MODELO DE BUSINESS INTELLIGENCE PARA AUXÍLIO NO PLANEJAMENTO DA COLETA DE RESÍDUOS

Transcrição

1 XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MODELO DE BUSINESS INTELLIGENCE PARA AUXÍLIO NO PLANEJAMENTO DA COLETA DE RESÍDUOS Eugênio de Oliveira Simonetto (UDESC) Eloy F. Casagrande Jr. (UTFPR) O artigo apresenta a concepção, modelagem e desenvolvimento de um modelo de business intelligence, que tem por objetivo principal auxiliar no planejamento da coleta de resíduos sólidos domiciliares. Em resumo, o modelo tem por funcionalidadde principal à geração de informações úteis ao processo decisório em questão. Para o desenvolvimento do mesmo foram utilizadas técnicas da área de data warehouse, quais sejam, modelos multidimensionais e processamento analítico on-line de dados (OLAP). Para o desenvolvimento da validação do modelo foram utilizados dados da coleta de resíduos de municípios da região sul do Brasil e contou com a participação de gestores da área de resíduos, bem como de especialistas no assunto. Para o desenvolvimento do modelo foram utilizadas as ferramentas de software livre Kettle e Palo. Palavras-chaves: Sustentabilidade, Gestão de Resíduos

2 1 INTRODUÇÃO O manejo ambientalmente saudável dos resíduos é uma das questões mais importantes para a manutenção da qualidade do meio ambiente da Terra e, principalmente, para chegar-se a um desenvolvimento sustentável e ambientalmente correto em todos os países (ZUTSHI, SOHAL, 2002). Apesar de toda a preocupação da comunidade internacional com a qualidade do meio ambiente na Terra, o que acontece na prática, na maioria das vezes, é um desenvolvimento não-sustentável na gestão de resíduos sólidos, pois os métodos para a coleta, transporte e depósito do lixo não levam em conta as conseqüências que o mau uso e o tratamento inadequado dos resíduos podem acarretar no meio ambiente em um futuro bem próximo (ZUTSHI, SOHAL, 2002). De acordo com o Diagnóstico do Manejo de Resíduos Sólidos Urbanos/2006 (SNIS, 2009), a cobertura média da coleta de resíduos sólidos urbanos no Brasil abrange um percentual superior a 90% da população urbana, em 215 dos 226 municípios pesquisados pelo Sistema Nacional de Informação sobre Saneamento (SNIS). As unidades de tratamento de resíduos sólidos cadastradas no SNIS totalizam 714, sendo 216 delas unidades de disposição em solo, ou seja, aterros sanitários (39,4%), aterros controlados (32,4%) ou lixões (28,2%). O destino final da massa coletada por 135 das 216 unidades de disposição em solo, que totaliza 11,7 milhões de toneladas, se dá em maior parte em aterros sanitários (61,4%), seguidos por aterros controlados (25%) e lixões (13,6%), considerado um bom resultado. (ENVOLVERDE/MINISTÉRIO DAS CIDADES, 2009) A evolução sofrida pela gestão da coleta de resíduos nos últimos anos transformou-a em uma importante, e crítica, área para os gestores municipais, ambientais e população em geral. Toda esta evolução ocasionou, também, novos problemas a serem sanados, tais como problemas ambientais, financeiros e de legislação. Este contexto demanda que novas tecnologias sejam utilizadas tanto na área operacional, como estratégica pelos gestores da coleta de resíduos. O processo de coleta de resíduos gera uma enorme quantidade de dados transacionais, os quais, em muitos casos, após seu uso, acabam sendo descartados ou armazenados inadequadamente, dificultando acesso aos mesmos. Esses dados, no entanto, podem vir a ter uma importante utilidade como matéria-prima para a geração de informações e conhecimento úteis à gestão dos resíduos. Logo, a partir de dados históricos da gestão de resíduos municipais, pretende-se desenvolver um modelo de apoio ao processo decisório, que utilizando técnicas de Inteligência de Negócios (Business Intelligence), possa suprir os gestores de novas informações, tanto ambientais, como econômicas, acerca da coleta de resíduos sólidos. 2

