]

2.4 Sistemas multiagentes

2.4.1 Introdução

Um agente é algo capaz de perceber o ambiente em que está por meio desensores e que seja capaz de agir sobre este ambiente por meio de atuadores [67]. Oser humano, um robô ou um software podem ser considerados um agente. O ser humanotem como sensores vários órgãos que o permite ouvir, falar, ver, cheirar etc e tambémpossui atuadores como braços, mãos, pernas, pés e outras partes do corpo. Um agenterobótico possui como sensores câmeras, detectores de luz etc e como atuadores possui,por exemplo, motores. O software pode ser como sensores os dados vindos de um teclado,o conteúdo de arquivo ou pacotes vindos de uma rede e ter como atuadores a tela, odisco rígido, o envio de pacotes pela rede. O agente deve ser capaz de tomar uma decisãode acordo com o que percebe do seu ambiente. Na Figura 2.5 é mostrado um agenteinteragindo com o ambiente através de sensores e atuadores.

Figura 2.5: Agente interagindo com o ambiente. Adaptado de [67]

2.4.2 Agentes computacionais

Um agente computacional difere de um simples programa quando é capaz de serautônomo, de perceber seu ambiente, de persistir por um determinado período de tempo,


de adaptar-se a mudanças e ser capaz de assumir metas de outros. O objetivo de um agentecomputacional é agir para alcançar seu melhor resultado.

2.4.3 Agentes computacionais inteligentes

As seguintes características como reatividade, pró-atividade e sociabilidade sãosuficientes para que um agente seja considerado inteligente [86]. São característicasessenciais dos agentes computacionais inteligentes:

• Autonomia: capaz de executar maior parte das suas ações sem interferência diretade outros agentes sejam eles humanos, computacionais possuindo controle total desuas ações e seu estado interno;

• Habilidade social (comunicabilidade): é necessária quando o agente não é capazde resolver determinados problemas sozinho, por isso, este deve ser capaz deinteragir com outros agentes comunicando seus requisitos e ter um mecanismo dedecisão para ser capaz de avaliar quando agir;

• Capacidade de reação (reatividade): percebem e reagem à alterações no ambien-tes em que estiverem inseridos;

São características desejáveis de um agente computacional inteligente [86]:

• Capacidade pró-ativa - agentes, do tipo deliberativo, além de atuar em resposta àsalterações ocorridas em seu ambiente, apresentam um comportamento orientado aobjetivos, tomando iniciativas quando julgarem apropriado;

• Continuidade Temporal: executam continuamente processos que tanto podemestar ativos, em primeiro plano, quanto adormecidos, em segundo plano;

• Orientação a Objetivos: deve ser capaz de lidar com tarefas complexas em altonível. A decisão de como uma tarefa é melhor subdividida em tarefas menores, eem qual ordem e de que modo devem ser executadas, deve ser feita pelo próprioagente.

• Adaptabilidade: um agente deve ser capaz de ajustar-se aos hábitos métodos detrabalho e preferências de seus usuários;

• Benevolência: é a suposição de que os agentes não têm objetivos contraditórios eque todo agente consequentemente sempre tentará fazer o que lhe é solicitado;

• Colaboração: um agente não deve aceitar (e executar) instruções sem considera-ções, ele deve levar em conta que o usuário humano comete erros, omite informa-ções importantes e/ou fornece informações ambíguas. Na colaboração, um agentedeve checar estas ocorrências fazendo perguntas ao usuário. Deve ser permitido aum agente recusar executar certas tarefas que possam sobrecarregar a rede ou causardanos a outros usuários;


• Mobilidade: é a habilidade de um agente se mover pela rede;• Persistência: Segundo [12], persistência é a capacidade apresentada pelo agente de

manter um estado interno conciso através do tempo, sem alterá-lo ao acaso.

Abaixo estão descritos os tipos de agentes:

• Agentes de informação: são agentes capazes de obter informação requerida porum agente humano;

• Agentes de entretenimento: são agentes que simulam e animam personalidadesartificiais, normalmente em mundos virtuais destinados ao entretenimento;

• Agentes de aconselhamento: são agentes que ajudam as pessoas na execução decertas tarefas dando conselhos e sugerindo caminhos de resolução;

• Agentes assistentes: são os que executam tarefas para o agente humano;• Agentes de interface: são os agentes destinados a interagir com os agentes huma-

nos.

2.4.4 Sistemas Multiagentes (SMA)

Multiagentes é um agrupamento de agentes que trabalham cooperativamente,cada um deles resolvendo parte do problema. Cada agente encapsula conhecimento sobrealgum domínio e em determinados momentos é necessário que os agentes complementemsuas habilidades.

Sistemas Multiagentes (SMA) é uma subárea da Inteligência Artificial Distri-buída que investiga o comportamento de um conjunto de agentes autônomos objetivandoa solução de um problema que está além das capacidades de um único agente. Estesagentes interagem um com os outros, com o objetivo de realizar suas tarefas de modocooperativo, compartilhando informações, evitando conflitos e coordenando a execuçãode atividades [6].

2.4.5 Motivações

A utilização de SMA deve ser levada em consideração quando:

• a dimensão do problema for muito grande para ser resolvido por um único agente;• for possível a interconexão e interoperação de múltiplos sistemas legados (“le-

gacy”), isto é, sistemas de gerações anteriores cuja manutenção do código já nãoé possível;

• for possível providenciar uma solução natural para problemas geográficos e/oufuncionalmente distribuídos;


• for necessário fornecer soluções para problemas em que os peritos, os conhecimen-tos ou as informações necessárias para a sua resolução, se encontram distribuídos;

• for necessário permitir uma interface cooperativa homem-máquina mais natural emque ambos funcionam como agentes no sistema;

• for necessário oferecer uma maior clareza e simplicidade conceitual de projeto.

Modelar um fenômeno sob a perspectiva de um SMA pode ser realizado a opartir das seguintes etapas [36]:

• Decompor o fenômeno em um conjunto de elementos autnomos;• Modelar cada um dos elementos como um agente, definindo seu conhecimento,

funções, comportamentos e modos de interação;• Definir o ambiente dos agentes;• Definir quais agentes possuem a capacidade de ação e comunicação;

2.4.6 Aplicabilidade

O SMA tem sido utilizado em vários tipos de problemas, abaixo alguns exem-plos:

• Para obter a previsão espacial de demanda elétrica de toda uma área de serviço emodelar a influência de cargas especiais nas vizinhanças;

• Para analisar se existe correlação entre problemas em uma determinado região:asfalto ruim, excesso de chuvas, acidentes de trânsito;

• Jogos;• Ensino a distância;• Comércio Eletrônico;

2.4.7 Simulação

As vantagens para usar Simulação Baseada em Multiagentes (MABS, do inglêsMulti-Agent Based Simulation) são a similaridade à programação Orientada a Objetos(de fácil uso), a grande disponibilidade de frameworks e documentação, e o fato de seruma prática madura. Os métodos de simulação são empregados com grande sucesso paraauxiliar na tomada de decisões no planejamento a médio e longo prazo e em situações queenvolvem cursos e riscos elevados [65].

Segundo [35], a simulação pode ser dividida em três etapas:

• Etapa de modelagem: construir o modelo do fenômeno a ser estudado;• Etapa de experimento: aplicar variações sobre o modelo construído, alterando

alguns parâmetros que influenciem no processo de resolução;

2.5 Considerações finais 53

• Etapa de validação: comparar dados experimentais obtidos com o modelo e arealidade, permitindo a análise dos resultados obtidos.

Segundo [31], os objetivos de MABS são:

• Testar hipóteses sobre a emergência de comportamentos no nível macro a partir deinterações no nível micro;

• Construir teorias que contribuam para o entendimento de fenômenos, etológicos,sociológicos ou psico-sociais, que relacionam comportamentos a estruturas;

• Integrar teorias parciais de diferentes disciplinas (sociologia, psicologia cognitiva,etologia) em uma mesma estrutura.

Para [30] a simulação baseada em multiagentes é uma grande promessa parahabilitar a sociedade ao trabalho com modelos computacionais, de forma a avaliar osimpactos cognitivos, tanto no âmbito individual quanto no coletivo de sistemas sociais.

2.5 Considerações finais

Este capítulo apresentou aspectos gerais de grandes áreas de conhecimento en-volvidas neste trabalho: Gestão Pública Participativa, Tomada de Decisão Multicritério,Descoberta de Conhecimento em Base de Dados e Sistemas Multiagentes. O entendi-mento do conceito de Gestão Pública Participativa é importante para entender como ocidadão pode fazer parte do processo decisório. Foram demonstrados também as vanta-gens deste tipo de gestão e como ela tem evoluído no Brasil. Foi mostrado também comoo método multicritério possibilita uma Tomada de Decisão ponderada nos quais váriosaspectos são levados em consideração, como, ambientais, sociais e econômicos. Alémdisso, foram mostrados como a Descoberta de Conhecimento em Base de Dados podeser útil no apoio a tomada de decisão. Apesar de Sistemas Multiagentes não ser o focodeste trabalho de mestrado, esta seção auxilia o entendimento do uso deste método noprojeto ADGEPA para popular a base de dados de maneira coerente como já citado an-teriormente. No Capítulo 3, os resultados do Agente Minerador e Agente de Suporte àDecisão são apresentados.

CAPÍTULO 3Agentes para Suporte à Decisão

No capítulo anterior, foi mostrado o motivo para se aplicar o método multicritérioem gestão pública. Neste capítulo são mostrados mais detalhes sobre o projeto ADGEPA,os passos executados pelo AM e ASD e seus respectivos resultados. Para implementar oAM foi usado o algoritmo Kmeans, explicado na Seção 2.3.5 e para o ASD o método daSoma Ponderada. Na Seção 3.2 são mostrados os resultados do Agente Minerador e naSeção 3.3 os do Agente de Suporte à Decisão. Em computação, agente computacional éum objeto altamente encapsulado que executa um método computacional particular, comouma rede neural, um algoritmo genético ou um controlador de lógica nebulosa [80]. Noprisma de Inteligência Artificial, agente inteligente é uma entidade capaz de perceber seuambiente por meio de sensores e de agir sobre esse ambiente por meio de atuadores paraatingir seus objetivos racionalmente [68]. Maiores informações sobre agentes e sistemasmultiagentes são descritos na Seção 2.4. Neste trabalho, o AM e o ASD são agentescomputacionais.

