AGENTE PARA SUPORTE À DECISÃO MULTICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA

Transcrição

1 UNIVERSIDADE FEDERAL DE GOIÁS INSTITUTO DE INFORMÁTICA LEONARDO AFONSO AMORIM AGENTE PARA SUPORTE À DECISÃO MULTICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA Goiânia 2014

2 LEONARDO AFONSO AMORIM AGENTE PARA SUPORTE À DECISÃO MULTICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA Dissertação apresentada ao Programa de Pós Graduação do Instituto de Informática da Universidade Federal de Goiás, como requisito parcial para obtenção do título de Mestre em Ciências da Computação. Área de concentração: Ciências da Computação. Orientador: Prof. Dr. Renato de Freitas Bulcão Neto Co-Orientador: Prof. Dr. Vinicius Sebba Patto Goiânia 2014

3 LEONARDO AFONSO AMORIM AGENTE PARA SUPORTE À DECISÃO MULTICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA Dissertação defendida no Programa de Pós Graduação do Instituto de Informática da Universidade Federal de Goiás como requisito parcial para obtenção do título de Mestre em Ciências da Computação, aprovada em 26 de Setembro de 2014, pela Banca Examinadora constituída pelos professores: Prof. Dr. Renato de Freitas Bulcão Neto Instituto de Informática UFG Presidente da Banca Prof. Dr. Vinicius Sebba Patto Instituto de Informática UFG Prof. Dr. Iwens Gervasio Sene Junior Instituto de Informática UFG Prof. Dr. Gelson da Cruz Júnior Escola de Engenharia Elétrica, Mecânica e de Computação UFG

4 Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem autorização da universidade, do autor e do orientador(a). Leonardo Afonso Amorim Graduou-se em Engenharia de Computação pela Pontifícia Universidade Católica de Goiás. Trabalhou como Analista de Infraestrutura Sênior pela empresa 4Linux com Software Livre entre 2007 e 2013 na área de treinamentos a distância. Ministrou mais de 100 cursos EAD nas áreas de Sistemas Operacionais, Infraestrutura, Segurança e Desenvolvimento com Java. Atualmente é professor substituto no Instituto de Informática na Universidade Federal de Goiás. Durante o Mestrado, na UFG - Universidade Federal de Goiás, foi bolsista da CAPES e trabalha no desenvolvimento de um agente inteligente no grupo de pesquisa Aplicação de metodologias e técnicas computacionais para construção de sistemas inteligentes.

5 Gostaria de agradecer a Fundação de Amparo a Pesquisa do Estado de Goiás pelo apoio financeiro ao projeto de pesquisa Aplicação de metodologias e técnicas computacionais para construcao de sistemas inteligentes no qual eu sou integrante.

6 Agradecimentos À minha mãe Celuta Maria Afonso, minha esposa Paloma Victor Santos Amorim e familiares, em especial meu irmão Jader Afonso Amorim, pelo apoio em todos os momentos de minha vida. Superar cada obstáculo na busca dos meus objetivos foi menos árduo com o apoio de cada uma destas pessoas. Esta vitória tem uma valiosa contribuição de cada um. Ao meu orientador, Professor Renato Bulcão Neto, e ao Professor Iwens Sene Junior pela atenção e apoios constantes durante esta etapa da minha vida acadêmica. Ao meu co-orientador, Professor Vinicius Sebba Patto, pela oportunidade de desenvolver este trabalho em seu grupo de pesquisa. Suas orientações, críticas e apoio foram 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.

7 Resumo Afonso Amorim, Leonardo. AGENTE PARA SUPORTE À DECISÃO MUL- TICRITÉRIO EM GESTÃO PÚBLICA PARTICIPATIVA. Goiânia, p. Dissertação de Mestrado. Instituto de Informática, Universidade Federal de Goiás. Tomada de decisão em gestão pública é associada ao alto grau de complexidade devido à insuficiência de recursos financeiros para atender todas as demandas provindas de diversos setores da sociedade. Frequentemente, atividades econômicas estão em conflito com causas sociais ou ambientais. Outro aspecto importante em tomadas de decisão em gestão pública é a inclusão dos diversos stakeholders, por exemplo especialistas em gestão pública, pequenos empresários, pequenos comerciantes, professores, representantes de classes sociais e profissionais, os próprios cidadãos etc. Diante disto, o objetivo deste trabalho de mestrado é apresentar uma proposta de Agente Minerador (AM) e Agente de Suporte à Decisão (ASD) para Gestão Pública Participativa e como fazer a interface entre eles. O AM faz uso de técnicas de mineração de dados para se encontrar regras de associação entre dados socioambientais, temporais e espaciais e o ASD faz uso de análise multicritério para ranquear problemas socioambientais que devem ser solucionados com prioridade. O contexto em que este trabalho se insere é o projeto ADGEPA (Assistente Digital para Gestão Pública Participativa), um projeto inovador para suporte à tomada de decisão participativa em gestão pública. Entende-se que a contribuição principal deste trabalho de mestrado é a possibilidade de auxiliar na descoberta de padrões e correlações entre aspectos socioambientais que não são muito óbvias e que podem variar de comunidade para comunidade. Esta contribuição poderá auxiliar o gestor público a tomar decisões sistêmicas que além de atacar o problema principal de uma determinada região diminuirá ou solucionará também problemas de outros aspectos. A validação dos resultados depende de dados reais e de análise de gestores públicos. Neste trabalho os dados foram simulados. Palavras chave Suporte à decisão, análise multicritério, kdd, gestão pública participativa, simulação multiagente, gestão pública

8 Abstract Afonso Amorim, Leonardo. Agent to support multicriteria decision in Public Participatory Management. Goiânia, p. MSc. Dissertation. Instituto de Informática, Universidade Federal de Goiás. Decision making in public management is associated with a high degree of complexity due to insufficient financial resources to meet all the demands emanating from various sectors of society. Often, economic activities are in conflict with social or environmental causes. Another important aspect in decision making in public management is the inclusion of various stakeholders, eg public management experts, small business owners, shopkeepers, teachers, representatives of social and professional classes, citizens etc. The goal of this master thesis is to present two computational agents to aid decision making in public management as part of ADGEPA project: Miner Agent (MA) and Agent Decision Support (DSA). The MA uses data mining techniques and DSA uses multi-criteria analysis 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) is an innovative practice to support participatory decision making in public resources management. The main contribution of this master thesis is the ability to assist in the discovery of patterns and correlations between environmental aspects that are not too obvious and can vary from community to community. This contribution would help the public manager to make systemic decisions that in addition to attacking the main problem of a given region would decrease or solve other problems. The validation of the results depends on actual data and analysis of public managers. In this work, the data were simulated. Keywords Decision support, multi-criteria decision analysis, kdd, participatory public management, multi-agent simulation

9 Sumário Lista de Figuras 10 Lista de Tabelas 11 1 Introdução Contextualização Motivação Desafios Objetivos Metodologia Contribuições Organização da Dissertação 16 2 Fundamentação Teórica e Trabalhos Relacionados Gestão pública no Brasil Gestão pública participativa Vantagens Desvantagens Desafios e Projetos de Gestão Pública Participativa Tomada de Decisão Multicritério Etapas para tomada de decisão Métodos para tomada de decisão Método para análise multicritério Soma Ponderada Método para análise multicritério AHP (Analytic Hierarchy Process) Métodos ELECTRE (Elimination et Choix Traduisant La Realité) 31 Electre I 32 Método Electre II 32 Métodos Electre III e Electre IV Métodos Promethée (Preference Ranking Method for Enrichment Evaluation) Trabalhos relacionados Descoberta de conhecimento em base de dados Fases do KDD Descoberta de associação Classificação e predição Análise de padrões sequenciais Agrupamento - clustering Sumarização Regressão ou Estimação 46

10 2.3.8 Limitações da Mineração de Dados Ferramentas para mineração de dados Sistemas multiagentes Introdução Agentes computacionais Agentes computacionais inteligentes Sistemas Multiagentes (SMA) Motivações Aplicabilidade Simulação Considerações finais 53 3 Agentes para Suporte à Decisão O Projeto ADGEPA O Agente Minerador O Agente de Suporte à Decisão Considerações Finais 66 4 Conclusões e Trabalhos Futuros Conclusão 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 85 D.1 Códigos de Programa 87

11 Lista de Figuras 2.1 Site do Projeto SpotCrime Site do Projeto Cidadão Participativo Autovetores calculados pelo AHP Fases do processo de KDD. Fonte: Adaptado de Fayyad et al (1996) Agente interagindo com o ambiente. Adaptado de [67] Representação gráfica do ADGEPA Simulação Multiagente no Projeto ADGEPA (8 elementos e um agente) Simulação Multiagente no Projeto ADGEPA (3 agentes e uma grande área) A arquitetura da simulação Agrupamentos espaciais gerados pela Weka 60

12 Lista de Tabelas 2.1 Exemplo de uso do AHP Exemplo de uso do AHP com valores Comparação entre os métodos multicritério Comparação dos trabalhos relacionados Média das confianças dos 10 primeiros indicadores Ranking de aspectos socioambientais com maior suporte Exemplo de Aspectos Socioambientais e seus identificadores (ID) Ranqueamento segundo perfil ambiental Ranqueamento segundo perfil social 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

13 Introdução CAPÍTULO 1 A gestão pública de cidades e metrópoles não é um trabalho trivial dada a quantidade de variáveis inter-relacionadas que representam os problemas de diversos aspectos em contextos diferentes: social, ambiental, econômico. Dentre os diversos aspectos, pode-se citar, no contexto social: violência, venda de drogas ilícitas, problemas de saúde pública 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 de complexidade devido à insuficiência de recursos financeiros para atender todas as demandas provindas de diversos setores da sociedade. Frequentemente, atividades econômicas estão em conflito com causas sociais ou ambientais. Porém, decisões baseadas em análise de custo-benefício precisam ter perspectiva sustentável, haja vista que sustentabilidade tem por objetivo garantir a preservação de recursos naturais às futuras gerações. Segundo Gamper e Turcanu, análise de custo-benefício e análise de custoeficácia são frequentemente empregadas em processos decisórios de gestão pública. Além delas, o uso de análise multicritério em gestão pública tem ganhado importância, inclusive em documentos da União Europeia e das Nações Unidas, que recomendam o uso da análise multicritério em situações que requerem consideração de critérios que não podem ser expressos facilmente em termos financeiros, [37]. Outro aspecto importante em tomadas de decisão em gestão pública é a inclusão dos diversos stakeholders, por exemplo especialistas em gestão pública, pequenos empresários, pequenos comerciantes, professores, representantes de classes sociais e profissionais, os próprios cidadãos etc. [51] A gestão participativa começou a ser incentivada no Brasil quando a constituição de 1988 estabeleceu um novo modelo que favorece a participação da sociedade civil na gestão pública, [14]. Atualmente, um dos princípios brasileiros de gestão pública se refere a processos participativos de atores sociais em políticas públicas. Por exemplo, a Lei 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].