3 Aliado ao fato da necessidade de adoção de novas tecnologias, a gestão de resíduos sólidos é um tópico que vem atraindo a atenção de pesquisadores em Modelagem de Sistemas nos últimos anos (HUANG et al., 1998). Prova disso, são os inúmeros trabalhos publicados na área, os quais vão desde a alocação de veículos para a coleta dos resíduos (BHAT, 1996; EVERETT, SHAHI, 1997) até a construção de modelos de avaliação de impacto ambiental provocado pela disposição final dos resíduos, levando em consideração o tipo de disposição, o tipo de resíduo e o local onde foi depositado o mesmo (PERRODIN et al., 2002). Porém, a área de gestão de resíduos sólidos carece da utilização de ferramentas oriundas da Inteligência de Negócios para auxílio ao processo decisório, tendo em vista que os modelos decisórios construídos são na sua grande maioria modelos desenvolvidos a partir de conceitos oriundos da Pesquisa Operacional (HUANG et al., 1998) e, os modelos de Inteligência de Negócios mostram-se tão eficientes quanto estes em problemas de natureza organizacional (WATSON, 2004). No trabalho desenvolvido foram concebidas bases de dados específicas para apoio ao processo decisório no que refere-se à coleta dos resíduos sólidos. Para o desenvolvimento foram utilizadas ferramentas de Inteligência de Negócios, mais especificamente a tecnologia de data warehouses e OLAP (on-line analytical processing) (KIMBALL, 2002; INMON, 2002), onde a partir dos sistemas transacionais das empresas de coleta de resíduos e de fontes externas as mesmas sejam possíveis definir informações relevantes ao processo decisório sobre planejamento da coleta e destino final dos resíduos sólidos. Serão levados em consideração no desenvolvimento do modelo decisório tanto os aspectos econômicos, como os aspectos ambientais do processo de coleta de resíduos. O artigo está organizado da seguinte forma: na seção 2 são apresentados os conceitos básicos sobre data warehouse e Processamento Analítico On-line dos dados, assim como na seção 3 são apresentados os conceitos sobre resíduos sólidos, bem como o uso de sistemas de informação na gestão dos mesmos. Na seção 4 é apresentada a metodologia de desenvolvimento do modelo, na seção 5 o modelo multidimensional e os requisitos informacionais do mesmo são apresentados. Na seção 6 é apresentado um exemplo da utilização do modelo (com dados reais) utilizado como parte da validação do mesmo, por fim na seção 7 são apresentadas as considerações finais do artigo. 2 BUSINESS INTELLIGENCE O business intelligence é o resultado dos esforços de uma organização no que tange à coleta, armazenamento, processamento, difusão e interpretação dos dados internos e externos referentes aos negócios desta. No trabalho desenvolvido foram utilizadas duas técnicas de business intelligence para seu desenvolvimento, quais sejam o data warehouse e o processamento analítico on-line de dados (OLAP), as quais são apresentadas na próxima sub-seção Data Warehouse e OLAP Conforme Inmon (2002), um Data Warehouse (DW) é uma coleção de dados integrados, orientados por assunto, não-voláteis e variáveis com relação ao tempo, os quais tem por finalidade o apoio ao processo decisório gerencial. Kimball e Ross (2002), por sua vez, definem como sendo um conjunto de ferramentas e técnicas de projeto, que quando aplicadas às necessidades específicas dos usuários e aos bancos de dados específicos permitirá que planejem e construam um Data Warehouse. Em resumo, é um sistema que armazena dados 3