3.1 O Projeto ADGEPA

Os agentes computacionais propostos fazem parte do projeto ADGEPA. O AD-GEPA foi projetado para rodar em qualquer aparelho que possua conexão à internet eum navegador web. Pelo aplicativo, usuários podem informar suas denúncias acerca deaspectos socioambientais e suas localizações (ao se clicar no mapa, indica-se as coorde-nadas; é usada a API Google Maps). O sistema considera o momento da denúncia como omomento em que o problema aconteceu ou foi percebido. Outros dados atmosféricos sãofornecidos por miniestações (uma rede de sensores Arduino). O ADGEPA é compostopor três módulos: o primeiro com objetivo de coletar dados; o segundo com o objetivode fazer agrupamentos e regras de associação sobre estes dados; e o terceiro tem comopropósito auxiliar o processo decisório por meio da aplicação de método multicritério. Aaplicação web e as miniestações compõem o primeiro módulo do ADGEPA [54].

Com auxílio de especialista do domínio foram selecionados 23 aspectos ambien-tais (que incluem água, ar, solo, uso ilegal de recursos naturais e invasão ilegal de áreas

3.1 O Projeto ADGEPA 55

protegidas) e 37 aspectos sociais (que abarcam segurança pública, educação, saúde pú-blica, infraestrutura urbana e invasão ilegal de áreas e prédios públicos) para a aplicaçãoweb e quatro variáveis atmosféricas (umidade relativa do ar, luminosidade, temperatura emonóxido de carbono) para a rede de sensores [54].

Após obtenção dos dados pelo sistema, o Agente Minerador (segundo módulo)busca correlações e associações entre os dados para auxiliar no entendimento de padrõesna base de dados. O último módulo do assistente digital é representado pelo Agentede Suporte à Decisão. Ele executa análise multicritério para ranquear os aspectos maisrelevantes para atenuar ou solucionar a maior parte das queixas da população (maisdetalhes na Seção 3.3). A Figura 3.1 representa graficamente os módulos e os agentesenvolvidos no ADGEPA [2]. Os agentes computacionais destacados com linha tracejadana cor azul na Figura 3.1 são o foco deste trabalho de mestrado.

Figura 3.1: Representação gráfica do ADGEPA.

Porém, para reunir dados em quantidade satisfatória em intervalo temporalinteressante, seria necessário ter o ADGEPA em serviço por muito tempo, além de havernecessidade de uma divulgação considerável entre membros da sociedade civil. Do pontode vista prático, face à restrição temporal, foi decidido simular os dados que seriamgerados pelo uso da aplicação web em longo prazo. A simulação de dados neste projeto étarefa difícil haja vista que eles devem ser coerentes com o cenário; por exemplo, não sepode simular denúncia de poluição de água em um local que não há um corpo d’água.

O atual modelo foi projetado para simular ações de usuários na aplicação webresponsiva. Atualmente, não há interesse em simulação de dados atmosféricos porqueeles podem ser simulados de forma fácil ou se pode usar dados históricos de estações


meteorológicas. Na simulação do uso da aplicação, destacam-se dois tipos de agentes: oAgente Usuário (daqui em diante, AU) e Agentes para representar problemas socioam-bientais (por exemplo, um agente para representar poluição de água). A simulação estásendo desenvolvida com o Framework GAMA,1 que, apesar de ser uma plataforma aindapouco conhecida, apresenta algumas vantagens sobre plataformas ou frameworks tradici-onais como JADE2. Além de apresentar boa escalabilidade, GAMA facilita o trabalho deconstrução de ambientes de simulação: basta importar um arquivo de formato shapefile

(e.g. um mapa) e posteriormente definir os elementos dos mapas (ruas, prédios, bosques,lagos, rios, etc.). Em seguida, é necessário definir os agentes e os seus comportamentospara que percorram elementos do tipo arestas (ruas, trilhas, estradas, etc.) e interajam comoutros agentes e elementos do mapa.

Figura 3.2: Simulação Multiagente no Projeto ADGEPA (8 ele-mentos e um agente)

A Figura 3.2 apresenta a simulação de usuários do ADGEPA em uma pequenaregião de uma metrópole brasileira (note 8 quadras em cores diferentes para representarresidência, trabalho, escola, supermercado, shopping, bosque, igreja e restaurante, e umpequeno círculo amarelo no canto direito inferior, referente ao agente). A Figura 3.3apresenta um modelo com dimensões maiores, porém não está completo. Este trabalhode mestrado se concentrou nos agentes minerador e de suporte à decisão.

1GAMA é uma plataforma para auxiliar o desenvolvimento de simulações multiagentes. Mais informa-ções disponíveis em <https://code.google.com/p/gama-platform/wiki/Documentation>

2JADE: Java Agent DEvelopment é um framework para desenvolvimento de agentes inteligentes. Maisinformações em <http://jade.tilab.com>.


Figura 3.3: Simulação Multiagente no Projeto ADGEPA (3 agen-tes e uma grande área)

O primeiro módulo, projetado para coletar denúncias dos usuários (aspectossocioambientais) e dados atmosféricos, toma muito tempo para popular a base de dados.Por isso, decidiu-se simular o uso da aplicação. Entretanto, a simulação deve ser coerentecom o cenário, ou seja, não se pode simular denúncia de invasão ilegal de prédios públicoscom coordenadas que apontam para o meio de um lago, por exemplo.

As razões elementares para usar Simulação Baseada em Multiagentes (MABS,do inglês Multi-Agent Based Simulation) são a similaridade à programação Orientadaa Objetos (de fácil uso), a grande disponibilidade de frameworks e documentação, eo fato de ser uma prática bem desenvolvida. As razões técnicas para uso de MABSé que agentes possuem características que se adéquam aos requisitos deste trabalho:proatividade, reatividade, cooperação, autonomia, comunicação e capacidade de operarem ambientes dinâmicos, [33] e [85]. Em síntese, o principal motivo desta simulação épopular a base de dados e poupar tempo aos pesquisadores.

Atualmente, os agentes estão sendo implementados com o framework GAMA3

porque ele atende os requisitos do ADGEPA e possui boa documentação. Existem osagentes para representar elementos de um cenário urbano como uma rua, um lago, umapraça, uma escola, um hospital, uma igreja etc. Um cenário urbano é delimitado como umretângulo (por 4 coordenadas) e possui coordenadas de seus elementos.

A principal função do AU é se deslocar pelo ambiente e percebê-lo para podergravar suas denúncias na base de dados. Assim como os usuários da aplicação web, os

3https://code.google.com/p/gama-platform/wiki/GAMAIntro16

3.2 O Agente Minerador 58

AUs possuem suas casas, vão para escolas, locais de trabalho, supermercados, hospitais,bares, restaurantes, teatros etc. As rotas (que podem variar de acordo com o dia da semana)e os perfis (que tornam os AUs mais vigilantes em relação à determinados tipos deproblemas) dos AUs são aleatórios e podem se coincidir; porém, eles sempre possuemum ponto de partida e de chegada individual (suas casas).

Para o primeiro modelo do Agente Minerador (doravante, AM), segundo mó-dulo, propõe-se agrupar dados de acordo com coordenadas. A partir destes agrupamentosespaciais, gera-se agrupamentos temporais. Em seguida, o AM procura por regras de as-sociação. O AM foi implementado e testado com sucesso; mas o modelo foi testado comdados aleatórios e o programa WEKA.4 O último agente, terceiro módulo, é o Agente deSuporte à Decisão (ASD, daqui em diante).

A arquitetura da simulação é representada graficamente pela Figura 3.4. Os doisprincipais agentes da simulação foram modelados para simular usuários da aplicação eproblemas socioambientais que eles percebem diariamente. Durante a simulação, AUspercorrem a paisagem urbana de acordo com as suas rotas (definidas aleatoriamente nocomeço da simulação) e percebem alguns problemas socioambientais (de acordo como perfil dos AUs, determinados tipos de denúncias ocorrem ou deixam de ser feitas).As denúncias são armazenadas no banco de dados e contém informações sobre o tipode problema denunciado, o momento da denúncia, o local em que o problema foipercebido e a identificação do agente que faz a denúncia. Ao término da simulação,o AM agrupa os dados simulados, primeiramente de acordo com critérios espaciais;posteriormente, segundo critérios temporais. Por último, o agente ASD executa umaanálise multicritério para ordenar os aspectos mais relevantes para resolver ou mitigara maioria das preocupações da população.

3.2 O Agente Minerador

Como papéis do agente minerador foram definidas as seguintes tarefas: geraçãode agrupamentos espaciais e temporais, regras de associação e ranqueamento dos aspectossocioambientais de maior suporte,5, Equação 3-1. O algoritmo usado pelo Weka para fazerclusterização é o KMeans, detalhado em 2.3.5, que por sua vez usa distância euclidianapara encontrar grupos de elementos mais próximos. Os primeiros testes de clusterizaçãoforam feitos de forma manual por meio da interface gráfica do Weka. Porém, continuar afazer clusterização dessa forma se tornaria impraticável porque seria preciso muito tempopara gerar os agrupamentos. Para automatizar o processo foi criado o Agente Minerador,

4WEKA: para mais informação visite <http://www.cs.waikato.ac.nz/ml/weka/>5Em mineração de dados interpreta-se suporte Equação 3-1, como a probabilidade de um elemento

ocorrer em uma coleção de registros.


Figura 3.4: A arquitetura da simulação.

em Java, com uso da API do Weka para gerar agrupamentos. É preciso informar aoAM apenas o arquivo CSV gerado pelo programa que gera denúncias aleatoriamente.Adicionalmente, o AM é identificar regras de associação. As etapas detalhadas desteprocesso são descritos nesta seção.