14 1.1 Contextualização 13 Há pouco tempo, algumas iniciativas baseadas em práticas bottom-up 1 foram propostas para tratar governança participativa de políticas públicas, nas quais os papéis de atores locais possuem relevância. Estas práticas ecoam o movimento de pesquisa chamado ComMod (Companion Modeling e em português significa Modelagem Companheira). Este método tem sido aplicado nos últimos 15 anos em suporte à negociação e tomada de decisão em gerenciamento coletivo de recursos naturais. O método ComMod se apoia no uso conjunto de jogos de papéis e simulação multiagentes de um dado ambiente e seus recursos, [11]. Dentre algumas pesquisas, destacam-se: (i) as simulações participativas pioneiras, como Self Cormas, [21], e Sylvopast, [32]; e (ii) trabalhos recentes como SimCommod, [41], JogoMan, [1], e Simparc, [15]. Além dos trabalhos supracitados, pode-se destacar: (i) [64] com um Sistema Multiagente para Simulação Ambiental do Uso da Terra, que se trata de uma técnica de investigação para simular a dinâmica do uso da terra um problema complexo causado pela iteração entre sistemas naturais e sociais em diferentes escalas temporais e espaciais; (ii) [49], no qual é apresentada uma solução multiagente para gerenciamento de energia em um sistema de geração de energia híbrida e renovável e (iii) [78], cujo trabalho descreve uma simulação de dinâmicas espaço-temporal da urbanização com sistemas multiagentes em um estudo de caso da região metropolitana de Phoenix nos Estados Unidos. 1.1 Contextualização Com o intuito de promover a participação de cidadãos no processo de decisão do gestor público o projeto ADGEPA (Assistente Digital de Gestão Pública Participativa) foi proposto para tratar questões ambientais, sociais e econômicas. O ADGEPA é um projeto inovador para suporte à tomada de decisão participativa em gestão pública. Além de poder mudar a forma com que o cidadão participa da evolução de sua cidade ou estado com uma forma prática e fácil pode também ajudar os gestores públicos a tomar decisões baseadas em métodos científicos. Os objetivos do projeto ADGEPA são: (i) criar um canal de comunicação entre cidadão e gestor público; (ii) auxiliar o gestor na tomada de decisão; (iii) promover gestão pública participativa pela inserção da maioria dos anseios populares em tomadas de decisão. Este projeto não se preocupa em determinar valores monetários para investimentos, apenas identificar e ranquear os aspectos mais significantes para mitigar os problemas socioambientais mais relevantes aos seus usuários. 1 Bottom-up é a construção de políticas ou tomadas de decisão elaboradas pelos cidadãos para chegar até o topo da administração.

15 1.2 Motivação 14 Especificamente, pretende-se implementar (i) uma aplicação web responsiva para que usuários marquem suas denúncias em um mapa com o objetivo de coletar denúncias acerca de problemas socioambientais e (ii) uma rede de sensores 2 para coletar dados atmosféricos. A partir de uma base de dados populada, pretende-se agrupar dados de acordo com critérios espaciais; em seguida, por critérios temporais - para se encontrar regras de associação entre dados socioambientais, temporais e espaciais. Por último, utiliza-se análise multicritério sobre os dados encontrados com a mineração (agrupamentos e identificação de associações) [71]. Mais detalhes sobre o projeto ADGEPA podem ser encontrados na Seção Motivação Para muitos administradores públicos, a integração de dados provindos de diversos setores é um desafio árduo. Muitos órgãos públicos definem seus objetivos e estratégias em consonância com os seus próprios bancos de dados e análises. Acredita-se que a descoberta de novas correlações entre fatores socioambientais, temporais e espaciais seja muito importante haja vista que esta nova informação pode ser útil para descoberta de estratégias que podem ser mais eficientes para mitigar ou solucionar problemas socioambientais. Um segundo aspecto importante é a possibilidade de promover o envolvimento de pessoas em gestão pública pela escuta de suas reclamações e opiniões sobre aspectos socioambientais em suas cidades. Práticas participativas apresentam uma vantagem sobre as não participativas: desde que pessoas se tornam participativas, elas aprendem sobre o assunto em questão (trabalhos como [1] e [70] já demonstraram isso). Nesse sentindo, a principal motivação deste trabalho foi integrar a participação do cidadão, estimulando a gestão pública participativa, com um sistema capaz de auxiliar tomada de decisões baseadas em métodos científicos como Descoberta de Conhecimento em Base de Dados e Tomada de Decisão Multicritério. 1.3 Desafios A maioria dos trabalhos citados anteriormente investigaram (i) comportamentos humanos em negociações sobre uso de recursos, (ii) suporte computacional e suporte de agentes inteligentes em tomada de decisão humana, (iii) aprendizagem humana em gerenciamento de recursos e (iv) ranqueamento de alternativas ou aspectos importantes em 2 É importante ressaltar que o desenvolvimento e os testes da rede de sensores não fazem parte deste trabalho de mestrado e são realizados por outros integrantes do grupo de pesquisa do ADGEPA.

16 1.4 Objetivos 15 decisões complexas. Estes trabalhos foram importantes e apresentaram suas contribuições. Entretanto, até onde o autor deste trabalho investigou, nenhum deles integram em um mesmo trabalho gestão pública participativa, 3 suporte à decisão e correlações espaciais, temporais e de aspectos socioambientais (por exemplo, poluição de água e exploração de 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 Agente Minerador e Agente de Suporte à Decisão e como fazer a interface entre eles, que são mostrados e estão em destaque na Figura 3.1. O AM faz uso de técnicas de mineração de 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 que este 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 temporal e o autor da denúncia. O AM agrupa denúncias de acordo com coordenadas (isso define microrregiões em um mapa). Então, esses grupos são reagrupados por intervalos temporais. Assim, cada novo grupo significa um conjunto de denúncias em uma localidade 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 todos os aspectos socioambientais são considerados como campos e possuem valores binários para indicar existência ou não do aspecto. Por questão de tempo, a coleta de denúncias, não foi feita por usuários reais usando o aplicativo web e nem pelo simulador SMA. Foi gerado um arquivo CSV por um programa feito em Java para gerar marcações que representem denúncias aleatórias em uma determinada região do mapa. Este programa recebe como entrada de dados as coordenadas X e Y nas quais as denúncias ocorrerão e o intervalo de tempo. Por meio deste programa, foram geradas denúncias em uma microrregião do mapa, gerado pelas 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 faz uso da API do Weka para a geração de agrupamentos espaciais e temporais. A partir 3 Gestão Pública Participativa é uma gestão em que membros da sociedade civil e representantes de classes são convidados a participar dos processos de tomada de decisão.

17 1.6 Contribuições 16 destes agrupamentos foi gerado um data warehouse, em arquivo CSV, no qual armazena quantas ocorrências cada indicador possui em cada cluster espaço-temporal. Este data warehouse foi usado posteriormente para calcular o suporte e a média de confiança de cada indicador. Os indicadores com maior confiança foram ranqueados para que o método multicritério Soma Ponderada fosse aplicado. Nas subseções 3.2 e 3.3 são detalhados o Agente Minerador e o Agente de Suporte à Decisão. Mais detalhes sobre a metodologia deste trabalho podem ser encontrados no Capítulo Contribuições Entende-se que as contribuições deste trabalho de mestrado são: (i) a possibilidade de auxiliar descoberta de padrões e correlações entre aspectos socioambientais que não são muito óbvias e que podem variar de comunidade para comunidade; (ii) a revisão sistemática de trabalhos relacionados; (iii) as implementações e resultados do Agente Minerador e Agente de Suporte à Decisão. Estas contribuições poderão auxiliar o gestor público a tomar decisões sistêmicas que além de atacar o problema principal de uma determinada 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 relacionados. No Capítulo 3, o funcionamento do AM e ASD são explicados detalhadamente e os resultados são apresentados. No Capítulo 4, a discussão, a conclusão e os trabalhos futuros são apresentados respectivamente.

18 Fundamentação Teórica e Trabalhos Relacionados CAPÍTULO 2 A gestão pública é um termo que designa um campo do conhecimento relacionado às organizações responsáveis pelo desenvolvimento urbano e econômico de uma cidade cuja missão seja de interesse público. A gestão pública abrange áreas como recursos humanos, finanças públicas e políticas públicas [57]. A eficácia da gestão pública não depende só de gestores competentes, mas também bem-intencionados que utilizem um sistema de gestão que otimize os esforços do governo e da sociedade pelo uso dos recursos atuais de sistemas de informação. Estes recursos que possibilitaram avaliações, prestações de contas on-line, a implementação do sistema de IRPF (Imposto de Renda de Pessoa Física) e IRPJ (Imposto de Renda de Pessoa Jurídica) e as avaliações de estágio probatório. Dificilmente seriam apuradas com a 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 o período da ditadura militar, era composto por três elementos: o clientelismo, o corporativismo e o burocratismo Diniz (1996) [29]. Surgiram novas formas de articulação da sociedade civil através de movimentos em busca da democratização para tentar superar a rigidez derivada da burocratização estatal e a hierarquização excessiva dos processos decisórios. As consequências deste formato antigo de gestão pública eram a baixa eficiência e baixa efetividade. A gestão pública no Brasil começou a ganhar novos contornos no início da década de 90, após a Constituição Federal em 1988, ser redesenhada, e também pela consolidação do sistema democrático representativo após a ditadura militar. A partir deste redesenho institucional, o novo formato instituiu a descentralização da administração pública e a participação da sociedade civil no controle da ação dos governos como uma forma de democratização dos processos decisórios.