4 históricos usados no processo de tomada de decisão, com a finalidade de integrar os dados de uma organização em um único repositório (banco de dados). Os dados a serem integrados podem ser advindos dos bancos de dados transacionais da organização, bem como de fontes externas a esta. Os data warehouse surgiram durante a década de noventa, tornando-se uma poderosa ferramenta para o gerenciamento de informações organizacionais. Sua construção se deu através do aprimoramento das novas tecnologias dos bancos de dados transacionais (dados armazenados por uma organização), tornando-se cada vez mais capazes de gerenciar e manipular um grande volume de dados. Várias empresas e ou organizações construíram DW como solução para integrarem os dados de diversos bancos servindo assim como suporte para a tomada de decisões. A técnica OLAP (INMON, 2002), utilizada em data warehouse, tem por finalidade a capacidade de responder a perguntas como: "E se?" E "por que?". Também a capacidade de verificar hipóteses, com análises do tipo: "Eu quero ver isso dessa maneira". O resultado dessa pesquisa pode ser apresentada de forma gráfica ou em formato de planilha, com as funcionalidades de drill-down e drill-up (navegação para dentro ou fora dos níveis hierárquicos das dimensões). Esta técnica é um meio de visualização de dados corporativos, onde os usuários podem visualizar através de hierarquias e dimensões do data warehouse, através de comandos específicos para tal funcionalidade. 3. RESÍDUOS SÓLIDOS Resíduos sólidos, para a compreensão do trabalho como um todo, são todos os restos domésticos e resíduos não perigosos, tais como os resíduos comerciais, institucionais, de podas e de construções. Em alguns países, o sistema de gestão dos resíduos sólidos também se ocupa dos resíduos humanos, tais como excrementos, cinzas de incineradores e, de instalações de tratamento de esgoto. O descarte do lixo é uma operação que envolve as fases de limpeza, coleta e destinação final. Estes serviços são considerados tarefas tipicamente municipais e, por isto organizados pelos governos locais. Entre estes serviços, a destinação final do lixo é uma preocupação que vem ganhando relevância, devido às suas implicações com a qualidade de vida das populações e a necessidade de aprimorar as técnicas de manejo dos resíduos sólidos urbanos. No trabalho desenvolvido o resíduo considerado pelo mesmo é do tipo domiciliar Uso de Sistemas de Informação na Gestão de Resíduos Sólidos A gestão de resíduos sólidos é um tópico que vem atraindo a atenção de pesquisadores em Modelagem de Sistemas desde a última década (HUANG et al., 1998). Prova disso, são os inúmeros trabalhos publicados na área, os quais vão desde a alocação de veículos para a coleta dos resíduos (BHAT, 1996; EVERETT, SHAHI, 1997) até a construção de modelos de avaliação de impacto ambiental provocado pela disposição final dos resíduos, levando em consideração o tipo de disposição, o tipo de resíduo e o local onde foi depositado o mesmo (PERRODIN et al., 2002). Trabalhos envolvendo logística, transporte e destino final de resíduos são amplamente encontrados na literatura da área. Porém, grande parte destes trabalhos utiliza tão somente a Pesquisa Operacional para a resolução dos problemas oriundos do processo de coleta e disposição finais dos resíduos (SIMONETTO, BORENSTEIN, 2007). No desenvolvimento 4

5 do trabalho buscou-se utilizar técnicas da área de Business Intelligence, tais como a modelagem de data warehouse e processamento analítico on-line (OLAP) dos dados armazenados nos bancos de dados transacionais de empresas de coleta de resíduos, de modo a gerar resultados para que os gestores de coleta possam rever, ou até mesmo redimensionar, suas estratégias de coleta e disposição final dos resíduos coletados. 4 METODOLOGIA DA PESQUISA DESENVOLVIDA A metodologia de pesquisa utilizada para o desenvolvimento dos modelos de data warehouse e arquitetura OLAP para auxílio no processo decisório da coleta de resíduos é a mesma adotada para o desenvolvimento de trabalhos em Sistemas de Apoio à Decisão apresentada em Law e Kelton (1991), tendo em vista a natureza do projeto a ser desenvolvido. A pesquisa será estruturada da seguinte forma: (1) estudos exploratórios do problema a ser abordado; (2) desenvolvimento conceitual da solução; (3) implementação da solução em ambiente computacional e; (4) validação e teste da solução. A validação contempla três fases distintas do desenvolvimento: (a) na elaboração do modelo conceitual do data warehouse, ou seja, na verificação dos requisitos básicos a serem representados; (b) na implementação computacional verifica-se se o data warehouse atendeu aos requisitos definidos no modelo conceitual e; (c) na verificação da capacidade do data warehouse como um todo em representar o processo decisório envolvido no planejamento da coleta de resíduos sólidos urbanos. Neste processo (validação), foram utilizados dados reais referentes à coleta de resíduos fornecidos por empresa responsável pelo serviço em diversas cidades das regiões sul e sudeste do Brasil. 5 USO DE FERRAMENTAS DE DATA WAREHOUSE E TÉCNICAS OLAP NA COLETA DE RESÍDUOS A necessidade de informações estratégicas ao processo decisório acerca da coleta de resíduos sólidos domiciliares será descrita a seguir e, utilizou como referência para sua elaboração entrevistas com gestores de empresa responsável pela coleta de resíduos em diversos municípios, bem como trabalhos científicos na área (CUNHA, CAIXETA, 2002; MONTEIRO et al., 2001; SIMONETTO, BORENSTEIN, 2007) e indicadores de produtividade para apoio a decisão referente à gestão integrada de resíduos sólidos (MANSUR, MONTEIRO, 1993; O LEARY et al., 1999). Para uma melhor organização e compreensão das demandas de informação será executada uma classificação destas demandas em três grupos: informações sobre veículos coletores, informações sobre a coleta de resíduos e informações sobre disposição final dos resíduos. Cabe ressaltar, que todas informações geradas possuem relação com tempo e espaço, ou seja, aconteceram em um determinado momento no tempo e, em um determinado local. Este aspecto facilita as consultas com caráter espaço-temporal do tipo: Qual a quantidade média de resíduo transportada pelo veículo v no mês m do ano a para a disposição d?, onde ano e mês possuem caráter temporal, a disposição possui caráter espacial com relação ao veículo e a variável quantitativa relativa ao fato; quantidade média de resíduos transportada. Para cada um dos grupos, na tabela 1, são apresentadas as informações a serem geradas pelo modelo de data warehouse desenvolvido, bem como a sua utilização no contexto da coleta de resíduos: 5