O Agente Minerador foi implementado e executa as seguintes etapas:

1. Gerar 100 clusters espaciais a partir do arquivo CSV que contém todas as denúnciassimuladas (no total de 100.000) por um programa Java6, que podem ser visualizadosna Figura 3.5. Neles, leva-se em consideração apenas os atributos de coordenadasX e Y; o resultado é armazenado em um arquivo CSV. O arquivo, que representa ocluster espacial 0, pode ser visto no Apêndice B;

2. Após gerar este arquivo é necessário dividí-lo em 100 arquivos, nos quais existemdenúncias apenas de um determinado cluster, pois o Weka gera o arquivo CSVcomo resultado da primeira etapa desordenadamente;

3. Gerar agrupamentos temporais a partir de cada arquivo CSV resultante da clusteri-zação espacial de acordo com o atributo dia (3 em 3 dias). Vale ressaltar que o mês,para os testes, foi considerado como 30 dias. Logo, 10 clusters temporais em médiaagrupa denúncias de 3 dias. Isto resulta em 100 arquivos CSV cada um represen-tando um cluster temporal. O arquivo, que representa o cluster temporal 0, pode servisto no Apêndice C;

6Vale ressaltar que a simulação não foi feita por Simulação Multiagente.


4. Gerar um Data warehouse no formato CSV contendo a quantidade de vezes quecada indicador ocorre em cada cluster temporal. Este arquivo pode ser visto noApêndice D;

5. Gerar um ranking dos indicadores considerando o número de registros dos mesmosem todos os clusters temporais e como critério de desempate é usada a quantidadede denúncias relacionadas ao indicador;

6. A partir da quantidade de denúncias é calculado o suporte, Equação 3-1, para cadaindicador;

7. Calcular a média da confiança,7 Equação 3-2, da lista dos 10 indicadores com maiorsuporte em relação a cada grupo8. O resultado é persistido em um arquivo CSV9

(que é a matriz de decisão) que pode ser visto na Tabela 3.1;

Figura 3.5: Agrupamentos espaciais gerados pela Weka

supppXq “registros que possuem X

total de registros(3-1)

con f pX ñ Y q “supppX YY q

supppY q(3-2)

7Em mineração de dados, interpreta-se confiança, Equação 3-2, como a probabilidade de um elementoacontecer, dado que outro elemento também ocorra, em mesmos registros.

8Estes grupos são classificados em dimensão ambiental e dimensão social. A dimensão ambiental écomposta por 5 grupos respectivamente: Água, Ar, Solo, Desmatamento, Invasão Ambiental. A dimensãosocial é composta por 5 grupos respectivamente: Segurança, Educação, Saúde, Infraestrutura Urbana eInvasão Social.

9A matriz de decisão será usada pelo método de decisão multicritério.


Embora a literatura use o símbolo da disjunção lógica, em mineração de dados,Ypossui significado de conectivo lógico (AND ou X), [17]. Mais detalhes sobre mineraçãode dados pode ser encontrado na Seção 2.3.

Das médias de confianças, entre os 10 aspectos socioambientais (de maiorsuporte) com os aspectos dos 10 grupos, encontra-se a matriz de decisão de dimensão10ˆ10. A partir da matriz de decisão, aplica-se técnicas e análise multicritério (exemploMétodo da Soma Ponderada), que é executada pelo Agente de Suporte à Decisão.

IND AGUA AR SOLO DES INV AMB SEG EDUC SA INFRA INV SOC25 1.542 1.652 1.44 1.743 1.33 1.559 1.43 1.608 1.493 1.805

44 1.547 1.652 1.442 1.75 1.33 1.618 1.433 1.556 1.497 1.81

11 1.557 1.583 1.452 1.763 1.335 1.628 1.443 1.624 1.505 1.825

59 1.568 1.682 1.462 1.783 1.345 1.645 1.453 1.639 1.518 1.69

15 1.552 1.66 1.338 1.755 1.335 1.624 1.437 1.619 1.503 1.82

21 1.545 1.652 1.442 1.663 1.33 1.618 1.433 1.61 1.497 1.81

55 1.55 1.658 1.445 1.753 1.33 1.62 1.437 1.615 1.454 1.815

19 1.55 1.658 1.448 1.673 1.335 1.623 1.438 1.616 1.501 1.82

30 1.56 1.672 1.455 1.77 1.34 1.583 1.448 1.628 1.509 1.835

34 1.565 1.674 1.457 1.775 1.34 1.639 1.338 1.631 1.513 1.835

Tabela 3.1: Média das confianças dos 10 primeiros indicadores

Na Tabela 3.2 é mostrado o resultado do ranqueamento. Os dados apresentadosna Tabela 3.2 são resultados obtidos por meio do AM para extrair a quantidade de registrosdas denúncias em cada agrupamento temporal do Data warehouse .

Aspectos socioambientais Registros Denúncias25 933 3055

44 920 3037

11 920 2987

59 920 2922

15 919 3005

21 917 3035

55 915 3029

19 913 3019

30 913 2959

34 911 2951

Tabela 3.2: Ranking de aspectos socioambientais com maior su-porte

3.3 O Agente de Suporte à Decisão 62

Cada aspecto socioambiental possui um número de identificação no projeto. ATabela 3.3 apresenta alguns aspectos e seus identificadores. A lista completa dos aspectossocioambientais é apresentada no Apêndice A.

ID Aspecto socioambiental25 Roubo

44 Falta de leito em hospitais

11 Emissão de odores fétidos

59 Invasão de patrimônio público

15 Extração irregular de areia, argila ou cascalho

21 Pesca irregular

55 Buracos/erosões em vias públicas

19 Extração ou exploração de recursos naturais

30 Traficantes

34 Falta de creche

Tabela 3.3: Exemplo de Aspectos Socioambientais e seus identifi-cadores (ID)

3.3 O Agente de Suporte à Decisão

O ASD foi implementado com o método multicritério de Soma Ponderada pelosseguintes motivos:

• Facilidade de implementação;• Facilidade para estruturar o problema;• Fácil entendimento o que proporciona transparência;

O ASD possui três perfis diferentes: ambiental, social e híbrido. Configuraro ASD com perfil ambiental significa que os pesos dos indicadores ambientais serãomaiores que os pesos dos indicadores sociais. Configurar o ASD com perfil social significaque os indicadores sociais serão multiplicados por pesos maiores que os usados emindicadores sociais. Configurar o ASD com perfil híbrido significa que os pesos para cadaindicador, seja ele ambiental ou social, serão iguais, isto é, não será tendencioso.

Segundo Almeida [5], o método de Soma Ponderada é composto pelos seguintespassos:

1. Definir os critérios analisando o que deve ser maximizado ou minimizado;2. Definir os pesos para cada critério (a soma dos pesos deve ser igual a 1);3. Definir a matriz de decisão com os valores de cada critério;


4. Somar os elementos das linhas;5. Normalizar os elementos da linha pelo resultado da soma da linha de acordo com a

Fórmula 3-3:

ui j “ai j

řnj“0 ai j

,@ j P r1,ns (3-3)

No qual:

• i indica a linha da matriz (foram escolhidos os 10 indicadores de maiorsuporte);

• j indica a coluna da matriz (há 10 grupos de aspectos, logo 10 colunas e j vaide 0 a 9);

• a é o valor da média das confianças entre o aspecto e os aspectos de um grupo;e

• u é o valor da média das confianças normalizado para cada elemento da matriz.

6. Aplicar pesos do ASD, que variam de acordo com o perfil (cada grupo de indica-dores possui peso segundo um dos três perfis escolhidos: mais sensível a aspectossociais, ou a aspectos ambientais, ou não tendencioso);

7. De acordo com o perfil do ASD é necessário minimizar, conforme a Fórmula 3-4, as médias das confianças dos indicadores mais importantes para outro perfil.Por exemplo: se o ASD tem perfil ambiental será necessário minimizar a média daconfiança dos indicadores sociais e vice-versa.

@ j P r1,ns,U jpAiq “ maxipai jq´ai j (3-4)

8. Fazer a soma dos elementos das linha para identificar a ordem dos aspectos maiscitados pelos usuários (maior suporte) e que possuem maior associação (confiança)com grupos de aspectos socioambientais de maior importância para o ASD.

Pode-se calcular os dois últimos passos de acordo com a Fórmula 3-5:

Rpuiq “

nÿ

j

w jai j,@i P r1,ns (3-5)

Em que:

• i indica a linha da matriz;• j indica a coluna da matriz, que vai de 0 a n (neste trabalho, de 0 a 9);• w indica o peso aplicado ao grupo de indicadores;• u é o valor normalizado da média das confianças entre o aspecto e os aspectos

de um grupo; e


• R é o resultado do somatório para cada linha.

Vale lembrar que a soma dos pesos em cada linha da matriz deve ser equivalente aum. Experimentalmente, foram usados os seguintes pesos para as colunas da matriz (cadacoluna representa um grupo de indicadores): 0,1 para cada coluna da matriz (quando oASD possui perfil não tendencioso); 0,06 para colunas que representam aspectos sociaise de 0,14 para colunas que representam aspectos ambientais (quando o ASD possui perfiltendencioso aos aspectos ambientais); e pesos de 0,14 para colunas que representamaspectos sociais e de 0,06 para colunas que representam aspectos ambientais (quandoo ASD possui perfil tendencioso aos aspectos sociais).

O resultado da aplicação do método multicritério é um ranqueamento que indicaa preferência do gestor público em ordem decrescente de prioridade. Nas Tabelas 3.4,3.5 e 3.6 são apresentados os resultados para os perfis ambiental, social e híbrido,respectivamente.

Posição Aspecto socioambiental Resultado1 Emissão de odores fétidos 0.13931854

2 Extração irregular de areia, argila ou cascalho 0.13916290

3 Extração ou exploração de recursos naturais 0.13910146

4 Traficantes 0.13909683

5 Falta de creche 0.13885190

6 Pesca irregular 0.13880956

7 Buracos/erosões em vias públicas 0.13861526

8 Falta de leito em hospitais 0.13834478

9 Roubo 0.13811622

10 Invasão de patrimônio público 0.13422640

Tabela 3.4: Ranqueamento segundo perfil ambiental


Posição Aspecto socioambiental Resultado1 Invasão de patrimônio público 0.14000000





6 Roubo 0.13888168

7 Emissão de odores fétidos 0.13855312




Tabela 3.5: Ranqueamento segundo perfil social

Posição Aspecto socioambiental Resultado1 Roubo 0.01000110






7 Invasão de patrimônio público 0.01000000

8 Emissão de odores fétidos 0.00999970



Tabela 3.6: Ranqueamento segundo perfil híbrido

Na Tabela 3.6, é possível observar que a variação do resultado é mínima. Paraque não houvesse “empate” foi preciso aumentar o número de casas decimais. Issoocorre porque no perfil híbrido não é realizado o passo de minimização dos aspectossocioambientais10. Este passo não é feito porque todos os 10 aspectos socioambientaistem a mesma importância quando o perfil é híbrido. Nas Tabelas 3.4, 3.5 e 3.6 osresultados são muito próximos pois a quantidade de denúncias representadas na Tabela 3.2possuem pequena diferença entre um indicador e outro.