19 2.1 Gestão pública no Brasil 18 A primeira foma de democratizar os processos decisórios foi por meio de conselhos gestores com processos interativos fortalecidos pelo inciso II do artigo 204 da 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 das ações em todos os níveis é diretriz para as ações governamentais. É importante ressaltar que este processo de mudança no cenário político brasileiro não foi construído de forma espontânea e pacífica. No Brasil, vários são os instrumentos usados para permitir e incentivar a participação cidadã e influenciar no modelo local de desenvolvimento das cidades. Todos, de uma forma ou de outra, podem apontar para um futuro mais ou menos sustentável. Dentre esses instrumentos, é possível destacar três mecanismos: o orçamento participativo, o plano diretor e a Agenda 21. Todos em sua origem estão fundados na exigência de participação efetiva da população nas suas deliberações, sendo inclusive, em alguns casos a participação, como na elaboração do orçamento e do plano diretor, condição de validade dos seus respectivos produtos de elaboração, ou seja, as Leis. O orçamento participativo é um caso de sucesso após sua adoção pela Prefeitura de Porto Alegre. As principais características do orçamento participativo residem na organização e realização de audiências públicas em várias regiões administrativas da cidade, onde são deliberadas as demandas prioritárias de atuação da prefeitura e eleitos os delegados que acompanharão a implementação do orçamento do município. Os benefícios do orçamento participativo foram: o efeito redistributivo das ações da administração e da implementação de políticas públicas; maior transparência na atuação da administração pública com relação à aplicação do orçamento; e origem ao Estatuto das Cidades e a Lei Complementar Federal 101/2001, conhecida como Lei de Responsabilidade Fiscal. Para fortalecer a gestão pública participativa há vários desafios que precisam ser superados, por exemplo, uma ampla reforma política que possa aperfeiçoar os mecanismos da democracia direta e participativa e profundas mudanças no sistema políticopartidário e eleitoral capazes de remodelar o exercício da democracia representativa na direção de práticas republicanas e voltadas no sentido de responder aos legítimos interesses da sociedade fundados nos princípios da equidade e justiça social e no aprofundamento da 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 exercício de uma cidadania ativa em relação a coisa pública. Para esse último desafio existe, atualmente, o conceito de dados abertos governamentais, apresentados na Seção

20 2.1 Gestão pública no Brasil 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]. Segundo Rocha (2009), a participação na esfera pública é importante pelo conteúdo pedagógico, principalmente, para a construção de uma ética social que contribua significativamente para o reordenamento da gestão pública e propicie a passagem de uma cultura de favores a uma cultura de direitos [66]. A gestão democrática tem previsão constitucional de participação do cidadão na administração pública. Isto é explícito no parágrafo único do art. 1 o : Todo o poder emana do povo, que o exerce por meio de representantes eleitos ou diretamente, nos termos desta constituição [14]. O Estatuto das Cidades adota a gestão participativa obrigatória para a elaboração do Plano Plurianual, da Lei de Diretrizes Orçamentárias e da Lei Orçamentária Anual [19]. A própria Constituição Federal determina que o planejamento municipal tenha a cooperação de associações representativas (CF, art. 29, inciso XII) e o Estatuto das Cidades adota a gestão orçamentária participativa (Lei /2001, art. 4o., inciso III, alínea f ). Um aspecto importante da gestão participativa é a possibilidade de promover o envolvimento de pessoas em gestão pública pela escuta de suas reclamações e opiniões sobre aspectos socioambientais em suas cidades. Práticas participativas apresentam uma vantagem sobre as não participativas: desde que pessoas se tornam participativas, elas aprendem 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 uma gestão participativa: Produzir e repassar à população as informações de governo necessárias para a tomada de decisão sobre o orçamento. Na prática isso significa - produzir e divulgar informações necessárias à participação com uma preocupação didática e linguagem adequada para compreensão da população. Criar dentro e fora do governo canais institucionais para facilitar e estimular a participação ativa e contínua da população no processo orçamentário. Capacitar as pessoas envolvidas no orçamento participativo na matéria orçamentária Vantagens A participação promove o desenvolvimento das próprias qualidades que lhe são necessárias, já que, conforme Pateman [62], quanto mais os cidadãos participam melhor capacitados eles se tornam para fazê-lo. É necessário à democratização da gestão pública a participação dos cidadãos na vida pública pois isso lhes torna aptos para intervir nos

21 2.1 Gestão pública no Brasil 20 processos de discussão e deliberação de seus interesses. Além da vantagem da ampliação do poder do cidadão, a gestão participativa visa garantir a efetividade da democracia, pois o cidadão interfere no processo que afetará a sociedade civil Desvantagens Uma desvantagem é que ainda existem muitos fatores que condicionam o exercício da participação da sociedade nos processos decisórios o que faz com que apenas uma minoria interfira nos mesmos. Segundo Benevides [27], os fatores de condicionamento estão relacionados à própria estrutura de poder, característica da sociedade brasileira, que concentra as decisões nas mãos de uma elite minoritária, dificultando o acesso da população 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 social e a sociedade civil apenas beneficiária. A maior parte dos cidadãos brasileiros ainda não está despertada para a importância da participação da sociedade nas decisões coletivas. Para que o cidadão seja capaz de fazer parte da gestão, é necessário que o governo disponibilize informações de forma simples e clara e também de criar e divulgar canais de comunicação entre o governo e sociedade civil. Para isso, é necessário usar os recursos dos sistemas de informações atuais como as redes sociais e também de abertura de 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 Siga seu vereador para acompanhamento das ações do vereador [45]; Painel do PAC para acompanhamento das obras do Programa de Aceleração do Crescimento [48]; Para onde foi meu dinheiro que demonstra de uma forma gráfica e interativa como orçamento foi executado, na esfera federal e no estado de São Paulo [60]. Segundo Pedro Pontual [23], há uma corrente de pensamento que ao se ater às dificuldades e obstáculos enfrentados pelos conselhos de gestão tende a uma visão derrotista de que eles nada podem chegando, em alguns casos, a questionar se teria valido a pena tanto investimento nos canais institucionais, se continua válido apostar-se neste tipo de participação para se alcançar a democratização das políticas públicas Desafios e Projetos de Gestão Pública Participativa Vários projetos em que a participação do cidadão é passiva, isto é, ele faz apenas um acompanhamento do que o governo tem feito pelo município ou estado devido uma tendência de deixar os dados do governo abertos. Dados abertos é apenas um de vários rótulos com o prefixo aberto. Governo aberto, acesso aberto, inovação aberta, educação aberta e conhecimento aberto são algumas outras iniciativas e movimentos nesta área. Por

22 2.1 Gestão pública no Brasil 21 outro lado, as narrativas de governo aberto têm sido geralmente entendida como uma reação a antigas culturas de sigilo governamental, e, mais recentemente, para o espaço limitado para a participação do cidadão na tomada de decisões [88]. Dados abertos é apenas um de vários rótulos com o prefixo aberto. Governo aberto, acesso aberto, inovação aberta, educação aberta e conhecimento aberto são algumas outras iniciativas e movimentos nesta área. Por outro lado, as narrativas de governo aberto têm sido geralmente entendida como uma reação a antigas culturas de sigilo governamental, e, mais recentemente, para o espaço limitado para a participação do cidadão na 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 ferramenta disponibilizada pelo governo para que todos possam encontrar e utilizar os dados e as informações públicas. O portal também tem o objetivo de promover a interlocução entre atores da sociedade e o governo para pensar a melhor utilização dos dados em prol de uma sociedade melhor. No Portal Brasileiro de Dados Abertos é possível encontrar dados da saúde suplementar, do sistema de transporte, de segurança pública, indicadores de educação, gastos governamentais, processo eleitoral, etc. O portal funciona como um grande catálogo que facilita a busca e uso de dados publicados pelos órgãos do governo. Atualmente, o portal disponibiliza o acesso à uma parcela dos dados publicados pelo governo. O plano estratégico prevê que nos próximos 3 anos o portal disponibilize acesso aos dados publicados por todos os órgãos do governo federal, além de dados das esferas

23 2.1 Gestão pública no Brasil 22 estaduais e municipais. A principal motivação para a criação do Portal Brasileiro de Dados abertos foi o sancionamento da Lei de Acesso a Informação Pública de 2011 [20], que regula o acesso a dados e informações detidas pelo governo. Dentre projetos nos quais o cidadão participa de maneira passiva, há um projeto chamado 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. Estes dois projetos mostram como os recursos dos impostos estão sendo gastos pelo governo. Os dados abertos se mostraram importantes também na Dinamarca, onde um projeto chamado Find Toilet (Procurar um banheiro) [58] mostra um mapa com os banheiros públicos do país para ajudar indivíduos, que tem determinados problemas de saúde, a sair de casa mais vezes. Na Holanda, o projeto Vervulings Alarm [4] avisa com uma mensagem se a qualidade do ar da vizinhança está perto de atingir um nível muito prejudicial. Um dos pontos mais interessantes dos dados abertos é permitir a criação de novos conhecimentos por meio de combinação de dados que podem criar novos campos de aplicação como em Londres no século XIX, quando o médico John Snow descobriu a relação entre poluição da água e cólera ao combinar dados sobre mortes por cólera com a 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 desenvolvedor Maurício Maia. Este projeto traz uma nova visualização das prestações de contas disponibilizadas 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 a comparação entre contas de diferentes vereadores. Maurício Maia também criou o projeto Alagamentos [55], que reorganiza dados públicos sobre incidências de alagamentos na cidade de São Paulo. Com este recurso o usuário que usa o Twitter pode ser informado sobre novos pontos de alagamento para que ele evite certas vias perigosas nos dias de chuva ou congestionadas. Há também projetos que dependem da participação ativa do cidadão e já estão funcionando em diversos lugares do mundo. Dentre eles, pode-se citar alguns como o SpotCrime e Cidadão Participativo. SpotCrime é um agregador de dados sobre crimes que 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 conteúdo gerado pelo usuário. O objetivo do SpotCrime é fornecer informações mais precisas sobre crimes para o público[75].

24 2.1 Gestão pública no Brasil 23 Figura 2.1: Site do Projeto SpotCrime. O Cidadão Participativo é um sistema que permite que a população interaja com um mapa, como mostrado na Figura 2.2, criando ocorrências divididas em duas categorias: Denúncias e Locais Acessíveis. Em Denúncias o usuário pode indicar os problemas em sua região; já em Locais Acessíveis ele pode mostrar locais que atendem requisitos para acessibilidade. Com isso é possível mapear as regiões deficientes de ajudas e alertar o representante político sobre o assunto. O sistema também possibilita acompanhar os status das ocorrências e saber seu andamento. O sistema foi implantando na cidade de Goiânia e é mantido pela Assembleia Legislativa [25].