6 GRUPOS INFORMAÇÃO UTILIZAÇÃO VEÍCULO COLETA DISPOSIÇÃO FINAL (V1) - Manutenção, limpeza e pintura de veículo (V2) - Utilização real do veículo (C1) Viagem de coleta de resíduos em determinado setor (tipo da coleta (convencional ou seletiva), quilometragem percorrida, resíduo predominante, quantidade de resíduo coletada, veículo utilizado, tamanho da guarnição (pessoas), existência de ocorrência, destino da coleta, tempo de coleta, horário da coleta, turno da coleta, habitantes do setor, custo estimado da viagem) (C2) - Controle de percursos improdutivos (deslocamento sem coleta). (D1) Controle da área ocupada pela disposição final Minimização da poluição ambiental e sonora, controle de custos, pois os veículos coletores também são geradores de resíduos e poluição. Minimização do desperdício causado pela ociosidade. Minimização de custos e de problemas sociais e ambientais; métricas de produtividade da mão-deobra; comparações entre coletas em diferentes dias, meses e anos; mensuração da densidade média de resíduo coletada por quilômetro percorrido; mensuração da quantidade de resíduos não coletados; mensuração da efetividade da coleta seletiva; mensuração das despesas com coleta de resíduos; verificação da necessidade do uso de estações Redução de de transbordo. custos e da poluição ambiental Controle do espaço disponível para armazenamento; planejamento de novos aterros e estímulo à coleta seletiva. Tabela 1- Informações estratégicas úteis ao processo decisório da coleta de resíduos Definidos os requisitos informacionais do sistema de apoio a decisão para apoio à gestão da coleta de resíduos, pode-se então passar a etapa de construção do modelo multidimensional de dados do data warehouse, a qual é denominada modelagem conceitual do sistema. O modelo de dados e os metadados do data warehouse são apresentados, a seguir, na subseção Modelo Multidimensional de Dados do Data Warehouse Após a definição dos requisitos de informações a serem geradas pelo de modelo, partiu-se para a definição do modelo multidimensional. Para a construção do data warehouse foi utilizado o modelo estrela (INMON, 2002), onde o relacionamento existente entre uma tabela 6

7 de fato e as tabelas de dimensões é do tipo um-para-muitos e estas, por sua vez, só possuem relacionamento com as tabelas de fatos (WATSON, 2004). Na modelagem desenvolvida foram identificadas 12 (doze) tabelas dimensões e 3 (três) tabelas de fatos, as quais são apresentadas na figura 1. As tabelas de fatos, por definição de Inmon (2002), contém milhares de registros com valores e medidas sobre o negócio da organização. Cada uma destas medidas é obtida através da intersecção de n dimensões. Na figura 1, por exemplo, a informação sobre ocupação do espaço físico de disposição de resíduos sólidos é obtida na tabela de fato denominada Fato_Ocupação a qual é gerada a partir da intersecção das dimensões relativas ao tempo (Dim_Tempo) e espacial (Dim_LocalDisposição). Figura 1 Modelo multidimensional do data warehouse Após esta etapa, foi executada a validação do modelo multidimensional através da participação de responsáveis pela coleta de resíduos, os quais, após a apresentação do modelo, fizeram sugestões que foram prontamente incorporadas ao data warehouse. Tais contribuições deram-se, mais especificamente, pela incorporação de atributos às tabelas de fatos para ampliar quantitativamente e qualitativamente as informações geradas. Para a implementação computacional do modelo multidimensional foram utilizados os softwares PALO da Jedox (JEDOX, 2008) e KETTLE da Pentaho Corporation (PENTAHO, 2008). O Kettle foi utilizado na parte de extração, limpeza e carga de dados a partir do banco de dados disponibilizado pela empresa de coleta de resíduos para o modelo desenvolvido. Por sua vez, o Palo foi utilizado para a geração de informações a partir dos dados armazenados no data warehouse. Um exemplo da utilização do modelo é apresentado a seguir na seção 6 do artigo. 7