10A minimização é realizada nos indicadores do perfil oposto assumido pelo gestor público justamentepara que o ASD fique tendencioso de acordo com seu perfil.

3.4 Considerações Finais 66

3.4 Considerações Finais

Neste capítulo foram apresentados os ranqueamentos gerados pelo ASD deacordo com cada perfil possível que o gestor possa assumir, isto é, ambiental, socialou hibrido e a matriz de decisão usada na aplicação da Soma Ponderada. É importanteobservar que embora o ASD possa ter perfil ambiental no ranqueamento pode-se tercomo indicadores com maior prioridade aspectos sociais. O inverso também pode ocorrerpois o ranqueamento não depende apenas do perfil do ASD mas também das regrasde associação feitas entre os indicadores em uma determinada região e tempo pelo oAM. No próximo capítulo é feita uma discussão sobre os resultados. Assim que osdados simulados estiverem disponíveis, o ASD poderá ser criticado por especialistas dodomínio e tomadores de decisão, com base em suas experiências e entendimentos acercade correlação entre aspectos socioambientais.

CAPÍTULO 4Conclusões e Trabalhos Futuros

No experimento, foi considerada uma área relativamente pequena (aproximada-mente 3 por 5 Km) e um período de 30 dias. No primeiro agrupamento espacial, foramgerados 100 grupos espaciais. Em seguida, foram considerados 3 dias como intervalo tem-poral. Isso gerou 10 novos clusters. Em média, cada registro (cluster espacial e temporal)apresentou 1000 denúncias. Com o uso do algoritmo K-Means, foram obtidos resultadosconsideravelmente rápidos (algo em torno de segundos), em um Laptop com 8 GB dememória e processador Intel Core i5 CPU 2430m @ 2.4GHz x 4. Ainda é preciso fazertestes em áreas maiores e em intervalos de tempo mais longos. Adicionalmente, pode-sefazer estudos para identificação de séries temporais1.

Dois agentes computacionais foram desenvolvidos: o AM e o ASD. O primeirofaz mineração de de dados, e outro faz análise multicritério para ranquear os aspectossocioambientais. Graças ao primeiro agente, a análise considera os aspectos mais denun-ciados pela população e aqueles que apresentam maior grau de associação com outrosaspectos. Além disso, o perfil do ASD (definido pelos pesos da análise multicritério) pon-dera os aspectos que podem ser mais importantes em uma gestão. Vale destacar que emalgumas execuções os aspectos sociais foram apontados como prioritários quando o perfildo gestor público foi ambiental e vice-versa. Isso não quer dizer que os aspectos ambi-entais foram menos considerados. O significado disso é que os aspectos sociais estavamfortemente associados a problemas ambientais. Assim, a mitigação ou resolução dessesproblemas sociais, poderia atenuar ou resolver mais problemas ambientais, caso fosseadotado outro problema (aspecto) para ser cuidado.

Os testes de mineração de dados foram feitos primeiramente no próprio Weka edepois foi feito uso da API do Weka pelo AM. Do ponto de vista técnico, grande parte dosesforços deste trabalho se concentrou na mineração de dados e no uso da API do Weka emJava. A filtragem de dados para geração de clusters não é tarefa muito evidente; porém,há referências satisfatórias para este tipo de tarefa, por exemplo [69].

1Neste projeto, é possível fazer estudos para identificação de séries temporais, caso se consiga obterséries históricas de dados socioambientais.

4.1 Conclusão 68

Só será possível validar os dados quando o aplicativo web estiver em produçãoe com base de dados bem populada. Usar uma base de dados de outro país (caso houver)também não refletiria o contexto brasileiro, podendo acarretar em conclusões errôneas.A Simulação Multiagente2 também não garante totalmente que os dados simulados serãoprecisos, pois o agente usuário será padronizado de alguma forma. Portanto, somentecom dados reais será possível que especialistas de domínio possam avaliar os resultadosdo AM e ASD com mais assertividade.

4.1 Conclusão

A integração de dados obtidos de diversos setores da administração pública é desuma importância para que os administradores possam definir seus objetivos e estratégiasde maneira sistêmica. Colocar isto em prática é um grande desafio, haja vista que essaintegração não é muito comum entre a maior parte dos órgãos públicos no Brasil.

Talvez a maior motivação deste projeto seja a possibilidade de aproximaçãodos cidadãos à gestão pública, porque além reforçar o conceito de democracia, tambémde favorece à resolução de problemas socioambientais. Trabalhos como [15] e [70] jádemonstraram isso. Adicionalmente, implementar essa prática favorece a aprendizagemdos agentes envolvidos acerca dos assuntos considerados no processo. Por último, aanálise sistêmica dos dados, permite encontrar soluções mais eficientes, inclusive doponto de vista econômico.

Neste trabalho, foi apresentada uma proposta de Agente Minerador e de Agentepara Suporte à Decisão multicritério em gestão pública participativa do projeto ADGEPA.Para atingir um dos principais objetivos, foi proposto um assistente digital (para favorecergerenciamento público participativo) composto de: uma aplicação web responsiva eminiestações para coleta de dados socioambientais; um Agente para minerar dados, buscarpadrões e associações em dados, e ranquear aspectos socioambientais mais associadoscom as principais denúncias feitas pelos usuários. Além desses dois componentes, foiapresentada a MABS para superar a restrição temporal (sem a simulação, será precisomuito tempo para popular a base de dados). Para testar o ASD inicialmente, foramutilizados dados aleatórios. Porém, acredita-se que o desempenho e a proposta do ASD éinteressante (assim como o ADGEPA, o ASD tem recebido críticas positivas em diversosfóruns).

Pelo uso do método de decisão multicritério da Soma Ponderada foi possível fa-zer ranqueamentos automáticos das opções disponíveis (as denúncias sobre os problemassocioambientais). Vale ressaltar que o ranqueamento não foi feito simplesmente pela con-

2Mais informações sobre Simulação Multiagente podem ser encontradas na Seção 2.4.

4.2 Trabalhos Futuros 69

sideração dos aspectos mais denunciados pelos usuários, foi considerado também a asso-ciação dos aspectos denunciados com outros aspectos e os pesos dos aspectos dos gruposde aspectos socioambientais. O ASD, considera os principais clamores dos usuários, osproblemas socioambientais que tem maior associação entre eles (isso proporciona maioreficiência no uso de recursos financeiros públicos), e o que um administrador entendeque é importante (a ponderação foi favorável aos aspectos ambientais). Nesta solução,propõe-se integrar participatividade e tecnocracia.

Acredita-se que este trabalho seria muito promissor e pode ser útil para auxiliarem gestão pública participativa. Adicionalmente, entende-se também que podem existirpadrões e correlações entre aspectos socioambientais que não são muito óbvias e quepodem variar de comunidade para comunidade.

4.2 Trabalhos Futuros

A pesquisa sobre o Agente de Suporte à Decisão continua em curso. As metas acumprir são: fazer estudo de outros métodos de análise multicritério como AHP (Analytic

Hierarchy Process), Electre I (ELimination Et Choix Traduisant la REalité), Promethee II(Preference ranking organization method for enrichment evaluation). Atualmente, o ASDpossui três perfis, que determinam os pesos usados na matriz de decisão. Com relação aospesos, pretende-se usar novos perfis e dar ao usuário a possibilidade de configurar ospesos do ASD.

Outra possibilidade é usar lógica nebulosa em conjunto com o método multicri-tério AHP[87] para tratar os pesos mais adequadamente para o gestor público, pois istopossibilitaria uma melhor usabilidade do sistema já que o ser humano está mais condicio-nado a classificar as coisas em linguagem natural. A definição do peso pelos gestores nãoé tarefa trivial e alguns na dificuldade de defini-lo podem escolher qualquer valor. Então,ao invés de definir que o peso para o indicador X é 0,5 seja mais interessante para o gestordefinir que X é parcialmente importante ou que é pouco importante ou muito importante.Auxiliar o gestor público na definição do peso não traz somente melhor usabilidade aosistema, mas também mais acurácia nos resultados uma vez que o decisor definirá pesosem uma linguagem na qual está mais acostumado.

Uma abordagem, em oposição a definição de pesos pelos gestores públicos, po-deria ser a reunião de históricos de decisões anteriores sobre os aspectos abordados nestetrabalho. Estes históricos poderiam ser analisados por um algoritmo genético com obje-tivo de buscar pesos otimizados de acordo com as decisões anteriores. Posteriormente, ospesos desta solução devem ser avaliados por especialistas do domínio. Portanto, a avali-ação de especialistas do domínio e o uso de dados reais são de fundamental importânciapara validação deste trabalho.

4.2 Trabalhos Futuros 70

Outro futuro trabalho é a possibilidade do gestor público poder escolher subáreasno mapa e obter um ranqueamento dos indicadores para cada uma delas possibilitandoações específicas para cada região.

Referências Bibliográficas

[1] ADAMATTI, D. F.; SICHMAN, J. S.; COELHO, H. An analysis of the insertion of

virtual players in gmabs methodology using the vip-jogoman prototype. Journal

of Artificial Societies and Social Simulation, 12(3):7, 2009.

[2] AFONSO AMORIM, L.; SEBBA PATTO, V.; BULCÃO, R.; GERVÁSIO JÚNIOR, I. Suporte

à decisão em gestão pública participativa: Um estudo de caso em gestão

ambiental. In: Ralha, C. G.; Adamatti, D. F., editors, Workshop em Computação

Aplicada à Gestão do Meio Ambiente e Recursos Naturais (WCAMA), Brasília, DF,

Brazil, July 2014. SBC. in press.