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 tomada de decisão que seja possível que vários stakeholders possam influenciar no apoio à tomada de decisão. Para isto não podem ser considerados apenas aspectos econômicos, mas também sociais e ambientais. O número de organizações, seja governamentais ou privadas, 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 quais reúnem matemáticos, estatísticos, cientistas da computação, economistas e especialistas em Pesquisa Operacional. Segundo Gomes [39], a Pesquisa Operacional é um método científico de tomada decisões que procura aperfeiçoar as operações existentes visando fornecer subsídios racionais. A Pesquisa Operacional é composta por um conjunto de disciplinas, tais como Programação Linear, Teoria das Filas, Simulação, Programação Dinâmica, Teoria dos Jogos, etc Etapas para tomada de decisão Segundo o documento Multi-criteria analysis: a manual [28], criado pelo governo britânico, as etapas para tomada de decisão consistem em: Identificação dos objetivos: A primeira etapa é identificar os objetivos. Boas decisões precisam de objetivos claros. Os objetivos precisam ser específicos, mensuráveis, aceitos, realísticos e dependentes do tempo. Algumas vezes é usual classificar objetivos de acordo com seus níveis. Identificação de opções para alcançar os objetivos: Uma vez que os objetivos foram definidos, o próximo passo é identificar opções que podem contribuir para

26 2.2 Tomada de Decisão Multicritério 25 alcançar estes objetivos. Opções podem variar de políticas amplas, como novas prioridades ambientais para o setor de transporte, através da escolha de determinadas linhas de rotas para as estradas ou a seleção de projetos individuais para melhorar a qualidade da água. Opções potencialmente sensíveis precisam então ser desenvolvidas em detalhe. Isso pode variar de formulação de políticas amplas, tais como a concepção da política fiscal, através do projeto mais detalhado de investimentos individuais. Isto pode ser um feedback importante para a fase de concepção de todas as fases subsequentes da avaliação. Identificação dos critérios para comparação das opções: O próximo passo é decidir como serão comparadas as diferentes opções. Isto requer a seleção de critérios para refletir o desempenho no cumprimento dos objetivos. Cada critério deve ser mensurável, no sentido de que deve ser possível avaliar, pelo menos no sentido qualitativo, o quanto uma opção em particular tem relação com um determinado critério. Análise das opções: Formas comuns de analisar opções no governo são análise financeira e relação custo benefício, análise científica de provas relevantes. E particularmente quando há incerteza científica, uma gama de opinião ou implicações potencialmente significativas para áreas sensíveis de ordem pública. Tomada de decisão: O passo final é o processo de tomada de decisão para escolher uma determinada opção ou opções Métodos para tomada de decisão Existem segundo o manual Multi-criteria analysis: a manual [28], métodos baseados em: Análise financeira: A análise financeira é uma avaliação do impacto de uma opção nos custos e receitas financeiras da organização. Para qualquer proposta significativa do departamento ou órgão competente será geralmente realizar uma análise financeira dos impactos sobre o seu próprio orçamento, e em público despesas. Análise de custo efetividade: A análise de custo efetividade é uma avaliação dos custos das opções que podem atingir o mesmo objetivo. Os custos não precisam ser estritamente financeiros. Quando há opções alternativas para alcançar um objetivo específico, a análise de custo eficácia pode ser usada para avaliar o caminho de menor custo para atingir o objetivo. Cuidados devem ser tomados para que a qualidade não seja negligenciada. Análise de custo-benefício: A análise de custo-benefício é uma avaliação de todos os custos e benefícios das opções alternativas. Ela visa valorizar os impactos

27 2.2 Tomada de Decisão Multicritério 26 esperados de uma opção em termos financeiros. As avaliações se baseiam na disposição de pagar dos potenciais beneficiados para os benefícios que receberão como resultado da opção, e a vontade de potenciais não beneficiados em aceitar compensação pelas perdas que poderão ocorrer. Em princípio, um projeto é desejável se os benefícios excedem as perdas, devidamente descontadas ao longo do tempo. A análise de custo-benefício tem grandes atrativos como uma ferramenta para orientar as políticas públicas, pois considera os ganhos e perdas para todos os membros da sociedade e valoriza os impactos em termos de uma escala de medida simples: o dinheiro. Frequentemente, a análise de custo-benefício é criticada por razões políticas ou filosóficas. As decisões baseadas somente na análise do ponto de vista financeiro podem deixar de lado os impactos ao meio ambiente e desconsiderar o desenvolvimento sustentável. Existem diversas situações em que o aspecto financeiro não pode pesar sozinho para uma tomada de decisão. Um exemplo deste tipo de situação é a de estrada e outros meios de transporte e infraestrutura. Análise custo-benefício tem sido usada para avaliar o investimento em estradas no Reino Unido desde o início da década de 1960, embora tenha havido extensos estudos de avaliação das consequências ambientais de rodovias e outros sistemas de transporte. No entanto, é amplamente reconhecido que esquemas de investimento nos transportes têm grandes consequências ambientais que são relevantes para a tomada de decisão pública, e não há avaliações geralmente aceitas para estes efeitos ambientais, da mesma forma que existem para os valores de tempo de viagem e os valores de acidentes. Para este tipo de situação é interessante utilizar técnica de análise multicritério. Os métodos de decisão multicritério, atualmente, são importantes pois a complexidade das decisões é alta. Isto acontece devido à existência de vários fatores que influenciam a escolha de qual estratégia usar para a resolução do problema. Problemas em 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 e conflitam entre si; Tanto os critérios como as alternativas de solução não são claramente definidos e as consequências da escolha de dada alternativa com relação a pelo menos um critério não são claramente compreendidas; Os critérios e as alternativas podem estar interligados, de tal forma que um critério parece refletir parcialmente outro critério, ao passo que a eficácia da escolha de uma alternativa depende de outra alternativa ter sido ou não também escolhida, no caso em que as alternativas não são mutuamente exclusivas;

28 2.2 Tomada de Decisão Multicritério 27 A solução do problema depende de um conjunto de pessoas, cada uma das quais tem seu próprio ponto de vista, muitas vezes conflitante com os demais; As restrições do problema não são bem definidas, podendo mesmo haver alguma dúvida 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 de julgamentos de valor efetuados sobre uma escala; A escala para dado critério pode ser cardinal, verbal ou ordinal, dependendo dos dados 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 Método para análise multicritério Soma Ponderada O método da soma ponderada (MSP) é provavelmente o mais antigo e mais amplamente usado. O MSP pode ser aplicado sem dificuldades em problemas de uma única 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: A 1, A 2, A 3...A m n critérios: C 1, C 2, C 3...C n Vetor de pesos: (W 1, W 2,...W n ) e W j > 0 a i j = U j (A i ): 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 ser maximizados ou minimizados. Um exemplo, disponível na Wikipedia, 1 supõe o seguinte assunto de decisão: Mobilidade Responsável e desenvolvimento de infraestrutura para o desenvolvimento 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). Estimase a partir do número anual de temperatura média, de horas de sol e chuva. Este é um exemplo de critério que deve ser maximizado. C2: Acessibilidade a pé ou de bicicleta: Se as diferentes partes da cidade são facilmente acessíveis a pé ou de bicicleta, se o terreno é íngreme ou baixo: promove o uso de caminhada e ciclismo. Seu indicador é a porcentagem de quem anda a pé mais a porcentagem de quem anda de bicicleta. Este critério deve ser maximizado. 1 analyse_multicritère

29 2.2 Tomada de Decisão Multicritério 28 C3: Transporte público: A utilização dos transportes públicos está relacionada com a comunidade local e a política que tem promovido o seu desenvolvimento: ele é de fato um indicador de apoio público para tal transporte. Este critério deve ser maximizado. C4: Uso de veículos particulares: O uso de veículos particulares é um indicador da cidade, por um lado, a sua acessibilidade, e do comportamento dos habitantes urbanos ligados a vários fatores: é caracterizado pela porcentagem de uso do carro em mobilidade. Este critério é minimizado. C5: Mobilidade: Número de viagens por dia per capita. Ela expressa um interesse ou necessidade dos habitantes se deslocarem de um lugar para o outro. Este critério é minimizado. C6: Perfil da população: O indicador dado é a percentagem da população com mais de 60 anos. Este critério deve ser maximizado. Neste caso, os critérios C1, C2, C3 e C6 devem ser maximizados e os critérios C4 e C5 minimizados. Para aplicar o método da Soma Ponderada, deve-se então aplicar os passos descritos na Seção Método para análise multicritério AHP (Analytic Hierarchy Process) O método AHP (Analytic Hierarchy Process) pertence à família dos métodos multicritérios com a finalidade de auxiliar no processo de tomada de decisão. Tem como base 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 tomada de decisão que sistematiza a definição dos pesos desses critérios. A atribuição de pesos aos critérios no método AHP, criado por Thomas L. Saaty, é baseada na comparação paritária dos critérios considerados. Isso é feito por meio das perguntas: Qual destes critérios é o mais importante? Quanto este critério é mais importante que o outro? O decisor 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 método AHP tem como origem a escala da razão. O valor 1 é designado quando as duas alternativas comparadas contribuem igualmente para o objetivo, o valor 3, quando uma alternativa é considerada fracamente mais importante que a outra, segundo o critério considerado, e assim sucessivamente. Se uma alternativa A i tem um valor de importância em comparação à alternativa A j, então A j terá o valor recíproco quando comparada com A i.