8 6 VALIDAÇÃO E RESULTADOS DA UTILIZAÇÃO EM CASO REAL DE USO Para demonstração do uso do modelo de data warehouse desenvolvido será apresentado nesta seção um caso (com dados reais) da coleta seletiva de uma capital de um estado da região sul. Este município conta com uma população superior a 1,3 milhão de habitantes e possui um orçamento anual de 10 milhões de dólares para a gestão de resíduos, onde em torno de 70% deste valor é destinado a coleta e o transporte dos mesmos. A reciclagem de resíduos no município se dá através da Coleta Seletiva e, tal atividade é de responsabilidade do Departamento de Limpeza Urbana. Este tipo de coleta e já atinge 100 % da cidade, abrangendo 150 bairros que somados, em outros tempos, já chegaram a totalizar em torno de 50 toneladas de resíduos potencialmente recicláveis por dia em meses de consumo elevado por parte da população. O destino dos materiais colocados à disposição da Coleta Seletiva são as unidades de triagem, criadas a partir da necessidade de trabalho de grupos de determinadas áreas carentes da cidade, ex-catadores, papeleiros, populações sub-empregadas e desempregados, que através dessa atividade buscam uma forma de gerar rendimentos, garantindo sua sobrevivência. Este mesmo caso foi utilizado na última etapa de validação do modelo, pois a mesma verifica o funcionamento, o comportamento e as respostas do mesmo em determinadas situações já conhecidas por usuários desenvolvedores e possíveis usuários finais. A validação tem recebido atenção em várias áreas de pesquisa, tais como pesquisa operacional, análise de sistemas, sistemas especialistas e, também, nos sistemas de apoio à decisão. Conseqüentemente, é bastante difícil encontrar uma definição padrão para o que é validação. Neste trabalho adotamos a definição apresentada por Pidd (1998) a qual afirma que um modelo é uma representação do mundo real ou, no mínimo, parte dele. Por isso, a validação é realmente bastante direta em princípio. Tudo que a validação precisa fazer é verificar se o comportamento do modelo e do mundo real ocorre sob as mesmas condições. Se sim, o modelo é válido. Se não, então o modelo não é válido. Para esta demonstração será utilizada a tabela de fatos denominada Coleta, e internamente a esta, os atributos Tipo de Coleta, Quantidade Coletada e Tempo. Será gerada uma consulta referente à quantidade total de resíduos coletados, pela coleta seletiva, no mês de maio do ano 2000 ao ano de Os resultados gerados, tanto na forma de tabela quanto no formato gráfico, são apresentados na figura 2. As informações obtidas no caso real utilizado como parte da validação, confirmam a redução da quantidade coletada pela coleta seletiva de resíduos da prefeitura municipal, pois tal fato, segundo os gestores, deu-se pelo aumento da coleta de resíduos potencialmente recicláveis no município por parte de associações, cooperativas, autônomos e outros. Do ano 2000 ao ano de 2004, considerando apenas o mês de maio destes, houve uma redução de 15,68% na quantidade total de resíduos coletada, o que comprova a afirmação por parte dos gestores da coleta, como valida, em parte, o modelo implementado no Palo. 8