[3] AKGUN, A. A.; VAN LEEUWEN, E.; NIJKAMP, P. A multi-actor multi-criteria scenario

analysis of regional sustainable resource policy. Ecological Economics, 78(0):19

– 28, 2012.

[4] ALARM, V. Vervuilings alarm, 2009. http://www.vervuilingsalarm.nl/, Último

acesso em Fevereiro de 2014.

[5] ALMEIDA, A. T.; GOMES, C. F. S.; GOMES, L. F. A. M. Tomada de Decisão

Gerencial - Enfoque Multicritério. Atlas, 4 edition, 2012.

[6] ALVARES, L. O. SICHMAN, J. S. Introdução aos sistemas multiagentes. In:

Jornada De Atualização Em Informática), p. 1–37, Brasília, DF, Brasil, 1997. UnB.

[7] AMORIM, L. A. Clusters espaciais, 2014. https://drive.google.com/

folderview?id=0ByP0WNiGSGtCblFkb1R5QmlpSzQ&usp=sharing, Último acesso

em Setembro de 2014.

[8] AMORIM, L. A. Clusters temporais, 2014. https://drive.google.com/

folderview?id=0ByP0WNiGSGtCby1JOTR2R2xUUWs&usp=sharing, Último acesso


[9] AMORIM, L. A. Código-fonte do projeto, 2014. https://drive.google.com/

file/d/0ByP0WNiGSGtCbkhsdm1KZjJ2UTQ/edit?usp=sharing, Último acesso


http://www.vervuilingsalarm.nl/

https://drive.google.com/folderview?id=0ByP0WNiGSGtCblFkb1R5QmlpSzQ&usp=sharing

https://drive.google.com/folderview?id=0ByP0WNiGSGtCblFkb1R5QmlpSzQ&usp=sharing

https://drive.google.com/folderview?id=0ByP0WNiGSGtCby1JOTR2R2xUUWs&usp=sharing

https://drive.google.com/folderview?id=0ByP0WNiGSGtCby1JOTR2R2xUUWs&usp=sharing

https://drive.google.com/file/d/0ByP0WNiGSGtCbkhsdm1KZjJ2UTQ/edit?usp=sharing

https://drive.google.com/file/d/0ByP0WNiGSGtCbkhsdm1KZjJ2UTQ/edit?usp=sharing


[10] AMORIM, L. A. Data warehouse, 2014. https://drive.google.com/

folderview?id=0ByP0WNiGSGtCZ3hJVU1qRnZiN28&usp=sharing, Último acesso


[11] BARRETEAU, O. The joint use of role-playing games and models regarding

negotiation processes: characterization of associations. Journal of Artificial

Societies and Social Simulation, 6(2), 2003.

[12] BELGRAVE, M. The unified agent architecture: A white paper. 1995.

[13] BOENTE, A. N. P. Uma metodologia de suporte ao processo de descoberta de

conhecimento em bases de dados. In: V Simpósio de Excelência em Gestão e

Tecnologia, volume 1, p. 4–5, 2008.

[14] BRASIL. Constituição da República Federativa do Brasil: promulgada em 5 de

outubro de 1988. Senado Federal, Brasília, 1988.

[15] BRIOT, J.-P.; SEBBA PATTO, V.; VASCONCELOS, E.; SORDONI, A.; ADAMATTI, D.;

IRVING, M.; MELO, G.; ALVAREZ, I.; LUCENA, C. A computer-based support for

participatory management of protected areas: The simparc project. In: de Aguia,

M. S.; Adamatti, D. F., editors, Workshop em Computação Aplicada à Gestão do Meio

Ambiente e Recursos Naturais (WCAMA), Bento Gonçalves, RS, Brazil, Jully 2009.

SBC. in press.

[16] CARDOSO, O. N. P.; MACHADO, R. T. M. Gestão do conhecimento usando

data mining: estudo de caso na Universidade Federal de Lavras. Revista de

Administração Pública, 42:495 – 528, 06 2008.

[17] CIOS, K. J.; PEDRYCZ, W.; SWINIARSKI, R. W.; ANDRZEJ KURGAN, L. Data Mining:

A Knowledge Discovery Approach. Springer, 1rst edition, 2010.

[18] CONFERENCE, M. Taxtree, 2009. http://www.mindtrek.org/2009/node/127,

Último acesso em Fevereiro de 2014.

[19] DA REPÚBLICA CASA CIVIL SUBCHEFIA PARA ASSUNTOS JURÍDICOS, P. Lei

10.257/2001, 2001. http://www.planalto.gov.br/ccivil_03/leis/leis_

2001/l10257.htm, Último acesso em Fevereiro de 2014.

[20] DA REPÚBLICA CASA CIVIL SUBCHEFIA PARA ASSUNTOS JURÍDICOS, P.

Lei 12.527/2011, 2011. http://www.planalto.gov.br/ccivil_03/

_ato2011-2014/2011/lei/l12527.htm, Último acesso em Fevereiro de 2014.

https://drive.google.com/folderview?id=0ByP0WNiGSGtCZ3hJVU1qRnZiN28&usp=sharing

https://drive.google.com/folderview?id=0ByP0WNiGSGtCZ3hJVU1qRnZiN28&usp=sharing

http://www.mindtrek.org/2009/node/127

http://www.planalto.gov.br/ccivil_03/leis/leis_2001/l10257.htm

http://www.planalto.gov.br/ccivil_03/leis/leis_2001/l10257.htm

http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/lei/l12527.htm

http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/lei/l12527.htm


[21] D’AQUINO, P.; LE PAGE, C.; BOUSQUET, F.; BAH, A. Using self-designed role-

playing games and a multi-agent system to empower a local decision-making

process for land use management: The SelfCormas experiment in Senegal.

Journal of Artificial Societies and Social Simulation, 6(3), 2003.

[22] DAVIES, TIM G., B. Z. A. The promises and perils of open government data

ogd. The Journal of Community Informatics, 8(2), 2012.

[23] DE CARVALHO, P. P. Desafios à construção da democracia participativa no

brasil: a prática dos conselhos de gestão das políticas públicas. 2008.

[24] DE COMPRAS DO GOVERNO FEDERAL, P. Comprasnet, 2014. http://www.

comprasnet.gov.br/, Último acesso em Fevereiro de 2014.

[25] DE GOIÂNIA, A. L. Cidadão participativo, 2014. http://al.go.leg.br/

cidadaoparticipativo, Último acesso em Julho de 2014.

[26] DE LIMA VILAS BOAS, C. Método multicritério de análise de decisão (mmad) para

as decisões relacionadas ao uso múltiplo de reservatórios: Analytic hierarchy

process (ahp). 2005.

[27] DE MESQUITA BENEVIDES, M. V. A cidadania ativa: Referendo, plebiscito e

iniciativa popular. Editora Ática, 3 edition, 1998.

[28] Department for Communities and Local Government: Lon-

don, London. Multi-criteria analysis: a manual, Jan.

2009. https://www.gov.uk/government/publications/

multi-criteria-analysis-manual-for-making-government-policy, Úl-

timo acesso em Agosto de 2013.

[29] DINIZ, E. Em busca de um novo paradigma: a reforma do estado no brasil dos

anos 90. São Paulo em Perspectiva: revista da fundação Sead, São Paulo, 10(4),

1996.

[30] DORAN, J. Intervening to achieve cooperative ecosystem management: towards

an agent based model. JASSS, 4(2), 2001.

[31] DORAN, J.; FERBER, J. Multi-agent simulation as a tool for studying emergent

processes in societies: Application to social differentiation in ant colonies. In:

Proceedings of MAAMAW 92, Viterbo. Elsevier North-Holland, 1992.

[32] ETIENNE, M. Sylvopast: a multiple target role-playing game to assess nego-

tiation processes in sylvopastoral management planning. Journal of Artificial

Societies and Social Simulation, 6(2), 2003.

http://www.comprasnet.gov.br/

http://www.comprasnet.gov.br/

http://al.go.leg.br/cidadaoparticipativo

http://al.go.leg.br/cidadaoparticipativo

https://www.gov.uk/government/publications/multi-criteria-analysis-manual-for-making-government-policy

https://www.gov.uk/government/publications/multi-criteria-analysis-manual-for-making-government-policy


[33] FERBER, J. Agent-Based Modeling and Simulation in The Social and Human

Sciences, chapter Multi-Agent Concepts and Methodologies. The Bardwell Press,

2007.

[34] FOUNDATION, O. K. Where does my money go, 2009. http://www.

wheredoesmymoneygo.org/, Último acesso em Fevereiro de 2014.

[35] FRANCISCA ADAMATTI, D. Inserção de Jogadores Virtuais em Jogos de Papéis

para Uso em Sistemas de Apoio à Decisão em Grupo: Um Experimento no

Domínio da Gestão de Recursos Naturais. PhD thesis, Escola Politécnica da

Universidade de São Paulo, 2007.

[36] FROZZA, R. Simula: Ambiente para desenvolvimento de sistemas multiagentes

reativos, 1997.

[37] GAMPER, C. D.; TURCANU, C. On the governmental use of multi-criteria analysis.

Ecological Economics, 62(2):298 – 307, 2007.

[38] GHEDINI RALHA, C.; SARMENTO SILVA, C. V. A multi-agent data mining system

for cartel detection in brazilian government procurement. Expert Syst. Appl.,

39(14):11642–11656, Oct. 2012.

[39] GOMES, L. F. A. M. G. C. F. S. Tomada de decisão gerencial - Enfoque

Multicritério. Atlas, São Paulo, SP, 4 edition, 2012.

[40] GURGEL, A. M.; MOTA, C. M. M.; PEREIRA, D. V. S. Gestão da segurança

pública: Um modelo de classificação multicritério combinado a sistemas de

informações geográficas. In: XVI CLAIO-SBPO, Congresso Lationo-Iberoamer

de Investigación Operativa e Simpósio Brasileiro de Pesquisa Operacional, Rio de

Janeiro, RJ, Brazil, Setembro 2012. SBPO. in press.