30 2.2 Tomada de Decisão Multicritério 29 Considerando o problema de analisar n alternativas por um decisor ou grupo de decisores, tem-se o objetivo de designar julgamentos das importâncias relativas dessas alternativas, quantificando esses julgamentos com o propósito de permitir uma ordenação de todas as alternativas. Seja o conjunto de alternativas A 1, A 2,..., A n. Os julgamentos par a par são representados por uma matriz quadrada de ordem n, A=(a i j ), i,j=1, 2,..., n. Na posição (i,j) representa-se a razão entre os pesos que a alternativa A i 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/a i j, a i j 0. Ainda, se A i é considerada de igual importância relativa que A j, então a i j =a ji =1; em particular, a ii =1, para todo i. Assim, a matriz de comparação entre os pares de alternativas tem a forma:» fi 1 a a 1n ffi A 1{a a 2n ffi ffi ffi fl 1{a 1n 1{a 2n... 1 A matriz regista os julgamentos feitos pelos decisores. O problema se concentra, então, em encontrar os pesos w 1, w 2,..., w n de cada alternativa, que reflitam os julgamentos efetuados. Se os julgamentos forem perfeitos em todas as comparações, então a ik =a i j.a jk para quaisquer i, j, k e a matriz será consistente. Essa consistência será obtida, por exemplo, se as comparações forem baseadas em medições exatas, ou seja, se os pesos w i, forem conhecidos. Desta forma, tem-se: a i j.a jk w i w j. w j w k w i w k a ik a ji w j w i 1 w i {w j a 1 i j Neste caso, a matriz A pode ser representada como segue:» A Multiplicando-se a matriz A pelo vetor obtêm-se A.w = n.w: w 1 w 1 w 1 w 2 w 2 w 1 w n w 1 w 2... w 1 w n w 2 w n w w n w 2... w n w n w 1 w 2... w n ı T fi ffi ffi ffi ffi fl

31 2.2 Tomada de Decisão Multicritério 30» w 1 w 1 w 1 w 2 w 2 w 1 w n w 1 w 2... w 1 w n w 2 w n w w n w 2... w n w n fi» ffi ffi ffi ffi fl. w 1 w 2... w n fi» ffi ffi ffi ffi fl n. w 1 w 2... w n 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 decompor a complexidade encontrada. Tem como base 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. A construção de uma hierarquia dependerá dos objetivos escolhidos para decompor a complexidade daquele sistema. O objetivo principal deve 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 mostrada na 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: considerando os critérios C1, C2 e C3 onde C1 > C2 > C3, é feita pergunta: Quanto C1 é superior a 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 x C3 e, consequentemente, C1 = 4 x C3, tem-se a Tabela 2.1 que se segue:

32 2.2 Tomada de Decisão Multicritério 31 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 C [1 x (2 1) x (4 1)] = 8 C [(1 2) x 1 x (2 1)] = 1 C [(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 2.2 obtemos o valor 9,125. Após isso, efetuando a normalização dos valores, obtêm-se: W c1 = 0,8767. W c2 = 0,109. W c3 = 0,014. Esse método só pode ser utilizado quando os critérios tiverem sua importância atribuída mediante uma escala de quocionete ou razão [39] Métodos ELECTRE (Elimination et Choix Traduisant La Realité) Segundo Medeiros[43], ELECTRE representa uma família de métodos de decisão para problemas com múltiplos critérios, que reduz o tamanho do conjunto de alternativas possíveis, classificando-as conforme o critério de dominância de uma sobre a outra. O método aplica-se principalmente no tratamento de alternativas discretas avaliadas qualitativamente e apresenta quatro variantes, sendo, usualmente, por isso, chamado de Família Electre: 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.

33 2.2 Tomada de Decisão Multicritério 32 Esses métodos trabalham com famílias de critérios cujos elementos são independentes. A estrutura inicial para o modelo é uma matriz que organiza os tópicos a serem hierarquizados em linhas e os critérios de hierarquização em colunas. Do ponto de vista da sintaxe dos métodos multicritérios uma família de critérios deve obedecer algumas premissas para garantir sua validade. Em primeiro lugar, deve se ficar atento para sua exaustividade. O grau de exaustividade deve estar em estreita consonância com os propósitos subjacentes à análise e a cada subconjunto de tópicos analisado. Electre I Segundo Medeiros[43], Electre I é primeiro método da família para escola francesa do apoio multicritério à decisão, desenvolvido inicialmente por Benayoun, Roy e Sussman em 1966 e aperfeiçoado por Roy em O método utiliza um ordenamento parcial entre as alternativas para cada critério, nos conceitos de aceitação e desacordo nas relações de dominância. O decisor deve conhecer e construir uma relação R, denominada de sobre-classificação (surclassement), sobre o conjunto das alternativas, baseando-se nos seus julgamentos e experiência, definindo sua preferência estrita, preferência fraca ou indiferença. Deve haver razões claras e positivas que justifiquem seja uma preferência, seja uma presunção de preferência, em favor de uma (bem identificada) das duas ações, mas sem que nenhuma separação significativa seja estabelecida entre as situações de preferência estrita; de preferência fraca ou de indiferença. A relação de sobre-classificação é usada para formar grafos: cada nó representa uma alternativa não dominada. As ligações e a direção entre os nós indicam dominância entre as alternativas, correspondendo às preferências do decisor. Somente nós-núcleo, que indicam preferências, são aceitos e escolhidos, os preteridos, sem dominância, podem ser 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 anos de 1968 a 1975 e Roy e Bertier em 1971, apoia-se no completo ordenamento das alternativas não-dominantes, pela construção das relações de sobre-classificação, baseadas nas preferências do decisor. Existem vários níveis de concordância e discordância, que devem ser especificados. Com eles, calculam-se a relação forte, dos pontos fortes e a relação dos pontos fracos usadas para a construção de dois grafos e para se obter o ordenamento das alternativas.

34 2.2 Tomada de Decisão Multicritério 33 Métodos Electre III e Electre IV Segundo Medeiros[43], o método Electre III é considerado mais sofisticado que o Electre II. A relação de sobre-classificação já é valorada, o que transmite uma menor sensibilidade a variações nos dados e nos parâmetros a fornecer. Também o grau de sobreclassificação passa a ser avaliado pelo agente, pela distribuição de probabilidade com valor entre 0 e 1, o que a torna mais real, com maior credibilidade. No entanto, tal como o Electre IV, o método Electre I é de uso mais complicado do que os métodos Electre I e Electre II, pelos inúmeros parâmetros que engloba. Os métodos Electre III e Electre IV empregam a mesma noção de sobreclassificação, embora mais enriquecida, permitindo chegar-se às soluções de compromisso entre os distintos critérios intervenientes no problema. Enquanto o método Electre III trabalha com relações de sobre-classificação nebulosas ou difusas, o método Electre IV dispensa o uso de pesos dos critérios. Esses dois métodos, portanto, lançam mão de duas técnicas diferentes, daí ser oportuno, em um Estudo de Caso concreto, efetuar-se uma análise comparativa entre seus resultados. Como os demais métodos da família Electre, os métodos Electre III e IV trabalham explicitamente com uma estrutura de modelagem de preferências, segundo a qual compara-se cada duas ações ou alternativas, de modo a obter-se uma das seguintes situações: preferência por uma das duas ações; indiferença entre as duas ações; incomparabilidade entre as duas ações Métodos Promethée (Preference Ranking Method for Enrichment Evaluation) Os métodos da família Promethée constroem uma relação de classificação, também pela comparação entre pares de atributos, buscando empregar conceitos e parâmetros, que permitam interpretação numérica. No que concerne aos métodos PROMETHEE, um aspecto importante está relacionado à facilidade dos decisores entenderem os conceitos e parâmetros inerentes aos métodos, o que simplifica o processo de modelagem de preferências e, consequentemente, aumenta a efetividade da aplicação do método multicritério. Esse aspecto representa uma grande vantagem dos métodos PROMETHEE sobre outros métodos de sobreclassificação, tais como os métodos ELECTRE. A família ELECTRE usa os conceitos de concordância e discordância para medir as vantagens e desvantagens entre pares de alternativas; muitas vezes, esses conceitos não são devidamente compreendidos pelos decisores, dificultando a implementação do método [74]. Na Tabela 2.3 são

35 2.2 Tomada de Decisão Multicritério 34 mostrados aspectos positivos e negativos de cada método de acordo com Vilas Boas[26], Medeiros[43] e Silva[74].

36 2.2 Tomada de Decisão Multicritério 35 Método Aspectos Positivos Aspectos Negativos Soma ponderada Facilidade de implementação; Facilidade para estruturar o problema; Fácil entendimento o que proporciona transparência; Sensibilidade a mudança de escala; Compensação entre critérios; A importância relativa dos critérios; AHP Facilidade de implementação; Facilidade para estruturar o problema; Fácil entendimento o que proporciona transparência; Sólida base matemática; Utilização em decisões com vários níveis; Disponibilidade de software para download gratuito; Utilização de decisões em grupo; Permissão para participação de mais de uma pessoa na decisão; Alto nível de compreensão conceitual e detalhado do modelo e algoritmo; Alta transparência no processamento e nos resultados; Grande quantidade de publicações científicas; Proporciona ranking completo de alternativas; Proporciona soluções muito refinadas; A maior crítica ao AHP refere-se ao problema de inversão de ordem das alternativas; Não trata critérios e alternativas dependentes; Não é possível criar as escalas de julgamento de acordo com o contexto; Subjetividade na formulação da matriz de preferência; Deve ser procedida uma análise acurada para identificar e caracterizar as propriedades dos níveis da hierarquia que afetam o desempenho do objetivo mais alto; O número de comparações requeridas pode ser muito alto; Alternativas incomparáveis não são permitidas; O trabalho computacional é sensivelmente maior quando se eleva o número de alternativas; Requer procedimento para estruturar o questionário de perguntas e preferências;

37 2.2 Tomada de Decisão Multicritério 36 Promethée II Propicia a modelagem de preferência, de forma simples, por isso de fácil entendimento para o decisor; Reúne características interessantes para seu emprego nos processos decisórios típicos que os gestores públicos se envolvem; Fácil entendimento o que proporciona transparência; Trabalha com modelagem de preferências - procedimento que permite o ordenamento das alternativas segundo os vários critérios e parâmetros, como indiferença, preferência fraca e preferência forte; Não é preciso um processo interativo exaustivo como nos métodos de análise multicritério hierárquica de atribuição de valores por cada decisor para os diferentes critérios avaliativos; Os métodos Promethée tendem a produzir soluções que privilegiam alternativas mais balanceadas, isto é, que apresentam maior desempenho geral médio nos diversos critérios; Permite quatro diferentes formas de comparação entre alternativas: preferência sem hesitação, preferência com hesitação, indiferença e incomparabilidade; Não é possível a indicação do mérito global de cada alternativa;

38 2.2 Tomada de Decisão Multicritério 37 Família Electre Número de publicações científicas razoável; Admite a possibilidade de que algumas alternativas não sejam comparáveis entre si; É possível, com esse método, indicar qual a alternativa que o tomador de decisão possui melhor afinidade, ou seja, pode-se expressar uma opinião diante do contexto; Permite quatro diferentes formas de comparação entre alternativas: preferência sem hesitação, preferência com hesitação, indiferença e incomparabilidade; Não é possível tratar critérios e alternativas dependentes; Não é possível criar as escalas de julgamento de acordo com o contexto; Não possibilita ranking completo de alternativas; Não permite a avaliação de coerência dos julgamentos; Não há disponibilidade de software para download gratuito; Não é possível sua utilização de decisões em grupo; Baixo nível de compreensão conceitual e detalhado do modelo e algoritmo; Baixo nível de compreensão referente à forma de trabalho; O problema deste método está na dificuldade em comparar duas alternativas ou por falta de informação ou pelo excesso de subjetividade por parte do tomador de decisão, gerando grande imprecisão em sua resposta; Grande número de parâmetros presentes em seu desenvolvimento, deixando o método bastante complexo e de difícil aplicabilidade; Não proporciona soluções muito refinadas; Não é possível a indicação do mérito global de cada alternativa; Tabela 2.3: Comparação entre os métodos multicritério