9 Figura 2 Resultados gerados pelo PALO no formato de tabela e gráfico 7 CONSIDERAÇÕES FINAIS O objetivo principal do trabalho foi o de apresentar um modelo de business intelligence o qual tem por finalidade principal o auxílio aos gestores da coleta seletiva de resíduos sólidos, no que tange ao processo decisório acerca da coleta de resíduos sólidos domiciliares, tendo em vista a alta eficiência destes modelos em problemas de natureza organizacionais (WATSON, 2004). As conclusões que podem ser extraídas a partir da utilização do modelo (no caso específico relatado no artigo), com dados fornecidos pela empresa pública de coleta do município, o modelo comportou-se de forma correta, pois retratou com fidedignidade um fato que era anteriormente conhecido pelos gestores, que era o da redução na quantidade total de resíduos potencialmente recicláveis no início dos anos Para tal, foram analisados dados do mês de maio de cinco anos de coleta (2000 a 2004), o que garante a veracidade dos resultados gerados. No caso, a informação gerada foi o da redução de 15,68% dos resíduos oriundos da coleta seletiva municipal, fato este atribuído ao aumento da coleta informal deste tipo de resíduo. O modelo foi validado também utilizando as tabelas fatos Ocupação (relativo a aterros sanitários) e Manutenção (relativo a veículos coletores) e, mais uma vez, comportou-se de forma fidedigna, segundo os gestores da área.como trabalho futuro pretende-se aplicar algoritmos de data mining (regras de associação e clustering) para a descoberta de padrões e novos comportamentos sobre o processo de coleta de resíduos sólidos domiciliares no data warehouse já desenvolvido. REFERÊNCIAS BIBLIOGRÁFICAS. BARLAZ, M.A.; et al. Life-Cycle Study of Municipal Solid Waste Management System Description. Washington DC: U.S. Environmental Protection Agency, BHAT, V.N. A model for the optimal allocation of trucks for the solid waste management. Waste Management & Research, 14, pp.87-96,

10 CHANG, N.; WEI, Y. Siting recycling drop-off in urban area by genetic algorithm-based fuzzy multiobjective nonlinear integer programming modeling. Fuzzy Sets and Systems, 114, pp , CORDEAU, J.F.; et al. A guide to vehicle routing heuristics. Journal of the Operational Research Society, 53, pp , CUNHA, V.; CAIXETA FILHO, J. V. Gerenciamento da Coleta de Resíduos Sólidos Urbanos: Estruturação e Aplicação de Modelo Não-Linear de Programação de Metas. Revista do Departamento de Engenharia de Produção da Universidade Federal de São Carlos, v. 9, n. 2, ENVOLVERDE / MINISTÉRIO DAS CIDADES. MCidades lança Diagnóstico de Resíduos Sólidos Urbanos. Disponível em: SOLIDOS&x=15&y=10#. Acessado em 05/02/2009 EVERETT, J.W.; SHAHI, S. Vehicle and labor requirements for yard waste collection. Waste Management & Research, 15, pp , HUANG, G.H.; BAETZ, B.W.; PATRY, G.G. Trash-Flow Allocation: Planning Under Uncertainty. Interfaces, Vol. 28, No. 6, pp , Nov-Dec, INMON, W. Building the Data Warehouse. John Wiley & Sons, Kimball, R.; Ross,M. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. Willey Computer Publishing, LAW, A.M., KELTON, W.D. Simulation Modeling & Analysis. 2ª Ed., McGraw-Hill, MANSUR, G.L.; MONTEIRO, J.H.P. O que é preciso saber sobre limpeza urbana. Rio de Janeiro, IBAM/CPU, MONTEIRO, J.H.P.; et al. Manual de Gerenciamento Integrado de Resíduos Sólidos. Rio de Janeiro: Instituto Brasileiro de Administração Municipal, O LEARY, P.R; et al.. Decision Maker s Guide to Solid Waste Management.Vol. 2. Washington DC: U.S. Environmental Protection Agency, JEDOX PALO. Jedox Palo OLAP Server - Open Source Business Intelligence for Planning, Analysis, Reporting and Consolidation. Disponível em: Acessado em: 16 de outubro de PENTAHO CORPORATION. Kettle Project. Disponível em: Acessado em: 16 de outubro de PERRODIN, Y.; et al. Waste ecocompatibility in storage and reuse scenarios: global methodology and detailed presentation of the impact study on the recipient environments. Waste Management, 22, pp , PIDD, M. Modelagem Empresarial Ferramentas para a Tomada de Decisão. Porto Alegre: Artmed,

11 SIMONETTO, E.O., BORENSTEIN, D. A Decision Support System for the Operational Planning of Solid Waste Collection. Waste Management, 27(10), pp , SNIS Sistema Nacional de Informações sobre Saneamento. Diagnóstico do Manejo de Resíduos Sólidos Urbanos/2006. Disponível em: Carrega.php?EWRErterterTERTer=76. Acessado em 06 de fevereiro de TUNG, D.V.; PINNOI, A. Vehicle routing-scheduling for waste collection in Hanoi. European Journal of Operational Research, 125, pp , ZUTSHI, A.; SOHAL, A. Environmental management systems auditing: auditors experiences in Auastralia. International Journal Environment and Sustainable Development, 1, No. 1, pp.73-87, WATSON, R.T. Data Management Banco de Dados e Organizações. LTC,