[41] GUYOT, P.; DROGOUL, A.; HONIDEN, S. Power and negotiation: Lessons from

agent-based participatory simulations. In: Stone, P.; Weiss, G., editors, Internati-

onal Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-06),

p. 27–33. ACM Press, 2006.

[42] HAN, J.; KAMBER, M. Data mining: concepts and techniques. Morgan Kaufmann

Publishers Inc., 2 edition, 2006.

[43] LOPES, H. Sistemas Integrados de Gestão: Proposta Para Um Procedimento de

Decisão Multicritérios Para Avaliação Estratégica. PhD thesis, Departamento de

Engenharia de Produção., USP, 2007.

http://www.wheredoesmymoneygo.org/

http://www.wheredoesmymoneygo.org/

http://www.mat.puc-rio.br/~lopes


[44] IBM. SPSS Modeler, 2013. http://www-01.ibm.com/software/analytics/

spss/products/modeler/, Último acesso em Agosto de 2013.

[45] INDEPENDENTE, O. Sigaseuvereador, 2014. http://www.vereadores.org/,

Último acesso em Setembro de 2014.

[46] INMON, W. Como construir o data warehouse. Campus, Rio de Janeiro, RJ, 1997.

[47] IRVING, M.; BRIOT, J.-P.; BURSZTYN, I.; GUYOT, P.; MELO, G.; SANCHO, A.; SAN-

SOLO, D.; SEBBA PATTO, V.; VASCONCELOS FILHO, J. E. Simparc: Computer sup-

ported methodological approach for constructing democratic governance in

national parks management. In: II Congreso Latinoamericano de Parques Nacio-

nales y Otras Areas Protegidas, Bariloche, Argentina, UICN - the World Conservation

Union, September-October 2007.

[48] IT4BIZ. Painel do pac, 2014. http://www.it4biz.com.br/apps/dados.gov.

br/obrasdopac/, Último acesso em Setembro de 2014.

[49] JUN, Z.; JUNFENG, L.; JIE, W.; NGAN, H. A multi-agent solution to energy

management in hybrid renewable energy generation system. Renewable Energy,

36(5):1352 – 1363, 2011.

[50] KHADKA, C.; VACIK, H. Use of multi-criteria analysis (mca) for supporting

community forest management. iForest - Biogeosciences and Forestry, (2):60–71,

2012.

[51] KHALILI, N. R.; DUECKER, S. Application of multi-criteria decision analysis in

design of sustainable environmental management system framework. Journal

of Cleaner Production, 47(0):188 – 198, 2013. Cleaner Production: initiatives and

challenges for a sustainable world {CP} Initiatives Challenges.

[52] KUM, H.-C.; DUNCAN, D. F.; STEWART, C. J. Supporting self-evaluation in local

government via kdd. In: Proceedings of the 2008 international conference on Digital

government research, dg.o ’08, p. 225–233. Digital Government Society of North

America, 2008.

[53] LAROSE, D. T. Discovering Knowledge in Data: An Introduction to Data Mining.

John Wiley and Sons, 2005.

[54] LIMA SILVA, M. C.; COELHO, E. M. M.; SEBBA PATTO, V. Ambiente virtual de

cenário urbano para simulação multiagentes - experiência do projeto adgepa.

In: X Encontro Nacional de Computação (ENACOMP-13), p. 97–104, Catalão, GO,

Brasil, March 2013. DCC-UFG. in press.

http://www-01.ibm.com/software/analytics/spss/products/modeler/

http://www-01.ibm.com/software/analytics/spss/products/modeler/

http://www.vereadores.org/

http://www.it4biz.com.br/apps/dados.gov.br/obrasdopac/

http://www.it4biz.com.br/apps/dados.gov.br/obrasdopac/


[55] MAIA, M. Alagamentos, 2013. http://alagamentos.topical.com.br/, Último

acesso em Fevereiro de 2014.

[56] MAIA, M. Cmsp, 2013. http://cmsp.topical.com.br/, Último acesso em

Fevereiro de 2014.

[57] MARTINS, M. O que é gestão pública?, 2013. http://www.gestaopublica.net/

blog/?p=50, Último acesso em julho de 2013.

[58] MÜLLER, T. Find toilet, 2009. http://beta.findtoilet.dk/, Último acesso em

Fevereiro de 2014.

[59] NARENDRA DUDHE, PROF. SANJEEV SINGH CHAUHAN, A. P. A. Y. Selection of

supply chain partner for coke energy ltd. india using combined ahp (analytical

hierarchy process)-wsm (weighted sum model) approach. International Journal

of Engineering Sciences & Research Technology, 2:1918, 2013.

[60] OPENDATA-BR. Para onde foi o meu dinheiro, 2014. http://www.

paraondefoiomeudinheiro.org.br/, Último acesso em Setembro de 2014.

[61] ORACLE. Oracle Data Mining, 2013. http://www.oracle.com/technetwork/

database/options/advanced-analytics/odm/index.html, Acessado em

Agosto de 2013.

[62] PATEMAN, C. Participação e teoria democrática. Paz e Terra, 1992.

[63] PENTAHO. Pentaho BI Tools, 2013. http://www.pentaho.com/, Último acesso

em Agosto de 2013,.

[64] RALHA, C. G.; ABREU, C. G.; COELHO, C. G.; ZAGHETTO, A.; MACCHIAVELLO, B.;

MACHADO, R. B. A multi-agent model system for land-use change simulation.

Environmental Modelling & Software, 42(0):30 – 46, 2013.

[65] REBONATTO, M. T. Um Estudo sobre Simulação Paralela. PhD thesis, Instituto de

Informática, UFRGS, 1999.

[66] ROCHA, R. A gestão descentralizada e participativa das políticas públicas no

brasil. revista pós ciências sociais. Revista Pós Ciências Sociais, 6(11):41–57,

2009.

[67] RUSSEL, S.; NORVIG, P. Artificial Intelligence: A Mordern Approach. Prentice

Hall, 1rst edition, 1995.

[68] RUSSEL, S.; NORVIG, P. Inteligência Artificial. Elsevier, 3rst edition, 2013.

http://alagamentos.topical.com.br/

http://cmsp.topical.com.br/

http://www.gestaopublica.net/blog/?p=50

http://www.gestaopublica.net/blog/?p=50

http://beta.findtoilet.dk/

http://www.paraondefoiomeudinheiro.org.br/

http://www.paraondefoiomeudinheiro.org.br/

http://www.oracle.com/technetwork/database/options/advanced-analytics/odm/index.html

http://www.oracle.com/technetwork/database/options/advanced-analytics/odm/index.html

http://www.pentaho.com/


[69] SANTOS, R. Mineração e visualização de dados usando java, 2010. http://www.

lac.inpe.br/~rafael.santos/Docs/CTI2010/JavaDMVis.pdf, Último acesso

em Fevereiro de 2014.

[70] SEBBA PATTO, V. The use of assistant agents for the analysis and decision

making in participatory management. PhD thesis, UFR d’Informatique, Université

Pierre et Marie Curie, 2010.

[71] SEBBA PATTO, V.; I., J.; LEWKOVICZ, Z.; SEGHROUCHNI, A. E. F. A multi-agent

based simulation to support the digital assistant for participatory public mana-

gement. In: de Aguiar, M. S.; da Silva, M. D.; Adamatti, D. F.; Andrade, P. R., editors,

Workshop em Computação Aplicada à Gestão do Meio Ambiente e Recursos Natu-

rais (WCAMA), Maceió, AL, Brazil, July 2013. SBC. in press.

[72] SEIFERT, J. W. Crs report for congress - data mining: An overview. Congressi-

onal Research Service, 2004.

[73] SILVA, V. B. S.; MORAIS, D. C.; ALMEIDA, A. T. A multicriteria group decision mo-

del to support watershed committees in brazil. Water Resources Management,

24(14):4075–4091, 2010.

[74] SILVA, V. B. D. S.; SCHRAMM, F.; CARVALHO, H. R. C. D. O uso do método PRO-

METHEE para seleção de candidatos à bolsa-formação do Pronatec. Production,

24:548 – 558, 09 2014.

[75] SPOTCRIME. Spotcrime, 2014. http://spotcrime.com/, Último acesso em Julho

de 2014.

[76] TEIXEIRA, E. C. O local e o global: desafios da participação cidadã. Cortez, São

Paulo, SP, 2001.

[77] TERRY, F. U. P.-S. G. S. P. W. The kdd process for extracting useful knowledge

from volumes of data. Communications of the ACM, 39(11), 1996.

[78] TIAN, G.; OUYANG, Y.; QUAN, Q.; WU, J. Simulating spatiotemporal dynamics of

urbanization with multi-agent systems—a case study of the phoenix metropoli-

tan region, {USA}. Ecological Modelling, 222(5):1129 – 1138, 2011.

[79] SIMUNOVIC, L.; BRCIC, D.; SADIC, H. Choice of an optimal management strategy

of transport demand using multi-criteria analysis: City of zagreb case study.

International Journal for Traffic and Transport Engineering, (1):60–71, 2012.

http://www.lac.inpe.br/~rafael.santos/Docs/CTI2010/JavaDMVis.pdf

http://www.lac.inpe.br/~rafael.santos/Docs/CTI2010/JavaDMVis.pdf

http://spotcrime.com/


[80] VACULÍN, R.; NERUDA, R. Autonomous behavior of computational agents. In:

Ribeiro, B.; Albrecht, R.; Dobnikar, A.; Pearson, D.; Steele, N., editors, Adaptive and

Natural Computing Algorithms, p. 514–517. Springer Vienna, 2005.

[81] VIZZARI, M.; MODICA, G. Environmental effectiveness of swine sewage mana-

gement: A multicriteria ahp-based model for a reliable quick assessment. Envi-

ronmental Management, 52(4):1023–1039, 2013.

[82] WAIKATO, U. O. Weka, 2013. http://www.cs.waikato.ac.nz/ml/weka/,

Último acesso em Agosto de 2013.

[83] WANG, J; HU, X. Z. D. Minimizing the minus sides of mining data. In: Taniar, D,

editor, DATA MINING AND KNOWLEDGE DISCOVERY TECHNOLOGIES, p. 254–

279. IGI Publishing, 2008.

[84] WIZSOFT. WizRule, 2013. http://www.wizsoft.com/default.asp?Win=8, Úl-

timo acesso em Agosto de 2013.