39 2.2 Tomada de Decisão Multicritério Trabalhos relacionados É possível destacar trabalhos recentes que consideram métodos de análise multicritério: (a) [40], em que utilizam o método ELECTRE TRI na gestão da segurança pública com o objetivo de auxiliar a identificar políticas para reduzir a criminalidade em determinada região (consideram aspectos como densidade demográfica, crescimento populacional, população vivendo em condições sub-humanas, concentração de renda e IDH - Índice de Desenvolvimento Humano); (b) [50], no qual utilizam o método de Análise Hierárquica (AHP, do inglês: Analytic Hierarchic Process) para explorar informação, conhecimento e preferências de partes interessadas para tratar problemas de manejo florestal comunitário; (c) [79], cujo objetivo do trabalho está relacionado à escolha de estratégias de 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 de tomadas de decisão e participação de interessados no gerenciamento de bacias hidrográficas; (e) [51], em que utilizam o método ELECTRE III como parte de um framework para um Sistema de Gerenciamento Sustentável, que está alinhado aos objetivos do desenvolvimento sustentável da Rio+20, por meio de um estudo de caso que demonstra a gestão do fluxo de resíduos de uma fabricante de bebidas energéticas; (f) [87], em que utilizam o método de suporte à decisão Nebuloso para elaborar um planejamento sustentável para o problema de lixos eletrônicos; (g) [81], na qual utilizam um modelo baseado no método multicritério AHP para uma avaliação rápida e confiável da eficácia do gerenciamento de esgoto 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 gerar um ranqueamento dos critérios mais importantes (neste estudo, são levados em consideração os aspectos quantitativos e qualitativos, adicionalmente possui dois estudos de casos acerca de causas ambientais, um na Finlândia para tratar a preservação das florestas e um na Itália para o setor da agricultura). Os métodos multicritérios portanto tem sido utilizados em gestão ambiental. Nas décadas de 70 e 80, o foco era realizar controle de poluição por meio de regulações, padrões e mecanismos de controles. Atualmente, a gestão ambiental tem sido considerada como um dos vários critérios a serem analisados, ao lado do critério social e econômico. Na Tabela 2.4 há uma comparação entre os trabalhos citados.

40 2.2 Tomada de Decisão Multicritério 39 Artigo Contexto Aplicação Metodologia Resultado e Contribuições [40] Segurança Pública Solução de problemas de classificação por meio de critérios sociais e econômicos [50] Gestão ambiental Tratar problemas de manejo florestal comunitário [79] Gestão de transporte Ranqueamento de ações para melhoria do transporte na cidade de Zagreb considerando aspectos econômicos, sociais e ambientais [73] Gestão ambiental Gerenciamento de bacias hidrográficas [51] Gestão ambiental Gestão do fluxo de resíduos de uma fabricante de bebidas energéticas considerando os seguintes aspectos: social, industrial (econômico) e ambiental Suporte à Decisão GIS Multicritério ELECTRE III Suporte à Decisão Multicritério com AHP Suporte à Decisão Multicritério com AHP Suporte à Decisão com Promethee II Suporte à Decisão Multicritério ELECTRE III Classificação de zonas de uma região baseada em fatores sociais e demográficos proporcionando planejamento específico; Gestão Participativa; Balanceamento dos objetivos de diferentes grupos; Gestão Participativa; Ranqueamento foi feito de acordo com as prioridades da cidade de Zagreb; Gestão Participativa; Gestão Participativa; Criação de um framework para tomada de decisão

41 2.2 Tomada de Decisão Multicritério 40 [87] Gestão ambiental Planejamento sustentável de reciclagem de lixo eletrônico considerando os seguintes aspectos: social, ambiental e econômico [81] Gestão ambiental Gerenciamento de esgoto produzido por suínos [3] Gestão ambiental Estudos de casos acerca de causas ambientais, um na Finlândia para tratar preservação das florestas e um na Itália para o setor da Agricultura Suporte à Decisão Multicritério com Lógica Nebulosa e AHP Suporte à Decisão Multicritério com AHP Suporte à Decisão Multicritério método de Regime de Análise Tabela 2.4: Comparação dos trabalhos relacionados Integração de decisões operacionais com sustentabilidade; Otimização de pesos; Ranqueamento dos critérios mais importantes; Ranqueamento dos critérios mais importantes considerando aspectos quantitativos e qualitativos;

42 2.3 Descoberta de conhecimento em base de dados Descoberta de conhecimento em base de dados O KDD, que significa Knowledge Discovery in Databases (descoberta de conhecimento em base de dados), vem sendo aplicado em diversas áreas da gestão pública como uma das técnicas usadas para lidar com grande massa de dados com a finalidade de fazer descobertas que por meios manuais seriam praticamente impossíveis. Dentre diversas aplicações, pode-se citar a detecção de cartéis em licitações públicas no Brasil com agentes de mineração de dados, segundo Ralha e Silva [38]. Um fator limitante para a detecção de cartéis em licitações é a dificuldade de encontrar soluções efetivas em uma grande massa de dados com milhões de registros de transações financeiras. Técnicas de mineração de dados, tais como classificação, clusterização e regras de associação associadas ao uso de Sistemas Multiagente potencializam o poder de processamento de forma 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 foi reforçada 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 auxilia em tomadas de decisões em diversos tipos de gestão, inclusive a gestão pública. O KDD tem sido usado para dar suporte a autoavaliação colaborativa e participativa em 100 municípios da Carolina do Norte, nos Estados Unidos, para programas que 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 vez mais melhores resultados para as crianças em risco social em troca de apoio financeiro contínuo. O foco da autoavaliação é poder mudar políticas e práticas para atingir as metas estabelecidas. A comunidade local e seus representantes podem participar e colaborar no processo de avaliação para melhorias nos programas que visam cuidar do bem-estar das crianças. As tecnologias de KDD e DW (Data Warehouse) têm sido usadas como ferramentas de gestão do conhecimento aplicadas ao processo de compras do governo brasileiro pelo portal ComprasNet [24]. Os principais objetivos do Comprasnet são: Dar total transparência e permitir o controle pela sociedade das ações e decisões que envolvam as compras públicas; Dotar a Administração Pública de um conjunto de ferramentas voltadas à gestão das compras e contratos firmados pelas entidades governamentais com os fornecedores de 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

43 2.3 Descoberta de conhecimento em base de dados 42 cadastramento e de habilitação de fornecedores válido para toda a Administração Pública Federal; Reduzir custos e melhorar a qualidade das compras de bens e da contratação de serviços. Com a aplicação das tecnologias de KDD e DW foi possível descobrir conhecimentos úteis para a tomada de decisão. Os resultados deste estudo incluem: A identificação de padrões que podem subsidiar um novo modelo de compras governamentais; Melhora da eficiência e fiscalização do governo a partir do cruzamento de informações que caracterizam irregularidades ou melhores práticas; Descoberta ou identificação de novas funcionalidades que permitem visões de Compras, 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 na gestão de empresas privadas Fases do KDD O KDD é considerado interativo, pois o ser humano pode controlar o processo graças a análise e interpretação de dados e padrões. É considerado iterativo, pois existe a possibilidade de repetições integrais ou parciais do processo com a finalidade de atingir resultados mais refinados. A primeira etapa do processo de KDD é estabelecer os objetivos e metas para a sua aplicação para que sejam possíveis nas etapas posteriores extrair conhecimentos úteis. Como base de dados, comumente se usa o Data Warehouse que surgiu da necessidade de 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 deve ser capaz de responder às consultas avançadas de maneira eficiente e mostrar detalhes importantes à resposta. Em seguida, a próxima etapa do processo de KDD é a seleção dos dados que realmente são relevantes para análise posterior. Na etapa de seleção são descartadas informações 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 etapa posterior, que é o pré-processamento de dados. Esta fase do processo é uma das mais

44 2.3 Descoberta de conhecimento em base de dados 43 importantes, por isso deve ser bem definido o que se pretende estudar para não correr o risco 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 coletar informação necessária para modelagem e decisão de estratégias para tratar campos difíceis de serem tratados. A próxima fase é a transformação dos dados que consiste na busca de técnicas para representar dados e métodos de transformação para reduzir o número efetivo de variáveis relevantes. Na Figura 2.4 são mostradas as fases do processo de KDD. Figura 2.4: Fases do processo de KDD. Fonte: Adaptado de Fayyad et al (1996) Após a transformação dos dados é iniciada a primeira etapa da mineração de dados com o objetivo de extrair conhecimento útil no contexto da aplicação. A mineração de dados também é conhecida como Data Mining, que é quando ocorre a principal etapa do processo de KDD, isto é, efetua-se a busca por conhecimentos úteis no contexto da aplicação de KDD (Boente) [13]. Isso se dá pela aplicação de técnicas de Inteligência Artificial 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 depende do tipo de tarefa de KDD a ser realizada, que, por sua vez, podem ser: descoberta de associação, classificação e predição, análise de padrões sequenciais, agrupamento (clustering), sumarização, regressão ou estimação. Logo abaixo serão explicadas estas técnicas. Segundo Fayyad [77], a fase de pós-mineração de dados realiza o tratamento de conhecimento obtido e consiste na elaboração, organização e representação do conheci-

45 2.3 Descoberta de conhecimento em base de dados 44 mento, para que haja interpretação e avaliação desse mesmo conhecimento pelo gesto viabilizando uma tomada de decisão Descoberta de associação Uma regra de associação é um padrão da forma X Ñ Y, em que X e Y são conjuntos de valores. Segue a definição formal de regras de associação segundo segundo Han e Kamber (2006) [42]: Seja I = I 1,I 2,..., I M um conjunto de itens e D os dados da base que contém transações formadas por itens do conjunto I. Sejam também A e B conjuntos de itens. Uma regra de associação é uma implicação da forma A Ñ B na qual A Ă I, B Ă I, e A X B = φ. A regra A Ñ B se aplica no conjunto de transações D com suporte s, em que s é o percentual de transações em D que contém A Y B, isto é, a probabilidade P(A Y B). A regra A Ñ B tem confiança c no conjunto de transações D, no qual c é o percentual de transações em D que contém A que contém também B, isto é, a probablidade condicional P(A B). Uma aplicação prática das regras de associação é analisar qual item é comumente comprado junto com outro em supermercado com o objetivo de criar estratégias de marketing para aumentar a venda de produtos. Para analisar a relação entre as variáveis através de regras de associação é necessário fazer o cálculo do suporte. O cálculo de suporte indica a quantidade de ocorrências 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 X e Y aparecem juntos pela quantidade total de registros. Em seguida, é feito o cálculo da confiança entre uma variável com o restante das variáveis que se tem. O cálculo de confiança é a probabilidade de X e Y acontecerem juntos pela probabilidade de acontecer X, que é calculado para verificar a validade da regra. 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 que os dados podem ser simulados via sistemas multiagentes ou aleatoriamente ou já buscar em uma base de dados real.