[85] WOOLDRIDGE, M.; JENNINGS, N. Intelligent Agents: Theory and Practice, vo-

lume 10. Cambridge University Press, 2nd edition, June 1995.

[86] WOOLDRIDGE, M. J. Intelligent Agents. In Multi-agent Systems: A Modern

Approach to Distributed Artificial Intelligence. MIT Press, London, England, 1999.

[87] YEH, C.-H.; XU, Y. Sustainable planning of e-waste recycling activities using

fuzzy multicriteria decision making. Journal of Cleaner Production, 52(0):194 –

204, 2013.

[88] YU, H., . R. D. G. The new ambiguity of “open government”. UCLA LAW

REVIEW, 2012.

http://www.cs.waikato.ac.nz/ml/weka/

http://www.wizsoft.com/default.asp?Win=8

APÊNDICE AIndicadores do Projeto ADGEPA

Atualmente, o projeto ADGEPA possui 60 indicadores cadastrados, 23 deles sãoambientais e 37 são sociais. Todos os indicadores receberam um número de identificação.Os indicadores ambientais foram divididos em 5 grupos: água, ar, solo, Desmatamen-to/extração/exploração/caça/pesca. Os indicadores sociais foram divididos em 5 grupos:segurança, educação, saúde, infraestrutura urbana e invasão.

1. Água: Despejo de esgoto2. Água: Despejo de resíduos sólidos3. Água: Despejo de resíduos tóxicos4. Água: Uso ilegal de água superficial5. Água: Dragagem de leitos de rios ou córregos6. Água: Poço artesiano irregular ou ilegal7. Ar: Fumaça eliminada por veículos8. Ar: Fumaça eliminada por fábricas9. Ar: Queimadas

10. Ar: Poeira11. Ar: Emissão de odores fétidos (curtumes, pocilgas, esgoto não tratado, etc)12. Solo: Despejo de esgoto no solo13. Solo: Depósito clandestino/irregular de resíduos sólidos urbanos14. Solo: Depósito clandestino/irregular de resíduos de construção civil15. Solo: Extração irregular de areia, argila ou cascalho16. Solo: Uso ilegal do solo (plantio etc)17. Solo: Ocorrência de erosões (sulcos, ravinas, voçorocas)18. Desmatamento: Desmatamento de vegetação remanescente19. Desmatamento: Extração ou exploração de recursos naturais de forma irregular20. Desmatamento: Caça irregular21. Desmatamento: Pesca irregular22. Invasão: Invasão em áreas protegidas23. Invasão: Invasão em matas ciliares24. Segurança: Assalto

Apêndice A 80

25. Segurança: Roubo26. Segurança: Vandalismo27. Segurança: Estupro28. Segurança: Violência contra mulher, criança, idoso29. Segurança: Gangs30. Segurança: Traficantes31. Segurança: Usuários de drogas ilícitas32. Educação: Escola sem professor33. Educação: Escola com problemas estruturais34. Educação: Falta de creche35. Educação: Falta de escola de ensino fundamental36. Educação: Falta de escola de ensino médio37. Educação: Falta de faculdade ou universidade38. Saúde: Falta de posto de saúde39. Saúde: Falta de hospital40. Saúde: Falta de médico41. Saúde: Falta de medicamento42. Saúde: Superlotação43. Saúde: Atendimento ruim44. Saúde: Falta de leito45. Saúde: Falta de equipamentos46. Infraestrutura Urbana: Iluminação pública deficiente, inexistente47. Infraestrutura Urbana: Pavimentação pública deficiente, inexistente48. Infraestrutura Urbana: Rede de coleta de esgoto inexistente49. Infraestrutura Urbana: Abastecimento de água insuficiente, inexistente50. Infraestrutura Urbana: Atendimento de energia elétrica insatisfatório, inexistente51. Infraestrutura Urbana: Ponto de alagamento, inundação ou enchente52. Infraestrutura Urbana: Ponto de congestionamento53. Infraestrutura Urbana: Acidentes envolvendo veículos, motos, ciclistas, pedes-

tres54. Infraestrutura Urbana: Buracos/erosões em vias públicas55. Infraestrutura Urbana: Inexistência de bueiros (galerias de água pluvial)56. Infraestrutura Urbana: Drenagem inadequada de águas pluviais57. Infraestrutura Urbana: Ponto de estrangulamento irregular de drenagem fluvial

(represa/barragem clandestina)58. Invasão: Invasão de patrimônio público59. Invasão: Invasão de terreno público

APÊNDICE BExemplo de Cluster Espacial

Todos os clusters espaciais podem ser encontrados na Internet[7].As colunas da Tabela B representam em sequência:

1. ID: Número de identificação do usuário;2. IND: Número que representa o indicador, a lista completa pode ser vista no

Apêndice A;3. ANO: Ano da denúncia;4. MÊS: Mês da denúncia;5. SE: Semana da denúncia;6. DIA: Dia da denúncia;7. H: Hora da denúncia;8. M: Minuto da denúncia;9. S: Segundo da denúncia;

10. COORD.X: Coordenada X do local da denúncia;11. COORD.Y: Coordenada Y do local da denúncia;

ID IND ANO MÊS SE DIA H M S COORD.X COORD.Y96 42 2013 6 26 26 21 19 23 -49.244432 -16.691592

41 49 2013 6 23 6 4 41 41 -49.245265 -16.692522

64 24 2013 6 25 22 7 59 21 -49.243612 -16.691714

87 59 2013 6 24 12 23 55 39 -49.243607 -16.692169

38 54 2013 6 23 3 23 12 34 -49.245088 -16.692881

97 8 2013 6 25 18 0 11 15 -49.244951 -16.692889

50 35 2013 6 23 3 3 2 4 -49.246353 -16.692082

25 51 2013 6 23 7 7 41 24 -49.244952 -16.691857

18 17 2013 6 24 12 20 38 22 -49.244362 -16.693397

19 41 2013 6 24 10 13 54 28 -49.245389 -16.692386

43 59 2013 6 26 24 13 38 31 -49.244398 -16.693339

16 7 2013 6 26 24 21 1 17 -49.243111 -16.692416

Apêndice B 82

12 45 2013 6 25 20 15 30 4 -49.246135 -16.693465

67 58 2013 6 24 13 3 20 51 -49.242288 -16.693022

80 44 2013 6 23 6 7 56 14 -49.245422 -16.693608

18 17 2013 6 25 18 7 22 37 -49.246033 -16.692779

87 59 2013 6 24 14 9 17 42 -49.244192 -16.692381

24 26 2013 6 22 2 1 15 57 -49.245327 -16.693073

68 4 2013 6 25 21 18 27 25 -49.244677 -16.691585

69 28 2013 6 23 5 7 55 1 -49.244687 -16.691446

24 26 2013 6 24 11 16 34 52 -49.247167 -16.692925

82 54 2013 6 22 1 12 28 11 -49.24674 -16.69349

54 15 2013 6 22 2 3 3 2 -49.244453 -16.692241

4 26 2013 6 24 13 7 56 20 -49.24585 -16.693158

83 19 2013 6 24 12 18 11 36 -49.244657 -16.691876

16 7 2013 6 23 9 11 34 31 -49.244077 -16.692311

15 21 2013 6 25 19 15 28 19 -49.246398 -16.692846

78 33 2013 6 23 3 12 2 6 -49.243369 -16.6933

43 59 2013 6 24 15 10 12 8 -49.245493 -16.692517

24 26 2013 6 23 5 6 5 50 -49.24415 -16.69297

96 42 2013 6 25 22 18 49 17 -49.24614 -16.691994

80 44 2013 6 23 9 4 14 24 -49.244553 -16.692953

30 16 2013 6 22 1 21 21 46 -49.243235 -16.692762

7 1 2013 6 26 26 4 52 53 -49.244694 -16.691833

51 1 2013 6 22 1 1 42 14 -49.243291 -16.691758

82 54 2013 6 24 11 1 41 21 -49.245383 -16.693484

11 40 2013 6 25 19 3 26 32 -49.244678 -16.693636

78 33 2013 6 24 13 22 18 6 -49.245144 -16.692776

Tabela B.1: Parte do primeiro cluster espacial

APÊNDICE CExemplo de Cluster Temporal

Todos os clusters temporais podem ser encontrados na Internet[8].As colunas da Tabela C representam em sequência:

1. ID: Número de identificação do usuário;2. IND: Número que representa o indicador, a lista completa pode ser vista no

Apêndice A;3. ANO: Ano da denúncia;4. MÊS: Mês da denúncia;5. SE: Semana da denúncia;6. DIA: Dia da denúncia;7. H: Hora da denúncia;8. M: Minuto da denúncia;9. S: Segundo da denúncia;

10. COO.X: Coordenada X do local da denúncia;11. COO.Y: Coordenada Y do local da denúncia;12. CLUS: Indica a qual cluster a denúncia pertence;

ID IND ANO MÊS SE DIA H M S COO. X COO. Y CLUS41 49 2013 6 23 6 4 41 41 -49.245265 -16.692522 0

80 44 2013 6 23 6 7 56 14 -49.245422 -16.693608 0

69 28 2013 6 23 5 7 55 1 -49.244687 -16.691446 0

24 26 2013 6 23 5 6 5 50 -49.24415 -16.69297 0

6 36 2013 6 23 6 2 52 9 -49.242085 -16.692458 0

23 21 2013 6 23 6 21 37 50 -49.242882 -16.6927 0

61 49 2013 6 23 5 22 29 26 -49.243431 -16.692206 0

87 59 2013 6 24 12 23 55 39 -49.243607 -16.692169 1

18 17 2013 6 24 12 20 38 22 -49.244362 -16.693397 1

67 58 2013 6 24 13 3 20 51 -49.242288 -16.693022 1

87 59 2013 6 24 14 9 17 42 -49.244192 -16.692381 1

24 26 2013 6 24 11 16 34 52 -49.247167 -16.692925 1

4 26 2013 6 24 13 7 56 20 -49.24585 -16.693158 1

83 19 2013 6 24 12 18 11 36 -49.244657 -16.691876 1

25 51 2013 6 23 7 7 41 24 -49.244952 -16.691857 2

19 41 2013 6 24 10 13 54 28 -49.245389 -16.692386 2

16 7 2013 6 23 9 11 34 31 -49.244077 -16.692311 2

Apêndice C 84

80 44 2013 6 23 9 4 14 24 -49.244553 -16.692953 2

67 58 2013 6 24 10 15 7 34 -49.242806 -16.692413 2

26 36 2013 6 23 9 16 4 30 -49.244672 -16.693593 2

19 41 2013 6 24 10 23 10 15 -49.24595 -16.693527 264 24 2013 6 25 22 7 59 21 -49.243612 -16.691714 3