46 2.3 Descoberta de conhecimento em base de dados Classificação e predição Classificação é o processo de criar modelos (funções) que descrevem e distinguem classes ou conceitos, baseados em dados conhecidos, com o propósito de utilizar este modelo para predizer a classe que objetos que ainda não foram classificados. O modelo construído se baseia na análise prévia de um conjunto de dados de amostragem ou de treinamento, contendo objetos corretamente classificados. Um exemplo de sua aplicação pode ser encontrada em Cardoso [16], em que grupos de pesquisas já definidos com alguns professores e, a partir da análise de dados das pesquisas de outros professores que não pertencem a esses grupos, sugerir a sua entrada. Segundo Fayad [77], a classificação consiste em criar classes (ou categorias) para agrupar itens com características semelhantes. A tarefa de predição possui características semelhantes a classificação, mas com um 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 fraudulenta 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), classificação por regras de associação, aprendizado tardio (Lazy Learners), algoritmo genético, conjuntos nebulosos (Fuzzy Set) e conjuntos aproximados (Rought Set) Análise de padrões sequenciais Um padrão sequencial é uma expressão da forma <I 1,..., I n >, em que cada I i é um conjunto de itens. A ordem em que estão alinhados os conjuntos reflete a cronologia com que aconteceram os fatos representados por eles. Encontrar padrões previsíveis em um período de tempo significa que um comportamento particular em um dado momento

47 2.3 Descoberta de conhecimento em base de dados 46 pode ter como consequência outro comportamento ou sequência de comportamentos dentro de um mesmo período de tempo. Exemplo: uma pessoa que cursou mestrado provavelmente fará doutorado em um certo período de tempo segundo Cardoso [16] Agrupamento - clustering O agrupamento é uma técnica que mapeia um item de dados em uma das várias classes categóricas (clusters) em que estas devem ser determinadas a partir dos próprios dados. Segundo Fayad [77], os clusters são definidos por métricas de similaridade como as medidas 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 determinado agrupamento. Para cada registro restante, é calculada a similaridade entre o registro analisado e o centro de cada agrupamento. O objeto é inserido no agrupamento com a menor distância, ou seja, maior similaridade. O centro do cluster é recalculado a cada novo elemento inserido. A partir deste algoritmo, diferentes variações surgiram: implementando otimizações para escolha do valor do k, novas medidas de dissimilaridade e estratégias para o cálculo 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 distância dos 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 agrupamento em vez de calcular o centro do agrupamento 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 isso podem ser usadas funções sofisticadas que envolvem regras de sumarização, técnicas de visualização multivariada e relações funcionais entre as variáveis segundo Fayad [77].

48 2.3 Descoberta de conhecimento em base de dados Regressão ou Estimação A regressão consiste no mapeamento efetivo dos registros de certo banco de dados em busca de valores reais. Essa tarefa é bem próxima à tarefa de classificação. Por exemplo, um conjunto de registros contendo os valores mensais gastos por diversos tipos de consumidores e de acordo com os hábitos de cada um. Após ter analisado os dados, o modelo 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 às aulas; Estimar a pressão ideal de um paciente baseando-se na idade, sexo e massa corporal Limitações da Mineração de Dados Diante de todas as vantagens e potencialidades do uso de mineração de dados é preciso 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 os resultados 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 as falhas nos dados; Exige alto conhecimento dos usuários; A escolha do repositório é determinante. Os problemas encontrados na mineração de dados podem ser categorizados segundo 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 de dados: a privacidade e a legislação. Segundo Han e Kamber [42], trabalhar com dados

49 2.3 Descoberta de conhecimento em base de dados 48 sobre o indivíduo trás consequências que precisam ser mitigadas. O Congresso Americano já aprova leis para gerir o uso da mineração de dados no aspecto da privacidade, segundo Seifert [72], e em Zhan et al é apresentado um modelo para lidar com a questão da privacidade 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, se comportam de maneira errônea; A velocidade com que os dados mudam faz com que os modelos gerem resultados inválidos; 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 interpretação 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; Ferramentas para mineração de dados Diversas ferramentas para mineração de dados foram desenvolvidas com o intuito 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 ( Possui diversos algoritmos para tarefas de mineração. Os algoritmos podem ser usados dentro da própria ferramenta ou 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 faz parte da ferramenta de BI OpenSource Pentaho [63]; Oracle Data Mining: É uma ferramenta para a Mineração de Dados desenvolvida pela Oracle para o uso em seu banco de dados Oracle. Esta ferramenta executa as seguintes tarefas: Classificação, Regressão, Associação, Clusterização e Mineração de Textos [61];

50 2.4 Sistemas multiagentes 49 IBM SPSS Modeler: Uma das ferramentas líder de mercado, desenvolvida pela SPSS e posteriormente adquirida pela IBM. Tarefas de KDD que esta ferramenta executa: Classificação, Regras de Associação, Clusterização, Seqüência e Detecção de Desvios. Fabricante: IBM. [44]. WizRule: Tarefas executadas por esta ferramenta: Sumarização, Classificação e Detecção de Erros. Fabricante: Wizsoft. [84] 2.4 Sistemas multiagentes Introdução Um agente é algo capaz de perceber o ambiente em que está por meio de sensores e que seja capaz de agir sobre este ambiente por meio de atuadores [67]. O ser humano, um robô ou um software podem ser considerados um agente. O ser humano tem como sensores vários órgãos que o permite ouvir, falar, ver, cheirar etc e também possui atuadores como braços, mãos, pernas, pés e outras partes do corpo. Um agente robótico 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, o disco rígido, o envio de pacotes pela rede. O agente deve ser capaz de tomar uma decisão de acordo com o que percebe do seu ambiente. Na Figura 2.5 é mostrado um agente interagindo com o ambiente através de sensores e atuadores. Figura 2.5: Agente interagindo com o ambiente. Adaptado de [67] Agentes computacionais Um agente computacional difere de um simples programa quando é capaz de ser autônomo, de perceber seu ambiente, de persistir por um determinado período de tempo,

51 2.4 Sistemas multiagentes 50 de adaptar-se a mudanças e ser capaz de assumir metas de outros. O objetivo de um agente computacional é agir para alcançar seu melhor resultado Agentes computacionais inteligentes As seguintes características como reatividade, pró-atividade e sociabilidade são suficientes para que um agente seja considerado inteligente [86]. São características essenciais dos agentes computacionais inteligentes: Autonomia: capaz de executar maior parte das suas ações sem interferência direta de outros agentes sejam eles humanos, computacionais possuindo controle total de suas ações e seu estado interno; Habilidade social (comunicabilidade): é necessária quando o agente não é capaz de resolver determinados problemas sozinho, por isso, este deve ser capaz de interagir com outros agentes comunicando seus requisitos e ter um mecanismo de decisão para ser capaz de avaliar quando agir; Capacidade de reação (reatividade): percebem e reagem à alterações no ambientes 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 às alterações ocorridas em seu ambiente, apresentam um comportamento orientado a objetivos, tomando iniciativas quando julgarem apropriado; Continuidade Temporal: executam continuamente processos que tanto podem estar ativos, em primeiro plano, quanto adormecidos, em segundo plano; Orientação a Objetivos: deve ser capaz de lidar com tarefas complexas em alto nível. A decisão de como uma tarefa é melhor subdividida em tarefas menores, e em qual ordem e de que modo devem ser executadas, deve ser feita pelo próprio agente. Adaptabilidade: um agente deve ser capaz de ajustar-se aos hábitos métodos de trabalho e preferências de seus usuários; Benevolência: é a suposição de que os agentes não têm objetivos contraditórios e que todo agente consequentemente sempre tentará fazer o que lhe é solicitado; Colaboração: um agente não deve aceitar (e executar) instruções sem considerações, ele deve levar em conta que o usuário humano comete erros, omite informações importantes e/ou fornece informações ambíguas. Na colaboração, um agente deve checar estas ocorrências fazendo perguntas ao usuário. Deve ser permitido a um agente recusar executar certas tarefas que possam sobrecarregar a rede ou causar danos a outros usuários;

52 2.4 Sistemas multiagentes 51 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 por um agente humano; Agentes de entretenimento: são agentes que simulam e animam personalidades artificiais, normalmente em mundos virtuais destinados ao entretenimento; Agentes de aconselhamento: são agentes que ajudam as pessoas na execução de certas 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 humanos Sistemas Multiagentes (SMA) Multiagentes é um agrupamento de agentes que trabalham cooperativamente, cada um deles resolvendo parte do problema. Cada agente encapsula conhecimento sobre algum domínio e em determinados momentos é necessário que os agentes complementem suas habilidades. Sistemas Multiagentes (SMA) é uma subárea da Inteligência Artificial Distribuída que investiga o comportamento de um conjunto de agentes autônomos objetivando a solução de um problema que está além das capacidades de um único agente. Estes agentes interagem um com os outros, com o objetivo de realizar suas tarefas de modo cooperativo, compartilhando informações, evitando conflitos e coordenando a execução de atividades [6] 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 ( legacy ), isto é, sistemas de gerações anteriores cuja manutenção do código já não é possível; for possível providenciar uma solução natural para problemas geográficos e/ou funcionalmente distribuídos;

53 2.4 Sistemas multiagentes 52 for necessário fornecer soluções para problemas em que os peritos, os conhecimentos ou as informações necessárias para a sua resolução, se encontram distribuídos; for necessário permitir uma interface cooperativa homem-máquina mais natural em que 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 o partir das seguintes etapas [36]: Decompor o fenômeno em um conjunto de elementos autˆnomos; 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; Aplicabilidade O SMA tem sido utilizado em vários tipos de problemas, abaixo alguns exemplos: Para obter a previsão espacial de demanda elétrica de toda uma área de serviço e modelar 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; Simulação As vantagens para usar Simulação Baseada em Multiagentes (MABS, do inglês Multi-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 ser uma prática madura. Os métodos de simulação são empregados com grande sucesso para auxiliar na tomada de decisões no planejamento a médio e longo prazo e em situações que envolvem 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;

54 2.5 Considerações finais 53 Etapa de validação: comparar dados experimentais obtidos com o modelo e a realidade, 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 de interações 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 para habilitar a sociedade ao trabalho com modelos computacionais, de forma a avaliar os impactos 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 envolvidas neste trabalho: Gestão Pública Participativa, Tomada de Decisão Multicritério, Descoberta de Conhecimento em Base de Dados e Sistemas Multiagentes. O entendimento do conceito de Gestão Pública Participativa é importante para entender como o cidadão pode fazer parte do processo decisório. Foram demonstrados também as vantagens deste tipo de gestão e como ela tem evoluído no Brasil. Foi mostrado também como o método multicritério possibilita uma Tomada de Decisão ponderada nos quais vários aspectos são levados em consideração, como, ambientais, sociais e econômicos. Além disso, foram mostrados como a Descoberta de Conhecimento em Base de Dados pode ser útil no apoio a tomada de decisão. Apesar de Sistemas Multiagentes não ser o foco deste trabalho de mestrado, esta seção auxilia o entendimento do uso deste método no projeto ADGEPA para popular a base de dados de maneira coerente como já citado anteriormente. No Capítulo 3, os resultados do Agente Minerador e Agente de Suporte à Decisão são apresentados.

55 Agentes para Suporte à Decisão CAPÍTULO 3 No capítulo anterior, foi mostrado o motivo para se aplicar o método multicritério em 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 o AM foi usado o algoritmo Kmeans, explicado na Seção e para o ASD o método da Soma Ponderada. Na Seção 3.2 são mostrados os resultados do Agente Minerador e na Seção 3.3 os do Agente de Suporte à Decisão. Em computação, agente computacional é um objeto altamente encapsulado que executa um método computacional particular, como uma rede neural, um algoritmo genético ou um controlador de lógica nebulosa [80]. No prisma de Inteligência Artificial, agente inteligente é uma entidade capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por meio de atuadores para atingir seus objetivos racionalmente [68]. Maiores informações sobre agentes e sistemas multiagentes são descritos na Seção 2.4. Neste trabalho, o AM e o ASD são agentes computacionais. 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 e um navegador web. Pelo aplicativo, usuários podem informar suas denúncias acerca de aspectos socioambientais e suas localizações (ao se clicar no mapa, indica-se as coordenadas; é usada a API Google Maps). O sistema considera o momento da denúncia como o momento em que o problema aconteceu ou foi percebido. Outros dados atmosféricos são fornecidos por miniestações (uma rede de sensores Arduino). O ADGEPA é composto por três módulos: o primeiro com objetivo de coletar dados; o segundo com o objetivo de fazer agrupamentos e regras de associação sobre estes dados; e o terceiro tem como propósito auxiliar o processo decisório por meio da aplicação de método multicritério. A aplicação web e as miniestações compõem o primeiro módulo do ADGEPA [54]. Com auxílio de especialista do domínio foram selecionados 23 aspectos ambientais (que incluem água, ar, solo, uso ilegal de recursos naturais e invasão ilegal de áreas

56 3.1 O Projeto ADGEPA 55 protegidas) e 37 aspectos sociais (que abarcam segurança pública, educação, saúde pública, infraestrutura urbana e invasão ilegal de áreas e prédios públicos) para a aplicação web e quatro variáveis atmosféricas (umidade relativa do ar, luminosidade, temperatura e monóxido 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 padrões na base de dados. O último módulo do assistente digital é representado pelo Agente de Suporte à Decisão. Ele executa análise multicritério para ranquear os aspectos mais relevantes para atenuar ou solucionar a maior parte das queixas da população (mais detalhes na Seção 3.3). A Figura 3.1 representa graficamente os módulos e os agentes envolvidos no ADGEPA [2]. Os agentes computacionais destacados com linha tracejada na 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 temporal interessante, seria necessário ter o ADGEPA em serviço por muito tempo, além de haver necessidade de uma divulgação considerável entre membros da sociedade civil. Do ponto de vista prático, face à restrição temporal, foi decidido simular os dados que seriam gerados pelo uso da aplicação web em longo prazo. A simulação de dados neste projeto é tarefa difícil haja vista que eles devem ser coerentes com o cenário; por exemplo, não se pode 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 web responsiva. Atualmente, não há interesse em simulação de dados atmosféricos porque eles podem ser simulados de forma fácil ou se pode usar dados históricos de estações

57 3.1 O Projeto ADGEPA 56 meteorológicas. Na simulação do uso da aplicação, destacam-se dois tipos de agentes: o Agente Usuário (daqui em diante, AU) e Agentes para representar problemas socioambientais (por exemplo, um agente para representar poluição de água). A simulação está sendo desenvolvida com o Framework GAMA, 1 que, apesar de ser uma plataforma ainda pouco conhecida, apresenta algumas vantagens sobre plataformas ou frameworks tradicionais como JADE 2. Além de apresentar boa escalabilidade, GAMA facilita o trabalho de construção 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 comportamentos para que percorram elementos do tipo arestas (ruas, trilhas, estradas, etc.) e interajam com outros agentes e elementos do mapa. Figura 3.2: Simulação Multiagente no Projeto ADGEPA (8 elementos e um agente) A Figura 3.2 apresenta a simulação de usuários do ADGEPA em uma pequena região de uma metrópole brasileira (note 8 quadras em cores diferentes para representar residência, trabalho, escola, supermercado, shopping, bosque, igreja e restaurante, e um pequeno círculo amarelo no canto direito inferior, referente ao agente). A Figura 3.3 apresenta um modelo com dimensões maiores, porém não está completo. Este trabalho de mestrado se concentrou nos agentes minerador e de suporte à decisão. 1 GAMA é uma plataforma para auxiliar o desenvolvimento de simulações multiagentes. Mais informações disponíveis em < 2 JADE: Java Agent DEvelopment é um framework para desenvolvimento de agentes inteligentes. Mais informações em <

58 3.1 O Projeto ADGEPA 57 Figura 3.3: Simulação Multiagente no Projeto ADGEPA (3 agentes e uma grande área) O primeiro módulo, projetado para coletar denúncias dos usuários (aspectos socioambientais) 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 coerente com o cenário, ou seja, não se pode simular denúncia de invasão ilegal de prédios públicos com 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 Orientada a Objetos (de fácil uso), a grande disponibilidade de frameworks e documentação, e o fato de ser uma prática bem desenvolvida. As razões técnicas para uso de MABS é que agentes possuem características que se adéquam aos requisitos deste trabalho: proatividade, reatividade, cooperação, autonomia, comunicação e capacidade de operar em ambientes dinâmicos, [33] e [85]. Em síntese, o principal motivo desta simulação é popular a base de dados e poupar tempo aos pesquisadores. Atualmente, os agentes estão sendo implementados com o framework GAMA 3 porque ele atende os requisitos do ADGEPA e possui boa documentação. Existem os agentes para representar elementos de um cenário urbano como uma rua, um lago, uma praça, uma escola, um hospital, uma igreja etc. Um cenário urbano é delimitado como um retângulo (por 4 coordenadas) e possui coordenadas de seus elementos. A principal função do AU é se deslocar pelo ambiente e percebê-lo para poder gravar suas denúncias na base de dados. Assim como os usuários da aplicação web, os 3

59 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 de problemas) dos AUs são aleatórios e podem se coincidir; porém, eles sempre possuem um ponto de partida e de chegada individual (suas casas). Para o primeiro modelo do Agente Minerador (doravante, AM), segundo módulo, propõe-se agrupar dados de acordo com coordenadas. A partir destes agrupamentos espaciais, gera-se agrupamentos temporais. Em seguida, o AM procura por regras de associação. O AM foi implementado e testado com sucesso; mas o modelo foi testado com dados aleatórios e o programa WEKA. 4 O último agente, terceiro módulo, é o Agente de Suporte à Decisão (ASD, daqui em diante). A arquitetura da simulação é representada graficamente pela Figura 3.4. Os dois principais agentes da simulação foram modelados para simular usuários da aplicação e problemas socioambientais que eles percebem diariamente. Durante a simulação, AUs percorrem a paisagem urbana de acordo com as suas rotas (definidas aleatoriamente no começo da simulação) e percebem alguns problemas socioambientais (de acordo com o 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 tipo de problema denunciado, o momento da denúncia, o local em que o problema foi percebido 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 uma análise multicritério para ordenar os aspectos mais relevantes para resolver ou mitigar a maioria das preocupações da população. 3.2 O Agente Minerador Como papéis do agente minerador foram definidas as seguintes tarefas: geração de agrupamentos espaciais e temporais, regras de associação e ranqueamento dos aspectos socioambientais de maior suporte, 5, Equação 3-1. O algoritmo usado pelo Weka para fazer clusterização é o KMeans, detalhado em 2.3.5, que por sua vez usa distância euclidiana para encontrar grupos de elementos mais próximos. Os primeiros testes de clusterização foram feitos de forma manual por meio da interface gráfica do Weka. Porém, continuar a fazer clusterização dessa forma se tornaria impraticável porque seria preciso muito tempo para gerar os agrupamentos. Para automatizar o processo foi criado o Agente Minerador, 4 WEKA: para mais informação visite < 5 Em mineração de dados interpreta-se suporte Equação 3-1, como a probabilidade de um elemento ocorrer em uma coleção de registros.

60 3.2 O Agente Minerador 59 Figura 3.4: A arquitetura da simulação. em Java, com uso da API do Weka para gerar agrupamentos. É preciso informar ao AM apenas o arquivo CSV gerado pelo programa que gera denúncias aleatoriamente. Adicionalmente, o AM é identificar regras de associação. As etapas detalhadas deste processo 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 denúncias simuladas (no total de ) por um programa Java 6, que podem ser visualizados na Figura 3.5. Neles, leva-se em consideração apenas os atributos de coordenadas X e Y; o resultado é armazenado em um arquivo CSV. O arquivo, que representa o cluster espacial 0, pode ser visto no Apêndice B; 2. Após gerar este arquivo é necessário dividí-lo em 100 arquivos, nos quais existem denúncias apenas de um determinado cluster, pois o Weka gera o arquivo CSV como resultado da primeira etapa desordenadamente; 3. Gerar agrupamentos temporais a partir de cada arquivo CSV resultante da clusterização 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 média agrupa denúncias de 3 dias. Isto resulta em 100 arquivos CSV cada um representando um cluster temporal. O arquivo, que representa o cluster temporal 0, pode ser visto no Apêndice C; 6 Vale ressaltar que a simulação não foi feita por Simulação Multiagente.