43 59 2013 6 26 24 13 38 31 -49.244398 -16.693339 3

16 7 2013 6 26 24 21 1 17 -49.243111 -16.692416 3

96 42 2013 6 25 22 18 49 17 -49.24614 -16.691994 3

31 41 2013 6 25 23 12 53 46 -49.24638 -16.692628 3

4 26 2013 6 25 22 23 2 58 -49.24271 -16.692715 3

39 20 2013 6 25 22 18 9 4 -49.244727 -16.692894 3

24 26 2013 6 22 2 1 15 57 -49.245327 -16.693073 4

82 54 2013 6 22 1 12 28 11 -49.24674 -16.69349 4

54 15 2013 6 22 2 3 3 2 -49.244453 -16.692241 4

30 16 2013 6 22 1 21 21 46 -49.243235 -16.692762 4

51 1 2013 6 22 1 1 42 14 -49.243291 -16.691758 4

8 6 2013 6 22 1 2 22 19 -49.243406 -16.69193 4

46 15 2013 6 22 2 5 46 37 -49.244131 -16.693061 4

38 54 2013 6 23 3 23 12 34 -49.245088 -16.692881 5

50 35 2013 6 23 3 3 2 4 -49.246353 -16.692082 5

78 33 2013 6 23 3 12 2 6 -49.243369 -16.6933 5

12 45 2013 6 23 4 18 1 39 -49.246699 -16.692882 5

53 30 2013 6 23 3 20 39 53 -49.246427 -16.693395 5

9 30 2013 6 23 4 11 7 23 -49.243213 -16.693593 5

38 54 2013 6 23 4 19 59 24 -49.244907 -16.693624 5

12 45 2013 6 25 20 15 30 4 -49.246135 -16.693465 6

68 4 2013 6 25 21 18 27 25 -49.244677 -16.691585 6

15 21 2013 6 25 19 15 28 19 -49.246398 -16.692846 6

11 40 2013 6 25 19 3 26 32 -49.244678 -16.693636 6

4 26 2013 6 25 21 2 22 9 -49.243458 -16.692794 6

25 51 2013 6 25 20 4 39 48 -49.243544 -16.69284 6

65 48 2013 6 25 19 12 25 5 -49.244739 -16.692725 6

97 8 2013 6 25 18 0 11 15 -49.244951 -16.692889 7

18 17 2013 6 25 18 7 22 37 -49.246033 -16.692779 7

43 59 2013 6 24 15 10 12 8 -49.245493 -16.692517 7

54 15 2013 6 24 16 15 38 18 -49.244729 -16.693041 7

91 39 2013 6 25 17 20 51 16 -49.24448 -16.691388 7

13 11 2013 6 24 15 12 24 10 -49.244537 -16.692845 7

12 45 2013 6 24 15 22 53 32 -49.246754 -16.692788 7

7 1 2013 6 26 27 23 7 15 -49.243735 -16.692975 8

46 15 2013 6 26 27 18 21 32 -49.245621 -16.692084 8

73 9 2013 6 26 27 0 21 4 -49.244863 -16.691638 8

93 9 2013 6 26 29 19 52 12 -49.246418 -16.693492 8

60 25 2013 6 26 28 18 16 50 -49.244498 -16.691999 8

53 30 2013 6 26 28 16 24 2 -49.246715 -16.693497 8

100 23 2013 6 26 29 1 38 15 -49.242632 -16.693394 8

96 42 2013 6 26 26 21 19 23 -49.244432 -16.691592 9

7 1 2013 6 26 26 4 52 53 -49.244694 -16.691833 9

99 18 2013 6 26 26 3 7 38 -49.245565 -16.69275 9

54 15 2013 6 26 25 17 36 27 -49.24363 -16.691724 9

13 11 2013 6 26 25 2 6 19 -49.245874 -16.692621 9

41 49 2013 6 26 26 0 3 18 -49.242493 -16.692204 9

82 54 2013 6 26 25 9 24 38 -49.245869 -16.693543 9

Tabela C.1: Parte do primeiro cluster temporal

APÊNDICE DDados simulados

O Data Warehouse pode ser encontrado na Internet[10].A coluna C indica o cluster representado no formato X.Y. X representa o cluster

espacial e Y representa o cluster temporal. Cada linha da Tabela D indica a quantidadede vezes que cada indicador (representado nas colunas de 1 a 59) ocorre em cada clusterespaço-temporal.

Apêndice D 86

C1

23

45

67

89

1011

1213

1415

1617

1819

2021

2223

2425

2627

2829

3031

3233

3435

3637

3839

4041

4243

4445

4647

4849

5051

5253

5455

5657

5859

0.0

02

00

22

13

11

10

03

41

11

20

50

10

52

01

02

00

31

21

00

12

10

04

21

01

73

01

11

10

03

0

0.1

22

04

13

41

22

40

02

11

12

42

50

52

42

00

44

10

35

34

02

21

51

24

31

06

12

20

12

44

08

6

0.2

20

04

34

20

23

50

01

21

02

24

50

36

50

01

44

30

01

12

01

13

31

36

60

01

31

30

16

71

06

2

0.3

21

02

25

21

54

20

00

21

00

47

40

12

31

00

20

00

06

10

01

33

22

05

12

08

20

12

20

50

01

2

0.4

30

01

23

20

11

10

02

41

10

14

30

13

21

01

11

10

10

21

02

24

21

02

10

01

43

01

12

00

01

0

0.5

30

03

03

11

31

10

01

11

10

21

10

11

41

00

13

00

11

21

00

12

12

00

10

01

11

01

23

22

01

0

0.6

30

02

33

11

01

40

03

42

02

01

40

20

33

00

40

20

04

20

01

25

32

33

31

05

13

20

32

21

02

4

0.7

42

01

33

21

61

30

06

32

20

62

10

43

53

02

24

40

22

10

02

53

11

24

42

03

03

00

11

63

05

5

0.8

11

01

24

21

102

40

02

43

11

50

00

21

42

02

13

30

02

23

02

03

21

02

30

01

42

20

12

21

02

2

0.9

20

03

11

10

22

60

00

30

11

12

10

02

22

00

00

10

01

20

03

21

22

02

11

00

30

00

31

22

01

2

1.0

11

02

40

00

33

20

01

22

13

41

40

01

12

02

02

10

05

01

00

01

10

05

11

01

21

02

10

30

04

2

1.1

11

06

26

11

62

40

02

32

00

32

30

23

45

01

34

30

11

03

00

44

20

03

30

03

15

10

13

31

01

4

1.2

41

06

46

37

112

60

08

41

21

55

110

84

44

01

66

40

13

84

02

89

33

311

31

05

28

21

26

83

02

8

1.3

62

02

65

00

41

30

00

41

00

03

60

30

40

00

54

00

31

03

01

33

10

23

20

01

42

14

37

53

03

1

1.4

11

01

21

10

11

30

01

30

20

21

20

00

30

00

10

10

04

00

00

15

00

10

21

00

00

01

10

00

00

1

1.5

53

04

36

12

84

60

08

95

12

83

50

47

85

01

57

50

48

46

03

38

30

310

41

06

46

23

44

62

02

4

1.6

41

01

34

10

35

50

01

24

11

10

30

11

11

01

02

00

15

00

00

22

32

11

00

00

12

11

30

50

02

3

1.7

13

02

02

11

52

30

03

62

21

84

10

52

11

02

53

30

19

23

00

16

21

14

30

00

31

11

55

10

01

1

1.8

11

05

35

21

13

30

01

20

02

51

20

43

32

00

32

30

05

13

00

00

21

01

22

00

33

22

20

21

03

6

1.9

31

03

20

20

21

10

02

41

20

21

20

21

33

01

11

10

01

11

00

44

10

02

30

00

32

10

00

30

00

3

99.0

20

01

22

11

50

50

03

33

11

24

20

10

23

00

15

10

11

31

00

10

32

11

12

00

40

10

12

30

01

1

99.1

33

01

23

10

11

40

03

53

00

20

20

11

62

02

33

20

27

13

00

04

11

12

12

01

01

22

31

41

01

1

99.2

41

01

32

30

13

40

03

21

01

14

30

64

53

01

12

20

22

22

02

43

01

22

51

02

45

02

20

23

03

5

99.3

21

01

21

10

23

10

02

13

02

22

10

12

00

00

02

10

01

11

02

21

00

14

11

02

30

11

33

30

03

3

99.4

10

03

12

21

43

40

02

21

11

12

20

12

10

01

24

10

21

22

00

01

10

01

02

02

31

00

12

04

00

1

99.5

11

01

45

11

24

00

03

23

21

21

10

42

43

01

16

20

13

22

03

31

21

32

20

01

41

52

25

62

02

8

99.6

30

06

36

11

23

10

00

42

11

52

50

40

31

02

26

30

14

11

00

56

10

35

01

03

52

01

11

101

05

1

99.7

22

05

25

01

57

20

05

50

25

52

60

22

53

00

34

20

07

24

03

32

71

14

70

03

53

23

33

61

07

3

99.8

72

013

78

44

88

70

05

73

01

62

140

48

65

04

64

30

65

25

01

47

72

714

65

06

56

02

40

81

04

9

99.9

00

03

12

11

11

50

02

11

10

30

40

24

32

01

37

00

12

30

00

21

21

02

30

01

01

32

01

40

00

2

Tabe

laD

.1:P

arte

doD

ata

War

ehou

se

Apêndice D 87

D.1 Códigos de Programa

Os códigos-fonte podem ser encontrados na Internet[9].

agente para suporte À decisÃo multicritÉrio em … · método electre ii 32 métodos electre iii...

Documents